CN111598880A - 荧光原位杂交样本病理检测*** - Google Patents
荧光原位杂交样本病理检测*** Download PDFInfo
- Publication number
- CN111598880A CN111598880A CN202010422279.8A CN202010422279A CN111598880A CN 111598880 A CN111598880 A CN 111598880A CN 202010422279 A CN202010422279 A CN 202010422279A CN 111598880 A CN111598880 A CN 111598880A
- Authority
- CN
- China
- Prior art keywords
- image
- instruction
- image acquisition
- image processing
- fluorescence
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 111
- 238000007901 in situ hybridization Methods 0.000 title claims abstract description 57
- 230000001575 pathological effect Effects 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 119
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 claims abstract description 60
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 claims abstract description 59
- 210000004881 tumor cell Anatomy 0.000 claims abstract description 41
- 230000007170 pathology Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000002509 fluorescent in situ hybridization Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 51
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 206010006187 Breast cancer Diseases 0.000 abstract description 9
- 208000026310 Breast neoplasm Diseases 0.000 abstract description 9
- 230000001960 triggered effect Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 34
- 238000010586 diagram Methods 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000002073 fluorescence micrograph Methods 0.000 description 7
- 210000000349 chromosome Anatomy 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 101150054472 HER2 gene Proteins 0.000 description 2
- 238000011460 HER2-targeted therapy Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 108700020302 erbB-2 Genes Proteins 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100314454 Caenorhabditis elegans tra-1 gene Proteins 0.000 description 1
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 description 1
- 102000001301 EGF receptor Human genes 0.000 description 1
- 108060006698 EGF receptor Proteins 0.000 description 1
- 101150029707 ERBB2 gene Proteins 0.000 description 1
