-
TECHNISCHES GEBIET
-
Die
vorliegende Erfindung betrifft im Allgemeinen das Lokalisieren von
spezifizierten Bildstrukturen in digitalen Bildern und genauer gesagt
ein computerimplementiertes System zum automatischen Identifizieren
und Quantifizieren von zellulären Strukturen,
die zum Beispiel unter Verwendung von Fluoreszenz-in situ-Hybridisierung
bzw. FISH markiert worden sind.
-
HINTERGRUND
-
Systeme
zum Erfassen und Analysieren von Zielmustern in digitalen Bildern
weisen eine große Vielfalt
von Anwendungen auf. Eine derartige Anwendung ist die Analyse von
anatomischen Bereichen in radiologischen Bildern. Zum Beispiel werden
Systeme zum Analysieren von Computertomographie- bzw. CT-Bildern
zum computergestützten
Erfassen von krebsartigen Bereichen in menschlichen Brüsten und
Lungen verwendet. Eine andere Verwendung von derartigen Bildanalysesystemen
besteht darin, Zielmuster in biomedizinischen Bildern zu erfassen und
zu analysieren, die von Mikroskopen, wie zum Beispiel konfokalen
Mikroskopen, erzielt werden. Zum Beispiel verwenden Pathologen konfokale
Mikroskope, um Zellen und deren Komponenten, wie zum Beispiel Organellen,
Membranen, Zellkerne, Gene, Chromosomen und Makromoleküle, wie
zum Beispiel RNA, DNA, Proteine und Peptide, zu analysieren. Eine
derartige Bildanalyse wird nicht nur in der Diagnose und Prognose
in Zusammenhang mit medizinischen Patienten, sondern ebenso in der Grundlagenforschung,
Wirkstoffforschung und in klinischen Versuchen verwendet.
-
Die
konfokale Mikroskopie bietet dadurch verschiedene Vorteile gegenüber herkömmlicher
optischer Mikroskopie, dass eine größere Schärfentiefe zur Verfügung gestellt
wird, dass der unscharfe grelle Schein bzw. "out-of-focus glare" beseitigt wird und dass es ermöglicht wird,
serielle optische Schnitte von dicken Proben zu sammeln. Das konfokale
Laserraster-Miroskop bzw. LSCM ist derzeit das weitverbreiteste
konfokale Mikroskop für
Anwendungen in der biomedizinischen Forschung. In den biomedizinischen
Wissenschaften beinhaltet eine hauptsächliche Verwendung der konfokalen
Mikroskopie das Abbilden von Zellen und Zellkomponenten, die mit
Biomarkern, wie zum Beispiel Fluoreszenzsonden, markiert worden
sind. Die konfokale Mikroskopie in Kombiniation mit in situ-Hybridisierungs- und Fluoreszenz-Techniken
kann verwendet werden, um DNA- und RNA-Sequenzen in Chromosomen
zu untersuchen und um Zellkomponenten, wie zum Beispiel Chromosome
und Gene, zu analysieren. Eine derartige Technik zum Analysieren
von Zellkomponenten ist die Fluoreszenz-in situ-Hybridisierung bzw.
FISH. Bezüglich
zusätzlichen
Informationen über
die FISH-Technik wird auf die
US 2005/0265588 A1 verwiesen.
-
In
einer spezifischen Anwendung wird FISH verwendet, um das Her-2/neu-Gen
in Brustbiopsien zu analysieren und dadurch eine Diagnose- und Prognosemöglichkeit
für Brustkrebs
zur Verfügung
zu stellen. Unter Verwendung von konfokaler Mikroskopie in Kombination
mit FISH berechnet ein Pathologe das Ausmaß der Genamplifizierung als
Grundlage für die
Diagnose. In einer anerkannten diagnostischen Vorgehensweise analysiert
der Pathologe ein Minimum von einhundert Zellen, um das Ausmaß der Amplifizierung
zu berechnen. In diesem herkömmlichen Verfahren
zählt der
Pathologe manuell die markierten Chromosomen und Gene, die als "Fluoreszenzsignale" bezeichnet werden,
in jedem der einhundert Zellkerne und berechnet danach die Verhältnisse
der Gene zu den Chromosomen. Ein Nachteil dieses herkömmlichen
Verfahrens besteht darin, dass selbst ein erfahrener Pathologe einige
der Fluoreszenzsignale aufgrund von Ermüdung und Konzentrationsverlust übersehen
kann. Die meisten der Biopsien enthalten normale Anzahlen an markierten
Genen und Chromosomen und der Pathologe kann während der Eintönigkeit
des Zählens
der Gene und Chromosomen in Hunderten von Zellkernen in mehreren
Biopsien die Konzentration verlieren. Darüber hinaus ist das Bestimmen,
ob auf der Grundlage der Helligkeit und Größe des Fluoreszenzsignals ein
Fluoreszenzsignal ein einzelnes Gen oder mehrere überlappende Gene
darstellt, häufig
subjektiv. Einzelne Pathologen können
unterschiedliche Zählweisen
haben.
-
Daher
ist ein automatisiertes System zum Zählen von Fluoreszenzsignalen
erwünscht,
die mittels der FISH-Technik erzielt werden. Bestehende automatisierte
Zählsysteme,
wie zum Beispiel das in der zuvor erwähnten
US 2005/0265588 A1 beschriebene,
zählen
Fluoreszenzsignale auf der Grundlage von zweidimensionalen Bildern.
Selbst in bestehenden Systemen, die dreidimensionale Information
unter Vewendung von konfokaler Mikroskopie erzielen, werden jedoch
zweidimensionale Bilder analysiert, die durch das Komprimieren der
dreidimensionalen Information erzielt werden. Das meiste der dreidimensionalen
Information geht dabei verloren. Es ist schwierig, in zweidimensional
reduzierten Bildern, die durch das Komprimieren von dreidimensionaler Information
erzielt werden, einzelne Zellen und andere Zellkomponenten zu unterscheiden.
Fluoreszenzsignale, die andere Signale berühren oder mit diesen überlappen,
können
nicht genau gezählt
werden. Zusätzlich
geht die Information bezüglich
der Distanz zwischen den Signalen und der Größe der einzelnen Signale verloren.
-
KURZFASSUNG
-
Es
ist daher die Aufgabe der vorliegenden Erfindung, ein computerimplementiertes
Verfahren, ein Computerprogrammprodukt und ein computerimplementiertes
Analysesystem zum automatischen Zählen von Fluoreszenzsignalen
zu schaffen, die dreidimensional in zum Beispiel unter Verwendung der
FISH-Technik erzielten Schnittbildern vorhanden sind.
-
Diese
Aufgabe wird hinsichtlich des computerimplemtierten Verfahrens mittels
den in den Ansprüchen
1, hinsichtlich des Computerprogrammprodukts mittels den in Anspruch
21 und hinsichtlich des computerimplementierten Analysesystems mittels den
in Anspruch 22 angegebenen Maßnahmen
gelöst.
-
Weitere
vorteilhafte Ausgestaltungen der vorliegenden Erfindung sind Gegenstand
der abhängigen
Ansprüche.
-
Genauer
gesagt extrahiert, segmentiert, klassifiziert, quantifiziert und
zählt ein
Bildanalysesystem dreidimensionale Objekte, die in einem Gewebe,
wie zum Beispiel einem Biopsiegewebe, eines Brustkrebspatienten,
vorhanden sind. Das Bildanalysesystem analysiert und zählt automatisch
Fluoreszenzsignale, die in dem Gewebe vorkommen, das zum Beispiel
unter Verwendung der Fluoreszenz-in situ-Hybridisierungs- bzw. FISH-Technik markiert worden
ist. Klassen eines Klassennetzes und Prozessierungsschritte einer
Prozessierungshierarchie werden zum Beispiel von einem Anwender
spezifiziert. Danach werden Schnittbilder und deren Pixelwerte von
dem Gewebe dreidimensional erzielt bzw. in das Bildanalysesystem
importiert. Jedes einzelne Schnittbild aus einem von dem Gewebe
auf einem Objektträger
genommenen Stapel von Schnittbildern wird bei einer bestimmten Tiefe
in einer Z-Richtung, wie zum Beispiel der Tiefenrichtung, des Gewebes erzielt.
Eine computerimplementierte Netzstruktur wird durch Verknüpfen der
Pixelwerte des Schnitts mit Objekten eines Datennetzes auf der Grundlage von
Zugehörigkeitsfunktionenen
eines Klassennetzes und von Prozessierungsschritten einer Prozessierungshierarchie
erzeugt.
-
Objekte,
denen Pixelwerte in verschiedenen Tiefen des Gewebes zugehörig sind,
werden verwendet, um eine Anzahl von Zellkomponenten, ein Volumen
von Zellkomponenten und eine Distanz zwischen Zellkomponenten zu
bestimmen. Zum Beispiel kann die Distanz zwischen Genen und zwischen
einem Gen und einer Zellkernmembran bestimmt werden. In einer Anwendung
werden Fluoreszenzsignale, die Her-2/neu-Gene und Zentromere des
Chromosoms siebzehn markieren, gezählt, um eine Diagnosemöglichkeit
für Brustkrebs
zu erzielen. Her-2/neu-Gene, die einander überlappen oder durch Zentromere
bedeckt werden, können
genau gezählt
werden. Signalartefakte, die keine Gene markieren, können durch
ihre anomale Fläche
oder ihr anomales Volumen identifiziert werden.
-
Ein
Verfahren zum automatischen Zählen von
zellulären
Komponenten erhöht
die Zuverlässigkeit
der diagnostischen Technik von FISH und das Vertrauen in diese.
Das Verfahren beseitigt den menschlichen Fehler, der mit herkömmlichen
manuellen diagnostischen Verfahren zum Beispiel unter Verwendung
der FISH-Technik verbunden ist. Weiterhin ist das Verfahren genauer
als bestehende automatisierte Zählverfahren,
die auf zweidimensionaler Bildanalyse beruhen. Das Verfahren lässt zu,
die zellulären
Komponenten in Hunderten von Zellkernen, in mehreren Bereichen eines
Schnittbildes und in mehreren Schnittbildern einer Biopsie schneller
und einfacher zu quantifizieren. Zusätzlich lässt das Verfahren das Analysieren
von Schnittbildern von mehreren Biopsien zu. Folglich liefert das
Verfahren eine aussagekräftige
diagnostische Unterstützung
auf der Grundlage von mehreren Biopsien, welche nicht durch die
bestehenden automatisierten Zählverfahren
zur Verfügung
gestellt werden kann, die auf zweidimensionaler Bildanalyse beruhen.
-
Das
Verfahren kann ebenso Bilder analysieren, die in mehreren fokalen
Ebenen bei mehreren Wellenlängen
unter Verwendung von mehreren Biomarkierungs-Verfahren und spektralen Verfahren erfasst
worden sind. Zum Beispiel können
mehrere Bilder des gleichen Gewebes, die unter Verwendung eines
Mikroskops, einer Röntgenvorrichtung,
eines Computertomographen, einer Ultraschall-Bildgebungsvorrichtung und einer bildgebenden
Kernspintomographie-Vorrichtung aufgenommen worden sind, analysiert
und korreliert werden. Zusätzlich
können
die gleichen Typen an Zellkomponenten in den verschiedenen Bildern
unter Verwendung von verschiedenen Biomarkern markiert werden. Objekte, die
den gleichen Zellkomponenten in den verschiedenen Bildern entsprechen,
werden verknüpft,
korreliert, analysiert und gezählt.
Die Diagnose und Prognose des Patienten wird durch die Korrelation
der Ergebnisse der Analyse der verschiedenen Bilder verbessert,
die unter Verwendung der verschiedenen Biomarker und spektralen
Analyseverfahren aufgenommen worden sind.
-
In
einer spezifischen Ausführungsform
empfängt
ein Softwareprogramm eine Spezifizikation eines Klassennetzes und
eine Spezifikation einer Prozessierungshierarchie. Die Pixelwerte
eines Bildes, das Zellkomponenten beinhaltet, die zum Beispiel unter
Verwendung der Fluoreszenz-in situ-Hybridisierung bzw. FISH markiert
worden sind, werden erzielt. Das Softwareprogramm führt dann
die Prozessierungsschritte der Prozessierungshierarchie aus, um
durch Verknüpfen
von ausgewählten
Pixelwerten des Bildes mit Objekten ein Datennetz zu erzeugen. Die
Objekte werden dann auf der Grundlage von Zugehörigkeitsfunktionen zu jeder
Klasse und Unter-Klasse des Klassennetzes klassifiziert. Eine der Klassen
entspricht einem bestimmten Typ an markierter Zellkomponente. Das
Softwareprogramm zählt
dann unter Verwendung des Datennetzes die Anzahl des bestimmten
Typs an markierter Zellkomponente.
-
KURZE BESCHREIBUNG DER ABBILDUNGEN
-
Die
vorliegende Erfindung wird nachstehend anhand von Ausführungsformen
unter Bezugnahme auf die beiliegende Zeichnung näher erläutert, in der durchgängig durch
die Darstellungen gleiche Bestandteile mit gleichen Bezugszeichen
bezeichnet sind.
