JP7467205B2 - バイオマーカを光学的に検出するための方法 - Google Patents
バイオマーカを光学的に検出するための方法 Download PDFInfo
- Publication number
- JP7467205B2 JP7467205B2 JP2020067271A JP2020067271A JP7467205B2 JP 7467205 B2 JP7467205 B2 JP 7467205B2 JP 2020067271 A JP2020067271 A JP 2020067271A JP 2020067271 A JP2020067271 A JP 2020067271A JP 7467205 B2 JP7467205 B2 JP 7467205B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- particle
- particles
- parameters
- sample
- 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.)
- Active
Links
- 239000000090 biomarker Substances 0.000 title claims description 58
- 238000000034 method Methods 0.000 title claims description 38
- 239000002245 particle Substances 0.000 claims description 167
- 239000002105 nanoparticle Substances 0.000 claims description 53
- 230000003287 optical effect Effects 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000010191 image analysis Methods 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 20
- 238000012512 characterization method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003705 background correction Methods 0.000 claims description 2
- 238000009304 pastoral farming Methods 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 52
- 239000000178 monomer Substances 0.000 description 25
- 239000000539 dimer Substances 0.000 description 18
- 238000005259 measurement Methods 0.000 description 16
- 239000013638 trimer Substances 0.000 description 11
- 230000004807 localization Effects 0.000 description 9
- 239000000758 substrate Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000011192 particle characterization Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 235000012489 doughnuts Nutrition 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000003702 image correction Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 108091003079 Bovine Serum Albumin Proteins 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000295 emission spectrum Methods 0.000 description 3
- 239000012091 fetal bovine serum Substances 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000013642 negative control Substances 0.000 description 3
- 239000013610 patient sample Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 108090001005 Interleukin-6 Proteins 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000001634 microspectroscopy Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000010361 transduction Methods 0.000 description 2
- 230000026683 transduction Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- -1 clusters Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- UQLDLKMNUJERMK-UHFFFAOYSA-L di(octadecanoyloxy)lead Chemical compound [Pb+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O UQLDLKMNUJERMK-UHFFFAOYSA-L 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- LOKCTEFSRHRXRJ-UHFFFAOYSA-I dipotassium trisodium dihydrogen phosphate hydrogen phosphate dichloride Chemical compound P(=O)(O)(O)[O-].[K+].P(=O)(O)([O-])[O-].[Na+].[Na+].[Cl-].[K+].[Cl-].[Na+] LOKCTEFSRHRXRJ-UHFFFAOYSA-I 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 239000002073 nanorod Substances 0.000 description 1
- 239000002077 nanosphere Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000002953 phosphate buffered saline Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002094 self assembled monolayer Substances 0.000 description 1
- 239000013545 self-assembled monolayer Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013207 serial dilution Methods 0.000 description 1
- 238000002444 silanisation Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
- G01N21/552—Attenuated total reflection
- G01N21/553—Attenuated total reflection and using surface plasmons
- G01N21/554—Attenuated total reflection and using surface plasmons detecting the surface plasmon resonance of nanostructured metals, e.g. localised surface plasmon resonance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
- G01N33/54313—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals the carrier being characterised by its particulate form
- G01N33/54346—Nanoparticles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0038—Investigating nanoparticles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
- G01N2015/1472—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle with colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
- G01N2021/5903—Transmissivity using surface plasmon resonance [SPR], e.g. extraordinary optical transmission [EOT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Biomedical Technology (AREA)
- Nanotechnology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Cell Biology (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Input (AREA)
- Image Analysis (AREA)
Description
1)各バイオマーカは、特定の種類のプラズモンナノ粒子(ナノスフェア、ナノロッド、ナノキューブ、ナノプリズムなど)で標識付けされる。
2)プラズモンナノ粒子は、機能化された吊り下げられた複数の誘電体基板上に堆積して、同時に、
i.プラズモンナノ粒子からの弱い散乱信号を強く増強し(オプトプラズモン効果)、
ii.ナノ粒子の質量を計量する。
3)バイオセンシングプラットフォームは、二重変換メカニズムを提示する。
a)光学的検出:プラズモンナノ粒子は、標準的な暗視野顕微鏡で光学的に検出される。
b)機械的検出:プラズモンナノ粒子の質量は、ナノ粒子の堆積後の吊り下げられた機械的基板の共振周波数の変化を測定することによって検出される。
-光学スキャナで実行される、バイオセンサの少なくとも1つのサンプルからの空間的およびスペクトル的に同時に分解された画像の画像取得と、-画像取得と並行して実行される画像解析と、を含み、
画像解析は、
-取得した画像のデータを記憶手段から読み出すステップと、
-取得した画像の不均一性およびノイズを低減するために、読み出したデータを補正するステップと、
-各粒子の位置を取得するために、補正されたデータを使用して取得した画像内の粒子の位置を特定するステップと、
-各粒子の位置および特性評価パラメータを含む中間解析結果を取得するために、各粒子を個別に特性評価するステップと、
-粒子の分類グループ(または粒子クラス)を取得するために、各粒子の特性評価パラメータに基づいて粒子を分類するステップと、
-取得した各画像の分類グループごとに粒子数をカウントするステップと、
-同じサンプルから取得したすべての画像の分類グループごとの粒子数を使用してバイオセンサの各サンプルの各バイオマーカについて計算された、少なくとも1つの統計値を含む全体的な解析結果を計算するステップであって、サンプルごとに計算された統計値は、サンプル中のバイオマーカの存在の指標と相関している、ステップと、を含む。
-本発明は、暗視野マイクロ分光光度法における最新技術と比較して少なくとも100倍高いスループットでプラズモンナノ粒子の超高速スペクトル解析を可能にする。提案された方法は、画像の空間分解能とスペクトル分解能を同時に取得するため、はるかに高速な測定とより高いサンプルスループットに到達する。
-ナノ粒子のカウントは「デジタル」技法であり、バイオセンサの特定の領域にわたって標識バイオマーカからの光信号を積分する代わりに、検出された標識バイオマーカの実際の数がカウントされる。これにより、本方法はより堅牢になり、画像の取得パラメータ、例えば照明の輝度やスペクトル、およびバイオセンサ基板の変動、ナノ粒子の変動などから独立する。
-広帯域連続スペクトルを用いてグレージング角度でバイオセンサを照明するステップ、
-オートフォーカスシステムを使用して、バイオセンサの表面に光学センサの焦点を合わせるステップ、
-サンプルからの散乱光を空間およびスペクトル分解能で同時に取り込む光検出器を使用することにより、サンプルから空間的およびスペクトル的に分解された光信号を取り込むステップ、
-サンプルと光学スキャナとの間の相対移動を生成するために、モータ化システムによりバイオセンサおよび/またはスキャナの光学ヘッドを2つの空間座標で移動させるステップ。
画像解析(1000)の並列化:取得したすべての画像(またはすべてのサブセット)を解析する。コンピュータでは、この解析は厳密に連続して(時間ごとに1つの画像)、または並列でいくつかの画像(コンピュータの複数のスレッドを使用して、例えば、スレッドごとに1つの画像)を解析することができる。通常、コンピュータで使用可能な最大数に近い並列スレッドの数(=カーネルの数または論理プロセッサの数)が選択され、解析の合計時間を短縮する。並列化は、画像(スレッドごとに1つの画像)対して行うこともできるし、あるいは各画像を細分割して並列にサブ画像を解析することもできる。
-画像の読み出し(2100):画像データが前述の記憶手段(例えば、メモリ)から読み出される。
-画像補正(2200):対応するオプションがユーザによって選択されているか、デフォルトで有効になっているか、スキャンに関する情報(使用するカメラセンサのタイプ、撮像パラメータなど)に基づいて自動的に有効になっている場合には、画像補正および/または変換が計算される。
-粒子位置特定(2300):可能性のある粒子が画像内で位置特定される。
-粒子特性評価(2400):各粒子は個別に特性評価され、解析の次のステップで粒子を分類することができる。
-粒子分類(2500):粒子が分類され、これにより、バイオマーカに最も特異的な粒子のみを考慮することができ、多重化に不可欠なステップである。
-粒子カウント(2600):バイオセンサの特定の領域にわたって標識バイオマーカからの光信号を積分する代わりに、検出された標識バイオマーカの実際の数がカウントされるため、本方法ははるかに堅牢で画像取得パラメータ、例えば、照明の輝度またはスペクトル、およびバイオセンサ基板の変動、ナノ粒子などから独立している。
-品質管理(2700):一般に測定の品質、特に各画像の品質を評価するために、品質インジケータが推定される。これらのインジケータは、次の(最終)ステップでの解析結果の計算をガイドするために使用される。
-全体的な解析結果(2800):同じサンプルに対して複数の画像が取得された場合、同じサンプルのすべての画像から適切な統計値(例えば、画像からの値の平均または合計、トリミングされた平均、中央値、変位値など)が計算される。各サンプルと各バイオマーカの全体的な結果は、定性的(バイオマーカの有無)または定量的(バイオマーカの濃度)のいずれかである。例えば、濃度(例えば、特定のサンプルボリューム中の抗原の量)は、ナノ粒子の数から計算することができる。
図3は、好ましい実施形態による、画像解析(1000)のための画像補正および変換のステップ(2200)によって構成される可能なステップを示す。