- 101710100968 Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000033077 cellular process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000002546 full scan Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 208000030776 invasive breast carcinoma Diseases 0.000 description 1
- 230000031864 metaphase Effects 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biotechnology (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种荧光原位杂交样本病理检测***，包括：图像采集装置，配置为对荧光原位杂交样本进行显微采集，以获取病理图像；图像处理装置，配置为对病理图像进行图像处理；触发控制装置，分别与图像采集装置和图像处理装置连接，配置为输出控制指令至图像采集装置和图像处理装置；控制指令包括图像采集指令或图像处理指令，其中，当触发控制装置输出图像采集指令至所述图像采集装置，图像采集装置根据图像采集指令，采集相应病理图像；当触发控制装置输出图像处理指令至图像处理装置时，图像处理装置根据处理指令，处理病理图像，以获取病理检测结果。本发明可快速完成乳腺癌肿瘤细胞FISH切片的图像采集和HER2检测。
Description
技术领域
本发明属于医学图像处理技术领域，涉及一种病理检测***，特别是涉及一种荧光原位杂交样本病理检测***。
背景技术
乳腺癌是女性恶性肿瘤中发病率最高的一种，正以每年3％～4％的速度急剧上升，已成为女性的第一杀手。临床上大约20-35％的浸润性乳腺癌存在HER2基因的扩增及蛋白的高表达。HER2基因(又名HER2/neu，c-erbB-2)位于染色体第17号q12区(17q12)，是表皮生长因子受体(HER)家族成员之一，HER家族在细胞生理过程中发挥重要的调节作用。HER2是重要的乳腺癌预后判断因子，HER2阳性(过表达或扩增)的乳腺癌，其临床特点和生物学行为有特殊表现，治疗模式也与其他类型的乳腺癌有很大的区别。
随着显微镜及病理诊断技术的发展，荧光原位杂交(Fluorenscence in situhybridization，FISH)诊断是当前诊断HER2扩增的一种有效方法，其通过荧光显微镜对染色的细胞样本的信号进行计数，然后根据信号的计数和比例做检测。
在图像的采集上，医生使用荧光的多通道全片扫描计数，或者手动选择视野进行图像的采集。在HER2的判断上选择一定范围的区域进行红色的信号跟绿色的信号计数。
但是，现有的HER2分析***，在图像采集和分析上存在下列问题：
首先，在图像采集上分为荧光全片扫描和手动采集。荧光全片扫描由于不区分视野，扫描全片多通道荧光图像需要花费很长的时间。一般一个病人要一到两个小时，效率低。在手动采集时，虽然可以选择视野，但是医生需要在目镜观察视野和计算机采集多通道荧光图像上来回切换，非常不方便。另外，在计算机分析上目前的软件只能根据选择的范围区域统计出来红色的信号跟绿色的信号，但判别不了肿瘤细胞。且现有的诊断***仅能识别出红色的信号和绿色的信号，无法做到自动根据检测到的信号得出阴性或阳性的HER2检测的结果，仍依赖医生的经验进行诊断。
荧光原位杂交样本病理检测应用于乳腺癌或胃癌的HER2扩增的检测、中期***相染色体核型分析、CTC循环肿瘤细胞分析等病理检测分析应用，均存在类似问题。因此，如何提供一种荧光原位杂交样本病理检测***，以解决现有技术手动采集需医生在目镜观察视野和计算机采集多通道荧光图像上来回切换，使用不方便；且计算机分析软件只能根据选择的范围区域统计出来红色的信号跟绿色的信号，判别不了肿瘤细胞等缺陷，实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种荧光原位杂交样本病理检测***，用于解决现有技术手动采集需医生在目镜观察视野和计算机采集多通道荧光图像上来回切换，使用不方便；且计算机分析软件只能根据选择的范围区域统计出来红色的信号跟绿色的信号，判别不了肿瘤细胞的问题。
为实现上述目的及其他相关目的，本发明提供一种荧光原位杂交样本病理检测***，包括：图像采集装置，配置为对荧光原位杂交样本进行显微拍摄得到病理图像；图像处理装置，配置为对所述病理图像进行图像处理；触发控制装置，分别与所述图像采集装置和所述图像处理装置连接，配置为输出控制指令至所述图像采集装置和所述图像处理装置；所述控制指令包括图像采集指令或图像处理指令；其中，当所述触发控制装置输出图像采集指令至所述图像采集装置，所述图像采集装置根据所述图像采集指令，采集相应病理图像；当所述触发控制装置输出图像处理指令至所述图像处理装置时，所述图像处理装置根据所述处理指令，处理所述病理图像，以获取病理检测结果。
于本发明的一实施例中，所述触发控制装置上设置至少两个控制按键，所述控制按键用于感测用户的触发动作来触发所述图像采集指令或所述图像处理指令的输出。
