在多种设置下用于医学样品的异常检测制造技术

在全切片图像筛选中使用多种成像模式可潜在地用来减少假阳性。为了使用多种成像模式，用于从医学样品的图像对医学样品上的异常定位的方法使用异常检测进程，所述异常检测进程包括单个地使用多个基分类器对怀疑是异常的感兴趣对象进行分类。每个基分类器分别提取所述感兴趣对象的特征并且根据所提取的特征生成指示所述感兴趣对象为异常的可能性的评分。所述异常检测进程进一步包括使用集合分类器来合并由所述基分类器生成的评分以确定所述感兴趣对象是否是异常。所述集合分类器根据设置(在所述设置下获得所述样品和所述图像)的设置变量来确定对于每个基分类器的可依赖性度量，然后根据所述可依赖性度量选择性地合并所述基分类器的评分。

Abnormal detection of medical samples in a variety of settings

The use of a variety of imaging patterns in full slice image screening can be potentially used to reduce false positive. In order to use multiple imaging modes, the abnormal detection process is used for the abnormal location of medical samples to medical samples. The anomaly detection process includes single use of multiple base classifiers to classify interested objects that are suspected of being abnormal. Each base classifier extracts features of the interested objects respectively, and generates scores based on the extracted features to indicate the possibility that the interested objects are abnormal. The anomaly detection process further includes using the set classifier to merge the score generated by the base classifier to determine whether the interested object is abnormal. The set classifier determines the dependability measure for each base classifier according to the setting variable set (under the setting of the sample and the image), and then selectively combines the score of the base classifier according to the dependability measure.

【技术实现步骤摘要】
【国外来华专利技术】在多种设置下用于医学样品的异常检测
本专利技术涉及在计算机辅助诊断(CAD)中用于医学样品的异常检测。
技术介绍
异常检测对于CAD是至关重要的。全切片图像(WSI)搜索优选用于CAD以避免假阴性，但受其图像采集和处理速度限制。大多数现有的用于WSI筛选的方式使用低放大倍数图像以便减少图像采集时间。因此，图像质量变得劣化。低放大倍数图像中包含的信息少于高分辨率图像中的信息，因此限制了准确分割和对异常进行分类。而且，WSI筛选中的大搜索区域引入了更多的假阳性，这也影响了诊断结果。在WSI筛选中使用多种成像模式潜在地可用来减少假阳性。目前，大多数产品不提供WSI分析用于评价，并且不支持多种成像模式。他们仅使用来自单一设置的样品(例如，相同的曝光时间，相同的试验)用于分类。除此之外，它们中的大多数是机器依赖性的，这不容易适应于新的硬件设置。典型地，在目前的产品中使用两种成像模式用于图像分析：荧光(FL)模式和亮视野(BF)模式。然而，两种模式具有它们自己的缺点。对于FL模式，尽管在不同的成像模式之中具有相对高的灵敏度，但除了异常之外的物体在激发下也经常发射绿色荧光。其可以导致假阳性结果，由此影响诊断结果的准确度。对于BF模式，其与FL模式相比导致低对比度，由于来自不同实验的样品中染料的色差而需要校准。因此，在本领域中存在对支持多种成像模式并且在增强异常检测准确度中利用多模式结果的技术的需求，该技术尤其可在用于WSI的异常检测中使用。
技术实现思路
本专利技术的第一个方面是提供用于从医学样品的图像对所述医学样品上的一个或多个异常进行定位的计算机实现方法。所述医学样品和所述图像在包括一个或多个设置变量的设置下制备。在所述方法中，从所述图像对所述医学样品上的被怀疑是异常的任何感兴趣对象进行鉴定和定位。当对一个或多个感兴趣对象定位时，通过异常检测进程确定单个感兴趣对象是否是单个异常。对于所述一个或多个感兴趣对象中的每一个重复所述异常检测进程。所述异常检测进程包括单个地使用多个基分类器对所述单个感兴趣对象进行分类。每个基分类器分别提取所述单个感兴趣对象的特征并且根据所提取的特征生成指示所述单个感兴趣对象为异常的可能性的评分。所述异常检测进程进一步包括使用集合分类器来合并由所述基分类器生成的评分以确定所述单个感兴趣对象是否是单个异常。所述集合分类器根据所述一个或多个设置变量来确定对于每个基分类器的单个评分的可依赖性度量，并且根据所述评分的所述可依赖性度量选择性地合并所有所述基分类器的评分。所述图像可以通过对用于对一个或多个异常进行WSI筛选的上面驻留有医学样品的整个载玻片成像来获得。所述图像可以是亮视场图像或荧光图像。基分类器通常根据实际的应用来选择。在一个选择中，第一基分类器配置成提取所述单个感兴趣对象的形态特征，并且配置成使用一个或多个决策树来对所述形态特征分类以生成所述评分。在另一个选择中，第二基分类器配置成提取所述单个感兴趣对象的局部直方图特征，并且配置成使用支持向量机来对所述局部直方图特征分类以生成所述评分。当所述图像是彩色图像时，一个或多个彩色直方图用于提取所述局部直方图特征。当所述图像是灰度图像时，一个或多个强度直方图用于提取所述局部直方图特征。在又另一个选择中，第三基分类器是卷积神经网络。本专利技术的第二个方面提供用于检测医学样品上的一个或多个具有预先选择的特性的靶向异常的多阶段法。所述方法包括至少第一阶段和第二阶段。在第一阶段中，向所述医学样品施加第一染色剂用于对包括所述一个或多个靶向异常的异常染色。在所述异常被染色后，对所述医学样品成像以产生第一图像。然后一个或多个计算机根据一个或多个获得所述医学样品和所述第一图像的第一设置的第一设置变量通过定位进程从所述第一图像对所述异常进行定位。具体地，根据本专利技术的第一个方面提供的任意实施方案配置所述定位进程。在第二个阶段，向所述医学样品施加第二染色剂用于复染所述一个或多个靶向异常。所述第二染色剂配制成优先地对所述异常的亚组染色，所述亚组中的异常具有所述预先选择的特性。在所述一个或多个靶向异常被复染后，对所述医学样品成像以产生第二图像。任选地，通过仅在围绕从所述第一图像被定位的异常的区域上对所述医学样品成像获得第二图像。之后，所述一个或多个计算机根据一个或多个获得所述医学样品和所述第二图像的第二设置的第二设置变量通过所述定位进程从所述第二图像对所述一个或多个靶向异常进行定位。由此检测所述一个或多个靶向异常。如下面通过实施方案所示公开了本专利技术的其他方面。附图说明图1描绘了根据本专利技术的示例性实施方案从医学样品的图像检测一个或多个异常的处理流程，其中通过多个基分类器和集合分类器检测所述一个或多个异常。图2描绘了训练图1的基分类器和集合分类器的示例性配置。图3描绘了说明检测一个或多个具有预先选择的特征的靶向异常的多阶段方法的流程图，其中每个阶段利用图1的处理流程实施。具体实施方式本专利技术解决了对在检测医学样品上的异常中支持多种成像模式的技术的需求并且利用所得的多个检测结果增强了检测所述异常的准确度。另外，通过提高检测准确度本专利技术可特别地用于WSI筛选，同时仍然允许在检测中使用低放大倍数图像。WSI筛选意味着对上面驻留有医学样品的整个载玻片成像以产生图像，并分析图像进行异常检测。尽管如此，本专利技术的应用不仅仅限于WSI筛选。本专利技术人已经观察到不同的分类器对在不同的实验条件下制备并在不同的成像条件下成像用于分析的医学样品具有不同的性能。通常，对于在特定设置下获得的医学样品及其图像，一个分类器在异常检测中的性能比另一个分类器更好，其中前述设置是实验条件和成像条件的组合。由此得出结论，有利地是将不同的分类器结合到用于检测异常的检测器中，然后根据由用来获得医学样品及其图像的设置所提供的边信息智能化地组合不同分类器的结果。通过这样的组合，可以增强异常检测中的置信水平或准确度。本专利技术基于上述观察结果开发。本专利技术的第一个方面是提供用于从医学样品的图像对所述医学样品上的一个或多个异常进行定位的计算机实现方法。所述医学样品和所述图像在一个设置下制备。更具体地，所述设置包括一个或多个设置变量，其中一个或多个设置变量用来建模或表征所述设置。所述一个或多个设置变量形成分别在获得医学样品及其图像中使用的实验条件和成像条件的集合。单个设置变量的实例包括图像的类型(例如，BF图像或FL图像)、在对所述医学样品成像中的曝光时间、施加到医学样品用于对其上面的异常染色的染色剂、正在研究的医学样品是否是获自特定实验的样品之一，等等。所述方法借助于图1示例性地说明。图1描绘了根据本专利技术的示例性实施方案从医学样品的图像105检测一个或多个异常185的处理流程。图像105首先通过位置检测器130处理以对医学样品上的被怀疑是异常的任意感兴趣对象进行检测和定位。作为初始步骤，需要包括尽可能多的异常以便使错失任何异常的机会保持在低水平。通常地且合乎需要地，位置检测器130被编程以有效地在短时间内对所怀疑的异常进行鉴定和定位。本领域技术人员将理解本领域中的各种算法可以用来实现这样的快速检测。例如，候选的感兴趣对象可以通过使用如所J.Chang等人，“AutomatedTuberculosisDiagnosisUsingFluor本文档来自技高网...

【技术保护点】
一种用于从医学样品的图像对所述医学样品上的一个或多个异常进行定位的计算机实现方法，所述医学样品和所述图像在包括一个或多个设置变量的设置下制备，所述方法包括：从所述图像对所述医学样品上的被怀疑是异常的任何感兴趣对象定位；以及当对一个或多个感兴趣对象定位时，通过异常检测进程确定单个感兴趣对象是否是单个异常并且对于所述一个或多个感兴趣对象中的每一个重复所述异常检测进程；其中所述异常检测进程包括：单个地使用多个基分类器对所述单个感兴趣对象进行分类，其中每个基分类器分别提取所述单个感兴趣对象的特征并且根据所提取的特征生成指示所述单个感兴趣对象为异常的可能性的评分；以及使用集合分类器来合并由所述基分类器生成的评分以确定所述单个感兴趣对象是否是单个异常，其中所述集合分类器根据所述一个或多个设置变量来确定对于每个基分类器的单个评分的可依赖性度量，并且根据所述评分的所述可依赖性度量选择性地合并所有所述基分类器的评分。

【技术特征摘要】
【国外来华专利技术】2017.03.02 US 15/447,3151.一种用于从医学样品的图像对所述医学样品上的一个或多个异常进行定位的计算机实现方法，所述医学样品和所述图像在包括一个或多个设置变量的设置下制备，所述方法包括：从所述图像对所述医学样品上的被怀疑是异常的任何感兴趣对象定位；以及当对一个或多个感兴趣对象定位时，通过异常检测进程确定单个感兴趣对象是否是单个异常并且对于所述一个或多个感兴趣对象中的每一个重复所述异常检测进程；其中所述异常检测进程包括：单个地使用多个基分类器对所述单个感兴趣对象进行分类，其中每个基分类器分别提取所述单个感兴趣对象的特征并且根据所提取的特征生成指示所述单个感兴趣对象为异常的可能性的评分；以及使用集合分类器来合并由所述基分类器生成的评分以确定所述单个感兴趣对象是否是单个异常，其中所述集合分类器根据所述一个或多个设置变量来确定对于每个基分类器的单个评分的可依赖性度量，并且根据所述评分的所述可依赖性度量选择性地合并所有所述基分类器的评分。2.权利要求1所述的方法，其中所述图像通过对上面驻留有所述医学样品的整个载玻片成像来获得。3.权利要求1所述的方法，其中所述基分类器之一配置成提取所述单个感兴趣对象的形态特征，并且配置成使用一个或多个决策树来对所述形态特征进行分类以生成所述评分。4.权利要求1所述的方法，其中所述基分类器之一配置成提取所述单个感兴趣对象的局部直方图特征，并且配置成使用支持向量机(SVM)来对所述局部直方图特征进行分类以生成所述评分。5.权利要求4所述的方法，其中当所述图像是彩色图像时，一个或多个彩色直方图用于提取所述局部直方图特征。6.权利要求4所述的方法，其中当所述图像是灰度图像时，一个或多个强度直方图用于提取所述局部直方图特征。7.权利要求1所述的方法，其中所述基分类器之一是卷积神经网络(CNN)。8.权利要求1所述的方法，其中：所述基分类器包括第一基分类器和第二基分类器；所述第一分类器配置成提取所述单个感兴趣对象的形态特征，并且配置成使用一个或多个决策树来对所述形态特征进行分类以生成所述评分；以及所述第二分类器配置成提取所述单个感兴趣对象的局部直方图特征，并且配置成使用支持向量机(SVM)来对所述局部直方图特征进行分类以生成所述评分。9.权利要求1...

【专利技术属性】
技术研发人员：吴晓华，罗恩妮，
申请(专利权)人：香港应用科技研究院有限公司，
类型：发明
国别省市：中国香港,81