DE60310120T2

DE60310120T2 - Automatisierte histologische Klassifizierung von Tubuli

Info

Publication number: DE60310120T2
Application number: DE60310120T
Authority: DE
Inventors: Malvern Technology Ctr Christelle Marie Malvern GUITTET; Malvern Technology Centre Margaret Jai Malvern VARGA; Malvern Technology Ctr. Paul Gerard Malvern DUCKSBURY
Original assignee: Qinetiq Ltd
Current assignee: Qinetiq Ltd
Priority date: 2002-10-23
Filing date: 2003-10-20
Publication date: 2007-10-04
Anticipated expiration: 2023-10-21
Also published as: EP1554680A1; WO2004038633A1; GB0224626D0; AU2003274337A1; JP2006507486A; EP1554680B1; DE60310120D1; US8229674B2; US20060036369A1; JP4452624B2; ATE347150T1

Description

Diese Erfindung bezieht sich auf ein Verfahren, eine Vorrichtung und ein Computer-Programm zum Klassifizieren von Tubuli: Sie ist besonders (obwohl nicht ausschließlich) für die Bewertung von histologischen Objektträgern relevant, um klinische Informationen über potentiell krebsartiges Gewebe, wie z. B. Brustkrebsgewebe, bereitzustellen.
Brustkrebs ist eine häufige Form des Krebses bei Frauen: Sobald eine krankhafte Veränderung erfasst worden ist, die den Brustkrebs anzeigt, werden Gewebeproben genommen und durch einen Histopathologen untersucht, um eine Diagnose, eine Prognose und einen Behandlungsplan aufzustellen. Die pathologische Analyse der Gewebeproben ist jedoch ein zeitraubender und ungenauer Prozess. Er erfordert die Interpretation der Bilder durch das menschliche Auge, die im hohen Grade subjektiv ist: Er ist durch beträchtliche Ungenauigkeiten bei den Beobachtungen derselben Proben durch verschiedene Beobachter und sogar durch denselben Beobachter zu verschiedenen Zeitpunkten charakterisiert. Zwei verschiedene Beobachter, die z. B. dieselben zehn Gewebeproben bewerten, können leicht verschiedene Meinungen für drei der Objektträger abgeben – 30 % Fehler. Das Problem wird durch die Heterogenität, d. h. die Komplexität einiger Merkmale der Gewebeproben, verschlimmert.
CHENG, H. D., u. a.: "A parallel approach to tubule grading in breast cancer lesions and its VLSI implementation", COMPUTER-BASED MEDICAL SYSTEMS, 1991, PROCEEDINGS OF THE FOURTH ANNUAL IEEE SYMPOSIUM, BALTIMORE, MD, USA, 12.-14. MAI 1991, LOS ALAMITOS, CA, USA, IEEE COMPUT. SOC, USA, 12. Mai 1991, (1991-05-12), Seiten 322-329, XP010024202, ISBN: 0-8186-2164-8, lehrt ein automatisiertes System zum Klassifizieren von Tubuli, das Tubuli in einer Weise erfasst, die sicherstellt, dass jeder erfasste Tubulus eine homogene Fläche ist, die von einer kreisförmigen dunklen Grenze eingeschlossen ist. Das einzige berechnete Merkmal ist die Gesamtfläche der erfassten Tubuli.
Es gibt einen Bedarf, eine objektive Messung des Klassifizierens von Tubuli zu schaffen, um die Diagnose eines Pathologen und die Behandlung eines Patienten zu unterstützen.
Die vorliegende Erfindung schafft ein Verfahren zum Klassifizieren von Tubuli in einem ersten Bild eines histologischen Objektträgers, das dadurch gekennzeichnet ist, dass es die folgenden Schritte umfasst:

a) Bereitstellen eines zweiten Bildes erster Objekte in dem ersten Bild, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften besitzen, um möglicherweise als Tubuli zu gelten,
b) Bereitstellen eines dritten Bildes zweiter Objekte in dem ersten Bild, die Pixelwerteigenschaften von Löchern in Tubuli und von Fett haben,
c) Kombinieren von Daten des zweiten und des dritten Bildes, um ausgewählte zweite Objekte zu identifizieren, die sich in den ersten Objekten befinden,
d) Ausführen eines oder mehrerer der folgenden Schritte:
i) Zählen erster Objekte in dem ersten Bild, die möglicherweise als Tubuli gelten können, um einen Parameter NOB bereitzustellen,
ii) Zählen der ersten Objekte, die in sich ausgewählte zweite Objekte besitzen und wahrscheinlich Tubuli sind, um einen Parameter N bereitzustellen,
iii) Bestimmen der relativen Flächen ausgewählter zweiter Objekte als Anteile entsprechender erster Objekte, in denen sie sich befinden, um Parameter RATIO bereitzustellen,
iv) Bestimmen der Gesamtfläche der ausgewählten zweiten Objekte als einen Anteil der Gesamtfläche der ersten Objekte, in denen sie sich befinden, um einen Parameter SURF bereitzustellen,
v) Bestimmen eines Parameters PERCENT = N/NOB, und
vi) Zählen der Anzahl erster Objekte, die wenigstens mittelgroße Löcher enthalten, um einen Parameter T bereitzustellen, und
e) Klassifizieren der Tubuli des ersten Bildes anhand des einen oder der mehreren Parameter wie oben angegeben in Bezug auf Parameter-Schwellenwerte.

Die Erfindung schafft den Vorteil, dass sie ein objektives Verfahren zum Klassifizieren von Tubuli in einem histologischen Objektträger ist.
Der Schritt des Bereitstellens eines zweiten Bildes kann umfassen:

a) Anwenden von Schwellenwerten auf das erste Bild, um ein viertes Bild bereitzustellen, indem verhältnismäßig dunklere Bildpixel beibehalten werden und verhältnismäßig hellere Bildpixel verworfen werden,
b) Verarbeiten des vierten Bildes durch aufeinander folgendes Anwenden der folgenden Schritte, wovon der erste Schritt auf das vierte Bild angewendet wird und jeder Schritt nach dem ersten Schritt auf das Ergebnis des jeweils direkt vorhergehenden Schrittes angewendet wird: Inversion, morphologische Dilatation, Medianfilterung, Lochbefüllung und morphologische Öffnung.

Der Schritt des Bereitstellens eines dritten Bildes kann das Anwenden von Schwellenwerten auf das erste Bild umfassen, um ein binäres viertes Bild bereitzustellen, in dem verhältnismäßig hellere Bildpixel einen anderen binären Wert als verhältnismäßig dunklere Bildpixel haben. Der Schritt des Kombinierens von Daten aus dem zweiten und dem dritten Bild umfasst das Multiplizieren von Pixeln in dem zweiten Bild mit entsprechenden Pixeln, die sich an ähnlichen Positionen im dritten Bild befinden, oder die Anwendung einer UND-Verknüpfung auf diese. Der Schritt des Klassifizierens der Tubuli des ersten Bildes verwendet Parameter-Schwellenwerte, die so gesetzt sind, dass eine Klassifizierung erhalten wird, die mit jener vergleichbar ist, die durch einen geeigneten medizinischen Experten erhalten werden kann.
In einer bevorzugten Ausführungsform schafft die vorliegende Erfindung ein Verfahren zum Klassifizieren von Tubuli in einem ersten Bild eines histologischen Objektträgers, das die folgenden Schritte umfasst:

a) Bereitstellen eines zweiten Bildes erster Objekte in dem ersten Bild, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften besitzen, um möglicherweise als Tubuli zu gelten, und Zählen dieser, um einen Parameter NOB bereitzustellen,
b) Bereitstellen eines dritten Bildes zweiter Objekte in dem ersten Bild, die Pixelwerteigenschaften von Fett und von Löchern in Tubuli haben,
c) Kombinieren von Daten des zweiten und des dritten Bildes, um ausgewählte zweite Objekte zu identifizieren, die sich in den ersten Objekten befinden,
d) Zählen der ersten Objekte, die in sich ausgewählte zweite Objekte besitzen und wahrscheinlich Tubuli sind, um einen Parameter N bereitzustellen,
e) Bestimmen der relativen Flächen ausgewählter zweiter Objekte als Anteile entsprechender erster Objekte, in denen sie sich befinden, um Parameter RATIO bereitzustellen,
f) Bestimmen der Gesamtfläche der ausgewählten zweiten Objekte als einen Anteil der Gesamtfläche der ersten Objekte, in denen sie sich befinden, um einen Parameter SURF bereitzustellen,
g) Bestimmen eines Parameters PERCENT = N/NOB, und
h) Zählen der Anzahl erster Objekte, die wenigstens mittelgroße Löcher enthalten, um einen Parameter T bereitzustellen, und
i) Klassifizieren der Tubuli des ersten Bildes anhand der Parameter des ersten Bildes wie oben angegeben in Bezug auf Parameter-Schwellenwerte.