于本发明的一实施例中，所述病理图像包括红色通道图像、蓝色通道图像或绿色通道图像；每一通道图像是在经过单色滤光片的滤光下拍摄荧光原位杂交样本得到。
于本发明的一实施例中，所述图像采集指令包括单色通道图像采集指令、三色通道图像采集指令、区域扫描指令中的至少一种；其中，所述单色通道图像采集指令包括蓝色通道图像采集指令、绿色通道图像采集指令及红色通道图像采集指令，分别配置为指示所述图像采集装置采集蓝色通道图像、绿色通道图像及红色通道图像；所述三色通道图像采集指令配置为指示所述图像采集装置依次采集三色通道图像；所述区域扫描指令包括扫描区域第一端点确定指令、扫描区域第二端点确定指令及扫描指令，所述扫描区域第一端点确定指令和扫描区域第二端点确定指令分别配置为指示所述图像采集装置确定扫描区域的第一端点和第二端点，所述第一端点和第二端点用于确定对样本执行扫描的矩形区域；所述扫描指令，配置为指示图像采集装置根据第一端点和第二端点确定的矩形区域，进行区域扫描。
于本发明的一实施例中，所述控制按键包括单色通道图像采集按键和图像处理按键；通过连续触发所述单色通道图像采集按键，依次输出所述蓝色通道图像采集指令、绿色通道图像采集指令及红色通道图像采集指令；通过触发所述图像处理按键，输出所述图像处理指令。
于本发明的一实施例中，所述控制按键包括三色通道图像采集按键和图像处理按键；通过触发三色通道图像采集按键，输出所述三色通道图像采集指令；通过触发所述图像处理按键，输出所述图像处理指令。
于本发明的一实施例中，所述控制按键包括区域端点按键、扫描按键及图像处理键；通过触发所述区域端点按键，依次输出所述扫描区域第一端点确定指令和扫描区域第二端点确定指令；通过触发所述扫描按键，输出所述扫描指令；通过触发图像处理键，输出所述图像处理指令。
于本发明的一实施例中，当所述图像处理装置接收到所述图像处理指令时，将根据所述蓝色通道图像、绿色通道图像和红色通道图像合成为荧光原位杂交图像。
于本发明的一实施例中，当所述图像处理装置接收到所述图像处理指令时，所述图像处理装置还：利用肿瘤细胞分割模型对所述荧光原位杂交图像进行分割得到肿瘤细胞区域；利用HER2信号检测模型对所述肿瘤细胞区域进行目标检测得到HER2信号数量；利用CEP17信号检测模型对所述肿瘤细胞区域进行目标检测得到CEP17信号数量；根据所述CEP17信号数量和所述HER2信号数量，获取病理检测结果。
于本发明的一实施例中，所述肿瘤细胞分割模型根据深度学习图像分割模型训练得到，训练方法包括以下步骤：获得肿瘤细胞分割训练数据，所述肿瘤细胞分割训练数据包括标注有肿瘤细胞区域信息的荧光原位杂交图像；将所述肿瘤细胞分割训练数据输入所述深度学习图像分割模型进行训练，得到肿瘤细胞分割模型。
于本发明的一实施例中，所述HER2信号检测模型根据深度学习目标检测模型训练得到，训练方法包括以下步骤：获得HER2信号检测训练数据，所述HER2信号检测训练数据包括标注有HER2信号位置信息的荧光原位杂交图像；将所述HER2信号检测训练数据输入所述深度学习目标检测模型进行训练，得到HER2信号检测模型。
于本发明的一实施例中，所述CEP17信号检测模型根据深度学习目标检测模型训练得到，训练方法包括以下步骤：获得CEP17信号检测训练数据，所述CEP17信号检测训练数据包括标注有CEP17信号位置信息的荧光原位杂交图像；将所述CEP17信号检测训练数据输入所述深度学习目标检测模型进行训练，得到CEP17信号检测模型
如上所述，本发明所述的荧光原位杂交样本病理检测***，具有以下有益效果：
本发明所述荧光原位杂交样本病理检测***无需医生在目镜观察视野和计算机采集多通道荧光图像上来回切换，即可快速完成乳腺癌肿瘤细胞FISH切片的图像采集和HER2检测。
附图说明
图1显示为本发明的荧光原位杂交样本病理检测***于一实施例中的原理结构示意图。
图2A显示为本发明的触摸控制装置上控制按键的一种实施方式示意图。
图2B显示为本发明的触摸控制装置上控制按键的另一种实施方式示意图。
图2C显示为本发明的触摸控制装置上控制按键的又一种实施方式示意图。
图3A显示为本发明的样本示例图。
图3B显示为本发明的确定扫描区域后的样本示例图。
元件标号说明
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一
本实施例提供一种荧光原位杂交样本病理检测***，包括：
图像采集装置，配置为对荧光原位杂交样本进行显微拍摄得到病理图像；
图像处理装置，配置为对所述病理图像进行图像处理；
触发控制装置，分别与所述图像采集装置和所述图像处理装置连接，配置为输出控制指令至所述图像采集装置和所述图像处理装置；所述控制指令包括图像采集指令或图像处理指令；
其中，当所述触发控制装置输出图像采集指令至所述图像采集装置，所述图像采集装置根据所述图像采集指令，采集相应病理图像；当所述触发控制装置输出图像处理指令至所述图像处理装置时，所述图像处理装置根据所述处理指令，处理所述病理图像，以获取病理检测结果。
以下将结合图示对本实施例所提供的荧光原位杂交样本病理检测***进行详细描述。请参阅图1，显示为荧光原位杂交样本病理检测***于一实施例中的原理结构示意图。如图1所示，所述荧光原位杂交样本病理检测***1包括图像采集装置11、图像处理装置12及与所述图像采集装置11和所述图像处理装置12连接的触发控制装置13。
所述图像采集装置11配置为对荧光原位杂交样本进行显微拍摄得到病理图像。于实际应用中，所述图像采集装置11包括手动显微镜和/或自动显微镜等。
在本实施例中，所述病理图像包括红色通道图像、蓝色通道图像或绿色通道图像，所述红/蓝/绿色通道图像是在经过单色滤光片的滤光下拍摄荧光原位杂交样本得到。
所述图像处理装置12配置为对所述病理图像进行图像处理。
分别与所述图像采集装置11和所述图像处理装置12连接的所述触发控制装置13配置为通过不同控制按键感测触发动作，以输出控制指令至所述图像采集装置11和所述图像处理装置12。所述控制指令包括图像采集指令或图像处理指令。于本实施例中，通过所述触发控制装置13提高了获取FISH图像的效率。
在本实施例中，当所述触发控制装置13输出图像采集指令11至所述图像采集装置，所述图像采集装置11根据所述图像采集指令，采集相应病理图像。当所述触发控制装置13输出图像处理指令至所述图像处理装置12时，所述图像处理装置12根据所述图像处理指令，处理所述病理图像，以获取病理检测结果。
所述触发控制装置13上设置两个控制按键，所述控制按键用于感测用户的触发动作来触发所述图像采集指令或所述图像处理指令的输出。
在本实施例中，所述图像采集指令为单色通道图像采集指令。
所述单色通道图像采集指令包括蓝色通道图像采集指令、绿色通道图像采集指令及红色通道图像采集指令。所述蓝色通道图像采集指令配置为指示所述图像采集装置采集蓝色通道图像，所述绿色通道图像采集指令配置为指示所述图像采集装置采集绿色通道图像及所述红色通道图像采集指令配置为指示所述图像采集装置采集红色通道图像。
请参阅图2A，显示为触发控制装置上控制按键的一种实施方式示意图。如图2A所示，所述控制按键2包括单色通道图像采集按键21及图像处理按键22。
在本实施例中，通过触发所述单色通道图像采集按键21三次，依次输出所述蓝色通道图像采集指令、绿色通道图像采集指令及红色通道图像采集指令至所述图像采集装置11，所述图像采集装置11分别采集蓝色通道图像、绿色通道图像及红色通道图像。
在另一实施例中，单色通道图像采集按键21可以分别设置为红色通道图像采集按键、绿色通道图像采集按键和蓝色通道图像采集按键三个按键。
通过触发所述单色通道图像处理按键22，输出所述图像处理指令至所述图像处理装置12，所述图像处理装置12将蓝色通道图像、绿色通道图像及红色通道图像合成为荧光原位杂交图像，并且利用肿瘤细胞分割模型对所述荧光原位杂交图像进行分割得到肿瘤细胞区域；利用HER2信号检测模型对所述肿瘤细胞区域进行目标检测得到HER2信号数量；利用CEP17信号检测模型对所述肿瘤细胞区域进行目标检测得到CEP17信号数量；根据所述CEP17信号数量和所述HER2信号数量，获取病理检测结果。所述病理检测结果包括HER2信号数量和CEP信号数量的比值，及根据所述比值及平均HER2拷贝数/细胞，判断出的呈阴性或阳性的检测结果。
在一个实施例中，检测结果的判断标准包括以下5种情况：
第1种，HER2/CEP17比值≥2.0，且平均HER2拷贝数/细胞≥4.0：此种情况判为FISH阳性。若众多HER2信号连接成簇时，可直接判定为FISH阳性。
第2种，HER2/CEP17比值≥2.0，平均HER2拷贝数/细胞<4.0：建议对此种情况增加计数细胞，如果结果维持不变，则判定为FISH阴性。建议在报告中备注：在现有的临床试验数据中，缺乏充分依据显示此部分患者能从抗HER2靶向治疗中获益，对此组特殊人群尚需积累更多循证医学依据。
第3种，HER2/CEP17比值<2.0，平均HER2拷贝数/细胞≥6.0：建议对此种情况增加计数细胞，如果结果维持不变，则判定为FISH阳性。研究显示，若采用第17号染色体上的其他探针替代CEP17，此组病例中相当一部分的检测结果转变为HER2/第17号染色体替代探针的比值>2.0，平均HER2拷贝数/细胞≥6.0。此组特殊人群宜有更多循证医学依据的积累。
第4种，HER2/CEP17比值<2.0，平均HER2拷贝数/细胞≥4.0且<6.0，现有的循证医学依据显示，若HER2的IHC结果非3+，此类FISH结果的患者能否从抗HER2靶向治疗中获益目前尚不确定，需等待更充分的循证医学依据。此种情况建议重新计数至少20个细胞核中的信号，如果结果改变，则对两次结果进行综合判断分析。如仍为上述情况，需要在FISH报告中备注：此类患者HER2状态的判断需结合IHC结果，若IHC结果为3+，HER2状态判定为阳性。若IHC结果为0、1+或2+，HER2状态应判定为阴性。
第5种，HER2/CEP17比值<2.0，平均HER2拷贝数/细胞<4.0：此种情况判定为FISH阴性。
在本实施例中，所述肿瘤细胞分割模型根据深度学习图像分割模型训练得到，训练方法包括以下步骤：
获得肿瘤细胞分割训练数据，所述肿瘤细胞分割训练数据包括标注有肿瘤细胞区域信息的荧光原位杂交图像；
将所述肿瘤细胞分割训练数据输入所述深度学习图像分割模型进行训练，得到肿瘤细胞分割模型。
所述HER2信号检测模型根据深度学习目标检测模型训练得到，训练方法包括以下步骤：
