JP2006526783A - 色分解および組織試料内の対象となる領域の検出 - Google Patents
色分解および組織試料内の対象となる領域の検出 Download PDFInfo
- Publication number
- JP2006526783A JP2006526783A JP2006515003A JP2006515003A JP2006526783A JP 2006526783 A JP2006526783 A JP 2006526783A JP 2006515003 A JP2006515003 A JP 2006515003A JP 2006515003 A JP2006515003 A JP 2006515003A JP 2006526783 A JP2006526783 A JP 2006526783A
- Authority
- JP
- Japan
- Prior art keywords
- image
- matrix
- color
- interest
- pixels
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
方法およびシステムならびに機械読取り可能な媒体において、画像の色が行列X=ASを用いて分解される。Aはスペクトル定義のns×nd行列であり、sはスペクトル成分の数かつdは画像が分解される色素の数であり、Sは画素毎の各色素の量のns×l行列であり、lは画素数である。行列Xは加法的な色モデルの特性に一致する制約を有する教師なし行列分解方法によって解くために制約され、ndが決定される。対象とする領域を識別するようにテクスチャが決定される。さらなる処理によって対象とする決定された領域の細胞の色素濃度を自動的に測定することができる。
Description
(関連出願の相互参照)
本出願は本願明細書に開示を援用した2003年5月30日に出願された米国特許仮出願第60/475071号の優先権を主張するものである。
本出願は本願明細書に開示を援用した2003年5月30日に出願された米国特許仮出願第60/475071号の優先権を主張するものである。
(発明の分野)
本発明の主題は画像中の色のデコンボリューションおよび不均一な試料中の対象となる領域の分析の自動化を実行する工程、システム、および装置に関する。
本発明の主題は画像中の色のデコンボリューションおよび不均一な試料中の対象となる領域の分析の自動化を実行する工程、システム、および装置に関する。
(発明の背景)
組織分析の一形態は色素で組織を染色し、染色した組織を顕微鏡スライドガラスの上に設置する工程を含む。多くの種々の理由により、この組織は2つ以上の色素で染色され得る。例えば、2種類の色素を用いて異なる2つのタンパク質を識別することができる。別の用途では、1つの色素は細胞質などの特定の細胞成分と特異的に結合し、他方の色素は核を染色し得る。次に、顕微鏡スライドガラスに照明を当て、電子画像が生成される。染色した組織のデジタルビデオ画像が生成され得る。この画像中の画素は色成分を有している。各々が画像中の異なる色のレベルを表す個々の信号を導出するためには、ビデオ信号を分解しなければならない。種々の統計学的方法を用いて色成分を処理して画像中の色の指標を得ることができる。次に、この指標をさらに処理して対象とする情報を提供することができる。この情報の手作業による処理は、病理学者にスライドを検査および評価させることによって行われてきた。他のものではなく特定の形式のスライド評価のために、自動化された分析も提供されてきた。
組織分析の一形態は色素で組織を染色し、染色した組織を顕微鏡スライドガラスの上に設置する工程を含む。多くの種々の理由により、この組織は2つ以上の色素で染色され得る。例えば、2種類の色素を用いて異なる2つのタンパク質を識別することができる。別の用途では、1つの色素は細胞質などの特定の細胞成分と特異的に結合し、他方の色素は核を染色し得る。次に、顕微鏡スライドガラスに照明を当て、電子画像が生成される。染色した組織のデジタルビデオ画像が生成され得る。この画像中の画素は色成分を有している。各々が画像中の異なる色のレベルを表す個々の信号を導出するためには、ビデオ信号を分解しなければならない。種々の統計学的方法を用いて色成分を処理して画像中の色の指標を得ることができる。次に、この指標をさらに処理して対象とする情報を提供することができる。この情報の手作業による処理は、病理学者にスライドを検査および評価させることによって行われてきた。他のものではなく特定の形式のスライド評価のために、自動化された分析も提供されてきた。
米国特許第6631203号は、染色した組織の画像を画像処理装置に提供する電荷結合素子(CCD)カメラを示している。
米国特許第5995645号は、第1の色素は正常細胞によく付着するが第2の色素は癌細胞によく付着するように選択された少なくとも第1および第2の色素で分析される試料を染色する工程と、画像分光器に光学的に接続された光学素子を介して試料を分光的に画像化し、これにより試料の各画素のスペクトルを取得する工程と、スペクトルに基づき、画像中の画素の各々について第1および第2の色素の濃度を評価する工程と、濃度に基づき、試料中の癌細胞の存在を検出する工程とを含んだ癌細胞検出方法を開示している。
米国特許第6665438号は、ハイパースペクトル画像キューブが完成されるまで、遺伝的アルゴリズムおよび強力なカルマンフィルタリング法を用いて画素毎にハイパースペクトル画像データを分解する方法を開示している。
米国特許第6728396号は一般に、統計的信号処理およびその画像化への応用に関し、さらに特には、混ざり合った観察結果から独立成分を画像化するための方法および/または関連する装置に関する。独立成分分析(ICA)の統計的および/またはニューラルコンピューティング技術は、混ざり合った画像信号から隠れたソースを分離するために使用される。
米国特許第6697509号は、撮像装置を開示している。試料、例えば、ジアミノベンジジンテトラヒドロクロライド(DAB)で染色した細胞を含んだ組織試料の画像を生成するのに用いられる。ユーザは、画像中の記録すべき領域を選択する。選択された色の強度平均値が選択された領域の画素から決定される。選択された色は記録される色の補色であり得、DABテストの場合は青色である。格納された較正曲線を用いて強度平均値に応答してスコアが生成される。
米国特許第6675106号は、多変量分光分析を実行することによって試料から収集された、測定されたスペクトルデータから試料の特性を決定する方法を開示している。この方法は測定されたスペクトルデータを含む二次元行列Aを生成する工程と、行列Aに対して重み付け操作を実行することによって重み付けされたスペクトルデータ行列Dを提供する工程と、D=CSTの制約された交互最小二乗分析を実行することによって、2つの行列CとSTとの積にDを分解する工程と(Cは濃度行列、Sはスペクトル形状行列である)、先に使用した重み付けの逆数を加えることによってCおよびSを逆に重み付けする工程と、CおよびSを調べることによって試料の特性を決定する工程とを含み得る。
米国特許第6427126号は、DNAおよびまたは他の分子をシーケンスおよび/またはゲノタイピングする、非常に高いスループットの識別用のアドバンスドイメージングスペクトログラフシステムおよび方法を考察している。本システムは改善された電気泳動構造物を塩基配列決定用ゲル(または毛管配列)にわたって画像ラインに沿って発光スペクトル全体を記録する画像化分光光度計に統合することに基づく。本システムはスペクトル形状をマッチングさせて色素識別を改善することを含み、ほぼすべての発光スペクトルを有する色素の使用を可能にするとともに、4以上の色素の多重化を可能にする。
米国特許第6151414号は成分が負ではない行列に分解されるn×pの信号行列を利用したコードを開示している。
第1の非特異的色素および該第1の色素の色とは異なる色を有する第2の免疫組織化学的色素によって染色された組織を含んだスライドの画像の自動色分解に向けられた装置は、先行技術には全く開示されていない。免疫組織化学的色素は、例えば、癌細胞に特異性があり得る。先行技術はまた、対象となる領域、例えば、基質(例えば、脂肪組織または他の中間組織)と対抗する器官に関する免疫組織化学的色素のスペクトル中の画像を分析する方法を開示していない。さらに、先行技術は対象とする領域に対して第2の色素の色濃度を規格化して診断的重要性を有する色素指数を生成する方法を開示していない。
(発明の概要)
簡単に言うと、本発明の主題は、画素を含んだ画像にアクセスする工程と、行列X=ASを生成する工程と、付加的な色モデルの特性に一致する制約を有する教師なし(unsupervised)行列分解方法によって、行列を制約して解く工程と、ndを決定する工程とを含むスペクトル分解のための方法および装置である。
簡単に言うと、本発明の主題は、画素を含んだ画像にアクセスする工程と、行列X=ASを生成する工程と、付加的な色モデルの特性に一致する制約を有する教師なし(unsupervised)行列分解方法によって、行列を制約して解く工程と、ndを決定する工程とを含むスペクトル分解のための方法および装置である。
別の実施形態では、本発明の主題は、プロセッサで実行されるときに、画素を含んだ画像にアクセスする工程と、付加的な色モデルの特性に一致する制約を有する教師なし行列分解方法によって、行列を制約して解く工程と、ndを決定する工程とから成る工程を実行するプログラムされた媒体に関する。
この方法、装置、およびプログラムされた媒体に従ってアクセスされる画像を含んだ各画素はスペクトルデータを含む。さらに、行列Xにおいては、Aはns×nd行列のスペクトル定義であり、sはスペクトル成分、dは画像が分解される色素の数である。また、Sはns×l行列の画素毎の各色素の量であり、lは画素の数である。診断的重要性を有する細胞色素を自動的に測定するようにさらに処理が実行される、この方法、装置、およびプログラムされた媒体のさらなる形態をここで提供する。
本願明細書の要約部分に記載した本発明の主題の種々の実施形態の様々な態様に加えて、本発明の主題のさらなる態様、またはその好適な実施形態を以下の説明に記載する。この要約は本発明の主題の範囲を包括するものでもないし、それを決定することを意図するものでもない。
本発明の主題を達成する手段を、添付図面に関して記載した以下の説明において指摘する。
(詳細な説明)
図1は混ざり合った色を有するスライド10の画像を生成し、かつ該画像を分析して色が混ざり合っていないデコンボリューションされた画像を提供するシステムを示すブロック図である。ある色を単にスライドのすべての組織の可視性を改善するために用いることができ、別の色は特定の疾患によって影響を受けた組織内のタンパク質に結合し得る。以下の図2を参照して、組織試料を保持するスライド10をさらに記載する。図1のシステムは顕微鏡20、カメラ25、およびモニタ32を有してよいコンピュータ30を備える。
図1は混ざり合った色を有するスライド10の画像を生成し、かつ該画像を分析して色が混ざり合っていないデコンボリューションされた画像を提供するシステムを示すブロック図である。ある色を単にスライドのすべての組織の可視性を改善するために用いることができ、別の色は特定の疾患によって影響を受けた組織内のタンパク質に結合し得る。以下の図2を参照して、組織試料を保持するスライド10をさらに記載する。図1のシステムは顕微鏡20、カメラ25、およびモニタ32を有してよいコンピュータ30を備える。
顕微鏡20では、スライド10はX−Yステージ40によって支持される。X−Yステージ40は操作者、例えば病理学者がスライド10の選択された領域を観察することができるように2自由度に可動であるプラットフォームを備える。一般に、照明源42はX−Yステージ40の下に位置決めされる。照明源42は広域スペクトルの成分波長を有するであろう白色光源である。スライド10はタレット45を備える焦点ステージ44によって観察される。タレット45は各々選択されたレベルの倍率を提供する複数の対物レンズ、例えば、46および47を備える。好適な一形態では、対物レンズ46は倍率20倍、開口数0.95のFlour Nikon対物レンズである。
好適な実施形態では、生の色データをカメラ25に提供する非常に正確な手段であるので、ハイパースペクトルイメージングが用いられる。画像分光とも呼ばれるハイパースペクトルイメージングは、複数の所定のスペクトルチャネルをカバーするという点で従来のリモートセンシングとは異なる。この点では、特定の幅を有する多数の狭いスペクトルチャネルがハイパースペクトルイメージングシステムを用いて定められる。対照的に、従来の画像化は広範囲に定められたスペクトル領域を見る。好適な実施形態では、3つのチャネルが利用される。別の好適な実施形態では、9つのチャネルまたはさらに多くのチャネルが利用されてよい。チャネルはフィルタユニット52を用いて確立される。好適な実施形態では、フィルタユニット52は顕微鏡20とカメラ25との間に位置決めされる。別の場合には、フィルタユニット52は例えば、照明源42とスライド10との間に位置決めされてよい。フィルタユニット52は3層の積層を形成するように605nmのハイパスフィルタ、505nmのローパスフィルタ、および505〜570nmのバンドパスフィルタを備える。各フィルタの「遮断」波長は50%の出力レベルの低減を表す。
カメラ25はコンピュータ30に出力を提供する電荷結合素子(CCD)カメラを含む。カメラ25は画素のアレイを含んだ出力を提供する。ビデオサーバ56はカメラ25の出力を処理し、コンピュータ30にデータを結合する。別の場合には、処理はコンピュータ30で達成されてよい。コンピュータ30は種々の構成要素が通信を行うデータバス60を含む。コンピュータ30はプログラムメモリ62、データメモリ64、および画像処理装置68を含む。バス60はモニタ32に結合されたディスプレイデバイス70とも通信を行う。種々の構成要素は物理的に別個の構成要素として具現化されなくてよい。種々の機能は市販のプロセッサチップの異なるサブユニットに組み合わされてよい。同じ機能を実行するコンピュータ内に構成要素を表す多数の異なる周知の様式が存在する。
