CN108885681A - 用于评估细胞形态的方法和*** - Google Patents
用于评估细胞形态的方法和*** Download PDFInfo
- Publication number
- CN108885681A CN108885681A CN201680079714.3A CN201680079714A CN108885681A CN 108885681 A CN108885681 A CN 108885681A CN 201680079714 A CN201680079714 A CN 201680079714A CN 108885681 A CN108885681 A CN 108885681A
- Authority
- CN
- China
- Prior art keywords
- cell
- characteristic
- feature
- color
- dyeing
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开提供了从组织学染色细胞的数字图像提取染色无关特征的方法。染色无关特征在存在染色变化且跨越不同染色剂或染色剂型时提供细胞形态的一致评估。在细胞形态评估上改善的一致性应用于自动细胞分类和其它图像处理应用。还包括用于实践所述方法的***。本公开还提供存储指令的计算机可读介质,所述指令在被计算设备执行时使得该计算设备和/或所述***的组件执行涉及从数字图像提取染色无关特征的方法的步骤。
Description
交叉引用
本申请要求在2015年12月18日递交的美国临时专利申请第62/269,205号的权益,该申请的全部内容通过引用并入本文中。
背景技术
在组织学样本(包括血液样本)中的细胞的形态评估对于监控健康状态和诊断疾病来说是至关重要的。为了对血液样本(例如,血液、体液、骨髓穿刺液和其它临床样本)执行这类评估,例如,将该样本涂在载玻片上、利用瑞氏-吉姆萨(Wright-Giemsa,WG)、迈-格林华(May-Grunwald,MG)或其它血液染色剂进行染色,以及在显微镜下分析这些样本中的细胞。细胞分类和计数的准确性明显地取决于执行分析的形态学专家的能力和经验。另外,血细胞的识别和分类计数是耗时的、重复性的任务。用血细胞的自动检测和形态分析代替手动过程是在临床诊断实验室的领域中的重要挑战。
最近在血液学中,捕获细胞的数字彩色图像且应用自动图像处理算法以对这些细胞进行分割、识别、分类和计数。色彩信息是细胞的自动分析的基础且与其它纹理和形态特征组合使用。然而,这些特征大多数对染色质量的变化高度敏感。通常由于染色试剂组成或稳健性、染色方法、样本变异性等的改变而观察到那些变化。因此,针对一种染色调谐的特征阈值可能不适用于另一种染色,因此连累细胞分割和分类的成功。
发明内容
本公开的方面包括一种提取染色无关细胞特征的方法,所述方法包括:生成组织学染色样本的数字图像的细胞掩模;提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;在所述组织学样本的感兴趣区域(Region Of Interest,ROI)上提取第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
在其它方面中,所述方法包括所述第一细胞特征和所述第二特征为颜色特征、亮度特征、轮廓特征、不变矩特征、或图像纹理特征。
在其它方面中,所述方法包括在各种ROI上提取细胞特征,其包括:所述第一细胞特征属于细胞且所述ROI为所述细胞,所述第一细胞特征属于细胞的细胞核且所述ROI为所述细胞的细胞核或其一部分,所述第一细胞特征属于细胞的细胞质且所述ROI为所述细胞的细胞质或其一部分,所述第一细胞特征属于细胞且所述ROI为所述细胞的细胞核或其一部分,所述ROI为所述细胞的一个或多个细胞核裂片,所述第一细胞特征属于细胞且所述ROI为所述细胞的细胞质或其一部分,所述第一细胞特征属于细胞且所述ROI为所述组织学样本的非细胞特征(包括例如所述组织学样本的所述非细胞特征为载片的背景),所述第一细胞特征和所述ROI为所述细胞的、与所述细胞同心的第一环形部分和第二环形部分,和/或所述第一细胞特征属于细胞且所述ROI为由所述细胞掩模限定的细胞群。
在其它方面中,所述方法包括:基于染色无关特征将细胞分类,包括例如,所述分类包括识别细胞类型、或将所述细胞识别为正常的或异常的。
在其它方面中,所述方法包括:针对所述图像的多个细胞提取所述染色无关特征。
在其它方面中,所述方法包括来源于图像的颜色通道的颜色特征,包括例如所述数字图像的红色通道中的平均强度、所述数字图像的绿色通道中的平均强度、所述数字图像的蓝色通道中的平均强度。
在其它方面中,所述方法包括来源于颜色无关特征的特征,包括例如亮度特征,其包括颜色无关平均强度或颜色无关中值强度。在一些方面中,所述颜色无关平均强度或颜色无关中值强度包括多个同心苍白环。
在其它方面中,所述方法包括来源于颜色无关特征的特征,包括例如轮廓特征,其包括例如周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度或其组合。
在其它方面中,所述方法包括数字图像来源的组织学染色样本为血液染色样本。
本公开的方面包括一种与染色无关地评估组织学染色样本中的细胞形态的方法,所述方法包括:如本文中所描述提取一个或多个的染色无关细胞特征;以及将所提取的一个或多个染色无关特征与用于所述一个或多个染色无关特征的相应基准值相比较以评估所述细胞的形态。
在其它方面中,所述方法包括评估,其中,所述细胞为白血细胞、有核红血细胞或巨大血小板,且所述染色无关细胞特征包括一个或多个特征,其包括:轮廓特征、不变矩特征、图像纹理特征、细胞核裂片特征、两个细胞颜色特征的比、细胞颜色特征与非细胞颜色特征的比或其组合。
在其它方面中,所述方法包括评估,其中,所述细胞为红血细胞,且所述染色无关细胞特征包括一个或多个特征,其包括:轮廓特征、不变矩特征、图像纹理特征、光密度特征、亮度特征或其组合。
本公开的方面包括一种提取染色无关细胞特征的方法,所述方法包括:生成组织学染色样本的数字图像的细胞掩模;提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;提取所述组织学样本的细胞或其一部分的第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
在其它方面中,所述方法包括提取特征,其中,所述第一细胞特征和所述第二特征为颜色特征,包括例如,所述第一细胞特征为所述细胞的细胞质的颜色特征,且所述第二特征为所述细胞的细胞核的颜色特征。
在其它方面中,所述方法包括提取特征,其中,所述第一细胞特征和所述第二特征为轮廓特征,包括例如,所述第一轮廓特征和所述第二轮廓特征包括:周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度或其组合。
在其它方面中,所述方法包括提取特征,其中,所述第一细胞特征和所述第二特征为亮度特征,包括例如,所述亮度特征包括颜色无关平均强度或颜色无关中值强度。在一些方面中,所述亮度特征包括所述细胞的、与所述细胞同心的第一苍白环和第二苍白环,且/或所述亮度特征包括所述细胞的、与所述细胞同心的三个或更多个苍白环。在一些方面中,所述苍白环具有相对直径,包括例如,所述相对直径为所述细胞的直径的90%、所述细胞的直径的80%、所述细胞的直径的70%、所述细胞的直径的60%、所述细胞的直径的50%、所述细胞的直径的40%、所述细胞的直径的30%、所述细胞的直径的20%或所述细胞的直径的10%。在一些方面中,所述亮度特征包括所述细胞的中心苍白区。
在其它方面中,所述方法包括提取特征,其中,所述第一细胞特征和所述第二特征为不变矩特征。
在其它方面中,所述方法包括提取特征,其中,所述第一细胞特征和所述第二特征为图像纹理特征。
在其它方面中,所述方法包括:基于染色无关特征将细胞分类,包括例如,所述分类包括识别细胞类型、或将所述细胞识别为正常的或异常的。
在其它方面中,所述方法包括:如本文中所描述针对组织学染色样本的图像的多个细胞提取染色无关特征。
在其它方面中,所述方法包括评估,其中,所述组织学染色样本为血液染色样本。
本公开的方面包括一种与染色无关地评估组织学染色样本中的细胞形态的方法,所述方法包括:根据本文中所描述的方法提取一个或多个的染色无关细胞特征;以及将提取的一个或多个染色无关特征与用于所述染色无关特征的相应基准值相比较以评估所述细胞的形态。
本公开的方面包括一种提取染色无关细胞特征的方法,所述方法包括:生成组织学染色样本的数字图像的细胞掩模;提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;提取由所述细胞掩模限定的细胞群的第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
在其它方面中,所述方法包括提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征以及由所述细胞掩模限定的细胞群的第二特征,其中,所述第二特征包括由所述细胞掩模限定的所述细胞群的颜色特征。在一些方面中,在HSV色彩空间、CIE色彩空间、Lab色彩空间、CIELUV色彩空间、YCbCr色彩空间或RGB色彩空间中计算所述颜色特征。在一些方面中,所述颜色特征包括用于该群中细胞的色彩空间的一个通道中的平均强度,包括例如,所述颜色特征包括用于该群中细胞的红色通道中的平均强度、用于该群中细胞的绿色通道中的平均强度、用于该群中细胞的蓝色通道中的平均强度。
在其它方面中,所述方法包括从图像提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征以及由所述细胞掩模限定的细胞群的第二特征,其中,所述图像的组织学染色样本为血液染色样本,包括例如,所述第一细胞特征的细胞为血红细胞(Red BloodCell,RBC)且所述第二特征的细胞群为多个RBC。
本公开的方面包括一种与染色无关地评估组织学染色样本中的细胞形态的方法,所述方法包括:根据如本文中所描述的方法提取一个或多个染色无关细胞特征;以及将提取的一个或多个染色无关特征与用于所述染色无关特征的相应基准值相比较以评估所述细胞的形态。
本公开的方面包括一种用于对组织学染色样本中的细胞进行分类的***,所述***包括:显微镜;数码相机,所述数码相机附接到所述显微镜且配置成获得所述样本的数字图像;图像处理电路,所述图像处理电路配置成:i)从所述数字图像生成细胞掩模;ii)提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;iii)在所述组织学样本的感兴趣区域(ROI)上提取第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;iv)通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征;以及v)将所述染色无关特征与来源于所述样本的多个细胞的统计值或与基准值相比较以对所述细胞进行分类。
在其它方面中,所述***包括存储器,且所述存储器包括与提取的染色无关特征相比较的基准值。
在其它方面中,所述***包括信号***,所述信号***配置成上报根据如本文中所描述的方法所分类的细胞的分类。
在其它方面中,所述***包括所提取的第一细胞特征、所提取的第二特征或二者包括颜色特征、亮度特征、轮廓特征、不变矩特征、和/或图像纹理特征。
在其它方面中,所述***的图像处理电路还配置成描绘提取的第一细胞特征(包括例如,该第一细胞特征为细胞)、描绘ROI(包括例如,该ROI为细胞的细胞核)、描绘ROI(包括例如,该ROI为细胞的细胞质)、描绘第一细胞特征(包括例如,该第一细胞特征为细胞的、与该细胞同心的环形部分)、描绘ROI(包括例如,该ROI为细胞的、与该细胞同心的环形部分)、和/或描绘ROI(包括例如,该ROI为由细胞掩模限定的细胞群)。
在其它方面中,由该***执行的分类包括:识别细胞类型、或将细胞识别为正常的或异常的。
在其它方面中,所述***的图像处理电路配置成针对所述图像的多个细胞提取染色无关特征以及基于针对所述多个细胞的所述染色无关特征将所述图像分割。
在其它方面中,所述***的图像处理电路配置成针对所述数字图像的单独颜色通道计算平均强度、计算所述数字图像的颜色无关平均强度或颜色无关中值强度、和/或计算轮廓特征(包括例如,周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度或其组合)。
本公开的方面包括一种存储指令的非暂时性计算机可读介质,所述指令在被计算设备执行时使得所述计算设备执行如下步骤:从组织学染色样本的数字图像生成细胞掩模;提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;在所述组织学样本的感兴趣区域(ROI)上提取第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
在其它方面中,所述非暂时性计算机可读介质包括指令,所述指令在被计算设备执行时使得所述计算设备执行如下步骤:将所述染色无关特征与所述样本的多个细胞或与多个基准值相比较以对所述细胞进行分类。
在其它方面中,所述非暂时性计算机可读介质包括在用于对细胞进行分类的比较中所使用的多个基准值。
附图说明
图1A至图1B示出红绿蓝(RGB)格式的代表性白血细胞图像及对应的细胞核和细胞质掩模。
图2A至图2D示出显示对应用于红细胞的亮度变化特征的提取的代表性图像。
图3A至图3C示出对于不同类型的红血细胞的光变化特征及对应的峰值位置。
图4提供根据一个实施方式的用于细胞分类和计数的染色无关特征提取工作流程的示意图。
定义
术语“评估”包括任何形式的测量且包括确定一个元素是否存在。术语“确定”、“测量”、“评价”、“评估”和“测定”可互换使用且包括定量与定性确定。评估可以是相对的或绝对的。“评估...的身份”包括:确定特定的化合物或制剂或物质或细胞类型或细胞区室或亚细胞结构或细胞形态特征的最可能的身份,和/或确定预测的化合物或制剂或物质或细胞类型或细胞区室或亚细胞结构或细胞形态特征是否存在。“评估...的质量”包括对质量进行定性、半定量或定量评估,例如通过确定值与已知质量的基准或标准之间的比较。
如在本文中所使用的术语“组织学”或“组织学的”通常指的是从多细胞生物体(包括但不限于植物和动物)获得的细胞的细胞解剖学和/或形态学的显微镜分析。因此,“组织学染色剂”指的是在细胞解剖学和/或形态学的分析中所使用的染色剂,以及“组织分析仪”指的是分析从多细胞生物体获得的细胞的解剖学和/或形态学的仪器。如在本文中所使用,组织分析仪将通常指的是使用一种或多种组织学染色剂来进行组织评估的仪器。
如在本文中所使用的术语“细胞学”或“细胞学的”通常指的是组织学的子类,其包括对单独细胞、解离细胞、松散细胞、细胞集群等的显微镜分析。细胞样品的细胞可以为在一种或多种体液中或从一种或多种体液获得的细胞。因此,“细胞染色剂”指的是在对单独细胞、解离细胞、松散细胞、细胞集群等的分析中所使用的染色剂,以及“细胞分析仪”指的是分析单独细胞、解离细胞、松散细胞、细胞集群等的解剖学和/或形态学的仪器。如在本文中所使用,细胞分析仪将通常指的是使用一种或多种细胞染色剂来进行细胞评估的仪器。
如在本文中所使用的术语“体液”通常指的是源自于“生物样品”的流体,该“生物样品”包括从个体或个体群获得的各种各样的样品类型且可以被用在诊断、监测或筛选试验中。该定义涵盖生物起源的血液和其它液体样品。该定义也包括在获得之后以任何方式处理的样品,诸如通过各个样品的混合或合并、利用试剂的治疗、溶解、或对于特定成分(诸如有核细胞、无核细胞、病原体等)的浓缩。
术语“生物样品”涵盖临床样品,且也包括培养的细胞、细胞上清液、细胞溶解产物、血清、血浆、生物流体、和组织样品。术语“生物样品”包括尿液、唾液、脑脊髓液、组织液、眼内液、滑膜液、血液部分(诸如血浆和血清)等。
如在本文中所使用的术语“细胞核裂片”和“裂片”通常指的是细胞的经分割的细胞核的单一片段。例如,特定白血细胞类型的细胞核可以被分割,从而呈现有两个或更多个细胞核裂片。在一些实例中,特定细胞可以具有分割过多的细胞核或分割过少的细胞核,例如结合特定病理。细胞核裂片形态
如在本文中所使用的术语“输入”用于指将信息输入计算机的任何方式,诸如例如通过使用用户界面。例如,在特定情况下,输入可以涉及选择在计算机***上已存在的基准光谱或光谱特性或其库。在其它情况下,输入可以涉及将光谱或光谱特性添加到计算机***,例如通过在能够与计算机交互的设备上测量样品的光谱。输入也可以使用用户界面来完成。
如在本文中所使用,术语“执行”用于指用户启动程序所采取的行动。
如在本文中所使用,术语“软件”通常包括但不限于:可被计算机和/或处理器读取、解释、编译和/或执行的一个或多个计算机指令和/或处理器指令。软件使得计算机、处理器或其它电子设备以期望方式执行功能、动作和/或行为。软件可以以各种形式来体现,包括例程、算法、模块、方法、线程和/或程序。在不同示例中,软件可以以单独的应用和/或来自动态链接库的代码来体现。在不同示例中,软件可以以可执行和/或可加载的形式来实现,包括但不限于单机程序、对象、功能(本地的和/或远程的)、伺服小程序、小应用程序、存储在存储器中的指令、操作***的一部分等。在不同示例中,计算机可读和/或可执行指令可以位于一个逻辑中和/或分布在多个通信、合作和/或并行处理逻辑之间,因此可以通过串行、并行、大规模并行和其它方式来加载和/或执行。
适合于实现本文中所描述的示例性***和方法的各个组件的软件可以使用编程语言和工具(例如,Java、C、C#、C++、C、SQL、API、SDK、汇编程序)来开发。软件(无论是整个***还是***的组件)可以被体现为制品且作为计算机可读介质的一部分来保持或提供。软件可以包括在网络或其它通信介质上将程序代码发送到接收者的信号。因此,在一个示例中,当从服务器(例如网络服务器)下载软件/固件时,计算机可读介质可以为表示软件/固件的信号。
如在本文中所使用的术语“信号”包括但不限于电信号,光信号,模拟信号,数字信号,数据,计算机指令,处理器指令,消息,位,位流,或可被接收、被发送和/或被检测的其它手段。
“连接”(通过其连接***的两个组件,该***例如为电子***、数据***、计算机***、电路***等)将通常为“可操作性连接”、或“可操作地连接”实体的连接。术语“可操作性连接”及等效物为可发送和/或接收信号、物理通信和/或逻辑通信的一种连接。可操作性连接可以包括物理接口、电子接口和/或数据接口。可操作性连接可以包括足以允许可操作性控制的接口和/或连接的不同组合。例如,两个实体可以可操作地连接,以直接或通过一个或多个中间实体(例如,处理器、操作***、逻辑、软件)向彼此传送信号。可以使用逻辑通信信道和/或物理通信信道来创建可操作性连接。
如在本文中所使用的与“计算机通信”或“数据传送”有关的术语“通信”指的是在计算设备(例如计算机、服务器等)或计算机***的组件(例如内存存储器、数码相机等)之间的通信,且例如可以为网络传送、文件传送、小应用程序传送、电子邮件、超文本传送协议(Hypertext Transfer Protocol,HTTP)传送等。计算机通信可以跨越例如无线***(例如IEEE 802.11)、以太网***(例如IEEE 802.3)、令牌环***(例如IEEE 802.5)、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、点对点***、电路切换***、分组交换***等。
如在本文中所使用的术语“计算机”或“计算机组件”或“计算机***的组件”指的是计算机相关实体(例如,硬件、固件、软件及其组合)。计算机组件可以包括例如运行在处理器上的进程、处理器、对象、可执行文件、执行线程、程序、集成电路、和计算机。一个或多个计算机组件可以存在于进程和/或线程内。计算机组件可以定位在一个计算机上和/或可以分布在多个计算机之间。
如在本文中所使用,术语“存储器”和“数据存储器”可互换使用且通常指的是可存储数据的物理实体和/或逻辑实体。数据存储器可以为例如数据库、表、文件、列表、队列、堆、内存、寄存器等。数据存储器可以存在于一个逻辑实体和/或物理实体中,且/或可以分布在多个逻辑实体和/或物理实体之间。存储设备可以包括随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、内部或外部数据存储介质(例如,硬盘驱动)。存储器可以为“永久性存储器”(即,不被对计算机或处理器的电能的终止所擦除的存储器)或“非永久性存储器”。计算机硬驱动、CD-ROM、软盘、便携式闪盘驱动和DVD全都为永久性存储器的示例。随机存取存储器(RAM)为非永久性存储器的示例。在永久性存储器中的文件可以为可编辑的且可重写的。
术语“位深度”和“颜色深度”可互换使用,且如在本文中所使用,指的是用于表示图像中的每个像素的位数。这些术语用于表示每像素的位以及在其它时候,包括例如,当图像具有多个颜色通道时,表示乘以图像的总通道的数量的所使用的总位数。例如,每通道使用8位的典型彩色图像经常被称为24位彩色图像(8位x 3通道)。彩色扫描仪和彩色数码相机可以产生具有各种各样的位深度的图像,包括但不限于例如24位(8位x 3通道)图像、36位(12位x 3通道)图像、48位(16位x 3通道)图像等。灰度图像捕获设备也可以产生具有各种各样的位深度的图像(尽管仅在一个通道中),包括但不限于例如1位(单色)、2位、3位、4位、5位、6位、7位、8位、10位、12位、14位、16位等。单独的灰度图像可以被合并以生成多通道或彩色图像,其中,形成的位深度将取决于单独的灰度图像的位深度。
如在本文中所使用的术语“图像分割”通常指的是将数据图像划分为多个片段(像素集,在一些实例中可以被称为超像素)的过程。图像分割可以用于在图像中定位或以其它方式隔离对象和/或边界(直线、曲线等)。更确切地,图像分割为在图像中包括像素、排除像素或将标签分配给像素的过程,从而在该图像中包括(即,未从该图像排除)的或具有同一标签的像素共享特定特性。
如在本文中所使用的术语“不变矩”、“Hu矩”和“Hu”指的是在平移、比例改变以及旋转下不变的矩,即,根据像素强度从二维图像评估的一组点的形状的具体定量测量。变矩为图像内容的有效描述符,但是对该图像的多个几何变形(旋转、平移、缩放等)和非几何变形(涂污)是敏感的。不变矩具有与对应变矩相同的属性,但是对于多种图像变形是强健的。Hu矩尤其可以用于描述、表征和量化图像中的对象的形状,且经常从图像中的对象的侧影或轮廓来提取,以提取表示对象的形状的形状特征向量。在例如Keyes和Winstanley的“Using moment invariants for classifying shapes on large-scale maps(将不变矩用于分类在大尺寸地图上的形状).Computers,Environment and Urban Systems(计算机、环境与城市***)(2001)25(1):119–130”和“Hu Visual pattern recognition by momentinvariants(通过不变矩的Hu视觉模式识别).IRE Trans Inf Theory(关于信息论的IRE汇刊)(1962)8:179-187”中描述了不变矩,这两篇文献的全部公开内容通过引用并入在本文中。
如在本文中所使用的术语“苍白区”通常指的是细胞的亮度或苍白区域,且大多数通常指的是红血细胞(RBC)的亮度特征。“中心苍白区”即为处于或靠近RBC的中心的苍白或明亮区域。中心苍白区的尺寸、形状、如在RBC内的位置可以改变。
术语“对照组”、“对照试样”、“对照样品”等指的是样品、试验、或实验或诊断过程或实验设计的其它部分,对此所预期的结果是以高确定性已知的,例如,以便指示从相关联的实验样品获得的结果是否为可靠的、指示相关联的实验结果指示真实结果的可信度、和/或允许对实验结果的校正。例如,在一些实例中,对照组可以为“负对照”试样,从而不包括该试样的主要成分,使得实验员可以高度确定该负对照试样将不会产生阳性结果。在一些实例中,对照组可以为“正对照组”,从而特定试样的所有成分被表征且已知当组合时在所执行的该试样中产生特定结果,使得实验员可以高度确定该正对照试样将不会产生阳性结果。对照组也可以包括“空白”样品、“标准”样品(例如“黄金标准”样品)、经验证的样品等。
在本文中未明确提供的数字成像术语的一般定义可以在本领域中已知的各种印刷资源和在线资源中找到,上述资源包括但不限于在www(dot)digitizationguidelines(dot)gov/glossary/在线可获得的联邦机构数字化指南倡议(Federal AgenciesDigitalization Guidelines Initiative,FADGI)的词汇表。
具体实施方式
本公开提供了从组织学染色细胞的数字图像提取染色无关特征的方法。染色无关特征在存在染色变化且跨越不同染色剂或染色剂型时提供细胞形态的一致评估。在细胞形态评估中改善的一致性应用于自动细胞分类和其它图像处理应用。还包括用于实践所描述方法的***。本公开还提供存储指令的计算机可读介质,所述指令在被计算设备执行时使得该计算设备和/或所描述***的组件执行涉及从数字图像提取染色无关特征的方法的步骤。
在更详细地描述本发明之前,应当理解,本发明不限于所描述的特定实施方式,因此当然可以改变。也应当理解,本文中所使用的术语仅为了描述特定实施方式,且不意图进行限制,因为本发明的范围将仅受限于所附权利要求。
在提供一数值范围的情况下,要理解,在该范围的上限与下限之间的每个居中值(到下限单位的十分之一,除非上下文另有明确指示)以及在该规定范围中的任何其它规定值或居中值被包含在本发明内。这些较小范围的上限与下限可以独立地被包括在所述较小范围中以及也被包含在本发明中,除了在规定范围中的任何明确排除的界限之外。在规定范围包括所述界限中的一者或两者的情况下,排除那些被包括的界限中的任一者或两者的范围也被包括在本发明中。
一些范围在本文中呈现有前面带有术语“大约”的数值。术语“大约”在本文中用于对于其后面的准确数字以及靠近或接近该术语后面的数字的数提供字面支持。在确定一个数是否靠近或接近明确记载的数字时,该靠近或接近的非记载数字可以为在其呈现的上下文中提供明确记载的数字的基本等效物的数字。
除非另有限定,否则,本文中所使用的所有技术和科学术语具有与本发明所属领域中的普通技术人员所常规理解的含义相同的含义。尽管类似于或等效于本文中所描述的方法和材料的任何方法和材料也可以被用在本发明的实践和测试中,但是现在描述有代表性的说明性方法和材料。
在本说明书中所引用的所有公开物和专利通过引用并入在本文中,犹如每个个体公开物或专利都具体地且单独地被指示为通过引用并入,且通过引用并入在本文中以结合所述公开物所陈述的内容来公开和描述方法和/或材料。任何公开物的引用表示其公开在递交日之前且不应当被视为承认本发明无权通过在先发明而先于这类公开物。另外,所提供的公开物的日期可以不同于可能需要独立确认的实际公开日期。
要注意,如在本文中和在所附权利要求中所使用,单数形式“一”、“一个”和“该”包括复数个指示物,除非上下文另有明确指示。还要注意,权利要求可以撰写成排除任何可选元素。因此,该声明意图用作与权利要求元素的记载相关的诸如“单独地”、“仅仅”等排外性术语的使用或“负面”限定的使用的先行基础。
如本领域的技术人员在阅读本公开之后将清楚,本文中所描述且所示出的各个实施方式中的每一者具有分散的构件和特征,这些分散的构件和特征可以很容易与其它多个实施方式中的任一者的特征分离或组合,而不脱离本发明的范围或精神。任何所列方法可以按所列事件的顺序或按逻辑上可行的任何其它顺序来进行。
方法
本公开包括从组织学染色细胞的数字图像提取染色无关细胞特征的方法。所公开的方法通常包括提取用于细胞分类的染色无关特征,该染色无关特征允许成像***(包括自动成像***)更加准确且可靠地对临床样本进行分析、分类和分级。本公开还提供了提取染色无关特征的方法,即使当对具有染色剂质量、染色质量、着色强度等变化的染色样品执行分类时,该染色无关特征允许具有高准确度的细胞自动分类,这些染色样品可以经历任何特征染色或其剂型。用于提取染色无关特征的方法(可以以任何组合来应用)将根据各种因素而改变,各种因素包括例如从其提取染色无关特征的细胞。例如,在一些实例中,样品可以包括有核细胞和/或无核细胞,包括但不限于例如有核白血细胞、有核红血细胞、无核红血细胞等。
本方法应用于比现有方法有优势的各种评估,包括但不限于例如自动细胞形态评估。例如,本公开的方法可以单独地或组合地对通常在染色生物样本中遇到的染色质量变化给予耐力、制定新方法来分析生物样本的图像、确保生物样本的形态特征的更准确表示、确保更可靠的样本分析和细胞分类、和/或避免可与染色变化相关联的评估协议的重新开发,上述染色变化包括染色属性(例如,染色剂型、染色方法、试剂稳定性等)的变化。
所述方法的方面可以包括获得组织学染色细胞的数字图像,从该数字图像提取染色无关特征。
数字图像
可以新获取主题方法的数字图像,包括例如,在获取之后立即处理该图像,或可以已预先获取该图像且例如可以在处理之前、在一定时间长度内将该图像存储在合适设备或介质上。在一些实例中,预先获取的图像可以被存储在数据库中,该数据库包括例如为了计算机训练目的而预先收集的图像的数据库、患者图像的预先收集的图像的数据库等。
可以使用任何合适的图像捕获设备来捕获获取的数字图像。合适的数字图像捕获设备将是单机图像捕获单元或可以为集成式图像捕获设备,其作为较大分析***的一部分,该较大分析***例如包括组织分析仪、自动显微镜***、血液分析仪、细胞分析仪、成像流血细胞计数器、成像微流体***等。合适的数字图像捕获设备将根据特定成像环境、图像捕获的目的以及作为整体的设备或***的相关联组件而大幅改变。
在最低限度上,适合于用在所描述方法中的图像捕获设备将包括:能够捕获数字图像的数码相机、以及存储该数字图像和/或将该图像传送到所附接的图像处理电路或所附接的存储设备以供后续传送到图像处理电路的部件。合适的数码相机将改变且将通常包括具有足够高的分辨率和足以捕获图像的色彩捕获的任何数码相机,该图像可以根据本文中所描述的方法来处理。
尽管本公开的某些方面包括处理数字彩色图像的颜色信息,但是在一些实例中,所获得值可以与颜色无关。因此,在一些实例中,可以从灰度图像获得多个值,无论该灰度图像是使用非彩色图像捕获设备(例如,“黑白”或灰度照相机)捕获的、还是从利用彩色图像捕获设备所捕获的彩色图像推导出的。本公开的哪些值可以与颜色无关地被获得和/或被处理(例如来自灰度图像)对于普通技术人员来说将显而易见,以及在一些实例中包括但不限于如本文中更详细描述的关于例如轮廓特征、不变矩特征、图像纹理特征、光密度特征、亮度特征等的值。
在一些实例中,获得组织学染色细胞的数字图像可以包括:捕获来自患者的组织学染色样本的数字图像,其中,该样本包含组织学染色细胞或被制备成包括组织学染色细胞。
在其它实例中,获得组织学染色细胞的数字图像可以包括接收数字图像,包括例如,从各种源接收数字图像,上述各种源包括但不限于集成式成像设备、外部成像设备、计算机存储器、计算机可读介质、服务器、远程服务器等。数字图像可以通过数据或计算机连接来接收或可以被接收在计算机可读介质上。
如在本文中所使用的“数字图像”通常指的是二维图像的数字表示(例如二元表示),该二维图像可以为分辨率固定的或不固定的。分辨率固定的图像在XY取向上具有固定数量的像素行列。在一些实例中,数字图像可以为三维的,在XYZ取向上具有固定数量的体素。像素或体素被存储在计算机存储器中,作为栅格图像或栅格地图、以未压缩或压缩形式发送或存储的小整数的二维或三维阵列。合适的数字图像文件格式包括但不限于例如BMP、BPG、CD5、DEEP、ECW、Exif、FITS、FLIF、GIF、HDR、HEIF、ILBM、IMG、JPEG 2000、JPEG XR、JPEG/JFIF、分层图像文件格式、Nrrd、PAM、PBM、PCX、PGF、PGM、PLBM、PNG、PNM、PPM、SGI、SID、SunRaster、TGA、TIFF、VICAR、WEBP等。
数字图像可以为各种各样的图像位深度,例如取决于捕获的特定类型的图像(例如颜色或灰阶)和数码相机或其它图像捕获设备的敏感度,以及可以包括但不限于例如8位、10位、12位、14位、16位、18位、24位、30位、36位、48位、64位等。在一些实例中,彩色图像的通道可以单独地或可以被分为单独的8位灰度图像。在一些实例中,彩色图像的通道可以单独地或可以被分为单独的16位灰度图像。
数字图像可以为二元(例如黑色和白色)、灰度或彩色格式且可以通过合适的图像处理算法而在多个格式之间转换。例如,彩色图像可以被“分”为单独的颜色通道以针对每个颜色通道产生单独的灰度图像。例如,红绿蓝(RGB)图像可以被分为单独的红色、绿色和蓝色通道,以产生红色通道的灰度图像、绿色通道的灰度图像和蓝色通道的灰度图像。彩色图像可以在色彩空间之间被转换且被分为特定色彩空间的任何便利且合适的颜色通道,该特定色彩空间包括但不限于例如RGB色彩空间、CMYK色彩空间、HSV色彩空间、CIE色彩空间、Lab色彩空间、CIELUV色彩空间、YCbCr色彩空间等。二元图像和灰度图像可以被应用于彩色图像的通道,以及例如,在多个二元或灰度图像被应用于彩色图像的多个通道的情况下,可以从二元图像和/或灰度图像构造或“合并”彩色图像。在将彩色图像分为单独的颜色通道以产生灰度图像的情况下,单独的灰度图像可以被称为其先前的通道名称,例如,由红色通道产生的灰度图像可以在后续步骤中被称为“红色”,和/或由“红色”通道产生的任何值可以被称为其先前的通道名称,例如,平均“红色”强度指的是来源于由红色通道产生的灰度图像的平均强度值。来源于其它色彩空间的图像和值可以使用对应的命名法来称谓。
对应地,数字图像可以被处理为彩色图像或可以在处理之前被转换或分为两个或更多个单独的颜色通道。当在处理之前被分为两个或更多个单独的颜色通道时,可以在进一步处理步骤中使用任何数量的所形成的***图像,包括但不限于所有的***图像(即,该图像的所有的单独通道)或***图像中的仅一者(即,该图像的单独通道中的仅一者)或***图像中的一者或多者(即,该图像的单独通道),包括但不限于两者或更多者、三者或更多者、两者、三者等。
可以在处理之前将数字图像(例如,无论彩色的、灰度的、二元的等)分割以供特征提取。如在本文中所使用,术语“经分割的”和“分割”在其涉及图像处理时指的是将图像切分或划分为有意义的结构或片段。用于图像分割的各种方法可以发现在本文中所描述的方法中或在准备图像以备根据如本文中所描述的方法进行处理中的使用。特定分割方法或分割方法的组合的选择将根据各种因素,其包括所捕获图像的类型、图像的主题的性质、图像处理的预期结果、待提取的细胞特征等。
在一些实例中,图像分割可以采用基于阈值的分割、基于边缘的分割和基于区域的分割中的一者或多者。具体的图像分割方法包括但不限于阈值方法、集群方法、基于压缩的方法、基于直方图的方法、边缘检测方法、双集群方法、区域增长方法、基于偏微分方程的方法(例如,参数化方法、水平集方法、快速步进方法等)、变分法、图分割方法(例如,马尔可夫随机域方法)、分水岭变换方法、基于模型的分割方法、多尺度分割方法、半自动分割方法、可训练的分割方法等。
可以应用于所描述方法的其它数字图像处理图像变换包括但不限于例如点处理变换(例如,负变换、对数变换、逆对数变换、n次方根变换、n次功率变换、伽玛校正、对比度变换(例如对比度扩展)、窗口中心校正、直方图均衡化等),滤波(即邻近)变换(例如,均值滤波器、高斯滤波器、中值滤波器、图像梯度滤波器、拉普拉斯滤波器、归一化互相关(Normalized Cross Correlation,NCC)滤波器等)等。
在图像处理(例如,图像分割、图像变换等)之后,可以生成图像掩模。如在本文中所使用,如关于图像处理的术语“掩模”和“图像掩模”共同指的是数字图像的空间滤波,以便将后续处理步骤限制到原始图像的限定子集或限定部分。例如,在一些实例中,可以将数字图像分割以划分一个或多个感兴趣区域(ROI),以及可以基于经分割的ROI生成图像掩模,从而将后续图像处理步骤仅限制到在由经分割的ROI限定的掩模内所包含的那些像素。可以根据待执行的特定过程生成各种掩模。
在一些实例中,可以根据细胞边界对数字图像进行分割,以及可以生成包含经分割的细胞的细胞掩模。细胞掩模可以将后续图像处理步骤限制到仅那些被包含在细胞掩模内的像素和/或仅那些被包含在细胞掩模内的细胞结构。
在一些实例中,可以根据细胞核边界对数字图像进行分割,以及可以生成包含经分割的细胞核的细胞核掩模。细胞核掩模可以将后续图像处理步骤限制到仅那些被包含在细胞核掩模内的像素和/或仅那些被包含在细胞核掩模内的细胞结构。在一些实例中,可以根据细胞的细胞核的子区对数字图像进行分割或可以基于细胞的细胞核的子区生成ROI,该子区包括但不限于例如细胞的细胞核的一个或多个细胞核裂片。
在一些实例中,可以根据细胞质边界对数字图像进行分割,以及可以生成包含细胞的经分割的细胞质的细胞质掩模。细胞质掩模可以将后续图像处理步骤限制到仅那些被包含在细胞质掩模内的像素和/或仅那些被包含在细胞质掩模内的细胞结构。
可以根据在数字图像上可辨别的任何细胞结构或细胞子结构生成任何有用的掩模。在一些实例中,可以在图像处理步骤中组合多个细胞掩模,例如使得后续图像处理步骤局限于由掩模的一定组合所限定的那些像素,该组合包括但不限于例如细胞掩模和细胞核掩模的组合、细胞核掩模和细胞质掩模的组合、细胞掩模和细胞质掩模的组合。
在一些实例中,可以比较两个或更多个不同的掩模,从而对这两个或更多个不同的掩模中的每一者执行图像处理步骤,和/或比较掩模本身或从其形成的值。例如,在一些实例中,可以将细胞掩模与细胞核掩模相比较、可以将细胞核掩模与细胞质掩模相比较、可以将细胞掩模与细胞质掩模相比较等。
将理解,掩模不限于细胞结构,以及可以针对数字图像的任何空间或非空间分量限定掩模。例如,在一些实例中,可以生成背景掩模,包括但不限于例如载片背景掩模,其包括数字图像的背景的全部或一部分。可以采用的非空间掩模包括但不限于例如噪声掩模、阈值掩模等。
在数字图像的预处理(例如,图像分割、图像变换等)之后,可以从数字图像提取一个或多个特征,且可以在数字图像的限定区域(例如由掩模限定、由ROI限定等)上提取这类特征。
特征提取
本方法包括从数字图像提取特征,其中,提取的特征提供关于一个或多个细胞或细胞的一个或多个部分的计算值。相应地,提取的特征可以关于细胞整体或各个细胞部分,其包括但不限于由细胞的结构单元限定的细胞部分、或由一些其它标准(包括非结构性标准)限定的细胞部分。
细胞的结构单元(其可用于限定细胞部分)包括通过显微镜检查可分辨的该细胞的任何亚细胞组分,包括借助于组织学染色可分辨的亚细胞组分,其包括但不限于细胞的细胞核、细胞的核膜、细胞的核仁、细胞的细胞质、细胞的核染质、细胞的异染色质、细胞的常染色质、细胞的浆膜、细胞的纤毛、细胞的颗粒、细胞的线粒体、细胞的高尔基体、细胞的内质网、细胞的微管、细胞的中间纤维等。
如本文中所引用的非结构性标准指的是用于限定不基于细胞的底层结构组分和/或与细胞的底层结构组分不相关的细胞部分的标准。例如,在一些实例中,非结构性标准可以基于或来源于细胞的一个或多个所计算位置或测量,包括但不限于例如细胞的中心(例如,细胞的质心)、细胞的外周等。在一些实例中,非结构性标准可以为细胞的所计算位置或测量。在其它实例中,非结构性标准可以基于细胞的所计算位置或测量,包括例如,从细胞的质心所计算的一个或多个同心环(即环形)、从细胞的质心所计算的一个或多个同心椭圆环形、一个或多个同心不规则环形(例如,如从细胞的周界的形状所推导)、细胞内的一个或多个圆形(例如,如从细胞的质心所计算)、细胞内的一个或多个半圆形(例如,如从细胞的质心所计算)、细胞的一个或多个扇区(例如,圆形扇区或其近似,如从细胞的质心所计算)、细胞的一个或多个片段(例如,圆形片段或其近似,如从细胞的质心所计算)等。
如将很容易理解,细胞的结构单元和非结构单元(包括不同结构单元、不同非结构单元的组合以及结构单元与非结构单元组合)可以用于限定细胞部分,在一些实例中也可以用于限定如本文中所描述的ROI。
在一些实例中,亚细胞组分的一部分(例如,细胞质的一部分、细胞核的一部分、细胞的一部分等)可以用于限定如本文中所描述的掩模或ROI,包括例如,亚细胞组分的该部分为细胞结构的一定百分比,包括但不限于例如亚细胞组分的1%、2%、3%、4%、5%、6%、7%、8%、9%、10%、11%、12%、13%、14%、15%、16%、17%、18%、19%、20%、25%、30%、35%、40%、45%、50%、55%、60%、65%、70%、75%、80%、85%、90%、95%、100%等。
本方法涉及提取染色无关特征,其中,这类染色无关特征为不受组织学染色剂、组织学染色法及其特性(包括但不限于例如染色强度、染色色度等)的变化影响的那些特征。在一些实例中,假定染色质量的变化没有差到限制使用如本文中所描述的方法对细胞特征的检测,染色无关特征也可以不依赖于染色质量。
在不受理论约束的情况下,发现可以测量特定细胞特性以及可以从所测量的细胞特性计算染色无关细胞特征。发现由于组织学染色的变化导致的细胞特性的任何变化在细胞特性之间保持成比例。例如,当两个细胞特性(例如,细胞质的颜色和细胞核的颜色)由于组织学染色的变化(例如,一种染色比另一种染色更强烈)而在两个不同染色样本之间改变时,两个细胞特性之间的变化是成比例的(例如,在第一染色制备中的细胞质的颜色和细胞核的颜色之间的差异与在第二染色制备中的细胞质的颜色和细胞核的颜色之间的差异成比例)。在不同细胞特征之间、在细胞特征与非细胞特征之间、在细胞特征与细胞群特征之间等发现这类比例性。还发现,不受变化影响的细胞特征(包括例如形状(例如轮廓)特征、纹理特征、不变矩特征等)之间的比例性可以被用作染色无关细胞特征。
相应地,染色无关细胞特征包括那些不受组织学染色变化的影响的细胞特征,其包括但不限于例如颜色特征、亮度特征、轮廓特征、不变矩特征、图像纹理特征等。
在一些实例中,可以从组织学染色细胞的数字图像提取的染色无关特征包括颜色特征。例如,在一些实例中,可以在一个或多个细胞掩模或ROI上提取颜色特征,该ROI包括细胞整体或基本整个细胞。在一些实例中,可以在细胞部分(包括细胞结构限定部分和非结构限定部分)的一个或多个掩模或包括一个或多个细胞部分(例如,细胞的细胞质、细胞的细胞核等)的ROI上提取颜色特征。在一些实例中,可以在数字图像的一个或多个非细胞部分(包括但不限于例如图像的背景)上提取颜色特征。在一些实例中,可以在一个或多个掩模或包括细胞群或其一部分的一个或多个ROI上提取颜色特征。
可提取的颜色特征包括但不限于从数字图像中包含的颜色信息和/或在应用于图像的任何掩模上可计算的任何值,包括例如,一个或多个颜色通道的平均强度(例如,红色通道的平均强度、绿色通道的平均强度、蓝色通道的平均强度等)、一个或多个颜色通道的中值强度(例如,红色通道的中值强度、绿色通道的中值强度、蓝色通道的中值强度等)、一个或多个颜色通道的最大强度(例如,红色通道的最大强度、绿色通道的最大强度、蓝色通道的最大强度等)、一个或多个颜色通道的最小强度(例如,红色通道的最小强度、绿色通道的最小强度、蓝色通道的最小强度等)等。
在一些实例中,可以在预定义范围上计算颜色值,该预定义范围包括但不限于例如对于一个或多个颜色值的强度的前90%(包括但不限于强度值的前80%、强度值的前70%、强度值的前60%、强度值的前50%、强度值的前40%、强度值的前30%、强度值的前20%、强度值的前10%、强度值的前9%、强度值的前8%、强度值的前7%、强度值的前6%、强度值的前5%、强度值的前4%、强度值的前3%、强度值的前2%、强度值的前1%等)。
在一些实例中,可以在预定义范围上计算颜色值,该预定义范围包括但不限于例如对于一个或多个颜色值的强度的后90%(包括但不限于强度值的后80%、强度值的后70%、强度值的后60%、强度值的后50%、强度值的后40%、强度值的后30%、强度值的后20%、强度值的后10%、强度值的后9%、强度值的后8%、强度值的后7%、强度值的后6%、强度值的后5%、强度值的后4%、强度值的后3%、强度值的后2%、强度值的后1%等)。
在一些实例中,可以在预定义范围上计算颜色值,该预定义范围包括但不限于例如对于一个或多个颜色值的强度的中间90%(包括但不限于强度值的中间80%、强度值的中间70%、强度值的中间60%、强度值的中间50%、强度值的中间40%、强度值的中间30%、强度值的中间20%、强度值的中间10%、强度值的中间9%、强度值的中间8%、强度值的中间7%、强度值的中间6%、强度值的中间5%、强度值的中间4%、强度值的中间3%、强度值的中间2%、强度值的中间1%等)。
在一些实例中,可以在由图像的强度值定义的范围上计算颜色值,该范围包括但不限于例如图像的强度值的动态范围等。
在一些实例中,可以从组织学染色细胞的数字图像提取的染色无关特征包括亮度特征。例如,在一些实例中,可以在一个或多个细胞掩模或ROI上提取亮度特征,该ROI包括细胞整体或基本整个细胞。在一些实例中,可以在细胞部分(包括细胞结构限定部分和非结构限定部分)的一个或多个掩模或包括一个或多个细胞部分(例如,细胞的细胞质、细胞的细胞核等)的ROI上提取亮度特征。在一些实例中,可以在数字图像的一个或多个非细胞部分(包括但不限于例如图像的背景)上提取亮度特征。在一些实例中,可以在一个或多个掩模或包括细胞群或其一部分的一个或多个ROI上提取亮度特征。
可提取的亮度特征包括但不限于从数字图像中包含的不依赖亮度或颜色的强度信息和/或在应用于图像的任何掩模上可计算的任何值,包括例如,平均亮度(例如,图像的所有通道的平均亮度、数字图像的明亮通道(例如,如在HSV色彩空间中所使用)的平均亮度、作为数字图像的透明通道(例如,阿尔法通道)的结果的平均亮度等)、中值亮度(例如,图像的所有通道的中值亮度、数字图像的明亮通道(例如,如在HSV色彩空间中所使用)的中值亮度、作为数字图像的透明通道(例如,阿尔法通道)的结果的中值亮度等)、最大亮度(例如,图像的所有通道的最大亮度、数字图像的明亮通道(例如,如在HSV色彩空间中所使用)的最大亮度、作为数字图像的透明通道(例如,阿尔法通道)的结果的最大亮度等)、最小亮度(例如,图像的所有通道的最小亮度、数字图像的明亮通道(例如,如在HSV色彩空间中所使用)的最小亮度、作为数字图像的透明通道(例如,阿尔法通道)的结果的最小亮度等)等。
颜色无关强度可以包括但不限于例如彩色图像的所有颜色通道的整体(即组合)强度、无色灰度图像的强度值、图像的亮度而不考虑图像的任何颜色特征等。
在一些实例中,可以在预定义范围上计算亮度值,该预定义范围包括但不限于例如对于一个或多个颜色值的强度的前90%(包括但不限于强度值的前80%、强度值的前70%、强度值的前60%、强度值的前50%、强度值的前40%、强度值的前30%、强度值的前20%、强度值的前10%、强度值的前9%、强度值的前8%、强度值的前7%、强度值的前6%、强度值的前5%、强度值的前4%、强度值的前3%、强度值的前2%、强度值的前1%等)。
在一些实例中,可以在预定义范围上计算亮度值,该预定义范围包括但不限于例如对于一个或多个颜色值的强度的后90%(包括但不限于强度值的后80%、强度值的后70%、强度值的后60%、强度值的后50%、强度值的后40%、强度值的后30%、强度值的后20%、强度值的后10%、强度值的后9%、强度值的后8%、强度值的后7%、强度值的后6%、强度值的后5%、强度值的后4%、强度值的后3%、强度值的后2%、强度值的后1%等)。
在一些实例中,可以在预定义范围上计算亮度值,该预定义范围包括但不限于例如对于一个或多个颜色值的强度的中间90%(包括但不限于强度值的中间80%、强度值的中间70%、强度值的中间60%、强度值的中间50%、强度值的中间40%、强度值的中间30%、强度值的中间20%、强度值的中间10%、强度值的中间9%、强度值的中间8%、强度值的中间7%、强度值的中间6%、强度值的中间5%、强度值的中间4%、强度值的中间3%、强度值的中间2%、强度值的中间1%等)。
在一些实例中,可以在由图像的强度值定义的范围上计算亮度值,该范围包括但不限于例如图像的强度值的动态范围等。
在一些实例中,例如,如与红血细胞一起使用,亮度值可以涉及细胞的“苍白区”或其一部分,包括例如RBC的苍白区、RBC的中心苍白区、RBC的一部分的苍白等。可以在细胞整体或基本整个细胞上计算苍白区(作为细胞特征)。在一些实例中,可以计算苍白区,因为它涉及相对于细胞的质心的位置。例如,在一些实例中,可以针对中心在细胞质心上的圆计算苍白区,其中,该圆的尺寸可以根据待提取的特定细胞特征而改变。因此,中心在细胞质心上的圆(可以从其计算苍白区)的尺寸包括但不限于直径为细胞的最小、最大、平均或中值直径的100%或更少(包括例如95%或更少、90%或更少、85%或更少、80%或更少、75%或更少、70%或更少、65%或更少、60%或更少、55%或更少、50%或更少、45%或更少、40%或更少、35%或更少、30%或更少、25%或更少、20%或更少、15%或更少、10%或更少、5%或更少等)的圆,其中,该直径最小为细胞的最小、最大、平均或中值直径的大约1%。
在一些实例中,中心在细胞质心上的圆(可以从其计算苍白区)的尺寸包括但不限于直径在细胞的最小、最大、平均或中值直径的100%和1%之间(包括例如,在细胞的最小、最大、平均或中值直径的100%和5%之间、100%和10%之间、100%和15%之间、100%和20%之间、100%和25%之间、100%和30%之间、100%和35%之间、100%和40%之间、100%和45%之间、100%和50%之间、100%和55%之间、100%和60%之间、100%和65%之间、100%和70%之间、100%和75%之间、100%和80%之间、100%和85%之间、100%和90%之间、100%和95%之间、95%和1%之间、90%和1%之间、85%和1%之间、80%和1%之间、75%和1%之间、70%和1%之间、65%和1%之间、60%和1%之间、55%和1%之间、50%和1%之间、45%和1%之间、40%和1%之间、35%和1%之间、30%和1%之间、25%和1%之间、20%和1%之间、15%和1%之间、10%和1%之间、5%和1%之间、95%和5%之间、90%和10%之间、85%和15%之间、80%和20%之间、75%和25%之间、70%和30%之间、65%和35%之间、60%和40%之间、55%和45%之间)的圆。
在一些实例中,可以针对中心在细胞质心上的环(即环形,包括圆环形、椭圆环形和不规则环形)计算苍白区,其中,该环的尺寸可以根据待提取的特定细胞特征而改变。圆环的面积可以由如下公式定义:
面积=π(R2-r2)
其中,R为外半径且r为内半径。普通技术人员将理解可以如何修改上述公式以说明椭圆环形和/或不规则环形。
因此,中心在细胞质心上的环(可以从其计算苍白区)包括但不限于外半径为细胞的最小、最大、平均或中值半径的100%或更少(包括例如95%或更少、90%或更少、85%或更少、80%或更少、75%或更少、70%或更少、65%或更少、60%或更少、55%或更少、50%或更少、45%或更少、40%或更少、35%或更少、30%或更少、25%或更少、20%或更少、15%或更少、10%或更少、5%或更少等)的环,其中,该外半径最小比该环的内半径大出约1%。
因此,中心在细胞质心上的环(可以从其计算苍白区)包括但不限于内半径为细胞的最小、最大、平均或中值半径的100%以下(包括例如95%或更少、90%或更少、85%或更少、80%或更少、75%或更少、70%或更少、65%或更少、60%或更少、55%或更少、50%或更少、45%或更少、40%或更少、35%或更少、30%或更少、25%或更少、20%或更少、15%或更少、10%或更少、5%或更少等)的环,其中,该内半径最小为细胞的最小、最大、平均或中值半径的大约1%且最大比该环的外半径小约1%。
在一些实例中,中心在细胞质心上的环(可以从其计算苍白区)可以被描述为具有“相对直径”,其中,相对于细胞的最小、最大、平均或中值直径来描述该环的直径(被定义为该环的外直径和内直径之间的中点)。中心在细胞质心上的环(可以从其计算苍白区)(即苍白环)的相对直径将改变且范围可以从细胞的最小、最大、平均或中值直径的大约99%到大约1%或更少,包括但不限于例如细胞直径的99%、细胞直径的98%、细胞直径的97%、细胞直径的96%、细胞直径的95%、细胞直径的94%、细胞直径的93%、细胞直径的92%、细胞直径的91%、细胞直径的90%、细胞直径的89%、细胞直径的88%、细胞直径的87%、细胞直径的86%、细胞直径的85%、细胞直径的84%、细胞直径的83%、细胞直径的82%、细胞直径的81%、细胞直径的80%、细胞直径的79%、细胞直径的78%、细胞直径的77%、细胞直径的76%、细胞直径的75%、细胞直径的74%、细胞直径的73%、细胞直径的72%、细胞直径的71%、细胞直径的70%、细胞直径的69%、细胞直径的68%、细胞直径的67%、细胞直径的66%、细胞直径的65%、细胞直径的64%、细胞直径的63%、细胞直径的62%、细胞直径的61%、细胞直径的60%、细胞直径的59%、细胞直径的58%、细胞直径的57%、细胞直径的56%、细胞直径的55%、细胞直径的54%、细胞直径的53%、细胞直径的52%、细胞直径的51%、细胞直径的50%、细胞直径的49%、细胞直径的48%、细胞直径的47%、细胞直径的46%、细胞直径的45%、细胞直径的44%、细胞直径的43%、细胞直径的42%、细胞直径的41%、细胞直径的40%、细胞直径的39%、细胞直径的38%、细胞直径的37%、细胞直径的36%、细胞直径的35%、细胞直径的34%、细胞直径的33%、细胞直径的32%、细胞直径的31%、细胞直径的30%、细胞直径的29%、细胞直径的28%、细胞直径的27%、细胞直径的26%、细胞直径的25%、细胞直径的24%、细胞直径的23%、细胞直径的22%、细胞直径的21%、细胞直径的20%、细胞直径的19%、细胞直径的18%、细胞直径的17%、细胞直径的16%、细胞直径的15%、细胞直径的14%、细胞直径的13%、细胞直径的12%、细胞直径的11%、细胞直径的10%、细胞直径的9%、细胞直径的8%、细胞直径的7%、细胞直径的6%、细胞直径的5%、细胞直径的4%、细胞直径的3%、细胞直径的2%、细胞直径的1%等,其中,该直径可以为细胞的最小、最大、平均或中值直径。
也可以相对于细胞描述具有相对直径的环的尺寸,其中,环的宽度(例如,如被定义为外直径与内直径之间的差值)可以根据所计算的特定特征而改变且范围可以从细胞直径的大约1%到细胞直径的大约99%,包括但不限于例如从大约1%到大约95%、从大约1%到大约90%、从大约1%到大约85%、从大约1%到大约80%、从大约1%到大约75%、从大约1%到大约70%、从大约1%到大约65%、从大约1%到大约60%、从大约1%到大约55%、从大约1%到大约50%、从大约1%到大约45%、从大约1%到大约40%、从大约1%到大约35%、从大约1%到大约30%、从大约1%到大约25%、从大约1%到大约20%、从大约1%到大约15%、从大约1%到大约10%、从大约1%到大约5%、从大约1%到大约0%、从大约1%到大约95%、从大约5%到大约95%、从大约10%到大约95%、从大约15%到大约95%、从大约20%到大约95%、从大约25%到大约95%、从大约30%到大约95%、从大约35%到大约95%、从大约40%到大约95%、从大约45%到大约95%、从大约50%到大约95%、从大约55%到大约95%、从大约60%到大约95%、从大约65%到大约95%、从大约70%到大约95%、从大约75%到大约95%、从大约80%到大约95%、从大约85%到大约95%、从大约90%到大约95%、从大约5%到大约10%、从大约10%到大约15%、从大约15%到大约20%、从大约20%到大约25%、从大约25%到大约30%、从大约30%到大约35%、从大约35%到大约40%、从大约40%到大约45%、从大约45%到大约50%、从大约50%到大约55%、从大约55%到大约60%、从大约60%到大约65%、从大约65%到大约70%、从大约70%到大约75%、从大约75%到大约80%、从大约80%到大约85%、从大约85%到大约90%、从大约90%到大约95%、从大约95%到大约100%等。
在推导细胞的亮度特征时所使用的苍白环的数量范围可以是从1到100或更多,包括但不限于例如1到50、1到25、1到20、1到15、1到10、1到5、1到4、1到3、1到2、1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100等。在一些实例中,亮度特征可以被计算为一系列苍白环,其中,可以使用任何合适且有用的、不同尺寸的一系列环,包括例如本文中所描述的任一系列的苍白环。在采用一系列苍白环生成亮度特征的情况下,可以将多个苍白环组合为例如单一值。例如,在一些实例中,可以从多个苍白环导出最小或最大苍白区的所计算的亮度特征(例如,如在图3A至图3C中所例证)。在其它实例中,可以采用可从多个苍白环计算的任何其它有用且合适的统计资料,包括但不限于例如二阶导数、积分等。
在一些实例中,从多个苍白环计算的统计资料可以包括:在多个环之间不存在密度梯度的差别或变化或进步。例如,在一些实例中,多个环将具有基本相等的密度,和/或密度梯度(例如,跨越细胞或从一个环到另一个环)可以为基本线性的(例如,可以基本上不具有密度最小值或最大值)。
在一些实例中,密度梯度总体上(例如,如从多个苍白环所计算)可以用作根据本公开的方法的特征,包括但不限于例如,密度梯度总体上至少具有最小值和最大值、或密度梯度为基本线性的,如上所述。因此,在一些实例中,ROI的密度梯度总体上可以用作本方法的染色无关特征。
在一些实例中,可以从组织学染色细胞的数字图像提取的染色无关特征包括形状(例如轮廓)特征。例如,在一些实例中,可以在一个或多个细胞掩模或ROI上提取形状(例如轮廓)特征,该ROI包括细胞整体或基本整个细胞。在一些实例中,可以在细胞部分(包括细胞结构限定部分和非结构限定部分)的一个或多个掩模或包括一个或多个细胞部分(例如,细胞的细胞质、细胞的细胞核等)的ROI上提取形状(例如轮廓)特征。在一些实例中,可以在一个或多个掩模或包括细胞群或其一部分的一个或多个ROI上提取形状(例如轮廓)特征。
可提取的形状或轮廓特征包括但不限于从数字图像中包含的空间排列信息和/或在应用于图像的任何掩模上可计算的任何形状或轮廓值,包括例如周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度及其组合。
在一些实例中,可以从组织学染色细胞的数字图像提取的染色无关特征包括不变矩特征。例如,在一些实例中,可以在一个或多个细胞掩模或ROI上提取不变矩特征,该ROI包括细胞整体或基本整个细胞。在一些实例中,可以在细胞部分(包括细胞结构限定部分和非结构限定部分)的一个或多个掩模或包括一个或多个细胞部分(例如,细胞的细胞质、细胞的细胞核等)的ROI上提取不变矩特征。在一些实例中,可以在一个或多个掩模或包括细胞群或其一部分的一个或多个ROI上提取不变矩特征。
可提取的不变矩特征包括但不限于从数字图像中包含的空间排列信息和/或在应用于图像的任何掩模上可计算的任何不变矩值,包括例如一个或多个比例不变矩、一个或多个旋转不变矩(例如,Hu矩)等。
在一些实例中,可以从组织学染色细胞的数字图像提取的染色无关特征包括图像纹理特征。例如,在一些实例中,可以在一个或多个细胞掩模或ROI上提取图像纹理特征,该ROI包括细胞整体或基本整个细胞。在一些实例中,可以在细胞部分(包括细胞结构限定部分和非结构限定部分)的一个或多个掩模或包括一个或多个细胞部分(例如,细胞的细胞质、细胞的细胞核等)的ROI上提取图像纹理特征。在一些实例中,可以在数字图像的一个或多个非细胞部分(包括但不限于例如图像的背景)上提取图像纹理特征。在一些实例中,可以在一个或多个掩模或包括细胞群或其一部分的一个或多个ROI上提取图像纹理特征。
可提取的图像纹理特征包括但不限于从数字图像中包含的空间排列信息和/或在应用于图像的任何掩模上可计算的任何图像纹理值。图像纹理特征可以根据各种各样的不同图像纹理模型来计算,这些图像纹理模型包括但不限于例如分形模型、自回归模型、分数差分模型、马尔可夫随机场等。图像纹理特征可以根据各种各样不同的非基于模型的纹理特征来计算,这些非基于模型的纹理特征包括但不限于例如同现矩阵、灰度级和差直方图、劳斯掩模、频域方法、加博滤波器等。
在一些实例中,特征提取可以包括非细胞特征的使用,例如,将费细胞特征与细胞特征相比较。有用的费细胞特征将改变且可以包括图像的任何非细胞组分,其可以对应于样本或载片的任何非细胞组分,包括但不限于例如图像或载片的背景、载片的边缘或其图像、盖玻片的边缘或其图像等。
本方法包括使用特征比,包括细胞特征比以及细胞特征与非细胞特征的比。任何两个特征可以用在如本文中所描述的比中,以提供染色无关特征的提取,只要所选特征成比例地受染色变化的影响或不受染色变化的影响,如本文中所描述。例如,在一些实例中,可以使用两个颜色特征的比(包括例如,两个不同颜色通道的两个颜色特征之间的比)。在一些实例中,可以使用两个亮度特征的比(包括例如,两个不同苍白(包括例如两个不同苍白环)之间的比)。在一些实例中,可以使用两个轮廓特征的比(包括例如,两个不同亚细胞结构的两个轮廓特征之间的比)。在一些实例中,可以使用两个不变矩特征的比(包括例如,两个不同的旋转不变矩特征之间的比)。在一些实例中,可以使用两个图像纹理特征的比(包括例如,根据相同或不同的图像纹理特征模型所计算的两个不同图像纹理特征之间的比)。
在一些实例中,多个特征(包括但不限于一个或多个颜色特征、一个或多个亮度特征、一个或多个轮廓特征、一个或多个不变矩特征、一个或多个图像纹理特征的任何组合)或多个颜色特征、多个亮度特征、多个轮廓特征、多个不变矩特征、多个图像纹理特征可以应用于提取如本文中所描述的染色无关特征。
在一些实例中,可以从组织学染色细胞的数字图像提取的染色无关特征包括群体特征。例如,在一些实例中,可以在一个或多个细胞掩模或包括多个细胞的ROI上提取群体特征。在一些实例中,针对多个细胞,可以在细胞部分(包括细胞结构限定部分和非结构限定部分)的一个或多个掩模或包括细胞部分(例如,细胞的细胞质、细胞的细胞核等)的ROI上提取群体特征。
可提取的群体特征包括但不限于例如针对群体的所有细胞、群体细胞的大多数、在特定样本中存在的群体的所有细胞、在样本或载片的特定区域中存在的群体的所有细胞提取的那些群体特征。任何合适的细胞群可以应用于提取染色无关特征,包括:根据细胞尺寸、细胞核的存在与否、细胞染色强度、细胞的类型(例如,红血细胞、白血细胞等)定义该细胞群。
如将很容易理解,在针对特定细胞类型群体提取特征的情况下,细胞分类可能需要在群体特征的提取之前执行(例如,以分配细胞类型,从而限定群体),包括例如,提取第一非群体特征允许细胞分类的执行,以及基于第一特征、基于细胞分类提取群体特征。任何细胞特征(包括例如在本文中所描述那些细胞特征)可以用于生成用于多个细胞的群体特征,针对所述多个细胞确定细胞特征。
相应地,如在本文中所描述的特征提取可以在基于特征的评估之前执行一次或可以迭代执行,例如,执行特征提取,随后是基于特征提取的基于特征的评估,随后是一轮或多轮特征提取(例如,后续的多轮特定提取可以涉及如相比于最初提取的特征相同或不同的特征的提取)。
基于特征的评估
本方法包括:基于从样本的数字图像提取的染色无关特征进行的对组织学染色样本的细胞的评估。这类评估将根据例如样本的类型和评估的目的而改变。例如,在一些实例中,可以评估细胞形态。
从组织学染色样本的数字图像对细胞形态进行的评估可以出于各种目的来执行,包括但不限于例如关于样本的细胞进行确定,例如,以便确定样本的细胞是否正常、确定样本的细胞是否异常、确定样本的细胞的身份、确定样本内的各种类型的细胞的相对数量等。通常,根据本文中所描述的方法的细胞形态评估将包括:从样本的数字图像提取染色无关特征,以及将提取的染色无关特征与相应的基准值相比较以进行关于细胞的确定。
在一些实例中,进行关于样本的细胞的确定,以确定样本的细胞是正常的还是异常的。例如,在一些实例中,从样本的数字图像,提取第一细胞特征(包括例如颜色特征、亮度特征、轮廓特征、不变矩特征、图像纹理特征等)且提取第二特征(包括例如细胞特征、非细胞特征、群体特征等),以及使用第一特征和第二特征生成对于细胞的染色无关特征,例如,如本文中所描述。将生成的染色无关特征与对应于该染色无关特征的基准值相比较,以确定主题细胞是正常的还是异常的。
在一些实例中,进行关于样本的细胞的确定,以确定样本的细胞的身份。例如,在一些实例中,从样本的数字图像,提取第一细胞特征(包括例如颜色特征、亮度特征、轮廓特征、不变矩特征、图像纹理特征等)且提取第二特征(包括例如细胞特征、非细胞特征、群体特征等),以及使用第一特征和第二特征生成对于细胞的染色无关特征,例如,如本文中所描述。将生成的染色无关特征与对应于该染色无关特征的基准值相比较,以确定主题细胞的身份。在一些实例中,在确定多个细胞的身份之后,可以将这些细胞量化,例如,以便获得样品的细胞计数,即,样品的各种类型的细胞的相对数量的量化。
对于染色无关特征的基准值可以根据特定特征而改变且可以包括但不限于例如目标值、范围、阈值等。例如,在一些实例中,基准值可以为一个目标值或可以包括多个目标值,从而将所生成或提取的染色无关特征与该目标值或多个目标值相比较以确定是否发现匹配,例如所测量的值是否匹配目标值中的一者或多者。在一些实例中,当该比较显示匹配时,主题细胞被确定为正常的。在其它实例中,当该比较显示匹配时,主题细胞被确定为异常的。在另外其它实例中,当该比较没有显示匹配时,主题细胞被确定为异常的。在另外其它实例中,当该比较没有显示匹配时,主题细胞被确定为正常的。相应地,目标值可以为用于检测一个或多个正常细胞的目标值或用于检测一个或多个异常细胞的目标值。
在一些实例中,基准值可以为目标范围或可以包括多个目标范围,从而将所生成或提取的染色无关特征与该目标范围或多个目标范围相比较以确定所提取的染色无关特征的值是否在该范围内。在一些实例中,当该比较显示所提取的染色无关特征的值在该范围内时,主题细胞被确定为正常的。在其它实例中,当该比较显示所提取的染色无关特征的值在该范围内时,主题细胞被确定为异常的。在另外其它实例中,当该比较显示所提取的染色无关特征的值在该范围之外时,主题细胞被确定为异常的。在另外其它实例中,当该比较显示所提取的染色无关特征的值在该范围之外时,主题细胞被确定为正常的。相应地,目标范围可以为用于检测一个或多个正常细胞的目标范围或用于检测一个或多个异常细胞的目标范围。
在一些实例中,基准值可以为阈值可以包括多个阈值,从而将所生成或提取的染色无关特征与该阈值或多个阈值相比较以确定所提取的染色无关特征的值是否在该阈值之上或之下。在一些实例中,当该比较显示测量值在该阈值之上时,主题细胞被确定为正常的。在其它实例中,当该比较显示测量值在该阈值之上时,主题细胞被确定为异常的。在另外其它实例中,当该比较显示测量值在该阈值之下时,主题细胞被确定为异常的。在另外其它实例中,当该比较显示测量值在该阈值之下时,主题细胞被确定为正常的。相应地,基于相应确定是否要求该值在阈值之上或之下,阈值可以为用于检测一个或多个正常细胞的阈值或用于检测一个或多个异常细胞的阈值。
对于染色无关特征的基准值(包括例如目标值、范围、阈值等)可以通过各种各样的方法来确定。例如,在一些实例中,对于染色无关特征的基准值可以通过针对已知样品计算染色无关特征来生成,该已知样品例如为对照样品、已知正常细胞的样品、已知健康细胞的样品、已知异常细胞的样品、已知不健康细胞(例如,已知患病细胞)的样品等。基准值可以为预先确定的,例如在执行如本文中所描述的评估之前生成或计算;或可以为评估专用的,例如在评估期间生成或确定,包括但不限于例如从样本的细胞生成或确定。
在一些实例中,评估专用的基准值可以基于样本的所识别的细胞群,例如在样本中所识别的正常细胞群。在一些实例中,评估专用的基准值可以基于样本的细胞或其群体的统计特性。例如,在一些实例中,可以统计地表征样本的细胞群,例如,可以确定群体的分布、可以确定群体的平均值、可以确定群体的中值等,以生成用于特定评估的基准值。
在一些方面中,可以在评估之前从对照样品确定预先确定的基准值。在其它实例中,预先确定的基准值可以被确定且可以被存储,例如,以电子方式存储在计算机可读介质或计算机存储器上,以供在如本文中所描述的评估中使用。
如本文中所描述的评估可以为非细胞类型专用的或细胞类型专用的。例如,主题方法的染色无关特征通常可以应用于样本的所有细胞类型,包括但不限于例如血液样品的所有细胞类型。相应地,在如本文中所描述的评估中有用的基准值可以为非细胞类型专用的基准值。
在一些实例中,主题方法的染色无关特征可以仅应用于样本的一个或多个特殊细胞类型,包括但不限于例如血液样品的一个或多个特殊细胞类型。相应地,在如本文中所描述的评估中有用的基准值可以为细胞类型专用的基准值。
在一些实例中,细胞类型专用的染色无关特征可以包括但不限于白血细胞专用的染色无关特征、有核红血细胞专用的染色无关特征、巨大血小板专用的染色无关特征等。在一些实例中,白血细胞、有核红血细胞或巨大血小板,且染色无关细胞特征可以包括一个或多个特征,其包括但不限于例如轮廓特征、不变矩特征、图像纹理特征、细胞核裂片特征、两个细胞颜色特征的比、细胞颜色特征与非细胞颜色特征的比及其组合。
在一些实例中,细胞类型专用的染色无关特征可以包括但不限于红血细胞专用的染色无关特征。在一些实例中,红血细胞专用的染色无关特征可以包括一个或多个特征,包括但不限于例如轮廓特征、不变矩特征、图像纹理特征、光密度特征、亮度特征及其组合。
可以出于各种各样的目的执行根据本文中所描述的方法的评估,包括细胞形态评估。在一些实例中,可以提取染色无关特征,以及可以执行细胞形态评估作为对细胞分类的手段。可以出于各种各样的目的执行细胞分类,包括但不限于例如,作为自动图像分析工作流程的一部分、作为自动图像分析计算机训练的一部分、作为识别样本的正常细胞和/或异常细胞的手段(例如,作为筛选过程的一部分、作为诊断的一部分、作为预后的一部分等)、作为量化样本的正常细胞和/或异常细胞的手段(例如,作为筛选过程的一部分、作为诊断的一部分、作为预后的一部分等)等。
转到图4,在一个实施方式中,可以执行染色无关特征提取,作为机器训练工作流程100的一部分,其中,在特征提取之前对组织学染色样本的一组预先收集的训练图像进行分割。特征提取之后的机器训练工作流程的结果为可用在后续细胞分类评估中的分类器(“预先训练的分类器”)。例如,在一个实施方式中,可以执行染色无关特征提取,作为制作阶段的自动细胞评估101的一部分,其中,收集从患者获得的组织学染色样本的图像,将图像分割,以及执行染色无关特征提取并在后续细胞分类和/或细胞计数中利用。在一些实例中,在机器训练工作流程100中生成的分类器可以应用于制作阶段的自动细胞评估101的细胞分类和/或细胞计数。
在一些实例中,制作阶段的自动细胞评估可以为作为自动组织分析***的一部分所进行(例如,在自动组织分析仪内执行)的自动细胞评估。在一些实例中,作为自动组织分析***的一部分所进行的自动细胞评估可以为作为自动血液分析***的一部分所进行(例如,在自动血液分析仪内执行)的自动血细胞评估。制作阶段的评估可以使用预先制备的样本载片,或可以将载片制备集成到自动组织分析(例如自动血液分析)中。
样本
本方法包括从组织学染色样本提取染色无关特征。组织学染色样本包括利用组织学染色制备的、以供细胞形态分析的那些生物样品和/或体液。在一些实例中,组织学染色样本包括但不限于由血液制备的且包含在血液中可发现的细胞类型和元素的血液样品,其包括但不限于有核血细胞、无核血细胞、白血细胞、有核红血细胞、红血细胞、巨大血小板、白血球、嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞、中性粒细胞、血小板、成熟或不成熟的血细胞、恶性肿瘤或肿瘤细胞、寄生生物、细菌等。
在一些实例中,本文中所描述的方法可以包括:制备来自患者的组织学染色样本,其中,该样本包含组织学染色细胞或被制备成包括组织学染色细胞。在其它实例中,可以预先制备样本,以及该方法可以包括处理从来自患者的组织学染色样本获得的数字图像。
如在本文中所使用,组织学染色剂指的是在从多细胞生物体获得的细胞的细胞解剖学和/或形态学的显微镜分析中所使用的那些染色剂。组织学染色剂通常包括将一种或多种细胞类型和/或一种或多种细胞类型的组分染色成对比色的至少一种染料。组织学染色剂也可以包括将多个细胞的其余部分或该细胞的其余部分染色成不同颜色的至少一种反染料。组织学技术、染料和染色方法是熟知的且包括但不限于在科尔曼(Kierman)中所描述的那些组织学技术、染料和染色方法。组织学方法和组织化学方法:理论与实践。牛津:Butterworth/Heinemann,1999年以及Bancroft和Stevens。组织学技术的理论与实践。纽约(N.Y.):Churchill Livingstone,1996年;其全部公开内容通过引用并入在本文中。
组织学染色技术可以为特定的,以分辨的方式对一个或多个特定细胞进行染色,或非特定的,以相同或相似的方式对基本全部细胞或大多数细胞进行染色。组织学染色剂包括但不限于例如阿尔新蓝染色剂、苯胺蓝染色剂、偶氮卡红染色剂、比布列希猩红-酸性品红染色剂、石炭酸品红染色剂、铬明矾/苏木素染色剂、刚果红染色剂、结晶紫染色剂、闪电红染色剂、苏木紫和曙红(H&E)染色剂、铁矾苏木精染色剂、依思明蓝/曙红染色剂、詹纳尔染色剂、马洛里的磷钨酸苏木精(Phosphotungstic Acid Hematoxylin,PTAH)染色剂、马洛里的三色染色剂、马森染色剂、孔雀绿染色剂、吡罗红(Methyl Green-Pyronin,MGP)染色剂、焦油紫和亚甲蓝染色剂、焦油紫染色剂、油红O染色剂、地衣红染色剂、锇酸染色剂、四氧化锇染色剂、帕氏染色剂、过碘酸-希夫(Periodic Acid-Schiff,PAS)染色剂、网硬素染色剂、罗曼诺夫斯基染色剂、番红O染色剂、银染色剂、苏丹黑和锇染色剂、甲苯胺-蓝染色剂、三色AB剂、三色LG剂、锥虫蓝染色剂、范基林染色剂、费尔霍夫染色剂、威格特的间苯二酚-品红染色剂等。
在组织学染色剂中包括的染料将根据染色制剂和预期的染色结果而改变。在一些实例中,在组织学染色剂中使用的染料可以包括但不限于例如洋红酸钙盐、酸性品红、阿尔新蓝、茜素红、苯胺蓝、苯胺蓝二铵盐、金胺O染料、天青、天青A氯化物、天青B、碱性品红、俾斯麦棕Y、亮甲酚蓝、亮绿、胭脂红、刚果红、甲酚紫乙酸盐、结晶紫、达罗红、曙红、曙红B、曙红Y、曙红Y二钠盐、赤藓红B、新品酸性红、乙基曙红、固绿FCF、苏木精、靛蓝胭脂红、詹纳斯绿B、浅绿SF淡黄、孔雀石绿草酸盐、甲基蓝、甲基绿、甲基绿氯化锌、甲基橙、甲基紫2B、亚甲蓝、亚甲紫(亚甲基青莲)、中性红、苯胺黑、尼罗蓝A、油红O、橙黄G、金黄粉、苔红素、荧光桃红B染料、派洛宁B、派洛宁G、派洛宁Y、刃天青钠、虎红钠盐、番红O、苏丹黑B、苏丹红III、苏丹红IV、硫堇醋酸盐、甲苯胺、甲苯胺蓝O等。
组织学染色剂包括罗曼诺夫斯基染色剂。罗曼诺夫斯基染色剂通常为由各种组分组成的中性染料,各种组分包括但不限于亚甲蓝(例如天青B)和曙红(例如曙红Y)染料。天青为凝固酸核且形成蓝紫色剂的基本染料。曙红为附着到产生红着色的碱性细胞质的酸性染料。罗曼诺夫斯基染色剂改变且包括各种制剂,其包括含有各种天青和曙红衍生物的那些制剂。罗曼诺夫斯基染色剂及其染色机制是熟知的且例如在Horobin和Walter的“Histochemistry(组织化学)(1987)86:331-336”;Marshall等人的“J Clin Pathol(临床病理学杂志)(1978)31(3):280-2”;Marshall等人的“J Clin Pathol.(1975)28(11):920-3”;“J Clin Pathol(1975)28(8):680-5”中被描述,其公开内容通过引用并入在本文中。
罗曼诺夫斯基染色剂包括但不限于吉姆萨染色剂、瑞氏染色剂、瑞氏-吉姆萨染色剂、詹纳尔染色剂、詹纳尔-吉姆萨染色剂、利什曼染色剂、迈格林华染色剂、迈格林华-吉姆萨染色剂等。每种罗曼诺夫斯基染色剂可以存在于各种制剂中,要么来源于各种不同的处方、要么由各种供应方提供。罗曼诺夫斯基染色制剂可以包括各种染色组分,包括但不限于例如亚甲蓝、天青A、天青B、天青C、甲苯胺蓝、硫堇、亚甲紫、亚甲基青莲、甲基托布津、托布津、曙红、曙红Y、三溴荧光素、荧光素、噻嗪染料等。罗曼诺夫斯基染色制剂可以包括用于溶解染色组分的各种溶剂,包括水性溶剂和有机溶剂,包括但不限于例如水和醇,包括但不限于例如甲醇、乙醇、异丙醇等。
组织学染色剂及其组分包括在商业上从这类供应方可购得的那些组织学染色剂及其组分,所述供应方包括但不限于例如Sigma Aldrich有限公司、Thermo FisherScientific有限公司、Avantor Proformance Materials有限公司、VWR International有限公司、Polysciences有限公司等。
可以从其获取样本的对象包括但不限于人类对象、哺乳动物对象(例如,灵长类动物(猿、大猩猩、猴子、狒狒、猩猩等)、有蹄类动物(例如,马、牛、骆驼、猪等)、犬科动物、猫科动物、啮齿类动物(老鼠、地鼠等)等)。样本可以包括可以在成像之前被加工(例如,被加工到载片上且被组织学染色)的生物流体样品和生物样品。在样本为血液样品的实例中,该样品可以被加工到血液涂片中且利用血液染色剂进行染色。适合于处理血液样品的方法包括但不限于例如在美国专利第9,011,773号和第9,028,778号中所描述的那些方法,这两个美国专利的公开内容通过引用并入在本文中。
***
本公开包括用于对组织学染色样本中的细胞进行分类的***。本公开的***涉及从组织学染色样本提取染色无关特征。这类***可以包括图像处理电路,该图像处理电路配置成执行如本文中所描述的染色无关特征提取的方法的步骤中的一个或多个步骤。这类***可以包括用于生成样本的图像的图像捕获设备,或可以从所连设备接收预先捕获的图像。
本***的组件可以被组装在单一设备中或可以被组装为在两个或更多个设备之间分离的组件的***。在一些实例中,执行图像处理功能的设备、***或其组件可以为外部的但靠近(即,附接到同一工作表面的或之上的外部壳体或在同一房间或建筑物内等)图像捕获设备和/或组织学分析仪,该图像捕获设备和/或组织学分析仪处理样本和/或获得数字图像。在其它实例中,执行图像处理功能的设备、***或其组件可以被放在组织学分析仪内部(即,在组织学分析仪之内、在组织学分析仪的内侧、或封装在组织学分析仪之内),该组织学分析仪处理样本和/或获得数字图像。
图像捕获设备
在最低限度上,合适的图像捕获设备将包括:能够捕获数字图像的数码相机、以及存储该数字图像和/或将该图像传送到所附接的图像处理电路或所附接的存储设备以供后续传送到图像处理电路的部件。合适的数码相机将改变且将通常包括具有足够高的分辨率和足以捕获图像的色彩捕获的任何数码相机(例如,具有CCD或CMOS传感器),该图像可以根据本文中所描述的方法来处理。根据在主题方法中所使用的特定特征,合适的数码相机可以包括单色或彩色相机,其分辨率范围从小于大约0.3兆象素到大约14.0兆像素或更多,包括但不限于例如0.3兆象素或更多、0.9兆象素或更多、1.3兆象素或更多、1.4兆象素或更多、2兆象素或更多、3兆象素或更多、3.3兆象素或更多、5兆象素或更多、7兆象素或更多、10兆象素或更多、12兆象素或更多、14.0兆象素或更多等。
合适的数码相机包括但不限于例如定制构建的数码相机、消费级数码相机(例如,转换以供显微镜使用的消费级数码相机)和在商业上从各种制造商可购得的那些数字显微镜相机,上述各种制造商包括但不限于例如Dino-Eye、Dino-Lite、Jenoptik ProgRes、KoPa、Leica、Motic、Olympus、Omano、OptixCam、PixelLINK、Zeiss等。
在一些实例中,本***的数码相机可以附接到显微镜,该显微镜配置为手动或自动显微镜。任何合适的显微镜可以应用于所描述***中,假定该显微镜配置有足够的光学器件且提供足以允许捕获数字图像的放大率,该数字图像可以根据本文中所描述的方法来处理。因此,本***的显微镜组件包括定制单元,例如,如由单独的显微镜组件所组装,以及商业上可购得的单元。
合适的显微镜包括但不限于例如从各种制造商可购得的那些显微镜,各种制造商包括例如Bruker Optics(www(dot)brukeroptics(dot)com)、Carl Zeiss(www(dot)zeiss(dot)com)、CRAIC(www(dot)microspectra(dot)com)、Edmund Optics(www(dot)edmundoptics(dot)com)、FEI(www(dot)fei(dot)com)、Hamamatsu(www(dot)hamamatsu(dot)com)、Hirox-USA(www(dot)hirox-usa(dot)com)、Hitachi High Technologies(www(dot)hitachi-hta(dot)com)、JEOL(www(dot)jeol(dot)com)、Keyence(www(dot)keyence(dot)com)、Kramer(www(dot)kramerscientific(dot)com)、Leica Microsystems(www(dot)leica(dot)com)、Meiji Techno America(www(dot)meijitechno(dot)com)、MoticInstruments(www(dot)motic(dot)com)、Nikon Instruments(www(dot)nikoninstruments(dot)com)、Ocean Optics(www(dot)oceanoptics(dot)com)、Olympus(www(dot)olympusamerica(dot)com)、OPTIKA Microscopes(www(dot)optikamicroscopes(dot)com)、Phenom-World(www(dot)phenom-world(dot)com)、Prior Scientific(www(dot)prior(dot)com)、Warner(www(dot)warneronline(dot)com)等。
本显微镜***还可以包括用于自动载片制备、自动载片处理、自动成像、自动扫描等的组件。
在一些实例中,本公开的显微镜***可以被涵盖在组织学分析仪内或例如物理地或电子地连接到组织学分析仪,该组织学分析仪包括例如自动组织学分析仪、自动细胞学分析仪、自动血液学分析仪等。
本公开的组织学分析仪包括但不限于例如在商业上从Abbott Laboratories和/或Abbott Diagnostics(包括例如CELL-DYN***等)、从Sysmex(包括例如Sysmex DI60***、CellaVision DM1200***、和CellaVision DM9600***等)、从MEDICA(包括例如EasyCell***等)、从Horiba(包括例如Pentra***和Micros***等)、从Siemens(包括例如ADVIA***和Kematek***等)、从Beckman Coulter(包括例如UniCel***等)等可购得的那些组织学分析仪。
计算机和电路组件
在一些实例中,如在本文中所描述的***的组件可以通过有线数据连接来连接。任何合适且适当的有线数据连接可以发现在连接组织学染色评估***的组件时的使用,例如,如在本文中所描述,包括但不限于例如商业上可购得的电缆,诸如USB电缆、同轴电缆、串行电缆、C2G或Cat2电缆、Cat5/Cat5e/Cat6/Cat6a电缆、令牌环网电缆(Cat4)、VGA电缆、HDMI电缆、RCA电缆、光纤电缆等。在一些实例中,例如,在数据安全不太令人担忧的情况下,可以采用无线数据连接,包括但不限于例如射频连接(例如,PAN/LAN/MAN/WAN无线联网、UHF无线电连接等)、红外数据传输连接、无线光学数据连接等。
在一些实例中,本公开的***包括图像处理电路。这类图像处理电路可以被编程和/或包含执行涉及处理从图像捕获设备接收的数据图像的一个或多个任务的指令。例如,在一些实例中,图像处理电路被编程为从数字图像提取上述一个或多个染色无关特征,该数字图像从数据存储器获得或由图像捕获设备生成。在一些实例中,图像处理电路被编程为在测量的染色无关特征与基准的染色无关特征(例如,如存储在库中)之间进行比较,以根据本文中所描述的方法进行评估。
在一些实例中,图像处理电路可以被编程为单独地或组合地执行本文中所描述的方法的一个或多个步骤,包括但不限于例如,生成主题数字图像的掩模、确定主题数字图像的ROI、提取一个或多个细胞特征、提取一个或多个非细胞特征、提取一个或多个群体特征、基于提取的两个或更多个细胞特征确定染色无关特征。在一些实例中,图像处理电路还可以被编程为在测量的染色无关特征与用于染色无关特征的基准值之间进行比较,例如以对样品的一个或多个细胞分类。
除了直接的图像处理步骤外,图像处理电路可以为或可以具有与附加电路的可操作性连接,该附加电路配置成执行一个或多个附加功能,包括但不限于例如从图像捕获设备接收数字图像、从存储器检索数字图像、从存储器检索基准值、将处理过的图像存储到存储器、将从处理过的图像获得的值存储到存储器、将比较结果存储到存储器等。
在一些实例中,如本文中所描述的***还包括信号***,其中,该信号***可以配置成上报比较或评估的结果。这类信号***将根据设备和/或***的特定配置而改变,且可以包括但不限于例如警报器、指示灯、显示器(例如,计算机监控器、图形用户界面(Graphical User Interface,GUI)等)、配置成例如打印到有形介质(包括例如纸张或磁带)上的打印机等。在一些实例中,信号***向用户指示(例如,发声、照亮、或以其它方式显示)在样本中是否存在异常细胞。
在一些实例中,信号***向用户指示(例如,发声、照亮、或以其它方式显示)样本的一个或多个细胞的细胞分类。例如,在一些实例中,该***可以包括显示器,该显示器配置成上报根据本文中所描述的方法所生成的一个或多个细胞分类的结果。在一些实例中,该***可以将该结果发送到远程显示器或将该结果作为数据发送(例如,发送到数据存储器、借助电子手段(例如电子邮件)发送给用户等)。在一些实例中,***可以将细胞分类作为更大报告的一部分(例如,作为细胞计数或完整血液报告的一部分)进行上报。
图像处理电路具体地配置成或编程为根据如本文中所描述的方法执行功能,包括图像特征提取功能和比较任务,以及可以包括用于执行数据相关功能的至少一个数据处理单元。
如在本文中所使用的通过“数据处理单元”指的是将执行所需功能的任何硬件和/或软件组合。例如,本文中的任何数据处理单元可以为可编程数字微处理器,诸如以电子控制器、大型机、服务器或个人计算机(台式或便携式)的形式可用的。在数据处理单元可编程的情况下,可以将合适的编程从远程位置传送到数据处理单元、或将合适的编程预先保存在计算机程序产品(诸如便携式或固定式计算机可读存储介质,无论基于磁性设备、光学设备、还是固态设备)中。
基本上任何电路可以配置为用于执行本文中所描述的方法的设备和***内的功能布置。这类电路的硬件架构(包括例如特殊配置的计算机)是本领域技术人员所熟知的,以及可以包括硬件组件,其包括一个或多个处理器(CPU)、随机存取存储器(Random-AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、内部或外部数据存储介质(例如,硬盘驱动)。这类电路也可以包括用于处理图形信息并将其输出给显示部件的一个或多个绘图板。上述组件可以借助电路内(例如专用计算机内部)的总线来适当地互连。该电路还可以包括适合于与通用外部组件(诸如监控器、键盘、鼠标、网络等)通信的接口。在一些实施方式中,该电路可以有并行处理的能力或可以为网络的一部分,该网络被配置用于针对本方法和程序的并行或分布式计算以增大处理功率。在一些实施方式中,从存储介质读出的程序代码可以被写入***在电路中的扩展板或连接到电路的扩展单元内提供的存储器中,以及在扩展板或扩展单元中提供的CPU等实际上可以执行根据编程指令的操作的一部分或全部,从而完成所描述的功能。
本公开的***还可以包括能够存储信息的“存储器”,从而该信息后续可被计算机访问和检索。可以基于用于访问所存储信息的手段,来选择任何便利的数据存储结构。在某些方面中,该信息可以被存储在“永久性存储器”(即,不被去往计算机或处理器的电能的终止而擦除的存储器)或“非永久性存储器”中。计算机硬驱动、CD-ROM、软盘、便携式闪盘驱动和DVD全都为永久性存储器的示例。随机存取存储器(RAM)为非永久性存储器的示例。在永久性存储器中的文件可以为可编辑的且可重写的。
在一些实例中,该***可以包括包含基准值的存储器,所述基准值用于进行如本文中所描述的评估的比较。例如,在一些实例中,本***的存储器可以包括一个或多个基准目标值、一个或多个基准范围、一个或多个基准阈值及其组合。
除了本公开的设备和***的组件外,例如,如上所述,本公开的***还可以包括多个附加组件,诸如数据输出设备(例如监控器和/或扬声器)、数据输入设备(例如界面端口、键盘等)、流体处理组件、电源等。
计算机可读介质
本公开包括计算机可读介质,包括非暂时性计算机可读介质,其存储用于特征提取方法的指令。本公开的方面包括存储指令的计算机可读介质,所述指令在被计算设备执行时使得该计算设备执行本文中所描述的特征提取的步骤中的一个或多个步骤。
在一些实例中,本公开的计算机可读介质存储指令,所述指令使得计算设备执行如本文中所描述的组织学染色样本的形态评估的步骤中的一个或多个步骤。例如,在一些实例中,本公开的计算机可读介质存储指令,所述指令使得计算设备进行测量的染色无关特征与存储在库中的基准值的比较。在一些实例中,本公开的计算机可读介质存储指令,所述指令使得计算设备基于测量的染色无关特征与存储在库中的基准值的比较进行确定,例如细胞分类。
在一些实例中,本公开的计算机可读介质存储基准的染色无关特征值的库,例如,如本文中所描述,例如,如从各种组织学染色基准样本获得,用以执行如本文中所描述的方法。这类计算机可读介质可以为或可以不为更大***的组件,例如,如本文中所描述。这类计算机可读介质可以为或可以不为可从更大设备或***移除的,例如,如本文中所描述。
在一些实例中,库可以针对于特定种类的组织学染色,例如,计算机可读介质可以存储针对于血液染色(例如罗曼诺夫斯基染色)的基准光谱特性的库。
在一些实例中,本公开的计算机可读介质至少存储指令以及基准的染色无关特征值的库二者,所述指令使得计算设备执行根据如本文中所描述的方法的数字图像特征提取的步骤中的一个或多个步骤。在一些实例中,存储使得计算设备执行根据如本文中所描述的方法的数字图像特征提取的步骤中的一个或多个步骤的指令以及基准的染色无关特征值的库二者的计算机可读介质针对于血液染色,例如罗曼诺夫斯基染色。
在某些实施方式中,根据本文中所描述的方法的指令可以以“编程”的形式被编码到计算机可读介质上,其中,如本文中所使用的术语“计算机可读介质”指的是参与将指令和/或数据提供给计算机以供执行和/或处理的任何存储器或传输介质。存储介质的示例包括软盘、硬盘、光盘、磁光盘、CD-ROM、CD-R、磁带、非暂时性存储卡、ROM、DVD-ROM、蓝光盘、固态盘、和附网存储器(Network Attached Storage,NAS),无论这类设备是在计算机的内部还是外部。包含信息的文件可以被“存储”在计算机可读介质上,其中,“存储”指的是记录信息,使得该信息后续可被计算机访问和检索。
本文中所描述的计算机实现方法可以使用编程来执行,该编程可以用任何数量的计算机编程语言中的一者或多者来编写。这类语言包括例如Java(加利福尼亚州圣克拉拉的太阳微***公司)、可视化Basic语言(华盛顿州雷德蒙德的微软公司)和C++(新泽西州贝德明斯特的AT&T公司)以及任何许多其它语言。
通过说明性方式而非限制性方式提供如下示例。
实验性
示例1:用于包含有核物质的细胞的染色无关特征
对于包含有核物质(例如,有核掩模)的细胞,例如白血细胞(White Blood Cell,WBC)和有核红血细胞(Nucleated Red Blood Cell,NRBC),计算如下染色无关特征:
染色无关颜色特征:代替使用来源于整个细胞掩模或整个细胞核掩模的统计颜色特征(例如,红色、绿色和蓝色或任何其它颜色空间的平均值、中值、标准差),使用细胞核的颜色特征与细胞质的颜色特征的比。基于在变化为染色变化的结果时观察到所有细胞区室的颜色相对于彼此成比例地改变(例如,如果染色剂加深细胞核组分的颜色,则该染色剂也成比例地加深细胞质区室的组分),使用这些颜色特征的比提供了一种手段,通过该手段可以使特定细胞区室中的颜色相对于彼此标准化。这类标准化实现了对在分隔的细胞结构中与细胞形态特性相关联的真实颜色变化的检测,该真实颜色变化不同于仅从染色变化所引起的颜色变化。使用各种计算机化方法(包括例如基于分水岭算法的分割过程)对细胞掩模、细胞质掩模和细胞核掩模进行分割。在图1B中示出了来源于所捕获的代表性WBC的RGB图像(图1A)的细胞掩模、细胞质掩模和细胞核掩模的表示(细胞核掩模为亮白色且细胞质掩模为灰色)。
染色无关轮廓特征:计算且使用细胞核与整个细胞的轮廓特征比。轮廓特征涉及感兴趣区域的所有边界性质,以及包括周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度及其组合的单独测量。
使用计算轮廓特征的各种方法。例如,根据如下计算圆形度和凸度:
圆形度=周界/(4π×面积)
凸度=凸包面积/面积
从各种掩模计算轮廓特征,各种掩模例如包括如图1B所示的细胞核掩模或细胞质掩模。
示例2:用于红血细胞的染色无关特征
相对颜色特征:使用RBC的相对颜色特征来测量与同一图像内的所有其它细胞的特征相对的一细胞的特征。这要求在针对每个细胞计算相对特征之前针对图像内的所有细胞计算特征。针对整个红血细胞的如下分量计算相对颜色特征。
●对于单独细胞的红色通道的平均值/图像中的所有细胞的红色通道的平均值
●对于单独细胞的绿色通道的平均值/图像中的所有细胞的绿色通道的平均值
●对于单独细胞的蓝色通道的平均值/图像中的所有细胞的蓝色通道的平均值
也在其它色彩空间中计算相对颜色特征,其它色彩空间诸如色调饱和度值(Hue,Saturation-Value,HSV)、国际照明委员会(International Commission onIllumination,CIE)Lab(基于非线性压缩坐标的色彩对立空间,其具有用于亮度的维度L以及用于色彩对立维度的a和b)、CIE LUV(由CIE委员会采用的比色法中的色彩空间)、YCbCr(用作彩色图像管道和数字摄影***的一部分的色彩空间;Y为亮度分量且Cb和Cr为蓝色差和红色差色度分量)等。
通过将用于单独细胞的通道颜色值标准化为用于所有细胞的平均值,这些相对颜色特征提供了用于将表征特殊细胞形态的颜色偏差与由染色变化导致的颜色偏差区分开的手段。
亮度变化特征:中心苍白区特性为用于区分开正常红血细胞和其它异常红血细胞的一个重要特征。正常红血细胞在中心具有一个苍白区。该中心苍白区在血蛋白过少的细胞中增大且在球形红细胞和多染性RBC中变小或不存在。另一方面,目标细胞具有被苍白区围绕的、位于中心的盘状血红蛋白,其中,血红蛋白邻近细胞膜的外缘向该细胞提供“目标”的外观。因此,创建染色无关特征以限定该特定细胞特征实现了正常细胞和异常细胞的更准确的自动区别和分类。
观察到,用于表征中心苍白区特征的一个方式为首先对中心苍白区的区域(附加血红蛋白)进行分割且然后相比于整个细胞计算形状特征,诸如中心苍白区与整个细胞的面积比、中心苍白区的圆形度、中心苍白区内的类右侧内部结构的存在性等。然而,当执行这些计算时,结果经常为不合需要的,这是因为分割结果经常由于染色浓度的变化和/或跨越不同染色变体的变化而不可靠。
设计了一种在不进行分割的情况下提取染色无关中心苍白区特征的新方式。
步骤1:从细胞周界到中心,根据从细胞的质心到周界的距离的百分比(例如,在图2B中被示为20%、40%、60%和80%)提取一组环状掩模。
步骤2:针对每个掩模区域,在应用和不应用任一色彩空间的情况下,计算对于任一颜色通道的强度的平均值或中值。图2C示出对于血蛋白过少的细胞的接近单调递增的分布的示例。
步骤3:计算强度分布的一阶导数(梯度)。在图2D中示出了示例。
步骤4:提取染色无关中心苍白区亮度变化特征作为最大梯度幅度、最小梯度幅度、最大梯度幅度的位置、最小幅度的位置、和/或最大梯度幅度与最小梯度幅度的绝对差值。
使用单独的特征和特征的组合作为用于借助监督的/训练的分类器或无人监督的分类方法对细胞分类的独立特征。上述单独的特征和特征的组合也连同其它细胞形状和轮廓特征一起用来借助监督的/训练的分类器或无人监督的分类方法对细胞分类。在图3A至图3C中示出了最大梯度幅度与最小梯度幅度的绝对差值以及用于正常红血细胞、血蛋白过少的细胞和目标细胞的最大变化位置的示例。
图2:示出亮度变化特征提取的代表性图像。在图2A中示出了血蛋白过少的红血细胞的示例。从细胞周界到中心,根据从细胞的质心到周界的距离的百分比(被示为20%、40%、60%和80%(图2B))提取一组掩模。在图2C和图2D中分别提供了对于周界到细胞中心的对应平均强度分布和从周界到中心的对应梯度分布。
图3:也提供用于不同类型的红血细胞的亮度变化特征及其对应的峰值位置:正常RBC(图3A)、血蛋白过少的RBC(图3B)、和目标细胞(图3C)。
尽管出于理解清晰的目的而通过图示和示例的方式详细地描述了前述发明,但是本领域的普通技术人员按照本发明的教导很容易清楚,可以对本发明进行特定改变和修改而不脱离所附权利要求的精神或范围。
相应地,前文仅说明了本发明的原理。将领会到,本领域的技术人员将能够设想各种布置方式,尽管本文中没有明确地描述或示出这些布置方式,但是它们体现了本发明的原理且被包括在本发明的精神和范围内。此外,本文中所列的所有示例和有条件的语言主要意图辅助阅读者理解本发明的原理和由发明人贡献于促进本领域的概念,且不应当被视为对这类具体所列的示例和条件的限制。此外,本文中列出本发明的原理、方面和实施方式的所有陈述及其具体示例意图涵盖其结构性等效物和功能性等效物。另外,意图使这类等效物包括当前已知的等效物和在未来开发的等效物,即,开发的执行相同功能的任何元件,不管结构如何。因此,本发明的范围不意图受限于本文中所示出和描述的示例性实施方式。而是,本发明的范围和精神由所附权利要求体现。
Claims (87)
1.一种提取染色无关细胞特征的方法,所述方法包括:
a)生成组织学染色样本的数字图像的细胞掩模;
b)提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;
c)在所述组织学样本的感兴趣区域(ROI)上提取第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及
d)通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
2.如权利要求1所述的方法,其中,所述第一细胞特征和所述第二特征为颜色特征。
3.如权利要求1所述的方法,其中,所述第一细胞特征和所述第二特征为亮度特征。
4.如权利要求1所述的方法,其中,所述第一细胞特征和所述第二特征为轮廓特征。
5.如权利要求1所述的方法,其中,所述第一细胞特征和所述第二特征为不变矩特征。
6.如权利要求1所述的方法,其中,所述第一细胞特征和所述第二特征为图像纹理特征。
7.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征属于细胞,且所述ROI为所述细胞。
8.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征属于细胞的细胞核,且所述ROI为所述细胞的细胞核或其一部分。
9.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征属于细胞的细胞质,且所述ROI为所述细胞的细胞质或其一部分。
10.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征属于细胞,且所述ROI为所述细胞的细胞核或其一部分。
11.如权利要求10所述的方法,其中,所述ROI为所述细胞的一个或多个细胞核裂片。
12.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征属于细胞,且所述ROI为所述细胞的细胞质或其一部分。
13.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征属于细胞,且所述ROI为所述组织学样本的非细胞特征。
14.如权利要求13所述的方法,其中,所述组织学样本的所述非细胞特征为载片的背景。
15.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征和所述ROI为所述细胞的、与所述细胞同心的第一环形部分和第二环形部分。
16.如权利要求1至6中任一项所述的方法,其中,所述第一细胞特征属于细胞,且所述ROI为由所述细胞掩模限定的细胞群。
17.如前述权利要求中任一项所述的方法,其中,所述方法还包括:基于所述染色无关特征将所述细胞分类。
18.如权利要求17所述的方法,其中,所述分类包括识别细胞类型。
19.如权利要求17所述的方法,其中,所述分类包括将所述细胞识别为正常的或异常的。
20.如前述权利要求中任一项所述的方法,其中,所述方法还包括:针对所述图像的多个细胞提取所述染色无关特征。
21.如前述权利要求中任一项所述的方法,其中,所述颜色特征包括所述数字图像的红色通道中的平均强度。
22.如前述权利要求中任一项所述的方法,其中,所述颜色特征包括所述数字图像的绿色通道中的平均强度。
23.如前述权利要求中任一项所述的方法,其中,所述颜色特征包括所述数字图像的蓝色通道中的平均强度。
24.如前述权利要求中任一项所述的方法,其中,所述亮度特征包括颜色无关平均强度或颜色无关中值强度。
25.如权利要求24所述的方法,其中,所述颜色无关平均强度或颜色无关中值强度包括多个同心苍白环。
26.如前述权利要求中任一项所述的方法,其中,所述轮廓特征选自由周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度及其组合组成的群组。
27.如前述权利要求中任一项所述的方法,其中,所述组织学染色样本为血液染色样本。
28.一种与染色无关地评估组织学染色样本中的细胞形态的方法,所述方法包括:
a)根据权利要求1至27中任一项提取一个或多个染色无关细胞特征;以及
b)将所述一个或多个提取的染色无关特征与针对所述一个或多个染色无关特征的相应基准值相比较以评估所述细胞的所述形态。
29.如权利要求28所述的方法,其中,所述细胞为白血细胞、有核红血细胞或巨大血小板,且所述染色无关细胞特征包括选自由轮廓特征、不变矩特征、图像纹理特征、细胞核裂片特征、两个细胞颜色特征的比、细胞颜色特征与非细胞颜色特征的比及其组合组成的群组中的一个或多个特征。
30.如权利要求28所述的方法,其中,所述细胞为红血细胞,且所述染色无关细胞特征包括选自由轮廓特征、不变矩特征、图像纹理特征、光密度特征、亮度特征及其组合组成的群组中的一个或多个特征。
31.一种提取染色无关细胞特征的方法,所述方法包括:
a)生成组织学染色样本的数字图像的细胞掩模;
b)提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;
c)提取所述组织学样本的细胞或其一部分的第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及
d)通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
32.如权利要求31所述的方法,其中,所述第一细胞特征和所述第二特征为颜色特征。
33.如权利要求32所述的方法,其中,所述第一细胞特征为所述细胞的细胞质的颜色特征,且所述第二特征为所述细胞的细胞核的颜色特征。
34.如权利要求31所述的方法,其中,所述第一细胞特征和所述第二特征为轮廓特征。
35.如权利要求34所述的方法,其中,所述第一轮廓特征和所述第二轮廓特征选自由周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度及其组合组成的群组。
36.如权利要求31所述的方法,其中,所述第一细胞特征和所述第二特征为亮度特征。
37.如权利要求36所述的方法,其中,所述亮度特征包括颜色无关平均强度或颜色无关中值强度。
38.如权利要求36至37中任一项所述的方法,其中,所述亮度特征包括所述细胞的、与所述细胞同心的第一苍白环和第二苍白环。
39.如权利要求36至38中任一项所述的方法,其中,所述亮度特征包括所述细胞的、与所述细胞同心的三个或更多个苍白环。
40.如权利要求38至39中任一项所述的方法,其中,所述苍白环具有相对直径,所述相对直径选自由所述细胞的直径的90%、所述细胞的直径的80%、所述细胞的直径的70%、所述细胞的直径的60%、所述细胞的直径的50%、所述细胞的直径的40%、所述细胞的直径的30%、所述细胞的直径的20%和所述细胞的直径的10%组成的群组。
41.如权利要求36至40中任一项所述的方法,其中,所述亮度特征包括所述细胞的中心苍白区。
42.如权利要求31所述的方法,其中,所述第一细胞特征和所述第二特征为不变矩特征。
43.如权利要求31所述的方法,其中,所述第一细胞特征和所述第二特征为图像纹理特征。
44.如权利要求31至43中任一项所述的方法,其中,所述方法还包括:基于所述染色无关特征将所述细胞分类。
45.如权利要求44所述的方法,其中,所述分类包括识别细胞类型。
46.如权利要求44所述的方法,其中,所述分类包括将所述细胞识别为正常的或异常的。
47.如权利要求31至46中任一项所述的方法,其中,所述方法还包括:针对所述图像的多个细胞提取所述染色无关特征。
48.如权利要求31至47中任一项所述的方法,其中,所述组织学染色样本为血液染色样本。
49.一种与染色无关地评估组织学染色样本中的细胞形态的方法,所述方法包括:
a)根据权利要求31至48中的任一项提取一个或多个染色无关细胞特征;以及
b)将所述一个或多个提取的染色无关特征与针对所述染色无关特征的相应基准值相比较以评估所述细胞的所述形态。
50.一种提取染色无关细胞特征的方法,所述方法包括:
a)生成组织学染色样本的数字图像的细胞掩模;
b)提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;
c)提取由所述细胞掩模限定的细胞群的第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及
d)通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
51.如权利要求50所述的方法,其中,所述第二特征包括由所述细胞掩模限定的所述细胞群的颜色特征。
52.如权利要求50所述的方法,其中,在HSV色彩空间中计算所述颜色特征。
53.如权利要求50所述的方法,其中,在CIE色彩空间中计算所述颜色特征。
54.如权利要求50所述的方法,其中,在Lab色彩空间中计算所述颜色特征。
55.如权利要求50所述的方法,其中,在CIELUV色彩空间中计算所述颜色特征。
56.如权利要求50所述的方法,其中,在YCbCr色彩空间中计算所述颜色特征。
57.如权利要求50所述的方法,其中,在RGB色彩空间中计算所述颜色特征。
58.如权利要求50至57中任一项所述的方法,其中,所述颜色特征包括用于所述群中的细胞的色彩空间的一个通道中的平均强度。
59.如权利要求58所述的方法,其中,所述颜色特征包括用于所述群中的细胞的红色通道中的平均强度。
60.如权利要求58所述的方法,其中,所述颜色特征包括用于所述群中的细胞的绿色通道中的平均强度。
61.如权利要求58所述的方法,其中,所述颜色特征包括用于所述群中的细胞的蓝色通道中的平均强度。
62.如权利要求50至61中任一项所述的方法,其中,所述组织学染色样本为血液染色样本。
63.如权利要求50至62中任一项所述的方法,其中,所述细胞为红血细胞(RBC)且由所述细胞掩模限定的所述细胞群为RBC。
64.一种与染色无关地评估组织学染色样本中的细胞形态的方法,所述方法包括:
a)根据权利要求50至63中任一项提取一个或多个染色无关细胞特征;以及
b)将所述一个或多个提取的染色无关特征与用于所述染色无关特征的相应基准值相比较以评估所述细胞的所述形态。
65.一种用于对组织学染色样本中的细胞进行分类的***,所述***包括:
a)显微镜;
b)数码相机,所述数码相机附接到所述显微镜且配置成获得所述样本的数字图像;
c)图像处理电路,所述图像处理电路配置成:
i)从所述数字图像生成细胞掩模;
ii)提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;
iii)在所述组织学样本的感兴趣区域(ROI)上提取第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;
iv)通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征;以及
v)将所述染色无关特征与来源于所述样本的多个细胞的统计值或与基准值相比较以对所述细胞进行分类。
66.如权利要求65所述的***,其中,所述***包括存储器,且所述存储器包括所述基准值。
67.如权利要求65至66中任一项所述的***,其中,所述***还包括信号***,所述信号***配置成上报所述细胞的所述分类。
68.如权利要求65至67中任一项所述的***,其中,所述第一细胞特征、所述第二特征或二者包括颜色特征。
69.如权利要求65至68中任一项所述的***,其中,所述第一细胞特征、所述第二特征或二者包括亮度特征。
70.如权利要求65至69中任一项所述的***,其中,所述第一细胞特征、所述第二特征或二者包括轮廓特征。
71.如权利要求65至70中任一项所述的***,其中,所述第一细胞特征、所述第二特征或二者包括不变矩特征。
72.如权利要求65至71中任一项所述的***,其中,所述第一细胞特征、所述第二特征或二者包括图像纹理特征。
73.如权利要求65至72中任一项所述的***,其中,所述图像处理电路还配置成描绘所述第一细胞特征,其中,所述第一细胞特征为所述细胞。
74.如权利要求65至73中任一项所述的***,其中,所述图像处理电路还配置成描绘所述ROI,其中,所述ROI为所述细胞的细胞核。
75.如权利要求65至73中任一项所述的***,其中,所述图像处理电路还配置成描绘所述ROI,其中,所述ROI为所述细胞的细胞质。
76.如权利要求65至72中任一项所述的***,其中,所述图像处理电路还配置成描绘所述第一细胞特征,其中,所述第一细胞特征为所述细胞的、与所述细胞同心的环形部分。
77.如权利要求65至76中任一项所述的***,其中,所述图像处理电路还配置成描绘所述ROI,其中,所述ROI为所述细胞的、与所述细胞同心的环形部分。
78.如权利要求65至77中任一项所述的***,其中,所述图像处理电路还配置成描绘所述ROI,其中,所述ROI为由所述细胞掩模限定的细胞群。
79.如权利要求65至78中任一项所述的***,其中,所述分类包括识别细胞类型。
80.如权利要求65至79中任一项所述的***,其中,所述分类包括将所述细胞识别为正常的或异常的。
81.如权利要求65至80中任一项所述的***,其中,所述图像处理电路还配置成针对所述图像的多个细胞提取所述染色无关特征以及基于针对所述多个细胞的所述染色无关特征将所述图像分割。
82.如权利要求65至81中任一项所述的***,其中,所述图像处理电路还配置成针对所述数字图像的单独颜色通道计算平均强度。
83.如权利要求65至82中任一项所述的***,其中,所述图像处理电路还配置成计算所述数字图像的颜色无关平均强度或颜色无关中值强度。
84.如权利要求65至83中任一项所述的***,其中,所述图像处理电路还配置成计算轮廓特征,所述轮廓特征选自由周界、凸包周界、最大凸性深度、平均凸性深度、面积、凸包面积、圆形度、凸度及其组合组成的群组。
85.一种存储指令的非暂时性计算机可读介质,所述指令在被计算设备执行时使得所述计算设备执行如下步骤:
a)从组织学染色样本的数字图像生成细胞掩模;
b)提取由所述细胞掩模限定的细胞或其一部分的第一细胞特征;
c)在所述组织学样本的感兴趣区域(ROI)上提取第二特征,其中,所述第一特征和所述第二特征不受染色变化的影响或成比例地受染色变化的影响;以及
d)通过计算所述第一细胞特征与所述第二特征的比来确定所述细胞的染色无关特征。
86.如权利要求85所述的非暂时性计算机可读介质,其中,所述非暂时性计算机可读介质还包括指令,所述指令在被计算设备执行时使得所述计算设备执行如下步骤:将所述染色无关特征与所述样本的多个细胞或与多个基准值相比较以对所述细胞进行分类。
87.如权利要求86所述的非暂时性计算机可读介质,其中,所述非暂时性计算机可读介质还包括所述多个基准值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562269205P | 2015-12-18 | 2015-12-18 | |
US62/269,205 | 2015-12-18 | ||
PCT/US2016/066677 WO2017106359A1 (en) | 2015-12-18 | 2016-12-14 | Methods and systems for assessing cell morphology |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108885681A true CN108885681A (zh) | 2018-11-23 |
Family
ID=59057505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680079714.3A Pending CN108885681A (zh) | 2015-12-18 | 2016-12-14 | 用于评估细胞形态的方法和*** |
Country Status (4)
Country | Link |
---|---|
US (2) | US10445876B2 (zh) |
EP (1) | EP3391283A4 (zh) |
CN (1) | CN108885681A (zh) |
WO (1) | WO2017106359A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109554432A (zh) * | 2018-11-30 | 2019-04-02 | 苏州深析智能科技有限公司 | 一种细胞类型分析方法、分析装置及电子设备 |
CN110634134A (zh) * | 2019-09-04 | 2019-12-31 | 杭州憶盛医疗科技有限公司 | 一种细胞形态学人工智能自动诊断新方法 |
CN110647945A (zh) * | 2019-09-27 | 2020-01-03 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、***和实现装置 |
CN111534563A (zh) * | 2020-04-17 | 2020-08-14 | 中山大学附属第一医院 | 一种细胞免疫疗法评价方法及*** |
CN113574361A (zh) * | 2019-03-27 | 2021-10-29 | 贝克顿·迪金森公司 | 基于频率编码图像对细胞进行分选的***及其使用方法 |
CN115294570A (zh) * | 2022-08-11 | 2022-11-04 | 武汉希诺智能医学有限公司 | 一种基于深度学习的细胞图像识别方法 |
CN117253227A (zh) * | 2023-10-23 | 2023-12-19 | 深圳市茵冠生物科技有限公司 | 一种人工智能协同自动化设备的监控方法与*** |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10510143B1 (en) * | 2015-09-21 | 2019-12-17 | Ares Trading S.A. | Systems and methods for generating a mask for automated assessment of embryo quality |
US11022620B2 (en) * | 2016-11-14 | 2021-06-01 | Siemens Healthcare Diagnostics Inc. | Methods, apparatus, and quality check modules for detecting hemolysis, icterus, lipemia, or normality of a specimen |
EP3552148A4 (en) | 2016-12-06 | 2020-07-08 | Abbott Laboratories | AUTOMATED SLIDE ASSESSMENT AND TRACKING IN DIGITAL MICROSCOPY |
US11321585B2 (en) * | 2017-04-14 | 2022-05-03 | Hitachi High-Tech Corporation | Imaging device and morphological feature data display method |
US10423820B2 (en) * | 2017-09-13 | 2019-09-24 | General Electric Company | Systems and methods for automatic generation of training sets for machine interpretation of images |
CA3077590A1 (en) * | 2017-10-05 | 2019-04-11 | Becton, Dickinson And Company | Application development environment for biological sample assessment processing |
US11562505B2 (en) | 2018-03-25 | 2023-01-24 | Cognex Corporation | System and method for representing and displaying color accuracy in pattern matching by a vision system |
US11187644B2 (en) * | 2018-04-09 | 2021-11-30 | Sigtuple Technologies Private Limited | Method and system for determining total count of red blood cells in peripheral blood smear |
CA3105452A1 (en) * | 2018-07-02 | 2020-01-09 | Ortho-Clinical Diagnostics, Inc. | Method and apparatus for selecting slide media image read location |
CN108765420B (zh) * | 2018-07-04 | 2021-06-08 | 安图实验仪器(郑州)有限公司 | 荧光显微镜图像结果判别方法 |
US11494898B2 (en) | 2019-10-31 | 2022-11-08 | Optum Services (Ireland) Limited | Predictive data analysis using image representations of categorical and scalar feature data |
US11295136B2 (en) | 2019-10-31 | 2022-04-05 | Optum Services (Ireland) Limited | Predictive data analysis using image representations of categorical and scalar feature data |
US11373751B2 (en) * | 2019-10-31 | 2022-06-28 | Optum Services (Ireland) Limited | Predictive data analysis using image representations of categorical and scalar feature data |
US11264126B2 (en) * | 2019-10-31 | 2022-03-01 | Optum Services (Ireland) Limited | Predictive data analysis using image representations of categorical and scalar feature data |
CN111079579B (zh) * | 2019-12-02 | 2023-07-25 | 英华达(上海)科技有限公司 | 细胞图像的识别方法、装置以及*** |
CN111476266B (zh) * | 2020-02-27 | 2022-04-12 | 武汉大学 | 一种基于迁移学***衡类别白细胞分类方法 |
GB202006256D0 (en) * | 2020-04-28 | 2020-06-10 | Leeds Teaching Hospitals Nhs Trust | Stain assessment |
US11694424B2 (en) | 2021-04-22 | 2023-07-04 | Optum Services (Ireland) Limited | Predictive data analysis using image representations of categorical data to determine temporal patterns |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4812412A (en) * | 1987-02-26 | 1989-03-14 | Health Research Inc. | Standard specimen and method of making and using same |
CN101414358A (zh) * | 2008-11-18 | 2009-04-22 | 广东威创视讯科技股份有限公司 | 一种基于定向搜索的染色体轮廓检测和提取方法 |
US20100254589A1 (en) * | 2007-12-04 | 2010-10-07 | University College Dublin National University Of Ireland | Method and system for image analysis |
CN102044069A (zh) * | 2010-12-01 | 2011-05-04 | 华中科技大学 | 一种白细胞图像分割方法 |
US20120263369A1 (en) * | 2011-04-14 | 2012-10-18 | Abbott Point Of Care, Inc. | Method and apparatus for compressing imaging data of whole blood sample analyses |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
US20130094750A1 (en) * | 2011-10-12 | 2013-04-18 | Tolga Tasdizen | Methods and systems for segmentation of cells for an automated differential counting system |
CN103150722A (zh) * | 2013-01-17 | 2013-06-12 | 东南大学 | 应用四元数分割与图论优化的外周血白细胞边缘提取方法 |
CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与*** |
CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
CN104751461A (zh) * | 2015-03-29 | 2015-07-01 | 嘉善加斯戴克医疗器械有限公司 | 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4097845A (en) * | 1976-11-01 | 1978-06-27 | Rush-Presbyterian-St. Luke's Medical Center | Method of and an apparatus for automatic classification of red blood cells |
DE2903625A1 (de) * | 1978-02-03 | 1979-08-09 | Rush Presbyterian St Luke | Vorrichtung zur automatischen blutanalyse |
CA2200457C (en) * | 1994-09-20 | 2001-08-14 | Shih-Jong J. Lee | Biological analysis system self-calibration apparatus |
WO2002077903A2 (en) * | 2001-03-26 | 2002-10-03 | Cellomics, Inc. | Methods for determining the organization of a cellular component of interest |
US7850065B2 (en) * | 2003-03-11 | 2010-12-14 | Gabor Lederer | Universal collection and support column for diverse electronic candle arrays |
EP1865315B1 (en) * | 2005-03-29 | 2019-03-13 | Olympus Corporation | Cell image analyzing method, cell image analyzing device |
US8077958B2 (en) * | 2006-06-30 | 2011-12-13 | University Of South Florida | Computer-aided pathological diagnosis system |
JP6227556B2 (ja) | 2011-12-28 | 2017-11-08 | アボット・ラボラトリーズAbbott Laboratories | 塗抹標本自動作製装置 |
WO2013101776A2 (en) | 2011-12-28 | 2013-07-04 | Abbott Laboratories | Accelerated wright-giemsa and may-grünwald staining methods |
JP5959988B2 (ja) * | 2012-08-16 | 2016-08-02 | シスメックス株式会社 | 癌化情報取得装置、細胞分析装置、および細胞採取適否判定装置、ならびに、癌化情報取得方法および細胞採取適否判定方法。 |
JP6260871B2 (ja) * | 2014-06-27 | 2018-01-17 | パナソニックIpマネジメント株式会社 | プレパラート部品セット、プレパラート、プレパラートの作製方法、画像撮影装置、および画像撮影方法 |
-
2016
- 2016-12-14 EP EP16876601.2A patent/EP3391283A4/en not_active Withdrawn
- 2016-12-14 WO PCT/US2016/066677 patent/WO2017106359A1/en active Application Filing
- 2016-12-14 CN CN201680079714.3A patent/CN108885681A/zh active Pending
- 2016-12-14 US US15/379,250 patent/US10445876B2/en active Active
-
2019
- 2019-09-06 US US16/562,828 patent/US11151716B2/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4812412A (en) * | 1987-02-26 | 1989-03-14 | Health Research Inc. | Standard specimen and method of making and using same |
US20100254589A1 (en) * | 2007-12-04 | 2010-10-07 | University College Dublin National University Of Ireland | Method and system for image analysis |
CN101414358A (zh) * | 2008-11-18 | 2009-04-22 | 广东威创视讯科技股份有限公司 | 一种基于定向搜索的染色体轮廓检测和提取方法 |
CN102044069A (zh) * | 2010-12-01 | 2011-05-04 | 华中科技大学 | 一种白细胞图像分割方法 |
US20120263369A1 (en) * | 2011-04-14 | 2012-10-18 | Abbott Point Of Care, Inc. | Method and apparatus for compressing imaging data of whole blood sample analyses |
CN103608840A (zh) * | 2011-04-14 | 2014-02-26 | 艾博特健康公司 | 压缩全血样品分析的成像数据的方法及装置 |
US20130094750A1 (en) * | 2011-10-12 | 2013-04-18 | Tolga Tasdizen | Methods and systems for segmentation of cells for an automated differential counting system |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
CN103150722A (zh) * | 2013-01-17 | 2013-06-12 | 东南大学 | 应用四元数分割与图论优化的外周血白细胞边缘提取方法 |
CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与*** |
CN103745210A (zh) * | 2014-01-28 | 2014-04-23 | 爱威科技股份有限公司 | 一种白细胞分类方法及装置 |
CN104751461A (zh) * | 2015-03-29 | 2015-07-01 | 嘉善加斯戴克医疗器械有限公司 | 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法 |
Non-Patent Citations (2)
Title |
---|
VINCENZO PIURI 等: "Morphological classification of blood leucocytes by microscope images", 《2004 IEEE INTERNATIONAL CONFERENCE ONCOMPUTATIONAL INTELLIGENCE FOR MEASUREMENT SYSTEMS AND APPLICATIONS, 2004. CIMSA.》 * |
庄德文等: "血液细胞形态识别研究", 《浙江工业大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109554432A (zh) * | 2018-11-30 | 2019-04-02 | 苏州深析智能科技有限公司 | 一种细胞类型分析方法、分析装置及电子设备 |
CN113574361A (zh) * | 2019-03-27 | 2021-10-29 | 贝克顿·迪金森公司 | 基于频率编码图像对细胞进行分选的***及其使用方法 |
CN110634134A (zh) * | 2019-09-04 | 2019-12-31 | 杭州憶盛医疗科技有限公司 | 一种细胞形态学人工智能自动诊断新方法 |
CN110647945A (zh) * | 2019-09-27 | 2020-01-03 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、***和实现装置 |
CN110647945B (zh) * | 2019-09-27 | 2022-11-22 | 杭州智团信息技术有限公司 | 液基宫颈细胞涂片分类方法、***和实现装置 |
CN111534563A (zh) * | 2020-04-17 | 2020-08-14 | 中山大学附属第一医院 | 一种细胞免疫疗法评价方法及*** |
CN111534563B (zh) * | 2020-04-17 | 2021-08-31 | 中山大学附属第一医院 | 一种细胞免疫疗法评价方法及*** |
CN115294570A (zh) * | 2022-08-11 | 2022-11-04 | 武汉希诺智能医学有限公司 | 一种基于深度学习的细胞图像识别方法 |
CN115294570B (zh) * | 2022-08-11 | 2024-05-28 | 武汉希诺智能医学有限公司 | 一种基于深度学习的细胞图像识别方法 |
CN117253227A (zh) * | 2023-10-23 | 2023-12-19 | 深圳市茵冠生物科技有限公司 | 一种人工智能协同自动化设备的监控方法与*** |
CN117253227B (zh) * | 2023-10-23 | 2024-06-18 | 深圳市茵冠生物科技有限公司 | 一种人工智能协同自动化设备的监控方法与*** |
Also Published As
Publication number | Publication date |
---|---|
US20170178321A1 (en) | 2017-06-22 |
EP3391283A4 (en) | 2019-07-10 |
US10445876B2 (en) | 2019-10-15 |
US11151716B2 (en) | 2021-10-19 |
US20200098105A1 (en) | 2020-03-26 |
EP3391283A1 (en) | 2018-10-24 |
WO2017106359A1 (en) | 2017-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108885681A (zh) | 用于评估细胞形态的方法和*** | |
US11158049B2 (en) | Methods and systems for assessing histological stains | |
CN111448569B (zh) | 存储和检索数字病理学分析结果的方法 | |
US20200388033A1 (en) | System and method for automatic labeling of pathology images | |
JP6192747B2 (ja) | デジタル・ホール・スライドの自動採点のための組織物体に基づく機械学習システム | |
US7899624B2 (en) | Virtual flow cytometry on immunostained tissue-tissue cytometer | |
US10083340B2 (en) | Automated cell segmentation quality control | |
US20110091091A1 (en) | Process and system for analyzing the expression of biomarkers in cells | |
EP2921990B1 (en) | Method and apparatus for unsupervised segmentation of microscopic color image of unstained specimen and digital staining of segmented histological structures | |
Hoque et al. | Retinex model based stain normalization technique for whole slide image analysis | |
US20220390735A1 (en) | Method and device for capturing microscopy objects in image data | |
Chen et al. | Group sparsity model for stain unmixing in brightfield multiplex immunohistochemistry images | |
EP3563342B1 (en) | Automated system and method for creating and executing a scoring guide to assist in the analysis of tissue specimen | |
Galton et al. | Ontological levels in histological imaging | |
Fakhouri et al. | A hybrid methodology for automation the diagnosis of leukemia based on quantitative and morphological feature analysis | |
Reta et al. | Leukocytes segmentation using Markov random fields | |
US20100177942A1 (en) | Method and apparatus for analyzing imagery data | |
Bautista et al. | Multispectral image enhancement for H&E stained pathological tissue specimens | |
Sabata | Digital pathology imaging-The next frontier in medical imaging | |
Blahova et al. | Blood Smear Leukocyte Identification Using an Image Segmentation Approach | |
Herold et al. | A way toward analyzing high-content bioimage data by means of semantic annotation and visual data mining | |
WO2006036101A1 (en) | Method and device for measurement and quantification of objects | |
CAILLOT et al. | Whole Slide Image Quality in Digital Pathology: Review and Perspectives | |
RENOUF | Whole slide image quality in digital pathology: review and perspectives | |
Sivasangari | AUTOMATED SYSTEM FOR COUNTING BLOOD CELLS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |