利用多个波长处理生物试样的方法和系统的制作方法

专利名称：利用多个波长处理生物试样的方法和系统的制作方法
技术领域：
本发明涉及用于表征或对生物试样进行分类(划分或分组，classify)的系统和 方法。
背景技术：
在医学行业中，常常需要实验室技术人员，例如细胞学技术人员，来检查细胞试样 中是否存在指定的细胞类型。例如，目前需要检查子宫颈-阴道巴氏(Papanicolaou，Pap) 涂片。巴氏涂片已成为用于检测癌症和癌前子宫颈病变的有效工具。通过其诊断癌前病变 (灵敏度)同时避免假阳性诊断(特异性)的能力来检测子宫颈筛选和其他试样筛选的可 靠性和效力。而这些标准取决于细胞学解释的准确性。传统上，病理学家可以通过观察个体细胞核的特性而对生物试样进行单细胞分 析，或者通过寻找细胞在载玻片上呈现的细胞结构中的特征结构而对生物样品进行情境分 析(contextual analysis)。为了有利于这种检查过程，已开发出了自动筛选系统来处理多 个显微镜载玻片。在一种典型的系统中，操作成像仪以提供细胞试样载玻片的一系列图像， 每幅图像示出该载玻片的不同部分。然后，处理器或控制器对这些图像数据进行处理以提 供关于该试样的定量或预后信息(prognostic information) 0在提供这种诊断信息时，处 理器可以执行单细胞分析或情境分析，或两者均执行。在一些自动筛选系统中，处理器使用诊断信息来描绘每个试样中的正常和异常或 可疑生物材料。也就是，处理器将细胞学技术人员的注意力集中到最相关的细胞上，其中可 能放弃其余细胞而不再进行检查。在这种情况下，筛选装置使用诊断信息以确定最相关的 生物学对象以及它们在载玻片上的位置。将该位置信息提供给检查显微镜，其自动行进到 鉴别的位置并集中生物对象以供细胞学技术人员检查。然后，细胞学技术人员可以对最相 关的生物学对象(例如，具有与恶性肿瘤细胞或恶性肿瘤前期细胞一致的属性的对象)进 行电子标记以供病理学家进一步检查。例如，在一种自动系统中，根据图像数据鉴别出对象或“所感兴趣对象”(001)。对 象或001可以是试样的单个细胞或细胞簇的形式。该系统可以被配置成对鉴别的区域或对 象进行排序(分级，rank)，例如，根据某些细胞或对象具有异常状态(如恶性肿瘤或恶性肿 瘤前期)的风险程度。例如，处理器可以评价对象的细胞核积分或平均光密度，并根据它们 的光密度值对对象进行排序。这些对象连同它们的相对排序和坐标可以储存以用于后续的 处理、检查或分析。美国专利公开No. 2004/0254738A1中描述了处理图像数据和001的已 知成像系统和方法的其他方面。总的来说，由于技术人员的注意力集中在那些可疑载玻片或每个载玻片中数量有 限的更相关对象上，因此自动筛选系统的使用是有效的。然而，可以对自动筛选系统进行改 进。例如，为了降低假阳性或“假异常”结果的几率，可以改进其中自动系统处理人工假象 (artifact)的方式。可以认为人工假象是没有诊断价值的对象。造成假阳性的一个原因是 人工假象的存在，其可以大量存在于试样样品中并以模拟异常试样的大块深色对象的形式存在。人工假象可以在包含正常细胞的对象的排序之上。例如，与异常核相比，通常正常核的DNA含量更低或结构更少。如果排序靠前的对 象中不存在人工假象，则正常载玻片中的大多数细胞的DNA含量分布紧密。然而，模拟异常 细胞的大量人工假象的排序在大多数正常细胞之前，因此这些人工假象在数据建模中产生 了假警报。这些人工假象可能会阻碍对真实细胞的排序以及真实细胞正确地出现在具有 “高”DNA含量的细胞表中。因此，不是选择应该进行检查的细胞，自动系统可能会错误地相 信人工假象为异常细胞并选择排序在异常核之前的人工假象。这导致选择较少数量的真正 具有细胞的对象以及选择较少数量的认为需要细胞学技术人员进行检查的异常对象，因而 潜在地造成准确性降低的和不准确的分析和诊断。假阳性的发生有时是由自动成像仪有限的能力或配置所造成的。也就是，自 动成像仪可能受提供给它们的试样和数据的限制或受它们程序设计的限制。例如， 出于计算的原因，成像仪通常使用单色、黑白图像进行分析。已知单色系统的实例可 购 自 BectonDickinsonCompany(1 Becton Drive, Franklin Lakes， New Jersey)禾口 CytycCorporation (250 Campus Drive，Marlborough，Massachusetts)。然而，i式样可會邑会 提供可以用于表征或对样品进行分类的大范围的光谱数据和其他信息。然而，当使用单色 成像和分析系统时，无法获得这种其它数据。

发明内容
