CN1886089A - 生物样品的光谱成象 - Google Patents

生物样品的光谱成象 Download PDF

Info

Publication number
CN1886089A
CN1886089A CNA2004800345764A CN200480034576A CN1886089A CN 1886089 A CN1886089 A CN 1886089A CN A2004800345764 A CNA2004800345764 A CN A2004800345764A CN 200480034576 A CN200480034576 A CN 200480034576A CN 1886089 A CN1886089 A CN 1886089A
Authority
CN
China
Prior art keywords
spectrum
sample
composition
image
described method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2004800345764A
Other languages
English (en)
Other versions
CN1886089B (zh
Inventor
理查德·M·利文森
保罗·J·克罗宁
柯克·W·戈西奇
克利福德·C·霍伊特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cambridge Research and Instrumentation Inc
Original Assignee
Cambridge Research and Instrumentation Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cambridge Research and Instrumentation Inc filed Critical Cambridge Research and Instrumentation Inc
Publication of CN1886089A publication Critical patent/CN1886089A/zh
Application granted granted Critical
Publication of CN1886089B publication Critical patent/CN1886089B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483Physical analysis of biological material
    • G01N33/4833Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B82NANOTECHNOLOGY
    • B82YSPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y10/00Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B82NANOTECHNOLOGY
    • B82YSPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y5/00Nanobiotechnology or nanomedicine, e.g. protein engineering or drug delivery
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01JMEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28Investigating the spectrum
    • G01J3/30Measuring the intensity of spectral lines directly on the spectrum itself
    • G01J3/32Investigating bands of a spectrum in sequence by a single detector
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01JMEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28Investigating the spectrum
    • G01J3/44Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • G01J3/4406Fluorescence spectrometry
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01JMEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28Investigating the spectrum
    • G01J3/45Interferometric spectrometry
    • G01J3/453Interferometric spectrometry by correlation of the amplitudes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/255Details, e.g. use of specially adapted sources, lighting or optical systems
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64Fluorescence; Phosphorescence
    • G01N21/6486Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00Features of devices classified in G01N21/00
    • G01N2201/06Illumination; Optics
    • G01N2201/062LED's
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00Features of devices classified in G01N21/00
    • G01N2201/12Circuits of general importance; Signal processing
    • G01N2201/125Digital circuitry

Abstract

本发明特征在于一种方法,包括:(i)提供关于从包括深部组织的样品的不同空间位置响应于对样品的照明来的光线的光谱解析信息,其中该光线包括来自样品中的不同成分的贡献;(ii)对至少一些不同空间位置上的每一个分解该光谱解析信息为来自与至少样品中的一些成分有关的贡献;及(iii)基于该分解构建样品的深部组织的图象以优先示出一选定成分。

