專利名稱：基于圖像的風險分數-來自數字組織病理學的存活率和結果的預后預估的制作方法
技術領域：
本發明涉及一種計算機輔助預后(CAP)系統和方法，其采用定量導出的圖像信息預測病理過程、疾病結果和患者存活率。盡管數字病理學已經使得可針對計算機輔助診斷 (CAD)修改組織標本以檢測疾病，但本發明的CAP系統和方法預測疾病結果和患者存活率。
背景技術：
當前識別很多疾病狀態的黃金標準是對所涉及器官的固定組織切片的微觀組織學進行主觀目視判釋。這種情況的范例包括癌癥以及很多炎癥性和退行性疾病的診斷。在過去十年間，化驗基因組信息的能力越來越強，導致利用基因表達和/或基因組變化的診斷性、預后模式對各種病理過程的分類得到改進。本發明詳細描述了用于分析組織病理學成像的自動的計算機化系統和方法，其將產生定量和可再現的度量，即基于影像的風險分數，用于預測疾病結果和患者存活率。下面是本發明的兩個具體實施例，其使用乳腺癌作為模型疾病狀態，其中經良好驗證的基于基因表達的分類器帶來了顯著的臨床影響。乳腺癌(BC)是女性與癌癥相關的死亡的主要原因之一，2009年在美國估計年發生人數為192000(來源美國癌癥協會)。本發明的一個實施例涉及BC的子集，包括未擴散到淋巴結且具有雌激素受體蛋白(LN-，ER+BC)過表達的癌細胞。盡管LN-、ER+BC的病例是利用化學治療和輔助激素治療的組合來處理的，但具體的預后和治療常常是由Oncotype DX基因表達化驗決定的[1]。 Oncotype DX基因表達化驗生成介于0-100之間的再發生分數(RS)，其與遠期再發生的可能性和化學治療的預期益處正相關[1]。組織病理學中BC細胞核的人工檢測是一個乏味且耗時的過程，在臨床環境中是不可行的。細胞劃分的早先方法-閾值化[2]、分群[3]和活動輪廓模型W]-對于BC細胞核高度可變的形狀和大小，以及組織學固定、染色和數字化過程中的偽影不是非常魯棒。此前的工作[1]已經表明，Oncotype DX RS與BC等級相關。癌癥等級反映了組織的架構布置并與存活率相關(高等級意味著結果差)。病理學家常常對BC研究的等級意見不一。隨著近來出現了數字病理學，研究人員開始探索BC組織病理學的自動圖像分析。 Wolberg等人[6]使用來自人工分割的BC細胞核的核特征來區分良性和惡性圖像。Bilgin 等人[7]研究了使用譜系圖對BC組織病理架構建模。Hall等人使用紋理特征[8]檢查免疫組織化學染色中的變化。本發明的第二實施例涉及侵入性BC的子集，其包括淋巴細胞浸潤(Li)的存在并表現出HER2基因(HER2+BC)的放大。當前利用特異地以HER2蛋白質為目標的藥劑治療大部分HER2+BC。研究人員證明，組織病理中存在LI是各種癌癥(包括HER2+BC)的存在的預后標志[13]_[15]。LI作為BC中潛在抗癌機制的功能首先是由Aaltomaa等人展示的 [14]。新近以來，Alexe等人[15]論證了高水平LI的存在和早期HER2+BC中腫瘤再發生之間的相關性。病理學家不會例行報告LI的存在，尤其是在HER2+BC中。這種情況的可能原因是，病理學家當前缺少自動圖像分析工具來準確地、有效率地和可再現地量化BC組織病理中LI的存在和程度。盡管一些研究人員[9]、[16]-[21]最近開始開發用于分析數字化BC組織病理的計算機輔助診斷(CADx)系統和方法，但他們大多關注于發現可疑研究區(ROI)或曾試圖從人工隔離的ROI確定癌癥等級。用于兩種應用的方法使用基于圖像的特征在2個類別之間進行區分正常和良性區域或低等級和高等級R0I。具體而言，已經有人展示了利用癌癥細胞核的尺寸和形狀來區分低等級和高等級組織結構圖像[16]、[9]。也采用了紋理特征和濾波器庫[16]_[19]、[21]以對BC組織病理的表型外觀建模。盡管若干研究人員已經開發出在數字化組織病理學中檢測細胞核的算法[18]、 [23]-[四]，但一直未試圖自動檢測或量化BC組織病理上的LI程度。一些流行的自動核檢測方法基于自適應閾值[18]、[23]和模糊C-均值(c-means)分群[25]、[27]。這些技術依賴于染色差異來區分細胞核和周圍組織。不過，由于BC和淋巴細胞細胞核之間外觀的相似性，它們不適于LI檢測的任務(圖4(a))。諸如活動輪廓線的技術[24]、[28]、[29]利用梯度(邊緣)信息以自動隔離組織學圖像中的細胞核。不過，這些方法可能在其處理BC 細胞核外觀的變化(圖4(b)、(C))和圖像采集偽影(圖4(e)、(f))的能力方面受限。一些研究人員開發了混合技術以便改善核檢測和分割結果。例如，Glotsos等人[28]使用的支持矢量機(Support Vector Machine)分群改善活動輪廓模型的初始化。新近以來，半自動概率模型使用逐個像素的強度信息以在數字化BC組織病理中檢測癌癥[26]和淋巴細胞細胞核[30]。不過，概率模型通常受到專家注釋的訓練數據可用性的限制。不過，僅僅檢測淋巴細胞不能完全刻畫出異常LI表型的特征，因為基線水平的淋巴細胞存在于所有組織中。Gimduz等人[20]研究了自動化癌癥診斷，利用譜系圖對組織架構建模，由此將圖定義為一組頂點(細胞核)，對應的邊緣連接所有細胞核。
發明內容
本發明涉及一種基于圖像的計算機輔助預后(CAP)系統，其從數字化的組織病理學圖像預測疾病結果和患者存活率。本發明詳細描述了用于分析組織病理學影像的自動計算機化系統和方法，其將產生定量和可再現的度量，即基于圖像的風險分數，用于預測疾病結果和患者存活率。本發明涉及一種基于圖像的計算機輔助預后(CAP)系統和方法，其旨在復制組織病理學和病理過程(包括，但不限于癌癥)中分子化驗的預后能力。在本發明的實施例中，開發了一種基于圖像的計算機輔助預后(CAP)系統和方法，其旨在復制癌癥組織病理學中分子化驗的預后能力。本發明的系統和方法涉及，首先通過期望值最大化驅動算法來半自動地檢測BC細胞核。利用核質心，構造兩個圖形(德洛內 (Delaunay)三角剖分和最小生成樹)，從每幅圖像提取共12個特征。一種非線性維數縮減系統和方法，即，圖形嵌入，將從圖像導出的特征投射到低維空間中，支持矢量機在縮減的維度空間中對BC圖像分類。僅使用組織載片樣本、用于數字載片掃描的機構和計算機，本發明基于圖像的CAP系統和方法旨在克服與Oncotype DX相關聯的很多缺點，包括與化驗相關聯的高成本；具有專用設備的實驗室設施有限以及活檢和預后預測之間的持續時間。本發明涉及關鍵方法貢獻以及使用若干現有技術的機器學習系統和方法，包括， 但不限于自動檢測BC細胞核的魯棒、有效方法；描述BC細胞核架構布置并因此定量描述癌癥等級的圖像特征；以及使用非線性維數縮減對低維表達中的底層生物學數據結構分類和可視化。本發明的目的是提供一種基于期望值最大化(EM)算法的半自動核檢測系統和方法。根據以上目的，本發明導出架構特征以表征BC細胞核的布置并因此俘獲BC等級。在本發明的實施例中，公開了一種計算機化系統和方法以在數字化HER2+BC組織病理學中自動檢測LI的程度并對其評定等級。首先通過區域生長和馬爾可夫(Markov)隨機場算法的組合自動檢測淋巴細胞。使用獨立檢測的淋巴細胞的中心作為頂點，構造三個圖形(沃羅諾伊圖(Voronoi Diagram)，德洛內三角剖分和最小生成樹)，并從每個樣本提取總共50個描述淋巴細胞布置的圖像導出的特征。然后使用非線性維數縮減系統和方法、 圖形嵌入將高維特征矢量投射到縮減的3D嵌入空間中。使用支持矢量機分類器區分維度縮減的嵌入空間中具有高和低LI的樣本。本發明的實施例涉及基于圖像的風險分數預估(predictor)方法，用于測量癌癥程度，以利用數字化組織病理學來評估癌癥患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用基于期望值最大化的算法檢測癌癥細胞核；iii.利用獨立檢測的癌癥細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述癌癥細胞核布置的圖像導出的特征； v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間；vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥分數之間進行區分，以預測預后。本發明的實施例涉及基于圖像的風險分數預估方法，用于測量病理過程的程度， 以利用數字化組織病理學來評估患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用基于期望值最大化的算法來檢測病理細胞核；iii.