获得HER2信号检测训练数据，所述HER2信号检测训练数据包括标注有HER2信号位置信息的荧光原位杂交图像；将所述HER2信号检测训练数据输入所述深度学习目标检测模型进行训练，得到HER2信号检测模型。
所述CEP17信号检测模型根据深度学习目标检测模型训练得到，训练方法包括以下步骤：
获得CEP17信号检测训练数据，所述CEP17信号检测训练数据包括标注有CEP17信号位置信息的荧光原位杂交图像；将所述CEP17信号检测训练数据输入所述深度学习目标检测模型进行训练，得到CEP17信号检测模型。
利用本实施例所述荧光原位杂交样本病理检测***无需医生在目镜观察视野和计算机采集多通道荧光图像上来回切换，即可快速完成乳腺癌肿瘤细胞FISH切片的图像采集和HER2检测。
实施例二
本实施例所述荧光原位杂交样本病理检测***包括图像采集装置、图像处理装置及与所述图像采集装置和所述图像处理装置连接的触发控制装置。
所述图像采集装置配置为对荧光原位杂交样本进行显微拍摄得到病理图像。在本实施例中，所述病理图像包括红色通道图像、蓝色通道图像或绿色通道图像，所述红/蓝/绿色通道图像是在经过单色滤光片的滤光下拍摄荧光原位杂交样本得到。
所述图像处理装置配置为对所述病理图像进行图像处理。
分别与所述图像采集装置和所述图像处理装置连接的所述触发控制装置配置为通过不同控制按键感测触发动作，以输出控制指令至所述图像采集装置和所述图像处理装置。所述控制指令包括图像采集指令或图像处理指令。于本实施例中，通过所述触发控制装置提高了获取FISH图像的效率。
在本实施例中，当所述触发控制装置输出图像采集指令至所述图像采集装置，所述图像采集装置根据所述图像采集指令，采集相应病理图像。当所述触发控制装置输出图像处理指令至所述图像处理装置时，所述图像处理装置根据所述图像处理指令，处理所述病理图像，以获取病理检测结果。
所述触发控制装置上设置两个控制按键2，所述控制按键2用于感测用户的触发动作来触发所述图像采集指令或所述图像处理指令的输出。
于本实施例中，所述图像采集指令为三色通道图像采集指令。所述三色通道图像采集指令配置为指示所述图像采集装置依次采集三色通道图像，即依次采集蓝色通道图像、绿色通道图像及红色通道图像。
请参阅图2B，显示为触发控制装置上控制按键的另一种实施方式示意图。如图2B所示，所述控制按键2包括三色通道图像采集按键23和图像处理按键22。
在本实施例中，通过触发三色通道图像采集按键23，输出所述三色通道图像采集指令至所述图像采集装置，所述图像采集装置依次采集蓝色通道图像、绿色通道图像及红色通道图像。
通过触发所述图像处理按键22，输出所述图像处理指令至所述图像处理装置，所述图像处理装置将蓝色通道图像、绿色通道图像及红色通道图像合成为荧光原位杂交图像，并且利用肿瘤细胞分割模型对所述荧光原位杂交图像进行分割得到肿瘤细胞区域；利用HER2信号检测模型对所述肿瘤细胞区域进行目标检测得到HER2信号数量；利用CEP17信号检测模型对所述肿瘤细胞区域进行目标检测得到CEP17信号数量；根据所述CEP17信号数量和所述HER2信号数量，获取病理检测结果。
实施例三
本实施例所述荧光原位杂交样本病理检测***包括图像采集装置、图像处理装置及与所述图像采集装置和所述图像处理装置连接的触发控制装置。
所述图像采集装置配置为对荧光原位杂交样本进行显微拍摄得到病理图像。在本实施例中，所述病理图像包括红色通道图像、蓝色通道图像或绿色通道图像，所述红/蓝/绿色通道图像是在经过单色滤光片的滤光下拍摄荧光原位杂交样本得到。
所述图像处理装置配置为对所述病理图像进行图像合成和分析。
分别与所述图像采集装置和所述图像处理装置连接的所述触发控制装置配置为通过不同控制按键感测触发动作，以输出控制指令至所述图像采集装置和所述图像处理装置。所述控制指令包括图像采集指令或图像处理指令。于本实施例中，通过所述触发控制装置提高了获取FISH图像的效率。
在本实施例中，当所述触发控制装置输出图像采集指令至所述图像采集装置，所述图像采集装置根据所述图像采集指令，采集相应病理图像。当所述触发控制装置输出图像处理指令至所述图像处理装置时，所述图像处理装置根据所述图像处理指令，处理所述病理图像，以获取病理检测结果。
所述触发控制装置上设置三个控制按键，所述控制按键用于感测用户的触发动作来触发所述图像采集指令或所述图像处理指令的输出。
于本实施例中，所述图像采集指令为区域扫描指令。所述区域扫描指令包括扫描区域第一端点确定指令、扫描区域第二端点确定指令及扫描指令，所述扫描区域第一端点确定指令和扫描区域第二端点确定指令分别配置为指示所述图像采集装置确定扫描区域的第一端点和第二端点，所述第一端点和第二端点用于作为矩形对角的两个顶点，确定对样本执行扫描的矩形区域。所述扫描指令配置为指示图像采集装置根据第一端点和第二端点确定的矩形区域，进行区域扫描。
请参阅图2C，显示为控制按键上控制按键的又一种实施方式示意图。如图2C所示，所述控制按键2包括区域端点按键24、扫描按键25及图像处理按键22。
具体地，通过触发所述区域端点按键24两次，依次输出所述扫描区域的第一端点确定指令和第二端点确定指令至所述图像采集装置，指示所述图像采集装置确定扫描区域的第一端点和第二端点，以便将所述第一端点和第二端点作为矩形对角的两个顶点，确定对扫描的矩形区域。通过触发所述扫描按键25，输出所述扫描指令至所述图像采集装置，所述图像采集装置根据第一端点和第二端点确定的扫描区域，进行区域扫描。
