-
Diese
Erfindung betrifft ein Verfahren, eine Vorrichtung und ein Computerprogramm
für die
histologische Bewertung von nukleärem Pleomorphismus: sie ist
besonders (obwohl nicht ausschließlich) relevant für die Bewertung
von histologischen Bildern, um klinische Informationen über Krebs,
wie etwa Brustkrebs, bereitzustellen. Das Verfahren ist auch für andere
Krebsarten relevant, z.B. für
Darmkrebs und Hirntumore, wie auch für Brustkrebs.
-
Brustkrebs
ist eine verbreitete Form von Krebs bei Frauen, und tritt, wenn
auch in geringem Ausmaß, auch
bei Männern
auf: nachdem eine Läsion
festgestellt wurde, die auf Brustkrebs schließen lässt, werden Gewebeproben entnommen
und von einem Histopathologen untersucht, um eine Diagnose, eine
Prognose und einen Behandlungsplan zu erstellen. Pathologische Untersuchung
von Gewebeproben ist jedoch ein zeitaufwendiger und subjektiver
Prozess. Er macht die Interpretation durch das menschliche Auge
erforderlich: sie kann insbesondere durch beträchtliche Widersprüche bei
Beobachtungen derselben Probe durch verschiedene Beobachter und
sogar durch denselben Beobachter zu verschiedenen Zeitpunkten gekennzeichnet
sein. Zum Beispiel können
zwei verschiedene Beobachter, die Bilder derselben Gewebeprobe bewerten,
verschiedene Meinungen für
eine Anzahl der Bilder abgeben. Verschiedene Meinungen können bei
immerhin 30 Prozent der Bilder auftreten. Das Problem wird durch
seine Heterogenität
verschärft,
das heißt,
durch die Komplexität
von manchen Merkmalen der Gewebeproben.
-
WO 99/08091 A (Oncometrics
Imaging Corp.) vom 18. Februar 1999 veröffentlicht ein System und ein Verfahren
zur Erfassung diagnostischer Zellen und Zellen mit Veränderungen
mit Bezug auf Malignität.
US-A-5 978 479 (Bannister
Wendy R et al.) vom 2. November 1999 veröffentlicht ein automatisiertes
zytologisches System, das freiliegende Zellen identifiziert und
klassifiziert.
-
Es
besteht ein Bedarf, eine objektive Messung des Grades von nukleärem Pleomorphismus
bereitzustellen, um die Diagnose des Pathologen und die Behandlung
des Patienten zu unterstützen.
-
Die
vorliegende Erfindung schafft ein Verfahren zur histologischen Bewertung
von nukleärem
Pleomorphismus, indem Bildbereiche identifiziert werden, die potenziell
Zellkernen in histologischen Bilddaten entsprechen, dadurch gekennzeichnet,
dass das Verfahren außerdem
enthält:
- a) Zerlegen von Farbbilddaten in eine Menge
von Teilbildern, von denen jedes seine Nachbarn überlappt, und Entfernen von
Bereichen an den Rändern
der Teilbilder, die potenziell Zellkernen entsprechen, aus jedem
Teilbild, wobei Hauptkomponentenanalyse (PCA, Principal Component
Analysis) verwendet wird, um jedes Teilbild in Bilddaten mit Graustufung
umzuwandeln, die eine erste Hauptkomponente umfassen, die aus einer
Matrix erhalten wird, die ein Produkt aus einer Matrix aus Farbbilddaten
und einer Matrix aus Eigenvektoren einer Kovarianzmatrix ist, wobei
die Bilddaten mit Graustufung eine verbesserte Bilddefinition im
Vergleich zu einer einzelnen roten, grünen oder blauen Ebene in Farbbilddaten
liefern, und
- b) Vergleichen der Bilddaten mit Graustufung mit einem Schwellwert,
um sie binär
zu machen, Feststellen der Umfänge
und Flächen
der identifizierten Bildbereiche, Berechnen von Formfaktoren der
Bildbereiche aus den Umfängen
und Flächen,
und Bewerten des Pleo morphismus an Hand der statistischen Parameter der
Formfaktoren.
-
Die
Erfindung bietet den Vorteil, dass sie eine objektive Messung ist,
die Informationen für
eine Diagnose eines Pathologen und die Behandlung von Patienten
liefert.
-
Die
statistischen Parameter der Formfaktoren können wenigstens einen von ihrem
Mittelwert, gewichtetem Mittelwert, Zentralwert, häufigstem
Wert, Maximum und Minimum umfassen. Der Schritt des Schwellwertvergleichs
der Bilddaten kann ein Schwellwertverfahren nach Otsu sein.
-
Der
Schritt der Bewertung des Pleomorphismus legt den Pleomorphismus
als relativ gering, mäßig oder
stark fest, dementsprechend, ob der Mittelwert oder Zentralwert
der Formfaktoren relativ gering, mittel beziehungsweise hoch ist.
Ein Formfaktor S für
einen Bildbereich, der potenziell einem Zellkern entspricht, kann durch
angegeben werden, wobei k
eine Konstante, P der Umfang des Bildbereichs und A die Fläche des
Bildbereichs ist, und ein mittlerer Formfaktor S
m für eine Menge
von Bildbereichen, die potenziellen Zellkernen entsprechen, kann
durch S
m ≤ 30k
(gering), 30k < S
m ≤ 35k
(mäßig) und
S
m ≥ 35k
(stark) mit Schwellwerten verglichen werden, was jeweils relativ
geringem, mäßigem, beziehungsweise
starkem Pleomorphismus entspricht.
-
Der
Schritt des Identifizierens von Bildbereichen, die potenziell Zellkernen
in den histologischen Bilddaten entsprechen, umfasst das Filtern
der Bilddaten, um Bereiche zu überschreiben,
die nicht von Interesse sind, wobei ein Filterprozess verwendet
wird, der den Umfang des Bildbereichs nicht wesentlich beeinflusst. Der
Schritt des Über schreibens
kann das Setzen von relativ von kleinen Bildbereichen auf einen
Wert von Hintergrundpixeln und das Setzen von Pixeln von Löchern in
relativ größeren Bildbereichen
auf Pixelwerte von Bildbereichen, die keine Löcher darstellen, umfassen.
-
Bildbereiche,
die potenziellen Zellkernen in histologischen Bilddaten entsprechen,
können
durch eine Prozedur identifiziert werden, die folgendes umfasst:
- a) Aufteilen der Bilddaten in überlappende
Teilbilder,
- b) Anwenden der Hauptkomponentenanalyse auf jedes Teilbild,
um ein jeweiliges Teilbild mit Graustufung bereitzustellen, und
- c) Entfernen von Folgendem aus den Teilbildern mit Graustufung:
i)
Bildbereiche, die Grenzen von Teilbildern berühren oder schneiden,
ii)
ungeeignet kleine Bildbereiche, und
iii) Löcher in relativ großen Bildbereichen,
und
- d) Wiederzusammensetzen der Teilbilder.
-
In
einem anderen Aspekt schafft die vorliegende Erfindung eine Vorrichtung
zur histologischen Bewertung von nukleärem Pleomorphismus, indem Bildbereich
identifiziert werden, die potenziell Zellkernen in histologischen
Bilddaten entsprechen, dadurch gekennzeichnet, dass die Vorrichtung
einen Computer enthält, der
für folgendes
programmiert ist:
- a) Zerlegen von Farbbilddaten
in eine Menge von Teilbildern, von denen jedes seine Nachbarn überlappt, und
Entfernen von Bereichen an den Rändern
der Teilbilder, die potenziell Zellkernen entsprechen, aus jedem
Teilbild,
- b) Verwenden der Hauptkomponentenanalyse, um Farbbilddaten in
jedem Teilbild in Bilddaten mit Graustufung umzuwandeln, die eine
erste Hauptkomponente umfassen, die aus einer Matrix erhalten wird,
die ein Produkt aus einer Matrix aus Farbbilddaten und einer Matrix
aus Eigenvektoren einer Kovarianzmatrix ist, wobei die Bilddaten
mit Graustufung eine verbesserte Bilddefinition im Vergleich zu
einer einzelnen roten, grünen
oder blauen Ebene in den Farbbilddaten liefern, und
- c) Vergleichen der Bilddaten mit Graustufung mit einem Schwellwert,
um sie binär
zu machen, Feststellen der Umfange und Flächen der identifizierten Bildbereiche,
Berechnen der Formfaktoren der Bildbereiche aus den Umfängen und
Flächen,
und Bewerten des Pleomorphismus an Hand der statistischen Parameter der
Formfaktoren.
-
In
einem weiteren Aspekt schafft die vorliegende Erfindung Computersoftware
für die
Verwendung bei der histologischen Bewertung von nukleärem Pleomorphismus
mit Anweisungen zur Steuerung eines Computers, um Bildbereiche zu
identifizieren, die potenziell Zellkernen in histologischen Bilddaten
entsprechen, wobei die Software außerdem Anweisungen zur Steuerung
eines Computers aufweist, um
- a) Farbbilddaten
in eine Menge von Teilbildern zu zerlegen, von denen jedes seine
Nachbarn überlappt, und
Bereiche an den Rändern
der Teilbilder, die potenziell Zellkernen entsprechen, aus jedem
Teilbild zu entfernen,
- b) Hauptkomponentenanalyse zu verwenden, um Farbbilddaten in
jedem Teilbild in Bilddaten mit Graustufung umzuwandeln, die eine
erste Hauptkomponente umfassen, die aus einer Matrix erhalten wird,
die ein Produkt aus einer Matrix aus Farbbilddaten und einer Matrix
aus Eigenvektoren einer Kovarianzmatrix ist, wobei die Bilddaten
mit Graustufung eine verbesserte Bilddefinition im Vergleich zu
einer einzelnen roten, grünen
oder blauen Ebene in den Farbbilddaten liefern, und
- c) die Bilddaten mit Graustufung mit einem Schwellwert zu vergleichen,
um sie binär
zu machen, Umfange und Flächen
der identifizierten Bildbereiche festzustellen, die Formfaktoren
der Bildbereiche aus den Umfängen
und Flächen
zu berechnen, und den Pleomorphismus an Hand der statistischen Parameter
der Formfaktoren zu bewerten.
-
Die
Aspekte der Computervorrichtung und der Computersoftware der Erfindung
können
bevorzugte Merkmale aufweisen, die jeweils Verfahrensaspekten der
Erfindung entsprechen.
-
Damit
die Erfindung vollständiger
verstanden werden kann, werden nun Ausführungen davon, nur als Beispiel,
mit Bezug auf die Zeichnungen im Anhang beschrieben, in denen:
-
1 ein
Blockdiagramm einer Prozedur zur Messung von Pleomorphismus ist,
die die Ausarbeitung von Diagnose und Behandlung unterstützt; und
-
2 ein
Blockdiagramm ist, das die Erfassung von Merkmalen von Pleomorphismus
für die
Verwendung in der Prozedur in 1 detaillierter
zeigt.
-
Eine
Prozedur 10 für
die Bewertung von Gewebeproben in Form von histopathologischen Objektträgern von
Karzinomen der Brust ist in 1 gezeigt.
Diese Zeichnung stellt Prozesse dar, die den Grad des Pleomorphismus
für die
Verwendung bei der Bewertung des Zustands des Patienten messen.
-
Die
Prozedur 10 setzt eine Datenbank 12 ein, die digitalisierte
Bilddaten unterhält,
die aus histologischen Objektträgern
erhalten wurden, wie später
beschrieben wird. Aus Gewebeproben (Biopsien) werden Ausschnitte
herausgenommen (ausgeschnitten) und auf jeweilige Objektträger platziert.
Die Objektträger
werden mit dem Färbungsmittel
Hämotoxylin & Eosin (H&E) gefärbt. H&E ist ein sehr
gebräuchliches
Färbungsmittel
zur Hervorhebung von Gewebe- und Zellstruktur. Gewebe, das mit H&E gefärbt ist,
wird verwendet, um Pleomorphismus zu bewerten.
-
Nukleärer Pleomorphismus
ist eine Messung des Grades der Veränderlichkeit der Form des Zellkerns von
Tumorzellen innerhalb des Gewebes. In normalem Gewebe haben Zellkerne
eine regelmäßige Struktur bezüglich Form
und Größe, wogegen
Zellkerne von Krebszellen größer und
unregelmäßig geformt
werden können,
wobei sie eine ausgeprägte
Variation von Form und Größe aufweisen
können.
-
In
einer manuellen Prozedur nach dem Stand der Technik platziert ein
Klinikmitarbeiter einen Objektträger
unter einem Mikroskop mit 40-facher Vergrößerung und untersucht einen
Bereich davon (oft eine Kachel genannt) nach Anzeichen für den Grad
des Pleomorphismus. Diese manuelle Prozedur erfordert, dass ein
Pathologe unübliche
Größe und Form
von Zellkernen in einer Gewebeprobe subjektiv bewertet. Die Werte,
die auf diese Weise erhalten werden, werden kombiniert, sodass sie
einen einzelnen Messwert für
die Verwendung bei der Diagnose ergeben. Der Prozess nach der Erfindung
ersetzt die subjektive Prozedur nach dem Stand der Technik durch
eine objektive Prozedur.
-
In
dem vorliegenden Beispiel wurden Bilddaten von histologischen Objektträgern von
einem Pathologen erhalten, der ein Mikroskop vom Typ Zeiss Axioskop
mit einer Digitalkamera vom Typ Jenoptik Progres 3012 verwendet
hat. Die Bilddaten von allen Objektträgern sind ein Satz von digitalen
Bildern, die bei einer linearen Vergrößerung von 40 (das
heißt,
40-fach linear, 1600-fach Fläche)
erhalten wurden, wobei jedes Bild ein elektronisches äquivalent
einer Kachel ist. Bilder, die von anderen Mikroskopen und Kameras
erhalten wurden, können
ebenso verwendet werden.
-
Um
Bilddaten zu erhalten, sucht einen Pathologe einen Objektträger mit
dem Mikroskop ab, und wählt bei
40-facher Vergrößerung Bereiche
aus, die bezüglich
der Bewertung des Pleomorphismus am vielversprechendsten erscheinen.
Jeder dieser Bereiche wird dann mit dem Mikroskop und der Kamera,
die oben erwähnt wurden,
fotografiert, und dies erzeugt für
jeden Bereich ein entsprechendes digitalisiertes Bild in drei Farben, rot,
grün und
blau (R, G & B).
Für jedes
Pixel erhält
man drei Intensitätswerte
in einem Pixelfeld, die ein Bild als eine Kombination von R-, G-
und B-Bildebenen bereitstellen. Dieses Bild wird in 12 für die spätere Verwendung
zeitweise gespeichert. Für
die Messung des Pleomorphismus in 14 durch einen Prozess 16 sind
zwei Kacheln erforderlich: die Ergebnisse des Prozesses 16 werden
in 20 in eine Messung für
die Eingabe in einen Befund in 22 umgewandelt.
-
Mit
Bezug auf 2 ist nun der Erfassungsprozess
für Merkmale
des Pleomorphismus 16 detaillierter gezeigt. Er wird für jede der
zwei Kacheln oder digitalisierte Bilder (eingegebene rohe (RGB-)
Bilder), die oben erwähnt
wurden, ausgeführt,
und wird für
ein solches Bild beschrieben. In einer ersten Stufe 30 wird
das eingegebene rohe (RGB-) Bild in zwei überlappende Fenster der Größe 128×128 Pixel
separiert. In jedem Fenster überlappen
64 Pixel mit 64 Pixeln des entsprechenden Nachbarfensters in sowohl
der horizontalen als auch der vertikalen Richtung. Zum Beispiel
ergibt ein Bild aus 256×256
Pixeln eine 3 × 3-Menge
von überlappenden Fenstern
der Größe 128×128: folglich überlappt
jedes Fenster die Hälfte
von jedem seiner Reihen- und Spaltennachbarn. Auf jedes Fenster
wird eine Methode angewendet, die „Hauptkomponentenanalyse" (PCA, Principal
Component Analysis, Karhunen-Loeve-Transformation) genannt wird.
Hauptkomponentenanalyse ist eine mathematische Standardmethode,
die von I.T. Jollie: „Principal
Component Analysis",
Springer series in statistics, Springer-Verlag, 1986 beschrieben
ist. Sie ist ebenso von J.E. Jackson „A User Guide to Principal Components", John Wiley & Sons, 1991, pp1–25 beschrieben.
Hauptkomponentenanalyse ist ein mathematisches Standardverfahren
zur Transformation einer Menge von (möglicherweise) korrelierten
Variablen in eine kleinere Anzahl von und korrelierten Variablen,
die Hauptkomponenten genannt werden. Von den Hauptkomponenten ist
in eine erste Hauptkomponente im Vergleich zu anderen Hauptkomponenten
so viel wie möglich der
Veränderlichkeit
der Variable eingerechnet. In dieser ersten Hauptkomponente sind
Bilddefinition, Kontrast und Eigenschaften im Vergleich zu R-, G-
oder B-Bildebenen in Farbbilddaten verbessert. Hauptkomponentenanalyse
ist eine Transformation in einen Bereich oder eine Darstellung,
in der Daten leichter genutzt oder verstanden werden können (zum
Beispiel separierbar sind oder in verschiedene Klassen oder Kategorien
klassifiziert werden können).
Es gibt andere Transformationen (Analysemethoden oder Filter), die
ebenso verwendet werden können,
und die bestimmte Eigenschaften haben (die z.B. linear oder nichtlinear
sind, die Eigenschaften von Daten, Mittelwerte, Varianzen usw. auf
verschiedene Weise ausnutzen). Neuronale Netze/adaptive Netze und
verwandte Methoden werden ebenso verwendet, um solche Transformationen
zu implementieren.
-
Hauptkomponentenanalyse
umfasst die Berechnung einer Kovarianzmatrix und die Berechnung
ihrer Eigenwerte und Eigenvektoren. Das Bild wird nun behandelt,
als ob es in einer N×3-Matrix
angeordnet wäre, das
heißt,
als ob es N Pixel und drei Ebenen (R, G und B) hätte. Die Kovarianzmatrix wird
mit einer Formel für Ihre
Matrixelemente C
ij wie folgt berechnet:
wobei C
ij die
Kovarianz der Variable i mit der Variable j ist, x
k und
y
k sind die x-ten und j-ten Merkmalswerte
des k-ten Objekts, μ
x ist der Mittelwert von allen N Werten von
x
k, μ
y ist der Mittelwert von allen N Werten von
y
k. Die Kovarianzmatrix hat die Größe 3 × 3, und
die Hauptkomponentenanalyse ergibt drei Eigenvektoren: die Eigenvektoren
werden als 3×3-Matrix
behandelt, die verwendet wird, um sie mit der Transponierten der N×3-Matrix
zu multiplizieren, um eine Produktmatrix zu erzeugen. Die Produktmatrix
hat eine erste Spalte der Größe N × 1, die
die erste Hauptkomponente ist, die als die wichtigste Komponente
betrachtet werden kann: sie ist die Komponente mit dem maximalen
Eigenwert, und sie liefert ein Teilbild mit Graustufung (einen Pixelwert
für jedes
von N Pixeln) mit einem maximalen Umfang an Information im Vergleich
mit den Äquivalenten, die
anderen Komponenten zugeordnet sind. Die Hauptkomponentenanalyse
erzeugt deshalb monochrome Bilddaten. Sie wird für jedes der oben definierten überlappenden
Fenster ausgeführt,
und jedes liefert eine entsprechende erste Hauptkomponente und ein
Teilbild mit Graustufung der Größe 128×128 Pixel.
-
In 32 wird
ein Schwellwertverfahren, das „Otsu" genannt wird, auf
jedes Teilbild angewendet, das sich aus 30 ergibt, um es
in ein entsprechendes binäres
Teilbild umzuwandeln. Ostu ist ein Standard-Schwellwertverfahren, das von N. Otsu: „A thresholding
selection method from grey level histograms", IEEE Trans Systems, Man & Cybernetics,
vol. 9, 1979, pp62–66
veröffentlicht
wurde. Das Auswahlverfahren mit Schwellwertvergleich nach Otsu zielt
darauf ab, ein Verhältnis
der Varianz innerhalb von Klassen zur Varianz zwischen Klassen für zwei Klassen
zu minimieren: das heißt,
je höher
die Varianz zwischen Klassen, desto besser die Separierung. Otsu
ist ein besonders bevorzugtes Schwellwertverfahren. In dem vorliegenden
Beispiel sind die zwei Klassen eine Klasse unterhalb des Schwellwerts
(Pixelwert 0) und eine Klasse oberhalb des Schwellwerts (Pixelwert
1), folglich wandelt Otsu-Schwellwertvergleich jedes Teilbild mit
Graustufung in ein binäres
Teilbild um, das eine Menge von Blobs enthält: hier sind Blobs Bildbereiche
(Objekte in dem Bild), von denen jeder eine entsprechende Gruppe
von aneinandergrenzenden Pixeln ist, die alle den Wert 1 haben.
Die Blobs können
in sich Löcher
(Pixelwerte 0) aufweisen.
-
In 34 werden
alle Blobs entfernt, die von den Grenzen des Teilbildes berührt oder
geschnitten werden. Wenn bei irgendeinem Pixel ein Blob auf eine
Grenze trifft, wird er folglich entfernt, indem seine Pixel auf
einen Wert der Hintergrundpixel gesetzt werden. Dies liegt daran,
dass Grenzen, die auf Blobs treffen, künstliche gerade Ränder von
Blobs erzeugen, die später
irreführende
Ergebnisse liefern können.
Wegen der Überlappung der
Teilbilder kann ein Blob, der teilweise in einem Bild erscheint,
vollständig
in einem anderen Teilbild erscheinen, und ist folglich nicht notwendigerweise
verloren.
-
In 36 werden
die Teilbilder aus 34 invertiert (Pixelwerte 0 wechseln
auf 1 und umgekehrt) und Kennzeichnung von verbundenen Komponenten
(CCL, Connected Component Labelling) wird angewendet, um Löcher in
Blobs zu entfernen. CCL ist eine bekannte Methode der Bildverarbeitung
(die manchmal „Blob-Colouring" genannt wird), die
von R. Klette, P. Zamperoniu: „Handbook
of Image Processing Operators",
John Wiley & Sons,
1996 und von A. Rosenfeld, A. C. Kak: „Digital Picture Processing", vols. 1 & 2, Academic Press,
New York, 1982 veröffentlicht
wurde. CCL vergibt eine jeweilige Kennzeichnung an jede Gruppe von
aneinandergrenzenden Pixeln mit dem Pixelwert 1. Durch die Inversion
sind Flächen
mit Pixelwert 1, die bei der CCL gekennzeichnet wurden, nun Löcher in
Blobs zusammen mit Hintergrundpixeln. Löcher in jedem Blob werden nun entfernt
(gefüllt),
indem ihre Pixel auf den Wert anderen Pixel des Blobs gesetzt werden.
Hintergrundpixel werden unverändert
gelassen.
-
In 38 werden
die Teilbilder aus 36 noch einmal invertiert, und CCL wird
wieder angewendet: wegen dieser zweiten Inversion sind Flächen, die
durch CCL gekennzeichnet wurden, nun gefüllte Blobs innerhalb jedes
Teilbildes. CCL hat eine Funktion zur Entfernung von Blobs mit Flächen, die
kleiner als ein benutzerdefinierter Schwellwert für die minimale
Fläche
sind. In diesem Beispiel bei 40-facher Vergrößerung ist der Schwellwert
für die
minimale Fläche
400 Pixel: alle Blobs mit Flächen < 400 Pixel werden
abgewiesen und gehen in den Hintergrund über, indem ihre Pixels auf
einen Hintergrundwert (0) gesetzt werden. Verbleibende Blobs mit
Flächen
von mindestens 400 Pixeln werden für die weitere Verarbeitung
als Menge von gekennzeichneten Blobs akzeptiert. CCL liefert außerdem für jeden
verblei benden Blob seinen Umfang P und seine Fläche A jeweils in Anzahl von
Pixeln.
-
Nach
den Stufen 30 bis 38 ist jedes Teilbild von unerwünschten
kleinen Blobs bereinigt: alle verbleibenden Blobs wurden aufgefüllt, um
Löcher
darin zu entfernen, folglich bestehen sie aus Pixeln, die denselben Wert
haben. Der Vorteil der Stufen 30 bis 38 ist, dass
sie räumliche
Filterung liefern, aber die Formen der Umrisse von Blobs nicht wesentlich
beeinflussen, was für
die nachfolgende Verarbeitung wichtig ist. Eine solche Filterung
ist nicht unbedingt erforderlich, ist aber hilfreich, um den Verarbeitungsaufwand
zu verringern.
-
In 40 werden
die Teilbilder, die in Schritt 38 ausgegeben werden, zu
einem neuen binären
Bild wieder zusammengesetzt: das neue binäre Bild hat dieselbe Größe wie das
eingegebene originale rohe (RGB-) Bild, und enthält nur Blobs, die in der nachfolgenden
Verarbeitung bezüglich
Pleomorphismus bewertet werden.
-
Die
Schritte
30 bis
40 sind vor Verarbeitungsschritte,
die eine Menge von Blobs innerhalb des eingegebenen originalen rohen
(RGB-) Bildes identifizieren: jeder dieser Blobs sollte nun einem
Zellkern entsprechen. In
42 wird eine statistische Analyse
angewendet. Ein Formfaktor
wird für jeden Blob aus dem Umfang
und der Fläche
des Blobs berechnet, die in
38 erhalten wurden. S kann auch
ein Vielfaches oder ein Bruchteil von
sein, wenn dies vorteilhaft
ist, und andere Funktionen von P und A können verwendet werden, um die
Form anzugeben. Der Wert von S steigt mit zunehmender Unregelmäßigkeit
der Form des Blobs, er beträgt
4π (∼12,57) für einen
perfekten Kreis. Ein Mittelwert S
m von S
wird für
alle Blobs in dem Bild berechnet, indem ihre S-Werte aufaddiert
werden und durch ihre An zahl geteilt wird. S
m wird
einen Schwellwertvergleich unterzogen, um ein Maß für den Pleomorphismus in dem
eingegebenen originalen rohen (RGB-) Bild abzuleiten: Schwellwerte
für S
m wurden aus einer Analyse einer Testmenge
von 200 Pleomorphismus-Bildern abgeleitet. Es gibt drei Schwellwertkategorien,
S
m ≤ 30
(gering), 30 < S
m ≤ 35
(mäßig) und
S
m > 35
(stark) mit Pleomorphismuswerten 1, 2 beziehungsweise 3, wie unten
in der Tabelle dargestellt. Diese Schwellwerte sind für
andere Ausdrücke für den Formfaktor
können
andere Schwellwerte erfordern.
Sm: Mittelwert des Formfaktors der Blobs | Pleomorphismuswert |
Gering,
Sm ≤ 30 | 1 |
Mäßig, 30 < Sm ≤ 35 | 2 |
Stark,
Sm ≥ 35 | 3 |
-
Für
wobei k eine Konstante ist,
werden die drei Schwellwertkategorien zu S
m ≤ 30k (gering),
30k < S
m ≤ 35k
(mäßig) und
S
m > 35k
(stark).
-
S
m kann von anderen Prozeduren berechnet werden.
Es kann einfach der Zentralwert einer ungeraden Anzahl von Werten
von S oder der Durchschnitt von zwei Zentralwerten einer geraden
Anzahl von Werten von S sein. Es ist ebenso möglich, das Maximum oder Minimum
einer Reihe von Werten von S oder, bei einer Verteilung mit im Wesentlichen
einem einzelnen häufigsten
Wert, den häufigsten
Wert zu verwenden. Dies beeinflusst jedoch die Schwellwerte. Ein
gewichteter Mittelwert S
wm kann berechnet
werden, indem jeder Wert von S mit einem Gewichtungsfaktor w
j multipliziert wird, die gewichteten Werte
aufaddiert werden und ihre Summe durch die Summe der Gewich tungswerte
geteilt wird; jeder Gewichtungswert gibt die Wahrscheinlichkeit
an, dass der zugehörigen
Blob oder Zellkern ein verlässliches
Anzeichen von Pleomorphismus ist; das heißt
-
Die
Diskussion oben zeigt, dass es eine Anzahl von Weisen gibt, auf
die ein Gesamtformfaktor aus den statistischen Eigenschaften einer
Menge von Formfaktoren bestimmt werden kann, das heißt, ihr
Mittelwert, gewichteter Mittelwert, Zentralwert, häufigster
Wert, Maximum und Minimum können
alle einzeln verwendet werden.
-
In
20 hat
der Messwert für
den nukleären
Pleomorphismus einen Wert von 1, 2 oder 3, und man erhält einen
jeweiligen Wert für
jede der eingegebenen Kacheln. Das Maximum dieser zwei Werte wird
als der Wert für
den Gesamtpleomorphismus genommen.
Messung
des nukleären
Pleomorphismus | Bedeutung | Punkte |
Gleichförmig | Minimale
Anstieg der Größe und Variation
der Größe im Vergleich zu
normalen Zellkernen, das heißt,
die Zellkerne sind relativ klein und gleichförmig in der Größe. | 1 |
Mäßige Variation | Mäßiger Anstieg
und Variation der Größe und Form
mit vesikulären Zellkernen. | 2 |
Ausgeprägte Variation | Ausgeprägte Variation
der Größe und Form
mit Ausgeprägte
Variation mit vesikulären
Zellkernen. | 3 |
-
Die
Tabelle des nukleären
Pleomorphismus kann mit anderen kombiniert werden, die man für Mitose und
Tubuli durch verschiedene Verfahren erhält, um eine Gesamteinteilung
abzuleiten, die in der Medizin „Bloom-and-Richardson-Graduierung" genannt wird, oder
modifizierte Versionen dieser Einteilung: sie wird von Klinikmitarbeitern
als Maß für den Zustand
des Krebses verwendet.
-
Das
Beispiel, das in der vorangehenden Beschreibung zur Berechnung von
Ergebnissen angegeben wurde, kann natürlich durch ein geeignetes
Computerprogramm auf einem Trägermedium,
das auf einem herkömmlichen
Computersystem läuft,
ausgewertet werden. Ein solches Programm ist für einen Programmierungsfachmann
einfach zu implementieren, ohne dass dazu eine Erfindung erforderlich
ist, weil die Prozeduren wohlbekannt sind, und wird deshalb nicht
weiter beschrieben.