способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы
Классы МПК: | A61B6/03 томографы с применением вычислительной техники A61B8/13 томография |
Автор(ы): | Полоз Татьяна Львовна (RU), Тарков Михаил Сергеевич (RU), Полоз Вадим Викторович (RU), Шкурупий Вячеслав Алексеевич (RU) |
Патентообладатель(и): | Государственное учреждение Научный центр клинической и экспериментальной медицины Сибирского отделения Российской академии медицинских наук (ГУ НЦКЭМ СО РАМН) (RU), Общество с ограниченной ответственностью "Микромед" (ООО "Микромед") (RU) |
Приоритеты: |
подача заявки:
2007-05-08 публикация патента:
27.04.2009 |
Изобретение относится к медицине, в частности к онкологии, и может быть использовано для дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы. Способ обеспечивает повышение объективности диагностики и устранение ее зависимости от недостаточной квалификации специалиста. Проводят забор материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции и/или соскоба с разреза ткани опухоли; приготавливают мазки опухоли для цитологического анализа; получают цифровые изображения мазков опухоли с помощью системы анализа изображения, состоящей из микроскопа проходящего света, цифровой видеокамеры, компьютера и программы анализа изображений; анализируют цифровые изображения с помощью двухслойной компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы на основе эталонных изображений мазков с гистологически установленным диагнозом. При этом исходные цифровые изображения мазков опухолей получают при увеличении под микроскопом в 400 раз с разрешением 1388×1040 пикселей, уменьшают исходные изображения до размера 256×256 пикселей, соответствующих диапазону пространственных частот 1-128 в относительных единицах, с помощью компьютерной программы, включающей предобработчик, на основе анализа спектра Фурье исходных изображений автоматически формируют преобразованные изображения в диапазоне пространственных частот 96-128 относительных единиц, которые используют для дальнейшего анализа, каждому эталонному изображению обучающей выборки ставят в соответствие нейрон первого слоя; в пространстве преобразованных изображений нейроны первого слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса (типа опухоли), к которому отнесено эталонное изображение; среди нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью единственного нейрона второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком в группах «победителей», и на основе сравнения суммы с пороговой величиной определяют класс тестируемого изображения, соответствующий фолликулярной аденоме или фолликулярному раку щитовидной железы. 1 табл.
Формула изобретения
Способ дифференциальной диагностики фолликулярного рака и фолликулярной аденомы щитовидной железы, включающий забор материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции и/или соскоба с разреза ткани опухоли, удаленной во время операции; приготовление мазков опухоли, их окраска для цитологического анализа; получение цифровых изображений мазков опухоли с помощью системы анализа изображения, состоящей из микроскопа проходящего света, цифровой видеокамеры, компьютера и программы анализа изображений; анализ цифровых изображений мазков опухоли с помощью двухслойной компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы на основе эталонных изображений мазков с гистологически установленным диагнозом, отличающийся тем, что исходные цифровые изображения мазков опухолей получают при увеличении под микроскопом в 400 раз с разрешением 1388×1040 пикселей, уменьшают исходные изображения до размера 256×256 пикселей, соответствующих диапазону пространственных частот 1-128 в относительных единицах, с помощью компьютерной программы, включающей предобработчик, на основе анализа спектра Фурье исходных изображений автоматически формируют преобразованные изображения в диапазоне пространственных частот 96-128 относительных единиц, которые используют для дальнейшего анализа, каждому эталонному изображению обучающей выборки ставят в соответствие нейрон первого слоя; в пространстве преобразованных изображений нейроны первого слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса (типа опухоли), к которому отнесено эталонное изображение; среди нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью единственного нейрона второго слоя суммируют обратные величины евклидовых расстояний, взятых с соответствующим знаком в группах «победителей», и на основе сравнения суммы с пороговой величиной определяют класс тестируемого изображения, соответствующий фолликулярной аденоме или фолликулярному раку щитовидной железы.
Описание изобретения к патенту
Изобретение относится к медицине, в частности к онкологии, и может быть использовано для дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы.
Известен способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы, включающий забор материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции и/или соскоба с разреза ткани опухоли, удаленной во время операции; приготовление мазков опухоли, их окраска для цитологического анализа; исследование клеток с помощью системы анализа изображения, состоящей из микроскопа проходящего света, цветной видеокамеры, компьютера и программы компьютерной кариоцитометрии, проводят оценку значений 13 групп качественных цитологических признаков, включающих 32 признака: наличие нормального или плотного фолликулярного коллоида или его отсутствие, преобладающие структуры (фолликулы, пласты, разрозненные клетки), виды фолликулов (однотипные, выраженный размерный полиморфизм, шаровидные, атипичные), граница цитоплазмы (четкая, нечеткая), локализация вакуолей в клетках (по периферии, около ядра), форма ядра (округлая, овальная), контур ядра (ровный, неровный), полиморфизм ядер (выражен слабо, значительный), наслоение ядер, наличие «голых» ядер (ядра клеток, полностью утративших цитоплазму), структура хроматина (равномерная, неравномерная, мелкозернистая, крупнозернистая), наличие внутриядерных включений, вакуолей в ядре (да, нет), количество ядрышек (одиночные, множественные), их положение (центральное, эксцентрическое); определение по каждому качественному цитологическому признаку суммарной частоты его встречаемости в мазках и при превышении пороговой величины, установленной для каждого признака путем экспертных оценок, присвоение ему финального значения 1, в остальных случаях - 0; анализ значений признаков пациента с помощью компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы на выборке качественных цитологических признаков мазков пациентов с гистологически установленным диагнозом, заключение о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы (1). Недостатком известного способа является его трудоемкость и субъективность при оценке качественных цитологических признаков.
Известен способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы, включающий забор материала путем аспирационной тонкоигольной пункции щитовидной железы пациента и/или соскоба с разреза ткани опухоли щитовидной железы, удаленной во время операции; приготовление мазков опухоли, их стандартная окраска (например, по Романовскому-Гимза) для цитологического анализа; исследование 100-150 клеток в трех и более мазках пациента с помощью системы анализа изображения, состоящей из микроскопа проходящего света (например, «AxioStar+» фирмы Carl Zeiss), цветной видеокамеры (например, «JVC»), компьютера (например, Pentium IV IBM) и программы компьютерной кариоцитометрии (например, Axio-Vision 3.1); оценка трех качественных цитологических признаков: наличие атипичных фолликулов, наслоение ядер клеток, наличие неравномерной структуры хроматина; определение по каждому качественному цитологическому признаку суммарной частоты его встречаемости в мазках и при превышении пороговой величины, установленной для каждого признака путем экспертных оценок (как правило, в пределах 50-70%), присвоение ему финального значения 1, в остальных случаях - 0; дополнительная оценка четырех количественных цитологических признаков: площадь ядра клетки, оптическая плотность ядра клетки по шкале градаций серого; оценка доли величин площади ядра клетки, находящихся в интервале между средней величиной плюс два средних квадратичных отклонения и максимальной величиной [MS +2CKO, МахS]; оценка доли величин оптической плотности ядра клетки по серой шкале, находящихся в интервале между средней величиной плюс два средних квадратичных отклонения и максимальной величиной [МОП+2CKO, MaxОП]; анализ значений качественных и количественных признаков пациента с помощью двухслойной сигмоидальной компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы по заданной совокупности качественных и количественных признаков мазков пациентов с гистологически установленным диагнозом; заключение о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы (2).
Недостатком известного способа является субъективность диагностики, обусловленная зависимостью качества анализа от квалификации специалиста, непригодность используемой двухслойной сигмоидальной компьютерной программы типа «нейронные сети» для автоматизированного (без участия специалиста) анализа изображений после обучения программы на эталонных образцах с гистологически установленным диагнозом.
Задачей, на решение которой направлено изобретение, является повышение объективности диагностики, устранение зависимости ее качества от недостаточной квалификации специалиста, обеспечение автоматического режима диагностики без участия специалиста после предварительного обучения компьютерной программы по эталонным образцам с предварительно установленным высококвалифицированными специалистами гистологическим диагнозом.
Решение поставленной задачи достигается тем, что исходные цифровые изображения мазков опухолей получают при увеличении под микроскопом в 400 раз с разрешением 1388×1040 пикселей, соответствующих диапазону пространственных частот 1-128 в относительных единицах, уменьшают исходные изображения до размера 256×256 пикселей; проводят автоматическую диагностику опухолей по исходным изображениям окрашенных мазков с помощью компьютерной программы, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходных изображений наиболее существенные их признаки в диапазоне пространственных частот 96-128 условных единиц, позволяющие разделить эти изображения на два класса, соответствующие фолликулярной аденоме или фолликулярному раку; с помощью компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон первого слоя; в пространстве преобразованных изображений нейроны первого слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса (типа опухоли), к которому отнесено эталонное изображение; среди нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью единственного нейрона второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной определяют класс тестируемого изображения, соответствующий фолликулярной аденоме или фолликулярному раку щитовидной железы.
Диагноз устанавливается с точностью 95%.
Описание изобретения
Способ дифференциальной диагностики фолликулярного рака и фолликулярной аденомы щитовидной железы согласно заявленному изобретению включает следующие этапы.
1. Забор материала путем аспирационной тонкоигольной пункции щитовидной железы пациента и/или соскоба с разреза ткани опухоли щитовидной железы, удаленной во время операции.
2. Приготовление мазков опухоли, их стандартная окраска (например, по Романовскому-Гимза) для цитологического анализа.
3. Получение цифровых изображений мазков опухоли при суммарном увеличении изображения под микроскопом в 400 раз (произведение увеличения объектива на увеличение окуляра) с разрешением 1388×1040 пикселей с помощью системы анализа изображения, состоящей из микроскопа проходящего света (например, «AxioStar+» фирмы Carl Zeiss), цифровой видеокамеры (например, «Zeiss Axiocam HR», Germany), компьютера (например, Pentium IV IBM) и программы компьютерной кариоцитометрии (например, AxioVision 3.1 Carl Zeiss, Germany).
4. Уменьшение исходных цифровых изображений мазков опухоли до размера 256×256 пикселей (диапазон пространственных частот 1-128 в относительных единицах).
5. Для реализации способа используют двухслойную компьютерную программу, включающую предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходных изображений мазков опухоли их наиболее существенные признаки в диапазоне пространственных частот 96-128 условных единиц, позволяющие разделить исходные изображения на два класса, соответствующие фолликулярной аденоме или фолликулярному раку. На основе выделенных существенных признаков исходных изображений компьютерная программа формирует преобразованные изображения мазков опухоли. Каждому эталонному изображению обучающей выборки ставится в соответствие нейрон первого слоя, т.е. число нейронов первого слоя равно числу эталонных изображений. В пространстве преобразованных изображений нейроны первого слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса (два класса, соответствующие двум типам опухоли), к которому отнесено эталонное изображение. Например, эвклидовым расстояниям от эталонного изображения класса, соответствующего фолликулярной аденоме, до тестируемого изображения присваивается знак плюс, а от эталонного изображения класса, соответствующего фолликулярну раку до тестируемого изображения - знак минус. Среди нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого. С помощью единственного нейрона второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей», и на основе сравнения суммы с пороговой величиной определяют класс тестируемого изображения, соответствующий фолликулярной аденоме или фолликулярному раку щитовидной железы. Все указанные действия осуществляются с помощью компьютерной программы автоматически, без участия специалиста.
6. Предварительное обучение двухслойной компьютерной программы типа «нейронные сети» проводят в режимах, указанных в п.5, по не менее 30 эталонным изображениям мазков опухоли с гистологически установленным диагнозом (по 3 изображения на каждого из 10 пациентов с установленным гистологическим диагнозом). При этом в качестве тестируемых изображений мазков опухоли щитовидной железы используют эталонные образцы с заранее установленным диагнозом, но не вошедшие в обучающую выборку.
7. После обучения компьютерной программы диагностика тестируемых мазков опухоли пациентов проводится автоматически (см. пункт 5), что позволяет исключить субъективность в оценке и снизить трудоемкость способа. При необходимости объем обучающей выборки эталонных образцов может быть увеличен, что требует повторения процесса обучения компьютерной программы.
8. В качестве двухслойной компьютерной программы типа «нейронной сети», способной осуществить автоматическую диагностику тестируемых мазков опухоли пациентов согласно пункту 5, может быть применена программа «Нейрокласс» (3).
Примеры конкретного выполнения
Получено 115 интраоперационных соскоба с образцов новообразований у больных с фолликулярными опухолями (аденома и рак) щитовидной железы. Приготовлены мазки и окрашены по стандартной методике по Романовскому-Гимза для последующего цитологического анализа (окраска срезов гематоксилин-эозином).
С помощью системы анализа изображения, состоящей из светового микроскопа (AxioStar+, Carl Zeiss, Germany), цифровой видеокамеры (Zeiss Axiocam HR, Germany), совмещенных с компьютером (Pentium IV/2400 MHz computer, 512 Mb RAM, 160 Gb HDD), и программы анализа изображений (AxioVision 3.1, Carl Zeiss, Germany), получали изображения трех полей зрения мазков опухоли каждого пациента при увеличении изображения под микроскопом в 400 раз с разрешением 1388×1040 пикселей согласно заявленному изобретению.
Исходные изображения уменьшали до размера 256×256 пикселей (диапазон пространственных частот 1-128 в относительных единицах).
В качестве диагностирующей системы, разделяющей множество изображений на два класса («аденома» или «фолликулярный рак»), использовали компьютерную программу «Нейрокласс» (3), представляющую собой двухслойную нейронную сеть.
Для предварительного обучения компьютерной программы на распознавание фолликулярного рака и фолликулярной аденомы щитовидной железы ретроспективно были изучены стандартно окрашенные по Романовскому-Гимза цитологические мазки опухолей щитовидной железы 30 больных, полученные при интраоперационном соскобе во время хирургического вмешательства. Всем пациентам при гистологическом исследовании удаленной опухолевой ткани независимыми высококвалифицированными экспертами установлены диагнозы фолликулярной аденомы или фолликулярного рака, не вызывающие сомнения. Для обучения компьютерной программы использовали по три эталонных изображения 15 пациентов с фолликулярной аденомой и 15 пациентов с фолликулярным раком щитовидной железы согласно заявленному изобретению в диапазоне пространственных частот 96-128 условных единиц, дающем наилучшие для данного типа опухолей (с точки зрения правильного распознавания) результаты. Результаты классификации приведены в таблице 1.
С помощью обученной компьютерной программы «Нейрокласс» (3) провели анализ согласно заявленному способу изображений мазков опухоли 45 больных фолликулярной аденомой и 39 больных фолликулярным раком с установленным гистологическим диагнозом, не включенных в обучающую выборку. Программа «Нейрокласс» на основе сравнения с эталонными изображениями мазков опухоли контрольной группы пациентов, использованных для обучения, в 95% случаев выставила на выходе правильное заключение о диагнозе «фолликулярный рак» или «фолликулярная аденома» у пациентов опытной группы.
Использование эталонных изображений мазков опухоли с установленным гистологическим диагнозом позволяет объективизировать процесс цитологической диагностики в сложных диагностических случаях благодаря автоматической классификации изображений опухолей.
Таблица | ||
Результаты автоматической классификации фолликулярных опухолей (аденомы и рака) щитовидной железы | ||
| Класс изображения (вид опухоли) | |
| Фолликулярная аденома | Фолликулярный рак |
N + | 37 | 16 |
N - | 8 | 23 |
Достоверность классификации, % | 70 | 74 |
Доля правильно распознанных образцов, % | 92 | 95 |
Примечание: Т=0 - пороговая величина в относительных единицах; N+ - количество образцов, классифицированных как аденома, N- - количество образцов, классифицированных как рак. |
Нейрон второго слоя компьютерной программы определяет сумму S в группах «победителей» обратных величин эвклидовых расстояний от изображения эталонного образца каждого класса изображений (соответствующего виду опухоли) до тестируемого изображения, взятых с соответствующим знаком и сравнивает эту сумму с пороговым значением Т=0. При S>0 система диагностирует аденому, при S<0 система диагностирует фолликулярный рак.
Список литературы
1. Пупышева Т.Л., Демин А.В. Применение искусственных нейронных сетей в цитологической диагностике фолликулярных пролифератов щитовидной железы // Системный анализ и управление в биомедицинских системах. - 2003. - Т.2. - № 1. - С.38-42.
2. Полоз Т.Л., Шкурупий В.А., Полоз В.В., Демин А.В. Результаты количественного цитологического анализа строения фолликулярных опухолей щитовидной железы с помощью компьютерных и нейросетевых технологий // Вестник РАМН - 2006. - № 8. - С.7-10.
3. Программа для ЭВМ «Нейросетевой анализатор изображений» (Нейрокласс). Свидетельство об официальной регистрации программы для ЭВМ № 2006612844, дата регистрации 10.08.2006, авторы Полоз Т.Л., Тарков М.С.
Класс A61B6/03 томографы с применением вычислительной техники