利用獨立檢測的病理細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述病理細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間；vi.將3D嵌入展開到ID尺度中以定義對于不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥分數之間進行區分，以預測預后。本發明的實施例涉及基于圖像的風險分數預估方法，用于測量癌癥程度，以利用數字化的組織病理學評估節點陰性、雌激素受體陽性乳腺癌患者的疾病結果，該方法包括 i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用基于期望值最大化的算法檢測癌癥細胞核；iii.利用獨立檢測的癌癥細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述癌癥細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間；
vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；
vii.確定基于圖像的再發生分數，通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥分數之間進行區分，以預測預后。本發明的實施例涉及用于測量淋巴細胞浸潤的程度的方法，以評估表達人類上皮生長因子受體2(HER2)的乳腺癌患者的疾病結果，包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用區域生長和馬爾可夫隨機場算法的組合來檢測淋巴細胞核；iii.利用獨立檢測的淋巴細胞核的中心作為頂點構造沃羅諾伊圖、 德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述淋巴細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間。
圖1 (a)示出了 LN-、ER+BC組織病理學圖像。圖1 (b)示出了對應的BC細胞核的基于EM的分割。圖1(b)中的分割被平滑化成圖1(c)以幫助檢測獨立的細胞核。圖1(d) 示出了用于特征提取的最終檢測的核質心(黑點)。圖2 (a)和圖2 (d)示出了低等級和高等級LN_、ER+BC樣本。圖2 (b)和圖2 (e)示出了德洛內三角剖分。圖2(c)和圖2(f)示出了疊加的最小生成樹圖。圖3示出了架構特征的圖形嵌入描記圖，示出了圖3不同部分的清晰分離。圖3(a) 示出了 BC等級。圖3(b)示出了 RS標簽。嵌入被投射到ID線中，其中圖3(c)示出了 BC 等級，圖3 (d)示出了由單一分數定義的RS。圖4(a)示出了癌細胞核和淋巴細胞核之間外觀的相似性。通常，淋巴細胞核與癌細胞核的區別是它們的尺寸更小、更加圓形和更暗，均一染色。額外的挑戰包括圖4(b)中外觀的變化，圖4(c)示出了單一組織病理學載片之內的BC細胞核，圖4(d)示出了癌組織之間存在脂肪，圖4(e)示出了組織學固定，圖4(f)示出了載片數字化偽影。圖5示出了圖示說明用于HER2+BC組織病理學的基于LI的分層的CADx系統和方法中的4個主要步驟的流程圖。自動化淋巴細胞檢測之后為架構和形態特征的特征提取。 然后經由圖形嵌入將高維度特征空間非線性嵌入維度縮減的空間中，其允許經由SVM分類器進行數據可視化和后續的評估。圖6示出了圖示說明自動淋巴細胞檢測系統和方法中的主要步驟的流程圖。圖7示出了圖示說明區域r的迭代生長的示意圖。在當前區域SCK、當前邊界、和劃界框^的初始化(如圖7(a)所示)之后，迭代地增加新像素(如圖7(b)所示)。在向 Sck增加新像素(以白色勾勒出)時，根據圖7(c)所示對應調節邊界Scb和&B。圖8 (a)和圖8 (e)示出了兩種不同HER2+BC組織病理學研究的亮度信道。圖8 (b) 和圖8(f)示出了對應的基于初始區域生長的淋巴細胞檢測。圖8 (c)和圖8(g)示出了初步貝葉斯細化，示出了檢測到的BC核(亮圓)和檢測到的淋巴細胞核(暗圓)。圖8(d)和圖8(h)示出了 MRF修剪步驟之后最終的淋巴細胞檢測結果。圖9示出了從經驗訓練數據估計并經由伽馬分布的加權和建模的概率密度函數 (PDF)，其中，圖9(a)、圖9(c)為ω t類而圖9 (b)，圖9 (d)為類，并且對于每個r e R，圖9(a)、圖9(b)為區域平方根，圖9(c)、圖9(d)為亮度變化。在圖9(a)_(d)中所示的每種分布中，都疊加了估計的參數模型。圖10示出了兩種不同的HER2+乳腺癌組織病理學圖像，圖10 (a)的LI水平高，圖 10(b)的LI水平低。圖10((b)和圖10(f))示出了利用自動檢測的淋巴細胞中心作為圖形頂點構造的對應沃羅諾伊圖。圖10((c)、(g))和10((d)、(h))中分別示出了對應的德洛內三角剖分和最小生成樹圖。圖11示出了全部41幅BC組織病理學圖像中自動和人工檢測的淋巴細胞核之間部分、定向的豪斯道夫距離&(C^T Wl。虛線表示自動淋巴細胞檢測系統和方法的誤差中值。圖12示出了 3重交叉確認的100次試驗中的平均(μ皿)分類精確度，是針對經圖形嵌入獲得的不同維數(2，3，...,10)示出的。誤差條線代表分類精確度的標準偏差
(0 ACC)。圖13示出了針對從圖13(a)人工和圖13(b)自動淋巴細胞檢測導出的架構特征集在圖形嵌入減少的3維本征空間中繪示的所有41幅圖像。示出了 Varma-Zisserman特征的嵌入，對于圖13 (c) K = 3，對于圖13(d) K = 5。標簽表示腫瘤學專家確定的低LI (圓)、 中LI (正方形)和高LI (三角形)的樣本。注意，具有架構特征的GE揭示了底層流形結構的存在，示出了具有低、中和高水平LI的BC樣本的平滑連續體。
具體實施例方式可以使用能夠再現地且定量地表征組織架構的圖像分析系統來預測患者的結果。本發明涉及基于圖像的計算機輔助預后(CAP)系統和方法，其旨在復制組織病理學和病理過程(包括，但不限于癌癥)中分子化驗的預后能力。本發明涉及關鍵方法貢獻以及使用若干現有技術的機器學習系統和方法，其包括，但不限于自動檢測BC細胞核的魯棒、有效方法；描述組織學結構的架構布置的圖像特征；以及使用非線性維數縮減對低維表達中的底層生物學數據結構分類和可視化。本發明涉及一種基于期望值最大化(EM)算法的半自動核檢測系統和方法。本發明涉及一種基于期望值最大化(EM)算法的半自動核檢測系統和方法。可以在如下文獻中找到關于期望值最大化算法的更多信息fatakdawala，H.，Basavanhally, A. Xu, J.， Ganesan, S. , Feldman, Μ. , Tomaszewski, J. , Madabhushi, A. , Expectation Maximization driven Geodesic Active Contour with Overlap Resolution(EMaGACOR) !Application to Lymphocyte Segmentation on Breast Cancer Histopathology, IEEE Trans, on Biomedical Engineering，2010 (印刷中)”，在此通過引用將其并入本文。在本發明中，導出架構特征以表征包括但不限于乳腺癌細胞核的癌癥細胞核的布置。在Doyle等人的文獻[9]中，利用BC細胞核作為頂點構造不同的圖形，并使用從這些圖形導出的定量特征對BC等級成功進行分層。在本發明中，采用圖形嵌入(GE)(—種非參數型非線性維數縮減[9])從每個BC組織標本向縮減的3D空間投射圖像導出的特征，接下來，向下投射到ID線。采用支持矢量機(SVM)分類器[10]評估架構特征相對于縮減的3D 空間中BC等級的可區分性。進一步將圖像數據投射到ID線允許我們定義針對不良、中等和良好結果的基于圖像的風險分數，類似于Oncotype DX RS0這種基于圖像的風險分數預測因子可能會取代Oncotype DX來預測BC結果和存活率。在本發明的一個實施例中，公開了一種計算機化系統和方法以在數字化HER2+BC 組織病理學中自動檢測LI程度并對其評定等級。首先通過區域生長和馬爾可夫隨機場算法的組合來自動檢測淋巴細胞。使用獨立檢測的淋巴細胞的中心作為頂點，構造三個圖形 (沃羅諾伊圖，德洛內三角剖分和最小生成樹)，并從每個樣本提取描述淋巴細胞布置的總共50個圖像導出的特征。然后使用非線性維數縮減系統和方法，圖形嵌入，將高維特征矢量投射到縮減的3D嵌入空間中。使用支持矢量機分類器區分維度縮減的嵌入空間中具有高和低LI的樣本。本發明的一個實施例涉及基于圖像的風險分數預估方法，用于測量癌癥程度，以利用數字化組織病理學來評估癌癥患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用基于期望值最大化的算法檢測癌癥細胞核；iii.利用獨立檢測的癌癥細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述癌癥細胞核布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間；vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥等級之間進行區分，以預測預后。本發明的一個實施例涉及基于圖像的風險分數預估方法，用于測量病理過程的程度，以利用數字化組織病理學來評估患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用基于期望值最大化的算法檢測病理細胞核；iii.利用獨立檢測的病理細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述病理細胞核布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間；vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥分數之間進行區分，以預測預后。本發明的一個實施例涉及基于圖像的風險分數預估方法，用于測量癌癥程度，以利用數字化組織病理學來評估節點陰性、雌激素受體陽性乳腺癌患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用基于期望值最大化的算法檢測癌癥細胞核；iii.利用獨立檢測的癌癥細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述癌癥細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間；vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥分數之間進行區分，以預測預后。本發明的實施例涉及用于測量淋巴細胞浸潤的程度的方法，以評估表達人類上皮生長因子受體2(HER2)的乳腺癌患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用區域生長和馬爾可夫隨機場算法的組合來檢測淋巴細胞核；iii.利用獨立檢測的淋巴細胞核的中心作為頂點構造沃羅諾伊圖、德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述淋巴細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間。
具體實施例方式示范性實施例1 使用基于EM的高斯混合自動檢測細胞核本發明涉及一種基于圖像的計算機輔助預后(CAP)系統和方法，其旨在復制BC組織病理學中分子化驗的預后能力，僅使用組織載片樣本、用于數字載片掃描的機構和計算機，我們基于圖像的CAP系統和方法旨在克服與Oncotype DX相關聯的很多缺點，包括與化驗相關聯的高成本；具有專用設備的實驗室設施有限；以及活檢和預后預測之間的時間長度。數據集 從一群17位患者收集總共37幅蘇木精和曙紅(H&E)染色的乳房組織病理學圖像并利用高分辨率整體載片掃描器以20倍光學放大率掃描到計算機中。對于所有方法而言，我們定義側幅圖像的數據集Z= (G，G，...，CW)，其中圖像e(C，g)是像素的2D集合，而沒是相關聯的強度函數。每個c都與架構特征集合 F(C)、Oncotype DX RS Lrs(C)E {1,2，100}以及 BC 等級 Lgr(C) ^{LG, MG, HG丨相關聯，其中LG、MG和HG分別代表低、中和高等級癌癥。還基于它們的RS對37個樣本分類，其中Lks被分入良好(RS < 22)、中等03 < RS彡30)和不良(31 < RS < 100)預后類別。癌細胞核基于EM的分割為了分割BC細胞核，將每幅圖像C模型化為K = 5個分量的高斯混合，其中κ = {1，2，...，Κ}。優化模型參數集γ1=丨μ'κ，σ'κ, p'K: ，包括迭代i次的均值μ κ，協方差ο κ和先驗概率Pk。通過所有c e C上的RGB值的K平均分群，將該混合初始化到Y °。 期望值步驟計算后驗概率