a)画像の背景補正(3100)を実行して、黒レベルを調整する。光学スキャナからの典型的な画像では、対象の粒子は暗い背景に個々の小さな明るいスポットとして現れる。基板、カメラセンサのタイプ、および取得パラメータによっては、この背景が「黒」(つまり、センサの値がゼロに近い、「理想的な」場合)ではなく、「灰色」(特定の色合いの有無にかかわらず)で表示される場合がある。センサ値の評価(例えば、すべてのピクセルのヒストグラムに基づく)により、信号オフセットと潜在的な色合いの両方を補正することができる。これにより、画像解析(1000)の後のステップで粒子特性評価(2400)が簡素化される。
b)画像は、輝度および/または色の潜在的な不均一性(3200)について補正される。このような不均一性は、照明、集光、カメラセンサなどによる可能性がある。典型的な効果は、画像の中心が境界よりも明るく見えることである。これらの影響の補正は、画像解析の後のステップ(1000)で粒子の正しい特性評価(2400)と分類(2500)を確実にするために必要な場合がある。
c)ダイナミックレンジを調整するために、画像のガンマ曲線(3300)の修正が行われる。「ガンマ曲線」とは、検出された光の実際の(物理的な)量に対する画像内のピクセル値の依存性を指す。標準画像(JPEG、TIFFなど)では、この依存性は非線形であり、光の増加に伴い、ピクセル値の増加は比例よりも遅くなる。提案された画像解析(1000)では、この非線形依存性は「ガンマ曲線」の逆関数を使用して補正されるため、取得されたピクセル値は散乱光の量に比例する。
d)画像ノイズを低減するために画像データを平滑化(3400)する。実際の光学解像度は通常、カメラセンサのピクセルピッチよりも大きいため、解像度に影響を与えずに平滑化(3400)することで、(光強度が低いことなどによる、カメラセンサからの)画像ノイズを低減することができる。画像ノイズの低減により、正しい粒子特性評価(2400)と分類(2500)が再び改善される。
e)標準のカラーカメラの場合、別の色空間(3500)への変更/変換を実行することができる。例えば、RGBからHSV、L*a*bなどに変換することができ、これにより、粒子特性評価(2400)の結果の解釈を簡素化し、色に関して粒子をより正確に区別することができる。L*a*b色空間には、例えば、光強度Lの1つのチャネルが含まれ、他の2つの軸は色を表す。それに比べて、RGBのチャネルはすべて色と輝度を混合している。
f)使用する色空間に専用の輝度値(例えばRGBなどで)が含まれていない場合には、輝度値(3600)は各画像ピクセルの色チャネルを合計して計算される。結果として得られるグレースケール画像は、以下では「輝度画像」と呼ばれる。この輝度画像は通常、正規化されており、「0」と「1」は指定された画像形式の最低と最高の輝度レベルに対応する(8ビットRGB:(0|0|0)→0、(255|255|255)→1)。
g)使用する色空間に相対色値が含まれていない場合には、各色チャネルをチャネルの合計で除算することにより、各ピクセルの相対色値(3700)を計算することができ、例えば、チャネル「赤」の相対的寄与についてRrel=R/(R+G+B)である。
図4は、好ましい実施形態による、粒子の位置特定(2300)のための可能なステップを示す。
a)使用される実際の画像取得パラメータ(光学およびセンサの解像度、倍率など)を考慮して、光学プラットフォームからの画像内のナノ粒子の典型的な形状を表すテストパターン(4100)が生成される。好ましくは、単一のグレースケールテストパターンが使用される。ナノ粒子の形状は、例えば、2次元ガウス関数、エアリーパターン、単純な円盤形状などで表すことができる。可能な実施態様では、2つのガウス関数の合計(G1+(-G2))を使用して、個々のプラズモンナノ粒子の典型的な「ドーナツ」形状の散乱パターンをほぼ一致させる。
単一のグレースケールテストパターンの代わりに、色付きのパターンを使用することができ、例えば、RGB成分ごとに1つのパターンを使用したり、複数のスペクトル帯域を備えたカメラのチャネルごとに1つのパターンを使用したりすることができる。これにより、形状が波長に依存する場合に、可能性のある粒子の正確な識別を改善することができる(例えば、緑色のガウス形状とオレンジ色のスペクトル範囲のドーナツ形状)。
b)輝度画像と(1つまたは複数の)テストパターンとの間の正規化された2次元相互相関(4200)が計算される。この相互相関画像(4200)は、テストパターンと形状が類似している画像の領域に対して「1」に近い値を有する。
輝度画像を使用する代わりに、相互相関(4200)をテストパターンと、例えば画像の色チャネルの1つ(または複数のチャネルの線形結合、またはその他の関数)との間で計算することができる。これは、例えば、特定のパターンが他のチャネルと比較して1つのチャネルでより顕著である場合に適している。
c)画像に対してマスク(4300)が計算される。例えば、バイナリマスクが定義されており、あるしきい値を超える相互相関値(例えば>0.6)と特定の範囲(例えば、>0.03かつ<0.98、つまりノイズより高く、飽和より低い)の相対輝度を有するピクセルのマスクは「1」(=真)に等しい。他のすべてのピクセルはゼロ(=偽)である。
バイナリマスク(「0」または「1」)の代わりに、連続値を使用してマスク(4300)を定義することができる。すなわち、制約が十分に一致している場合には、グレースケールマスクは(例えば)1に近い値を有し、そうでない場合はゼロに近い値を有し、これらの間のすべての値が可能である。
相関と輝度の所定のしきい値は単なる例であり、実際の測定値に基づいて、より適切な値を選択したり、あるいは、異なるおよび/または追加のパラメータのしきい値を選択することができる(色、信号-バックグラウンド比など)。
d)グレースケールマスク(4400)は、以前に定義されたマスク(4300)と相互相関画像(4200)をピクセル単位で乗算することによって生成される。相互相関画像とバイナリマスクの積を使用する代わりに、可能性のある粒子の位置は、バイナリマスクのみ(値「1」を有する領域の位置)から導き出すことができる。積の代わりに、例えば、相互相関画像の二乗を取るなど、他の関数が使用されている。
e)結果のグレースケール画像(4400)から、極大点、つまりすべての直接隣接するピクセルの値よりも高い値を有するピクセルが位置特定され、これらの極大点の位置が粒子の可能性のある位置(4500)とみなされる。テストパターン(4100)で相互相関(4200)を使用する代わりに、粒子検索は、画像のハフ変換(例えば、特定のサイズの円形のオブジェクトを見つける)などでしきい値処理技術(例えば、特定の背景値を超えるすべてが可能性のある粒子とみなされる)に基づくこともできる。
図5は、好ましい実施形態による、粒子特性評価(2400)のための可能なステップを示す。
a)画像の平滑化されたパラメータ(5100)を取得する。最も重要なパラメータは、各粒子の輝度と散乱スペクトル(「色」)である。これらのパラメータの平均値(つまり、粒子の領域全体の平均)を取得するためには、対応する画像(輝度画像、相対的な色の寄与がある画像など)を適切なカーネル、例えば、予想される粒子サイズに近いサイズの2次元ガウス、またはディスク形状のパターンでフィルタ処理する。
b)これらのフィルタ処理/平滑化された画像は、前に計算された可能性のある粒子位置(4500)で評価される(5200)。特性評価される画像あたりの粒子の数が「少ない」場合には、平均値を抽出するためにカーネルを使用して画像全体の畳み込みを計算することは計算上非効率的である可能性がある。代わりに、各粒子の周りの画像から小さな領域を直接抽出し、それを使用して平均値を導き出す方がより効率的なオプションである。「低い」数とみなされるものは、撮像パラメータ、コンピュータのハードウェア、および解析ルーチンの実施態様によって異なる。特定の設定で、クロスオーバーポイントを決定して、どちらか一方のオプションを自動的に使用することができる。
c)関心のある追加特性(5300)は、粒子のサイズと形状、例えば、輝度画像のFWHM-半値全幅-、テストパターンとの相関の程度、および粒子の中心での局所形状である。後者のパラメータは、ドーナツ形状(=中心に凹み)をガウス(または類似の)形状(=中心に最大値)から区別することを可能にする。現在の実施態様で使用されている解析は、粒子の中心での離散ラプラシアンに比例する値を計算する。この選択により、3×3カーネルによる画像の単純な畳み込みに基づく効率的な実施態様が可能になる。関心のあるさらなる追加特性(5300)は、(例えば、最近傍距離に基づく)局所粒子密度、およびさらなるスペクトル特性(例えば、スペクトル成分の差または比)である。
d)その結果、各可能性のある粒子の特性が取得され、それらの位置は、粒子位置特定の前のステップ(2300)からすでに分かっている。各画像について、粒子の特性と位置は、表として表される中間結果(5400)を定義しており、可能性のある粒子ごとに1行、特性が導き出されたのと同じ数の列がある。例については、以下の表1を参照されたい。
図6は、好ましい実施形態による、粒子の分類(2500)のための可能なステップを示す。
a)必要に応じて、粒子カウント(2600)、品質管理(2700)、および画像解析(1000)の最終結果(2800)のさらなるステップから粒子(6100)を除外するために特定の特性を使用することができる。例えば、ナノ粒子のモノマーのみが対象であり、モノマーが識別機能としてドーナツ形状を示す場合、このパラメータを使用して、すべての非ドーナツ形状の粒子を除去することができる。
b)以前の解析の情報に基づいて、粒子の様々なクラス(6200)がそれらの特性(輝度、「色」、形状、サイズ)に基づいて定義される。例えば、
(1)ノイズ(非常に低い輝度)、
(2)バイオセンサ製造からの残留物(特定のスペクトルパターン)、
(3)ダスト(異なるスペクトルパターン)、
(4)個々のナノ粒子(明確なスペクトルパターン、輝度、形状など)、
(5)ナノ粒子のクラスタ(ダイマー、トリマーなど、スペクトルパターン、輝度に基づく)。これらのクラスタの場合、それらの輝度は通常、対応する個々のナノ粒子の輝度に系統的に依存する。この情報は分類を改善するために使用される。
c)多重化(6300)の場合、すなわち、様々なバイオマーカの同時検出の場合、後の図10の粒子カウント(2600)に示すように、それぞれが異なるナノ粒子で標識付けされ、使用されるすべてのナノ粒子を考慮して追加の分類グループが定義される。
d)各クラスに対応する特性の組み合わせを定義する必要な分類パラメータおよびルール(6400)は、以前の測定に基づいて事前に与えることができ、または、図7に示すように、解析する測定自体から導き出すことができる。後者の場合、この解析は通常、測定値のすべての画像から個別にではなく、(統計を改善し、分類がすべての画像間で一貫していることを確認するために)すべての画像の結合結果に基づいている。
e)分類は、基本的にパラメータ空間のセグメンテーション(6500)で構成される。そのルールは、オペレータが定義するか(手動によるセグメンテーションなど)、または自動的に導き出すことができる(例えば、クラスタ検索、k平均法、セグメンテーションアルゴリズム、機械学習アルゴリズムなど)。RGBカメラの場合、分類の一例は、範囲[>0.1、<0.7]の正規化された輝度、および範囲[>0.0、<0.33]の色チャネル「赤」の相対的な寄与を有するすべての粒子は、製造からの残留物とみなされるということである。
f)ナノ粒子ロット間の違い、照明の変化、検出パラメータの変化などの場合、分類は手動または自動で適応する(6600)ことができる。
i.特性評価パラメータ(2つのパラメータ:輝度と色の成分)を選択し(7100)、すべての可能性のある粒子からこれらのパラメータのヒストグラム(7200)を計算する。RGBカメラの場合、通常、正規化された輝度とチャネル「赤」の相対的な寄与がパラメータとして使用される。図8は、2つのパラメータ値の2次元ヒストグラムを示しており、粒子の正規化された輝度が横軸に沿って表され、チャネル「赤」の相対的な寄与が縦軸に沿って表されている。ナノ粒子のモノマー、ダイマー、トリマーなどは、このヒストグラムで「ピーク」を形成し、図8に描かれた線は、異なるタイプの粒子間の境界を示す。2つのパラメータの使用と、対応する2次元ヒストグラムの計算は、単なる一例である。より多くのパラメータが使用される場合には、数学的なステップは基本的に同じである。例えば、3つのパラメータの場合、図9に示すように、3次元密度分布(「ヒストグラム」)を取得することができ、線を分離する代わりに、粒子の異なるタイプ/クラス間で分離平面(または他の表面)が使用される。
ii.計算されたヒストグラムで、モノマーの「ピーク」が識別される(7300)。同じタイプの粒子(例えば、個々のナノ粒子)は、一種の「ピーク」(=ヒストグラムの、または一般的に、パラメータ空間の「密な」領域)を形成するが、これは、それらすべての輝度と色が類似しているためである。個々の粒子の違い、およびノイズおよび/または測定の精度不足のため、これらは類似しているが同一ではない。典型的な測定では、メインの「ピーク」は個々のナノ粒子(モノマー)に対応する。以前の測定からの知識に基づいて、解析するデータのヒストグラムのこの「ピーク」の位置を自動的に識別し、所与のパラメータ範囲、例えば、[0.1、0.3]の正規化された輝度、および[0.35、0.45]のチャネル「赤」の相対的寄与でヒストグラムの極大点を検索することができる。
iii.モノマーのこの位置が分かれば、ダイマー、トリマーなどの位置は、それらの輝度がモノマーの輝度の約2倍、3倍などであるという知識に基づいて推定する(7400)ことができる。繰り返しになるが、推定値は実際の極大点の検索をガイドするために使用される。
iv.モノマー、ダイマーなどのピークは多少重なる傾向がある。粒子を一方または他方のピークに割り当てるには、2つのピーク間の「境界」を定義して(7500)、粒子のクラスを区別する。ルーチンは、2つのピーク間の「谷」を最もよく定義する(直線)ラインを検索する。
v.モノマー、ダイマー、トリマー、およびヒストグラム内のナノ粒子のより大きな凝集体の間の位置と分離線は、上記のように識別される。次に、境界を使用して(7600)、粒子の異なるクラスを定義し、例えば、ダイマーは、粒子のパラメータがヒストグラムのポイントに対応することになり、モノマーとダイマーを分離する「境界」の「右側」(=より高い正規化された輝度)、およびダイマーとトリマーを分離する「境界」の左側(=より低い輝度)である。さらに、データポイントは、チャネル「赤」の寄与に関して特定の範囲内にある必要がある(例えば、0.34より大きく0.6より小さい)。好ましい実施態様では、ナノ粒子は、モノマー、ダイマー、トリマー、および「より大きな凝集体」(すなわち、N≧4)として分類される(7700)。ナノ粒子のモノマー、ダイマー、トリマー、およびより大きな凝集体に対して自動的に適応される4つのルールとは別に、粒子の追加クラス(7800)に対して固定ルールが定義され、例えば、さらに4種類の「粒子」を次のように定義することができる。
(1)ノイズ:0.1未満の正規化された輝度を有し、すでに定義されているナノ粒子のグループに属さないすべての「粒子」。
(2)低輝度の残留物:0.33未満の「赤」、[>0.1、<0.7]の範囲の輝度。
(3)高輝度の残留物:0.33未満の「赤」、範囲[>0.7、<1.0]の輝度。
(4)飽和粒子:輝度値が1(=飽和)の画像ピクセルを含む。
g)その結果、すべての可能性のある粒子の分類が得られる(6700)。この結果の表現は、特性評価のステップ(2400)で生成されたテーブルに基づいており、以下の表2に示すように、分類結果を含む列が追加されている。
表2は、1つの画像について、ナノ粒子分類(2500)後に得られた結果を示している。表1と比較して、右側に列が1つ追加され、対応する粒子が属する「クラス」を示している。この例では、クラスは整数を使用して示されている。
粒子のカウント(2600)は次のように機能する。
a)各分類グループの粒子の数がカウントされる。
b)この「カウント」は、直接(1粒子、1カウント)または重み付け(例えば、グループ内の各粒子の輝度、または正しい分類の確率の推定などによる)することができる。
c)その結果、分類グループごとの粒子数が各画像について得られる。この結果は、例えば、画像ごとに1行、分類グループごとに1列の表として表すことができる。
a)ナノ粒子の1つのタイプのみが存在する測定は、多重化で使用される各タイプのナノ粒子のモノマー、ダイマー、トリマーなどの間の比率を計算するために使用される。
b)これらの粒子について、それらのどの割合が、使用されるさらなるタイプのナノ粒子に属するパラメータ空間の領域に該当するかが計算される。
c)例えば、輝度が最も低いモノマーから始めて、それらの数を使用して、対応するダイマー、トリマーなどの数、および他のナノ粒子に対応するパラメータ空間の領域にそれらがいくつ出現するかを推定する。