-
Es
zeigen:
-
1 eine
Darstellung eines Verfahrens zum Analysieren von Zellkernen aus
Gewebe einer menschlichen Brust;
-
2 einen
Objektträger,
der Gewebe von 1 beinhaltet;
-
3 eine
Darstellung von mehreren Schnittbildern, die von dem Objektträger von 2 aufgenommen
worden sind;
-
4 eine
Darstellung von Zellkomponenten in einem Zellkern aus einem Schnittbild
von 3;
-
5 eine
dreidimensionale Darstellung von zu zählenden Zellkomponenten;
-
6 eine
zweidimensionale zusammengesetzte Darstellung der mehreren Schnittbilder
der dreidimensionalen Darstellung von 5;
-
7A bis 7C tatsächliche
mikroskopische Bilder von zu zählenden
Zellkernen, Genen und Zentromeren;
-
8 ein
mikroskopisches Bild von Zellkernen, die grüne Fluoreszenzsignale, die
Zentromere des Chromosoms Nummer siebzehn markieren, und rosafarbene
Fluoreszenzsignale beinhalten, die Her-2/neu-Gene markieren;
-
9 eine
schematische Darstellung, die einen Teil eines Datennetzes darstellt,
das auf Pixelwerten aus drei Schnittbildern von 5 beruht,
die durch zwei Zellkerne hindurch schneiden;
-
10 eine
vereinfachte schematische Darstellung einer computerimplementierten
Netzstruktur, die ein Datennetz, ein Klassennetz und eine Prozessierungshierarchie
beinhaltet;
-
11 digitale
Schnittbilder an verschiedenen Tiefen eines Gewebes auf einem Objektträger;
-
12 rote,
grüne und
blaue Schnittbildkomponenten, die die Schnittbilder von 11 ausbilden;
-
13 ein
Flussdiagramm eines Verfahrens zum Analysieren und Zählen von
Zellkomponenten unter Verwendung der computerimplementierten Netzstruktur
von 10;
-
14 eine
Darstellung, die das Klassennetz von 10 detaillierter
zeigt;
-
15 ein
Flussdiagramm, das Unter-Schritte eines ersten Schritts von 13 zum Spezifizieren
des Klassennetzes von 10 zeigt;
-
16 eine
Darstellung, die die Prozessierungshierarchie von 10 detaillierter
zeigt;
-
17 einen
Screenshot einer grafischen Benutzeroberfläche bzw. -schnittstelle, der
eine Übersichtsdarstellung
der Prozessierungshierarchie von 16 zeigt;
-
18 ein
Flussdiagramm, das Unter-Schritte eines zweiten Schritts von 13 zum Spezifizieren
der Prozessierungshierarchie von 16 zeigt;
-
19 einen
Screenshot eines Popup-Fensters, um bei einem Spezifizieren eines
Algorithmus in einem Schritt von 18 mitzuwirken;
-
20 eine
Darstellung von verschiedenen Verknüpfungstypen in der computerimplementierten Netzstruktur
von 10;
-
21 eine
vereinfachte schematische Darstellung der computerimplementierten
Netzstruktur von 10, nachdem das Klassennetz
und die Prozessierungshierarchie spezifiziert worden sind;
-
22 ein
vereinfachte schematische Darstellung der computerimplementierten
Netzstruktur von 10, nachdem das Datennetz erzeugt
worden ist;
-
23 eine
vereinfachte Darstellung eines Datennetzes, in welchem Pixelwerte
mit Objekten verknüpft
sind;
-
24 eine
vereinfachte Darstellung eines Datennetzes, in welchem Objekte über verschiedene Verknüpfungstypen
mit anderen Objekten verknüpft sind;
-
25 ein
Flussdiagramm, das Unter-Schritte eines fünften Schritts von 13 zum
Erzeugen des Datennetzes von 10 zeigt;
-
26 einen
Screenshot einer grafischen Benutzeroberfläche, um bei einem Editieren
des Klassennetzes und der Prozessierungshierarchie von 10 mitzuwirken;
-
27 einen
Screenshot einer grafischen Benutzeroberfläche mit einem Fenster, das
ein hervorgehobenes Her-2/neu-Gen in einem Zellkern zeigt;
-
28 einen
Screenshot einer grafischen Benutzeroberfläche mit einem Fenster, das
eine Hervorhebung zeigt, die ein Her-2/neu-Gen zu sein scheint,
jedoch tatsächlich
ein Bildgebungsartefakt ist;
-
29 ein
Flussdiagramm, das Unter-Schritte eines Schritts von 25 zum
Ausführen von
Prozessierungsschritten der Prozessierungshierarchie von 10 zeigt;
-
30 ein
Flussdiagramm, das Unter-Schritte eines Schritts von 29 zum
Erzeugen einer in einem Prozessierungsschritt spezifizierten Domäne zeigt;
-
31 eine
vereinfachte schematische Darstellung eines Kognitionsnetzes, wenn
das Datennetz aus vielen digitalen Bildern, wie zum Beispiel vielen
Schnittbildern des Gewebes, erzeugt worden ist;
-
32 einen
Screenshot einer Prozessierungshierarchie, die von einer anderen
Ausführungsform
der computerimplementierten Netzstruktur von 10 verwendet
wird, um einzelne Zellen in einer Zellbestimmung zu analysieren;
-
33 eine
dreidimensionale Darstellung einer in einem letzten Schritt von 13 ausgegebenen
sich teilenden Zelle mit markierten Zielobjekten;
-
34 ein
Programmlisting von Zeilen eines einem CNL-Skript entsprechenden
XML-Codes, der ein Klassennetz und eine Prozessierungshierarchie zum
Analysieren und Zählen
von in Gewebe vorkommenden Fluoreszenzsignalen implementiert;
-
35A bis 35E weitere
Zeilen des XML-Codes von 34.
-
DETAILLIERTE BESCHREIBUNG
-
Bevor
Ausführungsformen
der vorliegenden Erfindung detailliert beschrieben werden, ist anzumerken,
dass, obgleich nachstehend der Ausdruck "Biopsiegewebe" verwendet wird, die vorliegende Erfindung
an jedem Gewebe, das heisst ebenso an Gewebe, angewendet werden
kann, das unter Verwendung eines zu einer Biopsie unterschiedlichen
Verfahrens erzielt worden ist. Ebenso ist anzumerken, dass, obgleich
nachstehend Zellkomponenten unter Verwendung von FISH bzw. Fluoreszenz-in-situ-Hybridisierung
markiert werden, die vorliegende Erfindung nicht darauf beschränkt ist,
sondern ebenso andere Arten von Techniken zum Markieren von Zellkomponenten
angewendet werden können.
-
Ein
erfindungsgemäßes computerimplementiertes
Analysesystem zählt
automatisch Fluoreszenzsignale, die in einem Biopsiegewebe vorkommen,
das unter Verwendung der FISH-Technik markiert worden ist.
-
1 zeigt
eine Darstellung eines Verfahrens zum Analysieren von Zellkernen
aus Biopisiegewebe einer menschlichen Brust.
-
Zuerst
wird ein Biopsiegewebe 10 von einer Stelle einer Brust 11 eines
Patienten, wie zum Beispiel eines Krebspatienten, entnommen. Es
werden lediglich eine oder wenige Biopsieproben entnommen. Dies
ist zum Teil so, da eine Biopsie für den Patienten schmerzhaft
ist. Die Entnahme von vielen Biopsieproben schädigt außerdem die Struktur der Brust 11 und
wird auch typischerweise aufgrund von medizinischen und ästhetischen
Gründen
vermieden. Das entnommene Biopsiegewebe 10 wird FISH unterzogen,
um zu zählende
und zu analysierende Zellkomponten zu markieren. Da FISH eine bekannte Technik
zum Markieren von Zellkomponenten eines Biopsiegewebes ist, wird
an dieser Stelle auf eine detaillierte Beschreibung von FISH verzichtet.
-
Bei
herkömmlichen
Analyseverfahren werden lediglich ungefähr einhundert Zellkerne des
Biopsiegewebes 10 manuell analysiert. Ein hierin beschriebenes
erfindungsgemäßes computerimplementiertes
Analysesystem ermöglicht
es jedoch dem Pathologen, eine sehr große Zahl von Zellkomponenten
des Biopsiegewebes 10 zu analysieren und eine gründliche
Einsicht in das Biopsiegewebe 10 zu erzielen. Dieses ist
dahingehend vorteilhaft, dass typischerweise lediglich eine Biopsiegewebeprobe
aus der Brust 11 entnommen wird. Herkömmliche manuelle Analyseverfahren
erzielen nicht die besten diagnostischen und prognostischen Ergebnisse,
da lediglich eine kleine Zahl von Zellkernen aus einer einzigen
Biopsiegewebeprobe der Brust 11 des Patienten analysiert
wird. Das erfindungsgemäße computerimplementierte
Analysesystem ist jedoch imstande, eine beliebig große Zahl
von Zellkomponenten automatisch zu zählen. Eine Biopsiegewebeprobe
wird geschnitten und auf viele Objektträger, wie zum Beispiel bis zu
eintausend Objektträger,
aufgetragen. In 1 ist ein n-ter Objektträger 12 der
vielen Objektträger
gezeigt.
-
2 zeigt
den n-ten Objektträger 12,
der das Biopsieewebe 10 von 1 beinhaltet.
-
Genauer
gesagt zeigt 2, wie das Biopsiegewebe 10 auf
dem Objektträger 12 an
vielen Stellen abgetastet wird. Zum Beispiel kann das Biopsiegewebe 10 auf
dem Objektträger 12 an
bis zu zweihundert Stellen abgetastet werden. An jeder Stelle der
Abtastung werden mehrere Schnittbilder in verschiedenen Tiefen in
der Richtung einer Z-Achse erzielt, die in einer Tiefenrichtung
des Biospiegewebes 10 definiert ist. Die mehreren Schnittbilder
jeder abgetasteten Stelle werden zum Beispiel unter Verwendung eines
konfokalen Mikroskops erzielt. Derart erzielte Stapel von Schnittbildern
an jeder abgetasteten Stelle werden hier im weiteren Verlauf als "Z-Stapel" bezeichnet. In 2 ist
an einer abgetasteten Stelle ein oberes Schnittbild 13 aus
einem Z-Stapel 14 gezeigt.
-
3 zeigt
eine Darstellung von mehreren Schnittbildern, die von dem n-ten
Objektträger 12 von 2 aufgenommen
worden sind.
-
Genauer
gesagt zeigt 3 viele Zellkerne, die in jedem
Schnittbild des Z-Stapels 14 vorhanden sind.
Typischerweise sind Hunderte von Zellkernen in jedem Schnittbild
sichtbar. Zum Beispiel ist ein nicht kanzerogener Zellkern 15 einer
der sichtbaren Zellkerne in dem oberen Schnittbild 13.
Das Identifizieren von Zellkomponenten innerhalb jedes Zellkerns
ist erfindungsgemäß von grundlegender
Bedeutung. Daher sind in 3 nur die Membranen der Zellkerne
im Gegensatz zu den Zellmembranen gezeigt.
-
4 zeigt
eine Darstellung von Zellkomponenten in dem nicht kanzerogenen Zellkern 15 aus dem
Schnittbild 13 von 3.
-
Genauer
gesagt zeigt 4 bestimmte Zellkomponenten
des nicht kanzerogenen Zellkerns 15, welcher mit DAPI bzw.
4,6-Diamidino-2-Phenylindol gefärbt
worden ist. Die Zellkomponenten beinhalten Zentromere und Gene,
die auf dem menschlichen Chromosom Nummer siebzehn 16 vorhanden
sind. In der FISH-Technik
werden von den markierten Zellkomponenten Fluoreszenzsignale abgegeben.
In dieser Ausführungsform,
die die Diagnose von Brustkrebs betrifft, werden Gene analysiert,
die auf dem Chromosom Nummer siebzehn 16 vorhanden sind. Der
Zellkern einer normalen Zelle enthält typischerweise zwei Kopien
des Chromosoms Nummer siebzehn 16. Die zu analysierenden
Gene werden in der FISH-Technik mit fluoreszierenden Sonden markiert. Die
markierten Gene erscheinen dann als hell gefärbte Bereiche, wenn sie mit
einem Fluoreszenzmikroskop betrachtet werden. Verschiedene Parameter
der markierten Gene, wie zum Beispiel die Anzahl der markierten
Gene, die Größe der markierten
Gene, die Form der markierten Gene, die Distanz zwischen den markierten
Genen und die Distanz zwischen einem markierten Gen und einer Membran
des Zellkerns, werden dann bestimmt. Die FISH-Technik wird verwendet,
um das Her-2/neu-(humaner
epidermaler Wachstumsfaktor-Rezeptor-2)-Gen in Brustbiopsiegewebe
zu analysieren, um eine Diagnose- und Prognosemöglichkeit für Bustkrebs zur Verfügung zu stellen.
In krebsartigen Zellen der menschlichen Brust führt ein hoher Grad der Amplifizierung
des Her-2/neu-Gens zu einer Überexprimierung
des entsprechenden Proteins. Daher ist das Erfassen einer Amplifikation
des Her-2/neu-Gens
und einer entsprechenden Überexprimierung
des Her-2/neu-Proteins ein Anzeichen für eine positive Prognose hinsichtlich eines
Brustkarzinoms. Hierbei bedeutet positiv ein prognostiziertes Vorhandensein
eines Brustkarzinoms, wohingegen negativ ein prognostiziertes Nichtvorhandensein
eines Brustkazinoms bedeutet. Die Diagnose von metastasiertem Brustkrebs
aus der Her-2/neu-Überexprimierung
ist aufgrund der Entwicklung von Wirkstoffen umso nützlicher,
die direkt auf das Her-2/neu-Protein abzielen und besonders geeignet
sind, um diesen Krebstyp zu bekämpfen,
wie zum Beispiel Trastuzumab bzw. Herceptin®. Diese
Antikrebswirkstoffe sind sehr teuer. Durch eine bessere Diagnose
dieses bestimmten Krebstyps können
medizinische Kosten dadurch gespart werden, dass diese teuren Wirkstoffe
nur denjenigen Krebspatienten verabreicht werden, die diesen bestimmten
Krebstyp aufweisen. Durch das Erfassen der Amplifizierung von anderen
Genen als des Her-2/neu-Gens wird zusätzlich das Verabreichen von
personalisierter Medikation unterstützt, wenn neue Wirkstoffe entwickelt
werden. Schließlich
können
auch personalisierte Dosierungen auf der Grundlage eines bestimmten
Biopsiegewebes des Patienten verabreicht werden.
-
Der
Grad der Amplifizierung wird durch das Verhältnis der Anzahl der Fluoreszenzsignale
des Her-2/neu-Gens zu der Anzahl der Fluoreszenzsignale, die das
Zentromer jedes Chromosoms Nummer siebzehn 16 markieren,
auf welchem sich die Her-2/neu-Gene befindet, bestimmt. 4 zeigt
zwei Kopien von Chromosom Nummer siebzehn 16. In 4 weist
jedes Chromosom Nummer siebzehn 16 zwei Her-2/neu-Gene
und ein Zentromer 17 auf. Die Her-2/neu-Gene, die mit der
fluoreszierenden Sonde LSI-HER-2/neu markiert worden sind, erscheinen rosa
oder orange gefärbt,
wenn sie mit einem Fluoreszenzmikroskop betrachtet werden. Die mikroskopischen
Bilder werden in Grautönen
erzielt und danach zum Vereinfachen der Betrachtung unter Verwendung
zulässiger
Umwandlungen in der RGB-Skala koloriert. Jedes Zentromer 17 des
Chromosoms Nummer siebzehn 16, das mit der fluoreszierenden
Sonde CEP-17 markiert ist, erscheint typischerweise grün. 4 zeigt
zwei grüne
Fluoreszenzsignale 18, wobei jedes eine Kopie des Chromosoms
Nummer siebzehn 16 anzeigt. Ein rosafarbenes Fluoreszenzsignal 19 lässt das
Chromosom Nummer siebzehn 16 an jeder Stelle des Her-2/neu Gens
erleuchten. In einer nicht krebsartigen Zelle gibt es typischerweise
ein Her-2/neu-Gen auf jedem Chromosom Nummer siebzehn 16.
Es wird angenommen, dass das Her-2/neu-Gen
nicht amplifiziert wird, wenn jedes Chromosom Nummer siebzehn 16 nur
ein Her-2/neu-Gen aufweist. Das Her-2/neu-Gen wird stark amplifiziert,
wenn es mehr als vier Her-2/neu-Gene auf jedem Chromosom Nummer siebzehn 16 gibt.
-
In
einem anerkannten diagnostischen Verfahren werden einhundert Zellkerne
einer Biopsiegewebeprobe analysiert, um den Grad der Amplifizierung
des Her-2/neu-Gens
in der Biopsiegewebeprobe zu berechnen. In jedem der einhundert
Zellkerne werden Fluoreszenzsignale von jedem Her-2/neu-Gen und
jedem Chromosom Nummer siebzehn 16 gezählt. Der Grad der Amplifizierung
der Biopsiegewebeprobe wird danach kategorisiert als: (i) nicht
amplifiziert, (ii) moderat amplifiziert oder (iii) hoch amplifiziert.
Dies wird auf der Grundlage der folgenden Kriterien durchgeführt:. Die
Probe ist nicht amplifiziert, wenn weniger als zehn Prozent der
Zellkerne mehr als vier Fluoreszenzsignale 19 aufweisen,
die das Her-2/neu-Gen
anzeigen. Die Probe ist hoch amplifiziert, wenn mehr als zehn Prozent
der Zellkerne mehr als zehn Fluoreszenzsignale 19 aufweisen,
die das Her-2/neu-Gen anzeigen. Schließlich ist die Probe moderat
amplifiziert, wenn mehr als zehn Prozent der Zellkerne sowohl (i)
mehr als vier, jedoch weniger als oder gleich zehn Fluoreszenzsignale 19 als
auch (ii) einen Quotienten der Fluoreszenzsignale 19 zu
den Fluoreszenzsignalen 18 (die das Chromosom Nummer siebzehn 16 anzeigen) von
größer als
zwei aufweisen. Hinsichtlich einer zusätzlichen Information über diagnostische
Verfahren, die auf dem Zählen
von Fluoreszenzsignalen beruhen, die das Her-2/neu-Gen anzeigen,
wird auf Pauletti et al., "Detection and quantitation of HER-2/neu gene
amplification in human breast cancer archival material using fluorescence
in situ hybridization",
Oncogene, 13: 63–72,
4. Juli 1994 verwiesen. Bei verschiedenen Krebstypen und
selbst bei verschiedenen Brustkrebstypen unterscheiden sich die
Bereiche für
die Grade der Amplifizierung.
-
In
einem anderen anerkannten diagnostischen Verfahren für den Brustkrebstyp,
der auf Trastuzumab bzw. Herceptin® reagiert,
werden Fluoreszenzsignale 19 und 18 von jedem
Her-2/neu-Gen und jedem Chromosom Nummer siebzehn 16 in
einhundert Zellkernen gezählt.
Danach wird für
jeden Zellkern das Verhältnis
der Her-2/neu-Fluoreszenzsignale 19 zu
den Fluoreszenzsignalen 18 für Chromosom Nummer siebzehn 16 berechnet.
Schließlich wird
der Durchschnitt der Verhältnisse
berechnet. Der Pathologe verwendet den Durchschnitt der Verhältnisse,
um eine Diagnosemöglichkeit
hinsichtlich Brustkrebs zu entwickeln.
-
Es
gibt jedoch erschwerende Faktoren, die bei den herkömmlichen
Zählverfahren
dazu führen, dass
keine genauen Zählungen
der Anzahl der Her-2/neu-Fluoreszenzsignale 19 pro
Zellkern erzielt werden. Das erfindungsgemäße computerimplementierte Analysesystem
arbeitet zum Beispiel als ein Computerprogramm und ist daher nicht
anfälllig
gegenüber
Ermüdung
und Konzentrationsverlust als Beispiel von erschwerenden Faktoren
des herkömmlichen
Zählverfahrens.
Darüber
wird erkannt, ob Zellkomponenten eines Zellkerns bereits gezählt worden sind,
und, falls dies der Fall ist, werden diese Zellkerne nicht noch
einmal gezählt,
was ansonsten zu einem doppelten Zählen führen würde. Zusätzlich werden durch das Wiedererkennen
der bereits gezählten Zellkerne
bisher nicht gezählte
Zellkerne nicht übersehen.
Am Wichtigsten ist, dass bestimmt werden kann, ob ein Fluoreszenzsignal
ein einzelnes Gen oder mehrere überlappende
Gene darstellt. Es können
ebenso helle Punkte auf den Schnittbildern erkannt werden, wobei
diese hellen Punkte Artefakte und überhaupt keine Fluoreszenzsignale
sind.
-
5 zeigt
eine dreidimensionale Darstellung von zu zählenden Zellkomponenten.
-
Genauer
gesagt zeigt 5, wie die dreidimensionale
Natur der Zellkomponenten das Auszählen erschwert und bei den
herkömmlichen
Verfahren, die auf der Grundlage von zweidimensionalen Bildern und
einer zweidimensionalen Kompression von dreidimensionaler Information
zählen,
zu nicht korrekten Ergebnissen führen
kann. Die Zellen, Zellkerne und Zellkomponenten des Biopsiegewebes
sind in verschiedenen Tiefen der Z-Richtung in jedem Objektträger vorhanden.
Ein Fluoreszenzsignal von einem ersten Gen, das direkt über einem
zweiten Gen in der Z-Richtung liegt, wird jedes Fluoreszenzsignal des
zweiten Gens überdecken.
Das Signal des zweiten Gens wird daher in einem zweidimensionalen
Bild in einer zu der Z-Richtung senkrechten X-Y-Ebene unbemerkt
bleiben. Zusätzlich
wird das Fluoreszenzsignal eines Zentromers das Fluoreszenzsignal
eines direkt unter dem Zentromer liegenden Gens überdecken.
-
5 zeigt
einen Zellkern 20 in einer ersten Zelle 21 und
einen Zellkern 22 in einer zweiten Zelle 23. Das
meiste des Zellkerns 20 der ersten Zelle 21 befindet
sich in der Z-Richtung in einer geringeren Tiefe in dem Z-Stapel
als der Zellkern 22 der zweiten Zelle 23. In 5 sind
drei Schnittbilder des Z-Stapels 14 gezeigt, die durch
die Zellkerne der ersten Zelle 21 und der zweiten Zelle 23 schneiden.
Der Zellkern 20 beinhaltet ein erstes Gen 24,
das ein niedriger liegendes zweites Gen 25 überlappt.
-
6 zeigt
eine zweidimensionale zusammengesetzte Darstellung der mehreren
Schnittbilder der dreidimensionalen Darstellung von 5.
-
Genauer
gesagt zeigt 6, wie Zellkomponenten der ersten
Zelle 21 und der zweiten Zelle 23 von 5 aussehen
würden,
wenn sie von oben in lediglich zwei Dimensionen betrachtet werden
würden.
In dieser Ansicht überlappen
die Her-2/neu-Fluoreszenzsignale 19,
die aus dem Zellkern 20 hervorgehen, teilweise einander.
Daher gibt es in der X-Y-Perspektive überlappende Her-2/neu-Gene 27. 6 zeigt
ebenso Her-2/neu-Gene 28, die teilweise von einem Zentromer überdeckt
sind. Die Her-2/neu-Gene können
genau gezählt
werden, da ein Datennetz erzeugt wird, das auf Pixelwerten von mehreren
Schnittbildern in der Z-Richtung beruht.
-
Die 7A bis 7C zeigen
tatsächliche mikroskopische
Bilder von zu zählenden
Zellkernen, Genen und Zentromeren;
-
7A zeigt
ein digitales Bild, das unter Verwendung eines Blaulichtkanals erzielt
worden ist, um die gefärbten
Zellkernmembranen hervorzuheben. Selbst unter Verwendung eines Blaulichtkanals
ist es schwierig, unter Verwendung von herkömmlichen Zählverfahren die mehreren überlappenden
Zellkerne in 7A voneinander zu unterscheiden. 7B zeigt
ein digitales Bild, das unter Verwendung eines Rotlichtkanals erzielt
worden ist, um die rosafarbenen Her-2/neu-Fluoreszenzsignale 19 hervorzuheben. 7C zeigt
ein digitales Bild, das unter Verwendung eines Grünlichtkanals
erzielt worden ist, um die grünen
Fluoreszenzsignale des Chromosoms Nummer siebzehn 18 hervorzuheben.
Die 7B und 7C stellen
dar, dass es bei der Verwendung herkömmlicher Zählverfahren schwierig zu bestimmen
ist, welche Her-2/neu-Gene und welche Chromosomen Nummer siebzehn
in jeden bestimmten Zellkern von 7A fallen.
Aus der zweidimensionalen Z-Y-Perspektive der 7B ist
es zum Beispiel schwierig, die Tiefe jedes rosafarbenen Her-2/neu-Fluoreszenzsignals 19 zu
bestimmen und daher den Zellkern zu identifizieren, welchem jedes Her-2/neu-Gen
zugehörig
ist.
-
8 zeigt
ein mikroskopisches Bild von Zellkernen, die grüne Fluoreszenzsignale, die
Zentromere des Chromosoms Nummer siebzehn markieren, und rosafarbene
Fluoreszenzsignale beinhalten, die Her-2/neu-Gene markieren;
-
Der
Zellkern ganz links von 8 stammt aus einer nicht krebsartigen
Zelle. Der Zellkern weist zwei grüne Fluoreszenzsignale 18 und
zwei rosafarbene Her-2/neu-Fluoreszenzsignale 19 auf.
Die zwei grünen
Fluoreszenzignale 18 zeigen die Anwesenheit von zwei Kopien
des Chromosoms Nummer siebzehn an. Die zwei rosafarbenen Signale 19 zeigen
die Anwesenheit von zwei Kopien der Her-2/neu-Gene in dem selben Zellkern an. Daher
ist das Verhältnis
der Her-2/neu-Gene zu Chromosom Nummer siebzehn 1,0 und das Her-2/neu-Gen
ist nicht amplifiziert. Die zwei Zellkerne auf der rechten Seite
von 8 stammen von krebsartigen Zellen. Von diesen
weist jeder Klumpen von überlappenden rosafarbenen
Her-2/neu-Fluoreszenzsignalen 19 auf, die
in der X-Y-Perspektive schwierig voneinander zu unterscheiden sind.
Der zweite Zellkern auf der rechten Seite von 8 weist
drei grüne
Fluoreszenzsignale 18 und ungefähr 13 rosafarbene Fluoreszenzsignale 19 auf.
Das Verhältnis
der Her-2/neu-Gene zu Chromosom Nummer siebzehn ist daher ungefähr vier,
was anzeigt, dass das Her-2/neu-Gen stark amplifiziert ist.
-
9 zeigt
eine schematische Darstellung, die einen Teil eines Datennetzes
darstellt, das auf Pixelwerten aus drei Schnittbildern von 5 beruht, die
durch zwei Zellkerne hindurch schneiden;
-
Die
Pixelwerte des obersten Schnittbildes 13, das ein erstes
Gen 24 darstellt, sind mit einem ersten Objekt 30 verknüpft. Die
Pixelwerte eines in der Z-Richtung niedrigeren Schnittbildes 31,
das ein zweites Gen 25 darstellt, sind mit einem zweiten
Objekt 32 verknüpft.
Sowohl das erste Objekt 30 als auch das zweite Objekt 32 sind
mit einem Über-Objekt 33 verknüpft. Durch
das Verknüpfen
der Objekte, die von den Schnittbildern in unterschiedlichen Tiefen der
Z-Richtung erzielt worden sind, kann gegenüber dem Analysieren von Bildern
des Biopsiegewebes lediglich aus der X-Y-Perspektive eine zusätzliche Information aus dem
Biopsiegewebe 10 extrahiert werden. Zum Beispiel kann eine
Distanz 34 zwischen dem ersten Gen 24 und dem
zweiten Gen 25 bestimmt werden. Die Distanz 34 zwischen
dem ersten Gen 24 und dem zweiten Gen 25 ist ebenso
in 5 dargestellt. Zusätzlich kann ebenso das Volumen
einer Zellkomponente bestimmt werden, die mehrere Schnittbilder
kreuzt.
-
Objekte,
denen Pixelwerte auf dem selben Schnittbild zugehörig sind,
können
ebenso verknüpft sein.
Objekte können
nicht nur auf der Grundlage von ihren relativen Positionen auf dem
Schnittbild verknüpft
sein. Zum Beispiel können
Objekte verknüpft sein,
die gleichartige Zellkerne darstellen, wie zum Beispiel Zellkerne
mit gleichartigen Bereichen, Formen oder Helligkeiten. Zellkerne
können
zum Beispiel auf der Grundlage ihrer Wölbung oder Ausbuchtung verknüpft sein.