Description

生物样品的光谱成象
本申请要求2003年9月23日提交的题目为“SPECTRAL IMAGING OFDEEP TISSUE”的美国专利申请序号10/669101的优先权。
技术领域
背景技术
为了实验室研究和生物医学目的,深部组织的光学成象被用于探察生物样本中结构。这包括对例如老鼠、斑马鱼或人这样的动物的内脏和皮下组织的成象,一个目的是不用手术或其他侵入性方法来了解内部结构。
在一种深部组织成象技术中,与样本中的特定目标有关的荧光剂通过用照明光激发它们,使它们发出荧光而被成象;荧光发射被阻挡滤光片从具有不同的波长的照明光分开,然后被利用例如冷却CCD检测器的非常灵敏的照相机检测出来。在其他技术中,使用制剂修改样本,制剂使其产生本质上会发荧光的物质,最常见的例子是绿色荧光蛋白(GFP)。其他的技术涉及使用量子点作为发光探针。
如此处所用的,例如荧光燃料、荧光蛋白象GFP、量子点、表面增强拉曼试剂,以及相关的化合物或者用于类似目的的其他材料的化合物,都是测量的靶化合物的例子。
在这种实验中产生的信号通常是微弱的。一般,对从深部组织发出的微弱水平的光线的强力检测是有益的,因为它提供被研究结构的更早的或更可靠的检测。而且,它使得能够检测较低水平的靶化合物。因此,用于深部组织成象的技术和装置是宝贵的,如果它们提供低检测阈值的话。
发明内容
本发明已经认识到一个人可以成功地使用光谱识别技术来精确地成象在深部组织样品,例如在动物或人中的皮下组织或器官中的一个或更多靶化合物。例如,一个人收集关于从样品中不同空间位置上来的光线的光谱解析信息,然后从对纯粹光谱的估量将该光谱解析信息分解为与样品中的不同成分(例如自发荧光和一个或更多靶化合物)相对应的贡献。此分解可用于重建优先示出选定成分的一个或更多图象。该光谱解析信息通常对应一光谱图象立方体,其中每个象素包括从对应的空间位置来的样品发射光谱。
发明人还发展了算法,它对从这样的光谱图象立方体数据中估量一个或更多样品成分的纯粹光谱特别有用,即使在该一个或更多成分仅以混合形式出现的情况(即从一个成分来光线与从另一成分来的光线既在空间上也在光谱上重叠)。然后这些纯粹的光谱可用于将光谱图象立方体数据分解为选定成分的图象。这些算法不仅对深部组织样品有用,而且对一般的生物样品也有用。此外,在一些实施例中,该算法需要很少或不需要用户输入。
在一些实施例中,该算法认识到,对仅以混合形式出现在图象立方体中的第一成分的纯粹光谱的精确估量,可以通过使用至少部分图象立方体数据以及对至少出现在混合中的第二成分的纯粹光谱的分别估量来确定。对第二成分的纯粹光谱的估量可基于图象立方体数据的其他部分或者来自现有的知识。在最简单的例子中,比例数量的对第二成分的光谱估量被从混合信号光谱中减去以显露出第一成分的纯粹光谱的估量。例如,该比例可被设定为在每个光谱波道中达到较小的但非零的信号值。
现在我们概括地总结本发明的至少一些不同的方面和特征。
一般,在一方面中,本发明特征为一种方法包括:(i)提供关于响应于对样品的照明而从样品(例如深部组织样品)中的不同空间位置上来的光线的光谱解析信息,其中光线包括来自样品中的不同成分的贡献;及(ii)基于该光谱解析信息构建样品的图象以优先示出一个选定的成分。典型地,该光谱解析信息包括对应至少三种,优选为四或更多种不同光谱加权函数(例如不同光谱波段)的信息。
该方法可进一步包括,从光谱估量,将对于至少一些不同空间位置的每一个的光谱解析信息分解成来自与样品种的至少一个或更多成分的每一个相关的光谱估量的贡献。图象的构建可基于此分解。而且,一个或更多光谱估量可以是对于成分的纯粹光谱的估量。给定成分的纯粹光谱对应会观测到的光谱解析信息,只要该成分对被测量的光线作出贡献(对给定的空间位置)。
该方法可进一步包括下面的任何特征。
该光谱解析信息可包括关于其中从样品来的光线被光谱滤波的一组图象的信息,其中对每个图象的光谱滤波对应不同的光谱加权函数。
该光谱解析信息可包括关于其中用于照明样品的光线被光谱滤波的一组图象的信息,其中对每个图象的光谱滤波对应不同的光谱加权函数。
典型地,不同的空间位置对应在该组图象中的公共象素。不同的光谱加权函数可对应不同的光谱波段。在该组图象中可以有三个,或更优选为四个或更多图象。
关于该组图象的信息可包括在每个象素处的一系列值,其中每个值与从样品来的光线相对于光谱加权函数的对应的那个的强度有关。典型地,对每个空间位置的光谱解析信息包括与至少三个更优选为四个或更多不同光谱加权函数相对应的信息。
该光谱解析信息可包括光谱图象立方体。
来自样品的光线可包括来自样品的荧光、来自样品的反射、磷光、散射、或者拉曼散射,或者它可以包括传输通过样品的光线。
至少成分之一可涉及自发荧光。
至少成分之一可包括靶化合物(即荧光蛋白或量子点)。例如选定的成分可以是包括靶化合物的成分。
该方法可进一步包括照明样品和收集光谱解析信息。例如收集光谱解析信息可包括使用液晶可调光谱滤波器、声光可调光谱滤波器、一组光谱滤波器、光谱滤波器轮、色散棱镜、光栅、分光计或单色仪。
选定成分的图象可包括一图象,其中从其他成分来的信号相对于从选定成分的信号被减小。
该方法可进一步包括,基于该分解构建样品的第二图象以优先示出成分中的第二个。该方法还可包括基于该分解构建样品的第三图象以优先示出成分中的第三个。
该样品可以是活着的有机体(例如哺乳动物)。
样品可以包括深部组织、组织切片、细胞、皮下组织,或者携带生物材料的显微镜载物片。
基于该分解构建图象可包括基于与选定成分有关的光谱估量在不同空间位置处的贡献来构建深部组织图象。
该分解可以是线性分解。例如,该分解可包括求解矩阵方程中的至少一个元素,其中,方程中的一个矩阵是基于光谱解析信息而方程中另一个矩阵是基于光谱估量。
可独立于该光谱解析信息提供至少一个光谱估量。
至少对成分中的第一个的至少第一个光谱估量可以从光谱解析信息中确定。例如,可以从该光谱解析信息中确定所有的光谱估量。可以通过使用无监督分类技术或者有监督的分类技术从光谱解析信息中确定光谱估量。无监督分类技术的一个例子包括对那些多重空间位置求其光谱解析信息的平均值。有监督分类技术的一个例子从一包括一个或更多空间位置的区域的光谱解析信息确定第一光谱估量,其中该区域与第一成分有关。
第一光谱估量可以从来自一个或更多空间位置的第一组的光谱解析信息得到,在这些空间位置中光线包括来自那些多重成分的贡献。在这种情况中,第一光谱估量可以从来自第一组空间位置的光谱解析信息以及对成分中的第二个的光谱估量而得到。
例如,得到第一光谱估量可包括基于来自第一组的光谱解析信息和对第二成分的光谱估量来计算剩余光谱。可以在第一组空间位置中的一个或更多空间位置的每一个上计算剩余光谱。可选择的,剩余光谱的计算可基于第一组空间位置的光谱解析信息和对第二成分的光谱估量的平均。
对第二成分的光谱估量可以从光谱解析信息得到。例如,对第二成分的光谱估量可以通过使用无监督分类技术例如求平均值,而从光谱解析信息得到。可选择的,对第二成分的光谱估量可以从包括一个或更多空间位置的区域得到,其中该区域与第二成分有关。
得到第一光谱估量可包括对于第一组空间位置调整对应光谱解析信息的值以基于对第二成分的光谱估量从第二成分中去掉一贡献(例如最大贡献)。最大贡献可基于在调整值的每个光谱波道中的信号的误差函数分析。例如,误差函数分析趋向于在调整值的每个光谱波道中保持非负数的信号。
例如,该值可包括一系列的对第一组中的每个空间位置的至少一些值,基于对第二成分的光谱估量从第二成分中去掉贡献可包括从该一系列值中减去对第二成分的光谱估量的最优量。
对于至少该一系列值的第一个的最优量可基于使包括在第一系列值和由对第二成分的光谱估量乘上去的要被最优化的量之间的差异的差值光谱的误差函数最小,其中该误差函数在光谱波道上被最小化。该差值光谱可进一步包括同样在光谱波道上被最优化的一个常数。典型地,该误差函数偏爱差值光谱正值多于差值光谱负值。例如,一个有用的误差函数包括(e+1)Δ2,其中Δ是差值光谱。误差函数也可被第一系列值的大小和对第二成分的光谱估量归一化。
分解可包括:(i)将在多重空间位置上的光谱解析信息第一分解为来自与至少样品中的一些成分相关的初始光谱估量的贡献;(ii)基于第一分解提高至少一些初始光谱估量的精确度;及(iii)至少一第二分解,其将在多重空间位置上的光谱解析信息分解为来自改进的光谱估量的贡献。
在另一方面,本发明特征为一装置,包括:(i)构建为支撑样品(例如深部组织样品)的样品架;(ii)照明样品的照明源;安置为检测来自样品的光线的检测器;及(iii)耦合到检测器上的电子处理器。该电子处理器构建为完成上面描述的任何方法步骤,包括按照需要与使用者互动。
该装置可进一步包括安置在样品和检测器之间的光谱滤波装置。例如光谱滤波装置可包括液晶可调光谱滤波器、声光可调光谱滤波器、一组光谱滤波器、光谱滤波器轮、色散棱镜、光栅、分光计或单色仪。
可选择的,或另外,该装置可包括安置在照明源和样品之间的光谱滤波装置。
而且,照明源自身可提供可调激发光。例如,它可以是多谱段二极管或LED阵列。
一般,在又一方面,本发明特征为一方法,包括:(i)响应于照明提供从生物样品发出的光谱滤波辐射的一组图象,其中样品包括支撑靶化合物的成分,发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多另外的成分的发射,对一公共组象素每个图象对应不同的光谱加权函数;及(ii)处理光谱滤波辐射的图象以构建样品的输出图象,其中来自另外的成分的信号相对于来自靶化合物的信号被减小。该处理包括基于对至少成分之一的发射光谱的估量,对该组图象中的一个或更多象素计算剩余光谱。
在再一方面中,本发明特征为一方法,包括:(i)照明样品以使样品发出辐射,其中样品包括支撑靶化合物的深部组织,其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射;(ii)用多个不同的光谱加权函数中的每一个对发出的辐射进行光谱滤波;(iii)对光谱加权函数的每一个储存光谱滤波辐射的图象;及(iv)处理储存的图象以构建样品的深部组织图象,其中来自其他化合物的信号相对于来自靶化合物的信号被减小。
在另一方面中,本发明特征为一方法,包括:(i)响应于照明提供从样品发出的光谱滤波辐射的多个图象,其中样品包括支撑靶化合物的深部组织,其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射,其中每个图象对应不同的光谱加权函数;及(ii)处理光谱滤波辐射的图象以构建样品的深部组织图象,其中来自其他成分的信号相对于来自靶化合物的信号被减小。
在又一方面中,本发明特征为一装置,包括:储存一程序的计算机可读介质,该程序使处理器:(i)响应于照明,接收从样品发出的光谱滤波辐射的多个图象,其中样品包括支撑靶化合物的深部组织,其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射,其中每个图象对应不同的光谱加权函数;及(ii)处理光谱滤波辐射的图象以构建样品的深部组织图象,其中来自其他成分的信号相对于来自靶化合物的信号被减小。
在再一方面中,本发明特征为一装置,包括:(i)构建为保持包括深部组织的样品的样品架,其中该深部组织支撑靶化合物;(ii)构建为照明样品以使它发出辐射的照明源,其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射;(iii)构建为将发出的辐射对检测器成象的成象系统;(iv)可调光谱滤波器,其构建为用多个不同的光谱加权函数的每一个对发出的辐射进行光谱滤波;(v)检测器,其构建为对每个光谱加权函数储存光谱滤波辐射的图象;及(vi)电子处理器,其构建为处理储存的图象以构建样品的深部组织图象,其中来自其他化合物的信号相对于来自靶化合物的信号被减小。例如,样品架可构建为保持动物例如哺乳动物,象老鼠、兔子或人。而且,例如,成象系统可具有大于或等于1的缩小率,例如成象系统可构建为对一视场成象,该视场具有在检测器上大于2cm的对角线尺寸。
这些各种方面的实施例可包括下面的任何特征。
包括深部组织的样品可以是活的有机体,例如动物或哺乳动物。例如动物可包括老鼠、兔子、斑马鱼或者人。而且,深部组织可以是该活的有机体的内脏,该深部组织可位于不超过该活的有机体的约2mm或更深处。
该深部组织可以是皮下组织。
来自样品其他成分的发射可包括来自覆盖在深部组织上的组织的自发荧光。
来自样品的其他成分的发射可包括样品中的不同于包括该深部组织的那层组织的一个或更多层组织的自发荧光。
靶化合物可以是,例如,固定到至少该深部组织的一部分上的荧光探针、固定到至少该深部组织的一部分上的量子点、固定到至少该深部组织的一部分上的绿色荧光蛋白(GFP)、固定到至少该深部组织的一部分上的黄色荧光蛋白(YFP),和固定到至少该深部组织的一部分上的红色荧光蛋白(RFP)中的任何一个。
来自靶化合物的发射可以是荧光。
至少一些光谱加权函数可对应特定波长波段。例如,所有的光谱加权函数对应特定波长波段。可选择的,至少一些光谱加权函数可对应多重波段的正弦加权。
光谱滤波可包括使用液晶可调光学滤波器、干涉光学滤波器、包含多个带通滤波器的滤波器轮中的任一。
每个储存的图象可包括对每个多重象素的强度值。
处理储存图象可包括基于在储存的图象中的信号的加权叠加构建深部组织图象。
处理记录的图象可包括基于记录的图象和对样品中的其他成分的至少一发射光谱来构建深部组织图象。例如,构建深部组织图象可包括基于对其他成分的该至少一发射光谱来计算对于在该组储存图象中的每个象素的剩余光谱。
类似地,处理记录图象可包括基于记录图象和对靶化合物的发射光谱来构建深部组织图象。例如构建深部组织图象可包括基于对靶化合物的发射光谱来计算对在该组储存图象中的每个象素的剩余光谱。
还有,处理记录图象可包括基于记录的图象、对样品中的其他成分的至少一发射光谱,和对靶化合物的发射光谱来构建深部组织图象。例如,构建深部组织图象可包括求解一矩阵方程中的至少一元素,在该矩阵方程中一个矩阵是基于储存的图象而另一个矩阵是基于发射光谱。
该深部组织可支撑多重靶化合物,而处理储存的图象可包括对每个靶化合物构建深部组织图象。例如,处理记录的图象可包括基于记录的图象和对靶化合物的发射光谱来构建深部组织图象。此外,处理记录的图象可包括基于记录的图象、对靶化合物的发射光谱,和对样品中的其他成分的至少一发射光谱来构建深部组织图象。
多个不同光谱加权函数可包括四个或更多光谱加权函数。
除非另外限定,此处所用的所有技术和科学术语具有本发明所属的领域中的技术人员通常所理解的相同意思。此处的所有出版物、专利申请、专利和其他参考文献都全部合并与此作为参考。在相冲突的情形中,以本说明书,包括定义为准。
从下面的详细描述中,本发明的其他特征、目的和优点将会变得显而易见。
附图说明
参考附图,现在仅作为示例来进一步描述本发明。
图1示出光谱成象系统的示意图。
图2示出老鼠在λ=503nm单一光谱波段上成象的图象,该老鼠被植入被荧光标记的肿瘤。
图3示出对图2的样品的自发荧光的发射光谱和靶化合物的估量的发射光谱的图示,浅颜色的线标示对自发荧光的光谱而深颜色的线标示对靶化合物的估量光谱。
图4A和4B为分别示出被用作光谱端项的光谱不混合操作的结果测得的老鼠自发荧光信号光谱和在肿瘤的区域上检测的混合的信号光谱的图象。
图5示出形成图象立方体的一组图象。
图6示出来自图2的老鼠的靶化合物发射的图象,使用光谱技术和被估计出来以及被直接测得的端项光谱,来除去自发荧光信号。
图7示出来自图2的老鼠的自发荧光发射的图象,使用光谱技术和被估计出来以及被直接测得的端项光谱,来分离靶化合物发射。
图8示出基于光谱立方体的获得和随后通过线性不混合的分析的,一实施例的流程图。
图9示出在图8的实施例中的每个光谱波段的光谱特性的图示。
图10示出又一实施例的流程图,其中用干涉法完成光谱滤波。
图11示出在图10的实施例中所用的光谱加权的光谱特性的图示。在各个图中的相同附图标记标示相同的元件。
图12示出另一实施例的流程图,其中结合光谱成分分解来估量自发荧光和靶化合物的光谱。
图13A、13B和13C示出典型无生命科学端项检测算法产生的示例性的图象组分丰度图象。
图14A、14B和14C示出由无监督重复剩余技术产生的输出图象。
图15A和15B示出由监督重复剩余技术产生的输出图象。
图16示出用于引出光谱矢量的流程图。
图17示出光谱成象系统的示意图。
具体实施方式
概论
本发明特征在于方法和装置,其用于通过光谱识别来降低在生物样品(包括在样品中的深部组织)中的靶化合物的检测灵敏度水平。这涉及测量关于从样品中的每个多重空间位置来的光线的光谱解析信息。有时,数据被称作是“图象立方体”,光谱解析信息对应沿立方体的一个维度上的值以及空间位置(或象素)对应立方体的另外两个维度。尽管用于深部组织成象典型为低光线水平,可以获得有益的结果。此外,公开了用于处理光谱解析图象数据的算法,其不仅对深部组织成象有用而且对处理一般的生物样品的光谱解析图象数据也有用。在一些情况中,可以以高度自动化的方式来进行处理,有很少或没有用户控制,同时对生物样品的一个或更多选定成分仍然产生精确的图象。
光谱成象技术(例如荧光成象)可以和样品一起使用,该样品用荧光标签标记或者被基因修改从而一个或更多靶化合物发出荧光或者真是靶的那些发出荧光。这种来自一个或更多靶化合物的荧光叫做“靶荧光”。然而,除了例如靶化合物这样的成分,样品可包括其他成分,其每一个按照对应的发射光谱发出辐射。例如在样品中可以有其他成分或材料,其没被标记或者没被基因修改,其也可以在某些水平上发出荧光。这种未知的及/或背景荧光叫做“自发荧光”。
这种自发荧光干扰对靶荧光的定量测量,在一些情况中,可以比靶荧光亮很多倍。一些所关心的特殊应用是在生命科学上,包括活体内荧光成象及荧光显微镜法;然而,这里描述的技术在例如在明视场显微镜法的其他应用中也有效。自发荧光也可包括其他光谱标记例如设备光谱响应,或者从其他成分或者在传输的光线(例如明视场)应用中的chromaphores的吸收。此外,有多重成分,其每一个产生不同的自发荧光光谱。
典型地,自发荧光具有不同于靶荧光发射光谱的发射光谱,提供一个机会以应用光谱不混合技术以在被检测的图象立方体中的一象素处在每个测得的信号光谱中将靶荧光与自发荧光分开。换句话说,信号光谱可以被分解为来自靶荧光和自发荧光的单独贡献。这种光谱不混合通过去除测得信号可对自发荧光作出贡献的部分,对样品的被标记的或被基因修改的部分产生高对比的图象。在一些情况中,一种以上的成分被标记或修改,目的是产生多重图象,其表示与自发荧光及其他靶化合物隔开的每种靶化合物的浓度。
为了精确地应用光谱不混合工具,获得每个靶化合物及每个可能对整个的测得的光谱作出贡献的自发荧光成分的纯粹发射光谱是有用的。所知道的这些成分光谱的光谱形状越精确,就可以越精确地将在图象立方体中的混合信号光谱不混合或分解以产生表现靶化合物及/或自发荧光成分的数量的单独的图象。对给定成分的纯粹发射光谱是信号光谱,其只要该成分对测得的光线作出贡献,例如,如果该成分被从其他成分隔开,它就会被测量。
然而,靶化合物光谱很少会以它们的纯粹形式出现在测得的图象立方体的给定象素处的信号光谱内。在一些情况中,可以使用各种荧光标签的公布光谱。在这些情形中为了有精确的结果,应在使用的系统以及光谱最初被测量的系统之外校准系统的响应。另一种获得来自每个靶化合物的光谱的方法是将每个靶化合物单独隔绝并在要用于后面的活体内实验的同一系统上收集每一个的光谱。然而,对靶化合物的这种隔绝经常是行不通的。而且,当标签在活体样品内时,由标签产生的光谱经常改变,使从与活体内样品隔绝的靶化合物收集的光谱不准确。
在一些情况中,在样品的现有状态中处理它,而没有对出现在从样品获得的图象立方体的信号光谱中的成分光谱有先验了解是有用的。因此能够基于图象立方体数据精确确定单独的成分光谱是有用的,从而可以完成光谱不混合以及可以产生单独的靶化合物的图象。下面描述的技术,象“剩余技术”,由于下面要更具体描述的所涉及的成分光谱的典型特征,而特别适用于生物样品。
下面描述的这些技术的另一有用的方面是它们与自动化技术的兼容性。例如,在一些实现过程中,不是必须要有一个使用者基于专业知识来直观确定在图象中的特征。在其他的实现过程中,非熟练的使用者可以基于开始的自动化的步骤而提供反馈。
成象系统
在图1中示出用于对生物样品成象的光谱成象系统100的示意图。系统100包括适于固持样本112的样品架110。例如样本112可以是活的有机体,例如动物或哺乳动物。靶化合物与样本112中的组织(例如深部组织)的选定部分相联(绑上去或堆积在上面)。照明器120(例如金属卤化物灯或者其他灯、激光、发光二极管阵列或者其他电磁辐射源)将激发光122指向样本112以从组织中的靶化合物激发出发射(例如荧光)。典型地,激发光也会导致从样本112中的其他成分发出自发荧光。因此,从样本112发出的电磁辐射130包括来自靶化合物以及自发荧光的发射。发出的辐射130被成象系统140收集并成象在照相机150上。
因为系统100设计为能够对在较大样本(例如活的有机体)中的深部组织成象,典型地,成象系统提供一或更大,或者甚至二或更大的缩小率。就是说,在照相机上的图象是相同尺寸或小于对成象系统的物体视场。还有,典型地,对成象系统的物体视场在对角线尺寸上大于约2cm(或大于约3cm)。
