基于图像的风险分数-来自数字组织病理学的存活率和结果的预后预估的利记博彩app
【专利摘要】本发明涉及一种基于图像的计算机辅助预后(CAP)系统和方法，其旨在复制组织病理学和病理过程(包括，但不限于癌症)中分子化验的预后能力。仅使用组织载片样本、用于数字载片扫描的机构和计算机，本发明涉及一种基于图像的CAP系统和方法，其旨在克服与预后分子化验(例如Oncotype DX)相关联的很多缺点，包括与化验相关联的高成本、具有专用设备的实验室设施有限以及活检和预后预测之间的持续时间。
【专利说明】基于图像的风险分数-来自数字组织病理学的存活率和结 果的预后预估
[0001] 本申请是2010年2月2日提交的申请号为201080012959. 7、名称为"基于图像的 风险分数-来自数字组织病理学的存活率和结果的预后预估"的分案申请。
[0002] 相关申请的交叉引用
[0003] 本申请要求享有2009年2月2日提交的美国临时专利申请No. 61/149158的优先 权，在此通过引用将其公开内容全文并入。
【技术领域】
[0004] 本发明涉及一种计算机辅助预后（CAP)系统和方法，其采用定量导出的图像信息 预测病理过程、疾病结果和患者存活率。尽管数字病理学已经使得可针对计算机辅助诊断 (CAD)修改组织标本以检测疾病，但本发明的CAP系统和方法预测疾病结果和患者存活率。
【背景技术】
[0005] 当前识别很多疾病状态的黄金标准是对所涉及器官的固定组织切片的微观组织 学进行主观目视判释。这种情况的范例包括癌症以及很多炎症性和退行性疾病的诊断。在 过去十年间，化验基因组信息的能力越来越强，导致利用基因表达和/或基因组变化的诊 断性、预后模式对各种病理过程的分类得到改进。本发明详细描述了用于分析组织病理学 成像的自动的计算机化系统和方法，其将产生定量和可再现的度量，即基于影像的风险分 数，用于预测疾病结果和患者存活率。下面是本发明的两个具体实施例，其使用乳腺癌作为 模型疾病状态，其中经良好验证的基于基因表达的分类器带来了显著的临床影响。
[0006] 乳腺癌（BC)是女性与癌症相关的死亡的主要原因之一，2009年在美国估计年发 生人数为192000 (来源：美国癌症协会）。
[0007] 本发明的一个实施例涉及BC的子集，包括未扩散到淋巴结且具有雌激素受体蛋 白（LN-，ER+BC)过表达的癌细胞。尽管LN-、ER+BC的病例是利用化学治疗和辅助激素治 疗的组合来处理的，但具体的预后和治疗常常是由Oncotype DX基因表达化验决定的[1]。 Oncotype DX基因表达化验生成介于0-100之间的再发生分数（RS)，其与远期再发生的可 能性和化学治疗的预期益处正相关[1]。
[0008] 组织病理学中BC细胞核的人工检测是一个乏味且耗时的过程，在临床环境中是 不可行的。细胞划分的早先方法-阈值化[2]、分群[3]和活动轮廓模型[4]_对于BC细胞 核高度可变的形状和大小，以及组织学固定、染色和数字化过程中的伪影不是非常鲁棒。
[0009] 此前的工作[1]已经表明，Oncotype DX RS与BC等级相关。癌症等级反映了组 织的架构布置并与存活率相关（高等级意味着结果差）。病理学家常常对BC研究的等级意 见不一。随着近来出现了数字病理学，研究人员开始探索BC组织病理学的自动图像分析。 Wolberg等人[6]使用来自人工分割的BC细胞核的核特征来区分良性和恶性图像。Bilgin 等人[7]研究了使用谱系图对BC组织病理架构建模。Hall等人使用纹理特征[8]检查免 疫组织化学染色中的变化。
[0010] 本发明的第二实施例涉及侵入性BC的子集，其包括淋巴细胞浸润（LI)的存在并 表现出HER2基因（HER2+BC)的放大。当前利用特异地以HER2蛋白质为目标的药剂治疗 大部分HER2+BC。研究人员证明，组织病理中存在LI是各种癌症（包括HER2+BC)的存在 的预后标志[13]_[15]。LI作为BC中潜在抗癌机制的功能首先是由Aaltomaa等人展示的
[14]。新近以来，Alexe等人[15]论证了高水平LI的存在和早期HER2+BC中肿瘤再发生 之间的相关性。病理学家不会例行报告LI的存在，尤其是在HER2+BC中。这种情况的可能 原因是，病理学家当前缺少自动图像分析工具来准确地、有效率地和可再现地量化BC组织 病理中LI的存在和程度。
[0011] 尽管一些研究人员[9]、[16]-[21]最近开始开发用于分析数字化BC组织病理的 计算机辅助诊断（CADx)系统和方法，但他们大多关注于发现可疑研究区（ROI)或曾试图从 人工隔离的ROI确定癌症等级。用于两种应用的方法使用基于图像的特征在2个类别之间 进行区分：正常和良性区域或低等级和高等级R0I。具体而言，已经有人展示了利用癌症 细胞核的尺寸和形状来区分低等级和高等级组织结构图像[16]、[9]。也采用了纹理特征 和滤波器库[16]-[19]、[21]以对BC组织病理的表型外观建模。
[0012] 尽管若干研究人员已经开发出在数字化组织病理学中检测细胞核的算法[18]、
[23] - [29]，但一直未试图自动检测或量化BC组织病理上的LI程度。一些流行的自动核检 测方法基于自适应阈值[18]、[23]和模糊C-均值（c-means)分群[25]、[27]。这些技术 依赖于染色差异来区分细胞核和周围组织。不过，由于BC和淋巴细胞细胞核之间外观的相 似性，它们不适于LI检测的任务（图4(a))。诸如活动轮廓线的技术[24]、[28]、[29]利 用梯度（边缘）信息以自动隔离组织学图像中的细胞核。不过，这些方法可能在其处理BC 细胞核外观的变化（图4(b)、（C))和图像采集伪影（图4(e)、（f))的能力方面受限。一些 研究人员开发了混合技术以便改善核检测和分割结果。例如，Glotsos等人[28]使用的支 持矢量机（Support Vector Machine)分群改善活动轮廓模型的初始化。新近以来，半自动 概率模型使用逐个像素的强度信息以在数字化BC组织病理中检测癌症[26]和淋巴细胞细 胞核[30]。不过，概率模型通常受到专家注释的训练数据可用性的限制。
[0013] 不过，仅仅检测淋巴细胞不能完全刻画出异常LI表型的特征，因为基线水平的淋 巴细胞存在于所有组织中。Gunduz等人[20]研究了自动化癌症诊断，利用谱系图对组织架 构建模，由此将图定义为一组顶点（细胞核），对应的边缘连接所有细胞核。
【发明内容】
[0014] 本发明涉及一种基于图像的计算机辅助预后（CAP)系统，其从数字化的组织病理 学图像预测疾病结果和患者存活率。本发明详细描述了用于分析组织病理学影像的自动计 算机化系统和方法，其将产生定量和可再现的度量，即基于图像的风险分数，用于预测疾病 结果和患者存活率。
[0015] 本发明涉及一种基于图像的计算机辅助预后（CAP)系统和方法，其旨在复制组织 病理学和病理过程（包括，但不限于癌症）中分子化验的预后能力。
[0016] 在本发明的实施例中，开发了一种基于图像的计算机辅助预后（CAP)系统和方 法，其旨在复制癌症组织病理学中分子化验的预后能力。本发明的系统和方法涉及，首先通 过期望值最大化驱动算法来半自动地检测BC细胞核。利用核质心，构造两个图形（德洛内 (Delaunay)三角剖分和最小生成树），从每幅图像提取共12个特征。一种非线性维数缩减 系统和方法，即，图形嵌入，将从图像导出的特征投射到低维空间中，支持矢量机在缩减的 维度空间中对BC图像分类。仅使用组织载片样本、用于数字载片扫描的机构和计算机，本 发明基于图像的CAP系统和方法旨在克服与Oncotype DX相关联的很多缺点，包括与化验 相关联的高成本；具有专用设备的实验室设施有限以及活检和预后预测之间的持续时间。 [0017] 本发明涉及关键方法贡献以及使用若干现有技术的机器学习系统和方法，包括， 但不限于：自动检测BC细胞核的鲁棒、有效方法；描述BC细胞核架构布置并因此定量描述 癌症等级的图像特征；以及使用非线性维数缩减对低维表达中的底层生物学数据结构分类 和可视化。
[0018] 本发明的目的是提供一种基于期望值最大化（EM)算法的半自动核检测系统和方 法。
[0019] 根据以上目的，本发明导出架构特征以表征BC细胞核的布置并因此俘获BC等级。
[0020] 在本发明的实施例中，公开了一种计算机化系统和方法以在数字化HER2+BC组织 病理学中自动检测LI的程度并对其评定等级。首先通过区域生长和马尔可夫（Markov)随 机场算法的组合自动检测淋巴细胞。使用独立检测的淋巴细胞的中心作为顶点，构造三个 图形（沃罗诺伊图（Voronoi Diagram),德洛内三角剖分和最小生成树），并从每个样本提 取总共50个描述淋巴细胞布置的图像导出的特征。然后使用非线性维数缩减系统和方法、 图形嵌入将高维特征矢量投射到缩减的3D嵌入空间中。使用支持矢量机分类器区分维度 缩减的嵌入空间中具有1?和低LI的样本。
[0021] 本发明的实施例涉及基于图像的风险分数预估（predictor)方法，用于测量癌 症程度，以利用数字化组织病理学来评估癌症患者的疾病结果，该方法包括：i.利用高分 辨率整体载片扫描器将染色的组织病理学载片扫描到计算机中；ii.利用基于期望值最大 化的算法检测癌症细胞核；iii.利用独立检测的癌症细胞核的中心作为顶点构造德洛内 三角剖分和最小生成树图；iv.从每幅图像提取描述癌症细胞核布置的图像导出的特征； V.经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间；vi.将3D嵌入展 开到ID尺度中以定义针对不良、中等和良好结果的基于图像的风险分数；vii.确定基于图 像的再发生分数，以通过揭示ID线上样本的等级标签以及它们的相对位置来在低、中和高 癌症分数之间进行区分，以预测预后。
[0022] 本发明的实施例涉及基于图像的风险分数预估方法，用于测量病理过程的程度， 以利用数字化组织病理学来评估患者的疾病结果，该方法包括：i.利用高分辨率整体载片 扫描器将染色的组织病理学载片扫描到计算机中；ii.利用基于期望值最大化的算法来检 测病理细胞核；iii.利用独立检测的病理细胞核的中心作为顶点构造德洛内三角剖分和 最小生成树图；iv.从每幅图像提取描述病理细胞核的布置的图像导出的特征；V.经由图 形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间；vi.将3D嵌入展开到ID尺 度中以定义对于不良、中等和良好结果的基于图像的风险分数；vii.确定基于图像的再发 生分数，以通过揭示ID线上样本的等级标签以及它们的相对位置来在低、中和高癌症分数 之间进行区分，以预测预后。
[0023] 本发明的实施例涉及基于图像的风险分数预估方法，用于测量癌症程度，以利用 数字化的组织病理学评估节点阴性、雌激素受体阳性乳腺癌患者的疾病结果，该方法包括： i.利用高分辨率整体载片扫描器将染色的组织病理学载片扫描到计算机中；ii.利用基 于期望值最大化的算法检测癌症细胞核；iii.利用独立检测的癌症细胞核的中心作为顶 点构造德洛内三角剖分和最小生成树图；iv.从每幅图像提取描述癌症细胞核的布置的图 像导出的特征；V.经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间； vi. 将3D嵌入展开到ID尺度中以定义针对不良、中等和良好结果的基于图像的风险分数； vii. 确定基于图像的再发生分数，通过揭示ID线上样本的等级标签以及它们的相对位置 来在低、中和高癌症分数之间进行区分，以预测预后。
[0024] 本发明的实施例涉及用于测量淋巴细胞浸润的程度的方法，以评估表达人类上 皮生长因子受体2 (HER2)的乳腺癌患者的疾病结果，包括：i.利用高分辨率整体载片扫描 器将染色的组织病理学载片扫描到计算机中；ii.利用区域生长和马尔可夫随机场算法的 组合来检测淋巴细胞核；iii.利用独立检测的淋巴细胞核的中心作为顶点构造沃罗诺伊 图、德洛内三角剖分和最小生成树图；iv.从每幅图像提取描述淋巴细胞核的布置的图像 导出的特征；V.经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间。
【专利附图】
【附图说明】
[0025] 图I (a)示出了 LN-、ER+BC组织病理学图像。图I (b)示出了对应的BC细胞核的 基于EM的分割。图1(b)中的分割被平滑化成图1(c)以帮助检测独立的细胞核。图1(d) 示出了用于特征提取的最终检测的核质心（黑点）。
[0026] 图2 (a)和图2 (d)示出了低等级和高等级LN_、ER+BC样本。图2 (b)和图2 (e)示 出了德洛内三角剖分。图2(c)和图2(f)示出了叠加的最小生成树图。
[0027] 图3示出了架构特征的图形嵌入描记图，示出了图3不同部分的清晰分离。图3(a) 示出了 BC等级。图3(b)示出了 RS标签。嵌入被投射到ID线中，其中图3(c)示出了 BC 等级，图3 (d)示出了由单一分数定义的RS。
[0028] 图4(a)示出了癌细胞核和淋巴细胞核之间外观的相似性。通常，淋巴细胞核与癌 细胞核的区别是它们的尺寸更小、更加圆形和更暗，均一染色。额外的挑战包括图4(b)中 外观的变化，图4(c)示出了单一组织病理学载片之内的BC细胞核，图4(d)示出了癌组织 之间存在脂肪，图4(e)示出了组织学固定，图4(f)示出了载片数字化伪影。
[0029] 图5示出了图示说明用于HER2+BC组织病理学的基于LI的分层的CADx系统和方 法中的4个主要步骤的流程图。自动化淋巴细胞检测之后为架构和形态特征的特征提取。 然后经由图形嵌入将高维度特征空间非线性嵌入维度缩减的空间中，其允许经由SVM分类 器进行数据可视化和后续的评估。
[0030] 图6示出了图示说明自动淋巴细胞检测系统和方法中的主要步骤的流程图。
[0031] 图7示出了图示说明区域r的迭代生长的示意图。在当前区域Sai、当前边界S ra 和划界框Sbb的初始化（如图7(a)所示）之后，迭代地增加新像素（如图7(b)所示）。在 向S ra增加新像素（以白色勾勒出）时，根据图7(c)所示对应调节边界Sffl和SIB。
[0032] 图8 (a)和图8 (e)示出了两种不同HER2+BC组织病理学研究的亮度信道。图8 (b) 和图8(f)示出了对应的基于初始区域生长的淋巴细胞检测。图8(c)和图8(g)示出了初 步贝叶斯细化，示出了检测到的BC核（亮圆）和检测到的淋巴细胞核（暗圆）。图8(d)和 图8(h)示出了 MRF修剪步骤之后最终的淋巴细胞检测结果。
[0033] 图9示出了从经验训练数据估计并经由伽马分布的加权和建模的概率密度函数 (PDF)，其中，图9(a)、图9(c)为类而图9(b)，图9(d)为类，并且对于每个r G R， 图9(a)、图9(b)为区域平方根，图9(c)、图9(d)为亮度变化。在图9(a)_(d)中所示的每 种分布中，都叠加了估计的参数模型。
[0034] 图10示出了两种不同的HER2+乳腺癌组织病理学图像，图10 (a)的LI水平高，图 10(b)的LI水平低。图10((b)和图10(f))示出了利用自动检测的淋巴细胞中心作为图形 顶点构造的对应沃罗诺伊图。图l〇((c)、（g))和10((d)、（h))中分别示出了对应的德洛内 三角剖分和最小生成树图。图10(e)为对应于图10(a)的经处理的图。
[0035] 图11示出了全部41幅BC组织病理学图像中自动和人工检测的淋巴细胞核之间 部分、定向的豪斯道夫距离虚线表示自动淋巴细胞检测系统和方法的误差中 值。
[0036] 图12示出了 3重交叉确认的100次试验中的平均（ii 分类精确度，是针对经 图形嵌入获得的不同维数（2,3，…，10)示出的。误差条线代表分类精确度的标准偏差 (0 ACC)。
[0037] 图13示出了针对从图13(a)人工和图13(b)自动淋巴细胞检测导出的架构特征 集在图形嵌入减少的3维本征空间中绘示的所有41幅图像。示出了 Varma-Zisserman特征 的嵌入，对于图13 (C)K = 3,对于图13(d) K = 5。标签表示肿瘤学专家确定的低LI(圆）、 中LI (正方形）和高LI (三角形）的样本。注意，具有架构特征的GE揭示了底层流形结构 的存在，示出了具有低、中和高水平LI的BC样本的平滑连续体。
【具体实施方式】
[0038] 可以使用能够再现地且定量地表征组织架构的图像分析系统来预测患者的结果。
[0039] 本发明涉及基于图像的计算机辅助预后（CAP)系统和方法，其旨在复制组织病理 学和病理过程（包括，但不限于癌症）中分子化验的预后能力。
[0040] 本发明涉及关键方法贡献以及使用若干现有技术的机器学习系统和方法，其包 括，但不限于：自动检测BC细胞核的鲁棒、有效方法；描述组织学结构的架构布置的图像特 征；以及使用非线性维数缩减对低维表达中的底层生物学数据结构分类和可视化。
[0041] 本发明涉及一种基于期望值最大化（EM)算法的半自动核检测系统和方法。本 发明涉及一种基于期望值最大化（EM)算法的半自动核检测系统和方法。可以在如下文 献中找到关于期望值最大化算法的更多信息：Fatakdawala，H.，Basavanhally，A. Xu, J.， Ganesan, S. , Feldman, M. , Tomaszewski, J. , Madabhushi, A. , Expectation Maximization driven Geodesic Active Contour with Overlap Resolution(EMaGACOR) !Application to Lymphocyte Segmentation on Breast Cancer Histopathology, IEEE Trans, on Biomedical Engineering, 2010(印刷中）",在此通过引用将其并入本文。
[0042] 在本发明中，导出架构特征以表征包括但不限于乳腺癌细胞核的癌症细胞核的布 置。在Doyle等人的文献[9]中，利用BC细胞核作为顶点构造不同的图形，并使用从这些 图形导出的定量特征对BC等级成功进行分层。在本发明中，采用图形嵌入（GE)(-种非参 数型非线性维数缩减[9])从每个BC组织标本向缩减的3D空间投射图像导出的特征，接下 来，向下投射到ID线。采用支持矢量机（SVM)分类器[10]评估架构特征相对于缩减的3D 空间中BC等级的可区分性。进一步将图像数据投射到ID线允许我们定义针对不良、中等 和良好结果的基于图像的风险分数，类似于Oncotype DX RS。这种基于图像的风险分数预 测因子可能会取代Oncotype DX来预测BC结果和存活率。
[0043] 在本发明的一个实施例中，公开了一种计算机化系统和方法以在数字化HER2+BC 组织病理学中自动检测LI程度并对其评定等级。首先通过区域生长和马尔可夫随机场算 法的组合来自动检测淋巴细胞。使用独立检测的淋巴细胞的中心作为顶点，构造三个图形 (沃罗诺伊图，德洛内三角剖分和最小生成树），并从每个样本提取描述淋巴细胞布置的总 共50个图像导出的特征。然后使用非线性维数缩减系统和方法，图形嵌入，将高维特征矢 量投射到缩减的3D嵌入空间中。使用支持矢量机分类器区分维度缩减的嵌入空间中具有 高和低LI的样本。
[0044] 本发明的一个实施例涉及基于图像的风险分数预估方法，用于测量癌症程度，以 利用数字化组织病理学来评估癌症患者的疾病结果，该方法包括：i.利用高分辨率整体载 片扫描器将染色的组织病理学载片扫描到计算机中；ii.利用基于期望值最大化的算法检 测癌症细胞核；iii.利用独立检测的癌症细胞核的中心作为顶点构造德洛内三角剖分和 最小生成树图；iv.从每幅图像提取描述癌症细胞核布置的图像导出的特征；V.经由图形 嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间；vi.将3D嵌入展开到ID尺度 中以定义针对不良、中等和良好结果的基于图像的风险分数；vii.确定基于图像的再发生 分数，以通过揭示ID线上样本的等级标签以及它们的相对位置来在低、中和高癌症等级之 间进行区分，以预测预后。
[0045] 本发明的一个实施例涉及基于图像的风险分数预估方法，用于测量病理过程的程 度，以利用数字化组织病理学来评估患者的疾病结果，该方法包括：i.利用高分辨率整体 载片扫描器将染色的组织病理学载片扫描到计算机中；ii.利用基于期望值最大化的算法 检测病理细胞核；ii i.利用独立检测的病理细胞核的中心作为顶点构造德洛内三角剖分 和最小生成树图；iv.从每幅图像提取描述病理细胞核布置的图像导出的特征；V.经由图 形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间；vi.将3D嵌入展开到ID尺 度中以定义针对不良、中等和良好结果的基于图像的风险分数；vii.确定基于图像的再发 生分数，以通过揭示ID线上样本的等级标签以及它们的相对位置来在低、中和高癌症分数 之间进行区分，以预测预后。
[0046] 本发明的一个实施例涉及基于图像的风险分数预估方法，用于测量癌症程度，以 利用数字化组织病理学来评估节点阴性、雌激素受体阳性乳腺癌患者的疾病结果，该方法 包括：i.利用高分辨率整体载片扫描器将染色的组织病理学载片扫描到计算机中；ii.利 用基于期望值最大化的算法检测癌症细胞核；iii.利用独立检测的癌症细胞核的中心作 为顶点构造德洛内三角剖分和最小生成树图；iv.从每幅图像提取描述癌症细胞核的布置 的图像导出的特征；V.经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空 间；vi.将3D嵌入展开到ID尺度中以定义针对不良、中等和良好结果的基于图像的风险分 数；vii.确定基于图像的再发生分数，以通过揭示ID线上样本的等级标签以及它们的相对 位置来在低、中和高癌症分数之间进行区分，以预测预后。
[0047] 本发明的实施例涉及用于测量淋巴细胞浸润的程度的方法，以评估表达人类上皮 生长因子受体2 (HER2)的乳腺癌患者的疾病结果，该方法包括：i.利用高分辨率整体载片 扫描器将染色的组织病理学载片扫描到计算机中；ii.利用区域生长和马尔可夫随机场算 法的组合来检测淋巴细胞核；iii.利用独立检测的淋巴细胞核的中心作为顶点构造沃罗 诺伊图、德洛内三角剖分和最小生成树图；iv.从每幅图像提取描述淋巴细胞核的布置的 图像导出的特征；V.经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间。
【具体实施方式】 [0048]
[0049] 示范性实施例1 :
[0050] 使用基于EM的高斯混合自动检测细胞核
[0051] 本发明涉及一种基于图像的计算机辅助预后（CAP)系统和方法，其旨在复制BC组 织病理学中分子化验的预后能力，仅使用组织载片样本、用于数字载片扫描的机构和计算 机，我们基于图像的CAP系统和方法旨在克服与Oncotype DX相关联的很多缺点，包括与化 验相关联的高成本；具有专用设备的实验室设施有限；以及活检和预后预测之间的时间长 度。
[0052] 数据集
[0053] 从一群17位患者收集总共37幅苏木精和曙红（H&E)染色的乳房组织病理学图 像并利用高分辨率整体载片扫描器以20倍光学放大率扫描到计算机中。对于所有方法而 言，我们定义》幅图像的数据集Z= (G, G, 其中图像C= (C，g)是像素c G C 的2D集合，而f是相关联的强度函数。每个C都与架构特征集合F(C)、Oncotype DX RS Lks(C) G {1,2,100}以及 BC 等级 Lgk(C) G {LG，MG，HG}相关联，其中 LG、MG 和 HG 分别代 表低、中和高等级癌症。还基于它们的RS对37个样本分类，其中Lks被分入良好（RS〈22)、 中等（23〈RS彡30)和不良（31〈RS〈100)预后类别。
[0054] 癌细胞核基于EM的分割
[0055] 为了分割BC细胞核，将每幅图像C模型化为K = 5个分量的高斯混合，其中K = {1，2，...，K}。优化模型参数集yHiU Gitc, p。V4,包括迭代i次的均值1^，协方 差〇 K和先验概率Pk。通过所有c G C上的RGB值的K平均分群，将该混合初始化到Y °。 期望值步骤计算后验概率
[0056]
【权利要求】
1. 一种基于图像的风险分数预估方法，用于利用数字化组织病理学来测量癌症程度， 以评估癌症患者的疾病结果，该方法包括：
1. 利用高分辨率整体载片扫描器将染色的组织病理学载片扫描到计算机中； ii. 利用基于期望值最大化的算法检测癌症细胞核； iii. 利用独立检测的癌症细胞核的中心作为顶点构造德洛内三角剖分和最小生成树 图； iv. 从每幅图像提取描述所述癌症细胞核的布置的图像导出的特征； v. 经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间中； vi. 将3D嵌入展开到1D尺度中以定义针对不良、中等和良好结果的基于图像的风险分 数； vii. 确定基于图像的再发生分数，以通过揭示1D线上样本的等级标签以及它们的相 对位置来在低、中和高癌症等级之间进行区分，从而预测预后。
2. -种基于图像的风险分数预估方法，用于利用数字化组织病理学来测量病理过程的 程度，以评估患者的疾病结果，该方法包括： i. 利用高分辨率整体载片扫描器将染色的组织病理学载片扫描到计算机中； ii. 利用基于期望值最大化的算法来检测病理细胞核； iii. 利用独立检测的病理细胞核的中心作为顶点构造德洛内三角剖分和最小生成树 图； iv. 从每幅图像提取描述所述病理细胞核的布置的图像导出的特征； v. 经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间中； vi. 将3D嵌入展开到1D尺度中以定义针对不良、中等和良好结果的基于图像的风险分 数； vii. 确定基于图像的再发生分数，以通过揭示1D线上样本的等级标签以及它们的相 对位置来在低、中和高癌症等级之间进行区分，从而预测预后。
3. -种基于图像的风险分数预估方法，用于利用数字化组织病理学来测量癌症程度， 以评估节点阴性、雌激素受体阳性的乳腺癌患者的疾病结果，该方法包括： i. 利用高分辨率整体载片扫描器将染色的组织病理学载片扫描到计算机中； ii. 利用基于期望值最大化的算法检测癌症细胞核； iii. 利用独立检测的癌症细胞核的中心作为顶点构造德洛内三角剖分和最小生成树 图； iv. 从每幅图像提取描述所述癌症细胞核的布置的图像导出的特征； v. 经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间中； vi. 将3D嵌入展开到1D尺度中以定义针对不良、中等和良好结果的基于图像的风险分 数； vii. 确定基于图像的再发生分数，以通过揭示1D线上样本的等级标签以及它们的相 对位置来在低、中和高癌症分数之间进行区分，从而预测预后。
4. 一种用于测量淋巴细胞浸润的程度以评估表达人类上皮生长因子受体2 (HER2)的 乳腺癌患者的疾病结果的方法，该方法包括： i.利用高分辨率整体载片扫描器将染色的组织病理学载片扫描到计算机中； ii. 利用区域生长和马尔可夫随机场算法的组合来检测淋巴细胞核； iii. 利用独立检测的淋巴细胞核的中心作为顶点构造沃罗诺伊图、德洛内三角剖分和 最小生成树； iv. 从每幅图像提取描述淋巴细胞核的布置的图像导出的特征； V.经由图形嵌入将高维图像导出的特征矢量投射到缩减的3D嵌入空间中。
【文档编号】G06F17/50GK104376147SQ201410558768
【公开日】2015年2月25日 申请日期:2010年2月2日 优先权日:2009年2月2日
【发明者】A·马达布什, A·巴萨万哈利, S·加内桑 申请人:罗格斯新泽西州立大学