In dieser Ausführungsform schafft die Erfindung den Vorteil, dass sie ein objektives Verfahren ist, das die Tubuli aus verschiedenen Parametern klassifiziert, die eine Mehrfachklassifizierung liefern, aus der der Median abgeleitet werden kann.
In einem weiteren Aspekt schafft die vorliegende Erfindung eine Computervorrichtung zum Klassifizieren von Tubuli in einem ersten Bild eines histologischen Objektträgers, die so programmiert ist, dass sie:

a) ein zweites Bild erster Objekte in dem ersten Bild berechnet, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften haben, um möglicherweise als Tubuli zu gelten,
b) ein drittes Bild zweiter Objekte in dem ersten Bild berechnet, das Pixelwerteigenschaften von Löchern in Tubuli und von Fett besitzt,
c) Daten aus dem zweiten und dem dritten Bild kombiniert, um ausgewählte zweite Objekte, die sich in den ersten Objekten befinden, zu identifizieren,
d) einen oder mehrere der folgenden Schritte implementiert:
i) Zählen erster Objekte in dem ersten Bild, die möglicherweise als Tubuli gelten können, um einen Parameter NOB bereitzustellen,
ii) Zählen der ersten Objekte, die in sich ausgewählte zweite Objekte besitzen und wahrscheinlich Tubuli sind, um einen Parameter N bereitzustellen,
iii) Bestimmen der relativen Flächen ausgewählter zweiter Objekte als Anteile entsprechender erster Objekte, in denen sie sich befinden, um Parameter RATIO bereitzustellen,
iv) Bestimmen der Gesamtfläche der ausgewählten zweiten Objekte als einen Anteil der Gesamtfläche der ersten Objekte, in denen sie sich befinden, um einen Parameter SURF bereitzustellen,
v) Bestimmen eines Parameters PERCENT = N/NOB und
vi) Zählen der Anzahl erster Objekte, die wenigstens mittelgroße Löcher enthalten, um einen Parameter T bereitzustellen, und
e) die Tubuli des ersten Bildes anhand des einen oder der mehreren Parameter wie oben genannt mit Bezug auf Parameter-Schwellenwerte klassifiziert.

In einer bevorzugten Ausführungsform dieses Aspekts schafft die vorliegende Erfindung eine Computervorrichtung zum Klassifizieren von Tubuli in einem ersten Bild eines histologischen Objektträgers, die so programmiert ist, dass sie:

a) ein zweites Bild erster Objekte in dem ersten Bild bereitstellt, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften besitzen, um möglicherweise als Tubuli zu gelten, und diese zählt, um einen Parameter NOB bereitzustellen,
b) ein drittes Bild zweiter Objekte in dem ersten Bild bereitstellt, das Pixelwerteigenschaften von Fett und von Löchern in Tubuli besitzt,
c) Daten aus dem zweiten und dem dritten Bild kombiniert, um ausgewählte zweite Objekte, die sich in den ersten Objekten befinden, zu identifizieren,
d) die ersten Objekte, die in sich ausgewählte zweite Objekte besitzen und wahrscheinlich Tubuli sind, zählt, um einen Parameter N bereitzustellen,
e) die relativen Flächen ausgewählter zweiter Objekte als Anteile entsprechender erster Objekte, in denen sie sich befinden, bestimmt, um Parameter RATIO bereitzustellen,
f) die Gesamtfläche der ausgewählten zweiten Objekte als einen Anteil der Gesamtfläche der ersten Objekte, in denen sie sich befinden, bestimmt, um einen Parameter SURF bereitzustellen,
g) einen Parameter PERCENT = N/NOB bestimmt, und
h) die Anzahl erster Objekte, die wenigstens mittelgroße Löcher enthalten, zählt, um einen Parameter T bereitzustellen, und
i) die Tubuli des ersten Bildes anhand der Parameter des ersten Bildes wie oben genannt mit Bezug auf Parameter-Schwellenwerte klassifiziert.

In einem weiteren Aspekt schafft die vorliegende Erfindung ein Computerprogramm für die Verwendung bei der Klassifizierung von Tubuli in einem ersten Bild eines histologischen Objektträgers, wobei das Computerprogramm Befehle enthält, um eine Computervorrichtung zu steuern, damit sie:

a) ein zweites Bild erster Objekte in dem ersten Bild berechnet, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften haben, damit sie möglicherweise als Tubuli gelten können,
b) ein drittes Bild zweiter Objekte in dem ersten Bild berechnet, das Pixelwerteigenschaften von Fett und von Löchern in Tubuli besitzt,
c) Daten aus dem zweiten und dem dritten Bild kombiniert, um ausgewählte zweite Objekte, die sich in den ersten Objekten befinden, zu identifizieren,
d) einen oder mehrere der folgenden Schritte implementiert:
i) Zählen erster Objekte in dem ersten Bild, die möglicherweise als Tubuli gelten können, um einen Parameter NOB bereitzustellen,
ii) Zählen der ersten Objekte, die in sich ausgewählte zweite Objekte besitzen und wahrscheinlich Tubuli sind, um einen Parameter N bereitzustellen,
iii) Bestimmen der relativen Flächen ausgewählter zweiter Objekte als Anteile entsprechender erster Objekte, in denen sie sich befinden, um Parameter RATIO bereitzustellen,
iv) Bestimmen der Gesamtfläche der ausgewählten zweiten Objekte als einen Anteil der Gesamtfläche der ersten Objekte, in denen sie sich befinden, um einen Parameter SURF bereitzustellen,
v) Bestimmen eines Parameters PERCENT = N/NOB und
vi) Zählen der Anzahl erster Objekte, die wenigstens mittelgroße Löcher enthalten, um einen Parameter T bereitzustellen, und
e) die Tubuli des ersten Bildes anhand des einen oder der mehreren Parameter wie oben genannt mit Bezug auf Parameter-Schwellenwerte klassifiziert.

In einer bevorzugten Ausführungsform dieses Aspekts schafft die vorliegende Erfindung ein Computerprogramm für die Verwendung bei der Klassifizierung von Tubuli in einem ersten Bild eines histologischen Objektträgers, wobei das Computerprogramm Befehle enthält, um eine Computervorrichtung zu steuern, damit sie:

a) ein zweites Bild erster Objekte in dem ersten Bild bereitstellt, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften besitzen, damit sie möglicherweise als Tubuli gelten können, und diese zählt, um einen Parameter NOB bereitzustellen,
b) ein drittes Bild zweiter Objekte in dem ersten Bild bereitstellt, das Pixelwerteigenschaften von Fett und von Löchern in Tubuli besitzt,
c) Daten aus dem zweiten und dem dritten Bild kombiniert, um ausgewählte zweite Objekte zu identifizieren, die sich in den ersten Objekten befinden,
d) die ersten Objekte, die in sich ausgewählte zweite Objekte besitzen und wahrscheinlich Tubuli sind, zählt, um einen Parameter N bereitzustellen,
e) die relativen Flächen ausgewählter zweiter Objekte als Anteile entsprechender erster Objekte, in denen sie sich befinden, bestimmt, um Parameter RATIO bereitzustellen,
f) die Gesamtfläche der ausgewählten zweiten Objekte als einen Anteil der Gesamtfläche der ersten Objekte, in denen sie sich befinden, bestimmt, um einen Parameter SURF bereitzustellen,
g) einen Parameter PERCENT = N/NOB bestimmt,
h) die Anzahl erster Objekte, die wenigstens mittelgroße Löcher enthalten, zählt, um einen Parameter T bereitzustellen, und
i) die Tubuli des ersten Bildes anhand der Parameter des ersten Bildes wie oben genannt mit Bezug auf Parameter-Schwellenwerte klassifiziert.