另外,虽然图1示出发出的辐射130是被从样本112相对于激发光122的相反一侧来收集,在其他实施例中,发出的辐射可以从激发光照明的相同的一侧或者成一定角度,来被收集。此外,可以从样本112的多个侧面提供照明。
安置在样本112和照相机150之间的是可调光学滤波器模块160(例如液晶可调光学滤波器、干涉光学滤波器或者电动滤波器轮)。光学滤波器模块160按照多个光谱加权函数(例如四个或更多光谱加权函数)的每一个对发出的辐射130进行光谱滤波。光谱加权函数可对应特定的波长波段,或者可以是更复杂的函数例如通过波段的正弦分布。光学滤波器模块160也可以光学上包括其他滤波器包括例如,减少能进入照相机150的激发光122的量的滤波器。照相机150对不同光谱加权函数的每一个都记录被光谱滤波的发出辐射170的图象,并将图象数据送到计算机180以用于分析。如下面要更具体描述的那样,计算机基于不同的光谱加权函数、对应纯粹的靶化合物的一个或更多发射光谱,样本112中一个或更多其他成分的纯粹自发荧光,或两者,来处理图象数据,以构建一个抑制自发荧光信号以显露出靶化合物的图象。
在一些实现过程中,系统100的一部分(例如系统100在照明器120和照相机150之间的部分,照明器和照相机也包括在内)可选择为装入在外壳190中,例如以减小能被成象到照相机150上或者能与样本相互影响的杂散光(例如室内光线)的数量。
光谱成象技术
在下面,我们描述对生物样品的光谱成象的背景、包括深部组织成象的特定实施例,以及用于构建图象的光谱不混合技术。
信号强度
通过靶化合物的生物样品(特别是在深部组织样品)中的成象结构的一个特点是光学信号较弱。因此,许多专业人员把主要的重要性放在检测器的特性、在光路中的所有元件例如透镜和用于阻挡激发光到达检测器的阻挡滤波器的效率上面。然而当现有技术的CCD检测器等等适于检测低水平光线信号时,它不能充分解决在由靶化合物发出的光线和来自其他源例如自发荧光的光线之间进行识别的问题。这样,一个人的实际上的检测水平可以由使从样本内其他位置产生的光线混淆的水平来设定,而不是考虑在他的检测器中的读出噪音,或者物镜的光收集能力。
说得更准确一些,一个人的检测限制可以看作是,一个人的检测器噪音或者向检测器展现出的混淆信号流量较大;在任何一种情况中可表达为同样的在样本中产生在检测器上的该信号水平的光线的靶化合物的浓度。
除非靶化合物发出的光线凌驾于样本中的所有其他源,技术人员经常要受到混淆信号而不是他的检测装置的限制。在生物样品中一些水平的自发荧光是固有的,当它们被可见范围的光照明,特别是当光线是绿色(550nm)或更短时。因此即使使用最优的靶化合物,出现在样本表面处或其附近的自发荧光也经常限定了检测界限。
另外,来自深部组织内的靶化合物的发射在它从发射的位置传播到样本的表面时,会被散射或吸收衰减。因而到达成象系统的信号水平减小,而在样本的表面层产生的光线则不会被类似地那样衰减。这种效果的具体情况取决于样品样本相对于收集光学装置的几何形状,以及样品的光学特性。
同样的,照明光线在它从照明源通过样本的表面层沿其路线到达要成象的结构时可能被减弱或散射。到达靶位置的激发信号被减弱,而在样本的表面处产生的信号则不会类似地减弱。这一点的具体情况取决于照明和收集光学装置的几何形状,以及样品样本的光学特性。
这些因素通过增大自发荧光发射对测得的信号与来自靶化合物的发射相比的相对贡献,会加重自发荧光的效果。
问题的程度由图2示出,其是来自老鼠的自发荧光发射的图象。用约480nm的光线照明老鼠,发射光线被中心在530nm的25nm带通滤波器滤波。在老鼠的肺中有用绿色荧光蛋白(GFP)表达的肿瘤。然而,由于来自广泛的明显产生在老鼠的皮肤层中的自发荧光的相等或更大的信号,不容易在图象中识别该肿瘤。结果是,当能容易地量化图象中的任何点处的信号水平时,由于设定了与涉及的靶化合物相比相同或更高的检测阈值的高水平的背景自发荧光,而不能证实靶化合物及因此肿瘤的存在。
自发荧光也可以从样本到样本而改变,并是不可预测的。因而,如果绝对通量水平用于对靶化合物进行估算,技术人员会得到错误的积极读数。差异可以从例如在样本外皮上的霉菌或疾病这样的因素而产生。这些通常在样本之间并不是一致的。因此,如果技术人员通过将在给定区域的局部信号水平与样本的平均水平相比较来寻求检测处靶化合物的存在,结果也是不可靠的。
光谱串扰
在某些情况中有可能通过对照明波长的选择来减少自发荧光。如本领域已知的那样,一般使用较长的波长来照明是有利的,因为它们通常产生较少的自发荧光。同样,选择发射光线出现在与样本的自发荧光范围不同的波长处的靶化合物是有利的。然而,通常不可能选择一种照明波长使得没有串扰。在图3示出的例子中,靶化合物、GFP(由深色阴影线表示的)及自发荧光(由浅色阴影线表示的)发射光谱相重叠。在任何靶化合物具有实质发射的波长处,自发荧光也较强,因而不能通过使用固定的光学滤波器或其他类似的东西来消除自发荧光。也没有彩色照相机能在两个如此相似的绿色光谱之间进行识别。
然而如图3所示,GFP和自发荧光发射的光谱仍然是不同的。因此光谱成象方法可以识别这两者并消除或显著减小后者信号的贡献。
光谱不混合
一种用于将每个象素的信号光谱分成它的成分光谱的工具是线性分解或不混合。例如,技术人员可以完成最小二次方最佳拟合趋近以确定需要多少每个单独的成分光谱以最精确地重建测得的信号光谱。
光谱不混合使用一组输入光谱以在测得的图象立方体中表现成分光谱。典型地,输入光谱为对不同成分的纯粹光谱的估量。如果不能从库中得到成分光谱或者还没有从隔绝的材料中收集成分光谱的话,一种为不混合提供输入光谱的方法是,假定每个单独的成分光谱可以用在图象立方体中的象素或象素群的光谱来表达。
然而,典型地,这种方法对至少一个或更多纯粹光谱产生较弱的估量。例如,靶荧光成分很少单独存在,与自发荧光成分分开,在图象立方体的隔绝区域内。对其中出现靶化合物的象素区域的信号光谱通常是成分光谱的混合。因此,如果技术人员基于这样的区域对靶成分之一的纯粹光谱估量,不混合会较弱-它表达与混合成分光谱相关的化合物的混合。
同样,在某些情况中,为了在图象立方体内精确地分配测得的信号,难以先验知道在样品中存在多少实际的荧光成分(每一种与对应的成分光谱有关)。如果在不混合期间一些成分光谱没有被表现出来,那么剩余成分的相对比率就无法精确确定。
在一些情况中,手工选择从哪里选择输入光谱和选择多少输入光谱来不混合可以起作用,如果使用者基于专业的知识及/或经验给出有根据的推测的话。一些使用者可以以这种方式有效地工作,如果它们具有明显的对该样品的先验知识的话。
在图4A和4B中示出了这些方法的缺陷的一个好的例子。在图2的图象中,一个熟练的使用者可以模糊地辨识处一个肺应该大致位于的区域(在对应彩色图象中的偏蓝色调)。对未经训练的视力,这种由肿瘤导致的不规则性是感觉不到的。如果一个人使用来自周围区域的信号光谱作为输入光谱以表现自发荧光,及来自看起来象肿瘤的区域的信号光谱作为输入光谱来表现靶荧光,并使用这些输入光谱完成不混合,他会得到图4A和4B中的图象。图4A是光谱上最接近类似对应于确定为自发荧光的区域的象素的视场部分的图象。图4B是光谱上最接近类似对应于确定为肿瘤的区域的象素的视场部分的图象。与肿瘤有关的区域被很好地限定出来。然而,该图象有一些问题。例如,留在自发荧光图象中的“孔”(图4A),表明从这一区域发出的光量子被不精确地分配到标记肿瘤的图象上。
如果一个人象测量靶荧光的量作为肿瘤的尺寸的估量,这种串扰会导致明显的错误(例如,测得的大小大于实际的靶荧光)。在这个例子中出现这个错误是因为,即使用于表现自发荧光的输入光谱主要是自发荧光,由于靶化合物和自发荧光材料是共同定位,表现肿瘤的输入光谱是靶荧光和自发荧光的混合。为了在这个例子中正确的完成不混合,不仅输入自发荧光光谱应该是“纯粹的”,而且输入靶荧光光谱也应该是“纯粹的”(例如没有与相当数量的其他成分光谱,在这个情形中为自发荧光,相混合)。
用纯粹光谱不混合
即使在一些样品中,一种成分光谱可能没有以其“纯粹”的形式(即基本不混合的形式,例如与小于约10%的其他成分或优选小于约1%的其他成分相混合,)表现在任何象素的信号光谱中,在某些情况中仍然可以从图象立方体数据获得对纯粹成分光谱的估量以用作不混合的输入光谱。例如在某些情况中,一种成分光谱(例如对应自发荧光),其识别为光谱A,可以以“纯粹”的形式得到(例如,从一象素的信号光谱或从其他已知的或能得到的方面)。而另一种成分光谱,其识别为光谱B,可能不能以“纯粹”形式得到。在这种情况中,如果光谱B在图象立方体中表现为在一个或更多能被识别的象素中仅与光谱A混合,那么可以从该“A+B”混合的光谱中减去光谱A以获得B的纯粹光谱。下面进一步描述用于从图象立方体精确估量纯粹光谱的技术。但首先,我们描述一个例子,其中将图象立方体光谱不混合或分解成为来自对样品的不同成分的纯粹光谱的估量的贡献被成功地使用,以对在深部组织样品中的靶成分成象。
在此示例中,样本受到照明而照明光线被阻止进入检测器。这一点可以一起使用例如来自Lighttools Research(Encinitas加利福尼亚)的LT-9500MSYS的照明器与透射所有大致为λ>510nm的光线的长通光学滤波器,其安置在物方路径上,来实现。
光谱成象检测器包括一带有55mm F/2.8的Nikkor微距镜头(NikonUSA,Melville纽约)的QImaging 1300C数码冷却CCD照相机(RoperScientific,Trenton新泽西),其中一个VARISPEC可调光学滤波器(CRI Inc,Woburn马萨诸塞)以安装适配器耦合到其上。该VARISPEC滤波器为计算机控制的光学滤波器,具有25nm带通和可调的中心波长。这些被连接到一个IBM Thinkpad计算机上,其控制图象的获取并完成数据的分析。通讯是通过到照相机上的IEEE-1394接口,以及到VARISPEC滤波器上的RS-232接口。
VARISPEC滤波器使用向列液晶可变延迟元件来构建可调Lyot滤波器。可变延迟器放在具有石英或其他材料的固定波板的光学系列中,以产生熟知的且电学可调的延迟。在滤波器的连续节之间的线偏振器作用是阻止不想要的阶这样仅有单一的峰被透过,如果希望的话,带外的泄漏可以被减小到0.01%。通过选择延迟器的厚度,技术人员可以获得从0.1nm到50nm或更高范围的带宽。调节动作是极快的(<50ms)并且不会由于调节引起图象偏移,这对于成象应用是很有价值的。
参考图5,图2的老鼠的成象是通过取得一系列的图象S(x,y,λi)(对i=1到n,光谱谱集的数量),其每一个被使用由VARISPEC滤波器决定的光谱加权函数Ii来记录,而VARISPEC滤波器的中心波长被从500nm调到650nm。在图5中的这一系列图象是光谱图象立方体500的例子。在图9中示出了不同的光谱加权函数(在此情况中,光谱通带)。结果是一个图象立方体500,其具有对于给定中心波长λi的样品的全部的二维图象以及在图象的给定象素(x,y)处的全部光谱。在给定象素处记录的精确的光谱取决于GFP和自发荧光的数量,以及两个光谱,如下:
S(x,y,λ)=a(x,y)*F(λ)+b(x,y)*G(λ)    [1]
其中(x,y)标记用于表示在图象中一给定的象素位置,星号*表示乘,λ用于表示发射或检测的给定波长(波长波段),及
S(x,y,λ)表示对给定象素位置和波长的净信号,
F(λ)表示自发荧光的发射光谱,
G(λ)表示GFP的发射光谱,
a(x,y)表示在给定的(x,y)象素位置的自发荧光的丰度,及
b(x,y)表示在给定的(x,y)象素位置的GFP的丰度。
方程[1]表明来自给定象素位置的净信号是两个贡献之和,由出现的自发荧光和GFP的相对数量来加权。如果技术人员对一个单个的象素来写上面的方程的话,可以看得更容易:
S(λ)=aF(λ)+bG(λ)    [2]
F和G可以称作是系统的光谱本征态,因为它们对应根据自发荧光和GFP发射的量合并成不同的数量的自发荧光和GFP发射的纯粹光谱,以产生观测到的光谱或信号光谱S。这样,信号光谱为与来自自发荧光和GFP发射的单独贡献相对应的加权叠加。
现在如果知道(或可以推导出,如下所述)自发荧光和GFP的发射光谱,技术人员可以用线性代数对方程[2]求逆以求解a和b,假如光谱S具有至少两项在其中;即,技术人员具有对至少两个发射波长λ的数据。方程[2]可以被重写成S=EA。那么我们可以写出
A=E-1S    [3]
其中
A是带有分量a和b的列向量,而
E是其列为光谱本征态的矩阵,即[FG]。
使用方程[3],技术人员可以获得观察到的信号光谱并计算在对应的象素位置上的自发荧光和GFP源(例如产生自发荧光和GFP发光的成分)的丰度。可以对图象中的每个象素重复这一过程,以产生没有来自自发荧光的贡献的GFP的图象。结果是,检测水平被极大地提高。
请注意到对给定的一组自发荧光和靶化合物光谱矩阵E仅需要被求逆一次,因此丰度的计算并不繁重,几乎可以容易地由个人电脑实时完成。
在分别呈现出对GFP和自发荧光的丰度图象的图6和7中,示出了此光谱不混合处理的结果。如图6所示,一旦将GFP与自发荧光分开就能容易地检测它。在GFP图象中改进的程度是惊人的。同样,能够看到自发荧光图象(图7)是平滑的并在出现GFP的区域上未受影响,其与这样的事实相一致,即在深部组织结构中出现的GFP不会改变从皮肤的上覆区域来的自发荧光发光的数量。
在图8中将示例性的测量和分析过程从头到尾以结构图示出。准备和照明样本(步骤805)以及确定要获得的光谱波段(步骤810)。然后光谱滤波器被设定为透过光谱加权函数Ii,例如特定的波长波段(步骤815),并获得与该光谱加权函数相对应的图象(步骤820)。然后光谱滤波器被设定到下一个光谱加权函数并获得对应的图象,直到获得所有波段的(步骤825和830)。然后提供或从其他方面确定对靶化合物和自发荧光的光谱(步骤835)。基于该光谱,产生矩阵E并确定它的逆矩阵(步骤840)。对每个图象象素,由该系列得到的图象限定的信号光谱然后被乘以E的逆矩阵(步骤845)以产僧靶化合物的丰度图象,即样品图象(步骤850)。
在这个例子中,光谱成象允许观察位于活的有机体约2mm内的组织中的结构,其中上覆的皮肤至少为300微米厚并具有明显的自发荧光。光谱成象也可以用于对其他样本在不同深度下的结构成象,样本包括非哺乳动物样本,例如斑马鱼。在后者中,样本身体较薄,但再一次存在来自样本的其他层的自发荧光的问题,其混淆对样本的内部的靶化合物的检测。尽管有用于深度剖断的光学技术,例如共焦显微镜方法,此处描述的光谱成象技术提供一种简单而实用的选择。
在红外范围600-1100nm中操作的实施例也可以使用近红外VARISPEC滤波器例如VIS-NIR2-10-20HC型来构建。
这些技术中不会有什么会防止技术人员观看每个样本的多重靶化合物(例如m靶化合物)。如果我们将光谱谱集的数目标记为n,矩阵E称为n×m矩阵而不是在上面的例子中所用的n×2矩阵。因而,技术人员可以使用这些技术从包含两个靶化合物的样品中去掉自发荧光;或者从带有一个或更多靶化合物的样品中去掉两种类型的自发荧光。在任何情况中,结果是靶化合物与自发荧光隔绝,以及能够量化这些成分的一个或全部。
对能够被隔绝的成分的数量以及对总体的信噪比的限制,由散粒噪声水平和在被辨别的样本的发射光谱(包括自发荧光)之间光谱区分程度给出。技术人员可以用光谱角距离θ描述在两个光谱之间的相关程度,θ定义为
θ=arccos[(S1·S2)/(|S1||S2|)]    [4]
对两个分量的θ较小的光谱集不容易被分成它们的成分。物理上,对这一点的原因是容易理解的:如果两个光谱仅在边缘上不同,更难以确定哪个类型出现了,而噪音可以轻易地改变技术人员对相对丰度的估量。象θ一样的标注可用于帮助决定什么光谱波段适于测量,而技术人员可以尽可能地尝试和选择产生较大θ的波段。或者,技术人员可以通过实验和错误,作一个什么波段产生最大分离的经验性研究。为了降低对来自预期形状的轻微光谱偏移的灵敏度,其由于在样本等之间的差异该偏移是可能发生的,包括比看起来单独从数学分析所需要的更多的波段会是有帮助的。
一般,对样品中的每个空间位置(即象素)测得的信号光谱和用于不混合的纯粹光谱的估量,典型地,应包括足够的数值以提供对所关心的成分的精确信息。例如,对一两个成分的样品分析,优选有至少三个值(或者更优选,四个或更多值)对应不同的光谱加权函数(例如不同的光谱波段)。当成分的数目增大时,对信号和纯粹光谱的数值的数量应该也增加。
在上面的实施例中考虑测量装置的光学效率是值得的,以理解这些技术提供的可能改进来自哪里。首先,使用的镜头是F/2.8型而不是对于这种工作更典型的F/1.2或F/1.8,这一选择导致2.4-5.4×的更少的光线收集。接着,VARISPEC滤波器具有约25%的透射,并收集25nm范围,和具有80%透射和收集40nm范围的典型干涉滤波器形成对比。比起可能用于此项工作的设备来说,这进一步使灵敏度降低了5.1×的因子,比起本领域的一些可选择方案在光通量上的总体的减少为12.3×-27.8×。
CCD照相机被冷却在周围环境以下25°到约0℃,这对普通的CCD传感器来说是典型的,而不象在例如来自Roper Scientific(Trenton,新泽西)的ChemiPro系统的成象工作站中所用的传感器,其用液氮冷却以达到比周围低100℃或更低的温度。
如这些所显出的那样,这些技术的有效不是来自在聚集或收集光线的极端效率上;而是其来自使用光谱选择性以识别和去掉背景自发荧光的效果。
在其他实施例中,光谱加权函数可以与通带不同。重要的是不同图象的光谱加权不同。例如,技术人员可以使用干涉仪来获取光谱信息,如图10中以方块图形式示出那样。干涉仪对路径差异Z的一些选定值的光谱响应在图11中示出。这样获得的图象可以用于实行本发明,或是直接地或是在从干涉图转变到光谱之后。使用干涉图的适用性可以通过看它们在涉及种类之间的辨识有多好来检验,其可以由例如cosθ这样的测量或由实验研究来决定。
图10的方块图与图8中的类似,除了:步骤815、820、825和830由相应的步骤1015、1020、1025和1030代替,其使用干涉图而不是特定光谱波段作为光谱加权函数;有一个可选择步骤1032其描述将光谱滤波后的图象傅立叶变换以产生光谱立方体;而步骤835被步骤1035代替,其与获得的数据的形式相一致(及可选择的傅立叶变换)决定对靶化合物和自发荧光的光谱或干涉图加权,用于产生矩阵E。
干涉仪可以是机械类型的例如Sagnac设计,或者它可以是如美国专利6421131“双折射干涉仪”所描述的双折射干涉仪。后者使用固定的延迟元件例如石英板,与切换装置一起,以使延迟器彼此相加或抵消,从而使用这些元件,连同可变延迟元件,技术人员可以在较宽范围内产生任何想要的延迟。当偏振光遇到该组合件,它的偏振状态以依赖于光线波长的方式而改变,而这一点可以在出口的分析器检偏器上检测出来。在干涉仪的任何特定设定上的光谱响应是在1/λ的正弦曲线,在允许离散之后。通过在已知的延迟值上取一系列读数,并完成傅立叶变换,可以确定光线的光谱。这样的装置可用在成象系统中以在图象中的每个点上获得一光谱,或者只是获得一组图象,而不同的正弦曲线光谱响应函数在该组的组成项中。
一般地说,任何光谱成象装置都可以使用,假如它产生足够的光谱信息以区别靶化合物和背景自发荧光的发射的话。
精确估量纯粹光谱
我们现在转到,怎样确定在上面的例子中的纯粹光谱F和G,以及更广泛地,怎样首先精确估量纯粹光谱以用于在将信号光谱分解(即不混合)成它们的成分光谱的问题上。图12示出在光谱不混合技术的方块图形式中的步骤,其中技术人员估量纯粹光谱以用作在光谱不混合中的输入光谱。该步骤有时叫作光谱成分分解以获得纯粹的输入光谱。其不应与在每个象素上的信号光谱被分解(或不混合)成在不混合中的纯粹输入光谱的相对贡献相混淆。该方块图与图8中的类似,除了步骤835被替代为,完成光谱成分分解(步骤1235)和确定对应自发荧光和靶化合物的本征量(步骤1237)以用在步骤840中的矩阵E中。
通常,可以使用任何产生所涉及光谱的适当估量的方法。对于一些靶化合物,从出版的参考文献上有对该材料的已知光谱。可选择的,使用如此处描述的光谱成象工作站,技术人员可以通过放置包含足够浓度的靶化合物的样品在成象仪前并取得它的光谱而直接获得光谱。相反地,经常可以对技术人员具有先验知识的样本一个区域成象,在那个区域上没有靶化合物,以这种方式,技术人员可以获得对该成分的估量。多种数据分析技术可以被用在对光谱不混合的成分光谱的确定当中,例如主要成分分析(PCA),其从图象立方体中识别最正交的光谱本征量,并产生分数图象示出在遍及图象中的每个本征量的加权。如果在一个包含来自靶化合物和来自背景自发荧光的贡献的图象上完成PCA分析,从PCA来的矢量可以被用于提出对所涉及光谱的估量。
这些可以结合其他数学处理来实现,并且有其他已知的的用于识别低维光谱矢量的方法,例如投影追踪,一种在L.Jimenez和D.Landgrebe,“Hyperspectral Data Analysis and Feature Reduction Via Projection Pursuit”,IEEE Transactions on Geoscience and Remote Sensing,Vol.37 No.6,pp2653-2667,1999年11月描述的技术。其他技术包括,例如独立成分分析(ICA),投影追踪和端项检测算法。
这些技术典型地并不很好地适合在生命科学中的应用。例如,一些技术被最优化以用于给包含带有密集光谱形状的边界明确的窄峰的光谱的光谱成象数据集。在一些技术中,比起用于分析的单独的光谱特征和峰,光谱范围较大。然后,峰的出现,或者峰的比率可以被用于给要分开的“端项”分类。不幸的,在生物学样品中的成分通常不具有这样的边界明确的窄峰。
对一些技术的另一问题是,它们输出与在原始图象立方体某处以纯粹形式出现的光谱有关的图象。在生命科学的许多情况中,在图象立方体中出现的信号光谱是成分的混合。在老鼠中的被标记的肿瘤情况中,不太可能发现在老鼠上有存在肿瘤而没有自发荧光这样的位置。如果所关心的成分没有在原始图象立方体的某处上为纯粹的形式,那么这些技术不太可能会输出准确表现所关心成分的丰度的图象。
有一些技术,有时叫“凸壳”算法,其在即使端项没有以纯粹形式存在于图象时也估量真实的端项,但是效果取决于在图象立方体中的信号光谱离端项有多近。
对一些技术的另一问题是它们仅工作在非监督的方式下,这使得用从样品的知识中得到的信息来指引它们到正确的方向上的机会更小。
当这些技术的大多数被用于生命科学的样品,代表成分的丰度的输出图象经常不与已知的样品的生理或解剖特征密切相关。一些技术在某些情况下工作地很好,而其他技术在其他情况下工作地很好。
在凸13A、13B和13C中示出的是由典型的无生命科学(例如遥感)端项检测算法基于对图2的老鼠的图象立方体产生的示例性的成分丰度图象。请注意到没有输出图象看起来刚好对应肿瘤或者刚好对应皮肤中的自发荧光。
在生命科学中,以及在特定的荧光应用中,光谱特征是宽广和平滑的,经常横越检测的光谱范围的大部分。通常,所关心的成分光谱、靶荧光,示出为对经常更大和压倒性的自发荧光信号的更改。用于分析样品和决定成分的关键信息在于对高度重叠的光谱成分的单独的检测和定量。获得这样的信息更适于能够在光谱形状中实行细微偏移的技术。更适合生命科学的技术应该首先善于抛弃最大的成分,自发荧光,然后精确分离和量化更小的重叠的光谱成分。这些特性与无生命科学(例如遥感)的应用的那些有明显的不同。
我们已经发现,一种对精确估量深部组织成象的纯粹光谱起作用的方法是,对较容易获得的一个成分的纯粹光谱使用一个估量并使用它帮助从两个成分都出现的图象立方体中的数据中显露出另一成分的纯粹光谱。这一点的实行包括计算剩余光谱技术,其将在下面被更详细地描述。
剩余技术
一些用于降低自发荧光并没有对靶化合物光谱有先验知识的技术包括,考虑对给定象素的信号光谱S(λ),从它减去自发荧光F(λ)的最大量同时使剩余的信号在所有光谱波导中是正定的。就是说,技术人员对每个象素定义一个所谓的剩余光谱Ra(λ):
Ra(λ)=S(λ)-aF(λ)    [5a]
然后选择参数a的最大值与具有在每个光谱波道中的非负值的Ra(λ)相一致。然后得到的光谱Ra(λ)被用作擦去了自发荧光的信号光谱。技术人员也可以不基于上面列举的严格的非负准则,而是合并小的负的分布的一些相关准则来进行对参数“a”的确定,以考虑对例如散粒噪声或检测器噪声的这样的因素。用于去掉自发荧光光谱的最大数量的最优化准则的另外的例子包括使用不同的误差函数,下面会更详细地描述其中的一些。
可选择的,技术人员可以寻求当靶化合物的发射光谱是已知而自发荧光光谱是未知的时候通过类似的方法,通过寻求从S(λ)中减去与正的剩余相一致的靶发光G(λ)的最大数量,然后汇报在每个象素上减去的数量作为靶化合物的图象,来确定靶化合物的分布。在这种情况中,给出对每个象素的剩余光谱Rb(λ)如下:
Rb(λ)=S(λ)-bG(λ)    [5b]
其中技术人员选择参数b的最大值与在每个光谱波道中具有非负值的Rb(λ)相一致。
另外,上面描述的与方程5a和5b有关的剩余技术可以被扩展到已知样品的一个或更多额外成分的光谱且技术人员想要去掉它们对信号的贡献时的情况。在这种情况中,剩余光谱被重写以基于该额外光谱并符合在每个光谱波道中正的剩余,从观察到的信号中减去每个这样的成分的贡献。
剩余技术假定提供了对成分光谱至少其中之一的初始估量。其可以通过前面的知识或测量而提供,或者其可基于图象立方体数据本身而确定。在后面的情况中,其可以由用户的引导(即监督技术)或者没有用户的引导(即无监督技术)而确定。例如使用者可以能够识别光谱图象立方体的其中一个成分名义上被隔绝的至少一个区域,由此从在该区域的数据上确定对该成分的纯粹光谱(例如,通过平均来自在该区域的象素的信号光谱)。在另一例子中,没有用户的引导,可以假定因为自发荧光会主宰图象立方体中的光谱信息,技术人员可以只是简单地平均在每个象素中的光谱信息以确定对自发荧光的纯粹光谱的估量。
此外,可以在一个、一些或所有象素上计算剩余光谱。例如,在上面描述的两个成分的情况中,可以从每个象素中的剩余光谱直接构建深部组织图象,其现在假定为仅与靶化合物相关。然而,在其他例子中,可以对仅一个或一些象素计算剩余光谱作为用于估量纯粹光谱的更复杂的处理的一部分。另外,剩余技术可以应用到从图象立方体中获得的预处理数据集上。例如,来自图象立方体中一些或所有象素的信号光谱可以被平均以产生随后剩余技术被应用的已处理信号光谱。
下面的同样涉及计算剩余光谱更详细的技术,说明这些各种各样的可能性。这些技术即使对表现更难的样品的图象立方体也能起作用,这些样品是技术人员在荧光体内成象、荧光显微镜方法和明视场显微镜方法中会遇到的。
剩余技术的更具体的例子
步骤1:确定成分的数量
在用于获得纯粹光谱的一些技术中第一个步骤是确定在给定样品中出现了多少成分。一些剩余技术包括一自动步骤以描画或识别样品中的表现出或显示出很可能是单独的成分的位置的区域。
剩余技术能够无监督操作,或者用使用者提供的光谱作为起点。在无监督模式中,第一迭代使用在图象立方体中的所有信号光谱的平均值作为要被减去的第一“光谱矢量”。在每个象素上完成最优拟合近似以确定能向光谱矢量分配的象素的信号光谱的数量。然后这个数量的光谱矢量被从图象立方体中减去,并产生表现被减去的数量的成分图象。在随后的迭代中,假定最高强度的区域(在减去后)为下一个光谱最纯粹成分并使用这些区域以获得下一个光谱矢量。(在一象素位置处的“强度”由对在该象素处所有波长的信号光谱求积分来计算。)被完成的减去光谱矢量的迭代次数可以被预先指定,或者可以继续下去知道剩下的剩余信号的量减少到指定百分比以下。
这种方法具有这样的优点即,“剥离”并放入到单独的成分图象中的光谱差异经常是非常接近来自成分的纯粹光谱。在并非是这样的情况中,一些使用者输入可能能够引导它。例如,如果第一光谱矢量是整个图象立方体的平均光谱并且并不接近成分光谱之一,这种情况对例如用剃光的老鼠而不是裸鼠时可能会发生,那么使用者可以在图象中指向应该是自发荧光的那里,而处理可以使用它作为第一光谱矢量。
图14A、14B和14C示出由在对图2的老鼠的图象立方体上的由上述的无监督迭代剩余技术产生的输出图象。请注意到这些第一三个成分对应解剖上有意义的特征-来自皮肤的自发荧光图象(图14A)、来自毛囊周围皮脂的自发荧光图象(图14B),及来自其他成分的相对较低信号的被标记的肿瘤图象(图14C)。
这种光谱成分分解技术在用于提供成分图象其向使用者表示出最有意义的成分在哪里和表示出图象光谱应该被从哪里选取以作为进入下一迭代的输入,是有用的。有时分解的成分光谱足够接近实际光谱而成为对纯粹成分光谱的良好估量。如果情况是这样,由迭代剩余技术产生的成分图象对任何计划的定量分析例如肿瘤测量或协同定位测定,都足够纯粹。然而,有时因为初始的光谱矢量使用来自整个图象的平均光谱,以及成分图象表现了成分的一些混合,分解的成分光谱不是足够精确。
步骤2:计算纯粹成分光谱
在确定了在给定样品中出现了多少成分之后,可以使用从图象立方体数据使用来自步骤1中的迭代剩余技术的成分图象选取的光谱来计算纯粹成分光谱。
一种进行这一点以及进一步改进信号的精确分配到合适的成分图象中的方法是,使用来自步骤1的成分图象作为进一步分析的引导。换句话说,步骤1提供了对纯粹光谱的初始估量并基于那些初始估量提供了成分图象,其然后可被用于改进对纯粹光谱的初始估量。
例如使用者可以基于对样品的知识,该样品被认为是表现了预期的成分(例如包括特定靶化合物的成分)以及与该预期成分公共定位的自发荧光成分,从步骤1中的迭代剩余技术中选择成分图象。使用者首先使用成分图象来选择图象立方体的对应没有预期成分的自发荧光成分的区域(例如,一组一个或更多毗邻或不毗邻的象素),其被指定为光谱“A”。然后使用者使用该成分图象来选择示出与该共同定位的自发荧光在一起的大强度的预期成分(例如肿瘤)的一区域的一个或更多象素,其被指定为光谱“A+B”。
然后这些区域被用于表示在图象立方体数据中的象素位置,从图象立方体数据中提取剩余技术使用的光谱“A”SA(λ)和光谱A+B”SA+B(λ)。对于多个所希望的分量这个过程可以重复。近似SA(λ)的量Q的剩余技术使用最优化误差函数出现在SA+B(λ)中。这个SA(λ)的量然后被从SA+B(λ)中减去以留下最优值被用于估量纯粹光谱“B”SB(λ)的差值光谱Δ(λ)(有一个光学偏移常数C)。该差值光谱给出为:
Δ(λ)=SA+B(λ)-QSA(λ)+C    [6]
剩余技术通过最小化一误差函数,对Q=Qopt以及可选择的C=Copt确定最优值。可以使用各种可能的误差函数的任何一种。一个示例性的误差函数err1(Δ)(其中Δ≡Δ(λ)隐含地为λ的函数)给出为:
err1(Δ)=(e+1)Δ2    [7]
该剩余技术使err1在λ上的平均值最小化。选择此误差函数err1(Δ)以偏爱正的Δ值,因为负的光谱SB(λ)在物理上是不相容的。可选择的,最小均方差(MMSE)准则(例如err2(Δ)=Δ2)可以和Δ为正的约束条件一起使用。然而,这样的严格约束条件对应与特定类型的最小化技术可能不相容的间断的误差函数。
也可以进行其他修正。例如,归一化的误差函数:
err3(Δ)=err1(Δ)/[SA+B(λ)+SA(λ)]    [8]
可以被用于对由具有相同的相对量的较大数值的SA+B(λ)和SA(λ)引起的较大数值的err1(Δ)进行修正。其大小在噪声阈值之下的err1(Δ)(或err3(Δ))的值可以被设定为零。
一旦已经计算了最优化值Qopt和Copt,则如下所示计算纯粹光谱SB(λ):
SB(λ)=SA+B(λ)-QoptSA(λ)+Copt    [9]
步骤3:使用纯粹成分光谱不混合
在纯粹成分光谱在步骤2中被确定以后,可以使用这些纯粹成分光谱在图象立方体数据上完成不混合。在简单的系统中如果已经知道成分,这有时是有效的。然而,在某些情况中因为它假定所有测得的信号属于一个或另一个成分图象,从而使不混合的图象中的信号之和等于总的检测到的信号,它可能不是最理想的。如果在图象立方体中特定象素处的光谱由比确定的纯粹成分光谱表现出来的更多的成分组成,那么未料到的成分可以并很可能会被不精确地分配到靶化合物图象中。
为了解决这一问题,可以以“有监督”的方式来使用步骤1中的迭代剩余技术,其中来自步骤2的光谱被用作到每个迭代中的输入以“剥出”成分图象。每个迭代产生与被用作那个迭代的输入的光谱相对应的成分图象。这样具有的优点是它不会强加100%的总和,而留下留在残余图象中的那些以用于进一步的处理,如果希望的话。
在图15A和15B中示出了这种方法能起多大作用的例子。图15A示出在越过肿瘤区域上具有相同强度的自发荧光,显示出信号是精确分配在正确的图象中的。图15B示出被标记的肿瘤,看起来与其他荧光成分很好地隔开。
可以以各种方式来配置这种能力以提供非常有效的检查和分析样品的工具。例如,它可以被配置为从数据集中去掉成分,当它们被使用者用输入装置(例如鼠标)指出时。可以去掉具有相同光谱记号的不仅在使用者选定位置的光谱成分以及在图象立方体的其他位置上的光谱成分。对选定成分的光谱可以使用步骤2予以确定,并如步骤3所述那样被去掉。而且,包含了没使它进入成分图象的信号的残余图象可以被检查以看出是否有没预料到或不知道的其他成分。
它们本身的以及在任何组合中的任何步骤都是有用的。步骤1和2在许多情况中本身具有价值。
图16是处理1600的流程图,该处理说明在上面步骤1处理中的迭代剩余技术。处理1600提取可用于从图象立方体数据计算纯粹成分光谱的光谱矢量。得到的纯粹成分光谱可用作输入光谱,起用于不混合及/或储存用于在光谱数据库中以后的使用。使用者或者通过从样品中获得数据,或者通过载入前面获得的图象立方体数据,而提供1602图象立方体数据。
然后,用各种方法中的任何方法提供第一光谱矢量。使用者可以从光谱库(例如表现各种类型的对要被成象的样品的类型的自发荧光的光谱库)中选择1604第一光谱矢量。使用者可以从研究区(ROI)基于表现自发荧光(例如在图象立方体中的一个图象)的图象选择1606第一光谱矢量。使用者可以从前面获得的图象立方体选择1608第一光谱矢量。可选择的,处理1600从图象立方体数据自动确定1610第一光谱矢量(例如通过求来自所有象素的信号光谱的平均值来计算“平均光谱”)。
然后处理1600在图象立方体上完成非负的约束不混合以确定1612对每个象素的量,其表现要被从该象素的信号光谱中减去的当前的光谱矢量的数量。在每个象素上,处理1600从能被减去又不会使得到的剩余光谱在任何波长上变负的信号光谱上减去1614当前光谱矢量的最大量。处理输出1616成分图象其表现在每个象素上被减去的当前的光谱矢量以及能在后面的处理(例如在成分图象中提供的信息可用于定位优选的用于输入到PCSC处理的光谱)中使用的对应的当前的光谱矢量的数量。
然后处理1600从一组在得到的“剩余图象立方体”(例如一图象立方体其具有如上计算的作为信号光谱的剩余光谱)中表现最大“误差”的一个或更多象素确定下一个光谱矢量。例如,处理1600选择1618下一个光谱矢量作为在剩余图象立方体中最强烈的N个象素(例如N=25)的光谱的平均。可选择的,处理1600选择最强烈的N个象素并然后选择该N个象素的子集R,其在最强烈的N个象素的指定光谱角距离θ内。
处理1600重复这些步骤1612、1614、1616和1618,直到已经达到最小强度水平或者已经发现指定数量的光谱矢量1620。
另外的实施例
上面的技术可以应用到更宽范围的深部组织样品中,包括,例如,活的有机体、哺乳动物(例如人、啮齿动物灯)、皮下组织、器官等等。例如样品也可以使在水性样品场所的斑马鱼。一般地说,上面的技术,例如用于估量纯粹光谱的技术,可以用于无深部组织的生物样品,包括例如组织切片、细胞、显微镜载物片样品。
样品架将取决于样品,但除了包括用于固持动物例如老鼠的样品架之外,它们可以包括,例如培养皿、微滴定盘、蛋白质阵列、DNA阵列、凝胶盘,或者组织微阵列盘。对于体内成象,样品可以是研究对象或动物坐、搁放或被固定于其上的表面。
当然,可以使用不同于GFP的靶化合物。例如同样的装置可用于观看老鼠或其他样品,其被转染以表达或者黄色荧光蛋白(YFP)或是红色荧光蛋白(RFP)或两者并在去掉自发荧光信号以后产生靶化合物的图象。也有发展出来的突变株,其也可以使用。当产生有用的结果时,这些中的任何都可以和GFP结合。此外,例如,靶化合物可以基于量子点,其尺寸分布被修改以提供各种光谱记号。
除了可调液晶光谱滤波器,用于光谱滤波的其他实施例是可能的,包括例如,声光可调光谱滤波器、一组光谱滤波器、光谱滤波器轮、色散棱镜、光栅、分光计,或者单色仪。例如,技术人员可以使用包含多个带通滤波器的电动滤波器轮。又一实施例可以使用来自Optical Insights(Tucson,AZ)的双象系统一次在四个光谱波段上观看样本,虽然空间分辨率较低。波段被选择以给出在靶化合物和背景自发荧光之间有所区别的光谱,即具有明显不同于1的cosθ,优选为0.8或更小。
也有许多用于获得光谱解析图象的技术。例如,一些这样的技术包括:“光栅扫描”系统其中每个象素被照明并获得发射光谱,通过顺序探测每个象素获得图象;“推帚”系统,其中通过从一排或一条样品中取发射光线从一排样品中获得光谱,并输入它通过成象光栅以获得来自样品的一排光谱,然后沿成象系统下面移动样品(或者成象系统在样品上移动)而获得另一排直到建立图象;以及“真实成象”系统,其取样品的光谱解析图象。
此外,当上面的技术和分析集中在来自样品的光线被光谱滤波以在选定成分之间区分开的情形时。同样的算法可以应用到用于照明样品的光线被光谱滤波以在选定成分之间区分开的情形。换句话说,除了注重样品中的不同成分的发射光谱,技术人员可注重样品中的不同成分的激发光谱。在这样的实施例中,从样品的特定区域测得的光线被光谱解析为对于激发光线的不同的光谱加权函数的函数。用于光谱不混合的基本原理保持不变,然而,因为对每个光谱加权函数测得的光线的强度会根据这些成分在对应该光谱加权函数处被光线激发的程度而包括来自不同成分的贡献。例如,图17示出光谱成象系统100’,其包括用于在多重激发波长波段之间切换的激发侧光谱滤波器1700。得到的图象立方体数据可以象上面描述那样被处理,其中例如在方程[1]中的波长λ被用于表示给定的激发波长(或波长波段)。用于这种技术的照明源可以是宽带源其然后象上面描述那样被光谱滤波,或者可以是具有不同光谱发射的源的阵列,例如LED或二极管阵列。这种技术也在美国申请号10/226,592(公开号US-2003-0081204-A1)中得到进一步的描述,其在此并入作为参考。其他也可以使用的用于提供激发光线的技术如在美国申请号10/163,233(公开号US-2003-0223248-A1)中描述的,其在此并入作为参考。
另外,在一些实施例中,可以收集数据作为激发和发射波长这两者的函数。
虽然是按照测量荧光来描述上面的技术,同样的技术可以被应用以基于其他类型的光测量来确定一个或更多靶化合物的浓度。光发射现象可以基于任何荧光、透射、反射、散射、拉曼散射,或磷光。例如,可以从Menlo Park,加利福尼亚的Nanoplex Technologies Inc.,(www.nanoplex.com)得到的纳米颗粒可用于提供拉曼发射的靶化合物。一些这样的测量可以包括将测得的信号转变为其他单位。重要的是该测量提供有用的光谱信息以将想要的对应靶化合物的信号与其他信号成分区分开来,因而提高测量的完整性和灵敏度。
例如,一些实施例涉及光线传输通过吸收性的介质。在这种情况下,测得的光线的强度以对靶化合物的浓度的指数关系减少。然而,转换成“光学密度”(例如通过使用对数函数)使得可以进行线性不混合技术。这种光学密度技术在美国申请号10/226,592(公开号US-2003-0081204-A1)中得到进一步的描述,其在此并入作为参考。其他实施例可包括基于在几个选定的波长或波长波段上的亮度比的测量。
用于估量纯粹光谱的实施例也可以包括无监督技术,例如群集分析。群集分析通过将光谱分成群来识别样品的具有相似光谱响应的区域,使得在群内的光谱响应差异为最小,同时使在光谱响应的群之间差异最大。在这一实现过程中,群集分析的结果包括,对每个群的群心光谱(即对该群的加权平均光谱),以及对应的群成员地图(即群的空间分布)。放在一起,它们回答了两个通常提出的关于光谱成象的问题:不同类型的光谱出现在哪里,以及该光谱的光谱特征是什么。
一旦通过探索性的无监督分析识别出带有特定成分的区域,可以使用有监督分选器更彻底地调查这些成分的位置。用于有监督分选器的训练集光谱可以被从由无监督分析识别为包含特定成分的区域中提取出来,或者可以使用对样品的组成的先前的知识从数据集中选择它们。然后有监督的分选器可以通过定位具有与训练光谱相匹配的光谱轮廓的区域来提纯图象的分段。无监督分析,结合有监督分选器,提供了一种没有对样品中出现的成分的数量和性质有先验了解时定位组成成分的方法。另外,使用为训练集选择的光谱作为在库光谱搜寻程序中的靶也能使得可以进行成分的自动识别。
有监督图案识别方法可能更适合临床或产业上有用的数据分析方法的发展。有监督图案识别技术例如线性判别分析(LDA)或神经网络利用了研究者经常已经具有相当数量的可得到的光谱数据(或是生化的或临床的)这一事实。例如,研究者可能知道光谱产生自明确的样品成分或组织类型。然后此信息可用于训练一LDA算法以识别在光谱中的变量(峰值频率、带宽、相对强度等)的特殊组合,其为这些样品成分或组织类型的特征。
样品图象的光谱分析和构建可以在硬件或软件或两者的结合中完成。可以使用标准的编程技术遵循此处描述的方法在计算机程序中完成电子处理。程序代码被应用到输入数据以完成在此处描述的光谱不混合功能及产生输出信息例如样品图象。该输出信息被施加到一个或更多输出装置例如显示监视器。
每个程序优选为在高水平的程序性或面向对象的编程语言中完成以与一计算机系统通讯。然而,该程序可以在汇编语言或机器语言中完成,如果希望的话。在任何情况中,语言可以是编译过的或翻译过的语言。此外,该程序可以在为该目的而预编程序的专用的集成电路上运行。
每个这样的计算机程序优选为存储在可由一般的或特殊用途编程的计算机读取的储存介质或装置(例如CD-ROM或磁盘)上。用于在该储存介质或装置被计算机读取时设定和操作该计算机以完成此处描述的过程。计算机程序也可以在程序执行期间驻留在高速缓冲存储器或者主存当中。例如,图1中的计算机180可以包括处理器、输入/输出控制卡、用户界面例如键盘和监视器,以及存储器。储存在计算机可读介质中的程序被储存在计算机的存储器中,当被执行时,该程序使处理器执行分析光谱滤波图象的步骤。
其他的方面、特征和优点在下面的权利要求的范围内。

Claims (166)

1.一种方法,包括:
提供关于响应于对样品的照明而从包括深部组织的样品中的不同空间位置上来的光线的光谱解析信息,其中光线包括来自样品中的不同成分的贡献;
对至少一些不同空间位置上的每一个分解该光谱解析信息为来自与至少样品中的一些成分有关的光谱估量的贡献;及
基于该分解构建样品的深部组织的图象以优先示出一个选定的成分。
2.如权利要求1所述的方法,其特征在于:该光谱解析信息包括关于其中从样品来的光线被光谱滤波的一组图象的信息,其中对每个图象的光谱滤波对应不同的光谱加权函数。
3.如权利要求1所述的方法,其特征在于:该光谱解析信息包括关于其中用于照明样品的光线被光谱滤波的一组图象的信息,其中对每个图象的光谱滤波对应不同的光谱加权函数。
4.如权利要求2或3所述的方法,其特征在于:不同的空间位置对应在该组图象中的公共象素。
5.如权利要求2或3所述的方法,其特征在于:不同的光谱加权函数对应不同的光谱波段。
6.如权利要求2或3所述的方法,其特征在于:在该组图象中包括三个或更多图象。
7.如权利要求2或3所述的方法,其特征在于:在该组图象中包括四个或更多图象。
8.如权利要求4所述的方法,其特征在于:关于该组图象的信息包括在每个象素处的一系列值,其中每个值与从样品来的关于对应的那个光谱加权函数的光线的强度有关。
9.如权利要求1所述的方法,其特征在于:对每个空间位置的光谱解析信息包括与至少三个不同的光谱加权函数相对应的信息。
10.如权利要求1所述的方法,其特征在于:对每个空间位置的光谱解析信息包括与至少四个不同的光谱加权函数相对应的信息。
11.如权利要求1所述的方法,其特征在于:光谱解析信息包括光谱图象立方体。
12.如权利要求1所述的方法,其特征在于:来自样品的光线包括来自样品的荧光。
13.如权利要求1所述的方法,其特征在于:来自样品的光线包括来自样品的反射、磷光、散射、或者拉曼散射。
14.如权利要求1所述的方法,其特征在于:来自样品的光线包括传输通过样品的光线。
15.如权利要求1所述的方法,其特征在于:至少成分之一涉及自发荧光。
16.如权利要求1所述的方法,其特征在于:至少成分之一包括靶化合物。
17.如权利要求16所述的方法,其特征在于:选定的成分是包括靶化合物的成分。
18.如权利要求16所述的方法,其特征在于:靶化合物包括荧光蛋白或量子点。
19.如权利要求1所述的方法,还包括照明样品和收集光谱解析信息。
20.如权利要求1所述的方法,其特征在于:收集光谱解析信息包括使用液晶可调光谱滤波器、声光可调光谱滤波器、一组光谱滤波器、光谱滤波器轮、色散棱镜、光栅、分光计或单色仪。
21.如权利要求1所述的方法,其特征在于:选定成分的深部组织图象包括一图象,在该图象中来自其他成分的信号相对于来自选定成分的信号被减小。
22.如权利要求1所述的方法,还包括基于该分解构建样品的第二深部组织图象以优先示出成分中的第二个。
23.如权利要求1所述的方法,还包括基于该分解构建样品的第三深部组织图象以优先示出成分中的第三个。
24.如权利要求1所述的方法,其特征在于:该样品是活着的有机体。
25.如权利要求1所述的方法,其特征在于:该样品是哺乳动物。
26.如权利要求1所述的方法,其特征在于:至少一个光谱估量是对成分的第一个的纯粹光谱的估量。
27.如权利要求26所述的方法,其特征在于:至少一些光谱估量是对一些成分的纯粹光谱的估量。
28.如权利要求26所述的方法,其特征在于:该第一成分对应自发荧光。
29.如权利要求26所述的方法,其特征在于:该第一成分对应该选定成分。
30.如权利要求26所述的方法,其特征在于:第一成分的纯粹光谱对应只要第一成分对光线作出贡献就会产生的光谱解析信息。
31.如权利要求1所述的方法,其特征在于:基于该分解构建深部组织图象包括基于与选定成分有关的光谱估量在不同空间位置处的贡献来构建深部组织图象。
32.如权利要求1所述的方法,其特征在于:该分解是线性分解。
33.如权利要求32所述的方法,其特征在于:该分解包括求解一矩阵方程中的至少一个元素,其中,方程中的一个矩阵是基于光谱解析信息而方程中另一个矩阵是基于光谱估量。
34.如权利要求1所述的方法,其特征在于:至少一个光谱估量是独立于该光谱解析信息提供的。
35.如权利要求1所述的方法,其特征在于:至少对第一个成分中的至少第一个光谱估量的是从光谱解析信息中确定。
36.如权利要求35所述的方法,其特征在于:所有的光谱估量是从该光谱解析信息中确定的。
37.如权利要求36所述的方法,其特征在于:通过使用无监督分类技术从光谱解析信息中确定光谱估量。
38.如权利要求37所述的方法,其特征在于:通过使用有监督分类技术从光谱解析信息中确定光谱估量。
39.如权利要求37所述的方法,其特征在于:无监督分类技术包括求那些多重空间位置的光谱解析信息的平均值。
40.如权利要求35所述的方法,其特征在于:从一包括一个或更多空间位置的区域的光谱解析信息确定第一光谱估量,其中该区域与第一成分有关。
41.如权利要求35所述的方法,其特征在于:第一光谱估量是从来自一个或更多空间位置的第一组的光谱解析信息中得到,在这些空间位置中光线包括来自那些多重成分的贡献。
42.如权利要求41所述的方法,其特征在于:第一光谱估量是从来自第一组空间位置的光谱解析信息以及对成分中的第二个的光谱估量的第二个中得到。
43.如权利要求42所述的方法,其特征在于:得到第一光谱估量包括基于来自第一组的光谱解析信息和对第二成分的光谱估量来计算剩余光谱。
44.如权利要求43所述的方法,其特征在于:在第一组空间位置中的一个或更多空间位置的每一个上计算剩余光谱。
45.如权利要求43所述的方法,其特征在于:剩余光谱的计算基于在第一组空间位置上的光谱解析信息和对第二成分的光谱估量的平均。
46.如权利要求42所述的方法,其特征在于:对第二成分的光谱估量是从光谱解析信息中得到。
47.如权利要求46所述的方法,其特征在于:对第二成分的光谱估量是通过使用无监督分类技术从光谱解析信息中得到。
48.如权利要求46所述的方法,其特征在于:对第二成分的光谱估量是从一包括一个或更多空间位置的区域得到,其中该区域与第二成分有关。
49.如权利要求42所述的方法,其特征在于:得到第一光谱估量包括对于第一组空间位置调整对应光谱解析信息的值以基于对第二成分的光谱估量从第二成分中去掉一贡献。
50.如权利要求49所述的方法,其特征在于:所述去掉的贡献是最大贡献。
51.如权利要求50所述的方法,其特征在于:最大贡献基于在调整值的每个光谱波道中的信号的误差函数分析。
52.如权利要求51所述的方法,其特征在于:误差函数分析趋向于在调整值的每个光谱波道中保持非负数的信号。
53.如权利要求49所述的方法,其特征在于:该值包括一系列的对第一组中的每个空间位置的至少一些值,其中基于对第二成分的光谱估量从第二成分中去掉贡献包括从该一系列值的每一个中减去对第二成分的光谱估量的最优量。
54.如权利要求53所述的方法,其特征在于:对于该一系列值的至少第一个的最优量的确定是基于使包括在第一系列值和由对第二成分的光谱估量乘上去的要被最优化的量之间的差异的差值光谱的误差函数最小,其中该误差函数在第一系列值上被最小化。
55.如权利要求54所述的方法,其特征在于:该差值光谱还包括一同样在第一系列值上被最优化的常数。
56.如权利要求54所述的方法,其特征在于:误差函数偏爱差值光谱正值多于差值光谱负值。
57.如权利要求56所述的方法,其特征在于:误差函数包括(e+1)Δ2,其中Δ是差值光谱。
58.如权利要求54所述的方法,其特征在于:误差函数也可被第一系列值的大小和对第二成分的光谱估量归一化。
59.如权利要求35所述的方法,其特征在于:分解包括:将在多重空间位置上的光谱解析信息第一分解为来自与至少样品中的一些成分相关的初始光谱估量的贡献,基于该第一分解提高至少一些初始光谱估量的精确度;及至少一第二分解,其将在多重空间位置上的光谱解析信息分解为来自改进的光谱估量的贡献。
60.一种方法,包括:
提供关于响应于对样品的照明而从包括深部组织的样品中的不同空间位置来的光线的光谱解析信息,其中光线包括来自样品中的不同成分的贡献而对每个空间位置的光谱解析信息包括对应至少三个不同的光谱加权函数的信息;及
基于该光谱解析信息构建样品的深部组织的图象以优先示出一个选定的成分。
61.如权利要求60所述的方法,其特征在于:每个光谱加权函数对应不同的光谱波段。
62.如权利要求60所述的方法,其特征在于:对每个空间位置的光谱解析信息包括对应至少四个不同的光谱加权函数的信息。
63.如权利要求60所述的方法,还包括对至少一些不同的空间位置的每一个分解该光谱解析信息成为来自与至少样品的成分之一有关的光谱估量的贡献。
64.如权利要求63所述的方法,其特征在于:光谱估量是对成分的第一个的纯粹光谱的估量。
65.如权利要求64所述的方法,其特征在于:对第一成分的纯粹光谱对应只要第一成分对光线作出贡献就会产生的光谱解析信息。
66.如权利要求63所述的方法,其特征在于:该分解包括对至少一些不同的空间位置的每一个分解该光谱解析信息成为来自与至少样品中的一些成分有关的光谱估量的贡献。
67.如权利要求66所述的方法,还包括基于该分解构建样品的第二深部组织图象以优选示出成分的第二个。
68.一种方法,包括:
提供关于响应于对样品的照明而从生物样品中的不同空间位置来的光线的光谱解析信息,其中光线包括来自样品中的不同成分的贡献;
对至少一些不同的空间位置的每一个分解该光谱解析信息成为来自对至少样品的成分的第一个的纯粹光谱的光谱估量的贡献;及
基于该分解构建样品的图象以优先示出一个选定的成分,
其中该分解包括基于对应一个或更多不同空间位置的第一组的光谱解析信息和对成分的第二个的纯粹光谱的光谱估量这两者而获得对第一成分的纯粹光谱的估量。
69.如权利要求68所述的方法,其特征在于:样品包括深部组织、组织切片、细胞、皮下组织,或者携带生物材料的显微镜载物片。
70.如权利要求68所述的方法,其特征在于:该分解包括对至少一些不同的空间位置的每一个分解该光谱解析信息成为来自对至少样品中的一些成分的纯粹光谱的估量的贡献。
71.如权利要求68所述的方法,其特征在于:该分解为线性分解。
72.如权利要求71所述的方法,其特征在于:该分解包括求解一矩阵方程中的至少一个元素,其中,一个矩阵是基于光谱解析信息而方程中另一个矩阵是基于对第一成分的纯粹光谱的估量和对至少一个另外成分的纯粹光谱的估量。
73.如权利要求68所述的方法,其特征在于:第一成分的纯粹光谱对应只要第一成分对光线作出贡献就会产生的光谱解析信息。
74.如权利要求68所述的方法,其特征在于:对第二成分的纯粹光谱的光谱估量是独立于该光谱解析信息提供的。
75.如权利要求68所述的方法,其特征在于:对第二成分的纯粹光谱的光谱估量是从光谱解析信息中确定。
76.如权利要求75所述的方法,其特征在于:对第二成分的纯粹光谱的光谱估量是通过使用无监督分类技术从光谱解析信息中确定。
77.如权利要求75所述的方法,其特征在于:对第二成分的纯粹光谱的光谱估量是通过使用有监督分类技术从光谱解析信息中确定。
78.如权利要求77所述的方法,其特征在于:无监督分类技术包括求那些多重空间位置的光谱解析信息的平均值。
79.如权利要求75所述的方法,其特征在于:对第二成分的纯粹光谱的光谱估量是通过将一个或更多空间位置的一个区域和第二成分相关联从光谱解析信息中确定。
80.如权利要求68所述的方法,其特征在于:在第一组中的空间位置是其中光线包括来自那些多重成分的贡献的空间位置。
81.如权利要求68所述的方法,其特征在于:得到对第一成分的纯粹光谱的光谱估量包括基于来自第一组的光谱解析信息和对第二成分的光谱估量来计算剩余光谱。
82.如权利要求81所述的方法,其特征在于:在第一组空间位置中的一个或更多空间位置的每一个上计算剩余光谱。
83.如权利要求82所述的方法,其特征在于:剩余光谱的计算基于在第一组空间位置上的光谱解析信息和对第二成分的光谱估量的平均。
84.如权利要求68所述的方法,其特征在于:得到对第一成分的纯粹光谱的光谱估量包括对于第一组空间位置调整对应光谱解析信息的值以基于对第二成分的光谱估量从第二成分中去掉一贡献。
85.如权利要求84所述的方法,其特征在于:所述去掉的贡献是最大贡献。
86.如权利要求85所述的方法,其特征在于:该最大贡献基于在调整值的每个光谱波道中的信号的误差函数分析。
87.如权利要求86所述的方法,其特征在于:误差函数分析趋向于在调整值的每个光谱波道中保持非负数的信号。
88.如权利要求84所述的方法,其特征在于:该值包括一系列的对第一组中的每个空间位置的至少一些值,其中基于对第二成分的光谱估量从第二成分中去掉贡献包括从该一系列值的每一个中减去对第二成分的光谱估量的最优量。
89.如权利要求88所述的方法,其特征在于:对于该一系列值的至少第一个的最优量的确定是基于使包括在第一系列值和由对第二成分的光谱估量乘上去的要被最优化的量之间的差异的差值光谱的误差函数最小,其中该误差函数在第一系列值上被最小化。
90.如权利要求89所述的方法,其特征在于:该差值光谱还包括一同样在第一系列值上被最优化的常数。
91.如权利要求89所述的方法,其特征在于:误差函数偏爱差值光谱正值多于差值光谱负值。
92.如权利要求91所述的方法,其特征在于:误差函数包括(e+1)Δ2,其中Δ是差值光谱。
93.如权利要求89所述的方法,其特征在于:误差函数也可被第一系列值的大小和对第二成分的光谱估量归一化。
94.如权利要求68所述的方法,其特征在于:分解包括:将在多重空间位置上的光谱解析信息第一分解为来自与至少样品中的一些成分相关的初始光谱估量的贡献,基于该第一分解提高至少一些初始光谱估量的精确度;及至少一第二分解,其将在多重空间位置上的光谱解析信息分解为来自改进的光谱估量的贡献。
95.如权利要求68所述的方法,其特征在于:该光谱解析信息包括关于其中从样品来的光线被光谱滤波的一组图象的信息,其中对每个图象的光谱滤波对应不同的光谱加权函数。
96.如权利要求68所述的方法,其特征在于:该光谱解析信息包括关于其中用于照明样品的光线被光谱滤波的一组图象的信息,其中对每个图象的光谱滤波对应不同的光谱加权函数。
97.如权利要求95或96所述的方法,其特征在于:不同的空间位置对应在该组图象中的公共象素。
98.如权利要求95或96所述的方法,其特征在于:不同的光谱加权函数对应不同的光谱波段。
99.如权利要求95或96所述的方法,其特征在于:该组图象包括三个或更多图象。
100.如权利要求95或96所述的方法,其特征在于:该组图象包括四个或更多图象。
101.如权利要求97所述的方法,其特征在于:关于该组图象的信息包括在每个象素处的一系列值,其中每个值与从样品来的光线相对于光谱加权函数的对应的那个的强度有关。
102.如权利要求68所述的方法,其特征在于:对每个空间位置的光谱解析信息包括与至少三个不同的光谱加权函数相对应的信息。
103.如权利要求68所述的方法,其特征在于:对每个空间位置的光谱解析信息包括与至少四个不同的光谱加权函数相对应的信息。
104.如权利要求68所述的方法,其特征在于:光谱解析信息包括光谱图象立方体。
105.如权利要求68所述的方法,其特征在于:来自样品的光线包括来自样品的荧光。
106.如权利要求68所述的方法,其特征在于:来自样品的光线包括来自样品的反射、磷光、散射、或者拉曼散射。
107.如权利要求68所述的方法,其特征在于:来自样品的光线包括传输通过样品的光线。
108.如权利要求68所述的方法,其特征在于:至少成分之一涉及自发荧光。
109.如权利要求68所述的方法,其特征在于:至少成分之一包括靶化合物。
110.如权利要求109所述的方法,其特征在于:该选定的成分是包括靶化合物的成分。
111.如权利要求109所述的方法,其特征在于:靶化合物包括荧光蛋白或量子点。
112.如权利要求68所述的方法,还包括照明样品和收集光谱解析信息。
113.如权利要求68所述的方法,其特征在于:收集光谱解析信息包括使用液晶可调光谱滤波器、声光可调光谱滤波器、一组光谱滤波器、光谱滤波器轮、色散棱镜、光栅、分光计或单色仪。
114.如权利要求68所述的方法,其特征在于:选定成分的图象包括一图象,在该图象中来自其他成分的信号相对于来自选定成分的信号被减小。
115.如权利要求68所述的方法,还包括基于该分解构建样品的第二图象以优先示出成分中的第二个。
116.一种装置,包括:
构建为支撑深部组织样品的样品架;
照明样品的照明源;
安置以检测来自样品的光线的检测器;及
耦合到检测器上的电子处理器,其中该电子处理器构建为(i)提供关于从样品的不同空间位置来的光线的光谱解析信息,其中该光线包括来自样品中的不同成分的贡献;(ii)对至少一些不同空间位置上的每一个分解该光谱解析信息为来自与至少样品中的一些成分的光谱估量有关的贡献;及(iii)基于该分解构建样品的深部组织的图象以优先示出一个选定的成分。
117.一种装置,包括:
构建为支撑深部组织样品的样品架;
照明样品的照明源;
安置以检测来自样品的光线的检测器;及
耦合到检测器上的电子处理器,其中该电子处理器构建为(i)提供关于从样品的不同空间位置来的光线的光谱解析信息,其中该光线包括来自样品中的不同成分的贡献而对每个空间位置的光谱解析信息包括对应至少三个不同光谱加权函数的信息;及(ii)基于该光谱解析信息构建样品的深部组织的图象以优先示出一个选定的成分。
118.一种装置,包括:
构建为支撑样品的样品架;
照明样品的照明源;
安置以检测来自样品的光线的检测器;及
耦合到检测器上的电子处理器,其中该电子处理器构建为(i)提供关于从样品的不同空间位置来的光线的光谱解析信息,其中该光线包括来自样品中的不同成分的贡献;(ii)对至少一些不同空间位置上的每一个分解该光谱解析信息为来自对至少样品中的成分的第一个的纯粹光谱的光谱估量的贡献;及(iii)基于该分解构建样品的图象以优先示出一个选定的成分,其中分解包括:基于对应一个或更多不同空间位置的第一组的光谱解析信息和对成分的第二个的纯粹光谱的光谱估量获得对第一成分的纯粹光谱的估量。
119.如权利要求116、117或118所述的装置,还包括安置在样品和检测器之间的光谱滤波装置。
120.如权利要求119所述的装置,其特征在于:该光谱滤波装置包括液晶可调光谱滤波器、声光可调光谱滤波器、一组光谱滤波器、光谱滤波器轮、色散棱镜、光栅、分光计或单色仪。
121.如权利要求116、117或118所述的装置,还包括安置在照明源和样品之间的光谱滤波装置。
122.如权利要求116、117或118所述的装置,其特征在于:照明源提供可调激发光。
123.装置,其包括储存一程序的计算机可读介质,该程序使一处理器执行权利要求1、60和68之任一的步骤。
124.一种方法,包括:
照明样品以使样品发出辐射,其中样品包括支撑一包含靶化合物的成分的深部组织,其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射;
用多个不同的光谱加权函数中的每一个对发出的辐射进行光谱滤波;
对光谱加权函数的每一个储存光谱滤波辐射的图象;及
处理储存的图象以构建样品的深部组织图象,其中来自另外成分的信号相对于来自靶化合物的信号被减小。
125.一种方法,包括:
照明样品以使样品发出辐射,其中样品包括支撑一包含靶化合物的成分的深部组织,其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射;
用多个不同的光谱加权函数中的每一个对发出的辐射进行光谱滤波;
对光谱加权函数的每一个储存光谱滤波辐射的图象;及
处理储存的图象以构建样品的深部组织图象,其中来自另外成分的信号相对于来自靶化合物的信号被减小。
126.如权利要求125所述的方法,其特征在于:所述包括深部组织的样品为活的有机体。
127.如权利要求126所述的方法,其特征在于:该活的有机体是哺乳动物。
128.如权利要求127所述的方法,其特征在于:该哺乳动物包括老鼠或人。
129.如权利要求126所述的方法,其特征在于:该活的有机体是斑马鱼。
130.如权利要求126所述的方法,其特征在于:该深部组织是该活的有机体的内脏。
131.如权利要求126所述的方法,其特征在于:该深部组织位于不超过该活的有机体的约2mm或更深处。
132.如权利要求125所述的方法,其特征在于:该深部组织是皮下组织。
133.如权利要求125所述的方法,其特征在于:来自样品其他成分的发射包括来自覆盖在该深部组织上的组织的自发荧光。
134.如权利要求125所述的方法,其特征在于:来自样品的其他成分的发射包括来自样品中的不同于包括该深部组织的那层组织的一个或更多层组织的自发荧光。
135.如权利要求125所述的方法,其特征在于:靶化合物是固定到至少该深部组织的一部分上的荧光探针。
136.如权利要求125所述的方法,其特征在于:靶化合物是固定到至少该深部组织的一部分上的发光探针。
137.如权利要求125所述的方法,其特征在于:靶化合物是固定到至少该深部组织的一部分上的量子点。
138.如权利要求125所述的方法,其特征在于:靶化合物包括由绿色荧光蛋白(GFP)表达的深部组织部分。
139.如权利要求125所述的方法,其特征在于:靶化合物包括由黄色荧光蛋白(YFP)表达的深部组织部分。
140.如权利要求125所述的方法,其特征在于:靶化合物包括由红色荧光蛋白(RFP)表达的深部组织部分。
141.如权利要求125所述的方法,其特征在于:来自靶化合物的发光是荧光。
142.如权利要求125所述的方法,其特征在于:至少一些光谱加权函数对应特定波长波段。
143.如权利要求17所述的方法,其特征在于:所有的光谱加权函数对应特定波长波段。
144.如权利要求125所述的方法,其特征在于:至少一些光谱加权函数对应多重波段的正弦加权。
145.如权利要求125所述的方法,其特征在于:光谱滤波包括使用液晶可调光学滤波器。
146.如权利要求125所述的方法,其特征在于:光谱滤波包括使用干涉光学滤波器。
147.如权利要求125所述的方法,其特征在于:光谱滤波包括使用包含多个带通滤波器的滤波器轮。
148.如权利要求125所述的方法,其特征在于:每个储存的图象包括对每个多重象素的强度值。
149.如权利要求125所述的方法,其特征在于:处理储存图象包括基于在储存的图象中的信号的加权叠加构建深部组织图象。
150.如权利要求125所述的方法,其特征在于:处理记录的图象包括基于记录的图象和对样品中的其他成分的至少一发射光谱构建深部组织图象。
151.如权利要求150所述的方法,其特征在于:构建深部组织图象包括计算对在该组储存图象中的每个象素的剩余光谱。
152.如权利要求150所述的方法,其特征在于:处理记录的图象包括基于记录的图象、对样品中的其他成分的至少一发射光谱,和对靶化合物的发射光谱来构建深部组织图象。
153.如权利要求152所述的方法,其特征在于:构建深部组织图象包括求解一矩阵方程中的至少一元素,其中一个矩阵是基于储存的图象而另一个矩阵是基于发射光谱。
154.如权利要求125所述的方法,其特征在于:处理记录的图象包括基于记录的图象和对靶化合物的发射光谱来构建深部组织图象。
155.如权利要求154所述的方法,其特征在于:构建深部组织图象包括计算对于在该组储存图象中的每个象素的剩余光谱。
156.如权利要求125所述的方法,其特征在于:该深部组织支撑多重靶化合物,而处理储存的图象包括对每个靶化合物构建深部组织图象。
157.如权利要求156所述的方法,其特征在于:处理记录的图象包括基于记录的图象和对靶化合物的发射光谱来构建深部组织图象。
158.如权利要求157所述的方法,其特征在于:处理记录的图象包括基于记录的图象、对靶化合物的发射光谱,和对样品中的其他成分的至少一发射光谱来构建深部组织图象。
159.如权利要求125所述的方法,其特征在于:多个不同光谱加权函数包括至少四个光谱加权函数。
160.一种方法,包括:
提供多个响应于照明从样品发出的光谱滤波的辐射的图象,
其中样品包括支撑靶化合物的深部组织,
其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射,及
其中每个图象对应不同的光谱加权函数;及
处理光谱滤波的辐射的图象以构建样品的深部组织图象,其中来自其他成分的信号相对于来自靶化合物的信号被减小。
161.装置,其包括储存一程序的计算机可读介质,该程序使一处理器:
接收多个响应于照明从样品发出的光谱滤波的辐射的图象,
其中样品包括支撑靶化合物的深部组织,
其中发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多其他成分的发射,及
其中每个图象对应不同的光谱加权函数;及
处理光谱滤波的辐射的图象以构建样品的深部组织图象,其中来自其他成分的信号相对于来自靶化合物的信号被减小。
162.一种装置,包括:
构建为保持包括深部组织的样品的样品架,其中该深部组织支撑靶化合物;
构建为照明样品以使它发出辐射的照明源,其中发出的辐射包括来自靶化合物的发光和来自样品中的一个或更多其他成分的发光;
构建为将对检测器发出的辐射成象的成象系统;
可调光谱滤波器,其构建为用多个不同的光谱加权函数的每一个对发出的辐射进行光谱滤波;
检测器,其构建为对每个光谱加权函数储存光谱滤波的辐射的图象;及
电子处理器,其构建为处理储存的图象以构建样品的深部组织图象,其中来自其他化合物的信号相对于来自靶化合物的信号被减小。
163.如权利要求162所述的装置,其特征在于:样品架构建为保持动物。
164.如权利要求162所述的装置,其特征在于:成象系统具有大于或等于1的缩小率。
165.如权利要求162所述的装置,其特征在于:成象系统构建为对一视场成象,该视场具有在检测器上大于2cm的对角线尺寸。
166.一种方法,包括:
提供响应于照明从生物样品发出的光谱滤波的辐射的一组图象,其中样品包括支撑靶化合物的成分,发出的辐射包括来自靶化合物的发射和来自样品中的一个或更多另外的成分的发射,对一公共组象素每个图象对应不同的光谱加权函数;及
处理光谱滤波的辐射的图象以构建样品的输出图象,其中来自另外的成分的信号相对于来自靶化合物的信号被减小,
其中该处理包括基于对至少成分之一的发射光谱的估量,对该组图象中的一个或更多象素计算剩余光谱。
CN2004800345764A 2003-09-23 2004-09-23 生物样品的光谱成象 Active CN1886089B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US10/669,101 US7321791B2 (en) 2003-09-23 2003-09-23 Spectral imaging of deep tissue
US10/669,101 2003-09-23
PCT/US2004/031609 WO2005040769A2 (en) 2003-09-23 2004-09-23 Spectral imaging of biological samples