一个实施方式涉及一种对试样载体上的生物试样进行分类以确定该试样是否需 要进一步分析的方法。该方法包括获取该试样中对象的图像并在这些图像中鉴别所感兴趣 的对象。该方法还包括在多个不同波长下获取所鉴别出的感兴趣对象的另外的图像，从这 些另外的图像中提取所鉴别出的所感兴趣对象的细胞特征，并根据基于所提取的细胞特征 的概率模型对试样进行分类以确定试样是否需要进一步分析。另一个实施方式涉及一种用于自动对试样载体上携带的生物试样进行分类以确 定该试样是否需要进一步分析的方法。该方法包括获取该试样中对象的图像并从所获取的 图像中鉴别出所感兴趣的对象。该方法还包括在多个不同波长下获取所鉴别的感兴趣对象 的另外的图像，从这些另外的图像中提取所鉴别出的感兴趣对象的核相关特征并根据基于 所提取的核相关特征的概率模型对试样进行分类。该概率模型包括第一和第二概率函数。 第一概率函数表示所鉴别出的感兴趣对象为人工假象的概率，而第二概率函数部分地基于 第一概率函数的结果。使用第一和第二概率函数的组合来对试样进行分类以及确定该试样 是否需要进一步分析。另一个实施方式涉及一种利用多个波长的光来处理生物试样的方法，并且包括获 取生物试样中对象的图像以及从所获取的图像中鉴别感兴趣的对象。该方法还包括在多个 不同波长下获取所鉴别的感兴趣对象的另外的图像，并从这些另外的图像中提取所鉴别出 的感兴趣对象的细胞特征。另一个实施方式涉及一种利用多个波长的光对生物试样进行分类的方法，并且包 括获取生物试样中对象的图像并在所获取图像中鉴别所感兴趣的对象。该方法还包括在多 个不同波长下获取该生物试样中所感兴趣对象的另外的图像，从所获取的图像中提取所感 兴趣对象的细胞特征并根据所提取细胞特征对生物试样进行分类。
另一个实施方式涉及一种利用多个波长的光对生物试样进行分类的方法，并且包 括在多个不同波长下获取生物试样中感兴趣对象的图像，从所获取的图像中提取所感兴趣 对象的细胞特征并根据所提取的细胞特征对该生物试样进行分类。根据另一个实施方式，一种用于对试样载体所携带的生物试样进行分类以确定该生物试样是否需要进一步分析的生物筛选系统，包括成像组件和可操作地与该成像组件连 接的处理器。成像组件被设置成获取生物试样中对象的数字图像数据，而处理器被设置成 处理和鉴别这些数字图像数据中的感兴趣对象。该成像组件还被设置成用于在多个不同波 长下获取所鉴别的感兴趣对象的另外的图像。该处理器还被设置成用于从这些另外的图像 中提取所鉴别出的感兴趣对象的细胞特征，并根据基于所提取的细胞特征载体的概率模型 对生物试样进行分类以确定该生物试样是否需要进一步分析。根据另一个实施方式，一种用于对试样载体所携带的生物试样进行分类以确定生 物试样是否需要进一步分析的生物筛选系统，包括成像组件和可操作地与该成像组件连接 的处理器。该成像组件被设置成获取该生物试样中对象的图像，并且该处理器被设置成处 理和鉴别所获取图像中感兴趣的对象。该成像组件还被设置成用于在多个不同波长下获得 所鉴别的感兴趣对象的另外的图像。该处理器还被设置成用于从在不同波长下获取的另外 的图像中提取所鉴别的感兴趣对象的核相关特征，并根据基于所检测的细胞特征的概率模 型对生物试样进行分类。该概率模型包括第一和第二概率函数。第一概率函数表示所选对 象为人工假象的概率，而第二概率函数部分地基于第一概率函数的结果。使用第一和第二 概率函数的组合以对生物试样进行分类以及确定该生物试样是否需要进一步分析。另一替代实施方式涉及一种生物试样的分类系统，其包括成像组件和可操作地与 该成像组件连接的处理器。该成像组件被设置成用于在多个不同波长下获取生物试样中感 兴趣对象的图像，而该处理器被设置成用于从所获取的图像中提取细胞相关特征并根据所 提取的细胞相关特征对生物试样进行分类。在一个或多个实施方式中，所提取或检测的细胞特征为核相关特征，例如，核内光 密度的标准偏差、核内光密度的变化，核的校正光密度以及核的边界形状。在一个或多个实施方式中，用于分类的概率模型包括两个概率函数，例如，后验概 率函数(posterior probability function)。一种概率函数表示生物试样中所鉴别的感兴 趣对象为人工假象的平均概率，而另一个概率函数部分地基于第一概率函数的结果。两个 概率函数均可以基于所提取的核相关特征的不同数量和类型。例如，第一概率函数可以基 于核的结构、核内光密度的标准偏差、核内光密度的变化、核的校正光密度以及核的边界形 状中的一个或多个或全部，而第二概率函数可以基于第一概率函数的结果，以及所鉴别的 感兴趣对象的细胞核图像的像素的一种或多种平均灰度值对比度和所鉴别的感兴趣对象 的细胞核图像的像素的灰度值对比度范围。第一和第二概率函数的结果可以绘图或用图形 表示以对生物试样进行分类从而确定试样是否需要进一步检查或一组试样中那些试样需 要进一步检查。


参考附图，其中全文中相同的参考数字代表对应的部分(部件)，并且其中图1是根据一个实施方式，一种用于对生物试样载玻片进行分类并确定这些载玻片是否应进行分析或检查的系统的方框图；
图2是生物试样载玻片的平面图； 图3是根据一个实施方式，一种使用多个波长的光并根据概率模型对生物试样载 玻片进行分类的系统的方框图；图4是根据一个实施方式，一种使用多个波长的光并根据概率模型对生物试样载 玻片进行分类的方法的流程图；图5总体示出了包括细胞和人工假象的生物试样对象的一部分；图6示出了一种在多个实施方式中使用的包括多个概率函数的概率模型；图7是总体示出在多个实施方式中使用以确定对象为人工假象的概率的第一概 率函数的流程图，该第一概率函数；图8是根据另一个实施方式的第一概率函数的流程图；图9是总体示出在多个实施方式中使用以确定生物试样为正常的概率的第二概 率函数的流程图；图10是根据另一个实施方式的第二概率函数的流程图；图11总体示出了通过第一和第二概率函数所产生的数据如何可以绘制在图中；图12示出了在图11所示的图中绘制的表示正常和异常载玻片的试验数据点；图13是示出了在图12所反映的试验过程中所鉴别出的对象的表；图14示出了一种替代生物试样分析系统，其中可以执行实施方式并且其包括成 像站、服务器和检查站；和图15示出了一种替代生物试样分析系统，其中可以执行实施方式并且其包括集 成的成像和检查功能。
具体实施例方式参考图1和2，根据实施方式的多波长生物试样筛选系统100和方法获取由载玻片 110或其他适合载体所携带的生物试样(例如细胞试样)112的图像，鉴别对象，例如感兴趣 的对象(001)，然后在多个不同波长下获取所选对象或001(通常称为“001”)的图像。从 多个光谱图像中确定、提取或检测与细胞特征有关的数据(例如001的细胞核相关特征)。 为了便于解释说明，参考提取001细胞的特征。该数据可以用于分类目的或其他应用。根据一个实施方式，筛选系统100被设置或编程为根据概率模型120将生物试样 112分为“正常”或“可疑”，其利用从在多个波长下获取的001图像中提取的核特征数据。 例如，如图1所示，如果要处理1000个生物试样载玻片110，则试样分类系统100的实施方 式可以使用多个波长并根据概率模型120自动对载玻片110进行分类，从而将某些载玻片 (例如载玻片1-300和700-1000)划分为正常载玻片130，而将其他载玻片(例如载玻片 301-699)划分为可疑载玻片140。当然，正常和可疑载玻片130、140的数目和分组提供用 于解释的目的。因此，在图1的情况下，“正常” 130试样或载玻片是不需要细胞学技术人员 进一步检查或分析的试样112或载玻片110。总的来说，如果载玻片110具有非癌或非癌前 试样112，则将其划分为正常130。“可疑” 140试样或载玻片是潜在异常或异常的，并可以 包括癌症或癌前细胞。图1中示出了作为实施方式的最终决定或结果的“正常” 130或“可疑” 140分类，即试样112或载玻片110是否需要进一步分析或检查。然后，细胞学技术人员可以将他或她的注意力集中于可疑载玻片140而非正常载玻片130。以这种方式，采用多个波长获得了 与试样载玻片110有关的有价值信息，并且这种信息用于对试样112进行分类，同时降低了 由人工假象所造成的假阳性的频率，因而对需要进一步检查的载玻片110的划分和选择更 准确和有效。根据一个实施方式，多波长生物筛选系统100被设置成处理一系列显微镜载玻 片110，该载玻片110具有生物学或细胞学试样112，如细胞学子宫颈或阴道试样(如 在巴氏涂片上通常发现的)。在这种情况下，细胞可以反映异常、恶性肿瘤或前期癌 (premalignancy)，如鳞状上皮内低度病变(LGSIL)或鳞状上皮内高度病变(HGSIL)，以及 所有其他的细胞学种类(例如，感染、细胞溶解)。通常将试样112作为薄细胞层放置在载 玻片110上。优选地，将盖玻片(未示出)粘附到试样112上，以此将试样112在载玻片 110上固定就位。可以用任何适合的染色剂如ThinPrep 核染剂对试样112染色。使用多个波长，实施方式还可以用于对其他类型的生物试样112进行表征或分为 “正常” 130或“可疑” 140，所述其他类型的生物试样112包括血液、尿液、精液、乳汁、痰液、 粘液、胸膜液、骨盆液、关节液、腹水、体腔清洗液、眼部刷下物、皮肤刮下物、口腔拭子、阴道 拭子、巴氏涂片、直肠拭子(rectal swab)、吸出物、穿刺活检、通过例如手术或尸体解剖获 得的组织切片、血浆、血清、脊髓液、淋巴液、以及皮肤、呼吸道、肠道和泌尿生殖道的外分泌 物、泪液、唾液、肿瘤、器官、微生物培养物、病毒和体外细胞培养组分的样品。本说明书提及 细胞的子宫颈或阴道试样112(如在巴氏试验涂片上)以说明可以执行实施方式的一种方 式，应理解这些实施方式可以应用于各种类型的组织和细胞。参考图3-15，描述了系统和方 法实施方式的其他方面。参考图3，在一个实施方式中，一种用于对生物试样载玻片110进行分类或表征的 生物试样筛选系统300包括照相机或其他成像组件310、显微镜320、提供穿过生物试样载 玻片110和显微镜320到达照相机310的光的光源330、支撑生物试样载玻片110的机动化 载物台340、图像处理器350和相关的内存或存储装置360 (通常称作内存360)。内存360 可以是图像处理器350的一部分或为单独的组件。图像处理器350和/或内存360可以存储或访问概率模型120，该概率模型120用 于将生物试样112划分为“正常” 130或“可疑” 140。概率模型120可以为硬件、软件或其 组合。例如，概率模型120可以是存储在内存360中并由图像处理器350结合通过图像处 理器350所获取的试样数据执行的一系列编程指令和/或数据的形式。还可以由单独的处 理器或控制器的一部分来执行概率模型120。照相机310可以是多种已知数字照相机中的一种，而光源330可以包括单光源或 多个单个光源，如图3所示。图3示出了三个光源330a-c(通常称作光源330)以总体举 例说明系统300可以包含多个光源330。应理解，为了实现下文详细内容中讨论的期望的 001多波长分析，可以根据需要使用各种数目的光源330，并且提供图3以总体图解说明系 统300可以包括多个光源330。根据一个实施方式，筛选和分类系统300包括多个光源330，每个光源发射不同波 长的光332。用于这个目的的合适光源330可以是发光二极管(LED)。在另一个实施方式 中，光源330可以与一个或多个其他光学组件(如一个或多个棱镜(未示出)和/或一个或多个滤光器334)配对，从而使穿过滤光器334的光332具有所需的波长或波长范围。可 以为实施方式所利用的滤光器的实例包括二向色滤光片、干涉滤光片、滤光盘。可以调节或 选择滤光器334以改变光332的波长，向显微镜320和照相机310提供该光用于使试样112 的部分成像。还可以利用液晶可调滤光器。美国专利2004/0253616A1中描述了适合的系 统300组件的其他方面。参考图4，在根据一个实施方式的方法400中，光332从光源330发出，穿过载物台 340和显微镜320并达到照相机310，该照相机在步骤405中获取生物试样112的数字图像。 更具体地，将具有细胞试样112的载玻片110安装在机动载物台340上，该载物台相对于显 微镜320的检查区域移动或扫描载玻片110，而照相机310利用光源330发射的光332捕捉 整个生物试样112或其部分的图像。例如，根据其光学透射性，可以将照相机310所获取的 每幅图像的每个像素转化为8位值(0至255)，其中“00000000”是穿过该像素的光量最低 时的指定值，而“111111111”是穿过该像素的光量最高时的指定值。优选地，照相机310的 快门速度相对较快，从而可以使扫描速度和/或所拍摄的图像数目最大化。可以将载玻片 110所携带的生物试样112放置在盒(未示出)中，在这种情况下，从各个盒中取出载玻片 110，并对其进行数字成像，然后按顺序将其放回盒中。在步骤410，为了鉴别最相关或排序最高的对象(另外称为感兴趣对象(001))，向 图像处理器350提供所采集的图像或图像数据，该处理器350对该图像或图像数据312执 行多种操作。例如，图像处理器350可以鉴别出约20或40个对象或看似最相关的其他适 合数目的对象。出于该目的，图像处理器350可以执行如美国专利2004/0253616中所述的 初级和二级分割，并检测、确定或提取每个单个对象或成簇对象的各种特征，然后根据这些 特征的测量值计算每个对象的对象得分。基于这一得分，图像处理器350可以鉴别或选择 认为是感兴趣对象(001)的对象和成簇对象(clusteredobjects)，其位置可以存储在内存 中以备日后参考。参考图5，尽管图像处理器350尝试鉴别出001 (图5中示出了它的一部分)，其包 含包括细胞质502和细胞核504的细胞500，但所选001可能是人工假象510。人工假象 510的选择可以导致不包括应被鉴别为为001并进行分析的其他包含细胞的对象。出于将 试样112划分为正常130或可疑140的目的，实施方式有利地确定001为人工假象510的 可能性。实施方式利用这一信息来改善对生物试样112的检查并可能会用包含细胞的对象 代替人工假象510，例如，用包含细胞500并且不是人工假象的次最高排序对象代替。更具体地，再参考图4，在步骤415，已成像并鉴别的多个001形成初始试样图像， 系统300继续进行以使用如上参考图3所述的独立光源300或一个或多个滤光器334在多 个不同波长下获取001的其他图像。根据一个实施方式，可在约3至约30个不同波长例 如，在19个不同波长对每个001进行成像。根据一个实施方式，用于对001成像的波长范 围可以为约410nm至约720nm，例如，约440nm至约720nm。在步骤420，图像处理器350对 001的多波长数字图像执行多种操作以从多波长001图像中检测、确定或提取各种核相关 特征。美国专利公开No. 202006/0245630A1中提供了有关在不同波长下获取001的另外的 图像并从这些图像中提取特征的细节。在步骤425，根据利用从多波长001图像中提取的核 相关特征的概率模型120将生物试样112划分或表征为正常130或可疑140。参考图6，根据一个实施方式，根据利用多个概率函数(例如，多个后验概率函数)的概率模型600对生物试样112进行划分或表征。根据一个实施方式，概率模型600可以用于表示OOI为人工假象510的可能性以及生物试样112为正常130的可能性。然后，该 数据的组合用于将试样112划分为正常130或可疑140。在图6所示出的实施方式中，概率模型600包括两种不同的概率函数610和620， 根据一个实施方式，它们可以是后验概率函数。概率函数610和620均利用核相关特征612 和622。根据一个实施方式，如图6总体所示，概率函数610和620利用了不同的核相关特 征 612 和 622。在所示的实施方式中，第二概率函数620使用了核相关特征622以及第一概率函 数610的结果。也就是说，第一概率函数610是基于核相关特征612并独立于第二概率函 数620，然而第二概率函数620则利用了核相关特征622和第一概率函数610。图7和8进 一步示出了根据实施方式的第一概率函数610，而图9和10进一步示出了根据实施方式的 第二概率函数620。参考图7，根据一个实施方式，使用概率模型对生物试样112进行分类或表征的方 法700包括用于确定所选001为人工假象510而不是细胞500的概率或可能性的第一概率 函数610。通过确定排序靠前的对象或001为人工假象510而不是细胞500的可能概率，可 以确定在排序靠前的对象中出现人工假象510的百分比。根据一个实施方式的方法700包括使用在多个不同波长下获得的001图像，来提 取或检测每个001的核相关特征612。与从单灰度水平或单色图像中提取的特征相比，对从 多波长图像中提取的核相关特征的检测提供有关001中的细胞的更加深入的信息。在一个 实施方式中，这涉及检测或确定核相关特征612，涉及例如基于在多个波长下拍摄的001图 像的核结构、光密度和形状。结构是指与相邻像素相比的给定像素的数值。光密度是光吸 收的量度。例如，在多波长图像中光密度的变化提供了用于确定001为人工假象510的可 能性的大量信息。形状是指核轮廓的不规则性。还可能存在可以从单波长图像中提取某些 特征的情况，而其他特征则可以从多波长图像中提取。例如，可以从单波长图像(例如，在 约570nm)中提取结构的特征，并可以从多波长图像(例如，在约520nm和630nm)中提取光 密度特征。在步骤710，使用提取的特征检测612以确定001为人工假象510的可能性。对每 个001执行这种测量。因此，步骤710的结果是概率值的集合，每个001与特定概率值(例 如，分数或百分数)有关。然后，在步骤715，通过计算步骤710所获得的概率值的平均值 以确定平均概率。例如，如果第一 001为人工假象510的概率为0. 4，第二 001为人工假象 510的概率为0. 8，而第三001为人工假象510的概率为0. 5，那么001 (或其他对象)为人 工假象(或另外称为“ΑΡΑ”)的平均概率为(0.8+0. 4+0. 5)/3，或大约为0.57。步骤715的 结果是对于给定试样112的001由的人工假象510多于真实细胞500构成的平均概率。参考图8，根据一个实施方式，一种用于确定APA的方法800包括对每个001检测 多个核相关特征612。在一个实施方式中，这涉及检测或确定核相关特征612，其包括基于 在多个波长下得到的001图像的核结构、光密度和形状。例如，在一个实施方式中，这包括 在步骤805检测、确定或提取每个001的核结构，在步骤810检测、确定或提取核内光密度 的标准偏差，在步骤815检测、确定或提取核内光密度的变化，在步骤820检测、确定或提取 核的修正光密度，在步骤825检测、确定或提取核的边界形状。在步骤830，通过这一数据计算所选OOI为人工假象510的可能性的第一概率，例如第一后验概率。在步骤835，基于步 骤825上所确定的单个概率值，确定所选001为人工假象510的可能性的平均概率。在所示的实施方式中，方法800包括5个核相关特征612。在另一个实施方式中， 方法800可以包括不同数目的核相关特征612，例如，小于5个核相关特征612，或多于5个 核相关特征612。而且，还可以利用不同于在步骤805-825中所述的5个细胞核相关特征的 不同核相关特征612。因此，提供图8以说明第一概率函数610的一个实例。 参考图9，一种确定生物试样112为正常130的可能性的方法900包括在步骤905 确定所选001为人工假象150的平均概率(例如，使用参考图7和8所讨论的ΑΡΑ)，然后在 步骤910确定核相关特征622。在步骤915，基于平均概率(步骤905)和所检测的核相关 特征(步骤910)的组合，确定生物试样112为正常130的概率。在步骤920，接着使用由第 一和第二概率函数所产生的数据组合将生物试样112划分为正常130或可疑140。图10示出了了一种用于确定生物试样112为正常130的可能性的方法1000的实 施方式，并且包括在步骤1005确定所选001为人工假象510的可能性的APA或平均概率， 并确定与核图像的像素灰度值有关的核相关特征622。这可以包括在步骤1010确定核内的 平均灰度值对比度，并在步骤1015确定核内的灰度值对比度的范围。通过这一数据，在步 骤1020，基于第一概率函数610 (APA)和所确定的灰度值对比度数据(步骤1010和1015)， 确定生物试样112为正常130的概率。然后，使用由第一和第二概率函数所产生的数据组 合将生物试样112划分为正常130或可疑140。参考图11，出于将试样112划分为正常130或可疑140的目的，可以将由第一概率 函数610产生的数据和由第二可能函数620产生的数据在适合的坐标图1100中绘图。在 所示的实施方式中，坐标图1100是包括χ和y轴的二维图。y轴1102表示第一概率函数 610，即对象为人工假象或“ΑΡΑ”的平均概率。坐标图1100的χ轴1104表示第二概率函数 620，即生物试样为正常130试样的可能性。因此，用小数或百分数值(例如，20%、60% ) 表示χ和y轴1102和1104的值。因此，第一概率函数610涉及确认边界线正常130试样 或载玻片最可能是由人工假象所造成的，而第二概率函数620用于确认边界线正常130情 况(具有高人工假象数)可以划分为正常130并安全地进行分类，从而不需要对它们进行 进一步检查或分析。图12示出了在图11所示的坐标图1100中布满了在使用第一和第二概率函数610 和620所进行的测试中产生的数据，其中第一和第二概率函数彼此相对绘图。图12中的每 个测试数据点表示具有生物试样112的载玻片110。通过鉴别001产生了数据点。图13中 的图表1300总结了所鉴别出的不同类型的001。该图表中的第一列1301指出对象的类型， 而第二列1302指出了特定类型对象的数目，包括鉴别为对象(通过分组1310进行鉴别的) 的不同类型的人工假象510。对于这一特定测试，在从约440-720nm的19个不同波长下获取了 001的图像。然 后使用多个波长图像分析了 10种不同的核相关特征，并产生了 190种不同的核相关特征。 结合第一概率函数610，利用了包括形状、光密度和结构的核相关特征612，结合第二概率 函数620，利用了包括形状、光密度和结构的核相关特征622。可以根据不同标准选择特征。在这一特定实例中，特征的选择是基于使用例如皮 尔逊积差相关(Pearson Product-Momentcorrelations)将特征值与预先指定的组进行相关。该实例中的预先指定的组为“细胞”和“人工假象”，并计算了细胞和人工假象对它们 所选特征的协方差矩阵。计算了测试对象之间与组平均值的马哈拉诺比斯(Mahalanobis) 距离，而当测试对象与组平均值的距离最小时该测试对象属于该类别。使用每个对象属于 “人工假象”类别的可能性的后验概率计算第一概率函数，或对象为“人工假象”的平均概率 (“ΑΡΑ”)。 如图12所示，坐标图1100中绘出了表示各个载玻片110的所得数据点。通过线 1201和1204将坐标图1100分成四部分1211、1212、1213和1214。用第一概率函数610的 值定义水平线1202，而用第二概率函数620的值定义垂直线1204。图1100包括表示299 个试样载玻片110的数据点。用“X” 1220表示正确划分为正常130的正常载玻片或试样 130，用“圈” 1221表示未划分为正常130而是划分为可疑140的正常载玻片或试样130， 用“封闭的X” 1222表示划分为正常130的异常或可疑的载玻片或试样140，而用“封闭的 圈”(1223)表示划分为正常130的异常或可疑的载玻片或试样140。因此，基于实施方式， 在所示的实例中，细胞学技术人员将检查对应于数据点1220的试样，而不用检查对应于数 据点1221、1222和1223的试样。更具体地，在299个试样载玻片100中，225个载玻片包含可疑或异常140的试样， 而剩余的74个载玻片包含正常130的试样。基于第一和第二概率函数610和620，对实施 方式进行试验以确定74个正常130试样载玻片中有多少个可以正确地划分为正常130。更具体地，由于如用第二概率函数620所确定的，χ轴1104表示试样112为正常 130的概率，因此可以将χ轴1104值足够高的试样载玻片110划分为正常。类似地，由于 人工假象510通常酷似异常细胞但并非异常细胞并因此可以划分为正常130，因此还可将y 轴的值1102足够高的载玻片110划分为正常130。因此，根据实施方式，基于沿χ轴1104 上具有足够高的χ轴1104或第一概率函数(APA)值和沿y轴1102上具有足够高的第二概 率函数(为正常的概率)值的相应数据点，可以有利地将载玻片110划分为正常130，从而 相应的数据点位于右上四分之一部分1211内。在所示的实施方式中，最可能为正常130的载玻片110是第一概率函数610或APA 值大于第一值1202 (例如大于约0. 3)、而第二概率函数620值大于第二值1204 (例如大于 约0. 4)的那些载玻片。对应于位于由通过点1202和1204延伸穿过χ和y轴的直线相交 所限定的右上四分之一部分1211中的这些数据点的试样载玻片110可以用于将相应的载 玻片划分为正常130 (由“X”1220表示)。因此，细胞学技术人员不需要检查或分析对应于 数据点1220 ( “X”)的载玻片，并且实施方式有利地避免对这些载玻片的进一步检查。在所示的实例中，74个正常130载玻片中有37个被正确地划分为正常130(用 “X” 1220表示)。剩下37个正常130载玻片(用“圈” 1221表示)中的大多数最初并未 被划分为正常130而是由于χ轴1104值较低或第二概率函数620值较低而被划分为可疑 140，从而使相应的数据点落在左上四分之一部分1212。将对应于数据点1221 (圈)的载玻 片划分为可疑140，并因此被鉴别为需要细胞学技术人员进一步检查和分析。因此，实施方 式有利地从需要细胞学技术人员考虑的载玻片池中消除了约50%的正常130载玻片(用 "X" 1220表示)和约12%的全部载玻片。在所示的实例中，在右上四分之一部分1211中有一个异常试样(用封闭的 “圈” 1223表示)被不正确地划分为正常130。因此，由于被划分为正常130，细胞学技术人员将不会检查该异常试样1223。然而，在鉴别为正常130的约47个载玻片中，只用一个异常载玻片(用封闭的“圈” 1223表示)被不正确地划分为正常130。认为，这一低出错率优 于细胞学技术人员人工检查过程中所达到的出错率。因此，尽管可能会出现将少数应划分 为可疑140的异常140载玻片划分为正常130的情况，但相信该出错率将会相当低并且该 类错误将可以是与鉴别出约50%的正常130载玻片以减轻细胞学技术人员的负担和将细 胞学技术人员的注意力集中到更相关的可疑或异常载玻片140能力之间的一种可接受的 权衡。剩余三个四分之一部分(左上1212，左下1213和右下1214四分之一部分)中的 数据点表示起初未划分为正常(用“圈” 1221表示)的正常130试样和正确划分为“异常” 或“不正常”(用封闭的“X” 1222表示)的异常试样140。成像处理器350可以处理这一 数据以产生有关细胞学技术人员是否应检查特定载玻片110或鉴别出哪些载玻片110需要 细胞学技术人员检查的指示(例如，通过产生载玻片110的列表，其中由于列表中的载玻片 110未占据右上四分之一部分1211并且起初使用第一和第二概率函数610和620时未被划 分为正常130，因此应检查该类载玻片110)。尽管参考图3中所示成像系统的实例说明了实施方式，但是可以使用其他成像系 统配置，并且可以使用执行实施方式的成像系统，或可将其与其他系统组件关联或连接，如 图3中总体所示的。例如，参考图14，可以执行实施方式的其他系统包括成像仪1410 (例 如，如图3所示或另一合适的成像仪)；服务器1420，其包括图像处理器350、内存360和概 率模型120以及其他相关组件，如FOI处理器1422和路由处理器1424 ；和检查站1430，其 包括独立的显微镜1432和机动载物台1434。美国专利公开No. 2004/0253616A1中提供了 图14中所示的系统配置的其他方面。另外，可以在单独或独立的成像系统中执行实施方 式，例如，如图14中所示，或在包含成像和检查功能的集成系统1500中执行，如购自Cytyc 公司的I2成像/检查系统，如图15中大致所示。另外，可以利用实施方式处理并分析不同于细胞学子宫颈或阴道试样的各种类型 的试样，该细胞学子宫颈或阴道试样作为如何执行实施方式的实例提供。而且，实施方式可 以包括由各种试样载体(包括载玻片或样品瓶)所负载或携带的试样。另外，应理解这些 实施方式可以应用于划分不同类型的试样并可以用于其它目的。这些实施方式还可以涉及基于从以多个波长数和多种核相关特征所获取的图像 中获取的数据的第一和第二概率函数610和620 (例如，后验概率函数)。使用各种光学组 件或它们的组合可以产生多个波长的光。而且，不同数目的核相关特征可以用于使用第一 和第二概率函数来确定数值的目的。相应地，提供了利用五种核相关特征的第一概率函数 和利用第一概率函数和两种核相关特征的第二概率函数来说明如何执行实施方式的实例， 并且其他实施方式可以包括使用不同类型和数目的核相关特征。另外，概率模型可以包括 上述概率模型的变形。而且，这些实施方式可以具体表现为用于生物试样分类系统的计算机程序产品并 且体现出全部或部分本文上述的功能性。这样的执行可以包含一系列计算机可读指令，其 存储在有形媒体中，如计算机可读媒体，例如软盘、CD-ROM、ROM或硬盘，或可通过调制解调 器或其他接口装置传输给计算机系统。
权利要求
一种用于对试样载体上的生物试样进行分类以确定所述试样是否需要进一步分析的方法，所述方法包括获取所述试样中的对象的图像；在所述图像中鉴别出感兴趣对象；在多个不同波长下获取所述鉴别的感兴趣对象的另外的图像；从所述另外的图像中提取所述鉴别的感兴趣对象的细胞特征；和根据基于所述提取的细胞特征的概率模型，对所述试样进行分类以确定所述试样是否需要进一步分析。
2.根据权利要求1或2所述的方法，其中，在三个以上的不同波长下获取所述鉴别的感 兴趣对象的所述另外的图像。
3.根据权利要求1所述的方法，所述提取的细胞特征是核相关特征。
4.根据权利要求3所述的方法，所述核相关特征包括所述核的结构、所述核内的光密 度的标准偏差、所述核内的光密度的变化、所述核的校正光密度和所述核的边界的形状。
5.根据权利要求1至4中任一项所述的方法，所述概率模型包括第一概率函数和第二 概率函数，所述第一和第二概率函数的结果被用来对所述试样进行分类并确定所述试样是 否需要进一步分析。
6.根据权利要求5所述的方法，所述第一概率函数表示试样中鉴别的感兴趣对象为人 工假象的平均概率，而所述第二概率函数部分地基于所述第一概率函数的结果。
7.根据权利要求5所述的方法，所述提取的细胞特征是核相关特征，而所述第一概率 函数基于所提取的核相关特征，包括以下中的一种或多种核的结构，核内的光密度的标准偏差， 核内的光密度的变化， 核的校正光密度，和 核的边界的形状。
8.根据权利要求7所述的方法，所述第二概率函数基于核相关特征，包括 所鉴别的感兴趣对象的细胞核的图像像素的灰度值对比度的平均值，和 所鉴别的感兴趣对象的细胞核的图像像素的灰度值对比度的范围。
9.根据权利要求5所述的方法，所述第一和第二概率函数包括第一和第二后验概率函数。
10.根据权利要求5所述的方法，进一步包括形成所述第一概率函数的结果相对于所述第二概率函数的结果的图示，根据所述图示 对所述试样进行分类。
11.一种用于对试样载体上所携带的生物试样进行分类以确定所述生物试样是否需要 进一步分析的生物筛选系统，所述系统包括成像组件，被设置成用于获取所述生物试样中的对象的数字图像数据； 处理器，被设置成用于处理和鉴别所述数字图像数据中的感兴趣对象， 所述成像组件被进一步设置成用于在多个不同波长下获取所述鉴别的感兴趣对象的 另外的图像，所述处理器被进一步设置成用于从所述另外的图像中提取所述鉴别的感兴趣对象的 细胞特征，并根据基于所提取的细胞特征载体的概率模型对所述生物试样进行分类以确定 所述生物试样是否需要进一步分析。
12.根据权利要求11所述的系统，所述成像组件被设置成用于在三个以上的不同波长 下获取所鉴别的感兴趣对象的另外的图像。
13.根据权利要求11或12所述的系统，所述提取的细胞特征是核相关特征。
14.根据权利要求11所述的系统，所述概率模型包括第一概率函数和第二概率函数， 所述第一和第二概率函数的结果被用来对所述试样进行分类并确定所述试样是否需要进 一步分析。
15.根据权利要求14所述的系统，所述第一概率函数表示试样中所鉴别的感兴趣对象 为人工假象的平均概率，而所述第二概率函数部分地基于所述第一概率函数的结果。
全文摘要
本发明提供了用于处理由试样载玻片携带的一个或多个生物试样的方法和系统。获取试样中对象的图像并在所获取的图像中鉴别出感兴趣的对象。可以在多个波长下获取鉴别的感兴趣对象的另外的图像。感兴趣对象的细胞特征从这些图像提取并且可以基于利用所提取特征的概率模型用于将试样进行分类，例如为正常或可疑/异常。
文档编号G06K9/00GK101809589SQ200880108630
公开日2010年8月18日 申请日期2008年9月12日 优先权日2007年9月28日
发明者凯西·缪, 戴维·J·扎赫尼塞尔, 詹姆斯·林德, 霍华德·考夫曼, 黄锦莲 申请人:西泰克公司