Die Aspekte des Computerprogramms und der Computervorrichtung der Erfindung können bevorzugte Merkmale besitzen, die denjenigen der entsprechenden Verfahrensaspekte entsprechen.
Damit die Erfindung vollständiger verstanden werden kann, werden nun ihre Ausführungsformen lediglich beispielhaft unter Bezugnahme auf die beigefügte Zeichnung beschrieben, worin:
1 ein Blockschaltplan eines Verfahrens der Erfindung zum Messen der Tubuliaktivität ist;
2 ein Blockschaltplan ist, der einen Teil des Verfahrens nach 1 ausführlicher zeigt, und
3 bis 7 vereinfachte Versionen der Bilder sind, die während des Verfahrens nach 2 erhalten werden.
In 1 ist ein Verfahren 10 der Erfindung zum Bewerten der Tubuliaktivität in Gewebeproben veranschaulicht, die als histopathologische Objektträger potentieller Karzinome der Brust dargestellt sind. Die Prozedur 10 erfordert Daten von den histologischen Objektträgern in einer geeigneten Form. Von den Proben des Brustgewebes (Biopsien) werden Schnitte genommen (geschnitten) und auf entsprechende Objektträger gelegt. Die Objektträger werden unter Verwendung des Färbungsagens Hämotoxylin u. Eosin (H&E) gefärbt, das die Standardfärbung ist, um die Gewebe- und Zellstruktur darzustellen. Die mit H&E gefärbten Gewebeproben werden verwendet, um die Tubuliaktivität zu bewerten. Im vorliegenden Beispiel wurden die Bilddaten durch einen Pathologen unter Verwendung eines Mikroskops Zeiss Axioskop und einer Digitalkamera Jenoptik Progress 3012 erhalten. Die Bilddaten von einem Objektträger sind eine Gruppe digitaler Bilder, die bei einer linearen Vergrößerung von 10 (d. h. 10X) erhalten werden.
Um die Bilder auszuwählen, tastet der Pathologe mit dem Mikroskop über einen Objektträger ab, wobei er bei einer 10X-Vergrößerung zwei Bereiche (die als Fliesen bezeichnet werden) des Objektträgers auswählt, die hinsichtlich einer auszuführenden Analyse am vielversprechendsten erscheinen. Diese beiden Bereiche werden dann unter Verwendung des Mikroskops und der Digitalkamera, auf die oben Bezug genommen worden ist, photographiert. Die Digitalkamera erzeugt für jeden Bereich ein entsprechendes digitalisiertes Bild in drei Farben, d. h. Rot, Grün und Blau (R, G u. B), mit Acht-Bit-Werten für jeden Pixel und deshalb im Bereich von 0 bis 255: Jedes Bild ist ein elektronisches Äquivalent für eine Fliese. Für jeden Pixel in einem Pixelfeld werden drei Intensitätswerte erhalten, um ein Bild als eine Kombination der R-, G- und B-Bildebenen zu schaffen. Die Bilddaten von den zwei Fliesen werden für die spätere Verwendung in einer Datenbank 12 gespeichert. Die Tubuliaktivität wird unter Verwendung eines Erfassungsprozesses 14 für die Merkmale der Tubuli bestimmt: Dieser schafft einen Tubuli-Punktestand 18 für die Eingabe in einen diagnostischen Bericht bei 20.
Es ist die Aufgabe des Verfahrens 10, eine Extraktion und eine Zählung der in einem Bild vorhandenen Tubuli auszuführen. Ein Tubuli ist ein Bild eines Schnitts durch einen Milchgang, der beim Prozess der Erzeugung des Objektträgers erzeugt wird: Er kann in Abhängigkeit vom Winkel des Schnitts durch die Gangachse und der Form des Ganges nach dem Schneiden rund, oval, zylindrisch oder unregelmäßig erscheinen. Er erscheint als eine weiße Fläche, die von einer dunklen Epithelschicht (oder Grenze) umgeben ist. Ein Tubuli-Punktestand beträgt dementsprechend, ob der Zustand am wenigsten gefährlich, mäßig gefährlich oder am gefährlichsten ist, 1, 2 bzw. 3. In den mit 2 oder 3 bewerteten Bildern kann die Anzahl der Tubuli klein sein oder können die Tubuli fehlen, weil die Krebszellen in sie eindringen. Die Prozedur 10 versucht, diese weißen Flächen in einem Bild zu identifizieren, die durch eine dunkle Epithelschicht umgeben sind: Dies sollte Fett ausschließen, das ebenfalls weiß erscheint, wobei jedoch die Tendenz besteht, dass es nicht durch eine dunklere Epithelschicht umgeben ist.
In einem manuellen Verfahren des Standes der Technik legt ein Kliniker einen Objektträger unter ein Mikroskop und untersucht einen Bereich von ihm bei einer Vergrößerung von × 10 nach Anzeichen einer Tubuliaktivität. Das manuelle Verfahren des Standes der Technik zum Bewerten der Tubuliaktivität umfasst, dass ein Pathologe die Menge der in einer Gewebeprobe vorhandenen Tubuli subjektiv schätzt, wobei er darauf achtgibt, diejenigen Flächen zu ignorieren, die als Fettzellen betrachtet werden. Der im Folgenden in diesem Beispiel beschriebene Prozess ersetzt das manuelle Verfahren des Standes der Technik durch ein objektives Verfahren.
In 2 ist der Prozess 14 ausführlicher zeigt: Er wird für jedes der zwei oben erwähnten digitalisierten Bilder ausgeführt, wobei er jedoch nur für eines beschrieben wird. Bei 30 wird ein Eingangsfarbbild verwendet, um ein Graustufen-Äquivalent zu berechnen: Das heißt, für jeden Pixel werden die entsprechenden Rot-, Grün- und Blau-Pixelwerte gemittelt, um einen einzigen Graustufen-Pixelwert zu erzeugen. Dies wird für alle Pixel im Bild wiederholt, um für die weitere Verarbeitung ein Graustufen-Anfangsbild 50 zu schaffen, wie es in 3 in vereinfachter Form gezeigt ist. 3 veranschaulicht verschiedene Arten der Anfangsbild-Merkmale, die Tubuli 51 mit ausgeprägten dunklen Grenzen, die ein oder mehrere Löcher, wie z. B. 52, enthalten, große dunkle Objekte 53, Fettzellen 55 mit nur sehr schmalen schwachen Grenzen und kleine dunkle Objekte 56 von geringem Interesse.
Der Schritt 32 ist ausführlicher als eine Anzahl von einem Bestandteil bildender Schritte a) bis e) innerhalb der Kettenlinien 33 gezeigt. Bei a) besteht die Aufgabe, aus dem Graustufen-Bild 50 nur die verhältnismäßig dunkleren Pixel auszuwählen und die verhältnismäßig helleren Pixel wegzulassen. Aus a) wird ein Bild erhalten, das verhältnismäßig dunklere Objekte mit unterschiedlicher Größe enthält: Die größeren dieser Objekte enthalten wahrscheinlich Tubuli, wobei es jedoch unwahrscheinlich ist, dass die anderen mit kleinerer Größe Tubuli enthalten. Um den Schritt a) zu implementieren, werden anfangs alle Pixel im Graustufen-Bild 50 miteinander verglichen, um ihre Maximalwerte (Maxg) und Minimalwerte (Ming) zu erhalten:
Diese Werte werden verwendet, um einen Parameter P zu berechnen, der durch: P = 12 (Maxg – Ming)/100 (1)gegeben ist. Jeder Pixel im Graustufen-Bild 50 wird dann durch 255 geteilt, so dass er im Bereich von 0 bis 1 liegt. Der Wert P wird dann verwendet, um das Graustufen-Bild 50 in ein Ausgangsbild zu transformieren, wie in der Tabelle 1 im Folgenden gezeigt ist:
Tabelle 1
Dies bedeutet, dass 1/255 zu 0 wird, (Maxg – P)/255 zu 1 wird und x ≥ 1/255 UND ≤ (Maxg – P)/255 zu (x – 1/255)/({Maxg – P}/255 – 1/255) wird. Auf die resultierenden Ausgangsbildwerte werden nun Schwellenwerte angewendet, um ein binäres Bild zu erzeugen: Alle Pixelwerte des Ausgangsbildes, die kleiner als ein Schwellenwert von 0,85 sind, werden auf null gesetzt, während alle anderen Pixelwerte auf 1 gesetzt werden. Der Schwellenwert von 0,85 wurde experimentell unter Verwendung von Versuchsbildern erreicht.
Bei b) wird das vom Schritt a) ausgegebene Bild invertiert, so dass die Epithelschichten nun weiß erscheinen, während der Hintergrund und die Löcher schwarz erscheinen. Auf das invertierte Bild wird eine morphologische Dilatation angewendet, die kleine Lücken in den weißen Epithelschichten verstärkt und schließt, aber den Hintergrund und die Tubulilöcher unbeeinflusst lässt. Es ist die Aufgabe von b), die Grenzen zu schließen, die wahrscheinlich Tubuli enthalten, die durch den Schritt a) offengelassen worden sein könnten. Die morphologischen Operationen werden oft verwendet, um schmale Lücken zu verschmelzen und kleine Löcher in einzelnen Gruppen benachbarter Pixel zu beseitigen, die als Kleckse in einem Bild erscheinen. Sie können für ein Entfernen von Unregelmäßigkeiten oder räumlichen "Rauschen" gehalten werden, wobei sie Standard-Bildverarbeitungsverfahren sind, die in Umbaugh, S. C., 'Colour vision and image processing', Prentice Hall, 1998, veröffentlicht sind. In diesem Fall wird die morphologische Dilatation durch ein scheibenförmiges Strukturierungselement mit 5 Zeilen und 5 Spalten dargestellt, wobei es (durch Konvention) einem Radius R von zwei Pixeln entspricht:
hier ergibt sich der Ausdruck "scheibenförmig" aus der Verteilung der 1en im Element, die als eine rudimentäre Scheibe erscheint.
Die morphologische Dilatation ist eine Expansionsoperation: für ein binäres Originalbild (d. h., das nur die Pixelwerte 1 und 0 besitzt) umfasst die Expansionsoperation das Lokalisieren jedes Pixels mit einem Wert von 1 und das Setzen der Pixel in der Nähe von ihm ebenfalls auf 1. Das durch die obige Gleichung (2) definierte Strukturierungselement veranschaulicht dieses: Die zentrale 1 zeigt das betrachtete Pixel an und die 1en über, unter und auf jeder Seite von ihm und diagonal nah bei ihm zeigen die Pixel im binären Bild an, die auf 1 gesetzt sind; die 0en im Strukturierungselement zeigen die relativen Positionen der Pixel an, die unverändert bleiben.
Bei c) wird ein Medianfilter auf die Ausgabe des Schrittes b) angewendet: Die Operation des Medianfilters wählt jeden Pixel in der Ausgabe des Schrittes b) nacheinander aus und bildet eine 3 × 3-Marix aus den Pixeln, die um den ausgewählten Pixel zentriert sind; die 3 × 3-Marix der Pixel wird dann in aufsteigender Reihenfolge des Pixelwerte sortiert, d. h. die 0en, gefolgt von den 1en. Dann wird der Median-Pixelwert (der fünfte von neun) als die Filterausgabe genommen, um den Wert des ausgewählten Pixels zu ersetzen. Die Filterausgabe ist 0 oder 1, je nachdem, ob die 3 × 3-Marix mehr 0en als 1en sitzt. Dies wird über das Bild wiederholt. Die Pixel in den Kantenzeilen und -spalten oder die Pixel, die um einen Pixel von den Kantenzeilen und -spalten getrennt sind, besitzen nicht die erforderliche 3 × 3-Marix, wobei für diese die Original-Pixelwerte im mediangefilterten Bild beibehalten werden. Es ist erwünscht, dass die Medianfilterung kleine isolierte Gruppen von Pixeln entfernt, die während des Anwendens von Schwellenwerten bei a) erzeugt werden. Der Schritt c) ist wünschenswert (aber nicht wesentlich) – er besitzt die Wirkung, Kleckse im median-gefilterten binären Bild zu glätten, das bei b) erzeugt wird.
Das Ausgangsbild aus dem Schritt c) enthält Bildbereiche oder Kleckse, die weiße Umrisse um Tubulistrukturen sind, wobei der nächste Prozess bei d) darin besteht, diese Kleckse zu befüllen, um sie für die weitere Verarbeitung massiv zu machen – es ist die Aufgabe, die Löcher zu befüllen, die im Idealfall innerhalb der Tubuli liegen. Um dies auszuführen, werden alle Pixel, die innerhalb jeder Grenze weißer Pixel enthalten sind, auf den gleichen Wert wie die Grenze gesetzt. Hier ist ein Loch eine Gruppe von Hintergrundpixeln, die durch das Befüllen des Hintergrunds ausgehend von der Kante des Bildes nicht erreicht werden können: Die Technik des Befüllens der Löcher basiert auf der morphologische Rekonstruktion, wie sie in Piere Soille, 'Morphological image analysis: Principals and Applications', Springer-Verlag, 1999, S. 173-174, veröffentlicht ist. Bei e) wird dann das binäre Bild, das sich aus d) ergibt, der morphologischen Öffnung unter Verwendung des scheibenförmigen 9 × 9-Strukturierungselements unterworfen, das im Folgenden in der Gleichung (3) definiert ist.
Der Schritt e) entfernt kleine Gruppen dunkler Pixel, wie z. B. 56, die kein Teil von größeren Objekten oder von Grenzen um Tubuli sind.
Die Schritte a) bis e) identifizieren die Kleckse im Graustufen-Bild 50 (die entweder dunklen Flächen mit Löchern im Inneren oder völlig dunklen Objekten entsprechen), die wahrscheinlicher die Grenzen der Tubuli sind. In 4 ist ein binäres Bild 60 gezeigt, das die Ausgabe des Schrittes e) ist: Die identifizierten Kleckse sind nun als geschlossene Kleckse 61 (d. h., die keine Löcher enthalten) mit unterschiedlichen Größen des Pixelwertes 1 in einem Hintergrund 62 von 0en dargestellt.
Der Schritt 34 ist eine Prozedur, die unternommen wird, um weiße Bereiche des anfänglichen Graustufen-Bildes 50 zu extrahieren, diese Bereiche erscheinen als Pixelgruppen mit verhältnismäßig hohem Wert. Dieser Schritt ist bei f), g) und h) innerhalb der Kettenlinien 35 ausführlicher gezeigt. Bei f) wird jeder Pixelwert im Anfangsbild 50 durch 255 geteilt, so dass er im Bereich von 0 bis 1 liegt, wobei dann die Pixelwerte x im resultierenden Bild (dem Eingangsbild in der Tabelle im Folgenden) für die Auswahl der hellen Bereiche entsprechend der folgenden Tabelle erneut auf ein Ausgangsbild abgebildet werden:
Dabei gilt Q = 40(Maxg – Ming)/100.
In der obigen Tabelle bedeutet der Ausdruck "abgebildet auf den Bereich [0, 1]", dass:
ein Pixelwert x, der SOWOHL ≥ (Maximum – Q)/255 ALS AUCH ≤ 1,0 ist, zu: (x -(Maximum – Q)/255)/(1 – (Maximum – Q)/255))wird.
Auf die resultierenden Ausgangsbildwerte werden bei g) Schwellenwerte angewendet, um ein binäres Bild zu erzeugen: Alle Pixelwerte des Ausgangsbildes, die kleiner als ein Schwellenwert von 0,35 sind, werden auf null setzt, während alle anderen Pixelwerte auf 1 gesetzt werden. Der Schwellenwert von 0,35 wurde experimentell unter Verwendung von Versuchsbildern erreicht. Ein Bild 70, das sich aus g) ergibt, ist in 5 gezeigt: Es ist zu dem Bild 50 mit Flächen 72" weißer Inseln" äquivalent, die kreuzschraffiert gezeigt sind.
In 4 enthält noch einmal das Bild 60, das sich aus dem Schritt e) ergibt, die schwarzen Objekte 61, unter denen es dunkle Tubuligrenzen mit entsprechend befüllten (dunkler gefärbten) inneren Bereichen (die ursprünglich weiß sind) gibt, wobei alle als ein einzelnes Objekt der Pixelwerte 1 in einem Hintergrund von 0en markiert sind. Das Bild 70, das sich aus dem Schritt g) ergibt, enthält die Bereiche 72 des Pixelwertes 1, die den helleren Bereichen 52/55 des Graustufen-Bildes 50 entsprechen. Das Bild 70 enthält außerdem 0en in den Positionen, die den dunkleren Bereichen 51/53 des Bildes 50 entsprechen. Bei h) wird nun eine logische UND-Operation zwischen jedem Pixel im Bild 60 und dem jeweils entsprechenden Pixel in der gleichen Position im anderen Bild 70 ausgeführt. Die UND-Operation ist in diesem Fall zu einer Multiplikation äquivalent, weil eine Ein-Bit-UND-Operation das Produkt der zwei Eingangsbits liefert. Die Ausgabe der UND-Operation ist in jedem Fall 1, in dem beide UND-verknüpfte Pixel 1 sind, während sie sonst 0 ist. Außerdem wird bei h) das Ergebnis der UND-Operation geglättet.
6 zeigt ein binäres Bild 80, das sich aus der UND-Operation zwischen den Bildern 60 und 70 und der nachfolgenden Glättung bei h) ergibt. Das Bild 80 besitzt 1en nur an den Orten 81 (die kreuz schraffiert gezeigt sind), die den zentralen Löchern, wie z. B. 52, in den potentiellen Tubuli 51 entsprechen (siehe Bild 50). Dies besitzt die Wirkung, die Objekte zu entfernen, die im ursprünglichen Graustufen-Bild 50 isolierten weißen Inseln (normalerweise Fettzellen) entsprechen, die nicht von einer dunklen Grenze umgeben sind.
Bei 36 wird eine entsprechende Operation der Etikettierung verbundener Komponenten (CCL-Operation) auf jedes der Bilder 60 und 80 angewendet, die sich aus e) und h) ergeben: Die CCL ist eine bekannte Bildverarbeitungstechnik (die manchmal als 'Klecksfärbung' bezeichnet wird) die durch Klette, R., Zamperoni P., 'Handbook of Image Processing Operators', John Wiley & Sons, 1996, und Rosenfeld, A., Kak, A. C., 'Digital Picture Processing', Bd. 1 u. 2, Academic Press, New York, 1982, veröffentlicht worden ist. Sie gibt den Objekten (Klecksen) in einem binären Bild, das nur 0en und 1en enthält, verschiedene numerische Etiketten, wobei Objekte Gruppen von benachbarten oder verbundenen Pixeln von 1 sind: Jedem Objekt wird eine Nummer (ein Etikett) zugeordnet, die (das) von den anderen verschieden ist, um zu ermöglichen, dass sie unterschieden werden. Die CCL etikettiert die Objekte mit bei 1 beginnenden Nummern, so dass die Nummern der höchsten nummerierten Objekte in den Bildern 60 und 80 jeweils die Anzahl der Objekte, die möglicherweise Tubuli sein könnten, und die Anzahl der Löcher, die sich früher in den dunkleren Flächen befunden haben, sind.