d)これらの数値は、特定の領域でカウントされた粒子の数を補正するために使用される。つまり、クラスタの数が未補正のカウントから差し引かれる。
e)例えば、輝度を増すために、残りのナノ粒子に対して手順を繰り返す。
一般に測定の品質、特に各画像の品質を評価するために、飽和が発生する画像の面積(つまり、正規化された輝度が1に近い領域)が計算され、画像の合焦の程度を表す値が導き出される(例えば、個々のナノ粒子の平均測定サイズ)。
一般的な品質管理とは別に、これらの値は、全体的な解析結果(2800)の計算をガイドするために使用することができる。
同じサンプルのすべての画像から少なくとも1つの統計値が計算される。可能な実施態様では、40%の対称トリミングによるトリミング平均は、同じサンプルのすべての画像から計算することができる。この値の計算では、画質(2700)と相関するパラメータを使用して、サンプルの最も代表的な画像の選択をガイドすることができ、例えば、飽和が発生した領域が大きすぎる画像(例えば、飽和領域>10%)、または十分に焦点が合っていない画像(例えば、モノマーのFWHM>1μm)を省略することができる。各サンプルについて、サンプルに存在するバイオマーカの量と相関する値が計算される。多重化の場合、バイオマーカごとにそのような値が1つ計算される。この値の適切な選択は、標識として使用される個々のナノ粒子の数である。結果は、画像あたりの平均粒子数、粒子密度(例えば、mm2あたりの粒子数)、またはサンプル領域内の粒子の総数への外挿(通常、撮影された画像は領域全体をカバーしていないので外挿)として表すことができる。後者の表現が好ましいが、それは、解釈するのが最も直接的であるため、つまり、バイオセンサで使用される特定の(既知の)量の患者サンプルでは、この数のバイオマーカが検出されているからである。
ユーザに提示される値は、例えば、標準偏差または変動係数(CV)に基づいて、不確実性の適切な尺度と共に提供される。これらの不確実性は、同じサンプルからの様々な画像間の変動から、および/または個々の画像内の変動から推定することができる。それらは、数値(N±ΔN粒子)として直接報告でき、および/または結果が信頼することができるかどうかを示すために使用することができる。
サンプルの結果の不確実性が特定の限界よりも高い場合には、解析ソフトウェアがこの結果をフィードバックし、スキャナが対応するサンプルの追加の画像を取得して、一貫した結果が得られるかどうかを確認することができる。
さらなるステップとして、解析結果(2800)はスキャン全体を直接ガイドすることができる。すなわち、特定の目標値が品質パラメータによって満たされるまで、あるいはサンプルごとに時間または画像数が上限に達するまで、各サンプルについて画像が取得される。
この実験では、光学スキャナまたはリーダーは次の構成要素で構築された。
-暗視野顕微鏡対物レンズ50×/0.8
-高出力白色光LED光源を使用した暗視野EPI照明
-12メガピクセルのCMOS RGBセンサを有するカメラ
-JPEGファイルフォーマットで保存する前に適用された画像の2×2ビニング。
画像のRGB形式は独立した輝度と色の値を提供しないため、そのような正規化された値を最初に計算した。
輝度=範囲0~1に正規化されたRGB値の合計。
相対成分=各RGB成分をRGB値の合計で割ったもので、範囲0~1に正規化される。
粒子の位置特定は、前述のように行われた。2つの2次元ガウス関数の合計で構成されるグレースケールパターンを使用して、個々の金ナノ粒子からの発光のドーナツ形状を一致させた。パターンのFWHM(半値全幅)は、0.7μmの見かけの粒子サイズに対応した。可能性のある粒子の許容基準として、パターンと画像の間の少なくとも0.6の相関を使用した。GNPの輝度の10%未満の可能性のある粒子でさえも特定するために、0.03の相対輝度という低いしきい値を設定した。
各粒子の強度と発光スペクトルの平均値を取得するために、以前に計算された画像レイヤ(正規化された輝度、正規化された相対色成分)は、2.5ピクセルのシグマを有するガウスフィルタで平滑化され、これは、FWHMが約0.8μmの画像領域全体の平均に対応する、すなわち、一般的な見かけの粒子サイズに近くなる。フィルタ処理されたレイヤは、位置特定ステップで取得された位置で評価され、各粒子の特性のリストが得られた(画像ごとに1つのリスト)。
前のステップで取得した特性から、正規化された輝度と1つの色成分が選択され、見つかったすべての粒子に基づいて2次元のヒストグラムが計算された。この2Dヒストグラム(赤で正規化)のスペクトルと輝度の関係を図11に示す。GNPの両方のタイプ(直径80と100nm)のモノマーとダイマーは簡単に区別することができる。最も顕著な2つの「ピーク」は、80nm(M80)の粒子のモノマーと100nm(M100)の粒子のモノマーに対応する。対応するダイマー(D80、D100)も簡単に区別することができるが、大きな凝集体は実質的に重複する。
低い輝度値(<0.1)では、「ノイズ」として分類された粒子が見られる。発光スペクトルが異なるため(<0.33)、製造からの残留物を区別することができ、それらの輝度に応じて、2つのクラス、すなわち、0.1~0.7の範囲の輝度については低、より高い輝度値(>0.7)については高に分類される。
このヒストグラムに基づいて、分類ルールが定義される。図11から分かるように、この場合のルールは、2Dヒストグラムの長方形(ノイズ、残留物)、楕円形(モノマー、ダイマー)、および多角形領域(凝集体)に対応している。
分類ルールが特性評価ステップの結果に適用され、見つかった各粒子の既知の特性に粒子クラスが追加された。
前のステップで取得した分類に基づいて、各クラス内の粒子が各画像でカウントされる。結果は、表4に示すように、画像ごとに1行、粒子クラスごとに1列の表として視覚化することができる。
通常、図12に示すように、カウント統計を改善するために、ウェルごとに複数の画像が取得され、この実験では、13x13の画像が取得された。ここで、ウェルの画像の外側の2つの行と列はバイオセンサの非感度領域内にあり、残りの9x9=81画像は感度領域内にあり、このウェルの主な結果、すなわち平均値およびその変動係数CVを計算するために使用される。この実験では、81個の画像に40%のトリミングを適用した後に、平均粒子数を計算した。
両方のバイオマーカのバイオセンサ上の96ウェルすべての結果を、以下の表5に示す。
Claims (17)
- バイオセンサ内のバイオマーカを光学的に検出する方法であって、
-光学スキャナで前記バイオセンサの少なくとも1つのサンプルから空間的およびスペクトル的に分解された画像を同時に取得し(1100)、前記画像取得(1100)と並行して画像解析(1000)を実行するステップを含み、
前記画像解析(1000)は、
-前記取得した画像のデータを記憶手段から読み出すステップ(2100)と、
-前記取得した画像の不均一性およびノイズを低減するために、前記読み出したデータを補正するステップ(2200)と、
-各粒子の位置を取得するために、前記補正されたデータを使用して前記取得した画像内の粒子の位置を特定するステップ(2300)と、ここで、前記粒子はプラズモンナノ粒子であり、
-各粒子の前記位置および特性評価パラメータを含む中間解析結果(5400)を取得するために、各粒子を個別に特性評価するステップ(2400)と、
-粒子の分類グループを取得するために、各粒子の前記特性評価パラメータに基づいて前記粒子を分類するステップ(2500)と、
-取得した各画像について分類グループごとに粒子数をカウントするステップ(2600)と、
-同じサンプルから取得したすべての前記画像の分類グループごとの前記粒子数を使用して前記バイオセンサの各サンプルの各バイオマーカについて計算された、少なくとも1つの統計値を含む全体的な解析結果(2800)を計算するステップであって、サンプルごとの前記少なくとも1つの統計値は、前記サンプル中のバイオマーカの存在の指標と相関している、ステップと、
を含む、方法。 - 前記画像取得(1100)のための前記光学スキャナを制御するために、前記全体的な解析結果(2800)を使用するステップをさらに含む、請求項1に記載の方法。
- 飽和が発生する画像の領域と画像の合焦の程度の値とを計算することによって、前記中間解析結果(5400)の少なくとも品質値および取得された各画像の少なくとも品質値を、前記画像解析(1000)によって取得するステップ(2700)をさらに含み、前記品質値は、前記全体的な解析結果(2800)について計算されたサンプルごとの前記統計値と相関付けられるために使用される、請求項1または2に記載の方法。
- 前記光学スキャナは、前記品質値が目標値以上になるまで前記サンプルから画像を取得する(1100)、請求項3に記載の方法。
- 空間的およびスペクトル的に分解された画像を同時に取得するステップ(1100)は、
-広帯域連続スペクトルを用いてグレージング角度で前記バイオセンサを照明するステップと、
-少なくとも1つのサンプルからの散乱光を取り込むステップと、
-オートフォーカスシステムを使用して、前記バイオセンサの表面に光学センサで焦点を合わせるステップと、
-モータ化ユニットを使用して、前記バイオセンサの少なくとも1つのサンプルと前記光学スキャナとの間の3つの空間座標での相対移動を生成するステップと、
を含む、請求項1~4のいずれか一項に記載の方法。 - サンプルごとでそして各バイオマーカについての前記全体的な解析結果(2800)は、前記バイオマーカの濃度をさらに含む、請求項1~5のいずれか一項に記載の方法。
- 前記全体的な解析結果(2800)は、前記計算された統計値の不確実性の推定をさらに含む、請求項1~6のいずれか一項に記載の方法。
- 前記取得した画像の前記読み出したデータを補正するステップ(2200)は、
-前記画像の黒レベルを調整するための背景補正(3100)と、
-前記画像の輝度および/または色の不均一性(3200)を補正するステップと、
-前記画像のガンマ曲線(3300)を修正するステップと、
-画像ノイズを低減するために前記画像を平滑化するステップ(3400)と、
を含む、請求項1~7のいずれか一項に記載の方法。 - 前記取得した画像内の粒子の位置を特定するステップ(2300)は、
-粒子形状を表す少なくとも1つのテストパターン(4100)を生成するステップと、-輝度値(3600)の画像および/または相対色値(3700)の画像と前記生成されたテストパターンとの間の相互相関画像(4200)を計算するステップと、
-前記計算された相互相関画像(4200)に基づいて前記画像のマスク(4300)を定義するステップと、
-定義されたマスク(4300)および前記相互相関画像(4200)を使用してグレースケール画像(4400)を生成するステップと、
-前記グレースケール画像(4400)の極大点の位置を特定することにより各粒子の位置を取得するステップと、
を含む、請求項1~8のいずれか一項に記載の方法。 - 粒子を特性評価するステップ(2400)が、
-各粒子の輝度値(3600)の画像および/または相対色値(3700)の画像の平滑化されたパラメータ(5100)を取得するステップと、
-前記平滑化されたパラメータ(5100)の平均値を取得するために、各粒子の前記取得された位置で前記平滑化されたパラメータ(5100)を評価するステップ(5200)と、
-各粒子の追加特性(5300)のパラメータを取得するステップであって、前記パラメータは、少なくとも前記粒子の粒子サイズ、粒子形状、粒子密度、およびスペクトル特性から選択される、ステップと、
-前記中間解析結果(5400)の前記特性評価パラメータを、前記平滑化されたパラメータ(5100)の平均値および前記追加特性(5300)のパラメータとして取得するステップと、
を含む、請求項1~9のいずれか一項に記載の方法。 - 粒子を分類するステップ(2500)が、
-前記特性評価パラメータに基づいて粒子の分類グループ(6200)を定義し、様々なバイオマーカの同時検出(6300)の場合には、粒子カウント(2600)に使用されるすべての粒子を説明する追加の分類グループを定義するステップと、
-前記特性評価パラメータの組み合わせを各分類グループにマッピングすることにより、分類パラメータおよびルール(6400)を定義するステップと、
-各画像について、前記画像内に局在する各粒子が属する前記分類グループを取得する(6700)ために、分類パラメータ空間のセグメンテーション(6500)を実行するステップと、
を含む、請求項1~10のいずれか一項に記載の方法。 - 粒子を分類するステップ(2500)が、前記特性評価パラメータに基づいて、前記粒子カウント(2600)から粒子(6100)を除外するステップをさらに含む、請求項11に記載の方法。
- 粒子の前記カウント(2600)が、以下のパラメータ:
i)粒子の輝度値(3600)の画像および/または相対色値(3700)の画像から得られる平滑化されたパラメータ(5100)、または
ii)粒子の少なくとも粒子サイズ、粒子形状、粒子密度およびスペクトル特性から選択される、粒子の追加特性(5300)のパラメータ、または
iii)平滑化パラメータ(5100)および追加特性(5300)のパラメータの平均値として得られる中間解析結果(5400)の特性パラメータ
のうちの少なくとも1つにより重み付けされる、請求項10~11のいずれか一項に記載の方法。 - 前記取得した画像のデータを読み出すステップ(2100)は、前記画像解析(1000)が実行されているコンピュータのメモリにアクセスするステップを含み、前記コンピュータは前記画像を取得する(1100)ために前記光学スキャナを制御する、請求項1~13のいずれか一項に記載の方法。
- 前記取得した画像のデータを読み出すステップ(2100)は、前記画像解析(1000)が実行されている1つまたは複数のコンピュータを有するネットワークの少なくとも1つの記憶装置にアクセスするステップを含み、前記光学スキャナは、前記画像解析(1000)が実行されている前記コンピュータのいずれとも異なる、前記画像を取得する(1100)ための別のコンピュータによって制御される、請求項1~14のいずれか一項に記載の方法。
- 前記画像解析(1000)は、前記ネットワークの複数のコンピュータ間で分割され、各コンピュータが前記光学スキャナによって取得(1100)された画像のサブセットについて前記画像解析(1000)を実行する、請求項15に記載の方法。
- 前記画像解析(1000)は、少なくとも1つのコンピュータによって順次実行され、前記少なくとも1つのコンピュータが時間ごとに1つの画像を解析する、または、前記画像解析(1000)は、少なくとも1つのコンピュータによって並行して実行され、前記少なくとも1つのコンピュータが一度に複数の画像を解析する、請求項1~16のいずれか一項に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19382245.9A EP3719477B1 (en) | 2019-04-03 | 2019-04-03 | Method for optically detecting biomarkers |
EP19382245 | 2019-04-03 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020169994A JP2020169994A (ja) | 2020-10-15 |
JP2020169994A5 JP2020169994A5 (ja) | 2023-02-22 |
JP7467205B2 true JP7467205B2 (ja) | 2024-04-15 |
Family
ID=66323797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020067271A Active JP7467205B2 (ja) | 2019-04-03 | 2020-04-03 | バイオマーカを光学的に検出するための方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11519856B2 (ja) |
EP (1) | EP3719477B1 (ja) |
JP (1) | JP7467205B2 (ja) |
CN (1) | CN111812013A (ja) |
CA (1) | CA3077754A1 (ja) |
ES (1) | ES2938687T3 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359191A (zh) * | 2021-12-23 | 2022-04-15 | 浙江大华技术股份有限公司 | 一种颗粒均匀度检测***、方法、装置、设备及介质 |
CN114858801B (zh) * | 2022-05-25 | 2023-04-18 | 中国科学院西北生态环境资源研究院 | 一种基于图像光谱原理的炭屑自动统计方法 |
WO2024077048A1 (en) * | 2022-10-06 | 2024-04-11 | Regents Of The University Of Minnesota | Suspended particle detection and analysis |
US20240133881A1 (en) | 2022-10-20 | 2024-04-25 | Quidel Corporation | Devices and kits for detecting analytes of interest and methods of using the same |
CN116973311B (zh) * | 2023-09-22 | 2023-12-12 | 成都中嘉微视科技有限公司 | 一种膜上膜下异物的检测装置及检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005502060A (ja) | 2001-09-05 | 2005-01-20 | ジェニコン サイエンスィズ コーポレーション | 共鳴光散乱粒子標識から発生する信号を読み取るための装置 |
JP2005090961A (ja) | 2003-09-11 | 2005-04-07 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 被検体液特性検知センサ及び被検体液特性検出装置、被検体液特性の検出方法 |
JP2009509270A (ja) | 2005-09-21 | 2009-03-05 | ルミネックス・コーポレーション | 画像データ処理の方法及びシステム |
WO2009125678A1 (ja) | 2008-04-07 | 2009-10-15 | 株式会社日立ハイテクノロジーズ | 尿中粒子画像の領域分割方法及び装置 |
JP2011527463A (ja) | 2008-06-06 | 2011-10-27 | デジタルオプティックス・コーポレイション・ヨーロッパ・リミテッド | 画像のコントラストを維持しながらノイズを低減するための技術 |
JP2014525583A (ja) | 2011-08-29 | 2014-09-29 | アムジェン インコーポレイテッド | 流体中の非溶解粒子の非破壊的検出のための方法および装置 |
US20150187074A1 (en) | 2013-12-27 | 2015-07-02 | Government Of The United States, As Represented By The Secretary Of The Air Force | Omnibus Resolution Assessment Target for Sensors |
JP2016038359A (ja) | 2014-08-11 | 2016-03-22 | シャープ株式会社 | 微小粒子検出装置 |
US20160117818A1 (en) | 2014-10-28 | 2016-04-28 | Samsung Electronics Co., Ltd. | Computer-aided diagnosis (cad) apparatus and method using consecutive medical images |
JP2016513530A (ja) | 2013-03-15 | 2016-05-16 | ハートフロー, インコーポレイテッド | シミュレーションの正確度および性能に対する画質評価 |
US20160223453A1 (en) | 2013-08-07 | 2016-08-04 | The Regents Of The University Of California | Real-time label-free high-throughput cell screening in flow |
JP2017517001A (ja) | 2014-06-03 | 2017-06-22 | ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア | ナノ粒子分析器 |
WO2018164262A1 (ja) | 2017-03-10 | 2018-09-13 | コニカミノルタ株式会社 | 治療有効性の予測方法 |
JP2019505041A (ja) | 2015-12-18 | 2019-02-21 | ベンタナ メディカル システムズ, インコーポレイテッド | 異なる取得性質を持つ画像を分離するシステム及び方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03216553A (ja) * | 1990-01-22 | 1991-09-24 | Hitachi Ltd | 粒子による免疫測定方法および装置 |
DE4036288A1 (de) * | 1989-11-15 | 1991-05-23 | Hitachi Ltd | Verfahren und vorrichtung fuer immunologische tests unter nutzung messbarer teilchen |
GB9700729D0 (en) * | 1997-01-15 | 1997-03-05 | Axis Biochemicals As | System |
JP2001245203A (ja) * | 2000-03-01 | 2001-09-07 | Canon Inc | 撮像装置及びその制御方法及び記憶媒体 |
US6694048B2 (en) * | 2000-04-20 | 2004-02-17 | Green Vision Systems Ltd. | Method for generating intra-particle morphological concentration/density maps and histograms of a chemically pure particulate substance |
US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
JP2001326822A (ja) * | 2000-05-16 | 2001-11-22 | Ricoh Co Ltd | 画像処理装置 |
JP3951590B2 (ja) * | 2000-10-27 | 2007-08-01 | 株式会社日立製作所 | 荷電粒子線装置 |
US20050136549A1 (en) * | 2003-10-30 | 2005-06-23 | Bioimagene, Inc. | Method and system for automatically determining diagnostic saliency of digital images |
JP4734234B2 (ja) * | 2004-03-24 | 2011-07-27 | 独立行政法人科学技術振興機構 | 生体分子に関する形態及び情報をis−fetを利用して検出する測定法およびシステム |
JP2008536093A (ja) * | 2005-01-31 | 2008-09-04 | ザ ボード オブ トラスティーズ オブ ザ ユニヴァーシティー オブ イリノイ | 透明媒質及び懸濁媒質内の粒子を特性評価する方法及びデバイス |
JP5050575B2 (ja) * | 2007-03-06 | 2012-10-17 | 富士ゼロックス株式会社 | 画像形成装置、制御装置およびプログラム |
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
ES2553027B1 (es) | 2014-06-03 | 2016-09-13 | Consejo Superior De Investigaciones Cientificas | Un sistema para aplicaciones de biodetección |
WO2019061202A1 (en) * | 2017-09-28 | 2019-04-04 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR PROCESSING COLON IMAGE DATA |
-
2019
- 2019-04-03 EP EP19382245.9A patent/EP3719477B1/en active Active
- 2019-04-03 ES ES19382245T patent/ES2938687T3/es active Active
-
2020
- 2020-04-01 CA CA3077754A patent/CA3077754A1/en active Pending
- 2020-04-03 US US16/839,300 patent/US11519856B2/en active Active
- 2020-04-03 JP JP2020067271A patent/JP7467205B2/ja active Active
- 2020-04-03 CN CN202010264952.XA patent/CN111812013A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005502060A (ja) | 2001-09-05 | 2005-01-20 | ジェニコン サイエンスィズ コーポレーション | 共鳴光散乱粒子標識から発生する信号を読み取るための装置 |
JP2005090961A (ja) | 2003-09-11 | 2005-04-07 | Kitakyushu Foundation For The Advancement Of Industry Science & Technology | 被検体液特性検知センサ及び被検体液特性検出装置、被検体液特性の検出方法 |
JP2009509270A (ja) | 2005-09-21 | 2009-03-05 | ルミネックス・コーポレーション | 画像データ処理の方法及びシステム |
WO2009125678A1 (ja) | 2008-04-07 | 2009-10-15 | 株式会社日立ハイテクノロジーズ | 尿中粒子画像の領域分割方法及び装置 |
US20110002516A1 (en) | 2008-04-07 | 2011-01-06 | Chihiro Manri | Method and device for dividing area of image of particle in urine |
JP2011527463A (ja) | 2008-06-06 | 2011-10-27 | デジタルオプティックス・コーポレイション・ヨーロッパ・リミテッド | 画像のコントラストを維持しながらノイズを低減するための技術 |
JP2014525583A (ja) | 2011-08-29 | 2014-09-29 | アムジェン インコーポレイテッド | 流体中の非溶解粒子の非破壊的検出のための方法および装置 |
JP2016513530A (ja) | 2013-03-15 | 2016-05-16 | ハートフロー, インコーポレイテッド | シミュレーションの正確度および性能に対する画質評価 |
US20160223453A1 (en) | 2013-08-07 | 2016-08-04 | The Regents Of The University Of California | Real-time label-free high-throughput cell screening in flow |
US20150187074A1 (en) | 2013-12-27 | 2015-07-02 | Government Of The United States, As Represented By The Secretary Of The Air Force | Omnibus Resolution Assessment Target for Sensors |
JP2017517001A (ja) | 2014-06-03 | 2017-06-22 | ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア | ナノ粒子分析器 |
JP2016038359A (ja) | 2014-08-11 | 2016-03-22 | シャープ株式会社 | 微小粒子検出装置 |
US20160117818A1 (en) | 2014-10-28 | 2016-04-28 | Samsung Electronics Co., Ltd. | Computer-aided diagnosis (cad) apparatus and method using consecutive medical images |
JP2019505041A (ja) | 2015-12-18 | 2019-02-21 | ベンタナ メディカル システムズ, インコーポレイテッド | 異なる取得性質を持つ画像を分離するシステム及び方法 |
WO2018164262A1 (ja) | 2017-03-10 | 2018-09-13 | コニカミノルタ株式会社 | 治療有効性の予測方法 |
Also Published As
Publication number | Publication date |
---|---|
US11519856B2 (en) | 2022-12-06 |
CN111812013A (zh) | 2020-10-23 |
JP2020169994A (ja) | 2020-10-15 |
CA3077754A1 (en) | 2020-10-03 |
US20200319102A1 (en) | 2020-10-08 |
EP3719477B1 (en) | 2023-01-18 |
EP3719477A1 (en) | 2020-10-07 |
ES2938687T3 (es) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7467205B2 (ja) | バイオマーカを光学的に検出するための方法 | |
US10846508B2 (en) | Methods and systems for image data processing | |
US11519843B2 (en) | Biosensor platform and method for the simultaneous, multiplexed, ultra-sensitive and high throughput optical detection of biomarkers | |
CA2832749C (en) | Method for preparing quantitative video-microscopy and associated system | |
EP2596456B1 (en) | Method and system for analyzing optical coherence tomography (oct) results using color reflectivity discretization analysis | |
US20210281806A1 (en) | Automated fluorescence imaging and single cell segmentation | |
CN109087290B (zh) | 基于光谱估计与电子分光技术的光学元件表面疵病检测方法 | |
Bieniecki et al. | VARIOUS APPROACHES TO PROCESSING AND ANALYSIS OF IMAGES OBTAINED FROM IMMUNOENZYMATIC VISUALIZATION OF SECRETORY ACTIVITY WITH ELISPOT METHOD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230214 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230927 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240227 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240403 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7467205 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |