DE60313662T2

DE60313662T2 - Histologische bewertung des nuklearpleomorphismus

Info

Publication number: DE60313662T2
Application number: DE60313662T
Authority: DE
Inventors: Maria School of El PETROU; Anastasios Kesidis; Margaret Jai Qinetiq Limi Malvern VARGA; Paul Gerard Qinetiq Limi Malvern DUCKSBURY
Original assignee: Qinetiq Ltd
Current assignee: Qinetiq Ltd
Priority date: 2002-11-21
Filing date: 2003-11-13
Publication date: 2008-01-03
Anticipated expiration: 2023-11-14
Also published as: GB0227160D0; AU2003302053A1; DE60313662D1; ATE361507T1; JP2006507579A; WO2004046994A1; EP1579366A1; US7616790B2; US20060050947A1; JP4383352B2; EP1579366B1

Description

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.

S_m: Mittelwert des Formfaktors der Blobs Pleomorphismuswert

Gering, S_m ≤ 30 1

Mäßig, 30 < S_m ≤ 35 2

Stark, S_m ≥ 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.

Claims

Verfahren zur histologischen Bewertung von nukleärem Pleomorphismus, indem Bildbereiche identifiziert werden, die potenziell Zellkernen in histologischen Bilddaten entsprechen, wobei das Verfahren außerdem enthält: a) Zerlegen (30) 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) (30) 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 (32) der Bilddaten mit Graustufung mit einem Schwellwert, um sie binär zu machen, Feststellen der Umfänge und Flächen der identifizierten Bildbereiche, Berechnen (42) von Formfaktoren der Bildbereiche aus den Umfangen und Flächen, und Bewerten (44) des Pleomorphismus an Hand der statistischen Parameter der Formfaktoren.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass Hauptkomponentenanalyse verwendet wird, um Farbbilddaten in jedem Teilbild in Bilddaten mit Graustufung umzuwandeln (30), indem: a) Hauptkomponentenanalyse auf jedes Teilbild angewendet wird, um ein jeweiliges Teilbild mit Graustufung bereitzustellen, und aus den Teilbildern mit Graustufung folgendes entfernt wird: i) Bildbereiche, die Grenzen von Teilbildern berühren oder schneiden, ii) ungeeignet kleine Bildbereiche, und iii) Löcher in relativ großen Bildbereichen, und b) die Teilbilder wieder zusammengesetzt werden.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die statistischen Parameter der Formfaktoren wenigstens eine der Größen Mittelwert, gewichteter Mittelwert, Zentralwert, häufigster Wert, Maximum und Minimum umfassen.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Schritt des Vergleichens der Bilddaten mit einem Schwellwert ein Schritt (32) mit einem Schwellwertvergleich nach Otsu ist, in dem die Auswahl des Schwellwerts darauf abzielt, ein Verhältnis der Varianz innerhalb von Klassen zur Varianz zwischen Klassen für zwei Klassen zu minimieren.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Schritt (44) der Bewertung des Pleomorphismus mit einem ersten Ausmaß, einem zweiten Ausmaß oder einem dritten Ausmaß feststellt, je nach dem, ob der Mittelwert oder der Zentralwert der Formfaktoren kleiner als Werte in einem Zwischenbereich ist, oder in dem Zwischenbereich liegt oder größer als Werte in dem Zwischenbereich ist.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass ein Formfaktor S für einen Bildbereich, der potenziell einem Zellkern entspricht, durch
angegeben wird, wobei k eine Konstante ist, 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, durch S_m ≤ 30k, 30k < S_m ≤ 35k und S_m > 35k mit Schwellwerten verglichen wird (44), was jeweils entspricht, dass der Pleomorphismus unterhalb, innerhalb oder oberhalb des Zwischenbereichs liegt.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Schritt des Identifizierens von Bildbereichen, die potenziell Zellkernen in den histologischen Bilddaten entsprechen, das Filtern der Bilddaten umfasst, um Bereiche zu überschreiben, die nicht von Interesse sind, wobei ein Filterprozess (38) verwendet wird, der Bereiche mit Flächen entfernt, die kleiner als ein benutzerdefiniertes Minimum sind.
Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass der Schritt des Filterns der Bilddaten, um Bereiche zu überschreiben, die nicht von Interesse sind, das Setzen (38) von ersten Bildbereichen auf einen Wert von Hintergrundpixeln und das Setzen (36) von Pixeln von Löchern in zweiten Bildbereichen auf einen Pixelwert von Bildbereichen, die keine Löcher darstellen, enthält, wobei die ersten Bildbereiche kleiner als die zweiten Bildbereiche sind.
Vorrichtung zur histologischen Bewertung von nukleärem Pleomorphismus, indem Bildbereiche identifiziert werden, die potenziell Zellkernen in histologischen Bilddaten entsprechen, wobei die Vorrichtung einen Computer enthält, der für folgendes programmiert ist: a) Zerlegen (30) 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 (30), 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 (32) der Bilddaten mit Graustufung mit einem Schwellwert, um sie binär zu machen, Feststellen der Umfänge und Flächen der identifizierten Bildbereiche, Berechnen (42) der Formfaktoren der Bildbereiche aus den Umfängen und Flächen, und Bewerten (44) des Pleomorphismus an Hand der statistischen Parameter der Formfaktoren.
Vorrichtung nach Anspruch 9, dadurch gekennzeichnet, dass der Computer dazu programmiert ist, Hauptkomponentenanalyse zu verwenden, um a) Farbbilddaten in jedem Teilbild in Bilddaten mit Graustufung umzuwandeln (30), indem Hauptkomponentenanalyse auf jedes Teilbild angewendet wird, um ein jeweiliges Teilbild mit Graustufung bereitzustellen, b) aus den Teilbildern mit Graustufung folgendes zu entfernen: i) Bildbereiche, die Grenzen von Teilbildern berühren oder schneiden, ii) ungeeignet kleine Bildbereiche, und iii) Löcher in relativ großen Bildbereichen, und c) die Teilbilder wieder zusammenzusetzen.
Vorrichtung nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass die statistischen Parameter der Formfaktoren wenigstens eine der Größen Mittelwert, gewichteter Mittelwert, Zentralwert, häufigster Wert, Maximum und Minimum umfassen.
Vorrichtung nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass der Computer dazu programmiert ist, die Bilddaten mit ei nem Schwellwert zu vergleichen, wobei ein Schwellwertvergleich nach Otsu verwendet wird, in dem die Auswahl des Schwellwerts darauf abzielt, ein Verhältnis der Varianz innerhalb von Klassen zur Varianz zwischen Klassen für zwei Klassen zu minimieren.
Vorrichtung nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass der Computer dazu programmiert ist, Pleomorphismus als Pleomorphismus mit einem ersten Ausmaß, einem zweiten Ausmaß oder einem dritten Ausmaß festzustellen (44), je nach dem, ob der Mittelwert oder der Zentralwert der Formfaktoren kleiner als Werte in einem Zwischenbereich ist, oder in dem Zwischenbereich liegt, oder größer als Werte in dem Zwischenbereich ist.
Vorrichtung nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass der Computer dazu programmiert ist, einen Formfaktor S für einen Bildbereich zu ermitteln, der potenziell einem Zellkern entspricht, wobei der Formfaktor S als
angegeben wird, wobei k eine Konstante ist, P der Umfang des Bildbereichs und A die Fläche des Bildbereichs ist, und der Computer außerdem dazu programmiert ist, einen mittleren Formfaktor S_m für eine Menge von Bildbereichen zu ermitteln (42), die potenziell Zellkernen entsprechen, den mittleren Formfaktor durch S_m ≤ 30k, 30k < S_m ≤ 35k und S_m > 35k mit Schwellwerten zu vergleichen, was jeweils entspricht, dass der Pleomorphismus unterhalb, innerhalb oder oberhalb des Zwischenbereiches liegt.