请参阅图3A和图3B，分布显示为样本示例图和确定扫描区域后的样本示例图。如图3A和图3B所示，用于承载病理样本的载玻片的规格一般为76mm*26mm规格，其中染色的其余为样本，样本染色区域通常为仅15-20mm大小的组织。医生在显微镜的目镜下观察找到染色区域，通过确定两个端点(作为矩形对角线上的两个顶点)确定一个矩形区域即图3B所示方框区域，仅扫描获得该矩形区域的病理显微图。
具体地，通过触发所述图像处理按键22，输出所述图像处理指令至图像处理装置，以便所述图像处理装置处理该病理显微图。所述图像处理装置对病理显微图的处理过程与实施例一和实施例二类似，此处不再赘述。综上所述，本发明所述荧光原位杂交样本病理检测***无需医生在目镜观察视野和计算机采集多通道荧光图像上来回切换，即可快速完成乳腺癌肿瘤细胞FISH切片的图像采集和HER2检测。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种荧光原位杂交样本病理检测***，其特征在于，包括：
图像采集装置，配置为对荧光原位杂交样本进行显微拍摄得到病理图像；
图像处理装置，配置为对所述病理图像进行图像处理；
触发控制装置，分别与所述图像采集装置和所述图像处理装置连接，配置为输出控制指令至所述图像采集装置和所述图像处理装置；所述控制指令包括图像采集指令或图像处理指令；
其中，当所述触发控制装置输出图像采集指令至所述图像采集装置，所述图像采集装置根据所述图像采集指令，采集相应病理图像；当所述触发控制装置输出图像处理指令至所述图像处理装置时，所述图像处理装置根据所述处理指令，处理所述病理图像，以获取病理检测结果。
2.根据权利要求1所述的荧光原位杂交样本病理检测***，其特征在于：所述触发控制装置上设置至少两个控制按键，所述控制按键用于感测用户的触发动作来触发所述图像采集指令或所述图像处理指令的输出。
3.根据权利要求2所述的荧光原位杂交样本病理检测***，其特征在于：所述病理图像包括红色通道图像、蓝色通道图像或绿色通道图像；每一通道图像是在经过单色滤光片的滤光下拍摄荧光原位杂交样本得到。
4.根据权利要求3所述的荧光原位杂交样本病理检测***，其特征在于：
所述图像采集指令包括单色通道图像采集指令、三色通道图像采集指令、区域扫描指令中的至少一种；其中，所述单色通道图像采集指令包括蓝色通道图像采集指令、绿色通道图像采集指令及红色通道图像采集指令，分别配置为指示所述图像采集装置采集蓝色通道图像、绿色通道图像及红色通道图像；所述三色通道图像采集指令配置为指示所述图像采集装置依次采集三色通道图像；所述区域扫描指令包括扫描区域第一端点确定指令、扫描区域第二端点确定指令及扫描指令，所述扫描区域第一端点确定指令和扫描区域第二端点确定指令分别配置为指示所述图像采集装置确定扫描区域的第一端点和第二端点，所述第一端点和第二端点用于确定对样本执行扫描的矩形区域；所述扫描指令，配置为指示图像采集装置根据第一端点和第二端点确定的矩形区域，进行区域扫描。
5.根据权利要求3所述的荧光原位杂交样本病理检测***，其特征在于：所述控制按键包括单色通道图像采集按键和图像处理按键；
通过连续触发所述单色通道图像采集按键，依次输出所述蓝色通道图像采集指令、绿色通道图像采集指令及红色通道图像采集指令；
通过触发所述图像处理按键，输出所述图像处理指令。
6.根据权利要求4所述的荧光原位杂交样本病理检测***，其特征在于：所述控制按键包括三色通道图像采集按键和图像处理按键；
通过触发三色通道图像采集按键，输出所述三色通道图像采集指令；
通过触发所述图像处理按键，输出所述图像处理指令。
7.根据权利要求3所述的荧光原位杂交样本病理检测***，其特征在于：所述控制按键包括区域端点按键、扫描按键及图像处理键；
通过触发所述区域端点按键，依次输出所述扫描区域第一端点确定指令和扫描区域第二端点确定指令；
通过触发所述扫描按键，输出所述扫描指令；
通过触发图像处理键，输出所述图像处理指令。
8.根据权利要求3所述的荧光原位杂交样本病理检测***，其特征在于：当所述图像处理装置接收到所述图像处理指令时，将根据所述蓝色通道图像、绿色通道图像和红色通道图像合成为荧光原位杂交图像。
9.根据权利要求8所述的荧光原位杂交样本病理检测***，其特征在于，当所述图像处理装置接收到所述图像处理指令时，所述图像处理装置还：
利用肿瘤细胞分割模型对所述荧光原位杂交图像进行分割得到肿瘤细胞区域；
利用HER2信号检测模型对所述肿瘤细胞区域进行目标检测得到HER2信号数量；
利用CEP17信号检测模型对所述肿瘤细胞区域进行目标检测得到CEP17信号数量；
根据所述CEP17信号数量和所述HER2信号数量，获取病理检测结果。
10.根据权利要求9所述的荧光原位杂交样本病理检测***，所述肿瘤细胞分割模型根据深度学习图像分割模型训练得到，训练方法包括以下步骤：
获得肿瘤细胞分割训练数据，所述肿瘤细胞分割训练数据包括标注有肿瘤细胞区域信息的荧光原位杂交图像；
将所述肿瘤细胞分割训练数据输入所述深度学习图像分割模型进行训练，得到肿瘤细胞分割模型。
11.根据权利要求9所述的荧光原位杂交样本病理检测***，所述HER2信号检测模型根据深度学习目标检测模型训练得到，训练方法包括以下步骤：
获得HER2信号检测训练数据，所述HER2信号检测训练数据包括标注有HER2信号位置信息的荧光原位杂交图像；
将所述HER2信号检测训练数据输入所述深度学习目标检测模型进行训练，得到HER2信号检测模型。
12.根据权利要求9所述的荧光原位杂交样本病理检测***，所述CEP17信号检测模型根据深度学习目标检测模型训练得到，训练方法包括以下步骤：
获得CEP17信号检测训练数据，所述CEP17信号检测训练数据包括标注有CEP17信号位置信息的荧光原位杂交图像；
将所述CEP17信号检测训练数据输入所述深度学习目标检测模型进行训练，得到CEP17信号检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010422279.8A CN111598880A (zh) | 2020-05-19 | 2020-05-19 | 荧光原位杂交样本病理检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010422279.8A CN111598880A (zh) | 2020-05-19 | 2020-05-19 | 荧光原位杂交样本病理检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598880A true CN111598880A (zh) | 2020-08-28 |
Family
ID=72192351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010422279.8A Pending CN111598880A (zh) | 2020-05-19 | 2020-05-19 | 荧光原位杂交样本病理检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598880A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
| CN116188463A (zh) * | 2023-04-24 | 2023-05-30 | 中国科学院长春光学精密机械与物理研究所 | Fish图像信号自动检测分析方法、装置、设备以及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101184171A (zh) * | 2007-11-28 | 2008-05-21 | 华中科技大学 | 一种影像胶片的数字化*** |
| CN105993163A (zh) * | 2015-07-02 | 2016-10-05 | 深圳市大疆创新科技有限公司 | 图像处理***、图像数据处理方法、装置及相关设备 |
| CN107172327A (zh) * | 2017-03-27 | 2017-09-15 | 联想(北京)有限公司 | 一种图像采集方法及电子设备 |
| CN109222865A (zh) * | 2018-10-17 | 2019-01-18 | 卓外（上海）医疗电子科技有限公司 | 一种多模态成像内窥镜*** |
| CN109636801A (zh) * | 2019-01-29 | 2019-04-16 | 上海杏脉信息科技有限公司 | 自动获取her2荧光原位杂交结果的方法、设备及介质 |
-
2020
- 2020-05-19 CN CN202010422279.8A patent/CN111598880A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101184171A (zh) * | 2007-11-28 | 2008-05-21 | 华中科技大学 | 一种影像胶片的数字化*** |
| CN105993163A (zh) * | 2015-07-02 | 2016-10-05 | 深圳市大疆创新科技有限公司 | 图像处理***、图像数据处理方法、装置及相关设备 |
| CN107172327A (zh) * | 2017-03-27 | 2017-09-15 | 联想(北京)有限公司 | 一种图像采集方法及电子设备 |
| CN109222865A (zh) * | 2018-10-17 | 2019-01-18 | 卓外（上海）医疗电子科技有限公司 | 一种多模态成像内窥镜*** |
| CN109636801A (zh) * | 2019-01-29 | 2019-04-16 | 上海杏脉信息科技有限公司 | 自动获取her2荧光原位杂交结果的方法、设备及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063796A (zh) * | 2022-08-18 | 2022-09-16 | 珠海横琴圣澳云智科技有限公司 | 基于信号点内容约束的细胞分类方法和装置 |
| CN116188463A (zh) * | 2023-04-24 | 2023-05-30 | 中国科学院长春光学精密机械与物理研究所 | Fish图像信号自动检测分析方法、装置、设备以及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2745111B1 (en) | System and method for the detection of precancer or cancer cells in a biological sample | |
| US7760927B2 (en) | Method and system for digital image based tissue independent simultaneous nucleus cytoplasm and membrane quantitation | |
| US7587078B2 (en) | Automated image analysis | |
| DK2973397T3 (en) | Tissue-object-based machine learning system for automated assessment of digital whole-slide glass | |
| JP5522481B2 (ja) | 画像解析装置、画像解析方法、画像解析プログラムおよび記録媒体 | |
| ES2292973T3 (es) | Metodo para video-microscopia y sistema asociado, y producto de programa de soporte logico informatico. | |
| JP2022534157A (ja) | 組織学的画像および術後腫瘍辺縁評価における腫瘍のコンピュータ支援レビュー | |
| US20050136549A1 (en) | Method and system for automatically determining diagnostic saliency of digital images | |
| US20060127880A1 (en) | Computerized image capture of structures of interest within a tissue sample | |
| US9436992B2 (en) | Method of reconstituting cellular spectra useful for detecting cellular disorders | |
| CN106462767B (zh) | 用于处理和分析图像的检查设备 | |
| EP1534114A2 (en) | Computerized image capture of structures of interest within a tissue sample | |
| EP1680757A1 (en) | Automated microspcope slide tissue sample mapping and image acquisition | |
| CN111986150A (zh) | 一种数字病理图像的交互式标注精细化方法 | |
| WO2007024264A2 (en) | Method and system for digital image based tissue independent simultaneous nucleus, cytoplasm and membrane quantitation | |
| WO2012041333A1 (en) | Automated imaging, detection and grading of objects in cytological samples | |
| JP2010540931A (ja) | 生物検体を処理するための複数の波長を用いる方法およびシステム | |
| CN111598880A (zh) | 荧光原位杂交样本病理检测*** | |
| JP2007516428A (ja) | 分散プロット分布を用いてスライドの染色品質を決定するシステム | |
| CN115861212B (zh) | 基于胃粘膜活检样本对相关病症进行区分的***和装置 | |
| Sheikhzadeh | Improving cervical neoplasia diagnosis via novel in vivo imaging technologies and deep learning algorithms | |
| WO2022259648A1 (ja) | 情報処理プログラム、情報処理装置、情報処理方法、及び顕微鏡システム | |
| Tursunov et al. | MORPHOLOGICAL DIAGNOSIS-GOALS, OBJECTIVES, OPPORTUNITIES | |
| Pietka et al. | Searching for Malignancy in Automated Urological Cytology |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |