生物组织的计算机分类制造技术

使用计算系统来对生物组织进行分类。在计算系统处接收包括生物组织的检查区域的多张图像的图像数据。多张图像中的每张图像是在将病理学鉴别剂局部施加到组织的检查区域而引起瞬态光学效应的时间段期间的不同时间处捕获的。将接收到的图像数据作为输入提供给在计算系统上可操作的机器学习算法的。机器学习算法被配置为将多个分类之一分配给组织的多个片段中的每个片段。

【技术实现步骤摘要】
【国外来华专利技术】生物组织的计算机分类
本公开涉及使用计算系统对生物组织进行分类，包括方法以及相应计算机程序和计算机系统。
技术介绍
生物组织的检查和分类是癌症筛查程序的一部分。例如，在筛查宫颈癌的情况下，可以执行阴道镜检查，其中直接观察子宫颈并捕获其一张或多张图像。这使得可以根据子宫颈的病变风险来对子宫颈的病变进行标识和分类，从而可以执行适当的活检或治疗。这种分类通常由医学专业人员来执行。在国际专利公开号WO-01/72214中已经描述了一种特别良好执行的阴道镜检查技术，在该阴道镜检查技术中将病理学鉴别剂(pathologydifferentiatingagent)(特别是稀乙酸)施加到生物组织。这会导致短暂的光学效应，特别是组织的变白，这可以直接观察到，并且也可以在捕获图像中观察到。此外，可以执行对一张或多张捕获图像的瞬态和/或光谱分析，特别是对漫反射率的测量，并且可以将这种数据提供给医学专业人员以帮助其分析。使用该技术的阴道镜检查由狄希斯医疗有限公司(DysisMedicalLimited)销售。基于计算机的人工智能已经在许多领域应用于医学分类，例如磁共振成像(MRI)和放射学图像。还考虑了将人工智能技术应用于生物组织的分类，例如宫颈病变分类。Hu等人发表在JNatlCancerInst2019(doi:10.1093/jnci/djy225)的“深度学习和自动评估子宫颈图像以进行癌症筛查的观察性研究(AnObservationalStudyofDeepLearningandAutomatedEvaluationofCervicalImagesforCancerScreening)”，研究了对“子宫颈像(cervigram)”(在将稀乙酸应用于子宫颈上皮之后的约一分钟，使用固定聚焦的环形胶片相机拍摄的子宫颈图像)的自动评估，以识别癌症前期和癌性病变以用于即时护理宫颈筛查。在该方法中，将子宫颈像作为输入提供给基于深度学习的算法，特别是更快的基于区域的卷积神经网络(更快的R-CNN)。该算法执行对象(子宫颈)检测、特征提取(计算对象的特征)以及分类为高级别宫颈肿瘤的阳性或阴性(预测病例概率分数)。在对筛查人群进行研究时，该方法在识别癌症前期或癌症病例时，获得了0.91的曲线下面积(AUC)，该面积大于相同数据集的原始子宫颈像图解(0.69的AUC)。Xu等人发表在医学图像计算和计算机辅助干预—MICCAI2016，计算机科学讲义，vol.9901,Springer,Cham的“用于宫颈发育异常诊断的多模式深度学习(MultimodalDeepLearningforCervicalDysplasiaDiagnosis)”，考虑了将机器学习应用于宫颈发育异常的诊断。在该方法中，在将5％的乙酸施加到子宫颈上皮之后捕获的子宫颈图像被作为输入提供给深度神经网络。此外，将其他医学测试的临床结果和有关受试者(subject)的其他数据作为输入提供，使得神经网络具有多模式输入。包括多个卷积神经网络层的结构被用于学习图像特征，并使用联合的全连接神经网络层来对不同的模态进行组合。据报道，该技术可以在90％的特异性(specificity)下以87.83％的敏感性(sensitivity)给出最终诊断。这种技术对医学专业人员可能有用，特别是在无法进行宫颈筛查的发展中国家，但是希望从人工智能提供更多临床上有用的输出(例如，疾病的标测和分级以进行准确的活检放置)来改善医学专业人员进行正确诊断并提供适当治疗或必要时进行跟进的能力。
技术实现思路
在这种背景下，本公开提供了一种根据权利要求1的使用计算系统对生物组织进行分类的方法、一种根据权利要求27的计算机程序以及如由权利要求28所定义的计算系统。在从属权利要求和本文中详细说明了其他特征。在计算系统处接收包括生物组织(特别是受试者的子宫颈)的检查区域的多张图像的图像数据。每张图像是在将病理学鉴别剂局部施加到组织的检查区域而引起瞬态光学效应的时间段期间的不同时间处捕获的。具体地，病理学鉴别剂可以包括乙酸(通常为稀乙酸，通常为3-5％)，使得瞬态光学效应可以包括乙酰增白效应(尽管其他鉴别剂和/或光学效应也是可能的，例如使用分子诊断)。在图像捕获的时间段内，检查区域可能暴露于光辐射，光辐射可以是宽带的(跨越大部分或全部光谱)或窄带的(限于一种或一系列波长范围，仅定义一种或有限范围的颜色，可能包括紫外线和/或红外线)。因此，在施加试剂之后(例如，以预定和/或规则间隔)捕获的图像可以显示出瞬态光学效应的进展。将接收到的图像数据(其可能已经进行了图像处理，如下所述)作为输入提供给机器学习算法(其在计算系统上运行)。机器学习算法将多个分类之一分配给组织。子宫颈也可以例如基于一个或多个掩模(例如，通过形态或特征提取的识别而定义)的应用和/或基于在整个组织上施加的局部分类来分段。因此，组织可以被分类为组织的检查区域的离散的和限定的子区域，特别是具有分配给子宫颈的每个片段(segment)的不同分类。可以通过连续范围(例如，从0到1或0到100)上的值或一组离散选项来定义分类，这可以包括多个疾病标签(例如：阴性与阳性，或例如：低风险；中风险；高风险，特定疾病状态，例如：CIN1、CIN2、CIN3、或存在一种或多种形态特征，例如存在非典型血管、尖锐的病变边界(sharplesionborder)或疾病，例如持久或致密的乙酰增白)。在本文公开的方法中，可以实现生物组织的体内或体外自动分类。相对于现有方法，使用在瞬态光学效应的过程中拍摄的多张图像可以显著改善分类的敏感性和/或特异性。敏感性和特异性可能是指识别宫颈发育异常和/或宫颈肿瘤的能力。因此，敏感性是指正确识别表现出宫颈发育异常和/或宫颈肿瘤的组织的能力。因此，特异性是指正确识别未表现出宫颈发育异常和/或宫颈肿瘤的组织的能力。取决于应用环境，输出可以集中在最大程度地提高敏感性或特异性上，或者以对一个或两个最优的阈值进行操作。尽管可以基于整个受试者/组织来进行分类，但是本专利技术允许识别怀疑是癌症前期或癌症的组织区域。这对于引导活检或治疗(包括手术切除)可能是有利的。可以对这些部位进行活检以确认身份。在许多或大多数情况下，这种系统的成功实现可以使活检变得不寻常。例如，基于这种分类的输出，可以直接指导患者出院进行常规筛查或治疗。而且，机器学习算法的输出可能比现有方法在临床上更有用，这将在下面讨论。该技术可以被实现为方法、计算机程序、可编程硬件、计算机系统和/或用于组织检查的系统(例如，阴道镜检查系统)。例如，一种用于组织的分类的计算系统，可以包括：输入端，用于接收图像数据；以及处理器，用于操作机器学习算法。在实施例中，该计算系统还包括图像收集模块，用于捕获图像数据所基于的光学图像(例如，原始图像)。图像收集模块可以相对于处理器位于远程。在一些设计中，处理器包括多个处理设备，每个处理设备(例如，以分布式方式)运行机器学习算法的部分。然后，图像收集模块可以相对于至少一个处理设备位于远程。下面讨论适用于根据本公开的任何可能的实现方式的方法(无论是作为本文档来自技高网...

【技术保护点】
1.一种使用计算系统对生物组织进行分类的方法，所述方法包括：/n在所述计算系统处接收图像数据，所述图像数据包括生物组织的检查区域的多张图像，所述多张图像中的每张图像是在将病理学鉴别剂局部施加到所述组织的检查区域而引起瞬态光学效应的时间段期间的不同时间处捕获的；以及/n将接收到的图像数据作为输入提供给在所述计算系统上运行的机器学习算法，所述机器学习算法被配置为将多个分类中的一个分类分配给所述组织的多个片段中的每个片段。/n

【技术特征摘要】
【国外来华专利技术】20180724 GB 1812050.11.一种使用计算系统对生物组织进行分类的方法，所述方法包括：
在所述计算系统处接收图像数据，所述图像数据包括生物组织的检查区域的多张图像，所述多张图像中的每张图像是在将病理学鉴别剂局部施加到所述组织的检查区域而引起瞬态光学效应的时间段期间的不同时间处捕获的；以及
将接收到的图像数据作为输入提供给在所述计算系统上运行的机器学习算法，所述机器学习算法被配置为将多个分类中的一个分类分配给所述组织的多个片段中的每个片段。


2.根据权利要求1所述的方法，其中，所述生物组织包括子宫颈。


3.根据权利要求1或权利要求2所述的方法，其中，所述机器学习算法包括神经网络或深度神经网络。


4.根据前述权利要求中任一项所述的方法，其中：
所述多张图像中的至少一张图像是在所述时间段开始时在发生所述瞬态光学效应之前捕获的；和/或
所述多张图像中的至少一些图像是在局部施加所述病理学鉴别剂的时间段期间以预定持续时间的间隔捕获的。


5.根据前述权利要求中任一项所述的方法，其中，所述检查区域在将病理学鉴别剂局部施加到所述组织的检查区域而引起瞬态光学效应的时间段期间被暴露于光辐射。


6.根据前述权利要求中任一项所述的方法，其中，所述病理学鉴别剂包括酸。


7.根据前述权利要求中任一项所述的方法，还包括：
使用图像收集模块来捕获所述生物组织的检查区域的多张光学图像，所述图像数据的多张图像是从所述多张光学图像中导出的。


8.根据前述权利要求中任一项所述的方法，其特征在于以下各项中的一项或多项：
所述多张图像中的每张图像是从被变换以便在所述多张图像内提供所述检查区域的对准的相应初始图像中导出的；
所述多张图像中的每张图像是从被处理以去除一个或多个伪影的相应初始图像中导出的；以及
作为输入提供给所述机器学习算法的所述图像数据包括针对所述多张图像中的每张图像的从相应初始图像中导出的多个小块。


9.根据前述权利要求中任一项所述的方法，其中，所述生物组织包括子宫颈，所述方法还包括对所述多张图像进行处理以识别所述多张图像中与所述子宫颈相对应的部分。


10.根据前述权利要求中任一项所述的方法，其中，所述多张图像中的每张图像由相应像素组定义，所述像素组中的每一个像素组具有相同的像素布置，所述方法还包括：
在所述计算系统处获得图数据，所述图数据包括针对所述像素布置的每个像素的相应分析指标，所述分析指标是从所述多张图像中导出的；以及
将所述图数据作为输入提供给所述机器学习算法。


11.根据权利要求10所述的方法，其中，针对像素的所述分析指标是基于从所述多张图像中导出的至少一个参数生成的，所述至少一个参数包括以下各项中的一项或多项：所述像素在所述多张图像上的最大强度；达到所述像素的最大强度的时间；和所述像素在所述多张图像上的强度的总和或加权总和。


12.根据权利要求11所述的方法，其特征在于以下各项中的一项或多项：
所述至少一个参数中的参数被限制为预定光谱带宽；
所述至少一个参数中的每个参数是通过将所述像素在所述多张图像的数据拟合到一条直线或曲线并从所述直线或曲线确定所述至少一个参数来确定的；并且
其中，每个像素的所述分析指标是基于所述至少一个参数中的多个参数的加权组合的。


13.根据前述权利要求中任一项所述的方法，还包括：
对所述多张图像进行处理以识别至少一个形态特征和/或至少一个提取特征。


14.根据权利要求13所述的方法，还包括：
将所述至少一个形态特征和/或提取特征作为输入提供给所述机器学习算法。


15.根据前述权利要求中任一项所述的方法，其中，所述机器学习算法包括神经网络，所述方法的特征在于以下两者中的一项或两项：
所述神经网络包括以下各项中的一项或组合：卷积神经网络；全连接神经网络；和递归神经网络；以及
所述神经网络是多模式的。


16.根据前述权利要求中任一项所述的方法，还包括：将一个或多个受试者特征作为输入提供给所述机器...

【专利技术属性】
技术研发人员：埃马努伊尔·帕帕吉安纳基斯，阿拉斯泰尔·阿特金森，
申请(专利权)人：狄希斯医药有限公司，
类型：发明
国别省市：英国;GB