[发明专利]多重免疫荧光染色组织的数字图像中坏死区域的自动化识别

说明书

本文公开的实施方案总体涉及在样本切片的多重免疫荧光图像中识别坏死组织。特别地，本公开的方面涉及：访问包括针对细胞核标志物的第一通道和针对上皮肿瘤标志物的第二通道的样本切片的多重免疫荧光图像，其中所述样本切片包括一个或多个坏死组织区域；将所述多重免疫荧光图像提供给机器学习模型；接收所述机器学习模型的输出，所述输出对应于以下预测：所述多重免疫荧光图像在所述多重免疫荧光图像的一个或多个特定部分处包括一个或多个坏死组织区域；基于所述机器学习模型的所述输出，生成用于所述多重免疫荧光图像的后续图像处理的掩膜；以及输出用于所述后续图像处理的所述掩膜。

相关申请的交叉引用

本申请要求于2020年8月13日提交的美国临时申请编号63/065,350的权益和专利优先权，该美国临时申请出于所有目的通过引用以其整体并入本文。

技术领域

本公开涉及数字病理学，并且特别涉及用于使用机器学习模型来识别多重免疫荧光染色组织的数字图像中坏死组织区域的描绘的技术。

背景技术

数字病理学涉及将样品(例如，组织样品、血液样品、尿液样品等)的载玻片扫描成数字图像。可以对样品进行染色，使得细胞中的选定蛋白质(抗原)相对于样品的其余部分在视觉上被差异化标记。样本中的靶标蛋白可称为生物标志物。可以针对组织样品，生成用针对不同生物标志物的多种染色剂来描绘样品的数字图像。描绘用多种染色剂染色的样品的数字图像可称为多重免疫荧光图像。多重免疫荧光图像可以使组织样品中肿瘤细胞与非肿瘤细胞之间的空间关系可视化。

可以进行图像分析以识别和量化组织样品中的生物标志物。图像分析可以由计算系统或病理医师进行，以促进生物标志物的表征(例如，在存在、大小、形状和/或位置方面)以便通知(例如)疾病的诊断、治疗计划的确定或对疗法的反应的评定。

数字病理学算法可以量化生物标志物的表达和共表达，并且在逐细胞的基础上表征生物标志物在肿瘤微环境(TME)中的空间关系。这些算法通常依赖于由病理医师人工识别全载玻片图像(WSI)中的肿瘤区。坏死区域也被人工注释以排除在表型检测和报告之外。坏死区域为活体组织中在细胞死亡之后的一系列形态学变化。坏死区域跨WSI的在大小、形状和数量上的变化使得其人工注释成为一项容易出错且耗时的任务。

发明内容

在一些实施例中，提供了一种方法。访问样本切片的多重免疫荧光图像。多重免疫荧光图像可以包括针对细胞核标志物的第一通道和针对上皮肿瘤标志物的第二通道。样本切片可以包括一个或多个坏死组织区域。使用机器学习模型(例如，U-Net模型)来处理多重免疫荧光图像。处理的输出可以对应于关于多重免疫荧光图像是否包括一个或多个坏死组织区域的预测。该预测可以识别多重免疫荧光图像的被预测为描绘坏死组织的一个或多个特定部分。基于机器学习模型的输出来生成掩膜。输出掩膜并将其用于多重免疫荧光图像的后续图像处理。

在一些实施例中，细胞核标志物包括4',6-二脒基-2-苯基吲哚(DAPI)，并且上皮肿瘤标志物包括广谱细胞角蛋白(PanCK)。

在一些实施例中，该方法包括：在将多重免疫荧光图像提供给机器学习模型之前，使用伽马校正和归一化来预处理多重免疫荧光图像。

在一些情况下，进行后续图像处理包括：通过将掩膜应用于多重免疫荧光图像来生成多重免疫荧光图像的经修改版本；以及处理多重免疫荧光图像的经修改版本。输出处理的结果。结果对应于样本切片中一组肿瘤细胞的检测到的描绘，并且表征一组肿瘤细胞的存在、数量和/或大小。

在一些实施例中，计算机实现方法可以包括：从多重免疫荧光图像生成多个图块图像(tile image)。可以将多个图块图像提供给机器学习模型作为多重免疫荧光图像。

在一些实施例中，后续图像处理可以进一步包括：访问样本切片的第二图像以及将掩膜应用于第二图像。样本切片中一组肿瘤细胞的存在、数量和/或大小可以通过用掩膜处理第二图像来确定。可以输出样本切片中一组肿瘤细胞的存在、数量和/或大小。