[发明专利]用于辅助病理学家标识放大的组织图像中的肿瘤细胞的方法和系统

说明书

公开了一种用于在标识淋巴结组织中肿瘤细胞的存在方面辅助病理学家的方法、系统和机器。在第一放大率(例如40X)下的淋巴结组织的数字图像被细分成多个矩形“图块”。然后针对每个图块确定恶性肿瘤可能性得分。得分是通过使用被编程为深度神经网络模式识别器的集合的计算机系统分析来自图块的像素数据(例如，以图块为中心并包括图块的像素数据)而获得的，每个深度神经网络模式识别器在图块的不同放大率水平上操作。生成载玻片的表示或“热图”。根据(1)由深度神经网络模式识别器的集合的组合输出分配给图块的恶性肿瘤可能性得分，以及(2)将不同的颜色(或灰度值)分配给被分配给图块的恶性肿瘤可能性得分的不同值的代码，来给每个图块分配颜色或者灰度值。

技术领域

本公开总体上涉及数字病理学领域，并且更具体地，涉及用于在标识组织(例如是淋巴结组织，或者是从活检获得的乳腺或前列腺癌组织)的放大的数字图像中的肿瘤细胞(即癌症)的存在方面辅助病理学家的方法和系统。

背景技术

淋巴结转移的评估对包括乳腺癌在内的许多类型的实体瘤的分期至关重要。该过程需要高度熟练的病理学家，并且相当耗时且易于出错，尤其是对于癌症是阴性或具有较小的癌症病灶的淋巴结。目前的护理标准包括核查已利用苏木精和伊红(hematoxylin andeosin，H&E)染色的淋巴结活检的数字载玻片。然而，存在手动读取固有的几个局限性(包括读者疲劳、以及分级内和分级间的可靠性)，这些局限性都会对过程的敏感性产生负面影响。淋巴结活检载玻片的准确检查和评估是非常重要的，因为淋巴结组织中的肿瘤细胞的存在可以保证对癌症进行新的或更积极的治疗，并提高患者的生存机会。

现有技术包括将深度学习技术和经训练的神经网络适配于数字组织图像的场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，《深度学习作为用于提高组织病理学诊断准确度和效率的工具》，www.nature.com/scientificreports 6:26286(2016年5月)；D.王等人，《用于标识转移性乳腺癌的深度学习》，arXiv:1606.05718v1(2016年6月)；A.Madabhushi等人，《数字病理学中的图像分析和机器学习：挑战与机遇》，《医学图像分析》33p 170-175(2016)；A.Schuamberg等人，《H&E染色整体载玻片深度学习预测前列腺癌中的SPOP突变状态》，bioRxiv预印本http:/.bioRxiv.or/content/early/2016/07/17/064279。

发明内容

在一个方面中，描述了一种用于分析组织活检的方法。该方法包括以下步骤：(a)接收表示来自组织活检的组织的图像数据，该图像数据以第一放大率获得；(b)将图像数据细分成多个图块，每个图块包括表示来自组织活检的组织的相应部分的图像数据的一部分；以及(c)对于这些图块中的每一个，确定恶性肿瘤可能性得分，其中通过使用深度神经网络模式识别器的集合来处理图块，并组合深度神经网络模式识别器中的每一个的输出来获得得分，其中深度神经网络模式识别器的集合被布置为以包括第一放大率和第二放大率的多个放大率水平来处理图块。

在另外的方面中，公开了一种用于在标识从活检中获得的组织的放大的数字图像中的肿瘤细胞的存在方面辅助病理学家的方法。将组织固定在载玻片上，染色(例如，利用H&E)并通过数字载玻片扫描仪扫描。该方法包括以载玻片的第一放大率(例如40X)获得数字图像。然后，数字图像被分成多个“图块”。每个图块是来自数字图像的像素的二维阵列(例如，正方形或矩形)，例如，128×128或299×299像素。因此，每个图块是表示来自组织活检的组织的相应部分的图像数据的一部分。