[发明专利]用于病理学的增强现实显微镜

说明书

由病理学家用来查看包含生物样品(诸如组织或血液)的切片类型的显微镜，在切片被移动到新位置或发生放大率或聚焦方面的改变时，该显微镜基本上实时地被提供有对视野的增加物(诸如热图、边界或注释)的投射。增加物帮助病理学家对(诸如对癌细胞或病原体的存在呈阳性的)样品进行表征或分类。

技术领域

本公开涉及病理学领域，并且更具体地涉及一种用于帮助病理学家对生物样品(诸如血液或组织)进行分类的改进的显微镜系统和方法，这些生物样品例如包含癌细胞或包含病理试剂(诸如原生动物疟原虫或结核细菌)。

背景技术

为了对生物样品(诸如组织)进行表征或分类，将样品放置在显微镜切片上，并且病理学家利用显微镜对该样品进行放大观察。样品可以利用诸如苏木精和伊红(hematoxylin and eosin，HE)的试剂染色，以使样品中潜在感兴趣的特征更容易被看到。可选地，可以利用高分辨率数字扫描仪对样品进行染色和扫描，并且病理学家在工作站或计算机的屏幕上观察样品的放大图像。

例如，淋巴结转移的评估是许多类型的实体瘤(包括乳腺癌)的分期的核心。该过程需要高度熟练的病理学家，非常耗时且容易出错，尤其是对于癌症呈阴性或具有小的癌症病灶的结。目前的护理标准包括检查已经利用苏木精和伊红染色的结活检的数字切片。然而，手动阅读有几个固有的局限性，包括读者疲劳，以及分级者内和分级者间的可靠性，这些都会负面影响过程的敏感性。淋巴结活检切片的准确查看和评估非常重要，因为淋巴结组织中肿瘤细胞的存在可能需要对癌症进行新的或更积极的治疗，并提高患者的生存机会。

现有技术包括对深度学习技术和经训练的神经网络适应于数字组织图像的背景以便改进癌症诊断、表征和/或分期的描述。相关背景技术包括以下文章：G.Litjens等人的《深度学习作为用于提高组织病理学诊断准确性和效率的工具》(Deep learning as atool for increasing accuracy and efficiency of histopathological diagnosis)，www.nature.com/scientificreports 6：26286(2016年5月)；D.Wang等人的《用于标识转移性乳腺癌的深度学习》(Deep Learning for Identifying Metastatic Breast Cancer)，ARXiv：1606.05718v1(2016年6月)；A.Madabhushi等人的《数字病理学中的图像分析和机器学习：挑战和机遇》(Image analysis and machine learning in digital pathology:Challenges and opportunities)，医学图像分析33,p.170-175(2016)；A.Schuamberg等人的《HE染色全切片深度学习预测前列腺癌中的SPOP突变状态》(HE-stained Whole SlideDeep Learning Predicts SPOP Mutation State in Prostate Cancer)，bioRxiv预印本http:/.bioRxiv.or/content/early/2016/07/17/064279。其他感兴趣的现有技术包括Quinn等人的《基于显微镜的护理点诊断的深度卷积神经网络》(Deep ConvolutionalNeural Networks for Microscopy-based Point of Care Diagnostics)，2016年国际医疗保健机器学习会议记录。

本领域已经描述了增大显微镜的视野以辅助外科手术的几个示例。见美国专利申请公开2016/0183779和公开的PCT申请WO 2016/130424A1。另请参见Watson等人的《增强显微术：亮场和近红外荧光图像的实时覆盖》(Augmented microscopy:real-time overlayof bright-field and near-infrared fluorescence images)，生物医学光学杂志，vol.20(10)2015年10月。

发明内容