權利要求
1. 一種基于圖像的風險分數預估方法，用于利用數字化組織病理學來測量癌癥程度， 以評估癌癥患者的疾病結果，該方法包括1.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中； .利用基于期望值最大化的算法檢測癌癥細胞核；iii.利用獨立檢測的癌癥細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述所述癌癥細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間中；vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥等級之間進行區分，從而預測預后。
2.一種基于圖像的風險分數預估方法，用于利用數字化組織病理學來測量病理過程的程度，以評估患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中； .利用基于期望值最大化的算法來檢測病理細胞核；iii.利用獨立檢測的病理細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述所述病理細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間中；vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥等級之間進行區分，從而預測預后。
3.一種基于圖像的風險分數預估方法，用于利用數字化組織病理學來測量癌癥程度， 以評估節點陰性、雌激素受體陽性的乳腺癌患者的疾病結果，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中； .利用基于期望值最大化的算法檢測癌癥細胞核；iii.利用獨立檢測的癌癥細胞核的中心作為頂點構造德洛內三角剖分和最小生成樹圖；iv.從每幅圖像提取描述所述癌癥細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間中；vi.將3D嵌入展開到ID尺度中以定義針對不良、中等和良好結果的基于圖像的風險分數；vii.確定基于圖像的再發生分數，以通過揭示ID線上樣本的等級標簽以及它們的相對位置來在低、中和高癌癥分數之間進行區分，從而預測預后。
4.一種用于測量淋巴細胞浸潤的程度以評估表達人類上皮生長因子受體2 (HER2)的乳腺癌患者的疾病結果的方法，該方法包括i.利用高分辨率整體載片掃描器將染色的組織病理學載片掃描到計算機中；ii.利用區域生長和馬爾可夫隨機場算法的組合來檢測淋巴細胞核；iii.利用獨立檢測的淋巴細胞核的中心作為頂點構造沃羅諾伊圖、德洛內三角剖分和最小生成樹；iv.從每幅圖像提取描述淋巴細胞核的布置的圖像導出的特征；v.經由圖形嵌入將高維圖像導出的特征矢量投射到縮減的3D嵌入空間中。
全文摘要
本發明涉及一種基于圖像的計算機輔助預后(CAP)系統和方法，其旨在復制組織病理學和病理過程(包括，但不限于癌癥)中分子化驗的預后能力。僅使用組織載片樣本、用于數字載片掃描的機構和計算機，本發明涉及一種基于圖像的CAP系統和方法，其旨在克服與預后分子化驗(例如Oncotype DX)相關聯的很多缺點，包括與化驗相關聯的高成本、具有專用設備的實驗室設施有限以及活檢和預后預測之間的持續時間。
文檔編號G06F17/10GK102388305SQ201080012959
公開日2012年3月21日 申請日期2010年2月2日 優先權日2009年2月2日
發明者A·巴薩萬哈利, A·馬達布什, S·加內桑 申請人:新澤西醫科大學, 羅格斯新澤西州立大學