RU2690224C2 - Обследующее устройство для обработки и анализа изображения - Google Patents
Обследующее устройство для обработки и анализа изображения Download PDFInfo
- Publication number
- RU2690224C2 RU2690224C2 RU2016143098A RU2016143098A RU2690224C2 RU 2690224 C2 RU2690224 C2 RU 2690224C2 RU 2016143098 A RU2016143098 A RU 2016143098A RU 2016143098 A RU2016143098 A RU 2016143098A RU 2690224 C2 RU2690224 C2 RU 2690224C2
- Authority
- RU
- Russia
- Prior art keywords
- image
- characteristic
- area
- biological sample
- unit
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 239000000523 sample Substances 0.000 claims abstract description 35
- 239000012472 biological sample Substances 0.000 claims abstract description 31
- 238000010191 image analysis Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000007170 pathology Effects 0.000 claims abstract description 10
- 210000004027 cell Anatomy 0.000 claims description 24
- 210000004881 tumor cell Anatomy 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000011532 immunohistochemical staining Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 3
- 210000001519 tissue Anatomy 0.000 description 30
- 238000004590 computer program Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 11
- 201000011510 cancer Diseases 0.000 description 8
- 238000001574 biopsy Methods 0.000 description 6
- 210000002919 epithelial cell Anatomy 0.000 description 6
- 210000004698 lymphocyte Anatomy 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000010186 staining Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000007479 molecular analysis Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000012620 biological material Substances 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 230000001404 mediated effect Effects 0.000 description 2
- 238000003752 polymerase chain reaction Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 102000001301 EGF receptor Human genes 0.000 description 1
- 108060006698 EGF receptor Proteins 0.000 description 1
- 210000001789 adipocyte Anatomy 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002934 lysing effect Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 108020004999 messenger RNA Proteins 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000003753 real-time PCR Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Изобретение относится к обследующему устройству, способу и машиночитаемому носителю для обработки и анализа изображения биологического образца для цифровой патологии. Технический результат заключается в повышении точности анализа области изображения. Обследующее устройство содержит блок интерфейса, блок анализа изображения, блок отображения и блок обнаружения ядер, в котором блок интерфейса выполнен с возможностью предоставлять изображение биологического образца, в котором блок анализа изображения выполнен с возможностью указывать область, представляющую интерес, на изображении в качестве эталонной области, чтобы извлекать характеристику клеток и/или ткани эталонной области из изображения и анализировать изображение на предмет альтернативных областей с характеристикой, схожей с характеристикой, извлеченной из эталонной области, в котором блок отображения выполнен с возможностью отображать результат анализа на предмет альтернативных областей со схожей характеристикой, в котором биологический образец представляет собой образец ткани и в котором блок обнаружения ядер выполнен с возможностью обнаружения ядер. 3 н. и 9 з.п. ф-лы, 5 ил.
Description
ОБЛАСТЬ ИЗОБРЕТЕНИЯ
Настоящее изобретение относится к обследующему устройству для обработки и анализа изображения биологического образца, способу обследования для обработки и анализа изображения биологического образца, компьютерному программному элементу для управления таким устройством и соответствующему машиночитаемому носителю. Это изобретение создано в рамках программы Life Science for Health («LSH»).
УРОВЕНЬ ТЕХНИКИ ИЗОБРЕТЕНИЯ
Диагностическое исследование патологии в материале пациента (тканях и клетках) представляет собой основу для принятия многих решений о лечении, в частности, в онкологии. Стандартные тонкие срезы биоптата представляют на предметных стеклах и окрашивают в соответствии с определенными протоколами для того, чтобы визуализировать морфологию ткани. Оценка обычно происходит в светлопольном микроскопе.
В WO 01/39122 A1 раскрыт способ модификации данных, включающий этапы хранения в первой памяти представления объекта с использованием множества дискретных элементов данных, которые представляют соответствующие местоположения в объекте; присвоения значения сходства каждому элементу данных, значение сходства представляет свойство объекта; организации значений сходства дискретных элементов данных в паттерн, в котором элементы данных, которые смежны друг с другом в паттерне, представляют смежные местоположения внутри объекта; модификации значения сходства выбранного элемента данных на основании его взвешенного значения сходства и множества смежных элементов данных; хранения модифицированных значений сходства элементов данных; и формирования изображения, которое может просматривать пользователь, которое состоит из множества дискретных визуальных пикселей, свойства отображения которых основаны на модифицированных значениях сходства элементов данных. В статье «Automatic nuclei segmentation and spatial FISH analysis for cancer detection» Nandy K; Gudla P R; Meaburn K J; Misteli T; Lockett S J, PROCEEDINGS OF THE 31ST ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY: ENGINEERING THE FUTURE OF BIOMEDICINE, EMBC 2009, 20090903 IEEE - ISBN 978-1-4244-3296-7, ISBN 1-4244-3296-0, страницы 6718-6721, раскрыт пространственный анализ местоположения гена с использованием мечения флуоресцентной гибридизации in situ (FISH) для раннего обнаружения злокачественной опухоли. В US 2012/045790 A1 раскрыт способ использования в биопсии, гистологии и патологии. Он включает предоставление цифрового первого изображения первого среза объекта, который содержит биологический материал; генерацию цифрового второго изображения второго среза объекта; определение области, представляющей интерес, на втором изображении на основании области, представляющей интерес, на первом изображении; определение области, представляющей интерес, во втором срезе на основании области, представляющей интерес, на втором изображении; и извлечение материала из области, представляющей интерес, во втором срезе.
В настоящее время, выбор области, представляющей интерес (ROI), выполняют вручную, что является неточным, а также утомительным. Кроме того, в ткани можно пропускать более хорошие или альтернативные области. Другие области могут быть лучше в силу различных причин. Одна причина может состоять в том, что область содержит более релевантные клетки/материал для последующего анализа. Другая причина может быть в том, что область является более гомогенной, что повышает чувствительность и специфичность, а также воспроизводимость.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Таким образом, может существовать необходимость предоставить обследующее устройство для обработки и анализа изображения биологического образца, в котором, в частности, усовершенствован выбор области, представляющей интерес (ROI).
Цель настоящего изобретения достигают с помощью объектов изобретения в соответствии независимыми пунктами формулы изобретения, где дополнительные варианты осуществления включены в зависимые пункты формулы изобретения.
В соответствии с настоящим изобретением, представлено обследующее устройство для обработки и анализа изображения биологического образца. Оно содержит блок интерфейса, блок анализа изображения и блок отображения. Блок интерфейса выполнен с возможностью предоставлять изображение биологического образца и может представлять собой, например, интерфейс для устройства сканера для того, чтобы оцифровывать биологический образец. Блок анализа изображения выполнен с возможностью указывать область, представляющую интерес, на изображении в качестве эталонной области, чтобы извлекать характеристику эталонной области из изображения и анализировать изображение на предмет альтернативных областей со схожей характеристикой. Блок отображения выполнен с возможностью отображать результат анализа на предмет альтернативных областей со схожей характеристикой.
Другими словами и в качестве примера, предложено помогать, например, патологу во время выбора ROI. Патолог может вручную указывать (грубо) местоположение ROI. Ткань в этой ROI можно использовать в качестве эталона для характеристики клеток/ткани, которая представляет интерес для патолога.
Используя анализ изображения, можно извлекать характеристические признаки (клетка/ядра) выбранного участка. Кроме того, в этой области можно извлекать характеристики морфологии ткани, например, такие как плотность ядер или вариации формы или типа клетки/ядер.
В данном контексте «схожая» характеристика обозначает, что отклонение между характеристикой, извлеченной из эталонной области, и той, что извлечена из альтернативной области, составляет меньше чем±30%, предпочтительно меньше чем±20%, более предпочтительно меньше чем±10% и даже более предпочтительно меньше чем±5%.
Затем весь образец ткани сканируют на предмет участков, которые демонстрируют схожие характеристики. Кроме того, гетерогенность образца можно определять, например, посредством измерения процентной доли опухолевых клеток в каждой альтернативной области. Поскольку большая процентная доля опухолевых клеток оказывает негативное влияние на качество последующего анализа, такие области можно избегать.
Если обнаруживают альтернативные кандидатные области, пользователя можно предупреждать о них посредством визуальной обратной связи. Альтернативные области можно подсвечивать на экране с использованием конкретного цвета. Различные цвета можно использовать для того, чтобы указывать причину, по которой эти области рассматривают в качестве альтернативы. Например, чтобы привлекать дополнительное внимание к альтернативным областям, которые демонстрируют более хорошую однородность, дополнительную детализированную информацию (например, о размере или однородности) для каждой области можно представлять пользователю через текстовые окна или посредством наложения.
В значении по изобретению, биологический образец, подлежащий исследованию, может представлять собой какой-либо биологический материал, образец ткани, мазок, цитологический образец, образец из организма или тому подобное. Его можно брать, например, из кожи, слизистой поверхности глаза или тому подобного. Источником может быть человек, животное или растение. В дополнение к приложениями in vitro, термин биологический образец охватывает приложения in vivo. Например, настоящее изобретение находит интересные приложения при визуализации, например, органа в организме, с использованием каких-либо хорошо известных систем визуализации, таких как ультразвуковая, рентгеновская, MR система или тому подобное.
Возвращаясь к приложениям in vitro, биологический образец, в частности, может представлять собой срез ткани организма. Кроме того, образец можно окрашивать прежде, чем изображение генерируют, чтобы сделать конкретные признаки, представляющие интерес, (более) заметными. Соответственно, устройство по изобретению, необязательно может содержать блок подготовки образцов, в котором можно выполнять эти этапы. Способ по изобретению также необязательно может включать создание среза ткани организма и/или окрашивание образца.
Характеристика может относиться к признакам клетки или ядер, признакам морфологии ткани, плотности ядер, типу ядер, вариациям формы клетки или ядер и т. п. Характеристика, кроме того, может относиться к параметру гетерогенности для каждой альтернативной области, предпочтительно к процентной доле опухолевых клеток. Характеристика образца в целом может представлять собой характеристику любого типа, которую можно определять по изображению образца, например, локальную концентрацию заданного химического вещества (обнаруживаемого, например, с помощью цвета вещества). В предпочтительном варианте осуществления параметр образца указывает на локальное количество/процентную долю конкретного типа клеток или типа ткани. Параметр образца, например, может выражать абсолютное или относительное число опухолевых клеток в данной области. В частности, он может представлять собой число и/или фракцию опухолевых клеток в ROI изображения. Зная это число для ROI изображения, можно предоставлять важные ключи для правильной интерпретации данных анализа, которые относятся к этой области.
Генерируемое изображение образца предпочтительно представляет собой микроскопическое изображение, т. е. оно раскрывает детали, не видимые для невооруженного глаза. Изображение также может представлять собой гистологическое изображение. Дополнительно или альтернативно, предпочтительно оно представляет собой цифровое изображение, таким образом делая возможным применение универсальных процедур обработки цифровых изображений. Кроме того, изображение можно генерировать посредством сканирования, т. е. посредством последовательной генерации подизображений меньших частей образца. Соответственно, аппарат может содержать цифровой микроскоп, в частности, цифровой сканирующий микроскоп, чтобы сделать возможными указанные выше признаки варианта осуществления. Кроме того, генерируемое микроскопическое изображение может представлять собой светлопольное или флуоресцентное изображение или комбинацию различных изображений.
В примере блок анализа изображения содержит блок автоматического выбора и указания и/или пользовательский интерфейс, выполненный с возможностью выбирать и указывать область, представляющую интерес, на изображении в качестве эталонной области. Блок анализа изображения, блок автоматического выбора и указания и/или пользовательский интерфейс также выполнены с возможностью позволять пользователю корректировать, например, результаты автоматического выбора. Другими словами, выбор и указание ROI на изображении можно осуществлять автоматически посредством подходящих подпрограмм обработки изображений, посредством ручного ввода пользователя или посредством смеси этих двух. Обычно возможно генерировать ROI изображения почти произвольной формы и размера. Устройство предпочтительно может содержать модуль анализа изображений, например, цифровой микропроцессор с ассоциированным программным обеспечением для анализа цифровых изображений. Дополнительно или альтернативно, оно может содержать пользовательский интерфейс, содержащий средства ввода, с помощью которых пользователь может вводить данные, касающиеся выбора ROI изображения. Типично, пользовательский интерфейс также содержит средства вывода, например, дисплей (монитор), на котором можно показывать изображение образца, необязательно вместе с представлением ROI изображения, определяемой в настоящее время. Эти средства вывода предпочтительно могут делать возможным представление изображения образца с корректируемым фактором увеличения. Анализатор изображений типично представляет собой блок обработки цифровых данных с подходящим программным обеспечением обработки изображений, с помощью которого можно автоматически определять параметр образца.
Блок анализа изображения можно выполнять с возможностью определять частично перекрывающиеся окна на изображении, где для каждого окна характеристику извлекают и сравнивают с характеристикой эталонной области. Изображение можно сегментировать, используя локальный ответ в форме накопления красителя для одного или нескольких использованных и/или комбинированных иммуногистохимических красителей. Альтернативно или дополнительно, блок анализа изображения можно выполнять с возможностью сегментировать изображение в соответствии с локальным количеством и/или типом опухолевых клеток на различные подобласти, где для каждой подобласти характеристику извлекают и сравнивают с характеристикой эталонной области. Альтернативно или дополнительно, блок анализа изображения можно выполнять с возможностью сегментировать изображение в соответствии с локальными значениями HER2 (рецептор эпидермального фактора роста 2 человека) на различные подобласти, где для каждой подобласть характеристику извлекают и сравнивают с характеристикой эталонной области. Это дополнительно описано со ссылкой на фиг.
В дополнительном примере блок анализа изображения содержит блок переноса, выполненный с возможностью переносить местоположение эталонной области, которое определили в первом биологическом образце, в соответствующую область во втором биологическом образце и/или на соответствующее изображение.
В примере обследующее устройство для обработки и анализа изображения биологического образца дополнительно содержит блок обнаружения ядер, выполненный с возможностью обнаруживать ядра. Тем самым, клетки извлекают с помощью алгоритма обнаружения ядер. Блок обнаружения ядер можно выполнять с возможностью различать ядра различных типов (т. е. лимфоциты, эпителиальные клетки, жировые клетки и т. д.) и показывать ядра с помощью различного внешнего вида.
В дополнительном примере блок отображения выполнен с возможностью отображать результат анализа, который представляет собой сходство в терминах наблюдаемой характеристики с помощью цвета, интенсивности цвета, текста, буквы, числа, символа и т. п. Также характеристику саму по себе и/или параметр гетерогенности можно отображать с помощью цвета, интенсивности цвета, текста, буквы, числа, символа и т. п. Также возможен обзор снимков различных областей. Снимки можно упорядочивать или не упорядочивать в соответствии с наблюдаемой характеристикой.
В дополнительном примере по настоящему изобретению представлен способ обследования для обработки и анализа изображения биологического образца. Он включает следующие этапы, необязательно в этом порядке:
a) предоставление изображения биологического образца,
b) указание области, представляющей интерес, на изображении в качестве эталонной области,
c) извлечение характеристики эталонной области из изображения,
d) анализ изображения на предмет альтернативных областей со схожей характеристикой, и
e) отображение результата анализа на предмет альтернативных областей со схожей характеристикой.
Другими словами и в качестве примера, способ основан на следующих этапах: ручной и/или автоматический выбор (эталонной) области, представляющей интерес, идентификация клеток, идентификация или определение характеристик области, представляющей интерес, используя извлеченные признаки, идентификация альтернативных областей в биологическом образце, которые демонстрируют характеристики, схожие с выбранной областью, представляющей интерес, оценка каждой альтернативной области (например, измерение процентной доли лимфоцитов или опухолевых клеток и/или измерение гетерогенности), и визуальная обратная связь об альтернативных областях на экране.
В примере также возможно предоставлять изображение биологического образца, чтобы извлекать из изображения характеристику для нескольких областей, включая будущую эталонную область, чтобы выбирать область, представляющую интерес, на основании характеристик, чтобы указывать область, представляющую интерес, на изображении в качестве эталонной области, чтобы сканировать или анализировать изображение на предмет альтернативных областей со схожей характеристикой на основании или извлеченных характеристик или нового измерения и отображать результат сканирования на предмет альтернативных областей со схожей характеристикой.
В дополнительном примере по настоящему изобретению представлена компьютерная программа, где компьютерная программа содержит средства программного кода для управления устройством, как определено в независимом пункте формулы изобретения об устройстве, чтобы осуществлять этапы способа, как определено в независимом пункте формулы изобретения о способе, когда компьютерную программу запускают на компьютере, управляющем устройством.
Применения изобретения могут представлять собой применения в молекулярной патологии, в частности, применения в онкологии для стратификации пациентов на основании идентификации молекулярных изменений в клетках злокачественной опухоли, а также для диагностики/мониторинга других заболеваний.
Следует понимать, что обследующее устройство для обработки и анализа изображения биологического образца, способ обследования для обработки и анализа изображения биологического образца, компьютерный программный элемент для управления таким устройством и машиночитаемый носитель, который хранит такой компьютерный программный элемент в соответствии с независимыми пунктами формулы изобретения имеют схожие и/или идентичные предпочтительные варианты осуществления, в частности, как определено в зависимых пунктах формулы изобретения. Кроме того, следует понимать, что предпочтительный вариант осуществления изобретения также может представлять собой какую-либо комбинацию зависимых пунктов формулы изобретения с соответствующим независимым пунктом формулы изобретения.
Эти и другие аспекты настоящего изобретения видны из и разъяснены со ссылкой на варианты осуществления, описанные далее в настоящем документе.
КРАТКОЕ ОПИСАНИЕ ФИГУР
Образцовые варианты осуществления изобретения описаны в дальнейшем со ссылкой на сопроводительные рисунки.
На фиг. 1 представлен схематически и в качестве примера вариант осуществления способа обследования для обработки и анализа изображения биологического образца в соответствии с изобретением.
На фиг. 2 представлены схематически и в качестве примера детали выходных данных алгоритма обнаружения ядер.
На фиг. 3 представлен схематически и в качестве примера пример создания областей на основании вычисления локальной оценки HER2.
На фиг. 4 представлен схематически и в качестве примера визуальная обратная связь с эталонной областью и альтернативными областями на экране.
На фиг. 5 представлен схематически и в качестве примера обследующее устройство для обработки и анализа изображения биологического образца в соответствии с изобретением
ПОДРОБНОЕ ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ
Настоящее изобретение представлено в настоящем документе далее со ссылкой на практический случай в области цифровой патологии, который представляет собой одно из нескольких применений, предпочтительных для использования. Однако, как уже объяснено, цифровую патологию следует толковать как один неограничивающий пример применения.
Диагностическое исследование патологии в материале пациента (ткань и клетки) является основой многих решений о лечении, в частности, в онкологии. Стандартные тонкие срезы из биопсии располагают на предметных стеклах и окрашивают в соответствии с определенными протоколами для того, чтобы визуализировать морфологию ткани. Совсем недавно разрабатывали окрашивание биологических маркеров, специфичных для заболеваний, in situ для сопроводительной диагностики направленных лекарственных средств. Оценка обычно происходит с использованием светлопольного микроскопа.
Наряду с этой формой анализа, биоптаты тканей и клеток также исследуют молекулярными способами, такими как количественная ПЦР (полимеразная цепная реакция) и секвенирование. Значение этой так называемой молекулярной диагностики (MDx) возрастает с появлением новых молекулярных биологических маркеров. Часто патолог на основании морфологической информации принимает решение о выполнении молекулярного теста для того, чтобы идентифицировать биологические характеристики (злокачественной) ткани для правильного выбора терапии. Поскольку многие молекулярные биологические маркеры нельзя количественно определять in situ в ткани, или по меньшей мере не с необходимой воспроизводимостью, осуществляют отдельный молекулярный диагностический тест. Например, ПЦР или секвенирование осуществляют на образце, который берут из биоптата. Обычно используют вторую пробу, которую уже взяли из биопсии. Этот тканевой срез обрабатывают посредством лизиса клеток перед измерением ДНК или мРНК маркеров. Как следствие, утрачивают пространственную информацию.
Опухолевые ткани в целом состоят из многих различных типов клеток, не только клеток злокачественной опухоли, и даже клетки злокачественной опухоли могут значительно различаться по молекулярному составу в различных участках опухоли. Результат молекулярного анализа зависит от точной композиции тканевого среза, который используют в качестве образца для молекулярного теста. Чем более разбавленной является выбранная область, тем более нечувствительными и неубедительными будут результаты теста. Кроме того, гетерогенность среди популяции клеток злокачественной опухоли также будет вызывать шум в MDx анализах, снижение чувствительности и специфичности, а также воспроизводимости. В настоящее время не существует практического решения для точного выбора материала образца для молекулярного тестирования на основании изображения патологии. Ручной выбор, который выполняют во многих случаях, является неточным.
В настоящее время, выбор ROI выполняют вручную, что является неточным, а также утомительным. Кроме того, в ткани можно пропускать более хорошие или альтернативные области. Другие области могут быть лучше по различным причинам. Одна причина может быть в том, что область содержит больше клеток/материала для MDx. Другая причина может быть в том, что область является более гомогенной, что повышает чувствительность и специфичность, а также воспроизводимость.
На фиг. 1 представлен схематически и в качестве примера вариант осуществления способа обследования для обработки и анализа изображения образца ткани в соответствии с изобретением. Он включает следующие этапы, необязательно в этом порядке:
a) этап S1, предоставление изображения образца ткани,
b) этап S2, указание области, представляющей интерес, на изображении в качестве эталонной области,
c) этап S3, извлечение характеристики эталонной области из изображения,
d) этап S4, анализ изображения для альтернативных областей со схожей характеристикой, и
e) этап S5, отображение результата анализа на предмет альтернативных областей со схожей характеристикой.
На этапы S1 изображение образца ткани представляют с помощью блока интерфейса, формирующего интерфейс, например, для цифрового микроскопа или сканера.
Этап S2 включает выбор и указание области, представляющей интерес, на изображении в качестве эталонной области. Существует по меньшей мере два сценария выбора эталонной области, представляющей интерес: b1) область выбирают автоматически и/или вручную в образце ткани, который используют для молекулярного анализа, и/или b2) область выбирают автоматически и/или вручную в окрашенном образце (например, H&E, IHC или т. п.), который всегда создают в стандартной практике. Затем окрашенный образец топологически выравнивают со вторым образцом ткани, который используют для молекулярного анализа. После выравнивания известно местоположение соответствующей ROI во втором образце.
На потенциальном подэтапе S21, см. также фиг. 2, клетки извлекают с помощью алгоритма обнаружения ядер. Алгоритм обеспечивает грубое указание ядер различных типов, например, ядер с компактным внешним видом (например, как у лимфоцитов) и/или ядер с более прозрачным внешним видом (типичны для эпителиальных клеток и клеток злокачественных опухолей).
На этапе S3 характеристику эталонной области извлекают из изображения, или другими словами, определяют характеристики области, представляющей интерес, с использованием по меньшей мере одного извлеченного признака. На потенциальном подэтапе S31, возможная реализация опосредована определением плотности объектов в ROI, классифицированных как опухолевые клетки (например, как «ядро с прозрачным внешним видом»). Плотность вычисляют по участку, «окруженному» помеченными границами и по всему участку ткани в ROI.
Этап S4 включает анализ изображения для альтернативных областей со схожей характеристикой. Возможный подход d1) для получения альтернативных областей состоит в использовании реализации скользящего окна: прямоугольное окно определяют в частично перекрывающихся местоположениях. Характеристики вычисляют для каждого скользящего окна. Эти характеристики сравнивают с характеристиками эталонной области, представляющей интерес. Области с характеристиками, схожими до некоторой степени, отбирают в качестве кандидатных областей. Затем присваивают оценку каждой кандидатной области. Для применения MDx, например, вычисляют процентную долю эпителиальных клеток в каждой области.
На потенциальном подэтапе S41 оценивают процентную долю опухолевых клеток и/или процентную долю лимфоцитов по числу ядер в ROI, которые классифицировали как «ядро с прозрачным внешним видом», и общему числу обнаруженных ядерных объектов (т. е. сумме числа ядер, классифицированных как «ядро с прозрачным внешним видом», и ядер, классифицированных как «ядро с компактным внешним видом»). Области с равной или более высокой процентной долей по сравнению с эталонной областью отбирают для конечного этапа визуализации.
Дополнительный возможный подход d2) для выбора альтернативных областей с использованием реализации скользящего окна состоит в том, чтобы сначала сегментировать препарат. Возможная реализация состоит в использовании областей, создаваемых алгоритмом локальной IHC оценки (также алгоритм оценки HER2 см. на фиг. 3). Затем для каждого сегмента характеристики вычисляют и сравнивают с характеристиками эталонной области, представляющей интерес, (по аналогии с вышеприведенной процедурой).
Этап S5 содержит визуальную обратную связь для альтернативных областей на экране, другими словами для результата сканирования на предмет альтернативных областей со схожей характеристикой. Один путь e1) для того, чтобы иллюстрировать альтернативные области, опосредован окрашиванием границ альтернативных областей с использованием контрастирующего цвета на цифровом изображении ткани. Цвет или интенсивность цвета, используемые для того, чтобы иллюстрировать области, могут представлять собой, например, функцию процентной доли опухолевых клеток, вычисленных в этой области. Другой или дополнительный путь e2) состоит в том, чтобы подсвечивать релевантные области поверх. Также возможен обзор миниатюр, каждая из который представляет потенциально интересующую ROI.
На фиг. 2 только для иллюстрации представлены детали выходных данных алгоритма обнаружения ядер. Существуют альтернативные реализации с различными подходами. Фиг. 2 связана с потенциальным подэтапом S21, где клетки извлекают с помощью алгоритма обнаружения ядер. Алгоритм предоставляет грубое указание на ядра с компактным внешним видом (например, как у лимфоцитов) в сравнении с ядрами с более прозрачным внешним видом (типичным для эпителиальных клеток и клеток злокачественной опухоли). Алгоритм основан на очень гетерогенном характере ядер и связан с двумя детекторами, один сосредоточен на внутренней структуре ядер, а другой сосредоточен на линейной структуре границы эпителиальных клеток. Выходные данные детекторов объединяют и переносят в затравки с использованием связанных компонентов. Глобально оптимальный активный алгоритм контуров используют для того, чтобы уточнять границу обнаруживаемых ядер.
В наложении, показанном на фиг. 2, внутреннюю структуру и границу ядер помечают, например, различными цветами или, как здесь, различными оттенками серого. Центральные части 14 обозначают ядра, которые обнаружены в качестве «ядер с компактным внешним видом» (типично лимфоциты) и граничные части 15 обозначают границы ядер, которые обнаружены в качестве «ядер с прозрачным внешним видом» (типично эпителиальные клетки). На потенциальном подэтапе S41 процентную долю опухолевых клеток оценивают по числу ядер в ROI, которые классифицированы как «ядро с прозрачным внешним видом», и общему числу обнаруженных ядерных объектов (т. е. сумме числа ядер, классифицированных как «ядро с прозрачным внешним видом», и ядер, классифицированных как «ядро с компактным внешним видом»).
Фиг. 3 связана с этапом S4 анализа изображения на предмет альтернативных областей со схожей характеристикой, используя IHC-окрашенный препарат (например, HER2-окрашенный препарат). Возможная реализация состоит в использовании областей, созданных с помощью алгоритма локальной HER2 оценки. Оценка HER2 имеет важное диагностическое значение для злокачественной опухоли молочной железы. Интерпретация окрашенной ткани с мембранами с HER2 требует дифференциации между окрашиванием и контр-окрашиванием, идентификации количества и полноты накопления окрашивания клеточной мембраной и определения процентной доли опухолевых клеток, которые демонстрируют сверхэкспрессию. Кроме того, в случае, когда образец содержит множество гетерогенных опухолевых областей, оценку каждой из этих областей следует комбинировать в одной оценке. Входные данные алгоритма представляют собой область ткани, выбранную вручную.
На фиг. 3 представлен пример создания областей 16 на основании вычисления локальной оценки HER2. Каждую область 16, содержащую подобласти со схожими оценками HER2, окружают наложенной граничной линией 17. Тем самым, можно дифференцировать области 16 с отличающейся локальной оценкой HER2. Границу 17 области 16 можно указывать уникальным цветом с тем, чтобы области 16 с отличающейся локальной оценкой HER2 можно было указывать различными цветами. Также возможно наложение прозрачных областей одного или нескольких цветов.
Фиг. 4 связана с этапом S5 и показывает визуальную обратную связь для эталонной области 10 и альтернативных областей 11 на экране, другими словами для результата сканирования на предмет альтернативных областей 11 со схожей характеристикой. Альтернативные области 11 проиллюстрированы посредством обозначения, например, окрашивания их границ контрастирующим цветом на цифровом изображении ткани. Толщина граничной линии 12, цвет или интенсивность у цвета, используемого для того, чтобы иллюстрировать области, могут представлять собой, например, функцию процентной доли опухолевых клеток, вычисленной в этой области. Кроме того, возможно подсвечивать релевантные области в наложении 13.
На фиг. 5 представлено обследующее устройство 1 для обработки и анализа изображения образца ткани в соответствии с изобретением. Оно содержит блок 2 интерфейса, блок 3 анализа изображения и блок 4 отображения. Блок 2 интерфейса выполнен с возможностью предоставлять изображение образца ткани. Блок 3 анализа изображения выполнен с возможностью указывать область, представляющую интерес, на изображении в качестве эталонной области, чтобы извлекать характеристику эталонной области из изображения и анализировать изображение на предмет альтернативных областей со схожей характеристикой. Блок 4 отображения выполнен с возможностью отображать результат анализа на предмет альтернативных областей со схожей характеристикой. Обследующее устройство 1 для обработки и анализа изображения образца ткани дополнительно может содержать блок 5 обнаружения ядер, блок 31 автоматического выбора и указания, пользовательский интерфейс 32 и блок 33 переноса. Блок 33 переноса, представленный в качестве примера в виде части блока 3 анализа изображения, также можно располагать в другом месте.
В другом образцовом варианте осуществления настоящего изобретения предусмотрены компьютерная программа или компьютерный программный элемент, которые отличаются тем, что адаптированы для того, чтобы исполнять этапы способа в способе согласно одному из предшествующих вариантов осуществления в подходящей системе.
Следовательно, компьютерный программный элемент можно хранить в блоке компьютера, который также может быть частью варианта осуществления настоящего изобретения. Этот вычислительный блок можно адаптировать для того, чтобы осуществлять или вызывать осуществление этапов описанного выше способа. Кроме того, его можно адаптировать для управления компонентами описанного выше аппарата. Вычислительный блок можно адаптировать для автоматического управления и/или исполнения приказов пользователя. Компьютерную программу можно загружать в рабочую память процессора данных. Процессор данных, таким образом, можно оборудовать для того, чтобы осуществлять способ по изобретению.
Этот образцовый вариант осуществления изобретения покрывает как компьютерную программу, которая с самого начала использует изобретение, так и компьютерную программу, которая посредством обновления превращает существующую программу в программу, которая использует изобретение.
Кроме того, компьютерный программный элемент может быть способен предоставлять все необходимые этапы для того, чтобы выполнять процедуру по образцовому варианту осуществления способа, как описано выше.
Согласно дополнительному образцовому варианту осуществления настоящего изобретения представлен машиночитаемый носитель, такой как CD-ROM, где машиночитаемый носитель имеет компьютерный программный элемент, хранящийся в нем, этот компьютерный программный элемент описан в предыдущем разделе.
Компьютерную программу можно хранить и/или распространять на подходящем носителе, таком как оптический запоминающий носитель или твердотельный носитель, поставляемый вместе с или в качестве части другого аппаратного обеспечения, а также можно распространять в других формах, например, через интернет или другие проводные или беспроводные телекоммуникационные системы.
Однако, компьютерную программу также можно представлять через сеть, такую как World Wide Web, и можно загружать в рабочую память процессора данных из такой сети. Согласно дополнительному образцовому варианту осуществления настоящего изобретения предусмотрен носитель для того, чтобы делать компьютерный программный элемент доступным для загрузки, этот компьютерный программный элемент устроен для того, чтобы осуществлять способ согласно одному из ранее описанных вариантов осуществления изобретения.
Следует отметить, что варианты осуществления изобретения описаны со ссылкой на различные объекты изобретения. В частности, некоторые варианты осуществления описаны со ссылкой на пункты формулы изобретения о способе, тогда как другие варианты осуществления описаны со ссылкой на пункты формулы изобретения об устройстве. Однако специалисту в данной области из приведенного выше и последующего описания будет ясно, что пока не указано иное, в дополнение к какой-либо комбинации признаков, относящихся к одному типу объекта изобретения, также какую-либо комбинацию между признаками, относящимися к различным объектам изобретения, считают раскрытой в этой заявке. Однако можно комбинировать все признаки, обеспечивающие синергические эффекты, которые являются больше чем просто суммой признаков.
Хотя изобретение иллюстрировано и описано подробно на рисунках и в приведенном выше описании, такие иллюстрации и описание следует рассматривать как иллюстративные или образцовые и не ограничивающие. Изобретение не ограничено раскрытыми вариантами осуществления. Другие вариации в раскрытых вариантах осуществления могут понять и реализовать специалисты в данной области при практическом осуществлении описываемого в заявке изобретения, изучив рисунки, раскрытие и зависимые пункты формулы изобретения.
В формуле изобретения слово «содержит» не исключает другие элементы или этапы, а формы единственного числа не исключают множественного числа. Один процессор или другой блок может выполнять функции всех элементов, перечисленных в формуле изобретения. Сам факт того, что определенные меры перечислены во взаимно различных зависимых пунктах формулы изобретения, не указывает на то, что комбинацию этих средств нельзя использовать с пользой. Любые ссылочные позиции в формуле изобретения не следует толковать в качестве ограничения объема.
Claims (26)
1. Обследующее устройство (1) для обработки и анализа изображения биологического образца для цифровой патологии, которое содержит
- блок (2) интерфейса,
- блок (3) анализа изображения,
- блок (4) отображения и
- блок (5) обнаружения ядер,
в котором блок (2) интерфейса выполнен с возможностью предоставлять изображение биологического образца,
в котором блок (3) анализа изображения выполнен с возможностью указывать область, представляющую интерес, на изображении в качестве эталонной области (10), чтобы извлекать характеристику клеток и/или ткани эталонной области из изображения и анализировать изображение на предмет альтернативных областей (11) с характеристикой, схожей с характеристикой, извлеченной из эталонной области,
в котором блок (4) отображения выполнен с возможностью отображать результат анализа на предмет альтернативных областей (11) со схожей характеристикой,
в котором биологический образец представляет собой образец ткани и
в котором блок (5) обнаружения ядер выполнен с возможностью обнаружения ядер.
2. Устройство (1) по предшествующему пункту, в котором блок (5) обнаружения ядер выполнен с возможностью различать различные типы ядер.
3. Устройство (1) по любому из предшествующих пунктов, в котором блок (3) анализа изображения содержит блок (31) автоматического выбора и указания и/или пользовательский интерфейс (32), выполненные с возможностью выбирать и указывать область, представляющую интерес, на изображении в качестве эталонной области (10).
4. Устройство (1) по любому из предшествующих пунктов, в котором блок (3) анализа изображения содержит блок (33) переноса, выполненный с возможностью переносить местоположение эталонной области (10) с первого биологического образца на соответствующую область во втором биологическом образце и/или на соответствующем изображении.
5. Устройство (1) по любому из предшествующих пунктов, в котором блок (3) анализа изображения выполнен с возможностью определять частично перекрывающиеся окна на изображении, в котором для каждого окна характеристику извлекают и сравнивают с характеристикой эталонной области (10).
6. Устройство (1) по одному из предшествующих пп. 1-3, в котором блок (3) анализа изображения выполнен с возможностью сегментировать изображение в соответствии с количеством и типом опухолевых клеток и/или в соответствии с локальным ответом на IHC окрашивание на различные подобласти, в котором для каждой подобласти характеристику извлекают и сравнивают с характеристикой эталонной области (10).
7. Устройство (1) по любому из предшествующих пунктов, в котором блок (4) отображения выполнен с возможностью отображать результат анализа с помощью цвета, интенсивности цвета, текста, буквы, числа, символа и т.п.
8. Устройство (1) по любому из предшествующих пунктов, в котором изображение представляет собой гистологическое изображение.
9. Устройство (1) по любому из предшествующих пунктов, в котором характеристика относится к признакам клеток или ядер, типам ядер, признакам морфологии ткани, плотности ядер, вариациям формы клеток или ядер и т.п.
10. Устройство (1) по любому из предшествующих пунктов, в котором характеристика дополнительно относится к параметру гетерогенности для каждой альтернативной области, предпочтительно к процентной доле опухолевых клеток.
11. Способ обработки и анализа изображения биологического образца для цифровой патологии, осуществляемый устройством по любому из пп. 1–10, включающий этапы:
a) предоставления изображения биологического образца, при этом биологический образец представляет собой образец ткани,
b) указания области, представляющей интерес, на изображении в качестве эталонной области (10),
c) обнаружения ядер и извлечения характеристики клеток и/или ткани эталонной области (10) из изображения,
d) анализа изображения на предмет альтернативных областей (11) с характеристикой, схожей с характеристикой, извлеченной из эталонной области, и
e) отображения результата анализа на предмет альтернативных областей (11) со схожей характеристикой.
12. Машиночитаемый носитель, который имеет сохраненный на нем исполняемый код, который при выполнении его процессором обеспечивает осуществление способа по п. 11.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP14163311.5 | 2014-04-03 | ||
| EP14163311 | 2014-04-03 | ||
| PCT/EP2015/057045 WO2015150392A1 (en) | 2014-04-03 | 2015-03-31 | Examining device for processing and analyzing an image |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| RU2016143098A RU2016143098A (ru) | 2018-05-04 |
| RU2016143098A3 RU2016143098A3 (ru) | 2018-11-12 |
| RU2690224C2 true RU2690224C2 (ru) | 2019-05-31 |
Family
ID=50478718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2016143098A RU2690224C2 (ru) | 2014-04-03 | 2015-03-31 | Обследующее устройство для обработки и анализа изображения |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11232565B2 (ru) |
| EP (1) | EP3127084B1 (ru) |
| JP (1) | JP6772066B2 (ru) |
| CN (1) | CN106462767B (ru) |
| RU (1) | RU2690224C2 (ru) |
| WO (1) | WO2015150392A1 (ru) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105579847B (zh) * | 2013-09-19 | 2019-07-12 | 学校法人庆应义塾 | 疾病分析装置、控制方法和程序 |
| CN106462767B (zh) * | 2014-04-03 | 2021-01-19 | 皇家飞利浦有限公司 | 用于处理和分析图像的检查设备 |
| CN104537975B (zh) * | 2015-01-16 | 2018-09-04 | 北京智谷睿拓技术服务有限公司 | 显示控制方法和装置、显示设备 |
| CN106885813B (zh) * | 2015-12-16 | 2019-06-07 | 清华大学 | 检查货物的方法、系统和装置 |
| WO2018104254A1 (en) | 2016-12-05 | 2018-06-14 | Koninklijke Philips N.V. | Device and method for identifying a region of interest (roi) |
| US10504224B1 (en) * | 2016-12-31 | 2019-12-10 | Flagship Biosciences, Inc. | Method for detecting immunostaining below the threshold of visual perception |
| JPWO2018229920A1 (ja) * | 2017-06-15 | 2020-04-16 | オリンパス株式会社 | 定量評価装置 |
| EP3698193A1 (en) * | 2017-10-19 | 2020-08-26 | Scopio Labs Ltd. | Adaptive sensing based on depth |
| WO2019186998A1 (ja) * | 2018-03-30 | 2019-10-03 | 株式会社島津製作所 | データ解析装置及びデータ解析システム |
| CN108401112B (zh) * | 2018-04-23 | 2021-10-22 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及存储介质 |
| EP3761032A1 (en) | 2019-07-03 | 2021-01-06 | Xyall B.V. | Determining region(s) for tissue dissection in pathology slides |
| CN112862739A (zh) * | 2019-11-08 | 2021-05-28 | 大猩猩科技股份有限公司 | 一种评估影像有效分析区域的方法与系统 |
| JP2021124861A (ja) * | 2020-02-04 | 2021-08-30 | ソニーグループ株式会社 | 解析装置、解析方法、解析プログラム及び診断支援システム |
| CN113256617B (zh) * | 2021-06-23 | 2024-02-20 | 重庆点检生物科技有限公司 | 一种病理切片虚拟免疫组化染色方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU120799U1 (ru) * | 2012-05-17 | 2012-09-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Национальный исследовательский Томский государственный университет" (ТГУ) | Система поиска областей интереса в трехмерных медицинских изображениях |
Family Cites Families (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0652263B2 (ja) * | 1985-12-10 | 1994-07-06 | 株式会社日立製作所 | 細胞分析装置 |
| US6058322A (en) | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
| KR20020079742A (ko) | 1999-11-24 | 2002-10-19 | 컨퍼마, 인코포레이티드 | 고품질영상의 가시적 표시를 위한 상사치데이터의컨벌루젼필터링 |
| JP2001283190A (ja) | 2000-03-30 | 2001-10-12 | Fuji Photo Film Co Ltd | 画像処理装置 |
| US20100279341A1 (en) * | 2000-10-24 | 2010-11-04 | Tissuegnostics Gmbh | Methods and system for analyzing cells |
| US20050136509A1 (en) * | 2003-09-10 | 2005-06-23 | Bioimagene, Inc. | Method and system for quantitatively analyzing biological samples |
| US8265359B2 (en) * | 2007-06-18 | 2012-09-11 | New Jersey Institute Of Technology | Computer-aided cytogenetic method of cancer diagnosis |
| JP4947589B2 (ja) * | 2007-06-27 | 2012-06-06 | Ｋｄｄｉ株式会社 | 類似画像検索装置 |
| JP4801025B2 (ja) | 2007-09-07 | 2011-10-26 | オリンパス株式会社 | 細胞画像解析装置及び細胞画像解析ソフトウェア |
| US8103081B2 (en) * | 2008-03-10 | 2012-01-24 | Cambridge Research & Instrumentation, Inc. | Classification of samples |
| US8340389B2 (en) * | 2008-11-26 | 2012-12-25 | Agilent Technologies, Inc. | Cellular- or sub-cellular-based visualization information using virtual stains |
| US8175369B2 (en) * | 2008-12-12 | 2012-05-08 | Molecular Devices, Llc | Multi-nucleated cell classification and micronuclei scoring |
| EP2425401A2 (en) | 2009-04-28 | 2012-03-07 | Koninklijke Philips Electronics N.V. | Microdissection method and information processing system |
| JP5284863B2 (ja) | 2009-04-30 | 2013-09-11 | 独立行政法人理化学研究所 | 画像処理装置、画像処理方法およびプログラム |
| JP5537347B2 (ja) * | 2009-11-30 | 2014-07-02 | シスメックス株式会社 | 粒子分析装置 |
| JP2011181015A (ja) * | 2010-03-03 | 2011-09-15 | Olympus Corp | 診断情報配信装置および病理診断システム |
| EP2583240B1 (en) | 2010-06-15 | 2018-08-08 | Koninklijke Philips N.V. | An image processing method in microscopy |
| CA3048769A1 (en) * | 2010-07-30 | 2012-02-02 | Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions |
| WO2012037419A2 (en) | 2010-09-16 | 2012-03-22 | Omnyx, LLC | Digital pathology image manipulation |
| US8711149B2 (en) * | 2010-12-08 | 2014-04-29 | Definiens Ag | Graphical user interface for interpreting the results of image analysis |
| WO2013024600A1 (ja) * | 2011-08-18 | 2013-02-21 | 日本電気株式会社 | 情報処理システム、情報処理方法、情報処理装置およびその制御方法と制御プログラム |
| US20140193052A1 (en) * | 2011-08-23 | 2014-07-10 | Yoshiko Yoshihara | Information processing system, information processing method, information processing apparatus, control method thereof and control program |
| JP5464244B2 (ja) * | 2012-08-24 | 2014-04-09 | 富士ゼロックス株式会社 | 画像処理装置、プログラム及び画像処理システム |
| US20150262329A1 (en) * | 2012-10-03 | 2015-09-17 | KONINKLIJKE PHILIPS N.V. a corporation | Combined sample examinations |
| EP2973397B1 (en) * | 2013-03-15 | 2017-08-02 | Ventana Medical Systems, Inc. | Tissue object-based machine learning system for automated scoring of digital whole slides |
| WO2015124777A1 (en) * | 2014-02-21 | 2015-08-27 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
| CN106462767B (zh) * | 2014-04-03 | 2021-01-19 | 皇家飞利浦有限公司 | 用于处理和分析图像的检查设备 |
| DE102014224656A1 (de) * | 2014-12-02 | 2016-06-02 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Segmentieren eines medizinischen Untersuchungsobjekts mit quantitativen MR-Bildgebungsmethoden |
-
2015
- 2015-03-31 CN CN201580017614.3A patent/CN106462767B/zh active Active
- 2015-03-31 WO PCT/EP2015/057045 patent/WO2015150392A1/en active Application Filing
- 2015-03-31 US US15/301,518 patent/US11232565B2/en active Active
- 2015-03-31 EP EP15713742.3A patent/EP3127084B1/en active Active
- 2015-03-31 JP JP2016559525A patent/JP6772066B2/ja active Active
- 2015-03-31 RU RU2016143098A patent/RU2690224C2/ru active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU120799U1 (ru) * | 2012-05-17 | 2012-09-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Национальный исследовательский Томский государственный университет" (ТГУ) | Система поиска областей интереса в трехмерных медицинских изображениях |
Non-Patent Citations (1)
| Title |
|---|
| Nandy K. et al. "Automatic nuclei segmentation and spatial FISH analysis for cancer detection", 03.09.2009, PROCEEDINGS OF THE 31ST ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY: ENGINEERING THE FUTURE OF BIOMEDICINE, EMBC 2009. * |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2016143098A3 (ru) | 2018-11-12 |
| WO2015150392A1 (en) | 2015-10-08 |
| US11232565B2 (en) | 2022-01-25 |
| CN106462767A (zh) | 2017-02-22 |
| JP6772066B2 (ja) | 2020-10-21 |
| EP3127084A1 (en) | 2017-02-08 |
| EP3127084B1 (en) | 2020-07-15 |
| CN106462767B (zh) | 2021-01-19 |
| RU2016143098A (ru) | 2018-05-04 |
| JP2017511473A (ja) | 2017-04-20 |
| US20170116734A1 (en) | 2017-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2690224C2 (ru) | Обследующее устройство для обработки и анализа изображения | |
| JP6604960B2 (ja) | バイオマーカー陽性の腫瘍細胞を識別するための医用画像解析 | |
| JP5663873B2 (ja) | 乳癌病理画像診断支援システム、乳癌病理画像診断支援方法、乳癌病理画像診断支援プログラム、及び、乳癌病理画像診断支援プログラムを記録した記録媒体 | |
| US9298968B1 (en) | Digital image analysis of inflammatory cells and mediators of inflammation | |
| JP2018504674A (ja) | 早期癌予知のための計算病理学システム及び方法 | |
| Setiadi et al. | Quantitative, architectural analysis of immune cell subsets in tumor-draining lymph nodes from breast cancer patients and healthy lymph nodes | |
| US11620751B2 (en) | Image analysis algorithms using control slides | |
| MX2014002843A (es) | Sistema y metodo para la deteccion de anormalidades en una muestra biologica. | |
| JP2009115599A (ja) | 評価システム、評価方法および評価プログラム | |
| JP7011036B2 (ja) | 組織標本の分析を支援するためのスライド画像のカラーデコンボリューションのためのシステムおよび方法 | |
| JP6843121B2 (ja) | 組織マイクロアレイ分析 | |
| WO2012041333A1 (en) | Automated imaging, detection and grading of objects in cytological samples | |
| JP2020530611A (ja) | 染色された標本画像内で細胞を検出するための自動化された方法およびシステム | |
| WO2017171720A1 (en) | Digital image analysis of inflammatory cells and mediators of inflammation | |
| Ulaganathan et al. | A clinicopathological study of various oral cancer diagnostic techniques | |
| US10424061B2 (en) | Method for assigning tissue normalization factors for digital image analysis | |
| Bower et al. | A quantitative framework for the analysis of multimodal optical microscopy images | |
| Narayanan et al. | Unmasking the tissue microecology of ductal carcinoma in situ with deep learning | |
| US20100177942A1 (en) | Method and apparatus for analyzing imagery data | |
| AU2022396109A1 (en) | Digital analysis of preanalytical factors in tissues used for histological staining | |
| JP6592854B2 (ja) | ｃ−ＭＹＣ遺伝子転座の判定方法 | |
| JP2022142461A (ja) | 画像診断方法、画像診断装置、画像診断プログラム。 |