Vorrichtung nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass der Computer dazu programmiert ist, erste Bildbereiche auf einen Wert von Hintergrundpixeln zu setzen (38), und Pixel von Löchern in zweiten Bildbereichen auf einen Wert von Pixeln in einem Bildbereich, der kein Loch darstellt, zu setzen (36), wobei die ersten Bildbereiche kleiner als die zweiten Bildbereiche sind.
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 (30), 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 (30), 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 c) die Bilddaten mit Graustufung mit einem Schwellwert zu vergleichen (32), um sie binär zu machen, Umfänge und Flächen der identifizierten Bildbereichen festzustellen, die Formfaktoren der Bildbereiche aus den Umfangen und Flächen zu be rechnen (42), und den Pleomorphismus an Hand der statistischen Parameter der Formfaktoren zu bewerten (44).
Computersoftware nach Anspruch 16, dadurch gekennzeichnet, dass sie Anweisungen zur Steuerung eines Computers aufweist, Hauptkomponentenanalyse zu verwenden, um a) Farbbilddaten in jedem Teilbild in Bilddaten mit Graustufung umzuwandeln (30), indem Hauptkomponentenanalyse auf jedes Teilbild angewendet wird, um ein jeweiliges Teilbild mit Graustufung bereitzustellen, b) aus den Teilbildern mit Graustufung folgendes zu entfernen: i) Bildbereiche, die Grenzen von Teilbildern berühren oder schneiden, ii) ungeeignet kleine Bildbereiche, und iii) Löcher in relativ großen Bildbereichen, und c) die Teilbilder wieder zusammenzusetzen.
Computersoftware nach Anspruch 16 oder 17, dadurch gekennzeichnet, dass die statistischen Parameter der Formfaktoren wenigstens eine ihrer Größen Mittelwert, gewichteter Mittelwert, Zentralwert, häufigster Wert, Maximum und Minimum umfassen.
Computersoftware nach Anspruch 16 oder 17, dadurch gekennzeichnet, dass sie Anweisungen zur Steuerung eines Computers aufweist, um die Bilddaten mit einem Schwellwert zu vergleichen, wobei ein Schwellwertvergleich nach Otsu verwendet wird, in dem die Auswahl des Schwellwerts darauf abzielt, ein Verhältnis der Varianz innerhalb von Klassen zur Varianz zwischen Klassen für zwei Klassen zu minimieren.
Computersoftware nach Anspruch 16 oder 17, dadurch gekennzeichnet, dass sie Anweisungen zur Steuerung eines Computers aufweist, um Pleomorphismus als Pleomorphismus mit einem ersten Ausmaß, einem zweiten Ausmaß oder einem dritten Ausmaß festzustellen (44), je nach dem, ob der Mittelwert oder der Zentralwert der Formfaktoren kleiner als Werte in einem Zwischenbereich ist, oder in dem Zwischenbereich liegt, oder größer als Werte in dem Zwischenbereich ist.
Computersoftware nach Anspruch 20, dadurch gekennzeichnet, dass sie Anweisungen zur Steuerung eines Computers aufweist, um a) einen Formfaktor S für einen Bildbereich zu ermitteln (42), der potenziell einem Zellkern entspricht, wobei der Formfaktor durch
angegeben wird, wobei k eine Konstante ist, P der Umfang des Bildbereichs und A die Fläche des Bildbereichs ist, b) einen mittleren Formfaktor S_m für eine Menge von Bildbereichen, die potenziellen Zellkernen entsprechen, durch S_m ≤ 30k, 30k < S_m ≤ 35k und S_m > 35k mit Schwellwerten zu vergleichen, was jeweils entspricht, dass der Pleomorphismus unterhalb, innerhalb oder oberhalb des Zwischenbereiches liegt.
Computersoftware nach Anspruch 16 oder 17, dadurch gekennzeichnet, dass sie Anweisungen zur Steuerung eines Computers aufweist, um erste Bildbereiche auf einen Wert von Hintergrundpixeln zu setzen (38), und Pixel von Löchern in zweiten Bildbereichen auf einen Wert von Pixeln in einem Bildbereich, der kein Loch darstellt, zu setzen (36), wobei die ersten Bildbereiche kleiner als die zweiten Bildbereiche sind.