[发明专利]用于数字完整载片的自动化评分的基于组织对象的机器学习系统

说明书

一种设施包括用于提供数字化病理学组织载片内的对象（例如，细胞核）的自动化检测、分类和计数的基于学习的图像分析方法的系统和方法。所述设施使用多个参考样本载片来训练对象分类器。随后且响应于接收到包含组织数据的载片的扫描图像，所述设施使用图像分段技术将完整载片分割成背景区域和组织区域。所述设施识别组织数据内的主导颜色区域并使用例如基于径向对称的方法来识别那些区域内的种子点。所述设施至少部分地基于那些种子点来生成棋盘格，棋盘格中的每一个不同的区对应于不同的检测到的对象。然后使用先前训练的分类器对这些对象进行分类。所述设施使用经分类的对象来对载片进行评分。

技术领域

本文公开的技术涉及基于计算机的试样分析。

背景技术

乳腺癌是当今最频繁诊断出的癌症之一，并且是女性当中与癌症有关的死亡的第二主要原因。用于预测患有乳腺癌的患者的临床行为和预后（prognosis）的一个指示物是基于用免疫组织化学（IHC）标记（诸如，提供对感兴趣的微观结构进行区分的能力的组织学染色剂）染色的切片组织样本的定性且半定量的视觉检查而对活组织检查/外科手术样本的组织学检查。生物标记可以用于表征肿瘤并识别可改进临床成果的最适当的治疗和药物。

与膜生物标记相对，核生物标记与细胞核中的蛋白质相互作用并对细胞核进行染色。染色的细胞的颜色指示针对细胞的抗原（生物标记）-抗体结合。在临床读取中，病理学家经常通过在视觉上观察和估计阳性染色（例如，棕色着色的）核对象与阳性染色和阴性染色（例如，蓝色着色的）核对象的总数的百分比来报告针对载片的得分。在临床和实验室设置中，精确的测量要求通过识别阳性染色的肿瘤细胞来对肿瘤细胞进行人工计数，这可能是极度乏味的。在实践中，载片得分经常基于病理学家的“猜测估计”。作为结果，人工得分不可再现，且进一步受制于显著的读取器间和读取器内变化性。此外，出于实践的原因，完整载片的解释仅基于由病理学家识别出的几个代表性视场（FOV）和仅那些视场中的信息。不幸的是，该“代表性”分析可能导致取样偏见。

发明内容

公开的技术的至少一些实施例涉及用于对组织试样载片（例如，利用免疫组织化学（IHC）化验染色的试样）进行自动解释和评分的成像系统。所述系统至少部分地基于与完整载片关联的信息和特性来分析图像的区域或整个图像（例如，数字完整载片图像）并选择特征以用于定量分析。完整载片图像被认为是载片的所有或基本上所有包含组织的区域（例如，排除标签、标记和空白区的载片的所有区域）的图像。公开的系统至少部分地基于关于与载片的包含组织的区域关联的数据的信息来识别载片的区域（例如，载片的特定组织区域）或完整载片中的细胞结构（例如，核对象、核种子）和细胞。此外，公开的系统可以对细胞进行计数，计算这些细胞的各种类型的局部和全局特征，识别细胞类型，并执行定量分析。特征计算可以使用不仅来自载片的注释区域的信息而且来自完整载片（例如，以多个放大而分析的载片的包含组织的区域）的信息。所述系统可以对细胞进行自动计数和分类，并至少部分地基于所选视场来对图像和/或整个载片进行评分和/或至少部分地基于与完整载片（即，载片的所有包含组织的区域）关联的信息或数据来对完整载片进行评分。得分可以被用于载片解释。例如，所述系统可以准确地对核对象进行计数以确定关于组织的信息以便辅助可靠且可再现的载片解释。在一个实施例中，所述系统对阳性染色核对象和/或阴性染色核对象进行计数以对例如生物试样（例如，肿瘤组织）进行评分。在一些实施例中，产生覆盖图像以在来自主体的试样的图像中给感兴趣的特征加标签。可以执行对组织的评分以预测和/或生成针对组织样本的预后。