stringtranslate.com

Автоматизированный анализ изображений тканей

Окрашенный гистологический образец, зажатый между предметным стеклом и покровным стеклом, установленный на столике светового микроскопа.
Микроскопический вид гистологического образца ткани легкого человека , окрашенного гематоксилином и эозином .

Автоматизированный анализ изображений тканей или анализ гистопатологических изображений ( HIMA ) — это процесс, при котором для оценки образцов тканей используется управляемое компьютером автоматическое испытательное оборудование с использованием вычислений для получения количественных измерений из изображения с целью исключения субъективных ошибок.

В типичном применении автоматизированный анализ изображений тканей может использоваться для измерения совокупной активности раковых клеток в биопсии раковой опухоли , взятой у пациента. Например, у пациентов с раком груди автоматизированный анализ изображений тканей может использоваться для проверки высоких уровней белков , которые , как известно, присутствуют в более агрессивных формах рака груди.

Приложения

Автоматизированный анализ изображений тканей может значительно снизить неопределенность в характеристике опухолей по сравнению с оценками, проводимыми гистологами , [1] или улучшить прогнозируемую частоту рецидивов некоторых видов рака. [2] [3] Поскольку это цифровая система, подходящая для работы в сети, она также облегчает совместные усилия между удаленными участками. [4] Системы для автоматического анализа образцов тканей также сокращают расходы и экономят время. [1]

Для получения цифровых изображений используются высокопроизводительные ПЗС-камеры . В сочетании с передовыми широкоугольными микроскопами и различными алгоритмами восстановления изображений этот подход может обеспечить лучшие результаты, чем конфокальные методы, при сопоставимых скоростях и меньших затратах. [5]

Процессы

Управление по контролю за продуктами и лекарствами США классифицирует эти системы как медицинские приборы , относящиеся к общей категории автоматического испытательного оборудования . [6]

ATIS имеет семь основных процессов (подготовка образцов, получение изображений, анализ изображений, отчет о результатах, хранение данных, сетевая связь и самодиагностика системы) и реализацию этих функций высокоточным оборудованием и хорошо интегрированным, сложным и дорогим программным обеспечением. [7]

Подготовка

Подготовка образца имеет решающее значение для оценки опухоли в автоматизированной системе. В первой части процесса подготовки биопсийная ткань разрезается до соответствующего размера (обычно 4 мм), фиксируется в буферном формалине , обезвоживается в этаноле- ксилоле , заливается парафином , тонко разрезается, как правило, на 4 мкм ломтики, затем монтируется как минимум на два штрихкодированных слайда ( контрольный и тестовый). Затем парафин удаляется из ткани, ткань регидратируется, затем окрашивается . Любое несоответствие в этих процедурах от случая к случаю может привести к неопределенности в результатах анализа. Эти потенциальные и неустранимые несоответствия в результатах анализа мотивировали разработку автоматизированных систем визуализации тканей.

Приобретение

Получаются цифровые микрофотографии окрашенного образца на предметном стекле. Изображения получаются с помощью набора приборов с зарядовой связью (ПЗС). [8]

Анализ

Анализ изображения включает в себя сложные компьютерные алгоритмы, которые идентифицируют и характеризуют клеточный цвет, форму и количество образца ткани, используя технологию распознавания образов изображений на основе векторного квантования . Векторные представления объектов на изображении, в отличие от растровых представлений, обладают превосходной способностью к увеличению. После того, как изображение образца получено и находится в оперативной памяти компьютера в виде большого массива нулей и единиц, программист, разбирающийся в клеточной архитектуре, может разработать детерминированные алгоритмы, применяемые ко всему пространству памяти, для обнаружения клеточных шаблонов из ранее определенных клеточных структур и образований, известных как значимые. [9]

Смотрите также

Ссылки

  1. ^ ab O'Gorman, Lawrence; Sanderson, Arthur C.; Preston, Kendall (сентябрь 1985 г.). «Система автоматизированного анализа изображений тканей печени: методы и результаты». Труды IEEE по биомедицинской инженерии . BME-32 (9): 696–706. doi :10.1109/TBME.1985.325587. ISSN  0018-9294. PMID  4054933. S2CID  30050996.
  2. ^ Теверовский, М.; Кумар, В.; Джуншуй Ма; Коцианти, А.; Вербель, Д.; Табеш, А.; Хо-Юэнь Панг; Венгренюк, Ю.; Фогараси, С.; Саиди, О. (2004). «Улучшенное прогнозирование рецидива рака простаты на основе автоматизированной системы анализа изображений тканей». 2004 2-й Международный симпозиум IEEE по биомедицинской визуализации: от макро до нано (IEEE Cat No. 04EX821) . Том 2. стр. 257–260. CiteSeerX 10.1.1.58.9929 . doi :10.1109/ISBI.2004.1398523. ISBN  0-7803-8388-5. S2CID  8724168.
  3. ^ Али Табеш; Михаил Теверовский; Хо-Юэн Панг; Винай П. Кумар; Дэвид Вербель; Анжелики Коцианти; Оливье Саиди (октябрь 2007 г.). «Многофункциональная диагностика рака простаты и оценка гистологических изображений по шкале Глисона» (PDF) . Транзакции IEEE по медицинской визуализации . 26 (10): 1366–1378. дои : 10.1109/TMI.2007.898536. ISSN  0278-0062. PMID  17948727. S2CID  14673541. Архивировано из оригинала (PDF) 27 июля 2011 г. Проверено 4 сентября 2010 г.
  4. ^ Брюс Маккалоу; Сяою Ин; Томас Монтичелло; Марк Боннефуа (2004). «Цифровая микроскопическая визуализация и новые подходы в токсикологической патологии». Toxicologic Pathology . 32 (2): 49–58. doi : 10.1080/01926230490451734 . PMID  15503664.
  5. ^ Pornchai Phukpattaranont; Pleumjit Boonyaphiphat (2007). Автоматический метод подсчета клеток для микроскопического изображения ткани рака молочной железы . Труды IFMBE. Том 15. С. 241–244. doi :10.1007/978-3-540-68017-8_63. ISBN 978-3-540-68016-1.
  6. ^ Стоукс, Дэвид (2003-11-25). Тестирование компьютерных систем на соответствие FDA/MHRA - Дэвид Стоукс - Google Books. ISBN 9780849321634. Получено 2012-07-12 .
  7. ^ Чен, В.; Форан, DJ (2006). «Analytica Chimica Acta — Достижения в технологии микрочипов раковых тканей: на пути к улучшению понимания и диагностики». Analytica Chimica Acta . 564 (1): 74–81. doi :10.1016/j.aca.2005.11.083. PMC 2583100. PMID 17723364  . 
  8. ^ MacDonald, JH; Wells, K.; Reader, AJ; Ott, RJ (февраль 1997 г.). "Система визуализации тканей на основе ПЗС". Ядерные приборы и методы в физических исследованиях. Раздел A: Ускорители, спектрометры, детекторы и сопутствующее оборудование . 392 (1–3). Ядерные приборы и методы в физических исследованиях: 220–226. Bibcode : 1997NIMPA.392..220M. doi : 10.1016/S0168-9002(97)00297-0.
  9. ^ Хан, Дж. В.; Брекон, Т. П.; Рэнделл, Д. А.; Ландини, Г. (2012). «Применение классификации методом опорных векторов для обнаружения ядер клеток в автоматизированной микроскопии». Машинное зрение и приложения . 23 (1). Springer: 15–24. doi :10.1007/s00138-010-0275-y. S2CID  12446454.

Внешние ссылки