図2はスライド10上の組織試料70の画像を示している。この組織は、基質74および成分組織76を含む。基質はスペクトル分布が重要な診断的意義にはならないであろう脂肪組織および結合組織を含む。ここでは、成分組織を用いてある器官または他の分化した構造体を説明する。好適な実施形態では、本発明の主題を用いて、少なくとも2つの色素で染色されかつ一方の色素が診断的意義のある色データを提供する組織が分析される。一般に、診断的意義のある色素は免疫組織化学的であろう。すなわち、その色素は特定の受容体に結合するであろう。他の形態の色素が利用されてよい。好適な実施形態では、使用される第1の色素はヘマトキシリンである。これは非特異的な青色染色を提供し、すべての組織をより可視的にする。第2の色素はある疾患によって影響を受けた組織と結合する特異的色素である。好適な実施形態では、第2の色素はジアミノベンジジン(DAB)である。これは対象となる特定のタンパク質と結合する茶色の免疫組織化学的色素である。より具体的には、DABは癌によって影響を受けた成分組織内のタンパク質と結合する。
スライド10の画像が観察されるとき、青色および茶色は混ざり合う。しかし、茶色染色の程度のみが診断的意義を有する。したがって、画像内の個々の色素の成分画像を分解、すなわちデコンボリューションすることが重要である。したがって、以下にさらに記載する様式では、本発明の主題の好適な実施形態を用いて、ヘマトキシリン色素およびDAB色素の色にそれぞれ相当する図3および4の画像にスライド10を分割する。別の形態では、図2の画像の青色染色、茶色染色、および未染色に相当する図5、6、および7の画像が生成される。デコンボリューションされた画像は操作者が評価することのできる茶色画像(図4および6)を提供する。
組織試料の茶色染色の程度を指示するようにスライド10の分析の自動化を提供することも重要である。自動化は少なくとも2つのレベルで提供される。第1のレベルでは、各色素に相当する色で別個の画像を自動的に作ることが望ましい。この分離のため現行のアプローチは色デコンボリューションと呼ばれ、本願明細書に援用したJ.H.Price、E.A.Hunter、およびD.A.Goughの「Quantification of Histochemical Staining by Color Deconvolution」、Analyt.Quant.Cytol.Histol.、23:291〜299頁、2001年に記載されている。この技術は操作者の手作業による画像との相互作用を必要とする。ユーザは画像を観察し、コンピュータのマウスを操作しなければならない。
第2のレベルでは、スライド10を観察する病理学者による介入なしに疾患の存在を示す出力を生成することが望ましい。図4および6に見られるように、茶色の染色は基質74に分散されるであろう。基質74中の茶色の染色は診断的意義のある材料を有さない。意義のある色データの処理の自動化を提供することが望ましい。この目的のために、図8および9に示した画像分離を提供することが重要である。図8は基質74を示し、図9は特定の組織76を示している。図10のフィルタは種々の方向および空間周波数に向けられた線形の空間フィルタの図示のバンクで画像をコンボルブするためのツールとして利用される。図11は中心周辺のフィルタの拡大図を示している。
ここで一般に使用される各色素のスペクトルプロフィールは個々のスペクトル帯と合っていない。したがって、単純なフィルタリングでは各色素による染色を検出しないであろう。色素のスペクトルプロフィールは重なり合って、複数のスペクトル帯に広がり易い。使用されるスペクトルチャネルの数をnsと呼び、使用される色素の数をndと呼ぶ。この例では、ns=3、nd=2である。色素の分解は(1)X=ASの形式の行列を用いて達成される。ここでXはns×lの列行列であり、lはカメラ25によって提供される画素数であり、入力Xijはj番目のスペクトル帯への画像のi番目の画素の輝度である。Aはns×nd行列のスペクトル定義である。Sはns×lの画素毎の各色素の量であり、入力Sijはj番目の画素に対するi番目の色素の寄与率を示す。
本発明の主題の好適な実施形態によれば、教師なし色の混ざり合っていない行列分解法、すなわち行列分解法が選択される。ここではこの説明のために、教師なし分解法とは行列の分解の自動化を可能にする1つの方法である。教師なし解法は処理されるスペクトル成分と一致する制約を有する。この説明では、分解される色は色素によって生成される。したがって、制約は加法的な色と一致しなければならない。第1および第2の色素は互いに任意の特定のスペクトル関係を有するように制約されないので、教師なし方法は第1および第2の色素の色の特定の関係を取ることができないか、または必要とすることができない。
本発明の主題の好適な実施形態によれば、教師なし行列分解法は非負行列因子分解(NMF)および独立成分分析(ICA)を含むことがわかっている。このような方法の各々に必要な制約は遭遇するであろうスペクトルパラメータと一致する。NMFは各色素に対する非負の応答が存在することを必要とする。染色および画像化工程はこのような制約と一致する。
ICA法は、生成された画像データは多数の確率的に独立した工程の重ね合わせの結果であるという制約に基づいている。組織学的染色の場合、これは各色素は他のすべての色素とは無関係に組織を染色するという仮定に相当する。この制約も一致する。
上式は制約されている。すなわち、スケール曖昧性を有する。上式の解が[A,S]であると仮定すると、α≠0の場合の[αA,S/α]もこの問題の解である。曖昧性はユニットノルムを有するようにAの各列を制約することによって回避される。これは各染色の比率のみが必要とされるので、行列の解に影響を及ぼさない。すなわち、成分の色素の強度は重要ではない。
以下の引用に記載されたノルムの選択は、デコンボリューションを実行するのに用いられる特定のアルゴリズムを決定する。誤差の基準としてL2ノルムを用いた本願明細書にその全内容を援用したD.D.LeeとH.S.Seungの「Learning the Parts of Objects With Non−negative Matrix Factorization」、Nature、401:788〜791頁、1999年に明確に記述された方法に従って行列の非負の因数分解を復元するあるアルゴリズムを実施した。この方法を用いて、図2の画像を青色色素および茶色色素のスペクトルの画像で表す図3および4の画像にそれぞれ分解した。