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201110166522.5A Division CN102266219B (zh) 2003-09-23 2004-09-23 生物样品的光谱成象

Publications (2)

Publication Number Publication Date
CN1886089A true CN1886089A (zh) 2006-12-27
CN1886089B CN1886089B (zh) 2011-08-10

Family

ID=34313656

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201110166522.5A Active CN102266219B (zh) 2003-09-23 2004-09-23 生物样品的光谱成象
CN2004800345764A Active CN1886089B (zh) 2003-09-23 2004-09-23 生物样品的光谱成象

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201110166522.5A Active CN102266219B (zh) 2003-09-23 2004-09-23 生物样品的光谱成象

Country Status (5)

Country Link
US (5) US7321791B2 (zh)
EP (2) EP1757223B1 (zh)
CN (2) CN102266219B (zh)
DE (2) DE04816892T1 (zh)
WO (1) WO2005040769A2 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435313A (zh) * 2010-09-03 2012-05-02 索尼公司 荧光强度补偿方法及荧光强度计算装置
CN103619239A (zh) * 2011-04-14 2014-03-05 英戈·弗洛尔 具有内置光谱仪的诊断测量装置
CN104215623A (zh) * 2013-05-31 2014-12-17 欧普图斯(苏州)光学纳米科技有限公司 面向多行业检测的激光拉曼光谱智能化辨识方法及系统
CN104792499A (zh) * 2015-04-13 2015-07-22 浙江大学 一种基于人眼视觉的生物组织照明质量检测方法
CN105829843A (zh) * 2013-08-02 2016-08-03 Tsi公司 高速光谱传感器组件及系统

Families Citing this family (107)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7321791B2 (en) * 2003-09-23 2008-01-22 Cambridge Research And Instrumentation, Inc. Spectral imaging of deep tissue
US8634607B2 (en) 2003-09-23 2014-01-21 Cambridge Research & Instrumentation, Inc. Spectral imaging of biological samples
US20070016078A1 (en) * 2004-12-06 2007-01-18 Hoyt Clifford C Systems and methods for in-vivo optical imaging and measurement
EP2237189B1 (en) 2005-01-27 2018-08-01 Cambridge Research & Instrumentation, Inc. Classifying image features
US7822270B2 (en) * 2005-08-31 2010-10-26 Microsoft Corporation Multimedia color management system
US7426029B2 (en) 2005-08-31 2008-09-16 Microsoft Corporation Color measurement using compact device
US7573620B2 (en) * 2005-09-01 2009-08-11 Microsoft Corporation Gamuts and gamut mapping
US8274714B2 (en) * 2005-11-30 2012-09-25 Microsoft Corporation Quantifiable color calibration
JP4826586B2 (ja) * 2006-02-23 2011-11-30 株式会社ニコン スペクトル画像処理方法、コンピュータ実行可能なスペクトル画像処理プログラム、スペクトルイメージングシステム
US8045153B2 (en) * 2006-02-23 2011-10-25 Nikon Corporation Spectral image processing method, spectral image processing program, and spectral imaging system
WO2007143141A2 (en) * 2006-06-01 2007-12-13 The General Hospital Corporation In-vivo optical imaging method including analysis of dynamic images
FR2904691B1 (fr) * 2006-08-02 2009-03-06 Commissariat Energie Atomique Procede et dispositif de reconstruction 3d de la distribution d'elements fluorescents.
US10335038B2 (en) * 2006-08-24 2019-07-02 Xenogen Corporation Spectral unmixing for in-vivo imaging
US8126205B2 (en) 2006-09-25 2012-02-28 Cambridge Research & Instrumentation, Inc. Sample imaging and classification
JP4954699B2 (ja) * 2006-12-28 2012-06-20 オリンパス株式会社 蛍光内視鏡システム
WO2008154578A1 (en) * 2007-06-11 2008-12-18 Board Of Regents, The University Of Texas System Characterization of a near-infrared laparoscopic hyperspectral imaging system
US8538195B2 (en) * 2007-09-17 2013-09-17 Raytheon Company Hyperspectral image dimension reduction system and method
EP2051051B1 (en) * 2007-10-16 2020-06-03 Cambridge Research & Instrumentation, Inc. Spectral imaging system with dynamic optical correction
US8045140B2 (en) * 2007-10-18 2011-10-25 Stc.Unm Method for multivariate analysis of confocal temporal image sequences for velocity estimation
US8492734B2 (en) 2007-10-19 2013-07-23 Visen Medical, Inc. Imaging systems featuring waveguiding compensation
US8031924B2 (en) * 2007-11-30 2011-10-04 General Electric Company Methods and systems for removing autofluorescence from images
US20090226059A1 (en) * 2008-02-12 2009-09-10 Richard Levenson Tissue Processing And Assessment
US8135187B2 (en) * 2008-03-26 2012-03-13 General Electric Company Method and apparatus for removing tissue autofluorescence
US8379944B2 (en) * 2008-04-29 2013-02-19 Siemens Healthcare Diagnostics Inc. Identification, classification and counting of targets of interest in multispectral image data
US20090281536A1 (en) * 2008-05-09 2009-11-12 Hugh Beckman Medical Device For Diagnosing and Treating Anomalous Tissue and Method for Doing the Same
US9042967B2 (en) 2008-05-20 2015-05-26 University Health Network Device and method for wound imaging and monitoring
JP5389380B2 (ja) * 2008-05-28 2014-01-15 オリンパス株式会社 信号処理システム及び信号処理プログラム
US8199999B2 (en) * 2008-06-17 2012-06-12 Cambridge Research & Instrumentation, Inc. Image classifier training
JP4717103B2 (ja) * 2008-07-18 2011-07-06 オリンパス株式会社 信号処理システム及び信号処理プログラム
US8644580B2 (en) * 2008-08-07 2014-02-04 Cambridge Research & Instrumentation, Inc. Detection of RNA in tissue samples
US8406859B2 (en) 2008-08-10 2013-03-26 Board Of Regents, The University Of Texas System Digital light processing hyperspectral imaging apparatus
US8280134B2 (en) * 2008-09-22 2012-10-02 Cambridge Research & Instrumentation, Inc. Multi-spectral imaging including at least one common stain
US20120029880A1 (en) * 2009-01-30 2012-02-02 Michal Aharon Method and system for determining a spectral vector from measured electro-magnetic-radiaion intensities
FR2942950B1 (fr) * 2009-03-11 2012-09-28 Commissariat Energie Atomique Traitement d'une image de fluorescence par factorisation en matieres non negatives
WO2010132990A1 (en) * 2009-05-22 2010-11-25 British Columbia Cancer Agency Branch Selective excitation light fluorescence imaging methods and apparatus
US8948488B2 (en) * 2009-07-31 2015-02-03 General Electric Company Methods and systems for digitally enhancing an image of a stained material
US9002077B2 (en) * 2009-08-10 2015-04-07 Cambridge Research & Instrumentation, Inc. Visualization of stained samples
FR2950431B1 (fr) 2009-09-24 2011-12-09 Commissariat Energie Atomique Dispositif et procede de reconstruction spatiale d'une cartographie de fluorescence
FR2951283B1 (fr) * 2009-10-08 2013-02-15 Commissariat Energie Atomique Procede et dispositif pour l'excitation diffuse en imagerie
AU2011229113A1 (en) * 2010-03-17 2012-10-18 Yasser Fawzy Rapid multi-spectral imaging methods and apparatus and applications for cancer detection and localization
US8462981B2 (en) * 2010-04-07 2013-06-11 Cambridge Research & Instrumentation, Inc. Spectral unmixing for visualization of samples
US20120029298A1 (en) * 2010-07-28 2012-02-02 Yongji Fu Linear classification method for determining acoustic physiological signal quality and device for use therein
WO2012019133A1 (en) 2010-08-05 2012-02-09 Cambridge Research & Instrumentation, Inc. Enhancing visual assessment of samples
KR101207695B1 (ko) * 2010-08-11 2012-12-03 서울대학교산학협력단 형광 및 라만 신호 표적에 대한 형광 및 라만 신호 동시검출방법 및 이를 이용한 표적 동시검출용 의학영상장치
US9833145B2 (en) 2010-08-11 2017-12-05 Snu R&Db Foundation Method for simultaneously detecting fluorescence and raman signals for multiple fluorescence and raman signal targets, and medical imaging device for simultaneously detecting multiple targets using the method
FR2968921B1 (fr) 2010-12-15 2013-01-11 Commissariat Energie Atomique Procede de localisation d'un marqueur optique dans un milieu diffusant
FR2970802B1 (fr) * 2011-01-20 2013-02-08 Galderma Res & Dev Procede de determination par analyse en composantes independantes de l'efficacite d'un traitement et systeme de traitement d'image associe
FR2970801B1 (fr) * 2011-01-20 2013-08-09 Galderma Res & Dev Procede de determination de l'efficacite d'un traitement et systeme de traitement d'image associe
US9031354B2 (en) 2011-03-31 2015-05-12 Raytheon Company System and method for post-detection artifact reduction and removal from images
US9134241B2 (en) * 2011-04-11 2015-09-15 Li-Cor, Inc. Differential scan imaging systems and methods
US8675989B2 (en) 2011-04-13 2014-03-18 Raytheon Company Optimized orthonormal system and method for reducing dimensionality of hyperspectral images
US9064308B2 (en) 2011-04-13 2015-06-23 Raytheon Company System and method for residual analysis of images
CA2831475C (en) * 2011-05-06 2016-11-01 Ventana Medical Systems, Inc. Method and system for spectral unmixing of tissue images
US8891087B2 (en) * 2011-06-01 2014-11-18 Digital Light Innovations System and method for hyperspectral imaging
CN102436648B (zh) * 2011-08-11 2014-01-01 上海交通大学 基于背景荧光消除的目标荧光光谱解混方法
JP6053272B2 (ja) * 2011-10-19 2016-12-27 オリンパス株式会社 顕微鏡装置
US8842937B2 (en) 2011-11-22 2014-09-23 Raytheon Company Spectral image dimensionality reduction system and method
JP6144916B2 (ja) * 2012-01-30 2017-06-07 キヤノン株式会社 生体組織画像のノイズ低減処理方法及び装置
US8655091B2 (en) 2012-02-24 2014-02-18 Raytheon Company Basis vector spectral image compression
JP2013181912A (ja) * 2012-03-02 2013-09-12 Seiko Epson Corp 成分分析装置
US9155473B2 (en) * 2012-03-21 2015-10-13 Korea Electrotechnology Research Institute Reflection detection type measurement apparatus for skin autofluorescence
US9147265B2 (en) 2012-06-04 2015-09-29 Raytheon Company System and method for rapid cluster analysis of hyperspectral images
US9036889B2 (en) * 2012-07-13 2015-05-19 Sony Corporation Method and apparatus for stain separation using vector analysis
US8660360B1 (en) 2012-08-03 2014-02-25 Raytheon Company System and method for reduced incremental spectral clustering
US9881371B2 (en) 2012-10-24 2018-01-30 Sony Corporation System for visualization of a cancer diagnosis
US8805115B2 (en) 2012-11-02 2014-08-12 Raytheon Company Correction of variable offsets relying upon scene
WO2014110025A1 (en) 2013-01-10 2014-07-17 Caliper Life Sciences, Inc. Whole slide multispectral imaging systems and methods
CN105102945B (zh) 2013-01-10 2018-07-10 加利珀生命科学股份有限公司 多光谱成像系统和方法
US8785885B1 (en) 2013-01-30 2014-07-22 Omnivision Technologies, Inc. Fluorescence imaging module
US20150201840A1 (en) * 2013-03-18 2015-07-23 Korea Electrotechnology Research Institute Reflection detection type measurement apparatus for skin autofluorescence
US9888855B2 (en) * 2013-03-18 2018-02-13 Korea Electrotechnology Research Institute Reflection detection type measurement apparatus and method for skin autofluorescence
WO2014165331A1 (en) * 2013-03-21 2014-10-09 Jds Uniphase Corporation Spectroscopic characterization of seafood
US9523635B2 (en) 2013-06-20 2016-12-20 Rigaku Raman Technologies, Inc. Apparatus and methods of spectral searching using wavelet transform coefficients
US9412005B2 (en) 2013-10-25 2016-08-09 Gooch & Housego Plc Use of error image for unmixing artifact removal in linear spectral unmixing
CA2932985C (en) * 2013-12-13 2021-05-18 Revenio Research Oy Medical imaging
CN106029000A (zh) 2014-02-21 2016-10-12 阿克伦大学 用于引导医疗干预的成像和显示系统
EP3167278B1 (en) 2014-07-09 2019-06-26 Caliper Life Sciences, Inc. Pure spectrum extraction from biological samples
CN115989999A (zh) 2014-07-24 2023-04-21 大学健康网络 用于诊断目的的数据的收集和分析
US9625387B2 (en) * 2014-09-16 2017-04-18 Lawrence Livermore National Security, Llc System and method for controlling depth of imaging in tissues using fluorescence microscopy under ultraviolet excitation following staining with fluorescing agents
US9964489B2 (en) 2014-09-16 2018-05-08 Lawrence Livermore National Security, Llc System and method for controlling depth of imaging in tissues using fluorescence microscopy under ultraviolet excitation following staining with fluorescing agents
JP6404687B2 (ja) * 2014-11-21 2018-10-10 倉敷紡績株式会社 蛍光イメージング装置及び蛍光イメージング方法
CN104902204B (zh) * 2015-05-25 2016-07-20 高利通科技(深圳)有限公司 一种具有照像功能的光谱显示方法及系统
US10706536B2 (en) 2015-07-20 2020-07-07 Min Xu Photon structure and chemometrics pathologic system
GB2542764A (en) * 2015-09-23 2017-04-05 Pathxl Ltd Image processing method and apparatus for normalisation and artefact correction
US10451548B2 (en) * 2016-01-15 2019-10-22 The Mitre Corporation Active hyperspectral imaging system
CN105976310B (zh) * 2016-05-04 2018-01-12 山东大学 一种基于分块的vca端元提取方法
US10394008B2 (en) 2016-10-19 2019-08-27 Cornell University Hyperspectral multiphoton microscope for biomedical applications
US10229495B2 (en) * 2016-11-22 2019-03-12 Agilent Technologies, Inc. Method for unsupervised stain separation in pathological whole slide images
KR101847334B1 (ko) 2017-02-02 2018-04-10 한국기초과학지원연구원 형광 이미지 획득 장치 및 방법
US10268889B2 (en) * 2017-03-31 2019-04-23 The Boeing Company System for target material detection
US11204279B2 (en) 2017-12-21 2021-12-21 Sony Semiconductor Solutions Corporation Apparatus and method
US10663346B2 (en) * 2017-12-29 2020-05-26 Palo Alto Research Center Incorporated Method and apparatus for transforming uniformly or non-uniformly sampled interferograms to produce spectral data
WO2019138028A1 (en) * 2018-01-11 2019-07-18 Universiteit Hasselt Analysis of data obtained by fluorescence fluctuation microscopy from a plurality of dyes
CN108460391B (zh) * 2018-03-09 2022-03-22 西安电子科技大学 基于生成对抗网络的高光谱图像无监督特征提取方法
CN112384787A (zh) 2018-05-03 2021-02-19 阿科亚生物科学股份有限公司 多光谱样本成像
US11229400B2 (en) * 2018-08-17 2022-01-25 Chemimage Corporation Discrimination of calculi and tissues with molecular chemical imaging
CN112385049A (zh) * 2018-11-19 2021-02-19 松下知识产权经营株式会社 光传感器及光检测系统
CN109580495B (zh) * 2018-11-28 2021-08-24 重庆工商大学 一种基于高光谱图像的解混装置及方法
US10345237B1 (en) 2019-01-31 2019-07-09 Rarecyte, Inc. Spectral edge detection
US10753875B1 (en) 2019-01-31 2020-08-25 Rarecyte, Inc. Spectral unmixing of spectroscopic emission images
JP2022519641A (ja) 2019-02-04 2022-03-24 アコヤ・バイオサイエンシズ・インコーポレイテッド 生物学的試料の選択的標識による分析物検出
US20210222234A1 (en) 2019-09-30 2021-07-22 Akoya Biosciences, Inc. Multiplexed imaging with enzyme mediated amplification
JP2023507809A (ja) 2019-12-19 2023-02-27 アコヤ・バイオサイエンシズ・インコーポレイテッド Rna検出
WO2021150808A1 (en) * 2020-01-23 2021-07-29 Precision Healing, Inc. Skin diagnostics using optical signatures
WO2022109196A1 (en) 2020-11-18 2022-05-27 Akoya Biosciences, Inc. Multiplexed imaging with nanobody probes
CN113528583A (zh) * 2021-07-15 2021-10-22 澳门大学 自动化显微注射方法、装置、系统、设备及存储介质
US20230130371A1 (en) 2021-08-03 2023-04-27 Akoya Biosciences, Inc. RNA Detection by Selective Labeling and Amplification

Family Cites Families (103)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4379233A (en) 1981-05-27 1983-04-05 Trebor Industries, Inc. Optical arrangement for quantitative analysis instrument utilizing pulsed radiation emitting diodes
US4519707A (en) 1983-01-31 1985-05-28 General Dynamics, Pomona Division Multi-spectral target detection system with common collecting means
US4669878A (en) 1984-06-29 1987-06-02 American Monitor Corporation Automatic monochromator-testing system
US4800279A (en) 1985-09-13 1989-01-24 Indiana University Foundation Methods and devices for near-infrared evaluation of physical properties of samples
FI77736C (fi) 1987-06-25 1989-04-10 Valtion Teknillinen Foerfarande foer reglering av straolkaella och reglerbar straolkaella.
SE8900612D0 (sv) * 1989-02-22 1989-02-22 Jonas Johansson Vaevnadskarakterisering utnyttjande ett blodfritt fluorescenskriterium
DE3924060A1 (de) 1989-07-21 1991-01-24 Bodenseewerk Perkin Elmer Co Atomabsorptions-spektralphotometer fuer die multielementanalyse
US5042893A (en) 1990-11-09 1991-08-27 Hewlett-Packard Company Direct mount coupling to a spectrophotometer
US5137364A (en) 1991-01-31 1992-08-11 Mccarthy Cornelius J Optical spectral analysis apparatus
US5784162A (en) 1993-08-18 1998-07-21 Applied Spectral Imaging Ltd. Spectral bio-imaging methods for biological research, medical diagnostics and therapy
US5719024A (en) 1993-08-18 1998-02-17 Applied Spectral Imaging Ltd. Method for chromosome classification by decorrelation statistical analysis and hardware therefore
US6198532B1 (en) * 1991-02-22 2001-03-06 Applied Spectral Imaging Ltd. Spectral bio-imaging of the eye
US5991028A (en) 1991-02-22 1999-11-23 Applied Spectral Imaging Ltd. Spectral bio-imaging methods for cell classification
CA2042075C (en) * 1991-05-08 2001-01-23 Branko Palcic Endoscopic imaging system
US5424545A (en) 1992-07-15 1995-06-13 Myron J. Block Non-invasive non-spectrophotometric infrared measurement of blood analyte concentrations
US5433197A (en) 1992-09-04 1995-07-18 Stark; Edward W. Non-invasive glucose measurement method and apparatus
EP0767361B1 (en) 1993-07-22 2000-02-23 Applied Spectral Imaging Ltd. Method and apparatus for spectral imaging
US5912165A (en) 1993-08-18 1999-06-15 Applied Spectral Imaging Ltd Method for chromosome classification by decorrelaiton statistical analysis and hardware therefore
US6690817B1 (en) 1993-08-18 2004-02-10 Applied Spectral Imaging Ltd. Spectral bio-imaging data for cell classification using internal reference
US5995645A (en) 1993-08-18 1999-11-30 Applied Spectral Imaging Ltd. Method of cancer cell detection
US5749830A (en) * 1993-12-03 1998-05-12 Olympus Optical Co., Ltd. Fluorescent endoscope apparatus
US5590660A (en) * 1994-03-28 1997-01-07 Xillix Technologies Corp. Apparatus and method for imaging diseased tissue using integrated autofluorescence
US5567937A (en) 1995-07-10 1996-10-22 The United States Of America As Represented By The Secretary Of The Air Force Night vision device wavelength test pattern
US5608213A (en) 1995-11-03 1997-03-04 The United States Of America As Represented By The Secretary Of The Air Force Spectral distribution emulation
US5859700A (en) 1995-11-22 1999-01-12 Kairos Scientific, Inc. High resolution imaging microscope (HIRIM) and uses thereof
US6215892B1 (en) 1995-11-30 2001-04-10 Chromavision Medical Systems, Inc. Method and apparatus for automated image analysis of biological specimens
ZA967500B (en) 1995-12-21 1998-03-05 Unilever Plc Device for the identification of acne, microcomedones, and bacteria on human skin.
US5838451A (en) 1995-12-22 1998-11-17 Accuracy Microsensors, Inc. Optoelectronic spectral analysis system
US5647368A (en) * 1996-02-28 1997-07-15 Xillix Technologies Corp. Imaging system for detecting diseased tissue using native fluorsecence in the gastrointestinal and respiratory tract
FI103074B1 (fi) 1996-07-17 1999-04-15 Valtion Teknillinen Spektrometri
US5941818A (en) * 1996-10-01 1999-08-24 Vista Medical Technologies, Inc. Endoscopic video camera with malleable support
US6466687B1 (en) 1997-02-12 2002-10-15 The University Of Iowa Research Foundation Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology
JP3771344B2 (ja) * 1997-02-13 2006-04-26 富士写真フイルム株式会社 蛍光電子内視鏡
US6008889A (en) * 1997-04-16 1999-12-28 Zeng; Haishan Spectrometer system for diagnosis of skin disease
US6081740A (en) 1997-04-23 2000-06-27 Accumed International, Inc. Method and apparatus for imaging and sampling diseased tissue
US5999844A (en) * 1997-04-23 1999-12-07 Accumed International, Inc. Method and apparatus for imaging and sampling diseased tissue using autofluorescence
US6232523B1 (en) 1997-04-28 2001-05-15 Anticancer, Inc. Metastasis models using green fluorescent protein (GFP) as a marker
US6251384B1 (en) 1997-04-28 2001-06-26 Anticancer, Inc. Metastasis models using green fluorescent protein (GFP) as a marker
AU749338B2 (en) 1997-04-28 2002-06-27 Anticancer, Inc. Metastasis models using green fluorescent protein (GFP) as a marker
US5834203A (en) 1997-08-25 1998-11-10 Applied Spectral Imaging Method for classification of pixels into groups according to their spectra using a plurality of wide band filters and hardwire therefore
CA2303138C (fr) * 1997-09-12 2009-06-30 Communaute Europeenne Detection et cartographie de zones enflammees de tissus vivants
US6051835A (en) * 1998-01-07 2000-04-18 Bio-Rad Laboratories, Inc. Spectral imaging apparatus and methodology
US6289229B1 (en) * 1998-01-20 2001-09-11 Scimed Life Systems, Inc. Readable probe array for in vivo use
US6364829B1 (en) * 1999-01-26 2002-04-02 Newton Laboratories, Inc. Autofluorescence imaging system for endoscopy
US6160618A (en) 1998-06-19 2000-12-12 Board Of Regents, The University Of Texas System Hyperspectral slide reader
DE19829944C2 (de) 1998-07-04 2002-03-28 Zeiss Carl Jena Gmbh Verfahren und Anordnung zur Gerätekonfiguration eines Fluoreszenz-Laserscanmikroskops
US6142629A (en) 1998-08-30 2000-11-07 Applied Spectral Imaging Ltd. Spectral imaging using illumination of preselected spectral content
US6952499B1 (en) 1998-10-19 2005-10-04 The United States Of America As Represented By The Secretary Of The Air Force Aspire (autonomous spatial pattern identification and recognition algorithm)
US6272376B1 (en) 1999-01-22 2001-08-07 Cedars-Sinai Medical Center Time-resolved, laser-induced fluorescence for the characterization of organic material
US6236881B1 (en) * 1999-04-26 2001-05-22 Contec Medical Ltd. Method and apparatus for differentiating and processing images of normal benign and pre-cancerous and cancerous lesioned tissues using mixed reflected and autofluoresced light
US6665438B1 (en) 1999-05-05 2003-12-16 American Gnc Corporation Method for hyperspectral imagery exploitation and pixel spectral unmixing
WO2001002799A1 (en) 1999-07-02 2001-01-11 Cambridge Research & Instrumentation Inc. Birefringement interferometer
USRE41333E1 (en) 1999-07-22 2010-05-11 Sensys Medical, Inc. Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction
US6750964B2 (en) * 1999-08-06 2004-06-15 Cambridge Research And Instrumentation, Inc. Spectral imaging methods and systems
WO2001011343A1 (en) 1999-08-06 2001-02-15 Cambridge Research & Instrumentation Inc. Spectral imaging system
EP1294906B1 (en) 2000-03-17 2009-01-21 Anticancer, Inc. Whole-body optical imaging of gene expression and uses thereof
US6958811B2 (en) * 2000-06-29 2005-10-25 Carl Zeiss Jena Gmbh Method for the detection of dyes in fluorescence microscopy
US20060074282A1 (en) * 2000-07-13 2006-04-06 Ward Kevin R Nitric-oxide detection using Raman spectroscopy
WO2002007587A2 (en) * 2000-07-14 2002-01-31 Xillix Technologies Corporation Compact fluorescent endoscopy video system
JP3579638B2 (ja) * 2000-08-08 2004-10-20 ペンタックス株式会社 内視鏡装置
GB0028491D0 (en) 2000-11-22 2001-01-10 Isis Innovation Detection of features in images
US20030123056A1 (en) * 2001-01-08 2003-07-03 Barnes Donald Michael Apparatus having precision hyperspectral imaging array with active photonic excitation targeting capabilities and associated methods
US6965793B2 (en) * 2001-06-28 2005-11-15 Chemimage Corporation Method for Raman chemical imaging of endogenous chemicals to reveal tissue lesion boundaries in tissue
US6930773B2 (en) * 2001-08-23 2005-08-16 Cambridge Research And Instrumentation, Inc. Spectral imaging
DE10151217B4 (de) 2001-10-16 2012-05-16 Carl Zeiss Microlmaging Gmbh Verfahren zum Betrieb eines Laser-Scanning-Mikroskops
US6899675B2 (en) * 2002-01-15 2005-05-31 Xillix Technologies Corp. Fluorescence endoscopy video systems with no moving parts in the camera
US20060241496A1 (en) * 2002-01-15 2006-10-26 Xillix Technologies Corp. Filter for use with imaging endoscopes
WO2003061711A2 (en) * 2002-01-16 2003-07-31 Visen Medical, Inc. Chromophore probes for optical imaging
DE10202050A1 (de) * 2002-01-18 2003-07-31 Siemens Ag Optisches Bildgebungsverfahren und Vorrichtung zur optischen Bildgebung
US7133547B2 (en) 2002-01-24 2006-11-07 Tripath Imaging, Inc. Method for quantitative video-microscopy and associated system and computer software program product
US6776760B2 (en) 2002-03-06 2004-08-17 Alfred E. Mann Institute For Biomedical Engineering At The University Of Southern California Multi-mode processing for ultrasonic imaging
DE10213187A1 (de) 2002-03-23 2003-10-09 Leica Microsystems Verfahren zur Spektralanlanalyse und Scanmikroskop
US6924893B2 (en) 2002-05-13 2005-08-02 Marine Biological Laboratory Enhancing polarized light microscopy
DE10222359B4 (de) 2002-05-21 2005-01-05 Max Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Verfahren zur spektral differenzierenden, bildgebenden Messung von Fluoreszenzlicht
US6825930B2 (en) 2002-06-04 2004-11-30 Cambridge Research And Instrumentation, Inc. Multispectral imaging system
US7016717B2 (en) * 2002-07-05 2006-03-21 The Regents Of The University Of California Near-infrared spectroscopic tissue imaging for medical applications
US7257437B2 (en) * 2002-07-05 2007-08-14 The Regents Of The University Of California Autofluorescence detection and imaging of bladder cancer realized through a cystoscope
US7366564B2 (en) 2002-08-23 2008-04-29 The United States Of America As Represented By The Secretary Of The Navy Nonlinear blind demixing of single pixel underlying radiation sources and digital spectrum local thermometer
US7640140B2 (en) 2003-03-07 2009-12-29 Sensys Medical, Inc. Method of processing noninvasive spectra
US7151270B2 (en) 2003-05-02 2006-12-19 Leica Microsystems Cms Gmbh Method for classifying object image regions of an object to be detected using a scanning microscope
US20040225222A1 (en) * 2003-05-08 2004-11-11 Haishan Zeng Real-time contemporaneous multimodal imaging and spectroscopy uses thereof
EP1636752A2 (en) 2003-05-30 2006-03-22 Andrew M. Rabinovich Color unmixing and region of interest detection in tissue samples
US6993372B2 (en) * 2003-06-03 2006-01-31 Orsense Ltd. Method and system for use in non-invasive optical measurements of blood parameters
US7321791B2 (en) 2003-09-23 2008-01-22 Cambridge Research And Instrumentation, Inc. Spectral imaging of deep tissue
US8634607B2 (en) * 2003-09-23 2014-01-21 Cambridge Research & Instrumentation, Inc. Spectral imaging of biological samples
US7711174B2 (en) 2004-05-13 2010-05-04 The Charles Stark Draper Laboratory, Inc. Methods and systems for imaging cells
US8548570B2 (en) 2004-11-29 2013-10-01 Hypermed Imaging, Inc. Hyperspectral imaging of angiogenesis
US20070016078A1 (en) * 2004-12-06 2007-01-18 Hoyt Clifford C Systems and methods for in-vivo optical imaging and measurement
US7596398B2 (en) * 2005-03-01 2009-09-29 Masimo Laboratories, Inc. Multiple wavelength sensor attachment
US7679740B2 (en) 2005-07-14 2010-03-16 Chemimage Corporation Method and apparatus for multimodal detection
US8154612B2 (en) 2005-08-18 2012-04-10 Qualcomm Incorporated Systems, methods, and apparatus for image processing, for color classification, and for skin color detection
FR2891924B1 (fr) * 2005-10-10 2007-12-28 Biospace Mesures Dispositif et procede d'imagerie en luminescence
US7945077B2 (en) 2005-11-30 2011-05-17 Lawrence Livermore National Security, Llc Hyperspectral microscope for in vivo imaging of microstructures and cells in tissues
US20070135999A1 (en) 2005-12-13 2007-06-14 Applied Spectral Imaging Ltd. Method, apparatus and system for characterizing pathological specimen
US9133506B2 (en) 2006-01-10 2015-09-15 Applied Spectral Imaging Ltd. Methods and systems for analyzing biological samples
US10335038B2 (en) 2006-08-24 2019-07-02 Xenogen Corporation Spectral unmixing for in-vivo imaging
US8019134B2 (en) 2006-11-16 2011-09-13 Definiens Ag Automatic image analysis and quantification for fluorescence in situ hybridization
US8244021B2 (en) 2006-12-20 2012-08-14 Ventana Medical Systems, Inc. Quantitative, multispectral image analysis of tissue specimens stained with quantum dots
US7990532B2 (en) 2007-01-16 2011-08-02 Chemimage Corporation Method and apparatus for multimodal detection
WO2009006696A1 (en) 2007-07-10 2009-01-15 Molecular Discovery Systems Pathology method
US8103081B2 (en) 2008-03-10 2012-01-24 Cambridge Research & Instrumentation, Inc. Classification of samples
US8116548B2 (en) 2008-06-04 2012-02-14 Siemens Aktiengesellschaft Method and system for detecting 3D anatomical structures using constrained marginal space learning
US8644580B2 (en) 2008-08-07 2014-02-04 Cambridge Research & Instrumentation, Inc. Detection of RNA in tissue samples

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435313A (zh) * 2010-09-03 2012-05-02 索尼公司 荧光强度补偿方法及荧光强度计算装置
CN102435313B (zh) * 2010-09-03 2015-10-28 索尼公司 荧光强度补偿方法及荧光强度计算装置
CN103619239A (zh) * 2011-04-14 2014-03-05 英戈·弗洛尔 具有内置光谱仪的诊断测量装置
CN103619239B (zh) * 2011-04-14 2016-06-08 英戈·弗洛尔 具有内置光谱仪的诊断测量装置
CN104215623A (zh) * 2013-05-31 2014-12-17 欧普图斯(苏州)光学纳米科技有限公司 面向多行业检测的激光拉曼光谱智能化辨识方法及系统
CN104215623B (zh) * 2013-05-31 2018-09-25 欧普图斯(苏州)光学纳米科技有限公司 面向多行业检测的激光拉曼光谱智能化辨识方法及系统
CN105829843A (zh) * 2013-08-02 2016-08-03 Tsi公司 高速光谱传感器组件及系统
CN105829843B (zh) * 2013-08-02 2018-06-01 Tsi公司 高速光谱传感器组件及系统
CN104792499A (zh) * 2015-04-13 2015-07-22 浙江大学 一种基于人眼视觉的生物组织照明质量检测方法
CN104792499B (zh) * 2015-04-13 2017-06-06 浙江大学 一种基于人眼视觉的生物组织照明质量检测方法

Also Published As

Publication number Publication date
CN102266219B (zh) 2014-03-26
US9588099B2 (en) 2017-03-07
US8385615B2 (en) 2013-02-26
DE06014263T1 (de) 2007-06-06
US20090245605A1 (en) 2009-10-01
EP1757223A2 (en) 2007-02-28
WO2005040769A3 (en) 2005-11-17
WO2005040769A2 (en) 2005-05-06
EP1757223B1 (en) 2013-02-13
EP1681993A2 (en) 2006-07-26
US7321791B2 (en) 2008-01-22
EP1757223A3 (en) 2007-11-14
US8391961B2 (en) 2013-03-05
US20050065440A1 (en) 2005-03-24
US20130300848A1 (en) 2013-11-14
US20150056690A1 (en) 2015-02-26
CN102266219A (zh) 2011-12-07
DE04816892T1 (de) 2006-12-28
CN1886089B (zh) 2011-08-10
EP1681993B1 (en) 2013-07-10
US20070016082A1 (en) 2007-01-18

Similar Documents

Publication Publication Date Title
CN1886089A (zh) 生物样品的光谱成象
US7755757B2 (en) Distinguishing between renal oncocytoma and chromophobe renal cell carcinoma using raman molecular imaging
US7808633B2 (en) Spectroscopic system and method for predicting outcome of disease
US8285024B2 (en) Quantitative, multispectral image analysis of tissue specimens stained with quantum dots
US8013991B2 (en) Raman difference spectra based disease classification
Aeffner et al. Digital microscopy, image analysis, and virtual slide repository
CN107209934B (zh) 用于定量分析异质生物标志物分布的方法、系统和装置
US7463345B2 (en) Method for correlating spectroscopic measurements with digital images of contrast enhanced tissue
US7956996B2 (en) Distinguishing between invasive ductal carcinoma and invasive lobular carcinoma using raman molecular imaging
US7701573B2 (en) Method for correlating spectroscopic measurements with digital images of contrast enhanced tissue
CN1702459A (zh) 用于包括胎儿细胞的计算机所控制的稀少细胞的基于诊断的方法和装置
US20120062873A1 (en) System and method for diagnosing the disease state of breast tissue using swir
Deal et al. Demystifying autofluorescence with excitation scanning hyperspectral imaging
JP2022535798A (ja) ハイパースペクトル定量的イメージング・サイトメトリ・システム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant