识别染色的组织图像中的感兴趣区域的方法技术

本公开涉及识别染色的组织图像中的感兴趣区域的方法。用于分割H&E染色的组织图像中组织学结构的图论分割方法。该方法依赖表征图像中的局域空间统计信息。而且，用于量化肿瘤内空间异质性的方法可以与单一生物标志物、多路复用或超复合免疫荧光(IF)数据一起使用。该方法就其做法而言是整体性的，使用TMA中整个肿瘤组织切片和/或斑点的表达和空间信息来表征空间关联。该方法生成二维异质性图，以明确阐明主要和次要亚群的空间关联。阐明主要和次要亚群的空间关联。阐明主要和次要亚群的空间关联。

【技术实现步骤摘要】
识别染色的组织图像中的感兴趣区域的方法
[0001]本申请是申请日为2016年6月10日，申请号为201680046884.1，专利技术名称为“用于在多路复用/超复合荧光组织图像中查找苏木精和曙红(H&E)染色的组织图像中的感兴趣区域并量化肿瘤内细胞空间异质性的系统和方法”的申请的分案申请。
[0002]相关申请的交叉引用
[0003]本申请依据35 U.S.C.
§
119(e)要求于2015年6月11日提交的标题为“A Common Framework for Finding Regions of Interest in Hematoxylin and Eosin(H&E)Stained Tissue Images and Quantifying Intratumor Cellular Spatial Heterogeneity in Multiplexed/Hyperplexed Fluorescence Tissue Images”的美国临时专利申请No.62/174,187的优先权，该申请的内容通过引入并入本文。
[0004]专利技术背景


[0005]本专利技术涉及数字病理学，尤其涉及用于在多路复用/超复合荧光组织图像中查找苏木精和曙红(H&E)染色的组织图像中的感兴趣区域并量化肿瘤内细胞空间异质性的常见框架。

技术介绍

[0006]数字病理学是指组织学染色的组织样本的获取、存储和显示，并且最初在诸如第二意见远程病理学、免疫解释和术中远程病理学等小生境(niche)应用中获得吸引力。通常，从活检样本生成大量患者数据，由3
‑
50张载玻片组成，并由病理学家在显微镜下进行视觉评估，但是通过在高清晰度监视器上观看利用数字技术进行评估。由于涉及手工劳动，因此目前的工作流程实践是耗时、易出错且主观的。
[0007]癌症是一种异质性疾病。在苏木精和曙红(H&E)染色的组织图像中，异质性的特征在于存在各种组织学结构，诸如原位癌、浸润癌、脂肪组织、血管和正常导管。针对肿瘤内和肿瘤间的异质性的一种精确医学做法是对活检组织进行测序并识别一组与疾病有关的基因组签名，具体而言是针对每个患者和单个患者的肿瘤的不同区域。但是，基因组/表观基因组分析(profiling)需要或者使组织破碎或者从肿瘤中取出多个核心样本，从而产生了对异质性的耗时和低分辨率的理解。各种组织学结构之间的空间相互作用可以预测疾病。例如，长入(侵入)血管的肿瘤巢指示增加的转移(metastasis)风险。因此组织学结构的准确分割可以帮助建立空间相互作用图，以促进组合蛋白质、DNA和RNA生物标志物进行深度分子分析的精确的药物研究。这种空间相互作用图还可以用作病理学家的探索工具或用作进一步分子分析的微观解剖指南。
[0008]组织学结构分割是一项非常具有挑战性的任务，因为诸如正常的导管和原位癌之类的结构具有明确的界限，但许多其它结构(诸如浸润癌和基质)则没有。结构形态也依赖于组织来源(例如，乳房相对于肺)以及组织制备和染色实践而显著变化。历史上，生物医学图像分析文献集中于分割细胞核，因为细胞核是所有更高层组织结构的基石。利用基于细
胞核
‑
内腔关联、区域生长、基于区域的主动轮廓结合马尔可夫随机场和深度学习的做法，最近的方法已经扩展到分割其它组织学结构，诸如前列腺和乳房组织图像中的腺体。其它一些做法涉及工程疾病和器官特异性提取器，以促进分析公开可用的数据集，诸如MITOS(有丝分裂图)和GlaS(腺体)。例如，典型的腺体分割策略可以涉及首先识别内腔，然后搜索细胞周围的上皮层。但是，在原位乳腺癌的情况下，这种策略是不可行的，其中导管内腔可以被肿瘤细胞完全填充。已经为H&E图像的监督分割开发了基本的数学基础，但那个基础还没有对多于两个示例进行测试。
[0009]而且，对于许多恶性肿瘤，分子和细胞异质性是不同患者的肿瘤之间、单个患者的肿瘤的不同部位之间以及单个肿瘤内的显著特征。肿瘤内异质性涉及表型独特的癌细胞克隆亚群及包括肿瘤微环境(TME)的其它细胞类型。这些癌细胞克隆亚群和其它细胞类型包括局部和骨髓衍生的基质干细胞和祖细胞、促进肿瘤或杀死肿瘤的免疫炎性细胞的亚类、与癌相关的成纤维细胞、内皮细胞和周细胞。TME可以被看作是不断发展的生态系统，其中癌细胞与这些其它细胞类型进行异型相互作用，并使用可用的资源来繁殖和生存。与此观点一致，TME内细胞类型之间的空间关系(即，空间异质性)似乎是疾病进展和治疗抵抗的主要驱动因素之一。因此，定义TME内的空间异质性以正确诊断具体疾病的亚型并识别针对个体患者的最佳疗程势在必行。
[0010]迄今为止，已经用三种主要做法探讨了肿瘤内异质性。第一种做法是从具体的肿瘤区域取核心样本来测量总体平均值。通过使用多种技术分析肿瘤内的多个核心来测量样本中的异质性，所述技术包括整个外显子组测序、表观遗传学、蛋白质组学和代谢组学。第二种做法涉及使用上述方法的“单细胞分析”、RNASeq、从组织中分离细胞后的成像或流式细胞术。第三种做法使用光显微镜成像的空间分辨率来维持空间上下文，并且与特定于分子的标签结合，以测量细胞中的生物标志物。
[0011]使用光显微镜成像的空间分析促进在细胞和亚细胞水平分析大面积的组织切片和/或多个肿瘤微阵列切片。例如，亚细胞分辨率允许识别具体生物标志物的活化状态(例如，转录因子到细胞核中的转移)。此外，质谱成像中的最新发展允许在组织切片上测量许多细胞成分，但是比光显微镜的分辨率低。
[0012]已经开发了若干光显微镜成像平台来表征肿瘤内的细胞生物标志物表达水平，包括透射光和荧光。已经从基于DNA、RNA和蛋白质生物标志物的大面积组织切片和组织微阵列(TMA)的图像获取了基于荧光的多变量信息，通常在同一个样本中有1至7个荧光标记的生物标志物(称为多路复用荧光)。现在可以使用多个商业平台来对组织样本中生物标志物信号水平进行获取、处理、分割和执行某种基本分析。最近，已经证明平台允许在标记、成像和猝灭荧光的迭代循环中获得多达60个荧光标记的抗体和少量DNA或RNA杂交探针。现在也有可能“映射”具体细胞类型的位置、细胞活化状态、细胞生物标志物表达水平和定位，以及组织切片和TMA中的细胞外成分。
[0013]一个主要的挑战是开发可以量化TME内的关键空间关系(相互作用，及其缺乏)的算法，这些算法基于生物标志物组。测量组织切片中的异质性的最初努力应用来自生态学研究的多样性指标，诸如Shannon熵和Rao二次熵。但是，这些方法还不适于多路复用(多达7种生物标志物)或超复合(>7种生物标志物)免疫荧光(IF)数据。其它解释高维度数据的方法可能没有复杂的细胞表型分型方法，从而使得每个生物标志物只能“开”或“关”。此外，这
些方法中很少有结合其异质性评分中生物标志物模式(pattern)之间的空间关系。实际上，TME的空间组织已被假设为除了来自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别染色的组织图像中的感兴趣区域的方法，包括：接收表示所述染色的组织图像的图像数据，其中所述图像数据是通过将表示所述染色的组织图像的RGB空间中的RGB数据变换到对立颜色空间中以创建对立颜色空间数据并且归一化所述对立颜色空间数据而获得的对立颜色空间中的归一化图像数据；通过确定指示所述图像数据中的相邻像素之间的统计关联的互信息数据，基于所接收的图像数据来量化所述染色的组织图像的局部空间统计；使用所确定的互信息数据和基于图形的谱分割算法基于量化的局部空间统计数据来识别和检测在染色的组织图像内的组织学结构的边界；以及生成分割的染色的组织图像，其中使用表示染色的组织图像的所接收的图像数据和所识别的组织学结构的所检测的边界来分割所识别的组织学结构。2.根据权利要求1所述的方法，其中所述染色的组织图像是苏木精和曙红(H&E)染色的组织图像，并且其中将所述RGB数据转换到对立颜色空间中包括采用基于一包选择的粉红色和紫色像素的正交投影矩阵，其对立地放置所述粉红色和紫色像素以在复色平面中最大地分离所述粉红色和紫色像素的色调值。3.根据权利要求1所述的方法，其中所述染色的组织图像是苏木精和曙红(H&E)染色的组织图像，其中将所述RGB数据变换到所述对立颜色空间中包括将所述RGB数据转换成H&E色调、H&E饱和度和H&E亮度通道，其中将所述对立颜色空间数据归一化包括识别所述对立颜色空间数据中的粉红色、紫色和白色像素类以及针对所述粉红色、紫色和白色像素类单独地匹配颜色统计信息，并且其中识别所述粉红色、紫色和白色像素类包括使用具有单变量von
‑
Mises分布的混合的所述H&E色调通道来对色调值进行建模。4.如权利要求1所述的方法，其中所述图像数据包括对立颜色空间中的归一化色调数据，并且其中确定互信息数据包括估计归一化色调数据中的相邻像素之间的色调角度的联合分布，并且计算联合分布的逐点互信息(PMI)，PMI是互信息数据。5.如权利要求4所述的方法，其中识别包括从PMI创建亲和度函数，并且使用谱聚类基于亲和度函数检测边界。6.根据权利要求1、4或5所述的方法，其中所述染色的组织图像是苏木精和曙红(H&E)染色的组织图像，并且其中所述分割的染色的组织图像是分割的H&E染色的组织图像。7.一种存储包括指令的一个或多个程序的非瞬态计算机可读介质，所述指令在由计算机执行时使所述计算机执行权利要求1所述的方法。8.一种用于识别染色的组织图像中的感兴趣区域的计算机化系统，包括：处理装置，其中所述处理装置包括：量化部件，被配置用于基于表示所述染色的组织图像的接收的图像数据来量化所述染色的组织图像的局部空间统计信息，其中所述图像数据是通过将表示所述染色的组织图像的RGB空间中的RGB数据变换到对立颜色空间中以创建对立颜色空间数据并且归一化所述对立颜色空间数据而获得的对立颜色空间中的归一化图像数据，并且其中所述量化部件被配置用于通过确定指示所述图像数据中的相邻像素之间的统计关联的互信息数据来量化所述局部空间统计信息；识别部件，被配置用于使用所确定的互信息数据和基于图形的谱分割算法基于量化的局部空间统计信息来识别和检测在染色的组织图像内的组织学结构的边界；以及
分割的组织图像生成部件，被配置用于生成分割的染色的组织图像，其中使用表示染色的组织图像的接收的图像数据和识别的组织学结构的检测的边界分割识别的组织学结构。9.根据权利要求8所述的系统，其中所述染色的组织图像是苏木精和曙红(H&E)染色的组织图像，并且其中将所述RGB数据转换到对立颜色空间中包括采用基于一包选择的粉红色和紫色像素的正交投影矩阵，其对立地放置所述粉红色和紫色像素以在复色平面中最大地分离所述粉红色和紫色像素的色调值。10.根据权利要求8所述的系统，其中所述染色的组织图像是苏木精和曙红(H&E)染色的组织图像，其中将所述RGB数据变换到所述对立颜色空间中包括将所述RGB数据转换成H&E色调、H&E饱和度和H&E亮度通道，其中将所述对立颜色空间数据归一化包括识别所述对立颜色空间数据中的粉红、紫色和白色像素类以及针对所述粉红、紫色和白色像素类单独地匹配颜色统计信息，并且其中识别所述粉红、紫色和白色像素类包括使用具有单变量von
‑
Mises分布的混合的所述H&E色调通道来对色调值进行建模。11.如权利要求8所述的系统，其中所述图像数据包括对立颜色空间中的归一化色调数据，并且其中确定互信息数据包括估计归一化色调数据中的相邻像素之间的色调角度的联合分布，并且计算联合分布的逐点互信息(PMI)，PMI是互信息数据。12.如权利要求11所述的系统，其中识别包括从PMI创建亲和度函数，并且使用谱聚类基于所述亲和度函数检测边界。13.根据权利要求8、11或12所述的系统，其中所述染色的组织图像是苏木精和曙红(H&E)染色的组织图像，并且其中所述分割的染色的组织图像是分割的H&E染色的组织图像。14.一种识别染色的组织图像中的感兴趣区域的方法，包括：接收表示染色的组织图像的图像数据，其中所述图像数据是归一化RGB数据，其中所述...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：匹兹堡大学高等教育联邦体系，
类型：发明
国别省市：