Ein Tubulus kann ein oder mehrere Löcher enthalten, wobei es erforderlich ist, dass diese erfasst werden, um eine falsche Zählung der Tubuli zu vermeiden. Bei 38 wird jeder Pixel im h)-Bild 80 mit dem entsprechenden Pixel an der gleichen Stelle in der CCL des Bildes 60 multipliziert, was ein Farbbild ist, wenn es auf einem Farbmonitor angezeigt wird, weil die CCL verschiedenen Objekten verschiedene Farben gibt. 7 zeigt ein Bild 90, das sich aus der Multiplikation bei 38 ergibt: Das Bild 90 besitzt kein Bildmerkmal, das dem Klecks links unten in 4 entspricht, weil er durch die Multiplikation mit 0en an entsprechenden Stellen im Bild 80 beseitigt worden ist. Das Bild 90 behält die Merkmale 91, 92 und 93a bis 93c, die den Tubulilöchern, wie z. B. 52 im Anfangsbild 50, entsprechen. In diesem Beispiel wurden die Bilder unter Verwendung der Computer-Software verarbeitet, die als "Matlab^®" bezeichnet wird, die von Mathworks Inc., einer amerikanischen Aktiengesellschaft, hergestellt wird. Eine Mathlab-Funktion "ismember" wird verwendet, um die Löcher 91 und 92, die entsprechenden einzelnen Tubuli zugeordnet sind, die verschiedene Etiketten besitzen, und die Löcher 93a bis 93c, die alle demselben Tubulus geordnet sind, die das gleiche Etikett besitzen, obgleich es von denjenigen der Löcher 91 und 92 verschieden ist, zu identifizieren. Die Unterschiede in der Etikettierung und der Färbung sind in 7 durch eine sich unterscheidende Schattierung angezeigt, d. h. das Loch 91 ist nicht schattiert, das Loch 92 ist punktiert und die gleich etikettierten Löcher 93a bis 93c sind alle kreuzschraffiert. Die Anzahl der verschiedenen Schattierungen in 9 spiegelt die Anzahl der Tubuli wider, die für mehrere Löcher in jedem Tubulus korrigiert ist.
Die Flächen der etikettierten Objekte und Löcher werden außerdem unter Verwendung einer Matlab-Funktion "find" erhalten, um die Anzahl der Pixel pro gefärbten Objekt oder Loch zu berechnen. Dies liefert die Gesamtobjektfläche in jedem Fall für die vier Objekte 61 in 4 (von denen das untere linke Objekt 61 später verworfen wird) und die Lochfläche für jedes der Löcher 91 bis 93 in 7.
Die folgenden Parameter werden nun abgeleitet:
N = die Anzahl der Objekte, die ein oder mehrere Löcher enthalten (im Bild 90 gilt N = 3).
NOB = die Anzahl der Objekte mit und ohne Löcher (NOB = 4 im Bild 60).
SURF = Gesamtlochfläche / Gesamtfläche der Gesamtobjekte = das Verhältnis des Gesamtoberflächeninhalts der Löcher zum Gesamtoberflächeninhalt der Objekte einschließlich ihrer Löcher.
PERCENT = N/NOB = das Verhältnis der Anzahl der Objekte mit Löchern zur Gesamtzahl der Objekte mit und ohne Löcher.
RATIO = Lochfläche / Objektgesamtfläche für jedes Objekt das Verhältnis der Fläche seines Lochs (seiner Löcher) zu seiner Fläche einschließlich seines Lochs (seiner Löcher): RATIO ist für Objekte (Tubuli) mit verhältnismäßig großen Löchern groß und für Objekte mit verhältnismäßig kleinen Löchern im Vergleich zur Objektgröße klein.
T = die Anzahl von Objekten, die signifikant große Löcher enthalten, d. h. Objekte mit RATIO > 0,09.
Der Schwellenwert, der verwendet wird, um T zu bestimmen, benachteiligt kleine Löcher, für die es unwahrscheinlich ist, dass sie Tubuli entsprechen.
Bei 42 werden die oben erhaltenen Parameter verwendet, um die in einem Bild erfassten Tubuli zu klassifizieren und um einen Punktestand mit einem Wert von 1, 2 oder 3 abzuleiten: Der Punktestand wird unter Bezugnahme auf im Voraus bestimmte Schwellenwerte abgeleitet, die erhalten werden, indem die Gruppe der Bilder analysiert wird, die ein Pathologe klassifiziert hat. Diese Operation der Anwendung von Schwellenwerten wird unter Verwendung unabhän giger Tests ausgeführt: Die Ergebnisse dieser Tests werden anschließend kombiniert, um einen zusammengesetzten Tubuli-Punktestand zu liefern. Weil diese Tests alle unabhängig sind, kann jeder einzelne für sich oder eine Kombination aus zwei oder mehr verwendet werden, um einen Tubuli-Punktestand bereitzustellen, wobei jedoch die Verwendung aller fünf Tests, um einen zusammengesetzten Punktestand bereitzustellen, bessere Ergebnisse erzeugt.
Test 1: PERCENT wird mit 12 und 20 verglichen. Es ist beobachtet worden, dass ein hohes PERCENT > 20 Bilder mit dem Punktestand 1 charakterisiert, während ein niedriges PERCENT < 12 Bilder mit dem Punktestand 3 charakterisiert; andernfalls, d. h. falls 12 ≤ PERCENT ≤ 20 gilt, wird ein Bild-Punktestand von 2 angezeigt.
Test2: T = Anzahl der Objekte, die mittlere bis große Löcher enthalten, d. h., für die RATIO > 0,09 gilt, wird mit den Schwellenwerten von 2 und 5 verglichen: T < 2, d. h. T = 1 oder 0, zeigt einen Bild-Punktestand von 3 an, wohingegen T = 5 oder größer einen Punktestand von 1 anzeigt; andernfalls, d. h. falls T = 2, 3 oder 4 gilt, ist der Punktestand wahrscheinlicher 2.
Test3: RATIO ist für Objekte (Tubuli) mit verhältnismäßig großen Löchern groß und für Objekte mit verhältnismäßig kleinen Löchern im Vergleich zur Objektgröße klein. RATIO wird mit Schwellenwerten von 0,07 und 0,03 verglichen. Wenn die Löcher groß sind, was einem Bild-Punktestand von 1 entspricht, ist RATIO wahrscheinlich höher als 0,07; wenn die Löcher klein sind, was einem Bild-Punktestand von 3 entspricht, liegt RATIO wahrscheinlich unter 0,03. Andernfalls, d. h. falls 0,03 ≤ RATIO ≤ 0,07 gilt, beträgt der angezeigte Bild-Punktestand 2.
Test4: N = Anzahl der Objekte, die ein oder mehrere Löcher enthalten (im Bild 90 gilt N = 3), die den Tubuli entsprechen. N wird mit 20 und 11 verglichen: N > 20 zeigt ein Bild mit dem Punktestand 1 an, während N < 11 ein Bild mit dem Punktestand 3 anzeigt; andernfalls, d. h. falls 11 ≤ N ≤ 20 gilt, beträgt der angezeigte Bild-Punktestand 2.
Test5: SURF. Falls SURF größer als 0,001 ist, ist die Gesamtfläche der Löcher groß, was einen Bild-Punktestand von 1 anzeigt; falls SURF kleiner als oder gleich 0,0002 ist, ist die Gesamtfläche der Löcher klein, was einen Bild-Punktestand von 3 anzeigt; andernfalls, d. h. falls SURF größer als 0,0002, aber nicht größer als 0,001 ist, wird ein Bild-Punktestand von 2 angezeigt.
Der endgültige Tubuli-Punktestand für ein Bild wird als der Medianwert der fünf Punktestände genommen, die jeweils aus den obigen fünf Tests erhalten werden. Wenn zwei Bilder verwendet werden, werden zwei Ergebnisse für jeden Test erhalten: Der Mittelwert dieser zwei Ergebnisse wird berechnet und mit den entsprechenden Mittelwerten von den anderen Tests verwendet, um einen Medianwert über die Testergebnisse abzuleiten.
Die Erfindung wurde an einer Gruppe von 206 Bildern getestet, die bei der niedrigen Vergrößerung X10 aufgenommen worden sind: Die Ergebnisse waren, dass 44 Bilder mit dem Punktestand 1, 24 Bilder mit dem Punktestand 2 und 138 Bilder mit dem Punktestand 3 gesammelt wurden. Danach wurden die Schwellenwerte gemäß einer gründlichen Beobachtung der erhaltenen Bilddaten (Gruppierung, Clustering, ...) festgelegt, wobei ein Kompromiss erreicht wurde. Es ist wichtig, anzugeben, dass diese Schwellenwerte für eine weitere Gruppe der Daten infolge der Färbungsunterschiede nicht geeignet sein können. Außerdem könnten diese Schwellenwerte aufgrund der Tatsache beeinflusst werden, dass die Bild-Datendatei eine unverhältnismäßig große Anzahl von Bildern mit dem Punktestand 3 enthält.
Es wurden sowohl der Prozentsatz und die Anzahl der Bilder, die durch den Klassifiziererprozess der Erfindung in Übereinstimmung mit einem Punktestand eines Pathologen klassifiziert worden sind, als auch der Prozentsatz und die Anzahl der Bilder, bei denen die Übereinstimmung fehlte, berechnet. Die Ergebnisse sind im Folgenden tabellarisiert.
Die Klassifizierungen der Tubuli wurden über 206 verfügbare Bilder berechnet und mit den Punkteständen eines Pathologen mit den folgenden Ergebnissen verglichen:

– 72,3 % (149) der Bilder wurden durch den Klassifiziererprozess der Erfindung mit einem Punktestand in Übereinstimmung mit einem Punktestand eines Pathologen klassifiziert;
– 21,8 % (45) der Bilder wurden durch den Klassifiziererprozess der Erfindung mit einem Punktestand klassifiziert, der sich um 1 von einem Punktestand eines Pathologen unterscheidet; und
– 5,8 % (12) der Bilder wurden durch den Klassifiziererprozess der Erfindung mit einem Punktestand klassifiziert, der sich um 2 von einem Punktestand eines Pathologen unterscheidet.

Die Bild-Datendatei enthielt im Vergleich zu den Bildern mit dem Punktestand 1 (44) mehr als dreimal so viele Bilder mit dem Punktestand 3 (138) und im Vergleich zu den Bildern mit dem Punktestand 2 (24) mehr als fünfmal so viele Bilder. Die besten Ergebnisse wurden für Bilder, die durch die Pathologen mit 3 bewertet wurden, mit einer zu 73,2 % richtigen Klassifikation erhalten: Dies könnte der hohen Anzahl von verfügbaren Bildern zuzuschreiben sein, die möglichen, dass die Schwellenwerte für die Bilder mit dem Punktestand 3 noch weiter optimiert werden. Für die Bilder mit allen drei Punkteständen 1, 2 und 3 wurde eine Klassifikation erreicht, die wenigstens zu 70 % richtig war. Weil die Pathologen selbst nicht notwendigerweise zu mehr als 70 % fehlerfrei sind, bedeutet dies, dass die Erfindung verifiziert worden ist, was alle drei Punktestände betrifft, soweit wie es möglich ist, dies zu tun. Es wurde geschätzt, dass die durchschnittliche Zeit, um die Ergebnisse für ein Bild zu berechnen, im Bereich von 20 bis 40 Sekunden liegt.
Die Verarbeitung der digitalen Bilddaten in dem Tubuliprozess der Erfindung kann klar durch ein geeignetes Computerprogramm implementiert sein, das auf einem Trägermedium aufgezeichnet ist und auf einem herkömmlichen Computersystem ausgeführt wird. Ein derartiges Programm ist für einen ausgebildeten Programmierer problemlos zu implementieren, ohne die Erfindung zu benötigen, weil eine Anzahl der Verarbeitungsfunktionen kommerziell verfügbar ist, wie angegeben worden ist, während die anderen Verarbeitungsfunktionen wohlbekannte Computerprozeduren sind. Ein derartiges Programm und ein derartiges Computersystem werden deshalb nicht weiter beschrieben.
Der Umfang der Erfindung ist durch die beigefügten Ansprüche definiert.

Claims

Computerimplementiertes automatisiertes Verfahren zum Klassifizieren von Tubuli in einem ersten Bild (50) eines histologischen Objektträgers, das die folgenden Schritte umfasst: a) Bereitstellen eines zweiten Bildes (60) erster Objekte (61) in dem ersten Bild (50), die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften besitzen, um möglicherweise als Tubuli zu gelten, b) Bereitstellen eines dritten Bildes (70) zweiter Objekte (72) in dem ersten Bild (50), die Pixelwerteigenschaften von Fett und von Löchern in Tubuli haben, c) Kombinieren von Daten des zweiten und des dritten Bildes (60, 70), um ausgewählte zweite Objekte (81) zu identifizieren, die sich in den ersten Objekten (61) befinden, d) Ausführen eines oder mehrerer der folgenden Schritte: i) Zählen erster Objekte (61) in dem ersten Bild (50), die möglicherweise als Tubuli gelten können, um einen Parameter NOB bereitzustellen, ii) Zählen der ersten Objekte (51), die in sich ausgewählte zweite Objekte (81) besitzen und wahrscheinlich Tubuli sind, um einen Parameter N bereitzustellen, iii) Bestimmen der relativen Flächen ausgewählter zweiter Objekte (81) als Anteile entsprechender erster Objekte (51), in denen sie sich befinden, um Parameter RATIO bereitzustellen, iv) Bestimmen der Gesamtfläche der ausgewählten zweiten Objekte (81) als einen Anteil der Gesamtfläche der ersten Objekte (51), in denen sie sich befinden, um einen Parameter SURF bereitzustellen, v) Bestimmen eines Parameters PERCENT = N/NOB, und vi) Zählen der Anzahl erster Objekte (51), die wenigstens mittelgroße Löcher (52) enthalten, um einen Parameter T bereitzustellen, und e) Klassifizieren der Tubuli (51) des ersten Bildes anhand des einen oder der mehreren Parameter wie oben angegeben in Bezug auf Parameter-Schwellenwerte.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Schritt des Bereitstellens des zweiten Bildes (60) das Füllen von Löchern (52) in den Objekten (51) des ersten Bildes umfasst, um erste Objekte (61) des zweiten Bildes ohne Löcher bereitzustellen.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass ein Loch als eine Gruppe von Hintergrundpixeln definiert ist, die nicht durch Füllen des Hintergrundes ausgehend von einer Kante des ersten Bildes (51) erreicht werden können.
Verfahren nach Anspruch 1, 2 oder 3, dadurch gekennzeichnet, dass es den Schritt des Verarbeitens des dritten Bildes (70) umfasst, um zwischen ersten Objekten (51), die einzelne ausgewählte zweite Objekte (92) enthalten, und ersten Objekten (51), die mehrere ausgewählte zweite Objekte (93a, 93b, 93c) enthalten, zu unterscheiden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Schritt des Bereitstellens eines zweiten Bildes (60) umfasst: a) Anwenden von Schwellenwerten auf das erste Bild (50), um ein viertes Bild bereitzustellen, indem verhältnismäßig dunklere Bildpixel beibehalten werden und verhältnismäßig hellere Bildpixel verworfen werden, b) Verarbeiten des vierten Bildes durch aufeinander folgendes Anwenden der folgenden Schritte, wovon der erste Schritt auf das vierte Bild angewendet wird und jeder Schritt nach dem ersten Schritt auf das Ergebnis des jeweils direkt vorhergehenden Schrittes angewendet wird: Inversion, morphologische Dilatation, Medianfilterung, Lochbefüllung und morphologische Öffnung.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Schritt des Bereitstellens eines dritten Bildes (70) das Anwenden von Schwellenwerten auf das erste Bild (50) umfasst, um ein binäres viertes Bild bereitzustellen, in dem verhältnismäßig hellere Bildpixel einen anderen binären Wert als verhältnismäßig dunklere Bildpixel haben.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Schritt des Kombinierens von Daten aus dem zweiten und dem dritten Bild (60, 70) das Multiplizieren von Pixeln in dem zweiten Bild (60) mit entsprechenden Pixeln, die sich an ähnlichen Positionen im dritten Bild (70) befinden, oder die Anwendung einer UND-Verknüpfung auf diese umfasst.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Schritt des Klassifizierens der Tubuli (51) des ersten Bildes Parameter-Schwellenwerte verwendet, die so gesetzt sind, dass eine Klassifi zierung erhalten wird, die mit jener vergleichbar ist, die durch einen geeigneten medizinischen Experten erhalten werden kann.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass im Schritt d) alle Parameter NOB, N, RATIO, SURF, PERCENT und T erhalten werden und im Schritt e) diese Parameter verwendet werden, um die Tubuli (51) des ersten Bildes zu klassifizieren.
Computervorrichtung zum Klassifizieren von Tubuli in einem ersten Bild (50) eines histologischen Objektträgers, wobei die Computervorrichtung so programmiert ist, dass sie: a) ein zweites Bild (60) erster Objekte (61) in dem ersten Bild (50) berechnet, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften haben, um möglicherweise als Tubuli zu gelten, b) ein drittes Bild (70) zweiter Objekte (72) in dem ersten Bild (50) berechnet, das Pixelwerteigenschaften von Fett und von Löchern in Tubuli besitzt, c) Daten aus dem zweiten und dem dritten Bild (60, 70) kombiniert, um ausgewählte zweite Objekte (61), die sich in den ersten Objekten (61) befinden, zu identifizieren, d) einen oder mehrere der folgenden Schritte implementiert: i) Zählen erster Objekte (61) in dem ersten Bild (50), die möglicherweise als Tubuli gelten können, um einen Parameter NOB bereitzustellen, ii) Zählen der ersten Objekte (51), die in sich ausgewählte zweite Objekte (81) besitzen und wahrscheinlich Tubuli sind, um einen Parameter N bereitzustellen, iii) Bestimmen der relativen Flächen ausgewählter zweiter Objekte (81) als Anteile entsprechender erster Objekte (51), in denen sie sich befinden, um Parameter RATIO bereitzustellen, iv) Bestimmen der Gesamtfläche der ausgewählten zweiten Objekte (81) als einen Anteil der Gesamtfläche der ersten Objekte (51), in denen sie sich befinden, um einen Parameter SURF bereitzustellen, v) Bestimmen eines Parameters PERCENT = N/NOB und vi) Zählen der Anzahl erster Objekte (51), die wenigstens mittelgroße Löcher (52) enthalten, um einen Parameter T bereitzustellen, und e) die Tubuli (51) des ersten Bildes anhand des einen oder der mehreren Parameter wie oben genannt mit Bezug auf Parameter-Schwellenwerte klassifiziert.
Computervorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie so programmiert ist, dass sie das zweite Bild (60) durch Füllen von Löchern (52) in den ersten Bildobjekten (51) bereitstellt, um erste Objekte (61) des zweiten Bildes ohne Löcher bereitzustellen.
Computervorrichtung nach Anspruch 10 oder 11, dadurch gekennzeichnet, dass sie so programmiert ist, dass sie ein Loch (52) als eine Menge von Hintergrundpixeln definiert, die nicht durch Füllen des Hintergrundes ausgehend von einer Kante des ersten Bildes (51) erreicht werden können.
Computervorrichtung nach Anspruch 10, 11 oder 12, dadurch gekennzeichnet, dass sie so programmiert ist, dass sie das dritte Bild (70) verarbeitet, um zwischen ersten Objekten (51), die einzelne ausgewählte zweite Objekte (92) enthalten, und ersten Objekten (51), die mehrere ausgewählte zweite Objekte (93a, 93b, 93c) enthalten, zu unterscheiden.
Computervorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie so programmiert ist, dass sie ein zweites Bild (60) dadurch schafft, dass: a) auf das erste Bild (50) Schwellenwerte angewendet werden, um ein viertes Bild bereitzustellen, indem verhältnismäßig dunklere Bildpixel beibehalten werden und verhältnismäßig hellere Bildpixel verworfen werden, b) das vierte Bild durch aufeinander folgendes Anwenden der folgenden Schritte verarbeitet wird, wovon der erste Schritt auf das vierte Bild angewendet wird und jeder Schritt nach dem ersten Schritt auf das Ergebnis des jeweils unmittelbar vorhergehenden Schrittes angewendet wird: Inversion, morphologische Dilatation, Medianfilterung, Lochbefüllung und morphologische Öffnung.
Computervorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie so programmiert ist, dass sie ein drittes Bild (70) durch Anwenden von Schwellenwerten auf das erste Bild (50) bereitstellt, um ein binäres viertes Bild bereitzustellen, in dem verhältnismäßig hellere Bildpixel einen anderen binären Wert haben als verhältnismäßig dunklere Bildpixel.
Computervorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie so programmiert ist, dass sie die Daten aus dem zweiten und dem dritten Bild (60, 70) dadurch kombiniert, dass sie Pixel im zweiten Bild (60) mit entsprechenden Pixeln, die sich an ähnlichen Positionen im dritten Bild (70) befinden, multipliziert oder auf diese eine UND-Verknüpfung anwendet.
Computervorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie so programmiert ist, dass sie die Tubuli (51) des ersten Bildes mit Parameter-Schwellenwerten klassifiziert, die so gesetzt sind, dass eine Klassifizierung erhalten wird, die mit jener vergleichbar ist, die durch einen geeigneten medizinischen Experten erhalten werden kann.
Computervorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie so programmiert ist, dass alle Parameter NOB, N, RATIO, SURF, PERCENT und T erhalten werden, und dass diese Parameter verwendet werden, um die Tubuli (51) des ersten Bildes zu klassifizieren.
Computerprogramm für die Klassifizierung von Tubuli in einem ersten Bild (50) eines histologischen Objektträgers, wobei das Computerprogramm Befehle enthält, um eine Computervorrichtung zu steuern, damit sie a) ein zweites Bild (60) erster Objekte (61) in dem ersten Bild (50) berechnet, die ausreichend groß sind und an den Grenzen geeignete Pixelwerteigenschaften haben, damit sie möglicherweise als Tubuli gelten können, b) ein drittes Bild (70) zweiter Objekte (72) in dem ersten Bild (50) berechnet, das Pixelwerteigenschaften von Fett und von Löchern in Tubuli besitzt, c) Daten aus dem zweiten und dem dritten Bild (60, 70) kombiniert, um ausgewählte zweite Objekte (61), die sich in den ersten Objekten (61) befinden, zu identifizieren, d) einen oder mehrere der folgenden Schritte implementiert: i) Zählen erster Objekte (61) in dem ersten Bild (50), die möglicherweise als Tubuli gelten können, um einen Parameter NOB bereitzustellen, ii) Zählen der ersten Objekte (51), die in sich ausgewählte zweite Objekte (81) besitzen und wahrscheinlich Tubuli sind, um einen Parameter N bereitzustellen, iii) Bestimmen der relativen Flächen ausgewählter zweiter Objekte (81) als Anteile entsprechender erster Objekte (51), in denen sie sich befinden, um Parameter RATIO bereitzustellen, iv) Bestimmen der Gesamtfläche der ausgewählten zweiten Objekte (81) als einen Anteil der Gesamtfläche der ersten Objekte (51), in denen sie sich befinden, um einen Parameter SURF bereitzustellen, v) Bestimmen eines Parameters PERCENT = N/NOB und vi) Zählen der Anzahl erster Objekte (51), die wenigstens mittelgroße Löcher (52) enthalten, um einen Parameter T bereitzustellen, und e) die Tubuli (51) des ersten Bildes anhand des einen oder der mehreren Parameter wie oben genannt mit Bezug auf Parameter-Schwellenwerte klassifiziert.
Computerprogramm nach Anspruch 19, dadurch gekennzeichnet, dass sie Befehle enthält, um das zweite Bild (60) durch Füllen von Löchern (52) in Objekten (51) des ersten Bildes bereitzustellen, um erste Objekte (61) des zweiten Bildes ohne Löcher bereitzustellen.
Computerprogramm nach Anspruch 19 oder 20, dadurch gekennzeichnet, dass es Befehle enthält, um ein Loch (52) als eine Menge von Hintergrundpixeln zu definieren, die nicht durch Füllen des Hintergrundes ausgehend von einer Kante des ersten Bildes (51) erreicht werden können.
Computerprogramm nach Anspruch 19, 20 oder 21, dadurch gekennzeichnet, dass es Befehle enthält, um das dritte Bild (70) zu verarbeiten, um zwischen ersten Objekten (51), die einzelne ausgewählte zweite Objekte (92) enthalten, und ersten Objekten (51), die mehrere ausgewählte zweite Objekte (93a, 93b, 93c) enthalten, zu unterscheiden.
Computerprogramm nach Anspruch 19, dadurch gekennzeichnet, dass es Befehle enthält, um ein zweites Bild (60) dadurch bereitzustellen, dass: a) auf das erste Bild (50) Schwellenwerte angewendet werden, um ein viertes Bild bereitzustellen, indem verhältnismäßig dunklere Bildpixel beibehalten werden und verhältnismäßig hellere Bildpixel verworfen werden, b) das vierte Bild durch aufeinander folgendes Anwenden der folgenden Schritte verarbeitet wird, wovon der erste Schritt auf das vierte Bild angewendet wird und jeder Schritt nach dem ersten Schritt auf das Ergebnis des jeweils unmittelbar vorhergehenden Schrittes angewendet wird: Inversion, morphologische Dilatation, Medianfilterung, Lochbefüllung und morphologische Öffnung.
Computerprogramm nach Anspruch 19, dadurch gekennzeichnet, dass es Befehle enthält, um ein drittes Bild (70) durch Anwenden von Schwellenwerten auf das erste Bild (50) bereitzustellen, um ein binäres viertes Bild bereitzustellen, in dem verhältnismäßig hellere Bildpixel einen anderen binären Wert als verhältnismäßig dunklere Bildpixel haben.
Computerprogramm nach Anspruch 19, dadurch gekennzeichnet, dass es Befehle enthält, um Daten aus dem zweiten und dem dritten Bild (60, 70) dadurch zu kombinieren, dass Pixel in dem zweiten Bild (60) mit jeweils entsprechenden Pixeln, die sich an ähnlichen Positionen in dem dritten Bild (70) befinden, multipliziert werden oder auf diese eine UND-Verknüpfung angewendet wird.
Computerprogramm nach Anspruch 19, dadurch gekennzeichnet, dass es Befehle enthält, um die Tubuli (51) des ersten Bildes mit Parameter-Schwellenwerten zu klassifizieren, die so gesetzt sind, dass eine Klassifizierung erhalten wird, die mit jener vergleichbar ist, die durch einen geeigneten medizinischen Experten erhalten werden kann.
Computerprogramm nach Anspruch 19, dadurch gekennzeichnet, dass es Befehle enthält, um eine Computervorrichtung so zu steuern, dass alle Parameter NOB, N, RATIO, SURF, PERCENT und T erhalten werden, und dass diese Parameter verwendet werden, um die Tubuli (51) des ersten Bildes zu klassifizieren.