WO2018059668A1 - Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes - Google Patents

Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes Download PDF

Info

Publication number
WO2018059668A1
WO2018059668A1 PCT/EP2016/072977 EP2016072977W WO2018059668A1 WO 2018059668 A1 WO2018059668 A1 WO 2018059668A1 EP 2016072977 W EP2016072977 W EP 2016072977W WO 2018059668 A1 WO2018059668 A1 WO 2018059668A1
Authority
WO
WIPO (PCT)
Prior art keywords
tissue
predictive
analysis device
analyzers
type
Prior art date
Application number
PCT/EP2016/072977
Other languages
English (en)
French (fr)
Inventor
Thomas Engel
Alexander Michael Gigler
Ralph Grothmann
Clemens Otte
Remigiusz Pastusiak
Tobias Paust
Evamaria STÜTZ
Stefanie VOGL
Hans-Georg Zimmermann
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to PCT/EP2016/072977 priority Critical patent/WO2018059668A1/de
Publication of WO2018059668A1 publication Critical patent/WO2018059668A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
    • A61B5/0084—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for introduction into the body, e.g. by catheters
    • A61B5/0086—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for introduction into the body, e.g. by catheters using infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/05—Surgical care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4504—Bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4533—Ligaments
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/6852—Catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • tissue analysis or tissue analysis is becoming increasingly important.
  • a common example of such tissue analysis is the determination of whether a biological tissue is tumorous or healthy.
  • a tumor can be detected pathologically after removal and staining of a tissue sample.
  • an infrared spectrum of the tissue to be analyzed can be taken up and the fabric on the basis of the recorded spectrum, for example, are classified with ⁇ means of a data-driven analysis as healthy or tumorous.
  • currently known spectroscopic methods generally do not achieve a high detection reliability of more than 95% required for a medical diagnosis.
  • the analysis device for analyzing a biological tissue has a sensor for detecting a
  • the predictive analyzers are each set up for the type-specific derivation of an indication of a predefined tissue property from the measured values, the predictive analyzers each being assigned an individual type information, and the predictive analyzers each being type-specifically trained for recognition of the tissue property by means of a plurality of training data.
  • the predefined tissue property can be, in particular, a tumor infiltration of the tissue.
  • the analysis device has a controller for activating a respective predictive analyzer depending on the type information associated therewith on the basis of the measured values and for merging the information derived by the predictive analyzers depending on the respective type information into a combined specification about the tissue property. Further, an output terminal for outputting the combined indication is provided.
  • a multiplicity of measured values of the tissue are detected. Furthermore, an indication of a predefined tissue property is derived from the measured values in a type-specific manner by a plurality of predictive analyzers of different types, the predictive analyzers each being assigned an individual type information, and wherein the predictive analyzers are each type-specific by means of a multiplicity of training data on a recognition of the Tissue property are trained.
  • a respective predictive analyzer is actuated on the basis of the measured values as a function of the type information assigned to it, and the data derived by the predictive analyzers in each case depend on the respective type information brought together in a combined indication of the tissue property to ⁇ .
  • the combined specification is then output.
  • the predictive analyzers each serve to perform a so-called predictive analysis.
  • predictive analysis methods comprise a multiplicity of data transmission methods of machine learning and data mining.
  • the term is predictive not be ⁇ limits in this subject-specific context to a prediction of future events, but is generally dependent on a non pre-known information from input data to derive here the measured values recorded.
  • Such a predictive analyzer is often referred to as a classifier.
  • a significant advantage of the invention results from the observation that a predictive analyzer of a certain type can often map a specific aspect of a relationship between measured values and tissue properties particularly well, but other aspects less well.
  • a type-specific Unsi ⁇ reliability analyzer results can be obtained by the merging of information of several different types of predictive analyzer to a certain extent
  • the invention can be applied noninvasively and allows rapid tissue analysis.
  • the predictive analyzers can be a data-driven
  • trainable regression model an artificial neural network, a support vector machine, a k-nearest-neighbor Classifier, a PLSDA classifier, and / or a decision tree-based classifier.
  • the above implementations can also be used to train and recognize a priori unknown correlations between tissue properties and tissue readings.
  • the senor may include a spectrometer, and the plurality of measurements may include an electromagnetic spectrum of the tissue.
  • an infrared spectrometer preferably for near infrared (NIR) and / or medium infrared (MIR) may be provided as a spectrometer.
  • the spectrometer can also measure a spectrum in visible light.
  • Such spectrometers are usually inexpensive and compatible with commercial optics.
  • the senor may include an imaging sensor, and the plurality of measurements may include an image of the tissue.
  • the sensor can have a camera or an ultrasound, X-ray or magnetic resonance tomograph. In this way, e.g. an image of a tumor or a tumorous area of tissue can be visualized.
  • a preprocessor can be connected between the sensor and a respective predictive analyzer for preprocessing the measured values as a function of the type information assigned to the respective predictive analyzer.
  • the readings can be type-specific and tailored to the preprocessed per ⁇ schreib preprocessor before they are submitted to it.
  • the Trai ⁇ beginnings data can be pre-processed during a training phase in the same manner as the measurement values by the preprocessor or by a separate preprocessor.
  • the controller can advantageously be set up for this purpose be weighted depending on the respective type information and to combine the weighted details of the combined indication.
  • analyzers released by the empirically reliable arrival are derived, a higher weight assigned ⁇ less reliable than analyzers.
  • reliability of the combined indication can be increased in many cases.
  • a further predictive analyzer may be provided for determining type-specific weights for the derived data on the basis of the plurality of training data such that a reliability of information about the tissue property is optimized.
  • the controller may be configured to determine how often a respective indication is derived
  • an endoscope or a surgical microscope can be provided with an analysis device according to the invention.
  • Such an endoscope or a surgical microscope in more advantageous manner before ⁇ values for targeted detection of the measured ⁇ such as a spectrum of the tissue to be analyzed ⁇ bes, are used by the analyzing means.
  • the figure shows a schematic representation of an inventive analysis device.
  • an analysis device AE for analyzing a biological tissue G and in particular for determining a Predetermined tissue property of the fabric G is schematically ⁇ presented .
  • the tissue G may be eg bone tissue, muscle tissue, connective tissue, an organ or an organ part.
  • ⁇ telnde fabric feature a phenotypic tissue
  • a tissue findings, a fabric structure, a fabric ⁇ type, a fabric texture, or other anatomical feature and / or its pathological or injury-related change may for example feature, be predetermined.
  • the tissue property to be detected may be a tumor invasion of the tissue G.
  • the analysis device AE or an inventive method for operating the analyzing device AE for example, by one or more processors, an effetsspe ⁇ zifischer integrated circuits (ASIC), digital signal processors (DSP) and / or so-called "field programmable
  • the analysis device AE comprises one or more processors PROC for carrying out all method steps of the analysis device AE and a memory MEM coupled to the processor PROC for storing by the analysis device AE processing data.
  • the analysis device AE has a spectrometer SPM as sensor, which detects an electromagnetic spectrum SP of the tissue G as measured values.
  • the spectrum SP may be a Refle ⁇ xionsspektrum, a transmission spectrum, an absorption spectrum and / or an on attenuated total reflection (ATR) based spectrum.
  • the spectrometer SPM is preferably designed as an infrared spectrometer and in particular as a working in the near infrared NIR spectrometer.
  • the spectrum SP measured by the spectrometer SPM is an NIR spectrum of the tissue G.
  • the spectrum SP can be represented by a high-dimensional data vector which contains an intensity value for each wavelength or frequency channel of the spectrometer SPM.
  • an image-forming sensor which records an image of the tissue G as measured values or another optical or acoustic sensor can be provided as the sensor.
  • time series, physical or chemical individual values or combinations thereof as measured values of the tissue G can also be detected by a corresponding sensor.
  • the spectrum SP measured by the spectrometer SPM is calculated by the
  • Spectrometer SPM transmitted to a preprocessing PP of the analysis device AE.
  • the preprocessor PP is used for pre-processing of the spectrum SP and is coupled to the spectrometer SPM so as ⁇ with several predictive analyzers PAl, PA2 and PA3 of different types.
  • the predictive analyzers PA1, PA2 and PA3 each serve to perform a predictive analysis in order to derive in each case an indication AI, A2 or A3, respectively, about the predefined tissue property from the preferably preprocessed spectrum SP on the basis of the analyzer type.
  • three predictive analyzers PAl, PA2 and PA3 are vorgese ⁇ hen.
  • any number of predictive Ana ⁇ be catalysts of different types provided for deriving a corresponding number analysatorspezifischer information on the tissue characterization.
  • the information AI, A2 and A3 characterize each of the tissue property and can, for example, etc. to specify a type of tissue, a tissue state ⁇ , a tumor invasion, a content of a specific substance or other chemical properties, or physi ⁇ -alkaline properties, such as pressure, temperature.
  • the indications AI, A2 and A3 can each comprise a discrete and / or continuous value.
  • the information AI, A2 and A3 can each be a simple yes / no classification, for example whether the tissue property or a medical finding is present or not. Specifically, a distinction between tumorous or healthy tissue can be given.
  • the predictive analyzers PA1, PA2 and PA3 each execute a predictive analysis method for deriving the information AI, A2 or A3 from the preferably preprocessed spectrum SP.
  • predictive analysis methods include a variety of statistical and data-driven method of predictive modeling, machine learning and data mining, evaluate the predetermined input data from ⁇ , therein to recognize patterns or structures and / or a-priori unknown information or forecasts of derive future events.
  • a respective predictive analyzer PAl, PA2 and PA3 by means of a data-driven model of a trainable regression künstli ⁇ chen neural network of a support vector machine a k-nearest neighbor classifier, a classifier PLSDA
  • the predictive analyzer PAl implements a linear prediction model, eg a PLSDA classifier
  • the predictive analyzer PA2 implements a functional pattern recognition method, eg a k-nearest neighbor classifier
  • the predictive analyzer PA3 a nonlinear prediction ⁇ model, eg an artificial neural network implemented.
  • Each of the predictive analyzers PAl, PA2 and PA3 is an individual, the particular type of analyzer uniquely identify ⁇ drawing type information TU, TI2 and TI3 assigned.
  • the predictive analyzer PAl the type information TU, the predictive analyzer PA2 the type information TI2 and the predictive analyzer PA3 the type information TI3.
  • the predictive analyzers PA1, PA2 and PA3 are each trained before performing the predictive analyzes.
  • the training of the predictive analyzers PA1, PA2 and PA3 is carried out in each case by means of a multiplicity of training methods supplied to the respective predictive analyzer PA1, PA2 or PA3.
  • Data TD and is each type-specific, ie performed depending on the type of the respective predictive analyzer PA1, PA2 and PA3.
  • the predictive analyzers PA1, PA2 and PA3 are each trained on the most reliable detection of the tissue property by means of training methods of machine learning.
  • the training data TD generally include a variety of measured value data sets and to each measurement record a confirmed or previously known statement about to be recognized Ge ⁇ webeeigenschaft.
  • the training data TD as measurement data records comprise a multiplicity of tissue spectra together with associated previously known information about the tissue property.
  • an image of input data of a respective predictive analyzer PA1, PA2 or PA3 understood to one or more target variables, which is optimized according to specifiable criteria during a training phase.
  • a training structure TS1, TS2 or TS3 optimized in accordance with the predetermined criteria is formed in the relevant predictive analyzer PA1, PA2 or PA3.
  • the training structures TS1, TS2, TS3 can each, for example, a network structure of neurons of a neural network, weights of connections between the
  • the predictive analyzers PA1, PA2 and PA3 for training and / or performing the predictive analysis spectra preprocessed by the preprocessor PP depending on the type of the respective predictive analyzer PA1, PA2 and PA3, ie, type-specific preprocessed.
  • the preprocessor PP is connected between the spectrometer SPM and a respective predictive analyzer PA1, PA2 and PA3, respectively, and is used for preprocessing the spectrum SP.
  • the preprocessing of the spectrum SP is carried out in tune with the predictive analysis method of the respective predictive analyzer PA1, PA2 or PA3.
  • the acquired measured values in this case the spectrum SP and / or images possibly acquired by the sensor, can be filtered in particular according to wavelengths, frequencies and / or structures and / or a transformation, e.g. one
  • a derivative of the spectrum SP according to the wavelength or the frequency ie, a differential quotient can be formed and / or the spectrum SP can be smoothed and / or normalized.
  • a predictive analyzer implementing a linear prediction method in this case PA1, outliers and artifacts in the measured values can preferably be filtered out.
  • the measured values can preferably be normalized by the preprocessor PP.
  • the associated type information TU, TI2 or TI3 is first transmitted to the preprocessor PP by a respective predictive analyzer PA1, PA2 or PA3.
  • the preprocessor performs PP depending on the particular type of information transmitted TU, TI2 and TI3 each a type-specific Vorverar ⁇ processing of the spectrum from SP to a type specific pre-processed sory spectrum SP1, SP2 or SP3 to obtain.
  • the preprocessed spectra SP1, SP2 and SP3 are respectively transmitted by the preprocessor PP to the respective trained, ie via a trained training structure TS1, TS2 and TS3 having predictive analyzer PA1, PA2 and PA3.
  • different ones may be used
  • Analyzer-type-specific preprocessors may be provided which execute the preprocessing in parallel independently of each other.
  • the training data TD are preferably preprocessed in a type-specific manner in the same way as the spectrum SP by the preprocessor PP, depending on the type of the respective predictive analyzer PA1, PA2 or PA3.
  • a transmission of the training data TD to the preprocessor PP during the training phase is indicated in the figure by dashed arrows.
  • A2 and A3 across the tissue characteristic is type specific ist ⁇ passes from the respectively transmitted preprocessed spectrum SP1, SP2 or SP3 by the respective predictive analyzer PAl, PA2 and PA3.
  • the respectively derived information AI, A2 or A3 and the respective associated type information TU, TI2 or TI3 is then transmitted from the respective predictive analyzer PA1, PA2 or PA3 to a controller CTL of the analysis device AE.
  • the controller CTL is coupled to the predictive analyzers PA1, PA2 and PA3 and serves to control them depending on the respective assigned type information TU, TI2 or TI3 on the basis of the respectively preprocessed spectrum SP1, SP2 or
  • controller CTL is used for merging the data AI, A2 and A3 derived by the predictive analyzers PA1, PA2 and PA3, depending on the assigned type information TU, TI2 or TI3, respectively, into a combined specification AK about the tissue property.
  • the controller CTL is also coupled to the preprocessor PP for type-specific control of the preprocessing of the spectrum SP.
  • the indications AI, A2 and A3 are preferably weighted by type-specific weights W1, W2 and W3 and the weighted data combined to the combined value AK.
  • the weights W1, W2 and W3 can be determined for each analyzer type depending on the type information TU, TI2 or TI3. par- In addition, the weights W1, W2 and W3 can each be determined depending on how reliable the information about the tissue property derived from a respective predictive analyzer PA1, PA2 or PA3 is.
  • the combined data AK can be calculated as the weighted sum of the data AI, A2 and A3 according to
  • AK W1 * A1 + B2 * A2 + W3 * A3.
  • the controller CTL can be determined by the controller CTL how often a respective indication is derived to determine the combined indication AK dependent erstoff of the ⁇ th frequencies.
  • the combined indication AK can be determined as the most frequently derived (equally weighted majority decision) or its weights add up to a maximum total value (weighted majority vote).
  • AK may be a multi-step decision process vorgese ⁇ hen for determining the combined indication example in the form of a decision tree, the bone ⁇ th is assigned a specific disclosure.
  • a hierarchical determination of the combined indication AK may be provided, wherein first a Reliable ⁇ ness of a respective indication is determined, and the data Al, A2 and A3 are combined in order of decreasing Reliable ⁇ ness for combined indication AK.
  • the weights W1, W2 and W3 can be determined by a further predictive analyzer NN in an optimized manner.
  • the further predictive analyzer NN is in the present embodiment coupled to the control CTL and part of the analysis device AE.
  • the further predictive analyzer NN may be at least partially implemented or arranged externally to the analysis device AE.
  • the further predictive analyzer NN is implemented as a neural network.
  • the further predictive analyzer NN determines the weights W1, W2 and W3 during a training phase on the basis of the training data TD such that a reliability of information about the tissue property derived by the predictive analyzers PA1, PA2 and PA3 is optimized.
  • a transmission of the training data TD to the further predictive analyzer NN provided for this purpose as well as a transmission of the determined weights W1, W2 and W3 from the further predictive analyzer NN to the control CTL is indicated in the figure by dashed arrows.
  • the combined specification AK determined by the controller CTL is transmitted by the controller CTL to an output terminal T coupled to the controller CTL of the analysis device AE.
  • the output terminal T finally outputs the combined indication AK to a user.
  • the analysis unit AE can be integrated in a simple manner or in an endoscope or a surgical microscope, on the other ⁇ weitig coupled thereto, in that an optical system of a En ⁇ doskops or a surgical microscope for transmitting optical spectra is generally suitable.
  • an endoscope or a surgical microscope in vorteilhaf ⁇ ter manner for targeted detection of Gewebespekt ⁇ rums can be used by the analyzing means AE.
  • the invention allows a rapid and reliable classification or analysis of a tissue sample, in particular by means of an endoscope or a microscope probe.
  • a probability of error of almost 2% was achieved already in simple experiments, which should be sufficient for clinical use in many cases.
  • Another advantage is that the invention can be applied non-invasively.
  • spectral measurements in the near infrared can be carried out very cost-effectively and are compatible with the optics of -

Abstract

Erfindungsgemäß sind ein Sensor (SPM) zum Erfassen einer Vielzahl von Messwerten (SP) des Gewebes (G) sowie mehrere prädiktive Analysatoren (PA1, PA2, PA3) unterschiedlichen Typs vorgesehen. Die prädiktiven Analysatoren (PA1, PA2, PA3) sind jeweils eingerichtet zum typspezifischen Ableiten einer Angabe (A1, A2, A3) über eine vorgegebene Gewebeeigenschaft aus den Messwerten (SP), wobei den prädiktiven Analysatoren (PA1, PA2, PA3) jeweils eine individuelle Typinformation (TI1, TI2, TI3) zugeordnet ist, und wobei die prädiktiven Analysatoren (PA1, PA2, PA3) jeweils typspezifisch mittels einer Vielzahl von Trainingsdaten (TD) auf eine Erkennung der Gewebeeigenschaft trainiert sind. Weiterhin ist eine Steuerung (CTL) vorgesehen zum Ansteuern eines jeweiligen prädiktiven Analysators (PA1, PA2, PA3) abhängig von der zugeordneten Typinformation (TI1, TI2, TI3) anhand der Messwerte (SP) und zum Zusammenführen der abgeleiteten Angaben (A1, A2, A3) jeweils abhängig von der jeweiligen Typinformation (TI1, TI2, TI3) zu einer kombinierten Angabe (AK) über die Gewebeeigenschaft. Ferner ist ein Ausgabeterminal (T) zum Ausgeben der kombinierten Angabe (AK) vorgesehen.

Description

Beschreibung
Analyseeinrichtung und Verfahren zur Analyse eines biologischen Gewebes
In vielen Bereichen der Biologie und der Medizin gewinnt eine automatisierte Gewebeuntersuchung bzw. Gewebeanalyse zunehmend an Bedeutung. Ein häufig praktiziertes Beispiel einer solchen Gewebeanalyse ist die Feststellung, ob ein biologi- sches Gewebe tumorös oder gesund ist.
Eine solche Feststellung wird häufig durch einen Chirurgen mittels optischer Verfahren, wie der Mikroskopie getroffen. Daneben kann ein Tumor nach Entnahme und Färben einer Gewebe- probe pathologisch festgestellt werden. In der Praxis tritt jedoch häufig das Problem auf, dass ein Chirurg bei einem schwer sichtbaren Tumor kaum eine Möglichkeit hat, diesen während einer Operation zuverlässig zu erkennen. Im Rahmen einer automatisierten Gewebeanalyse kann ein Infrarotspektrum des zu analysierenden Gewebes aufgenommen werden und das Gewebe anhand des aufgenommenen Spektrums, z.B. mit¬ tels einer datengetriebenen Analyse als gesund oder tumorös klassifiziert werden. Bekannte spektroskopische Verfahren er- reichen jedoch gegenwärtig in der Regel nicht eine für eine medizinische Diagnose geforderte, hohe Erkennungssicherheit von mehr als 95%.
Es ist Aufgabe der vorliegenden Erfindung, eine Analyseein- richtung und ein Verfahren zur Analyse eines biologischen Gewebes zu schaffen, deren Analyseergebnisse eine höhere Zuver¬ lässigkeit aufweisen.
Gelöst wird diese Aufgabe durch eine Analyseeinrichtung mit den Merkmalen des Patentanspruchs 1, durch ein Endoskop oder ein Operationsmikroskop mit den Merkmalen des Patentanspruchs
10, durch ein Verfahren mit den Merkmalen des Patentanspruchs
11, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 12 sowie durch ein computerlesbares Speicher¬ medium mit den Merkmalen des Patentanspruchs 13.
Die erfindungsgemäße Analyseeinrichtung zur Analyse eines bi- ologischen Gewebes weist einen Sensor zum Erfassen einer
Vielzahl von Messwerten des Gewebes sowie mehrere prädiktive Analysatoren unterschiedlichen Typs auf. Die prädiktiven Analysatoren sind jeweils eingerichtet zum typspezifischen Ableiten einer Angabe über eine vorgegebene Gewebeeigenschaft aus den Messwerten, wobei den prädiktiven Analysatoren jeweils eine individuelle Typinformation zugeordnet ist, und wobei die prädiktiven Analysatoren jeweils typspezifisch mittels einer Vielzahl von Trainingsdaten auf eine Erkennung der Gewebeeigenschaft trainiert sind. Die vorgegebene Gewebeei- genschaft kann dabei insbesondere ein Tumorbefall des Gewebes sein. Weiterhin verfügt die Analyseeinrichtung über eine Steuerung zum Ansteuern eines jeweiligen prädiktiven Analysators abhängig von der diesem zugeordneten Typinformation anhand der Messwerte und zum Zusammenführen der durch die prä- diktiven Analysatoren abgeleiteten Angaben jeweils abhängig von der jeweiligen Typinformation zu einer kombinierten Angabe über die Gewebeeigenschaft. Ferner ist ein Ausgabeterminal zum Ausgeben der kombinierten Angabe vorgesehen. Entsprechend wird beim erfindungsgemäßen Verfahren zur Analyse eines biologischen Gewebes eine Vielzahl von Messwerten des Gewebes erfasst. Weiterhin wird durch mehrere prädiktive Analysatoren unterschiedlichen Typs jeweils eine Angabe über eine vorgegebene Gewebeeigenschaft aus den Messwerten typspe- zifisch abgeleitet, wobei den prädiktiven Analysatoren jeweils eine individuelle Typinformation zugeordnet ist, und wobei die prädiktiven Analysatoren jeweils typspezifisch mittels einer Vielzahl von Trainingsdaten auf eine Erkennung der Gewebeeigenschaft trainiert sind. Durch eine Steuerung wird ein jeweiliger prädiktiver Analysator abhängig von der diesem zugeordneten Typinformation anhand der Messwerte angesteuert, und die durch die prädiktiven Analysatoren abgeleiteten Angaben werden jeweils abhängig von der jeweiligen Typinformation zu einer kombinierten Angabe über die Gewebeeigenschaft zu¬ sammengeführt. Die kombinierte Angabe wird dann ausgegeben.
Zur Durchführung des erfindungsgemäßen Verfahrens sind darü- ber hinaus ein Computerprogrammprodukt sowie ein computerles¬ bares Speichermedium vorgesehen.
Die prädiktiven Analysatoren dienen jeweils zum Durchführen einer sogenannten prädiktiven Analyse. Prädiktive Analysever- fahren umfassen insbesondere eine Vielzahl von datengetriebe¬ nen Verfahren des maschinellen Lernens und des Data-Mining. Der Begriff prädiktiv ist in diesem fachspezifischen Zusammenhang nicht auf eine Vorhersage zukünftiger Ereignisse be¬ schränkt, sondern stellt allgemein darauf ab, eine nicht vor- bekannte Information aus Eingabedaten, hier den erfassten Messwerten abzuleiten. Ein solcher prädiktiver Analysator wird häufig auch als Klassifikator bezeichnet.
Ein wesentlicher Vorteil der Erfindung resultiert aus der Be- obachtung, dass ein prädiktiver Analysator eines bestimmten Typs häufig einen spezifischen Aspekt eines Zusammenhangs zwischen Messwerten und Gewebeeigenschaften besonders gut abbilden kann, andere Aspekte aber weniger gut. Somit kann durch die Zusammenführung von Angaben mehrerer prädiktiver Analysatoren unterschiedlichen Typs eine typspezifische Unsi¬ cherheit von Analysatorergebnissen gewissermaßen
herausgemittelt werden. Auf diese Weise kann eine Zuverläs¬ sigkeit der Analyseergebnisse erheblich gesteigert werden. Darüber hinaus kann die Erfindung nichtinvasiv angewandt wer- den und erlaubt eine schnelle Gewebeanalyse.
Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben. Nach einer vorteilhaften Ausführungsform der Erfindung können die prädiktiven Analysatoren ein datengetriebenes
trainierbares Regressionsmodell, ein künstliches neuronales Netz, eine Support-Vector-Machine, einen k-nächste-Nachbarn- Klassifikator, einen PLSDA-Klassifikator und/oder einen ent- scheidungsbaum-basierten Klassifikator umfassen. Durch die vorstehenden Implementierungen können auch a-priori unbekannte Korrelationen zwischen Gewebeeigenschaften und Gewebemess- werten effizient trainiert und erkannt werden.
Weiterhin kann der Sensor ein Spektrometer umfassen, und die Vielzahl von Messwerten kann ein elektromagnetisches Spektrum des Gewebes umfassen. Insbesondere kann als Spektrometer ein Infrarotspektrometer, vorzugsweise für nahes Infrarot (NIR) und/oder mittleres Infrarot (MIR) vorgesehen sein. Alternativ oder zusätzlich kann das Spektrometer auch ein Spektrum im sichtbaren Licht messen. Derartige Spektrometer sind in der Regel kostengünstig und mit handelsüblicher Optik kompatibel.
Ferner kann der Sensor einen bildgebenden Sensor umfassen, und die Vielzahl von Messwerten kann ein Bild des Gewebes umfassen. Insbesondere kann der Sensor eine Kamera oder einen Ultraschall-, Röntgen- oder Magnetresonanz-Tomografen aufwei- sen. Auf diese Weise kann z.B. ein Bild eines Tumors oder ein tumoröser Gewebebereich visuell dargestellt werden.
Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann zwischen den Sensor und einen jeweiligen prädikti- ven Analysator ein Präprozessor geschaltet sein zum Vorverarbeiten der Messwerte abhängig von der dem jeweiligen prädik- tiven Analysator zugeordneten Typinformation. Auf diese Weise können die Messwerte typspezifisch und abgestimmt auf den je¬ weiligen Präprozessor vorverarbeitet werden, bevor sie zu diesem übermittelt werden. Vorzugsweise können die Trai¬ ningsdaten während einer Trainingsphase in gleicher Weise wie die Messwerte durch den Präprozessor oder durch einen separaten Präprozessor vorverarbeitet werden. Durch geeignete Vorverarbeitung der Messwerte kann eine Erkennungssicherheit in vielen Fällen gesteigert werden.
Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann die Steuerung vorteilhafterweise dazu eingerichtet sein, die abgeleiteten Angaben jeweils abhängig von der jeweiligen Typinformation zu gewichten und die gewichteten Angaben zur kombinierten Angabe zu kombinieren. Insbesondere kann Analysatortypen, durch die empirisch zuverlässigere An- gaben abgeleitet werden, ein höheres Gewicht zugeordnet wer¬ den als weniger zuverlässigen Analysatortypen. Dadurch kann in vielen Fällen eine Zuverlässigkeit der kombinierten Angabe gesteigert werden. Insbesondere kann ein weiterer prädiktiver Analysator vorgesehen sein zum Ermitteln von typspezifischen Gewichten für die abgeleiteten Angaben anhand der Vielzahl von Trainingsdaten derart, dass eine Zuverlässigkeit von Angaben über die Gewebeeigenschaft optimiert wird.
Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann die Steuerung dazu eingerichtet sein, zu ermitteln, wie häufig eine jeweilige Angabe abgeleitet wird, und
die kombinierte Angabe abhängig von den ermittelten Häufig- keiten zu bestimmen. Auf diese Weise können Mehrheitsent¬ scheidungen oder gewichtete Mehrheitsentscheidungen für die Kombination der Angaben implementiert werden.
Weiterhin kann ein Endoskop oder ein Operationsmikroskop mit einer erfindungsgemäßen Analyseeinrichtung vorgesehen sein. Ein solches Endoskop oder Operationsmikroskop kann in vor¬ teilhafter Weise für eine zielgerichtete Erfassung der Mess¬ werte, wie z.B. eines Spektrums des zu analysierenden Gewe¬ bes, durch die Analyseeinrichtung genutzt werden.
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert.
Die Figur zeigt in schematischer Darstellung eine erfin- dungsgemäße Analyseeinrichtung.
In der Figur ist eine Analyseeinrichtung AE zur Analyse eines biologischen Gewebes G und insbesondere zum Ermitteln einer vorgegebenen Gewebeeigenschaft des Gewebes G schematisch dar¬ gestellt. Das Gewebe G kann z.B. Knochengewebe, Muskelgewebe, Bindegewebe, ein Organ oder ein Organteil sein. Als zu ermit¬ telnde Gewebeeigenschaft kann z.B. ein phänotypisches Gewebe- merkmal, ein Gewebebefund, eine Gewebestruktur, ein Gewebe¬ typ, eine Gewebebeschaffenheit oder ein anderes anatomisches Merkmal und/oder dessen krankhafte oder verletzungsbedingte Veränderung vorgegeben sein. Insbesondere kann die zu erkennende Gewebeeigenschaft ein Tumorbefall des Gewebes G sein.
Die Analyseeinrichtung AE bzw. ein erfindungsgemäßes Verfahren zum Betreiben der Analyseeinrichtung AE kann beispielsweise mittels eines oder mehrerer Prozessoren, anwendungsspe¬ zifischer integrierter Schaltungen (ASIC) , digitaler Signal- Prozessoren (DSP) und/oder sogenannter „Field Programmable
Gate Arrays" (FPGA) implementiert bzw. ausgeführt werden. Im vorliegenden Ausführungsbeispiel umfasst die Analyseeinrich¬ tung AE einen oder mehrere Prozessoren PROC zum Ausführen aller Verfahrensschritte der Analyseeinrichtung AE sowie einen mit dem Prozessor PROC gekoppelten Speicher MEM zum Speichern von durch die Analyseeinrichtung AE zu verarbeitenden Daten.
Die Analyseeinrichtung AE verfügt über ein Spektrometer SPM als Sensor, der als Messwerte ein elektromagnetisches Spekt- rum SP des Gewebes G erfasst. Das Spektrum SP kann ein Refle¬ xionsspektrum, ein Transmissionsspektrum, ein Absorptionsspektrum und/oder ein auf abgeschwächter Totalreflektion (ATR) basierendes Spektrum sein. Das Spektrometer SPM ist vorzugsweise als Infrarotspektrometer und insbesondere als ein im nahen Infrarotbereich arbeitendes NIR-Spektrometer ausgebildet. Im vorliegenden Ausführungsbeispiel ist das vom Spektrometer SPM gemessene Spektrum SP ein NIR-Spektrum des Gewebes G. Das Spektrum SP kann hierbei z.B. durch einen hochdimensionalen Datenvektor dargestellt werden, der für je- den Wellenlängen- bzw. Frequenzkanal des Spektrometers SPM einen Intensitätswert enthält. Alternativ oder zusätzlich kann als Sensor ein bildgebender Sensor, der als Messwerte ein Bild des Gewebes G erfasst, oder ein anderer optischer oder akustischer Sensor vorgesehen sein. Weiterhin können durch einen entsprechenden Sensor auch Zeitreihen, physikalische oder chemische Einzelwerte oder Kombinationen hiervon als Messwerte des Gewebes G erfasst werden .
Das vom Spektrometer SPM gemessene Spektrum SP wird vom
Spektrometer SPM zu einem Präprozessor PP der Analyseeinrichtung AE übermittelt. Der Präprozessor PP dient zum Vorverarbeiten des Spektrums SP und ist mit dem Spektrometer SPM so¬ wie mit mehreren prädiktiven Analysatoren PAl, PA2 und PA3 unterschiedlichen Typs gekoppelt.
Die prädiktiven Analysatoren PAl, PA2 und PA3 dienen jeweils zum Durchführen einer prädiktiven Analyse, um jeweils eine Angabe AI, A2 bzw. A3 über die vorgegebene Gewebeeigenschaft analysatortypspezifisch aus dem vorzugsweise vorverarbeiteten Spektrum SP abzuleiten. Im vorliegenden Ausführungsbeispiel sind drei prädiktive Analysatoren PAl, PA2 und PA3 vorgese¬ hen. Grundsätzlich können aber beliebig viele prädiktive Ana¬ lysatoren unterschiedlichen Typs zum Ableiten entsprechend vieler analysatorspezifischer Angaben über die Gewebeeigenschaft vorgesehen sein.
Die Angaben AI, A2 und A3 charakterisieren jeweils die Gewebeeigenschaft und können z.B. einen Gewebetyp, einen Gewebe¬ zustand, einen Tumorbefall, einen Gehalt eines spezifischen Stoffes oder andere chemische Eigenschaften oder auch physi¬ kalische Eigenschaften wie Druck, Temperatur etc. angeben. Die Angaben AI, A2 und A3 können jeweils einen diskreten und/oder kontinuierlichen Wert umfassen. Insbesondere können die Angaben AI, A2 und A3 jeweils eine einfache Ja/Nein- Klassifikation sein, z.B. ob die Gewebeeigenschaft oder ein medizinischer Befund vorliegt oder nicht. Speziell kann dabei eine Unterscheidung zwischen tumorösem oder gesundem Gewebe angegeben werden. Die prädiktiven Analysatoren PAl, PA2 und PA3 führen jeweils ein prädiktives Analyseverfahren zum Ableiten der Angabe AI, A2 bzw. A3 aus dem vorzugsweise vorverarbeiteten Spektrum SP aus. Derartige prädiktive Analyseverfahren umfassen insbesondere eine Vielzahl von statistischen und datengetriebenen Verfahren der prädiktiven Modellierung, des maschinellen Lernens und des Data-Mining, die vorgegebene Eingabedaten aus¬ werten, um darin Muster oder Strukturen zu erkennen und/oder a-priori unbekannte Information oder Prognosen über zukünftige Ereignisse abzuleiten. Insbesondere kann ein jeweiliger prädiktiver Analysator PAl, PA2 bzw. PA3 mittels eines datengetriebenen trainierbaren Regressionsmodells eines künstli¬ chen neuronalen Netzes einer Support-Vector-Machine eines k- nächste-Nachbarn-Klassifikators , eines PLSDA-Klassifikators
(PLSDA: Partial Least Squares Discriminant Analysis) und/oder mittels eines entscheidungsbaumbasierten Klassifikators implementiert sein. Für das vorliegende Ausführungsbeispiel sei angenommen, dass der prädiktive Analysator PAl ein lineares Prädiktionsmodell, z.B. einen PLSDA-Klassifikator implementiert, der prädiktive Analysator PA2 ein funktionales Mustererkennungsverfahren, z.B. einen k-nächste-Nachbarn-Klassifikator implementiert und der prädiktive Analysator PA3 ein nichtlineares Prädiktions¬ modell, z.B. ein künstliches neuronales Netz implementiert. Jedem der prädiktiven Analysatoren PAl, PA2 und PA3 ist eine individuelle, den jeweiligen Analysatortyp eindeutig kenn¬ zeichnende Typinformation TU, TI2 bzw. TI3 zugeordnet. Dem prädiktiven Analysator PAl die Typinformation TU, dem prädiktiven Analysator PA2 die Typinformation TI2 und dem prädiktiven Analysator PA3 die Typinformation TI3.
Die prädiktiven Analysatoren PAl, PA2 und PA3 werden jeweils vor dem Durchführen der prädiktiven Analysen trainiert. Das Training der prädiktiven Analysatoren PAl, PA2 und PA3 erfolgt jeweils mittels einer Vielzahl von dem jeweiligen prädiktiven Analysator PAl, PA2 bzw. PA3 zugeführten Trainings- daten TD und wird jeweils typspezifisch, d.h. abhängig vom Typ des jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3 durchgeführt. Die prädiktiven Analysatoren PA1, PA2 und PA3 werden jeweils auf eine möglichst zuverlässige Erkennung der Gewebeeigenschaft mittels Trainingsmethoden des maschinellen Lernens trainiert.
Die Trainingsdaten TD umfassen im Allgemeinen eine Vielzahl von Messwert-Datensätzen und zu jedem Messwert-Datensatz eine bestätigte oder vorbekannte Angabe über die zu erkennende Ge¬ webeeigenschaft. Im vorliegenden Ausführungsbeispiel umfassen die Trainingsdaten TD als Messwert-Datensätze eine Vielzahl von Gewebespektren zusammen mit zugeordneten vorbekannten Angaben über die Gewebeeigenschaft. Als Training sei hier - dem Sprachgebrauch auf dem Gebiet des maschinellen Lernens folgend - eine Abbildung von Eingangsdaten eines jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3 auf eine oder mehrere Zielgrößen verstanden, die nach vorgebbaren Kriterien während einer Trainingsphase optimiert wird. Hierbei wird für jeden prädiktiven Analysator PA1, PA2 bzw. PA3 eine auf die vorgegebenen Kriterien hin optimierte Trainingsstruktur TS1, TS2 bzw. TS3 im betreffenden prädiktiven Analysator PA1, PA2 bzw. PA3 ausgebildet. Die Trainingsstrukturen TS1, TS2, TS3 können jeweils, z.B. eine Vernetzungsstruktur von Neuronen eines neuronalen Netzes, Gewichte von Verbindungen zwischen den
Neuronen und/oder Parameter eines Regressionsmodells umfas¬ sen, die durch das Training so ausgebildet wurden, dass die Gewebeeigenschaft möglichst zuverlässig erkannt wird. Vorzugsweise werden die den prädiktiven Analysatoren PA1, PA2 und PA3 zum Training und/oder zum Durchführen der prädiktiven Analyse zugeführten Spektren durch den Präprozessor PP abhängig vom Typ des jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3, d.h. typspezifisch vorverarbeitet.
Der Präprozessor PP ist zwischen das Spektrometer SPM und einen jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 geschaltet und dient zum Vorverarbeiten des Spektrums SP abhän- gig von der dem jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 zugeordneten Typinformation TU, TI2 bzw. TI3. Die Vorverarbeitung des Spektrums SP erfolgt dabei abgestimmt auf das prädiktive Analyseverfahren des jeweiligen prädiktiven Analysators PA1, PA2 bzw. PA3.
Die erfassten Messwerte, hier das Spektrum SP und/oder ggf. durch den Sensor erfasste Bilder, können insbesondere nach Wellenlängen, Frequenzen und/oder Strukturen gefiltert und/oder einer Transformation, z.B. einer
Fouriertransformation unterzogen werden. Insbesondere kann eine Ableitung des Spektrums SP nach der Wellenlänge oder nach der Frequenz, d.h. ein Differentialquotient gebildet werden und/oder das Spektrum SP geglättet und/oder normiert werden. Weiterhin können vorzugsweise bei einem ein lineares Prädiktionsverfahren implementierenden prädiktiven Analysator, hier PA1, Ausreißer und Artefakte in den Messwerten herausgefiltert werden. Bei einem ein nichtlineares Prädiktions¬ verfahren implementierenden prädiktiven Analysator, hier PA3, können vorzugsweise die Messwerte durch den Präprozessor PP normiert werden.
Zur typspezifischen Vorverarbeitung des Spektrums SP wird zunächst von einem jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 die zugeordnete Typinformation TU, TI2 bzw. TI3 zum Präprozessor PP übermittelt. Infolgedessen führt der Präprozessor PP abhängig von der jeweils übermittelten Typinformation TU, TI2 bzw. TI3 jeweils eine typspezifische Vorverar¬ beitung des Spektrums SP aus, um ein typspezifisch vorverar- beitetes Spektrum SP1, SP2 bzw. SP3 zu erhalten. Die vorverarbeiteten Spektren SP1, SP2 und SP3 werden jeweils vom Präprozessor PP zum betreffenden trainierten, d.h. über eine ausgebildete Trainingsstruktur TS1, TS2 bzw. TS3 verfügenden prädiktiven Analysator PA1, PA2 bzw. PA3 übermittelt. Alter- nativ oder zusätzlich können auch verschiedene
analysatortypspezifische Präprozessoren vorgesehen sein, die unabhängig voneinander die Vorverarbeitung parallelisiert ausführen . In der vorab durchgeführten Trainingsphase der prädiktiven Analysatoren PAl, PA2 und PA3 werden die Trainingsdaten TD in gleicher Weise wie das Spektrum SP vorzugsweise durch den Präprozessor PP, abhängig vom Typ des jeweiligen prädiktiven Analysators PAl, PA2 bzw. PA3 typspezifisch vorverarbeitet. Eine Übermittlung der Trainingsdaten TD zum Präprozessor PP während der Trainingsphase ist in der Figur durch strichliierte Pfeile angedeutet. Dort ist auch eine Ausbildung der Trainingsstrukturen TS1, TS2 und TS3 anhand der Trainingsda¬ ten TD durch punktierte Pfeile veranschaulicht.
Nach dem Training wird aus dem jeweils übermittelten vorverarbeiteten Spektrum SP1, SP2 bzw. SP3 durch den jeweiligen prädiktiven Analysator PAl, PA2 bzw. PA3 die jeweilige Angabe AI , A2 bzw. A3 über die Gewebeeigenschaft typspezifisch abge¬ leitet. Die jeweils abgeleitete Angabe AI , A2 bzw. A3 sowie die jeweils zugeordnete Typinformation TU, TI2 bzw. TI3 wird dann vom jeweiligen prädiktiven Analysator PAl, PA2 bzw. PA3 zu einer Steuerung CTL der Analyseeinrichtung AE übermittelt.
Die Steuerung CTL ist mit den prädiktiven Analysatoren PAl, PA2 und PA3 gekoppelt und dient zu deren Ansteuerung abhängig von der jeweils zugeordneten Typinformation TU, TI2 bzw. TI3 anhand des jeweils vorverarbeiteten Spektrums SP1, SP2 bzw.
SP3. Weiterhin dient die Steuerung CTL zum Zusammenführen der durch die prädiktiven Analysatoren PAl, PA2 und PA3 abgeleiteten Angaben AI , A2 und A3 jeweils abhängig von der zugeordneten Typinformation TU, TI2 bzw. TI3 zu einer kombinierten Angabe AK über die Gewebeeigenschaft. Die Steuerung CTL ist außerdem mit dem Präprozessor PP gekoppelt zum typspezifischen Steuern der Vorverarbeitung des Spektrums SP.
Die Angaben AI , A2 und A3 werden vorzugsweise durch typspezi- fische Gewichte Wl, W2 und W3 gewichtet und die gewichteten Angaben zur kombinierten Angabe AK kombiniert. Die Gewichte Wl, W2 und W3 können für jeden Analysatortyp abhängig von der Typinformation TU, TI2 bzw. TI3 ermittelt werden. Insbeson- dere können die Gewichte Wl, W2 und W3 jeweils abhängig davon ermittelt werden, wie zuverlässig die von einem jeweiligen prädiktiven Analysator PA1, PA2 bzw. PA3 abgeleiteten Angaben über die Gewebeeigenschaft sind.
Sofern die Angaben AI, A2 und A3 arithmetisch verknüpfbar sind, kann die kombinierte Angabe AK als gewichtete Summe der Angaben AI, A2 und A3 ermittelt werden gemäß
AK = W1*A1 + B2*A2 + W3*A3.
Alternativ oder zusätzlich kann durch die Steuerung CTL ermittelt werden, wie häufig eine jeweilige Angabe abgeleitet wird, um die kombinierte Angabe AK abhängig von den ermittel¬ ten Häufigkeiten zu bestimmen. So kann die kombinierte Anga- be AK als diejenige Angabe bestimmt werden, die am häufigsten abgeleitet wird (gleichgewichtete Mehrheitsentscheidung) oder deren Gewichte sich zu einem höchsten Gesamtwert addieren (gewichtete Mehrheitsentscheidung) . Alternativ oder zusätzlich kann zur Bestimmung der kombinierten Angabe AK ein mehrstufiger Entscheidungsprozess vorgese¬ hen sein, z.B. in Form eines Entscheidungsbaumes, dessen Kno¬ ten jeweils eine spezifische Angabe zugeordnet ist. Weiterhin kann eine hierarchische Ermittlung der kombinierten Angabe AK vorgesehen sein, wobei zunächst eine Zuverlässig¬ keit einer jeweiligen Angabe ermittelt wird, und die Angaben AI, A2 und A3 in einer Reihenfolge abnehmender Zuverlässig¬ keit zur kombinierten Angabe AK kombiniert werden.
Vorteilhafterweise können die Gewichte Wl, W2 und W3 durch einen weiteren prädiktiven Analysator NN in optimierter Weise ermittelt werden. Der weitere prädiktive Analysator NN ist im vorliegenden Ausführungsbeispiel mit der Steuerung CTL gekop- pelt und Teil der Analyseeinrichtung AE . Alternativ kann der weitere prädiktive Analysator NN zumindest teilweise extern zur Analyseeinrichtung AE implementiert oder angeordnet sein. Im vorliegenden Ausführungsbeispiel ist der weitere prädikti- ve Analysator NN als neuronales Netz implementiert. Durch den weiteren prädiktiven Analysator NN werden die Gewichte Wl, W2 und W3 während einer Trainingsphase anhand der Trainingsdaten TD derart ermittelt, dass eine Zuverlässigkeit von durch die prädiktiven Analysatoren PA1, PA2 und PA3 abgeleiteten Angaben über die Gewebeeigenschaft optimiert wird. Eine zu diesem Zweck vorgesehene Übermittlung der Trainingsdaten TD zum weiteren prädiktiven Analysator NN sowie eine Übermittlung der ermittelten Gewichte Wl, W2 und W3 vom weiteren prädiktiven Analysator NN zur Steuerung CTL ist in der Figur durch strichlierte Pfeile angedeutet.
Die durch die Steuerung CTL ermittelte kombinierte Angabe AK wird von der Steuerung CTL zu einem mit der Steuerung CTL gekoppelten Ausgabeterminal T der Analyseeinrichtung AE übermittelt. Das Ausgabeterminal T gibt die kombinierte Angabe AK schließlich an einen Benutzer aus. Die Analyseeinrichtung AE kann auf einfache Weise in ein Endoskop oder in ein Operationsmikroskop integriert oder ander¬ weitig damit gekoppelt werden, insofern eine Optik eines En¬ doskops oder eines Operationsmikroskops zur Übertragung von optischen Spektren im Allgemeinen gut geeignet ist. Somit kann ein Endoskop oder ein Operationsmikroskop in vorteilhaf¬ ter Weise für eine zielgerichtete Erfassung des Gewebespekt¬ rums durch die Analyseeinrichtung AE genutzt werden.
Die Erfindung erlaubt eine schnelle und zuverlässige Klassi- fikation oder Analyse einer Gewebeprobe, insbesondere mittels eines Endoskops oder einer Mikroskopsonde. Bei der Unter¬ scheidung von tumorösem und gesundem Gewebe konnte bereits in einfachen Versuchen eine Irrtumswahrscheinlichkeit von nahezu 2% erzielt werden, was für eine klinische Anwendung in vielen Fällen ausreichen dürfte. Ein weiterer Vorteil ist darin zu sehen, dass die Erfindung nichtinvasiv angewendet werden kann. Zudem lassen sich Spektralmessungen im nahen Infrarot sehr kostengünstig durchführen und sind mit der Optik von -
handelsüblichen Endoskopen oder Operationsmikroskopen kompatibel .

Claims

Patentansprüche
1. Analyseeinrichtung (AE) zur Analyse eines biologischen Ge webes (G) , mit
a) einem Sensor (SPM) zum Erfassen einer Vielzahl von Messwerten (SP) des Gewebes (G) ,
b) mehreren prädiktiven Analysatoren (PA1, PA2, PA3) unterschiedlichen Typs jeweils zum typspezifischen Ableiten ei ner Angabe (AI, A2, A3) über eine vorgegebene Gewebeeigen schaff aus den Messwerten (SP) , wobei den prädiktiven Ana lysatoren (PA1, PA2, PA3) jeweils eine individuelle Typin formation (TU, TI2, TI3) zugeordnet ist, und die prädik¬ tiven Analysatoren (PA1, PA2, PA3) jeweils typspezifisch mittels einer Vielzahl von Trainingsdaten (TD) auf eine Erkennung der Gewebeeigenschaft trainiert sind,
c) einer Steuerung (CTL)
- zum Ansteuern eines jeweiligen prädiktiven Analysators (PA1, PA2, PA3) abhängig von der diesem zugeordneten Typinformation (TU, TI2, TI3) anhand der Messwerte (SP) und
- zum Zusammenführen der durch die prädiktiven Analysatoren (PA1, PA2, PA3) abgeleiteten Angaben (AI, A2, A3) jeweils abhängig von der jeweiligen Typinformation (TU, TI2, TI3) zu einer kombinierten Angabe (AK) über die Gewe beeigenschaft , und
d) einem Ausgabeterminal (T) zum Ausgeben der kombinierten Angabe (AK) .
2. Analyseeinrichtung nach Anspruch 1, dadurch gekennzeichnet, dass
die prädiktiven Analysatoren (PA1, PA2, PA3) ein datengetrie benes trainierbares Regressionsmodell, ein künstliches neuro nales Netz, eine Support-Vector-Machine, einen k-nächste- Nachbarn-Klassifikator, einen PLSDA-Klassifikator und/oder einen entscheidungsbaumbasierten Klassifikator umfassen.
3. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass der Sensor ein Spektrometer (SPM) umfasst, und dass die Vielzahl von Messwerten ein elektromagnetisches Spektrum (SP) des Gewebes (G) umfasst.
4. Analyseeinrichtung nach einem der vorhergehenden Ansprü- che, dadurch gekennzeichnet,
dass der Sensor (SPM) einen bildgebenden Sensor umfasst, und dass die Vielzahl von Messwerten (SP) ein Bild des Gewebes (G) umfasst.
5. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
die vorgegebene Gewebeeigenschaft ein Tumorbefall des Gewebes (G) ist.
6. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
zwischen den Sensor (SPM) und einen jeweiligen prädiktiven Analysator (PA1, PA2, PA3) ein Präprozessor (PP) geschaltet ist zum Vorverarbeiten der Messwerte (SP) abhängig von der dem jeweiligen prädiktiven Analysator (PA1, PA2, PA3) zugeordneten Typinformation (TU, TI2, TI3) .
7. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass die Steuerung dazu eingerichtet ist,
die abgeleiteten Angaben (AI, A2, A3) jeweils abhängig von der jeweiligen Typinformation (TU, TI2, TI3) zu gewichten und
die gewichteten Angaben zur kombinierten Angabe (AK) zu kom- binieren.
8. Analyseeinrichtung nach Anspruch 7, gekennzeichnet durch einen weiteren prädiktiven Analysator (NN) zum Ermitteln von typspezifischen Gewichten (Wl, W2, W3) für die abgeleiteten Angaben (AI, A2, A3) anhand der Vielzahl von Trainingsdaten (TD) derart, dass eine Zuverlässigkeit von Angaben über die Gewebeeigenschaft optimiert wird.
9. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass die Steuerung (CTL) dazu eingerichtet ist,
zu ermitteln, wie häufig eine jeweilige Angabe (AI, A2, A3) abgeleitet wird, und
die kombinierte Angabe (AK) abhängig von den ermittelten Häufigkeiten zu bestimmen.
10. Endoskop oder Operationsmikroskop mit einer Analyseein¬ richtung (AE) nach einem der vorhergehenden Ansprüche.
11. Verfahren zur Analyse eines biologischen Gewebes (G) , wobei
a) eine Vielzahl von Messwerten (SP) des Gewebes (G) erfasst wird,
b) durch mehrere prädiktive Analysatoren (PA1, PA2, PA3) unterschiedlichen Typs jeweils eine Angabe (AI, A2, A3) über eine vorgegebene Gewebeeigenschaft aus den Messwerten (SP) typspezifisch abgeleitet wird, wobei den prädiktiven Analysatoren (PA1, PA2, PA3) jeweils eine individuelle Typin¬ formation (TU, TI2, TI3) zugeordnet ist, und die prädik¬ tiven Analysatoren (PA1, PA2, PA3) jeweils typspezifisch mittels einer Vielzahl von Trainingsdaten (TD) auf eine Erkennung der Gewebeeigenschaft trainiert sind,
c) durch eine Steuerung (CTL)
- ein jeweiliger prädiktiver Analysator (PA1, PA2, PA3) abhängig von der diesem zugeordneten Typinformation (TU, TI2, TI3) anhand der Messwerte (SP) angesteuert wird, und
- die durch die prädiktiven Analysatoren (PA1, PA2, PA3) abgeleiteten Angaben (AI, A2, A3) jeweils abhängig von der jeweiligen Typinformation (TU, TI2, TI3) zu einer kombinierten Angabe (AK) über die Gewebeeigenschaft zusammenge¬ führt werden, und
d) die kombinierte Angabe (AK) ausgegeben wird.
12. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach Anspruch 11.
13. Computerlesbares Speichermedium mit einem Computerpro¬ grammprodukt nach Anspruch 12.
PCT/EP2016/072977 2016-09-27 2016-09-27 Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes WO2018059668A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/EP2016/072977 WO2018059668A1 (de) 2016-09-27 2016-09-27 Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2016/072977 WO2018059668A1 (de) 2016-09-27 2016-09-27 Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes

Publications (1)

Publication Number Publication Date
WO2018059668A1 true WO2018059668A1 (de) 2018-04-05

Family

ID=57047209

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2016/072977 WO2018059668A1 (de) 2016-09-27 2016-09-27 Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes

Country Status (1)

Country Link
WO (1) WO2018059668A1 (de)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5660181A (en) * 1994-12-12 1997-08-26 Physical Optics Corporation Hybrid neural network and multiple fiber probe for in-depth 3-D mapping
WO1998033451A1 (en) * 1997-02-04 1998-08-06 National Aeronautics And Space Administration Multimodality instrument for tissue characterization
WO2008035276A2 (en) * 2006-09-22 2008-03-27 Koninklijke Philips Electronics N.V. Methods for feature selection using classifier ensemble based genetic algorithms
US20100022880A1 (en) * 2008-04-24 2010-01-28 Boston Scientific Scimed, Inc. Methods, systems, and devices for tissue characterization and quantification using intravascular ultrasound signals
US20100056946A1 (en) * 2008-08-27 2010-03-04 Lifeline Biotechnologies, Inc. System for analyzing thermal data based on breast surface temperature to determine suspect conditions
WO2010111545A1 (en) * 2009-03-25 2010-09-30 Trustees Of Boston University Classification techniques for medical diagnostics using optical spectroscopy
WO2015054666A1 (en) * 2013-10-10 2015-04-16 Board Of Regents, The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5660181A (en) * 1994-12-12 1997-08-26 Physical Optics Corporation Hybrid neural network and multiple fiber probe for in-depth 3-D mapping
WO1998033451A1 (en) * 1997-02-04 1998-08-06 National Aeronautics And Space Administration Multimodality instrument for tissue characterization
WO2008035276A2 (en) * 2006-09-22 2008-03-27 Koninklijke Philips Electronics N.V. Methods for feature selection using classifier ensemble based genetic algorithms
US20100022880A1 (en) * 2008-04-24 2010-01-28 Boston Scientific Scimed, Inc. Methods, systems, and devices for tissue characterization and quantification using intravascular ultrasound signals
US20100056946A1 (en) * 2008-08-27 2010-03-04 Lifeline Biotechnologies, Inc. System for analyzing thermal data based on breast surface temperature to determine suspect conditions
WO2010111545A1 (en) * 2009-03-25 2010-09-30 Trustees Of Boston University Classification techniques for medical diagnostics using optical spectroscopy
WO2015054666A1 (en) * 2013-10-10 2015-04-16 Board Of Regents, The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ELADIO RODRIGUEZ-DIAZ ET AL: "Spectral classifier design with ensemble classifiers and misclassification-rejection: application to elastic-scattering spectroscopy for detection of colonic neoplasia", INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING, vol. 16, no. 6, 1 January 2011 (2011-01-01), PO Box 10 Bellingham WA 98227-0010 USA, pages 067009, XP055345782, ISSN: 1083-3668, DOI: 10.1117/1.3592488 *

Similar Documents

Publication Publication Date Title
EP2580574B1 (de) Verfahren und vorrichtung zum charakterisieren von biologischen objekten
EP1909639B1 (de) Verfahren zur in vivo gewebeklassifizierung
DE60114036T2 (de) Verfahren zur charakterisierung von spektrometern
DE112010004184T5 (de) Hilfsdiagnoseeinrichtung und Hilfsdiagnoseverfahren
WO2019020259A1 (de) Vorverarbeitung für einen klassifikationsalgorithmus
EP3540632A1 (de) Verfahren und analysegeräte zum klassifizieren von gewebeproben
DE102017214250A1 (de) System und Verfahren zum Ermitteln eines Haarzustands
WO2020173516A1 (de) Verfahren zur evaluierung von hautläsionen unter verwendung künstlicher intelligenz
DE102019113283B4 (de) Vorrichtung zur Abbildungserzeugung von Hautläsionen
DE102020124166A1 (de) Nicht-invasive Messung der Biomarker-Konzentration
WO2018059668A1 (de) Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes
EP3619618A1 (de) Verfahren zum rechnergestützten konfigurieren eines datengetriebenen modells basierend auf trainingsdaten
EP3126819B1 (de) Vorrichtung und verfahren zur untersuchung einer probe zur prostatatumorerkennung
WO2018059662A1 (de) Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging
AT505523B1 (de) Verfahren und anordnung zur status-erfassung von hautgewebe
DE19638839A1 (de) Verfahren zur Bestimmung der Entstehungszeit von Hämatomen
WO1995034806A1 (de) Rückstrahlspektroskopische vorrichtung
DE102014105994A1 (de) Verfahren zur Erkennung von Signalmustern in spektroskopisch erzeugten Datensätzen
DE102015203537B3 (de) Vorrichtung und Verfahren zur Überprüfung eines Materials für eine Transplantation
WO2017060425A1 (de) Vorrichtung und verfahren zur erkennung und/oder beurteilung pathologischer zustände
WO2002084260A1 (de) Verfahren und vorrichtung zur qualitätsprüfung bzw. zur optischen charakterisierung von milch
EP1014849A1 (de) Verfahren zur bewertung einer infolge einer lokalen durchstrahlung eines lebewesens erhaltenen streulichtverteilung durch kennwert-ermittlung
DE102016225258B4 (de) Steuergerät und Verfahren zum Bestimmen eines Menstruationszyklusstands und System
WO2002069790A2 (de) Verfahren zur bestimmung eines lichttransportparameters in einer biologischen matrix
WO2018028789A1 (de) Verfahren und anordnung zur feststellung von zumindest einer, insbesondere pathologischen, implikation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16775182

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16775182

Country of ref document: EP

Kind code of ref document: A1