RU2785853C1 - Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла - Google Patents
Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла Download PDFInfo
- Publication number
- RU2785853C1 RU2785853C1 RU2021138659A RU2021138659A RU2785853C1 RU 2785853 C1 RU2785853 C1 RU 2785853C1 RU 2021138659 A RU2021138659 A RU 2021138659A RU 2021138659 A RU2021138659 A RU 2021138659A RU 2785853 C1 RU2785853 C1 RU 2785853C1
- Authority
- RU
- Russia
- Prior art keywords
- bone tissue
- patient
- histological
- images
- squares
- Prior art date
Links
- 210000000988 Bone and Bones Anatomy 0.000 title claims abstract description 61
- 201000011510 cancer Diseases 0.000 title claims abstract description 30
- 239000011521 glass Substances 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007374 clinical diagnostic method Methods 0.000 title abstract 4
- 230000001575 pathological Effects 0.000 claims abstract description 25
- 230000001537 neural Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 230000003211 malignant Effects 0.000 claims abstract description 6
- 230000000875 corresponding Effects 0.000 claims abstract description 5
- 238000003748 differential diagnosis Methods 0.000 claims description 15
- 230000000877 morphologic Effects 0.000 claims description 13
- 239000003814 drug Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 2
- 239000000126 substance Substances 0.000 abstract 1
- 230000011278 mitosis Effects 0.000 description 14
- 238000001574 biopsy Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 210000004544 DC2 Anatomy 0.000 description 1
- WZUVPPKBWHMQCE-VYIIXAMBSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2C[C@@]2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-VYIIXAMBSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002530 ischemic preconditioning Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
Abstract
Изобретение относится к области медицины, а именно к онкологии и может быть использовано для дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла. Способ дифференциальной диагностики заключается в том, что взятый у пациента образец костной ткани переводят в стандартную окрашенную гистологическую форму, изображение полученного окрашенного гистологического стекла сканируют с использованием сканирующего микроскопа Leica SC2 с разрешением 400, отсканированное изображение делят на участки в виде квадратов, выполняют анализ каждого из полученных квадратов отсканированных изображений с использованием модели нейронной сети, предварительно обученной определять на размеченных квадратах наличие объектов диагностики - патологических митозов костной ткани. Результаты выполненного анализа образца костной ткани пациента с использованием математической модели нейронной сети представляют в виде номера изображения и координат выявленных объектов - митозов, причем указанные координаты определяют в автоматическом режиме посредством нейронной сети и с помощью программного продукта выделяют на соответствующих изображениях, после чего выделенные изображения анализирует врач патологоанатом. При подтверждении врачом патологоанатомом хотя бы на одном изображении исследованных квадратов гистологических стекол патологических митозов диагностируют в исследованной костной ткани пациента злокачественную опухоль, а при подтверждении врачом патологоанатомом отсутствия на изображениях всех исследованных квадратов гистологических стекол патологических митозов диагностируют отсутствие злокачественного процесса в исследованной костной ткани пациента. Способ обеспечивает точную диагностику наличия или отсутствия злокачественной опухоли в костной ткани пациента, повышение эффективности и надежности диагностики за счет снижения влияния человеческого фактора. 2 пр.
Description
Изобретение относится к области медицины, а именно к онкологии, к способу дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной на отсканированных изображениях гистологического стекла с использованием модели искусственной нейронной сети, и может быть использовано при диагностике злокачественности исследуемого взятого во время хирургического вмешательства образца костной ткани пациентов в условиях травматолого-ортопедических, хирургических и других стационаров.
Известен способ исследования костной ткани для диагностики внутрикостно растущих опухолей, включающий помещение образца костной ткани на предметное стекло, окрашивание и микроскопирование, (см. патент РФ №2157519, МПК G01N 1/28, 10.10.2000).
Однако известный способ при своем использовании обладает следующими недостатками:
- не обеспечивает необходимую и достаточную точность диагностики наличия или отсутствия злокачественной опухоли в костной ткани пациента,
- не обеспечивает высокую скорость диагностики наличия или отсутствия злокачественной опухоли в костной ткани пациента
- не исключает влияния человеческого фактора на результат диагностики злокачественной опухоли и доброкачественности исследуемой костной ткани пациента.
Задачей изобретения является создание способа дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла.
Техническим результатом является обеспечение необходимой и достаточной точности диагностики наличия или отсутствия злокачественной опухоли в костной ткани пациента, повышение эффективности и надежности диагностики костной ткани пациента при одновременном незначительном обнаружении близких к нулю ложных определений, обеспечение при дифференциальной диагностике костной ткани пациента, а также снижение влияния человеческого фактора на результат диагностики злокачественной опухоли и доброкачественности исследуемой костной ткани пациента.
Технический результат достигается тем, что предложен способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла, характеризующийся тем, что взятый у пациента образец костной ткани переводят в стандартную окрашенную гистологическую форму, изображение полученного окрашенного гистологического стекла сканируют с использованием сканирующего микроскопа Leica SC2 с разрешением 400, отсканированное изображение гистологического стекла делят на участки в виде квадратов, затем выполняют анализ каждого из полученных квадратов отсканированных изображений с использованием модели нейронной сети, предварительно обученной определять наличие объектов диагностики - «патологических митозов» костной ткани, результаты выполненного морфологического анализа образца костной ткани пациента с использованием математической модели нейронной сети представляют в виде номера изображения и координат выявленных объектов - «митозов», причем указанные координаты определяют в автоматическом режиме посредством нейронной сети и с помощью программного продукта выделяют на соответствующих изображениях, после чего выделенные изображения анализирует врач патологоанатом и при подтверждении врачом патологоанатомом хотя бы на одном изображении исследованных гистологических стекол объектов диагностики - «патологических митозов» диагностируют в исследованной костной ткани пациента злокачественную опухоль, а при подтверждении врачом патологоанатомом отсутствие на изображениях всех исследованных гистологических стекол объектов диагностики - «патологических митозов» диагностируют отсутствие злокачественного процесса в исследованной костной ткани пациента.
Способ осуществляется следующим образом. Взятый у пациента в процессе хирургического вмешательства образец костной ткани переводят в стандартную окрашенную окрашенную гематоксилином и эозином форму. Изображение полученного окрашенного гистологического стекла сканируют с использованием сканирующего микроскопа Leica SC2 с разрешением 400.
Отсканированное изображение гистологического стекла делят на участки в виде квадратов с «полем зрения» 1024 на 1024 пикселей.
Затем выполняют морфологический анализ квадратов 1024 на 1024 пикселей с использованием обладающей высокой аналитической точностью и полнотой математической моделью нейронной сети. В процессе выполнения морфологического анализа отсканированных изображений математической моделью нейронной сети, обученной определять наличие объектов диагностики - «патологических митозов» для достижения возможности получения достоверных результатов по точности и качеству дифференциальной диагностики злокачественной опухоли и доброкачественного процесса исследуемого образца костной ткани пациента.
Процесс обучения осуществляют следующим образом.
Предварительно подготавливают выполненные фотоприставкой к микроскопу изображения в количестве 5000 штук пар фотографий одного и того же патологического митоза при увеличении 1000 и 400 с размером изображения 1024 на 1024 пикселей.
Математическая модель нейронной сети, получив отсканированное изображение гистологического слайда для обработки, может дать два ответа: ответ о наличии объекта «митоз» на изображении (Positive) и ответ об отсутствии объекта «митоза» на изображении (Negative).
При этом выполняют промежуточное контрольное тестирование математической модели нейронной сети при анализе 1 000 штук пар фотографий одного и того же патологического митоза с вычислением следующих параметров:
- True Positive (TP) - количество правильных ответов о наличии «митоза»,
- False Positive (FP) - количество ложных ответов о наличии «митоза»,
- True Negative (TN) - количество правильных ответов об отсутствия «митоза»,
- False Negative (FN) - количество ложных ответов об отсутствии «митоза».
Выполняют оценку качества обучения программной математической модели нейронной сети, а именно определение точности (precision) как =TP/(TP+FP) - насколько можно доверять модели и определение полноты (recall) как TP/(TP+FN) - как много объектов класса Positive (нарушений) находит модель. Причем точность и полнота характеризуют разные стороны качества обучаемой программной математической модели: чем выше точность, тем меньше ложных срабатываний, чем выше полнота, тем меньше ложных пропусков. В качестве итоговой меры оценки качества было использовано гармоническое среднее (или F-меру):
F-мера является стандартом в машинном обучении для усреднения точности. F-мера достигает максимума при полноте и точности, равными единице, и близка к нулю, если один из аргументов близок к нулю.
Выполненное контрольное тестирование обучаемой программной математической модели нейронной сети показало ее высокую практическую эффективность. При выполнении морфологического анализа 5000 штук пар ранее подготовленных отсканированных изображений одного и того же патологического митоза была подтверждена высокая аналитическая точность и достигнута возможность получения надежных и достоверных результатов по точности и качеству дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани пациента.
Далее результаты выполненного морфологического анализа образца костной ткани пациента с использованием математической модели нейронной сети представляют в виде номера изображения и координат выявленных объектов - «митозов», причем указанные координаты определяют в автоматическом режиме посредством нейронной сети и с помощью программного продукта выделяют на соответствующих изображениях.
Выделенные изображения анализирует врач патологоанатом и при подтверждении врачом патологоанатомом хотя бы на одном изображении исследованных гистологических стекол объектов диагностики - «патологических митозов» диагностируют в исследованной костной ткани пациента злокачественную опухоль, а при подтверждении врачом патологоанатомом отсутствие на изображениях всех исследованных гистологических стекол объектов диагностики - «патологических митозов» диагностируют отсутствие злокачественного процесса в исследованной костной ткани пациента.
Среди существенных признаков, характеризующих предложенный способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла, отличительными являются:
- переведение взятого у пациента в результате выполненной биопсии или в процессе хирургического вмешательства образца костной ткани в стандартную окрашенную гистологическую форму,
- сканирование изображения полученного окрашенного гистологического стекла с использованием сканирующего микроскопа Leica SC2 с разрешением 400,
- деление отсканированного изображения гистологического стекла на участки в виде квадратов 1024 на 1024 пикселей,
- выполнение анализа всех полученных квадратов отсканированных изображений с использованием модели нейронной сети, предварительно обученной определять на размеченных изображениях наличие объектов диагностики - «патологические митозы» костной ткани,
- представление результатов выполненного морфологического анализа образца костной ткани пациента с использованием математической модели нейронной сети в виде номера изображения и координат выявленных объектов - «митозов»,
- определение указанных координат в автоматическом режиме посредством нейронной сети и с помощью программного продукта выделяют на соответствующих изображениях,
- анализ выделенных изображений врачом патологоанатом и при подтверждении врачом патологоанатомом хотя бы на одном изображении исследованных гистологических стекол объектов диагностики - «патологических митозов» диагностирование в исследованной костной ткани пациента злокачественную опухоль, а при подтверждении врачом патологоанатомом отсутствие на изображениях всех исследованных гистологических стекол объектов диагностики - «патологических митозов» диагностирование отсутствия злокачественного процесса в исследованной костной ткани пациента.
Экспериментальные и клинические исследования предложенного способа дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани с использованием модели нейронной сети - поиск объекта «патологический митоз» на отсканированных изображениях гистологического стекла показали его высокую эффективность. Предложенный способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани с использованием модели нейронной сети - поиск объекта «патологический митоз» на отсканированных изображениях гистологического стекла при своем использовании обеспечил необходимую и достаточную точность диагностики наличия или отсутствия злокачественной опухоли в костной ткани пациента, при одновременном незначительном обнаружении близких к нулю ложных определений, а также исключил влияние человеческого фактора на результат диагностики злокачественной опухоли и доброкачественного процесса исследуемой костной ткани пациента.
Реализация предложенного способа дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани с использованием модели нейронной сети - поиск объекта «патологический митоз» на отсканированных изображениях гистологического стекла иллюстрируется следующими клиническими примерами.
Пример 1. В условиях ФГБУ «НМИЦ ТО им. Н.Н. Приорова» у пациента М., 58 лет, взяли в процессе хирургического вмешательства образец костной ткани бедренной кости.
Выполнили дифференциальную диагностику злокачественной опухоли и доброкачественного процесса костной ткани с использованием модели нейронной сети - поиск объекта «патологический митоз» на отсканированных изображениях гистологического стекла. Взятый у пациента в процессе хирургического вмешательства образец костной ткани перевели в стандартную окрашенную гистологическую форму. Изображение полученного окрашенного гистологического стекла отсканировали с использованием сканирующего микроскопа Leica SC2 с разрешением 400 и оцифровали.
Отсканированное изображение гистологического стекла разделили на участки в виде квадратов 1024 на 1024 пикселей.
Выполнили морфологический анализ выделенных квадратов 1024 на 1024 пикселей с использованием обладающей высокой аналитической точностью моделью нейронной сети. В процессе выполнения морфологического анализа отсканированных изображений математической моделью нейронной сети, дополнительно обученной возможности получения достоверных результатов по точности и качеству дифференциальной диагностики злокачественной опухоли или доброкачественного процесса исследуемого образца костной ткани пациента.
Далее результаты выполненного морфологического анализа взятого для исследования образца костной ткани пациента с использованием математической модели нейронной сети, представили в виде номера изображения и координат выявленных объектов - «митозов».
Выделенные изображения проанализировал врач патологоанатом, подтвердил наличие на одном изображении исследованных квадратов гистологических стекол объекта диагностики - «патологических митозов» и на этом основании диагностировал в исследованной костной ткани пациента наличие злокачественной опухоли.
Пример 2. В условиях ФГБУ «НМИЦ ТО им. Н.Н. Приорова» у пациентки Д., 43 лет, взяли с использованием биопсии образец костной ткани дистального отдела бедренной кости.
Выполнили дифференциальную диагностику злокачественной опухоли и доброкачественного процесса костной ткани с использованием модели нейронной сети - поиск объекта «патологический митоз» на отсканированных изображениях гистологического стекла. Взятый у пациентки с использованием биопсии образец костной ткани перевели в стандартную окрашенную гистологическую форму. Изображение окрашенного гистологического стекла отсканировали с использованием сканирующего микроскопа Leica SC2 с разрешением 400.
Отсканированное изображение гистологического стекла разделили с использованием компьютерной программы на участки в виде квадратов 1024 на 1024 пикселей.
Выполнили морфологический анализ выделенных квадратов 1024 на 1024 пикселей с использованием обладающей высокой аналитической точностью и полнотой математической моделью нейронной сети. В процессе выполнения морфологического анализа отсканированных изображений математической модели нейронной сети, дополнительно обученной возможности получения достоверных результатов по точности и качеству дифференциальной диагностики злокачественной опухоли или доброкачественного процесса исследуемого образца костной ткани пациентки.
Далее результаты выполненного морфологического анализа взятого для исследования образца костной ткани пациента с использованием математической модели нейронной сети, представили в виде номера изображения и координат проанализированных объектов - «митозов».
Выделенные изображения проанализировал врач патологоанатом, подтвердил отсутствие на изображениях всех исследованных квадратов гистологических стекол объектов диагностики - «патологических митозов» и на этом основании диагностировал отсутствие злокачественного процесса в исследованной костной ткани пациента.
Claims (1)
- Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла, характеризующийся тем, что взятый у пациента образец костной ткани переводят в стандартную окрашенную гистологическую форму, изображение полученного окрашенного гистологического стекла сканируют с использованием сканирующего микроскопа Leica SC2 с разрешением 400, отсканированное изображение гистологического стекла делят на участки в виде квадратов, затем выполняют анализ каждого из полученных квадратов отсканированных изображений с использованием модели нейронной сети, предварительно обученной определять на размеченных квадратах наличие объектов диагностики - «патологических митозов» костной ткани, результаты выполненного морфологического анализа образца костной ткани пациента с использованием математической модели нейронной сети представляют в виде номера изображения и координат выявленных объектов - «митозов», причем указанные координаты определяют в автоматическом режиме посредством нейронной сети и с помощью программного продукта выделяют на соответствующих изображениях, после чего выделенные изображения анализирует врач патологоанатом и при подтверждении врачом патологоанатомом хотя бы на одном изображении исследованных квадратов гистологических стекол объектов диагностики - «патологических митозов» диагностируют в исследованной костной ткани пациента злокачественную опухоль, а при подтверждении врачом патологоанатомом отсутствия на изображениях всех исследованных квадратов гистологических стекол объектов диагностики - «патологических митозов» диагностируют отсутствие злокачественного процесса в исследованной костной ткани пациента.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2785853C1 true RU2785853C1 (ru) | 2022-12-14 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU57576U1 (ru) * | 2006-05-18 | 2006-10-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Комплекс автоматизированной гистологической экспресс-диагностики опухолей |
| RU2318201C1 (ru) * | 2006-09-26 | 2008-02-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Способ микроскопического исследования образца |
| RU2685469C1 (ru) * | 2018-02-26 | 2019-04-18 | Частное учреждение образовательная организация высшего образования "Медицинский университет "Реавиз" | Способ ранней автоматизированной дистанционной диагностики меланомы кожи |
| CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
| RU2697733C1 (ru) * | 2019-06-10 | 2019-08-19 | Общество с ограниченной ответственностью "Медицинские Скрининг Системы" | Система обработки рентгенографических изображений и вывода результата пользователю |
| RU2717944C1 (ru) * | 2019-05-24 | 2020-03-27 | Валентин Григорьевич Никитаев | Способ определения степени злокачественности аденокарциномы предстательной железы |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU57576U1 (ru) * | 2006-05-18 | 2006-10-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Комплекс автоматизированной гистологической экспресс-диагностики опухолей |
| RU2318201C1 (ru) * | 2006-09-26 | 2008-02-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Способ микроскопического исследования образца |
| RU2685469C1 (ru) * | 2018-02-26 | 2019-04-18 | Частное учреждение образовательная организация высшего образования "Медицинский университет "Реавиз" | Способ ранней автоматизированной дистанционной диагностики меланомы кожи |
| CN109815888A (zh) * | 2019-01-21 | 2019-05-28 | 武汉兰丁医学高科技有限公司 | 一种新型巴氏染色方法及异常宫颈细胞自动识别方法 |
| RU2717944C1 (ru) * | 2019-05-24 | 2020-03-27 | Валентин Григорьевич Никитаев | Способ определения степени злокачественности аденокарциномы предстательной железы |
| RU2697733C1 (ru) * | 2019-06-10 | 2019-08-19 | Общество с ограниченной ответственностью "Медицинские Скрининг Системы" | Система обработки рентгенографических изображений и вывода результата пользователю |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Soviero et al. | Validity of microCT for in vitro detection of proximal carious lesions in primary molars | |
| CN105009174B (zh) | 用于评估组织纤维化的方法及系统 | |
| JP6772066B2 (ja) | 画像を処理して解析するための検査装置 | |
| KR20200126303A (ko) | 자궁경부암 세포 영상 자동 분석을 위한 인공지능 컴퓨터 보조 진단 시스템 및 그 제어 방법 | |
| JP2023544466A (ja) | Ｐｅｔ／ｃｔに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置 | |
| US20240177302A1 (en) | Cellular diagnostic and analysis methods | |
| Jain et al. | Rapid evaluation of fresh ex vivo kidney tissue with full-field optical coherence tomography | |
| CN112950587B (zh) | 基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备 | |
| CN109255354A (zh) | 面向医用ct的计算机图像处理方法和装置 | |
| Wang et al. | Automated ovarian cancer identification using end-to-end deep learning and second harmonic generation imaging | |
| CN109003659A (zh) | 胃幽门螺旋杆菌感染病理诊断支持系统和方法 | |
| RU2785853C1 (ru) | Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла | |
| CN117036269A (zh) | 一种基于尿液样品高光谱图像的肾小球疾病分类诊断模型构建方法 | |
| Korzyńska et al. | The method of immunohistochemical images standardization | |
| WO2022190891A1 (ja) | 情報処理システム及び情報処理方法 | |
| RU2353295C2 (ru) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы | |
| JP2019013461A (ja) | プローブ型共焦点レーザー顕微内視鏡画像診断支援装置 | |
| JPH0694706A (ja) | 病理画像検査支援装置 | |
| KR20210136571A (ko) | 생검 유방암조직 이미지를 분석해 유방암 유전적타입을 진단하는 임상의사결정지원시스템 | |
| Said et al. | Identification of ischemic stroke stages in CT scan brain images using ImageJ software | |
| Merhar et al. | Morphometric Image Analysis and its Applications in Biomedicine Using Different Microscopy Modes | |
| RU2020126117A (ru) | Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани с использованием модели нейронной сети поиска объекта "патологический митоз" на отсканированных изображениях гистологического стекла | |
| Sheikhzadeh | Improving cervical neoplasia diagnosis via novel in vivo imaging technologies and deep learning algorithms | |
| TWI845365B (zh) | 建立識別荷爾蒙受體狀態模型的方法、測定荷爾蒙受體狀態的方法及系統 | |
| Ferrarese et al. | A new paradigm for geometric accuracy prediction in medical image segmentation |