RU2015119035A - Системы и способы для использования иммуноокрашивающей маски для селективного улучшения результатов ish-анализа - Google Patents

Системы и способы для использования иммуноокрашивающей маски для селективного улучшения результатов ish-анализа Download PDF

Info

Publication number
RU2015119035A
RU2015119035A RU2015119035A RU2015119035A RU2015119035A RU 2015119035 A RU2015119035 A RU 2015119035A RU 2015119035 A RU2015119035 A RU 2015119035A RU 2015119035 A RU2015119035 A RU 2015119035A RU 2015119035 A RU2015119035 A RU 2015119035A
Authority
RU
Russia
Prior art keywords
image
tissue sample
processor
fluorescent probe
signals
Prior art date
Application number
RU2015119035A
Other languages
English (en)
Inventor
Антти СЕППО
Юзеф АЛЬ-КОФАХИ
Дирк Райан ПЭДФИЛД
Original Assignee
Дженерал Электрик Компани
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Дженерал Электрик Компани filed Critical Дженерал Электрик Компани
Publication of RU2015119035A publication Critical patent/RU2015119035A/ru

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06T7/0014Biomedical image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695Preprocessing, e.g. image segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698Matching; Classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10064Fluorescence image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30024Cell structures in vitro; Tissue sections in vitro
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30072Microarray; Biochip, DNA array; Well plate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Claims (47)

1. Реализуемый компьютером способ обработки данных изображения, представляющих биологические единицы в образце ткани, где компьютер содержит процессор, и способ включает:
получение при помощи процессора первого изображения образца ткани, содержащего сигналы от иммунофлуоресцентного (IF) морфологического маркера, где образец ткани окрашен IF морфологическим маркером;
получение при помощи процессора второго изображения того же самого образца ткани, содержащего сигналы от флуоресцентного зонда, где образец ткани гибридизован in situ с флуоресцентным зондом;
соотнесение при помощи процессора положений сигналов от IF морфологического маркера на первом изображении с положениями сигналов от флуоресцентного зонда на втором изображении с получением соотнесенного изображения;
классифицирование при помощи процессора каждой биологической единицы в образце ткани в один из по меньшей мере двух классов на основе средней интенсивности сигналов от IF морфологического маркера на первом изображении;
осуществление при помощи процессора анализа флуоресцентной гибридизации in situ (FISH) образца ткани на втором изображении с получением таким образом результатов; и
фильтрование при помощи процессора результатов FISH-анализа с получением подмножества результатов, относящихся к биологическим единицам, классифицированным только в один из по меньшей мере двух классов.
2. Способ по п. 1, где по меньшей мере два класса включают эпителиальный и неэпителиальный.
3. Способ по п. 1, дополнительно включающий сегментирование при помощи процессора второго изображения для идентификации ядер в образце ткани на основе положений сигналов от флуоресцентного зонда на втором изображении.
4. Способ по п. 3, где каждая биологическая единица соотносится с соответствующими ядрами, идентифицированными в образце ткани.
5. Способ по п. 3, где сегментирование ядер включает применение при помощи процессора вейвлет-преобразования ко второму изображению.
6. Способ по п. 5, дополнительно включающий построение при помощи процессора разбиения Вороного и колец, формируемых по карте пороговых расстояний от ядер на втором изображении, на котором каждое соответствующее кольцо ограничено тем, что оно по меньшей мере частично окружает только одно ядро в образце ткани.
7. Способ по п. 6, где построение разбиения Вороного на втором изображении дает возможность формирования локальных фоновых областей из второго изображения с использованием ядер, идентифицированных в образце ткани, в качестве семян разбиения Вороного, усиленных при помощи маски, определяемой каждым кольцом.
8. Способ по п. 6, где IF морфологический маркер сконфигурирован для нацеливания на белок цитокератин (CK), и где способ дополнительно включает пороговую обработку первого изображения с использованием порогового значения в связи со способом пороговой обработки Оцу и оценку минимального уровня интенсивности эпителиальной области на первом изображении.
9. Способ по п. 8, дополнительно включающий изменение порогового значения в интерактивном режиме пользователем при обнаружении изменения в классификации каждой биологической единицы.
10. Способ по п. 8, где каждое ядро классифицируется как одно из эпителиального и неэпителиального путем вычисления средней цитокератиновой (CK) интенсивности в пределах кольца, окружающего ядро, и сравнения средней CK интенсивности с оцениваемым минимальным уровнем интенсивности эпителиальной области.
11. Способ по п. 1, где IF морфологический маркер включает краситель 4',6-диамидино-2-фенилиндол (DAPI).
12. Способ по п. 1, где IF морфологический маркер сконфигурирован для нацеливания на по меньшей мере один из белка цитокератин (CK) и белка рецептор эпидермального фактора роста человека 2 (HER2).
13. Способ по п. 1, где флуоресцентный зонд сконфигурирован для связывания с по меньшей мере одним из гена HER2 и центромерного повтора на хромосоме 17.
14. Долговременный машиночитаемый носитель, содержащий хранящиеся на нем исполняемые компьютером команды, которые при исполнении компьютером инициируют осуществление компьютером:
получения первого изображения образца ткани, содержащего сигналы от иммунофлуоресцентного (IF) морфологического маркера, где образец ткани окрашен IF морфологическим маркером;
получения второго изображения того же самого образца ткани, содержащего сигналы от флуоресцентного зонда, где образец ткани гибридизован in situ с флуоресцентным зондом;
соотнесения положений сигналов от IF морфологического маркера на первом изображении с положениями сигналов от флуоресцентного зонда на втором изображении с получением соотнесенного изображения;
классифицирования каждой биологической единицы в образце ткани в один из по меньшей мере двух классов на основе средней интенсивности сигналов от IF морфологического маркера на первом изображении;
анализа флуоресцентной гибридизации in situ (FISH) образца ткани на втором изображении с получением таким образом результатов; и
фильтрования результатов FISH-анализа с получением подмножества результатов, относящихся к биологическим единицам, классифицированным только как эпителиальные.
15. Машиночитаемый носитель по п. 14, дополнительно содержащий исполняемые компьютером команды, которые при исполнении компьютером инициируют осуществление компьютером:
сегментирования второго изображения для идентификации ядер в образце ткани на основе положений сигналов от флуоресцентного зонда на втором изображении.
16. Система обработки данных изображения, представляющих биологические единицы в образце ткани, содержащая:
процессор;
устройство ввода, находящееся в электрической связи с процессором и сконфигурированное для получения данных изображения; и
запоминающее устройство, находящееся в электрической связи с процессором и содержащее исполняемые компьютером команды, которые при исполнении процессором инициируют осуществление процессором:
получения первого изображения образца ткани, содержащего сигналы от иммунофлуоресцентного (IF) морфологического маркера, где образец ткани окрашен IF морфологическим маркером;
получения второго изображения того же самого образца ткани, содержащего сигналы от флуоресцентного зонда, где образец ткани гибридизован in situ с флуоресцентным зондом;
соотнесения положений сигналов от IF морфологического маркера на первом изображении с положениями сигналов от флуоресцентного зонда на втором изображении с получением соотнесенного изображения;
классифицирования каждой биологической единицы в образце ткани в один из по меньшей мере двух классов на основе средней интенсивности сигналов от IF морфологического маркера на первом изображении;
анализа флуоресцентной гибридизации in situ (FISH) образца ткани на втором изображении с получением таким образом результатов; и
фильтрования результатов FISH-анализа с получением подмножества результатов, относящихся к биологическим единицам, классифицированным только в один из по меньшей мере двух классов.
17. Система по п. 16, где по меньшей мере два класса включают эпителиальный и неэпителиальный.
18. Система по п. 16, где запоминающее устройство дополнительно содержит исполняемые компьютером команды, которые при исполнении процессором инициируют осуществление процессором сегментирования второго изображение для идентификации ядер в образце ткани на основе положений сигналов от флуоресцентного зонда на втором изображении.
19. Система по п. 18, где каждая биологическая единица соотносится с соответствующими ядрами, идентифицированными в образце ткани.
20. Система по п. 18, где запоминающее устройство дополнительно содержит исполняемые компьютером команды, которые при исполнении процессором инициируют осуществление процессором применения вейвлет-преобразования ко второму изображению для сегментирования ядер в образце ткани.
21. Система по п. 20, где запоминающее устройство дополнительно содержит исполняемые компьютером команды, которые при исполнении процессором инициируют осуществление процессором построения разбиения Вороного и колец, формируемых по карте пороговых расстояний от ядер на втором изображении, на котором каждое соответствующее кольцо ограничено тем, что оно по меньшей мере частично окружает только одно ядро в образце ткани.
22. Система по п. 20, где запоминающее устройство дополнительно содержит исполняемые компьютером команды, которые при исполнении процессором инициируют осуществление процессором формирования локальных фоновых областей из второго изображения с использованием ядер, идентифицированных в образце ткани, в качестве семян разбиения Вороного, усиленных при помощи маски, определяемой каждым кольцом.
23. Система по п. 16, где IF морфологический маркер включает краситель 4',6-диамидино-2-фенилиндол (DAPI).
24. Система по п. 16, где IF морфологический маркер сконфигурирован для нацеливания на по меньшей мере один из белка цитокератин (CK) и белка рецептор эпидермального фактора роста человека 2 (HER2).
25. Система по п. 16, где флуоресцентный зонд сконфигурирован для связывания с по меньшей мере одним из гена HER2 и центромерного повтора хромосомы 17.
RU2015119035A 2012-12-04 2013-11-05 Системы и способы для использования иммуноокрашивающей маски для селективного улучшения результатов ish-анализа RU2015119035A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/693,406 2012-12-04
US13/693,406 US9135694B2 (en) 2012-12-04 2012-12-04 Systems and methods for using an immunostaining mask to selectively refine ISH analysis results
PCT/US2013/068425 WO2014088744A1 (en) 2012-12-04 2013-11-05 Systems and methods for using an immunostaining mask to selectively refine ish analysis results

Publications (1)

Publication Number Publication Date
RU2015119035A true RU2015119035A (ru) 2017-01-12

Family

ID=49681125

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015119035A RU2015119035A (ru) 2012-12-04 2013-11-05 Системы и способы для использования иммуноокрашивающей маски для селективного улучшения результатов ish-анализа

Country Status (10)

Country Link
US (1) US9135694B2 (ru)
EP (1) EP2929505B1 (ru)
JP (1) JP2016505823A (ru)
KR (1) KR20150091477A (ru)
CN (1) CN104813366A (ru)
AU (1) AU2013356581A1 (ru)
CA (1) CA2890060A1 (ru)
RU (1) RU2015119035A (ru)
SG (1) SG11201504266PA (ru)
WO (1) WO2014088744A1 (ru)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458386B (zh) * 2014-11-25 2017-04-26 广州医科大学附属第一医院 一种血栓成分的染色方法及其应用
KR20160117907A (ko) 2015-04-01 2016-10-11 가톨릭대학교 산학협력단 압력 센서를 이용한 열가소성 마스크 모니터링 시스템
WO2017057970A1 (ko) * 2015-09-30 2017-04-06 주식회사 싸이토젠 광학적 세포 식별방법
WO2017214023A1 (en) * 2016-06-10 2017-12-14 Amnis Corporation A method to combine brightfield and fluorescent channels for cell image segmentation and morphological analysis using images obtained from imaging flow cytometer (ifc)
CN109313798B (zh) * 2016-06-10 2022-04-01 豪夫迈·罗氏有限公司 用于生成模拟数字明场ihc或ish图像的方法和图像处理系统
CN106327508B (zh) * 2016-08-23 2019-04-02 马跃生 Ki67指数自动分析方法
JP6959755B2 (ja) * 2017-04-14 2021-11-05 シスメックス株式会社 蛍光画像分析装置、蛍光画像の分析方法及びコンピュータプログラム
US10776607B2 (en) * 2017-05-19 2020-09-15 Case Western Reserve University Predicting prostate cancer biochemical recurrence and metastasis with computer extracted features from tumor nuclei and benign regions
WO2019065105A1 (ja) * 2017-09-27 2019-04-04 富士フイルム株式会社 画像解析装置、方法およびプログラム
WO2019122047A1 (en) * 2017-12-22 2019-06-27 Ventana Medical Systems, Inc. System and method for generating selective stain segmentation images for cell types of interest
CN111492368B (zh) * 2017-12-22 2024-03-05 文塔纳医疗系统公司 用于基于膜特征对组织图像中的细胞进行分类的系统和方法
CN109003255B (zh) * 2018-06-11 2020-11-10 武汉海星通技术股份有限公司 荧光原位杂交图像的细胞核分割方法及系统
EP3644044B1 (en) * 2018-10-24 2020-12-23 Leica Biosystems Imaging, Inc. Camera exposure control when acquiring fluorescence in situ hybridization images
US11922709B2 (en) * 2020-08-24 2024-03-05 Applied Materials, Inc. Cell detection using segmentation based on nuclear staining and mFISH images
RU2755392C1 (ru) * 2021-02-25 2021-09-15 федеральное государственное бюджетное образовательное учреждение высшего образования "Ставропольский государственный аграрный университет" Способ флюоресцентной гибридизации in situ при применении ДНК-зонда FGFR1 у разных видов млекопитающих на цитологических препаратах
KR102441907B1 (ko) * 2021-07-08 2022-09-08 가톨릭대학교 산학협력단 암 진단을 위한 이미지 분류 장치 및 이미지 분류 방법

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7045292B2 (en) 1998-03-25 2006-05-16 University Of Manitoba Method and marker for identification of pre-malignancy and malignancy and therapeutic intervention
US20080241848A1 (en) 1998-05-09 2008-10-02 Ikonisys, Inc. Methods for prenatal diagnosis of aneuploidy
US6573043B1 (en) 1998-10-07 2003-06-03 Genentech, Inc. Tissue analysis and kits therefor
US7648826B1 (en) 1999-04-02 2010-01-19 The Regents Of The University Of California Detecting CYP24 expression level as a marker for predisposition to cancer
US20050037406A1 (en) 2002-06-12 2005-02-17 De La Torre-Bueno Jose Methods and apparatus for analysis of a biological specimen
US7760927B2 (en) * 2003-09-10 2010-07-20 Bioimagene, Inc. Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation
WO2005076216A2 (en) 2004-02-03 2005-08-18 Bioimagene, Inc. Method and system for automaticed digital image based flourescent in situ hybridization (fish) analysis
US7570797B1 (en) * 2005-05-10 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for generating an inspection process for an inspection system
US8093012B2 (en) 2005-10-13 2012-01-10 Aureon Laboratories, Inc. Multiplex in situ immunohistochemical analysis
AU2007226603A1 (en) 2006-03-13 2007-09-20 Ikonisys, Inc. Method for combining immunostaining and fish using covalently binding fluorophores
US7629125B2 (en) 2006-11-16 2009-12-08 General Electric Company Sequential analysis of biological samples
US8189884B2 (en) 2008-03-26 2012-05-29 General Electric Company Methods for assessing molecular expression of subcellular molecules
US9779213B2 (en) * 2008-07-25 2017-10-03 Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud System for evaluating a pathological stage of prostate cancer
CN101766476B (zh) * 2009-07-08 2011-05-11 中国科学院自动化研究所 自发荧光分子影像系统
US20110091081A1 (en) 2009-10-16 2011-04-21 General Electric Company Method and system for analyzing the expression of biomarkers in cells in situ in their tissue of origin

Also Published As

Publication number Publication date
US9135694B2 (en) 2015-09-15
JP2016505823A (ja) 2016-02-25
SG11201504266PA (en) 2015-06-29
KR20150091477A (ko) 2015-08-11
WO2014088744A1 (en) 2014-06-12
EP2929505B1 (en) 2019-10-16
AU2013356581A1 (en) 2015-05-14
EP2929505A1 (en) 2015-10-14
AU2013356581A2 (en) 2015-07-16
CA2890060A1 (en) 2014-06-12
US20140153811A1 (en) 2014-06-05
CN104813366A (zh) 2015-07-29

Similar Documents

Publication Publication Date Title
RU2015119035A (ru) Системы и способы для использования иммуноокрашивающей маски для селективного улучшения результатов ish-анализа
US10657643B2 (en) Medical image analysis for identifying biomarker-positive tumor cells
JP7231631B2 (ja) 腫瘍空間異質性およびインターマーカ異質性の計算方法
Saha et al. Her2Net: A deep framework for semantic segmentation and classification of cell membranes and nuclei in breast cancer evaluation
EP3345122B1 (en) Automated analysis of cellular samples having intermixing of analytically distinct patterns of analyte staining
CN111448569B (zh) 存储和检索数字病理学分析结果的方法
JP2022527145A (ja) 予測的組織パターン特定のためのマルチプルインスタンスラーナ
JP6517788B2 (ja) 適応的病理組織画像分解のためのシステム及び方法
US11977984B2 (en) Using a first stain to train a model to predict the region stained by a second stain
JP2021506022A (ja) 生体画像における連帯的細胞および領域分類のための深層学習システムならびに方法
US20180075279A1 (en) Automated delineation of nuclei for three dimensional (3-d) high content screening
US9042631B2 (en) Method and systems for cell-level fish dot counting
JP2016515203A (ja) スペクトル・アンミキシング
CN115088022A (zh) 用于训练机器学习算法和维护患者隐私的联邦学习系统
JP2016507229A5 (ru)
TWI788960B (zh) 使用基於核染色和mfish圖像的分割進行細胞偵測
JP2023549020A (ja) 細胞を分類する方法
CN116113983A (zh) 多重免疫荧光染色组织的数字图像中坏死区域的自动化识别
Trinh et al. GoIFISH: a system for the quantification of single cell heterogeneity from IFISH images
Sagonas et al. FISH image analysis using a modified radial basis function network
Shete et al. Breast cancer cell detection using digital image processing

Legal Events

Date Code Title Description
FA93 Acknowledgement of application withdrawn (no request for examination)

Effective date: 20161108