ICAはデータの生成の観点に基づいたものであり、データは多数の確率的に独立した工程をスーパーインポーズした結果であると仮定される。組織的染色の場合、これは各色素が他のあらゆる色素と独立して組織を染色すると仮定することに相当する。行列Sの行は個々の確立過程を表し、Aの列はその相互作用を示す。好適な形態では、固有行列の結合近似の対角化(Joint Approximate Diagonalization of Eigenmatrices(JADE))アルゴリズムを用いて、Xの独立成分を復元した。このアルゴリズムはデータのキュムラントテンソルの固有値分解を算出することによってXのICA分解を算出する。キュムラントテンソルの固有値は混合の独立成分に相当するベクトルである。ある適用例では、ns=3およびnd=3を用いて行列を構成した。このようにして、青色画像、茶色画像、および未染色画像にそれぞれ相当する図5、6、および7のデコンボリューションされた画像を得た。
行列を分解する知られた一方法は主成分分析(PCA)である。この方法は分解されていないパラメータは直交であると仮定する。1対の直交する色の例は赤色および青色である。本発明の実施形態を用いた適用例では、色素の色は一般に関連しない。したがって、PCAは本発明の実施形態に有用な教師なし行列分解法ではない。
病理学者は自動的に生成された図4または6の画像を検討することができる。さらなる形態では、免疫組織化学的色素のスペクトルの画像は自動的に分析される。対象となる領域が位置決めされる。次に、画像分析に基づいて、診断的意義を有する値が生成される。好適な形態では、基質74内に保持される茶色色素の量は診断的意義を有さないであろうから、特定の組織76の領域が基質から分離される。画素毎に検知された茶色色素の量が合計され、次に画像面積に関して規格化される。診断的意義の指示を提供するように、ある値が算出される。提供され得る1つの値は画像中の茶色の飽和の割合である。これはその色素に結合する疾患のある組織の量に相関するであろう。少なくとも閾値レベルの割合での画像評価がさらなる注目のために病理学者に参照されるプロトコルが設定され得る。
図10のフィルタのセットは、6つの方向の偶数と奇数の相並びにラジアンでゼロからπまで均等に離間された4つのスケールのフィルタカーネルf1を含む、フィルタバンクからなる。この図では、40のフィルタカーネルが存在する。代替的な数のフィルタカーネルを有する代替的なフィルタバンクを使用してもよい。これはガウス導関数またはガボール関数のフィルタバンクを含む。図10に示したこのアプローチで用いられる方向付けられたバンクは、ガウス導関数およびそのヒルベルト変換の回転されたコピーに基づく。より正確には、f1(x,y)=G”σ1(y)G’σ2(x)およびf2(x,y)はy軸に沿ったヒルベルト変換f1(x,y)に等しい。
上式中、σはスケール、lはフィルタのアスペクト比、Cは規格化定数である(第1の導関数の代わりにヒルベルト変換を用いることにより、f1およびf2は正確な求積対となる)。フィルタバンクのこの放射対称の部分はガウスカーネルの差(difference−of−Gaussian kernel)から構成される。各フィルタはスケール不変性のために規格化されたゼロ平均およびL1である。
画像中の要素の形状および大きさはこの観点で検出される。要素の大きさの変化がテクスチャを決定する。全要素の平均的大きさが、テクスチャ近隣面積とも呼ぶことができる画像パッチの大きさ、すなわち面積を定めるように選択される。テクスチャ近隣とはテクストンの集合である。テクストンとは、結合が統計的クラスタリング、例えば、K平均法によって決定されるいくつかの数のフィルタ応答の線形結合である。フィルタ応答は画素近隣をフィルタバンクでコンボリューションした結果である。画素近隣とは各画素の周囲のウィンドウである。このウィンドウは、例えば好適な実施形態では、5×5または9×9画素であってよい。隣接する画素近隣は重なり合う。対になったテクスチャの類似性がウィンドウになったテクスチャ要素のヒストグラムを比較することによって算出される。一般的な画素iに対するウィンドウW(i)は画素i上に中心がある半径α(i)の軸に平行な正方形として定められる。
各ヒストグラムは、各テクスチャチャネル(各フィルタ応答)に対して1つであるk個のビンを有し。画素iに対するk番目のヒストグラムビンの値は、テクスチャ要素チャネルk内の画素がウィンドウW(i)にいくつあるかを数えることによって見つけられる。このため、ヒストグラムは局所近隣においてテクスチャ要素周波数を表す。これは次のように表される。
画像中の各画素は所与の画像パッチ(テクスチャ近隣)内のフィルタ応答のヒストグラムを用いて記載することができる。画像の所与の領域内の画素のヒストグラムをその画像の画素の残りのヒストグラムと比較することによって、各画素上に中心がある画像近隣間の類似性を評価することができる。テクスチャの類似性の経験的比較のための種々の知られた方法がある。この観点での好適な実施形態は、χ2検定を使用し次のように定められる。
上式中hiおよびhjは2つのヒストグラムである。
ヒストグラムhiおよびhjが著しく異なっている場合、χ2は非常に大きい。このため、類似するχ2値を有する画像パッチは類似するテクスチャを有する。あるいは、異なる類似性尺度を用いることがきる。例えば、テクスチャヒストグラムは確率分布関数とみなすことができ、コルモゴロフ−スミノフ(Kolmogorov−Smirnov)距離を用いて比較されてよい。χ2値が画像全体について算出され、かつ画像(基質、腺)内に種々のテクスチャが存在すると仮定すると、χ2の値を閾値化して、画像内の異なるテクスチャに標識をつけることができる。K平均法などの統計的クラスタリング法を適用してはっきりと区別できるテクスチャの領域を見つけることができる。基質および腺組織に適用されるこのような方法の一例を図2、8、および9に示す。3チャネル画像(RGB)から計算された平均グレースケール画像は、図10に示すフィルタバンクをテストするために使用された。結果は期待できるものである。この用途のために特定的に設計されていない既存のフィルタが使用されると仮定すると、この方法はヒストグラム画像のセグメント化にかなり有望である。
例えば、χ2値が図2の画像全体について算出され、かつその画像内に種々のテクスチャがあると仮定すると、比較を行ってχ2を閾値レベルと比較して、画像内の異なるテクスチャを表す出力を提供することができる。別の場合には、K平均法などの統計的クラスタリング法を用いてはっきりと区別できるテクスチャの領域を見つけることができる。画像処理装置68はこのようにして得られた比較値を利用して、関連するテクスチャを表すχ2値または他の比較尺度に基づいて基質画像または特定の組織に画素を割り当てることによって、図8および9の画像を生成することができる。
例えば、茶色画像をあらわす図9の画像に関し、各画素レベルの茶色レベルの合計が生成され、規格化される。規格化は画像内の画素数に関するものであってよい。
本発明の主題の方法および装置のパフォーマンスを図12に関して説明する。図12は図1のコンピュータ30に命令を提供してよい機械読取り可能な媒体も表している。機械読取り可能な媒体は、機械、例えばコンピュータによって読取り可能な形式で情報を提供、例えば、記憶かつ/または送信する任意の機構を含む。例えば、機械読取り可能な媒体には読出し専用メモリ(ROM)、ランダムアクセスメモリ(RAM)、磁気ディスク記憶媒体、光学式記憶媒体、フラッシュメモリデバイス、および、例えば、電気的、光学的、音響的、または他の形式の伝搬信号がある。
ここで図12を参照すると、ブロック200では、コンピュータ30(図1)はビデオ画像にアクセスする。この画像はビデオサーバ52によって提供されてよいか、またはカメラ25がデータメモリ64からアクセスされてよい。ブロック202では、画像処理装置68は教師なし行列分解関数を利用して、利用された各色素について1つのnd画像を提供する。この画像はブロック204および206に示したように生成される。しかし、この図はこの順序が必要であることを示唆することを意味するものではない。この順序は逆になってよいか、またはプログラムは順序がないようにまたは順序がわからないように動作してよい。この自動化されたデコンボリューションはこの時点で完了する。
さらなる形態では、このオペレーションはブロック212に進み、対象となる領域、例えば、特定の組織76の領域が決定される。ブロック214に示したように、上記の比較分析に基づいて、画素が基質74または特定の組織76を示す画像に割り当てられる。ブロック216では、対象とする領域の画像の色レベルの規格を実行して、対象とする領域の色の程度の割合または他の指標などの診断的意義のある値を生成する。ブロック218では、この値が閾値と比較される。ブロック220は値が閾値を満たす場合にフラッグ指標、レポート指標、または他の指標が提供される決定ブロックである。
本発明の主題の好適な実施形態は、ある条件に特異的なある色素およびスライド内の全組織の全体的可視性などの別の目的に使用される別の色素によって発生する混ざり合った染色の自動デコンボリューションを提供する。さらなる自動的な決定が対象とする領域内の色素のレベルを分析する際および診断的意義のある値を生成する際に提供される。
このように本発明の主題を記載してきたが、同主題は多数の様式で変形または変更されてよいことは明白であろう。そのような変形および変更は、本発明の主題の精神および範囲から離れたものであるとみなされるべきではなく、そのような変形および変更は添付の特許請求の範囲内に含まれることが意図される。
Claims (29)
- スペクトル分解方法であって、
各々がスペクトルデータを有する画素を含んだ画像にアクセスする工程と、
行列X=ASを生成する工程であり、Aはスペクトル定義のns×nd行列であり、sはスペクトル成分の数かつdは前記画像が分解される色素の数であり、Sは画素毎の各色素の量のns×l行列であり、lは画素数であるような行列X=ASを生成する工程と、
加法的な色モデルの特性に一致する制約を有する教師なし行列分解方法によって解くために前記行列Xを制約する工程と、
ndを決定する工程とを含む方法。 - 第1の色の対象とする領域を分解する工程をさらに含む請求項1に記載の方法。
- 前記対象とする領域の画素の第2の色のレベルを決定する工程をさらに含む請求項2に記載の方法。
- 前記対象とする領域の前記画素の前記第2の色のレベルの合計値を規格化し、それらを示す値を提供する工程をさらに含む請求項3に記載の方法。
- 前記教師なし行列分解法は、両行列AおよびSが非負になるように制限される非負の行列の因数分解を含む請求項1に記載の方法。
- 前記教師なし行列分解法は、Aの列の統計的独立性が最大化されるように独立成分分析を含む請求項1に記載の方法。
- 前記対象とする領域を分解する工程は、方向付けられた空間フィルタを前記第1の色の前記画像に適用する工程を含む請求項2に記載の方法。
- 前記フィルタの出力をテクストンにグループ化する工程をさらに含む請求項7に記載の方法。
- 前記対象とする領域を分解する工程は、画像パッチ内の近隣画素からの応答を含んだ各画素に対するヒストグラムを生成し、かつ各画素上に中心がある近隣画素間の類似性を比較する工程をさらに含む請求項8に記載の方法。
- 比較する工程は、次の画像パッチとの類似性を示す各画像パッチに対する値を生成する工程を含む請求項9に記載の方法。
- 類似性を示す値を生成する工程は、χ2値を生成する工程を含む請求項10に記載の方法。
- 所定の範囲内で類似のテクスチャを有することに基づいて、前記対象とする領域の画像をデコンボリューションされた画像から分離する工程をさらに含む請求項8に記載の方法。
- スペクトル分解用の装置であって、
各々がスペクトルデータを有する画素を含んだ画像を示す入力を受け取るビデオ処理装置を備え、
前記処理装置は、Aはスペクトル定義のns×nd行列、sはスペクトル成分の数かつdは前記画像が分解される色素の数、Sは画素毎の各色素の量のns×l行列、lは画素数である行列X=ASを生成するように、加法的な色モデルの特性に一致する制約を有する教師なし行列分解方法によって解くために前記行列Xを制約するように、かつndを決定するように適合された、スペクトル分解用の装置。 - 前記処理装置は第1の色の対象とする領域を決定する空間フィルタをさらに備える請求項13に記載のデバイス。
- 隣接する画像パッチの類似性を決定し、前記第1の色のレベルは診断的意義がある組織を示すテクスチャを有する領域に関する別個の画像を生成する処理装置をさらに備える請求項14に記載のデバイス。
- 前記別個の画像の領域に関して前記第1の色のレベルを合計かつ規格化する処理装置をさらに備える請求項15に記載のデバイス。
- 前記第1の色の規格化されたレベルを閾値と比較する比較回路をさらに備える請求項16に記載のデバイス。
- 各々がスペクトルデータを有する画素を含んだ画像にアクセスする工程と、行列X=ASを生成する工程であり、Aはスペクトル定義のns×nd行列であり、sはスペクトル成分の数かつdは前記画像が分解される色素の数であり、Sは画素毎の各色素の量のns×l行列であり、lは画素数であるような行列X=ASを生成する工程と、加法的な色モデルの特性に一致する制約を有する教師なし行列分解方法によって解くために前記行列Xを制約する工程と、ndを決定する工程とを含んだオペレーションを処理装置によって実行されるときに前記処理装置に実行させる命令を提供するコンピュータプログラムを有する機械読取り可能な媒体。
- 第1の色の対象とする領域を分解させる命令をさらに含む請求項18に記載の機械読取り可能な媒体。
- 前記対象とする領域内の画素の第2の色のレベルを決定させる命令をさらに含む請求項19に記載の機械読取り可能な媒体。
- 前記対象とする領域内の前記画素の前記第2の色の合計値を規格化させ、かつそれを示す値を提供させる命令をさらに含む請求項20に記載の機械読取り可能な媒体。
- 前記教師なし行列分解方法は、両行列AおよびSが非負になるように制限されるように非負の行列の因数分解を含む請求項18に記載の機械読取り可能な媒体。
- 前記教師なし行列分解法は、Aの列の統計的独立性が最大化されるように独立成分分析を含む請求項18に記載の機械読取り可能な媒体。
- 前記対象とする領域を分解する工程は、方向付けられた空間フィルタを前記第1の色の前記画像に適用する工程を含む請求項19に記載の機械読取り可能な媒体。
- 前記空間的にグループ化する工程を分解する工程は、前記フィルタの出力をテクストンにグループ化する工程を含む請求項24に記載の機械読取り可能な媒体。
- 前記対象とする領域を分解する工程は、画像パッチ内の近隣画素からの応答を含んだ各画素に対するヒストグラムを生成し、かつ各画素上に中心がある近隣画素間の類似性を比較する工程をさらに含む請求項25に記載の機械読取り可能な媒体。
- 比較する工程は、次の画像パッチとの類似性を示す各画像パッチに対する値を生成する工程を含む請求項26に記載の機械読取り可能な媒体。
- 類似性を示す値を生成する工程は、χ2値を生成する工程を含む請求項27に記載の方法。
- 所定の範囲内で類似のテクスチャを有することに基づいて、前記対象とする領域の画像をデコンボリューションされた画像から分離する工程をさらに含む請求項25に記載の機械読取り可能な媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US47507103P | 2003-05-30 | 2003-05-30 | |
PCT/US2004/016858 WO2004111930A2 (en) | 2003-05-30 | 2004-05-28 | Color unmixing and region of interest detection in tissue samples |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006526783A true JP2006526783A (ja) | 2006-11-24 |
Family
ID=33551521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006515003A Pending JP2006526783A (ja) | 2003-05-30 | 2004-05-28 | 色分解および組織試料内の対象となる領域の検出 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7689023B2 (ja) |
EP (1) | EP1636752A2 (ja) |
JP (1) | JP2006526783A (ja) |
WO (1) | WO2004111930A2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009270890A (ja) * | 2008-05-02 | 2009-11-19 | Olympus Corp | 画像処理装置および画像処理プログラム |
JP2010169596A (ja) * | 2009-01-23 | 2010-08-05 | Olympus Corp | 画像処理システム、画像処理装置および画像処理端末 |
JP2010540906A (ja) * | 2007-09-21 | 2010-12-24 | アペリオ・テクノロジーズ・インコーポレイテッド | 診断分解能デジタルスライド画像のための改善した画質 |
JP2015008727A (ja) * | 2013-06-27 | 2015-01-19 | 中國醫藥大學 | ハイパースペクトル利用の組織細胞画像分析のシステム及び方法 |
JP2021047207A (ja) * | 2013-01-31 | 2021-03-25 | ベンタナ メディカル システムズ, インコーポレイテッド | 多重組織検定用の撮像デバイスまたはシステムを較正、構成、および有効性判断するためのシステムおよび方法 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0229734D0 (en) * | 2002-12-23 | 2003-01-29 | Qinetiq Ltd | Grading oestrogen and progesterone receptors expression |
US7321791B2 (en) * | 2003-09-23 | 2008-01-22 | Cambridge Research And Instrumentation, Inc. | Spectral imaging of deep tissue |
US8634607B2 (en) | 2003-09-23 | 2014-01-21 | Cambridge Research & Instrumentation, Inc. | Spectral imaging of biological samples |
SE527664C2 (sv) * | 2004-09-28 | 2006-05-02 | Bostroem & Holmdahl Biotech Hb | Metod och anordning för att reproducerbart mäta och kvantifiera intracellulära objekt |
EP1846869B1 (en) | 2005-01-27 | 2011-10-05 | Cambridge Research & Instrumentation, Inc. | Classifying image features |
JP2007187983A (ja) * | 2006-01-16 | 2007-07-26 | Sony Corp | 撮像装置、およびレンズ位置調整方法 |
US9635172B2 (en) | 2006-04-13 | 2017-04-25 | Tp Lab Inc. | Selective voice communication among multiple services |
US8244021B2 (en) * | 2006-12-20 | 2012-08-14 | Ventana Medical Systems, Inc. | Quantitative, multispectral image analysis of tissue specimens stained with quantum dots |
JP5041229B2 (ja) * | 2007-12-07 | 2012-10-03 | ソニー株式会社 | 学習装置および方法、認識装置および方法、並びにプログラム |
US20090226059A1 (en) * | 2008-02-12 | 2009-09-10 | Richard Levenson | Tissue Processing And Assessment |
EP2175416A1 (en) * | 2008-10-13 | 2010-04-14 | Sony Corporation | Method and system for image deblurring |
US8139850B2 (en) * | 2008-12-05 | 2012-03-20 | Tandent Vision Science, Inc. | Constraint generation for use in image segregation |
US8757871B2 (en) * | 2010-08-16 | 2014-06-24 | The Board Of Trustees Of The University Of Illinois | Particle dynamics microscopy using temperature jump and probe anticorrelation/correlation techniques |
WO2012142090A1 (en) * | 2011-04-12 | 2012-10-18 | Tripath Imaging, Inc. | Method for optimization of quantitative video-microscopy and associated system |
EP2518474A1 (en) | 2011-04-27 | 2012-10-31 | Well Dynamics Applications S.r.l. WDA | Method for the determination of analytes in the hair |
CN102609944B (zh) * | 2012-02-08 | 2014-06-11 | 复旦大学 | 基于距离几何理论的高光谱遥感图像混合像元分解方法 |
WO2014031735A1 (en) * | 2012-08-21 | 2014-02-27 | Cambridge Research & Instrumentation, Inc. | Visualization and measurement of cell compartments |
GB2542765A (en) * | 2015-09-23 | 2017-04-05 | Pathxl Ltd | Method and apparatus for tissue recognition |
CA2920492C (en) * | 2013-09-30 | 2019-08-13 | Ventana Medical Systems, Inc. | Systems and methods for adaptive histopathology image unmixing |
US20150269314A1 (en) * | 2014-03-20 | 2015-09-24 | Rudjer Boskovic Institute | Method and apparatus for unsupervised segmentation of microscopic color image of unstained specimen and digital staining of segmented histological structures |
EP3146463B1 (en) * | 2014-05-23 | 2020-05-13 | Ventana Medical Systems, Inc. | Systems and methods for detection of biological structures and/or patterns in images |
CN104268543B (zh) * | 2014-10-04 | 2017-07-04 | 上海工程技术大学 | 一种复杂纹理织物起球图像的采集方法 |
GB2542558B (en) * | 2015-09-17 | 2018-12-05 | Spinnaker Int Ltd | Method and system for detecting staining |
EP3391288B1 (en) | 2015-12-18 | 2023-07-12 | Ventana Medical Systems, Inc. | Systems and methods of unmixing images with varying acquisition properties |
US10229495B2 (en) * | 2016-11-22 | 2019-03-12 | Agilent Technologies, Inc. | Method for unsupervised stain separation in pathological whole slide images |
US10909723B2 (en) * | 2017-06-13 | 2021-02-02 | X-Rite, Incorporated | Hyperspectral imaging spectrophotometer and system |
CN108280466B (zh) * | 2018-01-12 | 2021-10-29 | 西安电子科技大学 | 基于加权核范数最小化的极化sar特征分类方法 |
EP3517934A1 (en) | 2018-01-24 | 2019-07-31 | I Love My Body Research S.r.l. | Method for the determination of analytes in the hair |
CN111727436B (zh) | 2018-02-15 | 2022-10-28 | 威里利生命科学有限责任公司 | 对未染色组织的病理学预测 |
JP7416821B2 (ja) * | 2019-03-22 | 2024-01-17 | ベクトン・ディキンソン・アンド・カンパニー | 高周波多重励起データを使用した蛍光イメージングのスペクトルアンミックス |
US20220228968A1 (en) * | 2019-05-31 | 2022-07-21 | Cytognos, S.L. | Hyperspectral quantitative imaging cytometry system |
CN111157719B (zh) * | 2020-01-16 | 2022-10-14 | 清华珠三角研究院 | 一种检测dna片段含量的多通道检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69031866T2 (de) | 1990-03-30 | 1998-06-18 | Koninkl Philips Electronics Nv | Verfahren und Anordnung zur Signalverarbeitung durch die Eigenvektortransformation |
US5995645A (en) * | 1993-08-18 | 1999-11-30 | Applied Spectral Imaging Ltd. | Method of cancer cell detection |
US6675106B1 (en) | 2001-06-01 | 2004-01-06 | Sandia Corporation | Method of multivariate spectral analysis |
-
2004
- 2004-05-28 EP EP04753652A patent/EP1636752A2/en not_active Withdrawn
- 2004-05-28 US US10/558,679 patent/US7689023B2/en not_active Expired - Fee Related
- 2004-05-28 JP JP2006515003A patent/JP2006526783A/ja active Pending
- 2004-05-28 WO PCT/US2004/016858 patent/WO2004111930A2/en active Application Filing
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010540906A (ja) * | 2007-09-21 | 2010-12-24 | アペリオ・テクノロジーズ・インコーポレイテッド | 診断分解能デジタルスライド画像のための改善した画質 |
JP2014002166A (ja) * | 2007-09-21 | 2014-01-09 | Aperio Technologies Inc | デジタルスライド画像を表示する方法 |
US9098736B2 (en) | 2007-09-21 | 2015-08-04 | Leica Biosystems Imaging, Inc. | Image quality for diagnostic resolution digital slide images |
US9710694B2 (en) | 2007-09-21 | 2017-07-18 | Leica Biosystems Imaging, Inc. | Image quality for diagnostic resolution digital slide images |
JP2009270890A (ja) * | 2008-05-02 | 2009-11-19 | Olympus Corp | 画像処理装置および画像処理プログラム |
JP2010169596A (ja) * | 2009-01-23 | 2010-08-05 | Olympus Corp | 画像処理システム、画像処理装置および画像処理端末 |
JP2021047207A (ja) * | 2013-01-31 | 2021-03-25 | ベンタナ メディカル システムズ, インコーポレイテッド | 多重組織検定用の撮像デバイスまたはシステムを較正、構成、および有効性判断するためのシステムおよび方法 |
JP7200204B2 (ja) | 2013-01-31 | 2023-01-06 | ベンタナ メディカル システムズ, インコーポレイテッド | 多重組織検定用の撮像デバイスまたはシステムを較正、構成、および有効性判断するためのシステムおよび方法 |
US11566941B2 (en) | 2013-01-31 | 2023-01-31 | Ventana Medical Systems, Inc. | Systems and methods for calibrating, configuring and validating an imaging device or system for multiplex tissue assays |
JP2015008727A (ja) * | 2013-06-27 | 2015-01-19 | 中國醫藥大學 | ハイパースペクトル利用の組織細胞画像分析のシステム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
US20070053573A1 (en) | 2007-03-08 |
WO2004111930A3 (en) | 2005-03-24 |
WO2004111930A9 (en) | 2005-05-06 |
WO2004111930A2 (en) | 2004-12-23 |
US7689023B2 (en) | 2010-03-30 |
EP1636752A2 (en) | 2006-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2006526783A (ja) | 色分解および組織試料内の対象となる領域の検出 | |
US11893731B2 (en) | Group sparsity model for image unmixing | |
US11990228B2 (en) | Automatic assay assessment and normalization for image processing | |
EP3218843B1 (en) | Classifying nuclei in histology images | |
EP1470411B1 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
CN111448584A (zh) | 计算肿瘤空间和标记间异质性的方法 | |
US9996924B2 (en) | Systems and methods for spectral unmixing of microscopic images using pixel grouping | |
US9607374B2 (en) | Color decomposition in histology | |
US10430945B2 (en) | Systems and methods for color deconvolution | |
Maggioni et al. | Hyperspectral microscopic analysis of normal, benign and carcinoma microarray tissue sections | |
Septiana et al. | Elastic and collagen fibers discriminant analysis using H&E stained hyperspectral images | |
Harvey et al. | Investigation of automated feature extraction techniques for applications in cancer detection from multispectral histopathology images | |
Lotfollahi et al. | Digital Staining of High-Resolution Ftir Spectroscopic Images | |
CN112014378A (zh) | 一种便携式血痕识别仪及其鉴别方法 |