本文公开的实施方案总体涉及在样本切片的多重免疫荧光图像中识别坏死组织。特别地，本公开的方面涉及：访问包括针对细胞核标志物的第一通道和针对上皮肿瘤标志物的第二通道的样本切片的多重免疫荧光图像，其中所述样本切片包括一个或多个坏死组织区域；将所述多重免疫荧光图像提供给机器学习模型；接收所述机器学习模型的输出，所述输出对应于以下预测：所述多重免疫荧光图像在所述多重免疫荧光图像的一个或多个特定部分处包括一个或多个坏死组织区域；基于所述机器学习模型的所述输出，生成用于所述多重免疫荧光图像的后续图像处理的掩膜；以及输出用于所述后续图像处理的所述掩膜。所述掩膜。所述掩膜。
【技术实现步骤摘要】
【国外来华专利技术】多重免疫荧光染色组织的数字图像中坏死区域的自动化识别
[0001]相关申请的交叉引用
[0002]本申请要求于2020年8月13日提交的美国临时申请编号63/065,350的权益和专利优先权，该美国临时申请出于所有目的通过引用以其整体并入本文。
[0003]本公开涉及数字病理学，并且特别涉及用于使用机器学习模型来识别多重免疫荧光染色组织的数字图像中坏死组织区域的描绘的技术。
技术介绍
[0004]数字病理学涉及将样品(例如，组织样品、血液样品、尿液样品等)的载玻片扫描成数字图像。可以对样品进行染色，使得细胞中的选定蛋白质(抗原)相对于样品的其余部分在视觉上被差异化标记。样本中的靶标蛋白可称为生物标志物。可以针对组织样品，生成用针对不同生物标志物的多种染色剂来描绘样品的数字图像。描绘用多种染色剂染色的样品的数字图像可称为多重免疫荧光图像。多重免疫荧光图像可以使组织样品中肿瘤细胞与非肿瘤细胞之间的空间关系可视化。
[0005]可以进行图像分析以识别和量化组织样品中的生物标志物。图像分析可以由计算系统或病理医师进行，以促进生物标志物的表征(例如，在存在、大小、形状和/或位置方面)以便通知(例如)疾病的诊断、治疗计划的确定或对疗法的反应的评定。
[0006]数字病理学算法可以量化生物标志物的表达和共表达，并且在逐细胞的基础上表征生物标志物在肿瘤微环境(TME)中的空间关系。这些算法通常依赖于由病理医师人工识别全载玻片图像(WSI)中的肿瘤区。坏死区域也被人工注释以排除在表型检测和报告之外。坏死区域为活体组织中在细胞死亡之后的一系列形态学变化。坏死区域跨WSI的在大小、形状和数量上的变化使得其人工注释成为一项容易出错且耗时的任务。
技术实现思路
[0007]在一些实施例中，提供了一种方法。访问样本切片的多重免疫荧光图像。多重免疫荧光图像可以包括针对细胞核标志物的第一通道和针对上皮肿瘤标志物的第二通道。样本切片可以包括一个或多个坏死组织区域。使用机器学习模型(例如，U
‑
Net模型)来处理多重免疫荧光图像。处理的输出可以对应于关于多重免疫荧光图像是否包括一个或多个坏死组织区域的预测。该预测可以识别多重免疫荧光图像的被预测为描绘坏死组织的一个或多个特定部分。基于机器学习模型的输出来生成掩膜。输出掩膜并将其用于多重免疫荧光图像的后续图像处理。
[0008]在一些实施例中，细胞核标志物包括4',6
‑
二脒基
‑2‑
苯基吲哚(DAPI)，并且上皮肿瘤标志物包括广谱细胞角蛋白(PanCK)。
[0009]在一些实施例中，该方法包括：在将多重免疫荧光图像提供给机器学习模型之前，使用伽马校正和归一化来预处理多重免疫荧光图像。
[0010]在一些情况下，进行后续图像处理包括：通过将掩膜应用于多重免疫荧光图像来生成多重免疫荧光图像的经修改版本；以及处理多重免疫荧光图像的经修改版本。输出处理的结果。结果对应于样本切片中一组肿瘤细胞的检测到的描绘，并且表征一组肿瘤细胞的存在、数量和/或大小。
[0011]在一些实施例中，计算机实现方法可以包括：从多重免疫荧光图像生成多个图块图像(tile image)。可以将多个图块图像提供给机器学习模型作为多重免疫荧光图像。
[0012]在一些实施例中，后续图像处理可以进一步包括：访问样本切片的第二图像以及将掩膜应用于第二图像。样本切片中一组肿瘤细胞的存在、数量和/或大小可以通过用掩膜处理第二图像来确定。可以输出样本切片中一组肿瘤细胞的存在、数量和/或大小。
[0013]本公开的一些实施例包括一种系统，该系统包括一个或多个数据处理器。该系统可进一步包括包含指令的非暂时性计算机可读存储介质，该指令当在一个或多个数据处理器上被执行时，使一个或多个数据处理器进行本文公开的一种或多种方法的一部分或全部。
[0014]在一些实施例中，提供了一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品。该计算机程序产品可以包括指令，该指令被配置成使一个或多个数据处理器进行本文公开的一种或多种方法的一部分或全部。
[0015]已使用的术语和表述被用作描述性而非限制性的术语，并且在使用此类术语和表述时无意排除示出和描述的特征或其部分的任何等效物，但应认识到在要求保护的本专利技术的范围内可以进行各种修改。因此，应当理解，虽然通过实施例和任选特征具体公开了本专利技术，但是本领域技术人员可以对本文公开的概念进行修改和变化，并且此类修改和变化被认为是在所附权利要求书所限定的本专利技术范围内。
附图说明
[0016]通过参考附图来描述实例，各种实施例的方面和特征将更加明显，在附图中：
[0017]图1示出了根据本公开的一些方面的多重免疫荧光图像中对坏死组织区域的示例性描绘；
[0018]图2示出了根据本公开的一些方面的用于训练和使用机器学习模型以便于识别对坏死组织的描绘的示例性计算系统；
[0019]图3示出了根据本公开的一些方面的用于坏死组织区域预测的过程的框图；
[0020]图4示出了根据本公开的一些方面的示例性U
‑
Net；
[0021]图5示出了根据本公开的一些方面的伽马校正的图；
[0022]图6示出了根据本公开的一些方面的预处理多重免疫荧光图像的示例性结果；
[0023]图7示出了根据本公开的一些方面的图像块(patch)生成的示例；
[0024]图8示出了根据本公开的一些方面的示例性输入图像和对应的掩膜；
[0025]图9示出了根据本公开的一些方面的在识别坏死组织区域的过程期间的示例性图像；并且
[0026]图10示出了根据本公开的一些方面的使用机器学习模型来识别坏死组织区域的示例性过程。
[0027]在附图中，相似部位和/或特征可具有相同的参考标记。此外，可通过在参考标号
后面加上破折号和区分相似部位的第二标号来区分相同类型的各种部位。如果说明书中仅使用第一参考标号，则该描述适用于任何一个具有相同的第一参考标号的相似部位，而与第二参考标号无关。
具体实施方式
[0028]I.概述
[0029]虽然描述了某些实施例，但这些实施例仅以示例的方式呈现，并且不旨在限制保护范围。本文描述的设备、方法和系统可以以多种其他形式体现。此外，在不脱离保护范围的情况下，可以对本文描述的示例性方法和系统的形式进行各种省略、替换和变化。
[0030]本公开描述了用于自动地识别数字病理学图像中的坏死组织描绘的技术。更具体地，本公开的一些实施例提供用于识别数字病理学图像中的坏死组织描绘以支持或改进疾病检测和分析的机器学习技术。
[0031]多重免疫荧光载玻片染色可以使组织切片中的多种蛋白质能够被同时检测。多重免疫荧光图像可以用于研究生物组织、血液或尿液中的不同类型的细胞。相对于组织而言，可以收集、固定(例如，使用甲醛溶液)和包埋生物组织的活检，之后可以将样品切成更小的本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于识别数字病理学图像的坏死组织的方法，其包括：访问包括针对细胞核标志物的第一通道和针对上皮肿瘤标志物的第二通道的样本切片的多重免疫荧光图像，其中所述样本切片包括一个或多个坏死组织区域；将所述多重免疫荧光图像提供给机器学习模型；接收所述机器学习模型的输出，所述输出对应于以下预测：所述多重免疫荧光图像在所述多重免疫荧光图像的一个或多个特定部分处包括一个或多个坏死组织区域；基于所述机器学习模型的所述输出，生成用于所述多重免疫荧光图像的后续图像处理的掩膜；以及输出用于所述后续图像处理的所述掩膜。2.根据权利要求1所述的方法，其中所述细胞核标志物包括4',6
‑
二脒基
‑2‑
苯基吲哚(DAPI)，并且所述上皮肿瘤标志物包括广谱细胞角蛋白(PanCK)。3.根据权利要求1所述的方法，其中所述机器学习模型包括U
‑
Net模型。4.根据权利要求1所述的方法，其进一步包括：在将所述多重免疫荧光图像提供给所述机器学习模型之前，使用伽马校正和归一化来预处理所述多重免疫荧光图像。5.根据权利要求1所述的方法，其中所述后续图像处理包括：通过将所述掩膜应用于所述多重免疫荧光图像来生成所述多重免疫荧光图像的经修改版本；处理所述多重免疫荧光图像的所述经修改版本；以及输出处理所述多重免疫荧光图像的所述经修改版本的结果，所述结果对应于所述样本切片中一组肿瘤细胞的检测到的描绘，其中所述后续图像处理的结果表征所述一组肿瘤细胞的存在、数量和/或大小。6.根据权利要求1所述的方法，其进一步包括：从所述多重免疫荧光图像生成多个图块图像；以及将所述多个图块图像提供给所述机器学习模型作为所述多重免疫荧光图像。7.根据权利要求1所述的方法，其中所述后续图像处理包括：访问所述样本切片的第二图像；将所述掩膜应用于所述第二图像；通过用所述掩膜处理所述第二图像来确定所述样本切片中一组肿瘤细胞的存在、数量和/或大小；以及输出所述样本切片中所述一组肿瘤细胞的所述存在、数量和/或大小。8.一种系统，其包括：一个或多个数据处理器；以及非暂时性计算机可读存储介质，其包含指令，所述指令当在所述一个或多个数据处理器上被执行时，使所述一个或多个数据处理器进行包括以下的操作：接收包括至少两个通道的样本切片的多重免疫荧光图像，其中所述多重免疫荧光图像包括一个或多个坏死组织区域；用伽马校正来预处理所述多重免疫荧光图像；将经预处理的多重免疫荧光图像提供给机器学习模型，以识别所述一个或多个坏死组
织区域；基于所述机器学习模型的输出，生成用于所述多重免疫荧光图像的后续图像处理的掩膜；以及输出用于所述后续图像处理的所述掩膜。9.根据权利要求8所述的系统，其中所述至少两个通道包括4',6
‑
二脒基
‑2‑
苯基吲哚(DAPI)通道和广谱细胞角蛋白(PanCK)通道。10.根据权利要求8所述的系统，其中所述机器学习模型包括U
‑
Net模型。11.根据权利要求8所述的系统，其中所述非暂时性计算机可读存储介质进一步包含指令，所述指令当在所述一个或多个数据处理器上被执行时，使所述一个或多个数据处理器进行包括以下的操作：在将所述多重免疫荧光图像提供给所述机器学习模型之前，使用伽马校正和归一化来预处理所述多重免疫荧光图像。12.根据权利要求8所述的系统，其中所述后续图像处理包括：通...
【专利技术属性】
技术研发人员：J，
申请(专利权)人：文塔纳医疗系统公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。