Dies lässt
zu, alle Her-2/neu-Gene, die in gleichartige Formen aufweisenden
Zellkernen lokalisiert sind, zu verknüpfen. Danach wird ein spezifischer
Algorithmus an allen verknüpften
Genen durchgeführt.
In einem anderen Beispiel wird die Distanz zwischen den Zellkernen
in einem Schnittbild durch Verknüfen
der Zellkernobjekte auf dieser Ebene bestimmt. Wenn die bestimmte
Distanz klein ist, da die Zellkerne gruppiert sind, kann ein umfangreicherer
Algorithmus in der Z-Richtung angewendet werden, um die Zellkerne
voneinander zu trennen und zu unterscheiden. In noch einem anderen
Beispiel kann der Bereich oder das Volumen eines Gensignals durch
Verknüpfen
der Objekte aus dem selben Schnittbild sowie aus verschiedenen Ebenen
relativ zu dem Bereich oder dem Volumen des zugehörigen Zellkerns
bestimmt werden.
-
Es
wird nicht nur ein Datennetz auf der Grundlage von Pixelwerten von
Schnittbildern erzeugt, sondern es werden ebenso ein Klassennetz und
eine Prozessierungshierarchie erzeugt. Das Klassennetz definiert
die Charakteristika von Objekten, die als verschiedene Zellkomponenten
klassifiziert werden. Die Prozessierungshierarchie beinhaltet Prozessierungsschritte,
die den Fluss der Analysen und Berechnungen steuern, die an den
Pixelwerten und Objekten durchgeführt werden.
-
10 zeigt
eine vereinfachte schematische Darstellung einer computerimplementierten
Netzstruktur 35, die ein Datennetz 36, ein Klassennetz 37 und
eine Prozessierungshierarchie 38 beinhaltet.
-
Die
computerimplementierte Netzstruktur 35 wird von dem computerimplementierten
Analysesystem verwendet, um Fluoreszenzsignale zu zählen und
zu analysieren, die unter Verwendung der FISH-Technik erzielt werden.
Die computerimplementierte Netzstruktur 35 wird durch das
computerimplementierte Analysesystem und ein zugehöriges Computerprogramm
erzeugt. Das zugehörige
Computerprogramm wird hier im weiteren Verlauf als CNL- bzw. Cognition-Network-Language-Script bezeichnet.
Die computerimplementierte Netzstruktur 35 beinhaltet das
Datennetz 36, das Klassennetz 37 und eine Prozessierungshierarchie 38.
In dem Beispiel von 10 beinhaltet das Datennetz 36 eine erste
Datentabelle 39 und eine zweite Datentabelle 40.
Die Tabellendatenwerte in den Datentabellen 39 und 40 weisen
sowohl Zahlen als auch Text auf.
-
Einige
der Tabellendatenwerte sind digitale Pixelwerte von Schnittbildern
des Biopsiegewebes 10, wohingegen andere Tabelledatenwerte
den Patienten beschreiben, von dem das Biopsiegewebe entnommen worden
ist. Daher sind einige der Tabellendatenwerte Fließkommawerte,
die die spektrale Intensität
von einzelnen Pixeln auf den Schnittbildern darstellen. Die anderen
Tabellendatenwerte sind Einheiten von Metadaten, die darauf abzielen,
ob eine Möglichkeit
besteht, dass der Patient Brustkrebs hat. Beispiele für derartige
Informationen beinhalten: Geschlecht des Patienten, Alter des Patienten,
Gewicht des Patienten, Größe des Patienten,
Blutwerte des Patienten, verschriebene Medikamente, Anzahl an Kindern
des Patienten, Familienkrankengeschichte des Patienten, ob der Patient
seine Kinder gestillt hat, ob der Patient raucht oder Arzneimittel
nimmt usw. In 10 sind ein erster Wert 41 und
ein zweiter Wert 42 spektrale Intensitätswerte der Schnittbilder,
wohingegen ein dritter Wert 43 eine Einheit von Metadaten,
wie zum Beispiel das Gewicht des Patienten, ist. In diesem Bespiel
entsprechen Pixelwete der ersten Datentabelle 39 dem oberen
Schnittbild 13 und entspricht der erste Wert 41 einem
das erste Gen 24 darstellenden Pixelwert des Schnittbildes 13. Ähnlich entsprechen
Pixelwerte der zweiten Datentabelle 40 dem zu dem ersten
Schnittbild nächst
liegenden unteren Schnittbild 31 und entspricht der zweite
Wert 42 einem das zweite Gen 25 darstellenden
Pixelwert des Schnittbildes 31.
-
Die
computerimplementierte Netzstruktur 35 wird verwendet,
um Zellkerne und andere Zellkomponenten zu zählen. Das visuelle Untersuchen
von Objektträgern
und das manuelle Zählen
von Zellkomponenten ist zeitaufwendig und arbeitsintensiv. Aufgrund
der niedrigen Prävalenz
von Fluoreszenzsignalen von hoch amplifizierten Her-2/neu-Genen
in den meisten der Objektträger,
die vom Pathologen betrachtet werden, kann die Eintönigkeit
dazu führen, dass
der Pathologe hoch amplifizierte Her-2/neu-Gene übersieht, selbst wenn diese
vorhanden sind. Die computerimplementierte Netzstruktur 35 und
das computerimplementierte Analysesystem, das die computerimplementierte
Netzstruktur 35 erzeugt, helfen dem Pathologen dabei, Her-2/neu-Gene
nicht zu übersehen
und/oder falsch zu zählen.
-
11 zeigt
digitale Schnittbilder an verschiedenen Tiefen eines Gewebes auf
einem Objektträger.
-
Genauer
gesagt zeigt 11 Beispiel von Schnittbildern,
die von der computerimplementierten Netzstruktur 35 und
dem CNL-Skript analysiert werden. Zum Beispiel sind die drei Schnittbilder
von 11 analog zu den drei Schnittbildern von 9. Das
obere Schnittbild von 11 entspricht der ersten Datentabelle 39 und
das mittlere Schnittbild von 11 entspricht
der zweiten Datentabelle 40. In anderen Ausführungsformen
beinhaltet die zweite Datentabelle 40 ebenso Metadaten,
die den Patienten betreffen. Die computerimplementierte Netzstruktur 35 wird
verwendet, um Zellkomponenten, wie zum Beispiel Zellkernmembranen,
Zentromere und Gene, zu identifizieren und zu zählen. Um diese drei Zellkomponenten
zu identifizieren, werden in jedem Schnittbild verschiedene Farbkanäle getrennt.
Bilddaten werden typischerweise in einer Grauskala erzielt und dann
im Allgemeinen in eine RGB-Skala interpretiert. Neben Rot, -Grün-Blau können ebenso andere
Farbmodelle verwendet werden, wie zum Beispiel das HSB-Farbmodell, wobei
HSB Hue-Saturation-Brightness ist. Zum Beispiel könnten die Her-2/neu-Fluoreszenzsignale 19 ebenso
als gelb anstatt rosa interpretiert werden. Die Zellkernmembranen
sind in der Grauskala, die Blaulicht entspricht, am meisten sichtbar.
Die markierten Zentromere des Chromosoms Nummer siebzehn sind durch
ein grünes
Filter am meisten sichtbar und die rosafarbenen Her-2/neu-Fluoreszenzsignale 19 gehen
durch ein rotes Filter hindurch. Daher werden für jedes Schnittbild ein rosafarbenes
Schnittbild, das die Her-2/neu-Gene zeigt, ein grünes Schnittbild,
das die Zentromere jedes Chromosoms Nummer siebzehn zeigt, und einen
blauen Schnittbild erzeugt, das die Zellkmembranen zeigt. Die Pixelwerte
des rosafarbenen Schnittbildes werden mit Objekten verknüpft, die in
der Klassenhierarchie als Gene klassifiziert sind. Die Pixelwerte
des grünen
Schnittbildes werden mt Objekten verknüpft, die in der Klassenhierarchie
als Zentromere klassifiziert sind, und die Pixelwerte des blauen
Schnittbildes werden mit Objekten verknüpft, die in der Klassenhierarchie
als Zellkernmembranen klassifiziert sind.
-
12 zeigt
rote, grüne
und blaue Schnittbildkomponenten, die die Schnittbilder von 11 ausbilden.
-
Auf
der linken Seite von 12 zeigen Schnittbilder rosafarbene
Her-2/neu-Fluoreszenzsignale 19.
In der Mitte von 18 zeigen Schnittbilder grüne Fluoreszenzsignale 18,
die das Chromosom Nummer siebzehn anzeigen. Auf der rechten Seite von 12 zeigen
blaue Schnittbilder Zellkmembranen, die Chromosomen mit den Her-2/neu-Genen anzeigen.
-
Es
wird zurück
auf 10 verwiesen Das Datennetz 36 beinhaltet
ebenso Objekte und Verknüpfungen.
In diesem Beispiel ist der erste Wert 41 durch eine erste
Verknüpfung 44 mit
dem ersten Objekt 30 verbunden. Das erste Objekt 30 in 10 entspricht
dem ersten Objekt 30 in 9. Der zweite Wert 42 ist
mit dem zweiten Objekt 32 verknüpft. Das erste Objekt 30 ist über eine
zweite Verknüpfung 45 mit
dem Objekt 33 verknüpft.
Das zweite Objekt 32 ist ebenso mit dem Objekt 33 verknüpft. Das
Klassennetz 37 beinhaltet eine Klasse 46, eine
erste Unter-Klasse 47 und eine zweite Unter-Klasse 48.
Die Klasse 46 ist mit der ersten Unter-Klasse 47 und
mit der zweiten Unter-Klasse 48 verknüpft. Weiterhin ist die Klasse 46 des
Klassennetzes 37 mit dem Objekt 33 des Datennetzes 36 verknüpft. In
diesem Beispiel ist die Klasse 46 die Klasse für Her-2/neu-Gene.
Die Unter-Klasse 47 ist mit dem zweiten Objekt 32 verknüpft. In
diesem Beispiel ist die Unter-Klasse 47 die Klasse für Her-2/neu-Gene,
die von anderen Genen überlappt
werden. Die Prozessierungshierarchie 38 beinhaltet einen
Prozessierungsschritt 49. Der Prozessierungsschritt 49 beinhaltet
weiterhin eine Domänenspezifikation 50 und
einen Algorithmus 51. Der Algorithmus 51 ist durch
eine dritte Verknüpfung 52 mit
dem dritten Wert 43 der ersten Datentabelle 39 verknüpft. Die
Domänenspezifikation 50 ist
durch eine vierte Verknüpfung 53 mit
dem Objekt 33 verknüpft.
Daher ist ein Algorithmus eines Prozessierungsschritts in der Prozessierungshierarchie 38 mit den
Metadaten in dem Datennetz 36 verknüpft und ist eine Domänenspezifikation
eines Prozessierungsschritts in der Prozessierungshierarchie 38 mit
einem Objekt in dem Datennetz 36 verknüpft.
-
13 zeigt
ein Flussdiagramm eines Verfahrens zum Analysieren und Zählen von
Zellkomponenten unter Verwendung der computerimplementierten Netzstruktur
von 10.
-
Genauer
gesagt zeigt 13 ein Flussdiagramm, das Schritte 54 bis 59 eines
Verfahrens darstellt, welche verwendet werden, um ein computerunterstütztes Erfassen
bzw. CAD von zu zählenden Zellkomponenten
durchzuführen.
In nachstehend beschriebenen anderen Ausführungsformen wird die computerimplementierte
Netzstruktur 35 verwendet, um andere Objekte als Zellkomponenten
zu erfassen. Die Schritte von 13 werden
nun unter Bezugnahme auf die Funktionsweise der computerimplementierten
Netzstruktur 35 von 10 beschrieben.
-
In
einem ersten Schrit 54 wird das Klassennetz 37 durch
Definieren einer Wahrscheinlichkeit, mit welcher Objekte des Datennetzes 36 jeder
bestimmten Klasse des Klassennetzes 37 zugehörig sein
werden, von einem Anwender des computerimplementierten Analysesystems
definiert. Der Anwender des computerimplementierten Analysesystems ist
zum Beispiel ein Arzt in der Forschung, der sein Expertenwissen
anwendet, um das computerimplementierte Analysesystem in einem Spezifikationsmodus
zu trainieren. Ein derartiger Arzt in der Forschung könnte zum
Beispiel ein Pathologe in der Forschung sein, der zum Beispiel in
einer pharmazeutischen Firma arbeitet. Zusätzlich zu dem Arzt in der Forschung verwenden
ebenso Pathologen das computerimplementierte Analysesystem in einem
Ausführungsmodus.
-
14 zeigt
eine Darstellung, das das Klassennetz von 10 detaillierter
zeigt.
-
Das
Klassennetz 37 beinhaltet Klassen, die mit Unter-Klassen
verknüpft
sind und beschreiben, was der Anwender in den Schnittbildern, die
in der ersten Datentabelle 39 und der zweiten Datentabelle 40 beinhaltet
sind, zu finden erwartet. Daher beschreiben in diesem Beispiel die
Klassen und Unter-Klassen von 14, was
der Anwender in den Schnittbildern von 11 zu
findenr erwartet. Der Anwender beginnt damit, jeder Klasse einen
Namen zu geben. In diesem Beispiel hat der Anwender eine Hintergrundklasse 60,
eine Bildrandklasse 61 und eine getrennte Klasse für jede von
N Zellen spezifiziert, die einen zu zählenden Zellkern aufweisen. Zum
Beispiel weist eine Zelle Nummer eins eine Unter-Klasse 62 für die Her-2/neu-Gene der Zelle auf, die
mit rosafarbenen Her-2/neu Fluoreszenzsignalen 19 markiert
sind. Die Zelle Nummer eins weist ebenso eine Unter-Klasse 63 für grüne Fluoreszenzsignale 18 auf,
die die Zentromere des Chromosoms Nummer siebzehn der Zelle markieren.
Der Anwender hat ebenso einer Unter-Klasse 63 ihre eigene
Unter-Klasse 64 für
diejenigen Zentromere gegeben, die Her-2/neu-Gene überlappen.
Der Anwender spezifiziert eine Helferklasse, um Zellkomponenten
zu kategorisieren, deren Identität
zu Beginn der Analyse unbekannt ist.
-
Der
Anwender spezifiziert auch Kategorien von Metadaten. In diesem Beispiel
beinhaltet das Klassennetz 37 eine Klasse für Patientendaten
und Unter-Klassen, die Typen der Patientendaten spezifizieren. Der
Anwender hat Unter-Klassen für
Alter des Patienten, Gewicht des Patienten, Größe des Patienten, die Anzahl
an Kindern des Patienten, ob der Patient seine Kinder gestillt hat,
Familienkrankengeschichte des Patienten, Blutwerte des Patienten 65 und
ob der Patient raucht, spezifiziert.
-
Jede
Klasse kann eine zugehörige
Zugehörigkeitsfunktion
aufweisen, die die Wahrscheinlichkeit definiert, mit welcher ein
Objekt des Datennetzes 36 der bestimmten Klasse zugehörig ist.
Die Zugehörigkeitsfunktionen
definieren nicht, ob ein einzelner Pixelwert einer Klasse zugehörig ist.
Vielmehr ist jedes Objekt einer Gruppe von Pixeln mit dem Objekt
verknüpft
und der Anwender spezifiziert die Zugehörigkeitsfunktion durch Definieren
der Eigenschaften, die das Objekt aufweisen muss, um der Klasse
zugehörig
zu sein. Beispiele für
derartige Eigenschaften beinhalten: Bereich, Form, Farbe und Beschaffenheit des
Objekts. Der Bereich eines Objekts kann zum Beispiel durch die Anzahl
der Pixel bestimmt werden, die mit dem Objekt verknüpft sind.
Ein Element der Metadaten kann ebenso eine Variable in einer Zugehörigkeitsfunktion
sein. Zum Beispiel kann die Beschaffenheit eines Objekts, das der
Klasse "Zellkernmembran" zugehörig ist,
unterschiedlich sein, wenn das Alter und das Gewicht des Patienten über bestimmten
Grenzwerten liegen.
-
15 zeigt
ein Flussdiagramm, das Unter-Schritte eines ersten Schritts von 13 zum Spezifizieren
des Klassennetzes von 10 zeigt.
-
In
einem Unter-Schritt 66 wird ein Verknüpfungstyp für eine Verknüpfung zwischen
zwei Klassen oder Unter-Klassen spezifiziert. Verknüpfungen, die
nicht in dem Unter-Schritt 66 spezifiziert werden, können ebenso
nachfolgend in einem Schritt 56 von 13 spezifiziert
werden.
-
In
einem Schritt 55 von 13 spezifiziert der
Anwender die Prozessierungshierarchie 38 von 10.
Der Anwender spezifiziert nicht nur die einzelnen Prozessierungsschritte,
sondern ebenso eine Reihenfolge, in welcher die Prozessierungsschritte
in dem Ausführungsmodus
des computerimplementierten Analysesystems ausgeführt werden.
Daher weist jede Prozessierungshierarchie einen Basisprozessierungsschritt
auf, der mit anderen Prozessierungsschritten verknüpft ist.
Die Prozessierungsschritte können
weiterhin mit Unter-Schritten verknüpft sein.
-
16 zeigt
eine Darstellung, die die Prozessierungshierarchie von 10 detaillierter
zeigt.
-
Die
Prozessierungshierarchie 38 beinhaltet einen Basisprozessierungsschritt 67,
der mit "FISH 3D-Analyse" bezeichnet ist,
mit einer Domänenspezifikation 68 und
einem Algorithmus 69. In diesem Beispiel hat der Anwender
vier Prozessierungsschritte 70 bis 73 verbunden
mit einer spezifischen Folge zum Basisprozessierungsschritt 67 spezifiziert.
Ein erster Prozessierungsschritt 70 "FISH Mamma 2D" weist einen Unter-Prozessierungsschritt 74 auf,
der mit "Bildrand" bezeichnet ist.
Ein dritter Prozessierungsschritt 72 "Verknüpfe Objekte, Schnittbilder, Zellkerne
und Signale" weist
vier Unter-Prozessierungsschritte 75 bis 78 auf,
von denen drei ihre eigenen Unter-Schritte aufweisen. Ein Unter-Schritt 75 "3D-Prozesse" weist einen ersten
Unter-Schritt 76, der mit "Erzeuge Schnittbilder " bezeichnet ist,
und einen zweiten Unter-Schritt 80 "Klassifiziere Schnittbilder" auf. Ein Unter-Schritt 76 "Finde Überlappung" weist einen Unter-Schritt 81 auf,
der mit "Verknüpfe Zellkerne
mittels Überlappungsberechnung" bezeichnet ist.
Ein Unter-Schritt 77 "Einige
Korrekturen" weist
einen Unter-Schritt 82 auf, der mit "Chromosom-17-Signal, das Her-2-Signale überlappt" bezeichnet ist.
-
Für jeden
Prozessierungsschritt oder Unter-Prozessierungsschritt hat der Anwender
die Option, eine Domäne
oder einen Algorithmus zu spezifizieren. 16 zeigt,
dass der Anwender eine Domäne 83 für den Prozessierungsschritt 72 und
eine Domäne 84 für den Unter-Prozessierungsschritt 82 spezifiziert
hat. Die Domäne
spezifiziert Klassen, die Objekte des Datennetzes 36 definieren,
an denen der Algorithmus während
der Laufzeit in dem Ausführungsmodus
durchzuführen
ist. 16 zeigt ebenso, dass der Anwender einen Algorithmus 85 für den Prozessierungsschritt 72 und
einen Algorithmus 86 für
den Unter-Prozessierungsschritt 81 spezifiziert hat.
-
17 zeigt
einen Screenshot einer grafischen Benutzeroberfläche, der eine Übersichtsdarstellung
der Prozessierungshierarchie 38 von 16 zeigt;
-
Der
Screenshot beinhaltet ein mittleres Fenster, das eine Gliederungsdarstellung
der Prozessierungshierarchie 38 von 16 beinhaltet.
-
Prozessierungsschritte,
die denjenigen von 16 entsprechen, sind in 17 markiert.
Unter-Schritte des Unter-Prozessierungsschritts 74 sind aufgeklappt
und die Unter-Schritte von anderen Prozessierungsschritten sind
in der grafischen Benutzeroberfläche
verborgen. Der Anwender kann Prozessierungsschritte der Prozessierungshierarchie 38 unter
Verwendung von als Reaktion auf den rechten Mausklick erscheinende
Pulldown-Fenster hinzufügen
und löschen.
-
18 zeigt
ein Flussdiagramm, das Unter-Schritte eines zweiten Schritts von 13 zum Spezifizieren
der Prozessierungshierarchie von 16 zeigt.
-
In
einem Unter-Schritt 87 spezifiziert der Anwender eine Domäne eines
Prozessierungsschritts, den der Anwender erzeugt hat. In einem Unter-Schritt 88 spezifiziert
der Anwender ein Objektfilter für
die Domäne.
Zum Beispiel übergibt
das Objektfilter von den Objekten in der Domäne alle diejenigen Objekte, die
mit weniger als sechzehn Pixelwerten verknüpft sind, an den Algorithmus.
In einem Unter-Entscheidungsschritt 89 wird
der Anwender in einem Popup-Fenster gefragt, ob die Domäne eine
Navigationsdomäne
Die Domäne
ist eine Navigationsdomäne,
wenn die darin zu operierenden Objekte, auf der Grundlage dessen
definiert werden, wie sie mit anderen Objekten verknüpft sind.
Zum Beispiel kann eine Domäne
lediglich diejenigen Unter-Objekte beinhalten, die durch einen bestimmten
Verknüpfungstyp
mit Über-Objekten
verknüpft
sind. Wenn die Domäne eine
Navigationsdomäne
ist, spezifiziert der Anwender in einem Unter-Schritt 90 die
Verknüpfungstypen, die
die Umgebung des Über-Objekts
definieren. Wenn die Domäne
keine Navigationsdomäne
ist, spezifiziert der Anwender in einem Unter-Schritt 91 einen
Objektcontainer für
die Objekte, die durch einen Algorithmus des Prozessierungsschritts
darin zu operieren sind. Zum Beispiel kann der Objektcontainer alle
diejenigen Objekte in einer spezifizierten Objektebene beinhalten.
Eine Ebene von Objekten, die direkt mit den Tabellendatenwerten verknüpft sind, wird
als Objektebene null bezeichnet. Eine Ebene von Objekten, die direkt
mit Objekten der Objektebene null verknüpft sind, wird als Objektebene
eins bezeichnet usw.
-
In
einem Unter-Schritt 92 von Schritt 55 von 13 spezifiziert
der Anwender den Algorithmus, der an den in der Domäne spezifizierten
Objekten durchzuführen
ist. Der Anwender kann vorformulierte Algorithmen aus einer Datenbank
von Algorithmen wählen.
Zum Beispiel werden einige Algorithmen für eine Segmentation von Objekten
verwendet. Andere Algorithmen werden zum Berechnen verwendet, wie zum
Beispiel für
statistische Berechnungen oder um den mit einem Objekt verknüpften Bereich
von Pixeln zu berechnen.
-
19 einen
Screenshot eines Popup-Fensters, um bei einem Spezifizieren eines
Algorithmus in dem Schritt 92 von 18 mitzuwirken
-
Es
wird zurück
auf 18 verwiesen. In einem Unter-Schritt 93 spezifiziert
der Anwender eine Abbruchbedingung, bei welcher der Algorithmus
ein Operieren an Objekten stoppt. Zum Beispiel kann die Abbruchbedingung
definieren, dass der Algorithmus iterativ ist und eine vorbestimmte
Anzahl von Zeiten an einer Gruppe von Objekten operiert.
-
In
einem Schritt 56 von 13 spezifiziert der
Anwender verschiedene Verknüpfungstypen.
In der computerimplemtierten Netzstruktur 35 können Verknüpfungen
zwischen Objekten, zwischen Klassen und zwischen Prozessierungsschritten,
was hierin insgesamt als Knoten bezeichnet wird, sein. Zusätzlich kann
es Verknüpfungen
zwischen einer Klasse und einem Objekt, zwischen einer Klasse und
einem Prozessierungsschritt, zwischen einem Prozessierungsschritt
und einem Objekt, zwischen einem Prozessierungsschritt und Tabellendaten
und zwischen einem Objekt und Tabellendaten geben. Die Verknüpfungen
zwischen einer Klasse und einem Objekt, zwischen einem Prozessierungsschritt
und einem Objekt und zwischen einem Objekt und Tabellendaten sind
lediglich während
der Laufzeit während des
Ausführungsmodus
in der computerimplemtierten Netzstruktur 35 vorhanden.
Der Anwender verwendet dann die Verknüpfungstypen, um eine Beziehung
zwischen Knoten des Klassennetzes und der Prozessierungshierarchie
zu definieren, die der Anwender in dem Spezifikationsmodus spezifiziert
hat. Zusätzlich
verwendet der Anwender die Verknüpfungstypen,
um eine Beziehung zwischen Objekten des Datennetzes und anderen
Knoten der Netzstruktur 35 zu definieren, die während der
Laufzeit zu erzeugen sind.
-
20 zeigt
eine Darstellung von verschiedenen Verknüpfungstypen 94 bis 103 der
computerimplementierten Netzstruktur 35 von 10.
-
Verknüpfungstypen
beschreiben eine Beziehung zwischen Objekten, Klassen und Prozessierungsschritten.
Die einfachsten Verknüpfungstypen sind
Verknüpfungen
vom Typ Austauschbeziehung und Verknüpfungen vom Typ Relation. Austauschbeziehungen
sind als derartige Beziehungen definiert, die einen abstrakten,
stofflichen und/oder kommunikativen Austausch zwischen Knoten beschreiben. Relationen
sind hingegen Beziehungsinhalte, die irgendwelche Beziehungen zwischen
Knoten in Abhängigkeit
von relationalen Inhalten beschreiben. Wenn eine in der computerimplementierten
Netzstruktur 35 vorhandene Information hierarchisch strukturiert
ist, werden Verknüpfungen
weiterhin in zwei Gruppen unterteilt. Die erste Gruppe verknüpft Knoten
in unterschiedlichen Hierarchieebenen der computerimplementierten
Netzstruktur 35. Die zweite Gruppe verknüpft Knoten
in der selben Hierarchieebene der computerimplementierten Netzstruktur 35.
-
Die
Verknüpfung 94 stellt
eine vom Typ Austauschbeziehung dar, die Knoten in unterschiedlichen
Hierarchieebenen verknüpft.
Genauer gesagt stellt die Verknüpfung 94 eine
Beziehung zwischen einem größeren, übergeordneten
Knoten A und einem kleineren, untergeordneten Knoten B dar. Daher stellt
die Verknüpfung 94 einen
Skalenwechsel der Information dar und zeigt "B ist Teil von A" an. Die Verknüpfungen 95 bis 97 sind
Verknüpfungen
vom Typ Austauschbeziehung, die Knoten in den selben Hierarchieebenen
verknüpfen.
Diese Verknüpfungen stellen
keinen Skalenwechsel der Information dar und zeigen "B ist eine Ausgangsgröße von A" an. Zum Beispiel
zeigt die Verknüpfung 97 "B ist ein Attribut
von A" an.
-
Die
Verknüpfung 98 stellt
eine Verknüpfung vom
Typ Relation an, die Knoten in unterschiedlichen Hierarchieebenen
verknüpft
und daher einen Skalenwechsel durchführt. Die Verknüpfung 98 zeigt "B ist im Allgemeinen
A" an. Die Verknüpfungen 99 bis 102 stellen
Verknüpfungen
vom Typ Relation dar, die Knoten in der selben Hierarchieebene verknüpfen. Die
Verknüpfung 100 zeigt "A ist ortsbezogen
benachbart zu B" an.
Die Verknüpfung 101 zeigt "A ist ähnlich zu
B" an. Die Verknüpfung 102 zeigt "A wird gefolgt von
B" an.
-
Die
Verknüpfung
103 stellt
eine Verknüpfung dar,
die Knoten verknüpft,
die imstande sind, verschiedene Operationen an anderen Knoten und
Verknüpfungen
auszuführen.
Zum Beispiel kann ein Knoten, der mit der Verknüpfung
103 verknüpft ist, neue
Knoten oder Verknüpfungen
erzeugen und kann ebenso einen Knoten oder eine Verknüpfung löschen. Die
Verknüpfung
103 zeigt "B ist eine Funktion von
A" an. Hinsichtlich
weiterer Informationen über Verknüpfungstypen
in einer semantischen Netzstruktur wird auf die
WO 00/20964 und die
WO 00/63788 verwiesen.
-
Obgleich
in der Ausführungsform
von 13 die Verknüpfungstypen
in Schritt 56 spezifiziert werden, nachdem das Klassennetz 37 und
die Prozessierungshierarchie 38 spezifiziert worden sind,
können
die Verknüpfungstypen
spezifiziert werden, bevor das Klassennetz 37 und die Prozessierungshierarchie 38 spezifiziert
werden.
-
21 zeigt
eine vereinfachte schematische Darstellung der computerimplementierten
Netzstruktur von 10, nachdem das Klassennetz 37 und
die Prozessierungshierarchie 38 spezifiziert worden sind;
-
In
diesem Beispiel hat der Anwender im Spezifikationsmodus eine Verknüpfung 104 zwischen
einem Algorithmus 86 und einer Unter-Klasse 65 (Blutwerte)
des Klassennetzes 37 spezifiziert. Der Anwender spezifiziert
die Verknüpfung 104 durch
Spezifikation, dass der Algorithmus 86 bestimmt, welche Zellkerne
in Abhängigkeit
von den Blutwerten des Patienten einander überlappen. In dem Spezifikationsmodus
hat der Anwender auch Verknüpfungen 105 zwischen
einer Domänenspezifikation 84 und Unter-Klassen
des Klassennetzes 37 spezifiziert, die eine Unter-Klasse 64 (Zentromer,
das ein Gen überlappt)
beinhalten. Der Anwender spezifiziert Verknüpfungen 105 durch
Spezifikation, dass die Domäne 84 die
Objekte beinhaltet, von denen in dem Ausführungsmodus bestimmt wird,
dass sie der Unter-Klasse 64 und analogen Unter-Klassen
von anderen Zellen zugehörig
sind.
-
In
einem Schritt 57 von 13 werden
Werte der ersten Datentabelle 39 und der zweiten Datentabelle 40 erfasst.
In diesem Beispiel werden Pixelwerte der Bilder von 11 durch
ein konfokales Mikroskop erzeugt. In anderen Ausführungsformen werden
die Bilder durch eine Röntgenstrahl-Mammographievorrichtung,
eine Computertomographie bzw. CT-Vorrichtung, eine Ultraschall-Bildgebungsvorrichtung
oder eine bildgebende Kernspintomographie- bzw. MRI-Vorrichtung
erzeugt. Das konfokale Mikroskop beinhaltet einen Bilddigitalisierer,
der die erfassten Bilder in digitale Bilder wandelt. In anderen
Ausführungsformen
wird ein materieller Film von mikroskopischen Bildern von einem
Filmdigitalisierer gewandelt, um Pixelwerte der Datentabellen zu
erzielen. In noch anderen Ausführungsformen
werden die mikroskopischen Bilder direkt digital erzeugt Die digitalen
Pixelwerte der Datentabellen zeigen sowohl Helligkeits- bzw. Graustufen
als auch eine Farbe in einer Raumdomäne der Bilder von 11 an.
Daher wird jeder Schnittbild unter Verwendung von mehreren Wellenlängenkanälen bzw.
Farben erfasst, die in diesem Beispiel rot, grün und blau entprechen. In dem
Schritt 57 werden ebenso Metadatenwerte erfasst. In diesem
Beispiel sind einige der Metadaten in einem Textformat, wie zum
Beispiel die Identität
der Medikation, die dem Patienten verschrieben worden ist. Andere
Metadaten, wie zum Beispiel das Gewicht des Patienten, sind in Form
einer digitalen Zahl.
-
In
einem Schritt 58 von 13 wird
das Datennetz 36 durch selektives Verknüpfen von Tabellendatenwerten
mit Objekten auf der Grundlage des Klassennetzes und der Prozessierungshierarchie
in dem Ausführungsmodus
erzeugt. Während
Klassen des Klassennetzes beschreiben, was der Anwender in den Tabellendatenwerten
zu finden erwartet, geben die Objekte wieder, was tatsächlich in
den Tabellendatenwerten gefunden wird. Während der Laufzeit in dem Ausführungsmodus
werden die die Prozessierungsschritte ausgeführt, wie es in der Prozessierungshierarchie 38 spezifiziert
ist. Jedes Objekt wird durch Verknüpfen des Objekts mit Pixelwerten
erzeugt, die ähnliche
Charakteristika aufweisen, wie zum Beispiel Helligkeit oder Differenz
der Helligkeit zwischen einem Pixel und seinen Nachbarn. Schwellwerte
der Helligkeit von Pixeln, die einander zugeordnet sind, können aus
einem Gradientenhistogramm von Pixelwerten in dem digitalen Bild
erzielt werden. Objekte werden dann auf der Grundlage von Zugehörigkeitsfunktionen
zu Klassen mit Klassen verknüpft.
Daher werden während
der Laufzeit Klassen mit Objekten verknüpft. Weiterhin werden während der
Laufzeit Klassen und Prozessierungsschritte mit Tabellendaten verknüpft.
-
22 ein
zeigt vereinfachte schematische Darstellung der computerimplementierten
Netzstruktur von 10, nachdem das Datennetz erzeugt
worden ist;
-
Verschiedene
Klassen des Klassennetzes 37 sind mit den Klassen zugehörigen Objekten
in dem Datennetz 36 verknüpft. Zum Beispiel ist die Unter-Klasse 62,
die ein Her-2/neu-Gen der Zelle Nummer eins spezifiziert, durch
eine Verknüpfung 106 mit einem
Objekt 107 verknüpft,
welches weiterhin mit Pixelwerten des Schnittbildes der zweiten
Datentabelle 40 verknüpft
ist. Ähnlich
ist die Unter-Klasse 62 der Zelle Nummer eins durch eine
Verknüpfung 108 mit
einem Objekt 109 verknüpft,
welches weiterhin mit Pixelwerten des Schnittbildes der ersten Datentabelle
verknüpft
ist.
-
Weiterhin
zeigt 22, dass, während das CNL-Skript läuft, ebenso
Verknüpfungen
zwischen Klassen, Prozessierungsschritten, Objekten und Tabellendaten
erzeugt werden. Zum Beispiel ist das Objekt 107, das Pixelwerte
eines Her-2/neu-Gens in dem Schnittbild der zweiten Datentabelle 40 darstellt, über eine
Verknüpfung 110 mit
einem Objekt 109 verknüpft,
das Pixelwerte des selben Her-2/neu-Gens
in dem Schnittbild der ersten Datentabelle 39 darstellt. Daher
wird erkannt, dass Pixelwerte, die sowohl dem Objekt 107 als
auch dem Objekt 109 zugehörig sind, dem selben Her-2/neu-Gen
zugeordnet sind.
-
Weiterhin
sind Algorithmen mit Tabellendatenwerten verknüpft. Zum Beispiel wird in dem
Spezifikationsmodus ein Algorithmus 86 über die Verknüpfung 104 mit
der Klasse 65 (Blutwerte) verknüpft. In dem Ausführungsmodus
wird weiterhin eine Klasse 65 über eine Verknüpfung 111 mit
einem Objekt 112 für
Patientenmetadaten verknüpft.
Danach wird in dem Ausführungsmodus
ein Algorithmus 86 mit einem Element der Metadaten 113 verknüpft, das
einen Wert beinhaltet, der Blutwerte des Patienten darstellt. Die
computerimplementierte Netzstruktur 35 ist in 22 als
ein Kognitionsnetz 114 gezeigt, wenn Verknüpfungen
zwischen Klassen, Prozessierungsschritten, Objekten und Tabellendaten während der
Laufzeit in dem Ausführungsmodus
vorhanden sind.
-
23 zeigt
eine vereinfachte Darstellung eines Datennetzes, in welchem Pixelwerte
mit Objekten verknüpft
sind.
-
Objekte
sind mit Tabellendatenwerten, die ähnliche Charakteristika aufweisen,
verknüpft
worden. Weiterhin sind Objekte auf der Grundlage von Zugehörigkeitsfunktionen,
die Klassen definieren, mit anderen Objekten verknüpft worden.
Die Tabellendatenwerte von 23 sind
angeordnet, um darzustellen, dass sie Pixelwerte eines digitalen
Bildes sind. Zum Beispiel ist ein Faktor einer Zugehörigkeitsfunktion
der Bereich, der mit das Objekt ausbildenden Pixeln belegt ist.
In einem Beispiel wird der Bereich als zu der Anzahl von mit dem
Objekt verknüpften
Pixelwerten proportional berechnet.
-
24 zeigt
eine vereinfachte Darstellung eines Datennetzes, in welchem Objekte über verschiedene
Verknüpfungstypen
mit anderen Objekten verknüpft
sind.
-
Objekte
sind durch in 20 gezeigte Verknüpfungstypen
mit anderen Objekten im Datennetz 36 verknüpft. In
dem Ausführungsmodus
wird ein einer Klasse zugehöriges
Objekt mit einem anderen Objekt verknüpft, das einer anderen Klasse
zugehörig
ist, wenn diese zwei Klassen in dem Klassennetz 37 miteinander
verknüpft
sind.
-
25 zeigt
ein Flussdiagramm, das Unter-Schritte des fünften Schritts 58 von 13 zum Erzeugen
des Datennetzes von 10 zeigt;
-
In
einem Unter-Schritt 115 wird das Klassennetz 37,
das in Schritt 54 von 13 spezifiziert
wird, in eine Skript-Ausführungsmaschine
des CNL-Skripts geladen. In einem Unter-Schritt 116 wird die
Prozessierungshierarchie, die in Schritt 55 von 13 spezifiziert
wird, in die Skript-Ausführungsmaschine
geladen. In einem Unter- Schritt 117 wird ein
Datensatz N der Tabellendatenwerte, die in Schritt 57 der 13 erfasst
worden sind, in die Skript-Ausführungsmaschine
geladen.
-
In
einem Unter-Schritt 118 von Schritt 58 von 13 werden
die Prozessierungsschritte, die in Schritt 55 von 13 spezifiziert
worden sind, an dem Datensatz N ausgeführt. In einem Unter-Schritt 119 hat
der Anwender die Möglichkeit,
das CNL-Skript in einem interaktiven Modus auszuführen. In
dem interaktiven Modus werden die Ergebnisse des computerunterstützten Erfassens
zu dem Anwender, wie zum Beispiel zu einem Arzt in der Forschung,
ausgegeben. Wenn der Anwender mit den Ergebnissen unzufrieden ist,
kann der Anwender die Klassen des Klassennetzes 37 oder
die Prozessierungsschritte der Prozessierungshierarchie 38 editieren
und sofort die Prozessierungsschritte an dem Datensatz N erneut
ausführen.
Der Anwender kann die Prozessierungsschritte unter Verwendung der
grafischen Benutzeroberfläche
und eines Skripteditors des CNL-Skripts
editieren.
-
26 zeigt
einen Screenshot einer grafischen Benutzeroberfläche, um bei einem Editieren des
Klassennetzes 37 und der Prozessierungshierarchie 38 von 10 mitzuwirken.
-
Genauer
gesagt zeigt 26 einen Screenshot einer Ansicht
der grafischen Benutzeroberfläche,
die durch ein Ansichtsmodul des CNL-Skripts erzeugt wird. Der Screenshot
beinhaltet ein Fenster, das drei Schnittbilder (oben, Mitte und unten)
von drei aufeinanderfolgenden Tiefen in der Z-Richtung beinhaltet.
Die Schnittbilder zeigen Zellkerne. Der Anwender kann das Klassennetz 37 und die
Prozessierungshierarchie 38 unter Verwendung der Fenster
auf der rechten Seite des Screenshots editieren, so dass der Zielbereich,
der durch den bestimmten editierten Prozessierungsschritt erkannt wird,
zufriedenstellend ist. Zum Beispiel erscheint durch das Klicken
der rechten Maustaste auf einen Prozessierungsschritt in dem unteren
rechten Fenster ein Popup-Fenster mit einem Dialog, das den Anwender
fragt, ob er wünscht,
einen Unter-Prozessierungsschritt hinzuzufügen bzw. unter den angeklickten
Prozessierungsschritt einen Prozessierungsschritt hinzuzufügen. Der
Anwender wird dann aufgefordert, eine Domäne und einen Algorithmus für den neuen
Prozessierungsschritt auszufwählen.
Die vorhandenen Prozessierungsschritte können ebenso editiert werden.
-
Der
Anwender kann unter Verwendung des oberen rechten Fensters ebenso
Klassen hinzufügen oder
editieren. Eine Klasse wird ebenso durch Klicken der rechten Maustaste
und durch Antworten auf die Fragen in dem Popup-Fenster hinzugefügt. Der Anwender
wird aufgefordert, die neue Klasse zu benennen und Eigenschaften
von Objekten einzugeben, die der Klasse zugehörig sind, wie zum Beispiel Farbe,
Gebiet, Asymmetrie, Dichte und die Winkel entlang der Grenzen des
Objekts. Daher kann das CNL-Skript ebenso farbige digitale Bilder
analysieren. Das CNL-Skript analysiert Schnittbilder, die unter
Verwendung von roten, grünen
und blauen Farbkanälen
erzielt worden sind, wie es in 12 gezeigt ist.
In dem Schnittbild, das in der grafischen Benutzeroberfläche von 26 gezeigt
ist, entsprechen jedoch die Farben der Zellkerne nicht den spektralen Farben,
die verwendet worden sind, um jedes Schnittbild zu erzielen. Statt
dessen ist jedem Zellkern eine unterschiedliche Klasse zugeordnet.
Zur Einfachheit ist einer Ansicht jeder Klasse, die auf der grafischen
Benutzeroberfläche
gezeigt ist, eine unterschiedliche Farbe zugeordnet.
-
Als
Teil eines Erzeugens einer Klasse wird ebenso eine Zugehörigkeitsfunktion
für Objekte
definiert, die der Klasse zugehörig
sind. Zum Beispiel kann eine "Asymmetriefunktion" als Teil der Zugehörigkeitsfunktion
definiert sein. Die Asymmetriefunktion beschreibt die Form von ein
Objekt ausbildenden Pixeln durch Annähern einer Ellipse. Zum Beispiel kann
die Asymmetriefunktion verwendet werden, um Zellkernobjekte zu klassifizieren.
Der Zähler
der Asymmetriefunktion beschreibt die Hauptachse der Ellipse und
der Nenner beschreibt die Nebenachse der Ellipse. Eine Form der
Pixel, die sich einem Kreis annähern,
weist einen Asymmetriewert von eins auf. Eine gestreckte Form der
Pixel weist einen Asymmetriewert von größer als eins auf. Ebenso kann
eine "Dichtefunktion" definiert werden,
um Zellkernobjekte zu klassifizieren. Die Dichtefunktion ist die
Quadratwurzel des Bereichs der Pixel geteilt durch die Länge der
Grenze um die Pixel, die ein Objekt umgeben. Die Asymmetriefunktion
und die Dichtefunktion können
bei der Diagnose von Brustkrebs verwendet werden. Die Form eines Zellkerns
in einer krebsartigen Zelle ist zu der Form eines Zellkerns in einer
normalen Zelle unterschiedlich.
-
27 zeigt
einen Screenshot einer grafischen Benutzeroberfläche mit einem Fenster, das
ein hervorgehobenes Her-2/neu-Gen in einem Zellkern zeigt.
-
Genauer
gesagt zeigt 27 einen Screenshot einer anderen
Ansicht der grafischen Benutzeroberfläche, die durch das Ansichtsmodul
des CNL-Skripts erzeugt wird. Der Screenshot beinhaltet ein Fenster
auf der linken Seite, das einen Teil eines Schnittbildes zeigt,
in welchem ein Her-2/neu-Gen in einem Zellkern hervorgehoben worden
ist. Ein Fenster auf der rechten Seite stellt eine Information über jedes
Her-2/neu-Gen in dem Schnittbild einschließlich des hervorgehobenen Her-2/neu-Gens
zur Verfügung.
Zum Beispiel weist das hervorgehobene Her-2/neu-Gen einen Bereich von neunzehn Pixeln auf.
Ebenso werden die X-Y-Koordinaten des hervorgehobenen Her-2/neu-Gens
in dem Schnittbild angezeigt.
-
28 zeigt
einen Screenshot der grafischen Benutzeroberfläche mit einem Fenster, das eine
Hervorhebung zeigt, die ein Her-2/neu-Gen zu sein scheint, jedoch
tatsächlich
ein Bildgebungsartefakt ist;
-
Ein
Fenster auf der rechten Seite stellt eine Information über das
hervorgehobene Objekt zur Verfügung.
Es wird angezeigt, dass das hevorgehobene Objekt einen Bereich von
582 Pixeln aufweist. Durch die Zugehörigkeitsfunktion der Klasse
für Her-2/neu-Gene
wird bestimmt, dass das Objekt zu groß ist, um durch ein Her-2/neu-Fluoreszenzsignal 19 erzeugt
worden zu sein. Daher wird bestimmt, dass das Objekt kein Her-2/neu-Gen,
sondern wahrscheinlicher ein Bildgebungsartefakt ist. Ähnlich 27 werden
die X-Y-Koordinaten des hervorgehobenen Bildartefakts angezeigt.
Aus den X-Y-Koordinaten wird bestimmt, dass sich das Her-2/neu-Gen von 27 unter
dem Bildartefakt von 28 befindet und von diesem überlappt
wird. Ungeachtet dessen kann das Her-2/neu-Gen von 27 identifiziert werden.
-
Da
das Klassennetz 37 und die Prozessierungshierarchie 38 unter
Verwendung der auf XML beruhenden CNL spezifiziert werden, können das Klassennetz 37 und
die Prozessierungshierarchie 38 editiert werden, ohne das
CNL-Skript neu zu übersetzen.
Daher kann während
der Laufzeit eine neue Zugehörigkeitsfunktion
einer neuen Klasse eingeben werden, die definiert, ob Objekte des
Datennetzes 36 der neuen Klasse zugehörig sind, und die Prozessierungsschritte
können
ohne neues Übersetzen
von Programmanweisungen des CNL-Skripts sofort an dem neu erzeugten
Datennetz 36 durchgeführt
werden. Die auf XML beruhende CNL und die grafische Benutzeroberfläche lassen
zu, das Kognitionsnetz 114 schneller zu "trainieren", um Her-2/neu-Gene, die
durch Fluoreszenzsignale 19 markiert sind, und Zentromere
des Chromosoms Nummer siebzehn zu erkennen, die durch Fluoreszenzsignale 18 markiert sind.
Die Möglichkeit,
das Klassennetz 37 und die Prozessierungshierarchie 38 während der
Laufzeit zu editieren, unterscheidet das CNL-Skript von herkömmlichen
CAD-Schemata, die die Prozessierung der Regelanwendung nicht ändern können, nachdem das
CAD-Schema die Analyse eines bestimmten digitalen Bildes begonnen
hat. Nachdem bestimmt worden ist, dass die Ergebnisse einer Mustererkennung,
die an einem Datensatz N durchgeführt wurde, zufriedenstellend
sind, werden die Prozessierungsschritte automatisch an dem nächsten Datensatz
N + 1 ausgeführt.
Das CNL-Skript kann dann automatisch die Prozessierungsschritte
an einer großen
Anzahl von Datensätzen
durchführen,
wie zum Beispiel ein Durchführen
einer Bearbeitung über
Nacht, ein Erzeugen von Berichten für jede Datenebene, zum Beispiel
für alle
Zellkerne, für
jedes Schnittbild, für
jeden Z-Stapel und für
jeden Objektträger,
usw.
-
Das
CNL-Skript arbeitet typischerweise nicht in dem interaktiven Modus,
wenn der Anwender kein Arzt in der Forschung, sondern eher ein Pathologe ist,
der das Biopsiegewebe eines neuen Patienten analysiert. Ein Pathologe
wird das CNL-Skript mit einem Klassennetz und einer Prozessierungshierarchie
verwenden, die bereits von dem Arzt in der Forschung trainiert worden
sind. In diesem Fall werden alle Prozessierungsschritte der Prozessierungshierarchie 38 an
allen Datensätzen
ausgeführt
und werden Ergebnisse zum Ausgeben der Endergebnisse in dem Schritt 59 der 13 gespeichert.
-
29 zeigt
ein Flussdiagramm, das Unter-Schritte eines Schritts von 25 zum
Ausführen von
Prozessierungsschritten der Prozessierungshierarchie von 10 zeigt.
-
29 zeigt
die Prozessierung, durch welche jeder Prozessierungsschritt der
Prozessierungshierarchie 38 auf einem von einer Domäne spezifizierten
Objekt operiert. In einem Unter-Schritt 120 wird die Domäne erzeugt,
die in den Unter-Schritten 87 bis 90 von 18 spezifiziert
worden ist. In einem Unter-Schritt 121 ruft die Skript-Ausführungsmaschine
das nächste
Objekt der Domäne
ab, an der ein Algorithmus auszuführen ist. In einem Unter-Schritt 122 führt die
Skript-Ausführungsmaschine
den Algorithmus des Prozessierungsschritts an dem abgerufenen Objekt
aus. In einem Unter-Schritt 123 führt die Skript-Ausführungsmaschine
den Algorithmus von allen Unter-Prozessierungsschritten an dem abgerufenen
Objekt aus. In einem Unter-Schritt 124 ruft die Skript-Ausführungsmaschine
den nächsten
Prozessierungsschritt der Prozessierungshierarchie ab, so dass die
Unter-Schritte 120 bis 123 für die Domänen und die Algorithmen des
nächsten
Prozessierungsschritts und Unter-Prozessierungschritte,
sofern es diese gibt, wiederholt werden.
-
30 zeigt
ein Flussdiagramm, das Unter-Schritte des 120 Schritts
von 29 zum Erzeugen einer in einem Prozessierungsschritt
spezifizierten Domäne
zeigt.
-
Es
wird zurück
zu dem letzten Schritt 59 von 13 verwiesen.
Das CNL-Skript gibt
Endergebnisse des computerunterstützten Erfassens auf der Grundlage
des Kognitionsnetzes 114 aus, das unter Verwendung des
Klassennetzes 37 und der Prozessierungshierarchie 38 erzeugt
worden ist.
-
31 zeigt
eine vereinfachte schematische Darstellung des Kognitionsnetzes 114,
wenn das Datennetz 36 aus vielen digitalen Bildern, wie
zum Beispiel vielen Schnittbildern des Gewebes, erzeugt worden ist.
-
31 ist
ein detaillierteres Beispiel der Darstellung von 9,
in welcher ein Datennetz auf der Grundlage von Pixelwerten von mehreren
Schnittbildern erzeugt worden ist. Durch Erzeugen des Datennetzes 36 aus
digitalen Bildern, die zum Beispiel von vielen parallelen planaren
Schnitten von Biopsiegewebeerzielt worden sind, erfasst das CNL-Skript
dreidimensional Her-2/neu-Gene in dem Biopsiegewebe.
-
31 stellt
dar, dass in dem Spezifikationsmodus eine Domänen-Spezifikation durch Verknüpfung 125 mit
einer Klasse verknüpft
wird. In dem Ausführungsmodus
erfasst das CNL-Skript Tabellendatenwerte, die viele digitale Bilder
beinhalten, die Schnitte eines dreidimensionalen Datensatzes sind. Das
CNL-Skript wendet
dann die Zugehörigkeitsfunktion
der Klasse auf Werte von jedem der digitalen Bilder an und bestimmt,
dass verschiedene Objekte, die aus den vielen digitalen Bildern
erzeugt worden sind, der Klasse zugehörig sind. Zum Beispiel bestimmt
das CNL-Skript, das jedes der Objekte 126 bis 131 aus
den digitalen Bildern in den entsprechenden Datentabellen 132 bis 136 der
Klasse zugehörig
ist. Die Klasse wird dann mit jedem der Objekte 126 bis 131 verknüpft. Zum
Beispiel verknüpft
eine Verknüpfung 137 die
Klasse mit dem Objekt 126, welches weiterhin mit Pixelwerten
von einem ersten digitalen Bild in der Datentabelle 132 verknüpft wird.
Während der
Laufzeit wird die Domänenspezifikation
dann ebenso mit den Objekten verknüpft, die der Klasse zugehörig sind,
die in der Domänenspezifikation
spezifiziert ist. Zum Beispiel verknüpft eine Verknüpfung 138 die
Domänenspezifikation
mit dem Objekt 126, während
das CNL-Skript läuft.
Dies lässt
zu, dass der Algorithmus des Prozessierungsschritts, an allen Objekten
operiert, die das dreidimensionale Objekt beinhalten, das in diesem
Beispiel ein Her-2/neu-Gen ist. Schließlich werden alle Objekte 126 bis 131,
die der Klasse zugehörig
sind und aus den vielen digitalen Bildern erzeugt werden, in dem
Datenetz 36 miteinander verknüpft. Zum Beispiel wird das
Objekt 126, welches mit Pixelwerten aus dem ersten digitalen Bild
verknüpft
ist, über
eine Verknüpfung 139 mit
dem Objekt 127 verknüpft,
welches mit Pixelwerten aus dem zweiten digitalen Bild verknüpft ist.
Da alle Objekte 126 bis 131 als der selben Klasse
zugehörig identifiziert
werden, können
die physikalischen Charakteristika der Klasse bestimmt werden. Wenn
zum Beispiel ein Genklumpen oder ein Zellkern vorhanden ist, kann
das Volumen des Genklumpens oder des Zellkerns bestimmt werden.
-
31 stellt
ebenso dar, dass das CNL-Skript ein Objekt, das von einem Schnittbild
erzeugt worden ist, mit zwei Objekten in einem benachbarten Schnittbild
verknüpft
hat. Ein Objekt 129, das aus dem vierten Schnittbild erzeugt
worden ist, wird mit zwei Objekten der selben Klasse verknüpft, die aus
dem fünften
Schnittbild erzeugt worden sind. Das Objekt 129 wird über eine
Verknüpfung 140 mit
dem Objekt 130 und über
eine Verknüpfung 131 mit
einem zweiten Objekt 131 aus dem fünften Schnittbild verknüpft. Auf
diese Weise ist das CNL-Skript imstande, dreidimensionale Objekte,
wie zum Beispiel Blutgefäße zu erfassen,
die sich in mehrere Anteile in benachbarten Schnittbildern aufspalten.
-
Das
Verknüpfen
von Objekten in mehreren Abtastungen kann ebenso verwendet werden,
um eine Bewegung über
die Zeit zu verfolgen. Anstelle der Abtastungen, die benachbarte
physikalische Ebenen eines physikalischen Objekts darstellen, werden
mehrere Abtastungen analysiert, die zu unterschiedlichen Zeiten
ermittelt worden sind. In einem Beispiel sind die Objekte 126 bis 131 Biopsiegewebeproben
des selben Patienten zugehörig,
die in einmonatigen Intervallen genommen worden sind. Die Änderung
der Form des Zellkerns und die Änderung der
Amplifizierung der Her-2/neu-Gene wird verwendet, um eine Prognose über den
Zustand des Patienten zur Verfügung
zu stellen. In einem anderen Beispiel sind die Objekte 126 bis 131 der
Klasse zugehörig,
die eine Zelle darstellt. Digitale Bilder der Zelle werden in unterschiedlichen
Zeitintervallen aufgenommen. Eine Bewegung kann durch Verknüpfen der
Objekte der selben Klasse verfolgt werden, die von digitalen Bildern
erzielt werden, die in benachbarten Zeitintervallen aufgenommen
worden sind. Über
zum Beispiel vier Zeitintervalle, zu welchen die digitalen Bilder
der Datentabellen 132 bis 135 aufgenommen werden,
wächst
die Zelle, die durch die Klasse beschrieben wird, die mit den Objekten 126 bis 129 verknüpft ist,
von vier Pixel auf sieben Pixel. Dann teilt sich die Zelle nach
dem fünften
Zeitintervall in das Objekt 130 mit vier Pixeln und das
Objekt 131 mit vier Pixeln. Die Bewegung und die Änderung
der Form der Zellen und Zellkomponenten müssen nicht in benachbarten
Zeitintervallen verfolgt werden, sondern können eher zu unregelmäßigen Zeiten
analysiert werden. Die Bewegung von drei- oder N-dimensionalen Objekten kann ebenso verfolgt
werden. In einem Beispiel ist eine vierte analysierte Dimension die
Zeit und ist eine fünfte
analysierte Dimension die Geschwindigkeit bzw. eine zeitliche Änderung.
-
In
einer anderen Ausführungsform
erfasst das CNL-Skript die mehreren digitalen Bilder aus einem Videofilm
und nicht aus mehreren Abtastungen. Zum Beispiel stellt der Videofilm
eines Bewegung eines Bakteriums, einer Zelle oder eines Interphasen-Zellkerns
dar. Das CNL-Skript kann verwendet werden, um eine sich bewegende
Zelle unter mehreren sich bewegenden Zellen zu erfassen.
-
In
noch einer anderen Ausführungsform
werden Bilder analysiert und korreliert, die unter Verwendung von
verschiedenen Bildgebungs- und Markierungsverfahren erzielt worden
sind. Zum Beispiel erzielen die Datentabellen 132 bis 135 Bilder
des selben Biopsiegewebes, die unter Verwendung eines Mikroskops,
einer Röntgenstrahl-Vorrichtung,
eines Computertomographen, einer Ultraschall-Bildgebungsvorrichtung und einer bildgebenden
Kernspintomographie-Vorrichtung aufgenommen worden sind. Daher wird
eine multimodale Anzeige von Bildern zur Verfügung gestellt, die unter Verwendung von
mehreren spektralen Bildgebungsverfahren erzielt worden ist. Die
multimodalen Bilder werden unter Verwendung der grafischen Benutzeroberfläche miteinander
korreliert. Weiterhin können
verschiedene Bilder unter Verwendung von verschiedenen Biomarkern,
wie zum Beispiel FISH, chromogener in situ-Hybridisierung bzw. CISH
und Markierung des Ki67 Antigens mit polyklonalem Antikörper bzw. NCL-Ki67p,
aufgenommen werden. Daher zeigt jedes Bild der multimodalen Anzeige
mehrere Biomarker. Bilder können
auch unter Verwendung von "Multiplex"-Biomarkern, die
verschiedene Zellkomponenten auf verschiedene Weisen markieren,
aufgenommen werden. Weiterhin können
ebenso Bilder von markierten Proteinen, wie zum Beispiel Östrogen
und Progesteron, angezeigt und analysiert werden. Objekte, die den
selben markierten Zellkomponenten in verschiedenen multimodalen
Bildern entsprechen, werden dann in dem Datennetz 36 verknüpft. Diagnosen
und Prognosen können
durch Korrelation der Analyseergebnisse der verschiedenen Bilder
verbessert werden, die unter Verwendung von verschiedenen Biomarkern
und spektralen Analyseverfahren aufgenommen worden sind.
-
32 zeigt
einen Screenshot einer Prozessierungshierarchie, die von einer anderen
Ausführungsform
der computerimplementierten Netzstruktur 35 von 10 verwendet
wird, um einzelne Zellen in einer Zellbestimmung zu analysieren;
-
Die
dreidimensionalen Eigenschaften der Zellen werden unter Verwendung
von einhundert Abtastungen in verschiedenen Tiefen einer einzelnen Zelle
unter Verwendung eines konfokalen Mikroskops analysiert. Während des "Trainings"-Verfahrens wird, wenn das CNL-Skript
in dem vorhergehend durch Unter-Schritte von 25 beschriebenen
interaktiven Modus arbeitet, die Prozessierungshierarchie von 32 in
dem unteren rechten Fenster von 26 dargestellt.
-
33 zeigt
eine dreidimensionale Darstellung einer in einem letzten Schritt
von 13 ausgegebenen sich teilenden Zelle mit markierten
Zielobjekten.
-
Genauer
gesagt zeigt 33 die Ausgabe von Schritt 59 von 13,
wie sie auf der grafischen Benutzeroberfläche für die Ausführungsform von 32 dargestellt
wird. Zwei dreidimensionale Zellen aus einem Zellassay sind in 33 dargestellt.
In 33 sind Zielobjekte 142, die der selben
Klasse zugehörig
sind, mit der selben Farbe angezeigt. In diesem Beispiel sind die
Zielobjekte 142 markierte Mitochondrien. Das CNL-Skript
vergleicht das durchschnittliche Volumen der markierten Mitochondrien mit
dem Volumen des sie umgebenden Zytoplasmas.
-
In
noch anderen Ausführungsformen
analysiert das Kognitionsnetz 114 Zellen, die sich in verschiedenen
Aggregationsformen befinden. Einzelne Zellen in Wells bzw. Senken
in Platten bzw. Mikrotiter-Platten eines zellbasierten Assays können analysiert
werden. Gruppierte Zellen in einem Gewebe-Bildungsassay können analysiert
werden. Gewebebiopsieproben können
analysiert werden, wie es zuvor beschrieben worden ist. Ebenso können Gewebemikroarrays,
die verschiedene Typen von Gewebe beinhalten, analysiert werden.
Ein Gewebemikroarray kann zum Beispiel Gewebe aus Haut, Brust, Lungen, Herz
usw. beinhalten, wobei dieses Gewebe verschiedene Typen an Krebs
zeigt. In diesem Beispiel wird die Reaktion von verschiedenen Krebstypen
in verschiedenen Geweben auf bestimmte Dosierungen von Wirkstoffen
korreliert. Dies findet in der pharmazeutischen Forschung Verwendung,
um Gewebemikroarrays zu analysieren. In dem Verfahren von 13 werden
Tabellendatenwerte in dem Schritt 57 aus den Bildern des
Zellgewebes in mehreren Wells eines Gewebemikroarrays erfasst. Das
CNL-Skript wird verwendet, um nach morphologischen Änderungen
in den Zellen zu suchen. Das CNL-Skript wird ebenso verwendet, um
durch Analysieren der mehreren Bilder eine Bewegung in dem Zellgewebe
zu erfassen, die von der selben Zelle in aufeinanderfolgenden Zeitintervallen
aufgenommen worden sind. Das CNL-Skript bestimmt, welche Zeit erforderlich ist,
damit die Zellen stoppen, sich zu teilen, wenn eine spezifizierte
Dosierung eines Wirkstoffs in die Well gegeben wird.
-
34 zeigt
ein Programmlisting von Zeilen eines einem CNL-Skript entsprechenden
XML-Codes, der ein Klassennetz und eine Prozessierungshierarchie
zum Analysieren und Zählen
von in Gewebe vorkommenden Fluoreszenzsignalen implementiert.
-
Das
CNL-Skript ist unter Verwendung einer grafischen Benutzeroberfläche erzeugt
und editiert worden, die zu der in 26 gezeigten ähnlich ist.
-
Die 35A bis 35E zeigen
weitere Zeilen des XML-Codes von 34.
-
Die
XML-Beschreibung von ausgewählten Klassen
von 14 und Prozessierungsschritten von 16 sind
durch XML-Kommentare in den 35A bis 35F bezeichnet. Zum Beispiel zeigt 35A eine XML-Beschreibung 143 der Klasse "Zellen" von 14.
Die Klasse "Zellen" ist mit der Klassenkennung "7" bezeichnet. Weiterhin zeigt 35A eine XML-Beschreibung 144 einer Helferklasse
von 14, die als "potenzielles
Her-2/neu" markiert
ist. Die Helferklasse ist eine temporäre Klasse und erzeugt während der
Laufzeit Zwischenobjekte. Zusätzlich
zu der Helferklasse, die durch den Anwender spezifiziert ist, werden
ebenso dynamisch erzeugte Klassen angewendet. Diese Klassen werden während der
Laufzeit erzeugt und gelöscht,
bevor das Endergebnis der Klassifikation erreicht wird. Zwischenobjekte
werden mit der Helferklasse und mit den dynamisch erzeugten Klassen
verknüpft.
Die Zwischenobjekte werden umklassifiziert, wenn das CNL-Skript
iterativ die Prozessierungsschritte durchführt, um die Kategorisierung
der Objekte in dem Rest der spezifizierten Klassen zu optimieren.
Daher ist das Durchführen
der Prozessierungsschritte der Prozessierungshierarchie ein adaptives
Verfahren, das an dem selben digitalen Bild wiederholt und optimiert
wird.
-
35D zeigt eine XML-Beschreibung 145 der
Domänen-Spezifikation
eines Unter-Prozessierungsschritts des Unter-Prozessierungsschritts 70 (FISH
Mamma 2D) von 16. Die Klassenkennung "7" der Klasse "Zellen" ist unter der Liste der Klassen <1Clss> der Domänenspezifikation
aufgelistet. Die Klassenkennung in der Domänenspezifikation erzeugt während der
Laufzeit eine Verknüpfung
zwischen der Domänenspezifikation
und der Klasse. Während
der Laufzeit werden ebenso Verknüpfungen
der Domänenspezifikation
des Unter-Prozessierungsschritts mit den tatsächlichen Objekten des Datennetzes
erzeugt, die als der Klasse "Zellen" zugehörig bestimmt
werden.
-
Das
computerimplementierte Analysesystem kann ebenso an anderen Färbungen
und Biomarkern als denjenigen angewendet werden, die das Her-2/neu-Gen markieren, wie
zum Beispiel IHC, CISH und Ki-67. Korrelationen zwischen Ergebnissen
von diesen anderen Biomarkern mit denjenigen von FISH können an
einer einzigen Probe oder einem einzigen Tumorpatienten durchgeführt werden. Eine
derartige Verwendung ist in Anwendungen der Translational-Medizin
und in einem Verfahren der "fallbezogenen
Beweisführung" von Nutzen. Ergebnisse
des computerimplementierten Analysesystems können ebenso mit Radiologie-Bilddaten
korreliert werden, um eine multiskalare, mehrfach auflösende und
multimodale computerunterstützte
Diagnose zu erzielen. Das offenbarte Verfahren lässt zu, verschiedene Bildanalyseergebnisse
zu korrelieren, wie zum Beispiel zwischen morphologischer und molekularer Pathologie
und zwischen Pathologie und Radiologie. Weiterhin können die
Ergebnisse von verschiedenen klinischen Stufen korreliert werden,
wie zum Beispiel zwischen der Zeit der Analyse und der Zeit der
Behandlung. Auf diese Weise wird detailliertes Wissen über die
extrahierten Objekte, deren gegenseitige Beziehungen und das gesamte
Gewebe oder den gesamten Tumor erzeugt.
-
Das
computerimplementierte Analysesystem führt ein computerunterstütztes Erfassen
bzw. CAD von Zellkomponenten in Kombination mit einem Arbeitsplatzrechner
durch. Das CNL-Skript läuft
auf einem Arbeitsplatzrechner. Zum schnelleren Berechnen und Analysieren
fügt eine
auf einem Chip ausgeführte
bzw. On-Chip-Lösung
die Prozessierungsschritte in fest verdrahtete Prozessierungseinheiten einer
anwendungsspezifischen integrierten Schaltung bzw. ASIC oder programmierbaren
Logikvorrichtung bzw. PLD ein. Das computereimplementierte Analysesystem
kann ebenso in Verbindung mit "virtueller
Mikroskopie" verwendet
werden, in welcher das automatisierte Analysieren von Objektträgern ohne manuellen
Einfluss durchgeführt
wird. Das Wissen wird aus einer großen Menge von analysierten
Daten extrahiert, die über
viele Stunden oder Tage erfasst werden. Das computerimplementierte
Analysesystem wird verwendet, um Muster und Beziehungen in der großen Datenanzahl
erkennen. Zum Beispiel erkennt das computerimplementierte Analysesystem Muster
in den Distanzen zwischen Zellkernen, die mehrere markierte Her-2/neu-Gene
beinhalten, und Muster in den Formen der markierten Her-2/neu-Gene.
-
Die
vorliegende Erfindung ist nicht auf die zuvor bechriebenenen Ausführungsformen
beschränkt. Obgleich
die Ausführungsformen
des CNL-Skripts und der computerimplementierten Netzstruktur vorhergehend
in Verbindung mit dem computerunterstützten Analysieren und Zählen von
Fluoreszenzsignalen beschrieben worden sind, die in unter Verwendung
der FISH-Technik markierten Biopsiegeweben vorhanden sind, können zum
Beispiel das CNL-Skript und die computerimplementierte Netzstruktur
gleichermaßen
zum Erfassen und Analysieren von Zielstrukturen in anderen mikroskopischen Bildern
angewendet werden. Zusätzlich
zum Analysieren von Bildern, die mit herkömmlicher konfokaler Mikroskopie
erzielt worden sind, können
ebenso mikroskopische Bilder analysiert werden, die in dem Infrarot-Lichtband
erzielt worden sind. Das CNL-Skript und die computerimplementierte
Netzstruktur können ebenso
verwendet werden, um anatomische Bereiche zu erfassen und zu analysieren,
wie zum Beispiel das menschliche Gehirn, die Lungen und Brüste sowie
Mikroorganismen, nicht lebende Zellen und die Zellen von Pflanzen.
Daher kann das computerimplementierte Analysesystem in Anwendungen
verwendet werden, die die Umwelt betreffen.