DE60310267T2

DE60310267T2 - Messung der mitoseaktivität

Info

Publication number: DE60310267T2
Application number: DE60310267T
Authority: DE
Inventors: Christelle M. Guittet; Paul G. Qinetiq LTD. DUCKSBURY; Maria Petrou; Anastasios Kesidis; Roberto Department of Engineering CIPOLLA; Margaret J. Qinetiq Malv.Tech. Cente VARGA
Original assignee: Qinetiq Ltd
Current assignee: Qinetiq Ltd
Priority date: 2002-11-18
Filing date: 2003-11-13
Publication date: 2007-06-14
Anticipated expiration: 2023-11-14
Also published as: EP1760634A3; ATE347718T1; EP1579375A2; AU2003302054A1; GB0226787D0; JP2008077677A; JP4174050B2; DE60310267D1; EP1760634B1; US7577280B2; DE60329792D1; US20060098858A1; WO2004047004A3; EP1579375B1; WO2004047004A2; JP2006506635A; ATE446557T1; JP4864857B2; EP1760634A2

Description

Diese Erfindung betrifft ein Verfahren, eine Vorrichtung und ein Computerprogramm zur Messung von Mitoseaktivität, die anzeigt, dass in einer Gewebeprobe Zellteilung stattfindet. Sie ist besonders relevant für die Durchführung von Messungen an potenziell krebsbefallenem Gewebe, wie etwa an krebsbefallenem Brustgewebe. Das Verfahren ist auch für andere Krebsformen relevant, wie etwa Darm- und Gebärmutterhalskrebs.
Brustkrebs ist eine verbreitete Form von Krebs bei Frauen, und tritt in geringem Ausmaß auch bei Männern auf. Nachdem eine Läsion festgestellt wurde, die Brustkrebs anzeigt, werden Gewebeproben entnommen und von einem Histopathologen untersucht, um eine Diagnose, eine Prognose und einen Behandlungsplan zu erstellen. Die pathologische Untersuchung von Gewebeproben ist jedoch ein zeitaufwendiger und ungenauer Prozess. Er macht die Interpretation durch das menschliche Auge erforderlich, die hochgradig subjektiv ist: sie ist insbesondere durch beträchtliche Subjektivität bei Beobachtungen derselben Probe durch verschiedene Beobachter und sogar durch den selben Beobachter zu verschiedenen Zeitpunkten gekennzeichnet. Zum Beispiel können zwei verschiedene Beobachter, die dieselben 10 Gewebeproben beurteilen, verschiedene Meinungen für drei der Objektträger abgeben – 30% Fehler. Das Problem wird durch seine Heterogenität verschärft, das heißt, durch die Komplexität von manchen Merkmalen der Gewebeproben.
Die offengelegte internationale Patentanmeldung Nr. WO 02/47032 A1 betrifft die Messung von DNA in Zellen aus Bildern von Zellen, um die mitotische Phase anzuzeigen. Sie bezieht sich auf die Verwendung von anderen Parametern der Bildanalyse, um ein Beispiel anzugeben, auf die Größe der Intensitätsvarianz, gibt aber keine Details an, wie diese Varianz verwendet werden kann, um Mitoseaktivität anzuzeigen.
Es gibt einen Bedarf, eine objektive Form der Messung von Mitoseaktivität zu schaffen, um Informationen für die Diagnose eines Pathologen und die Patientenbehandlung bereitzustellen.
In einem Aspekt schafft die vorliegende Erfindung – die durch die Ansprüche im Anhang definiert ist – ein Verfahren zur Messung der Mitoseaktivität aus Bilddaten von histopathologischen Proben, dadurch gekennzeichnet, dass das Verfahren folgende Schritte aufweist:

a) Identifizieren von Pixeln in den Bilddaten, die Luminanzen haben, die zu mitotischen Formen gehören;
b) Auswählen eines Referenzpixels aus den identifizierten Pixeln, das bezüglich Position und Luminanz einem anderen identifizierten Pixel ausreichend nahe ist, um eine Referenzfarbe zu schaffen;
c) Auffinden von Pixeln in den Bilddaten mit Luminanzen, die denen der Referenzfarbe ausreichend nahe sind, um auf potenzielle Formen von Mitose hinzudeuten,
d) Schrittweises Ausweiten von Bildbereichen, die potenziell mitotischen Formen aus den gefundenen Pixeln entsprechen, indem Pixel hinzugefügt werden, wobei potenzielle Ausweitungsschritte für Bildbereiche ausgeführt oder abgelehnt werden, je nach dem, ob ihre Luminanzen ausreichend nah bei den entsprechenden Luminanzen der Bildbereiche liegen und ausreichend weit von der Hintergrundluminanz der Bilddaten entfernt sind oder nicht;
e) Auswählen der gewachsenen Bildbereiche auf Basis von Schwellwerten für die Fläche des Bildbereichs, die Kompaktheit und das Breite/Höhe-Verhältnis; und
f) Zählen von ausgewählten gewachsenen Bildbereichen als Formen, die tatsächlich mitotische Formen anzeigen, auf Basis eines Schwellwerts für die Anzahl solcher Bereiche.

Die Erfindung bietet den Vorteil, dass sie eine objektive Messung der Mitoseaktivität bereitstellt, um Informationen für die Diagnose eines Pathologen und die Patientenbehandlung bereitzustellen.
Der Schritt der Auswahl gewachsener Bildbereiche kann auch Schwellwerte für das Verhältnis der Luminanz des Bildbereichs zur Luminanz des Hintergrundes und für die Flächendifferenz zwischen Bereichen einschließen, die dadurch abgeleitet sind, dass jeder Bildbereich mit mehreren Schwellwerten wachsen gelassen wurde. Die Schwellwerte für die Fläche, die Kompaktheit, Breite/Höhe-Verhältnis, Luminanz und Flächendifferenz können sein: 355 Pixel < Fläche < 1700 Pixel, 0,17 < Kompaktheit < 0,77, Breite/Höhe-Verhältnis < 2,7, Luminanzprozentsatz kleiner 44%, Flächendifferenz < Fläche·23/100.
Der Schritt des Zählens der ausgewählten gewachsenen Bildbereichen kann auch Schwellwerte für die Fläche des Bereichs und die Luminanz einschließen. Sukzessive potenzielle Ausweitungsschritte für Bildbereiche können einzelne Pixel sein, von denen jedes ein unmittelbarer Reihen- oder Spaltennachbar eines bestehenden Pixels des Bildbereiches ist. Schritt b) kann mit einem Referenzpixel mit einer Luminanz implementiert werden, die um weniger als 8% im Vergleich zu einem anderen identifizierten Pixel abweicht, das von ihm um nicht mehr als zwei Prozent von einer kleineren von zwei Bildabmessungen entfernt ist.
Schritt a) kann einen Weißabgleich und Mittelwertfilterung der Bilddaten vor der Identifizierung der Pixel mit Luminanzen, die mitotischen Formen entsprechen, umfassen. In Schritt c) können Pixel für Akzeptanz oder Ablehnung bezüglich Hindeutung auf mitotische Formen markiert werden, indem:

a) Farbdaten des Bildes mit Schwellwerten verglichen werden, um Pixel zu entfernen, die nicht die Intensitäten aufweisen, die zum Bildanteil von mitotischen Formen gehören,
b) Pixel entfernt werden, die nicht in allen Farben vorhanden sind, und
c) Flächen von Bildbereichen mit Schwellwerten verglichen werden, um die zu entfernen, die für potenzielle mitotische Formen zu klein und zu groß sind.

In Schritt c) können alternativ Pixel für Akzeptanz oder Ablehnung bezüglich Hindeutung auf mitotische Formen markiert werden, indem:

a) segmentiert wird, um Pixel mit Intensitäten zu identifizieren, die zum Bildanteil von mitotischen Formen gehören,
b) Flächen von Bildbereichen mit Schwellwerten verglichen werden, um die zu entfernen, die für potenzielle mitotische Formen zu klein und zu groß sind,
c) Gruppenanalyse durchgeführt wird, um festzustellen, ob der Bildbereich eines Pixels in einer ausreichend großen Gruppe ist oder nicht, und
d) nekrotische Filterung und Filterung bezüglich ausgefranster Kanten durchgeführt wird. In einem anderen Aspekt schafft die vorliegende Erfindung eine Rechnervorrichtung zum Messen von Mitoseaktivität in Bilddaten von histopathologischen Proben, dadurch gekennzeichnet, dass die Vorrichtung dazu programmiert ist, die folgenden Schritte auszuführen: a) Identifizieren von Pixeln in den Bilddaten mit Luminanzen, die zu mitotischen Formen gehören,
b) Auswählen eines Referenzpixels aus den identifizierten Pixeln, das bezüglich Position und Luminanz einem anderen identifizierten Pixel ausreichend nahe ist, um eine Referenzfarbe zu schaffen;
c) Auffinden von Pixeln in den Bilddaten mit Luminanzen, die denen der Referenzfarbe ausreichend nahe sind, um auf potenzielle mitotische Formen hinzudeuten,
d) Schrittweises Ausweiten von Bildbereichen, die potenziell mitotischen Formen aus den gefundenen Pixeln entsprechen, indem Pixel hinzugefügt werden, wobei potenzielle Vergrößerungen von Bildbereichen ausgeführt oder abgelehnt werden, je nach dem, ob ihre Luminanzen ausreichend nah bei den entsprechenden Luminanzen des Bildbereichs liegen und ausreichend weit von der Luminanz eines Hintergrundes der Bilddaten entfernt sind oder nicht;
e) Auswählen der gewachsenen Bildbereiche auf Basis von Schwellwerten für die Fläche des Bildbereichs, die Kompaktheit und das Breite/Höhe-Verhältnis; und
f) Zählen von ausgewählten gewachsenen Bildbereichen als Formen, die tatsächlich mitotische Formen anzeigen, auf Basis eines Schwellwerts für die Anzahl solcher Bereiche.

In noch einem anderen Aspekt schafft die vorliegende Erfindung ein Computerprogramm für die Verwendung bei der Messung von Mitoseaktivität in Bilddaten von histopathologischen Proben, dadurch gekennzeichnet, dass das Computerprogramm Anweisungen enthält, um einen Rechner zu steuern, der die folgenden Schritte ausführt:

a) Identifizieren von Pixeln in den Bilddaten, die Luminanzen haben, die zu Formen von Mitose gehören;
b) Auswählen eines Referenzpixels aus den identifizierten Pixeln, das bezüglich Position und Luminanz einem anderen identifizierten Pixel ausreichend nahe ist, um eine Referenzfarbe zu schaffen;
c) Auffinden von Pixeln in den Bilddaten mit Luminanzen, die denen der Referenzfarbe ausreichend nahe sind, um auf potenzielle Formen von Mitose hinzudeuten,
d) Schrittweises Ausweiten von Bildbereichen, die potenziell mitotischen Formen aus den gefundenen Pixeln entsprechen, indem Pixel hinzugefügt werden, wobei potenzielle Vergrößerungen von Bildbereichen ausgeführt oder abgelehnt werden, je nach dem, ob ihre Luminanzen ausreichend nah bei den entsprechenden Lumi nanzen des Bildbereichs liegen und ausreichend weit von der Luminanz eines Hintergrundes der Bilddaten entfernt sind oder nicht;
e) Auswählen der gewachsenen Bildbereiche auf Basis von Schwellwerten für die Fläche des Bildbereichs, die Kompaktheit und das Breiten/Höhen-Verhältnis; und
f) Zählen von ausgewählten gewachsenen Bildbereichen als Formen, die tatsächlich mitotische Formen anzeigen, auf Basis eines Schwellwerts für die Anzahl solcher Bereiche.

Die Aspekte Rechnervorrichtung und Computerprogramm nach der Erfindung können bevorzugte Merkmale aufweisen, die entsprechenden Aspekten des Verfahrens nach der Erfindung entsprechen.
Damit die Erfindung vollständiger verstanden werden kann, werden nun Ausführungen davon, nur als Beispiel, mit Bezug auf die Zeichnungen im Anhang beschrieben, in denen:
1 ein Blockdiagramm einer Prozedur zur Messung von Mitoseaktivität nach der Erfindung einschließlich der Mitose-Markierung, Erfassung von Merkmalen und Zählen ist;
2 die Mitose-Markierung in der Prozedur von 1 detaillierter zeigt;
3 ein Blockdiagramm eines alternativen Ansatzes für Mitose-Markierung in der Prozedur in 1 ist;
4 die Verwendung von Segmentierung mit zufälligen Hidden-Markov-Feldern in der Mitose-Markierungsprozedur in 3 darstellt; und
5 die Erfassung von Mitosemerkmalen in der Prozedur in 1 detaillierter darstellt.
In 1 ist eine Prozedur 10 für die Beurteilung von Gewebeproben in Form von histopathologischen Objektträgern von potenziellen Karzinomen der Brust gezeigt. Die Zeichnung stellt die Prozesse für die Messung von Mitoseaktivität dar, um einen Parameter zu erzeugen, der von einem Pathologen als Basis für die Beurteilung der Diagnose des Patienten verwendet werden kann.
Die Prozedur 10 setzt eine Datenbank 12 ein, die die digitalisierten Bilddaten unterhält, die von histologischen Objektträgern erhalten werden, wie später beschrieben wird. Aus Brustgewebeproben (Biopsien) werden Abschnitte entnommen (durch Schneiden) und auf entsprechenden Objektträgern platziert. Die Objektträger werden mit dem Färbungsmittel Hämatoxin & Eosin (H & E) gefärbt, das ein gebräuchliches Färbungsmittel ist, um die Begrenzungen von Gewebe und Zellstruktur sichtbar zu machen. Gewebe, das mit H&E gefärbt ist, wird verwendet, um Mitoseaktivität zu beurteilen.
Die Messung von Mitoseaktivität in einer Gewebeprobe ergibt eine Angabe über den Grad der Zellteilung, die stattfindet. Ein histopathologischer Objektträger ist eine Momentaufnahme, die ein sehr kurzes Zeitintervall in einem Zellteilungsprozess darstellt, folglich ist die Chance, dass ein solcher Objektträger eine bestimmte Phase der Mitoseaktivität zeigt, sehr klein. Wenn eine solche Phase tatsächlich auf einem Objektträger vorhanden ist, ist dies ein guter Indikator, wie schnell ein potenzieller Tumor wächst.
In einer manuellen Prozedur nach dem Stand der Technik zur Erfassung Mitoseaktivität platziert ein Klinikmitarbeiter einen Objektträger unter einem Mikroskop und untersucht einen Bereich davon (die als eine Kachel bezeichnet wird) mit einer Vergrößerung von ×40 nach Anzeichen von Mitoseaktivität. Diese manuelle Prozedur umfasst einen Pathologen, der subjektiv und einzeln ungewöhnliche Farbe, Größe, Form und Grenzdefinition von Zellen einer Gewebeprobe eingeschätzt. Die Werte, die auf diese Weise erhalten werden, werden von dem Pathologen zusammengefasst, sodass sie eine einzelne Messung für die Verwendung bei der Diagnose ergeben. Der Prozess, der im Folgenden in diesem Beispiel beschrieben wird, ersetzt die manuelle Prozedur nach dem Stand der Technik durch eine objektive Prozedur.
Die Erfindung verwendet Bilddaten von histologischen Objektträgern. In dem vorliegenden Beispiel wurden Bilddaten von einem Pathologen aufgenommen, der ein Mikroskop vom Typ Zeiss Axioskop mit einer Digitalkamera vom Typ Jenoptik Progres 3012 verwendet hat. Bilddaten von jedem Objektträger sind ein Satz von digitalen Bildern, die bei einer linearen Vergrößerung von 40 (d.h. 40X) aufgenommen wurden, wobei jedes Bild ein elektronisches Äquivalent einer Kachel ist.
Um Bilder auszuwählen, verschiebt der Pathologe das Mikroskop über einen Objektträger, und wählt bei 40facher Vergrößerung Bereiche (Kacheln) des Objektträgers, die am vielversprechendsten für die Analyse von Mitoseaktivität erscheinen. Jeder dieser Bereiche wird dann mit dem Mikroskop und der Digitalkamera, auf die oben Bezug genommen wurde, fotografiert, und erzeugt für jeden Bereich ein entsprechendes digitalisiertes Bild in drei Farben, das heißt rot, grün und blau (R, G & B). Für jedes Pixel in einem Pixelfeld erhält man drei Intensitätwerte, die ein Bild als Kombination der R, G und B-Bildebenen liefern. Diese Bilddaten werden zeitweise für die spätere Verwendung in 12 gespeichert. Für die Messung von Mitoseaktivität in 14 sind zehn digitalisierte Bilder erforderlich, die dann als Eingaben für den diagnostischen Bericht in 28 dienen.
Für die Messung Mitoseaktivität in einer vorgegebenen Probe werden mehrere Prozesse 16 bis 20 beschrieben: diese umfassen zwei alternative Mitose-Markierungsprozesse 16 und 18 und einen Erfassungsprozess für Mitosemerkmale 20. Das Maß für Mitoseaktivität wird in 26 in einen mitotischen Zählwert für die Verwendung durch einen Pathologen umgewandelt.
In 2 ist nun der erste alternative Mitose-Markierungsprozess 16 detaillierter gezeigt. Wenn er zur Verwendung ausgewählt wird, wird er für jedes der 10 digitalisierten Bilder ausgeführt, die oben erwähnt wurden, aber wird nun für eines dieser Bilder beschrieben, das das eingegebene Bild genannt wird. Er wird verwendet, um dunkle Bildbereiche, die mitotischen Zellen entsprechen können, zu markieren oder zu identifizieren.
In einer Stufe 30 werden aus dem eingegebenen Bild drei Histogramme gebildet, die die Häufigkeit des Auftretens von Intensitäten von Pixeln zeigen, wobei ein Histogramm R (rot), eines B (blau) und eines G (grün) darstellt. Zum Beispiel hat ein Bild mit acht Bit pro Farbe und Pixel eine Abszissenachse des Histogramms mit 256 Intensitätswerten, 0 bis 255, und eine Ordinatenachse des Histogramms mit der Anzahl der Pixel in dem Bild, die jeden Intensitätswert haben. Jedes Histogramm ist ein Vektor mit 256 Elementen, und das i-te Element (i = 0 bis 255) jedes Vektors ist die Anzahl von Pixeln, die die Intensität i in der R-, G- oder B-Bildebene haben.
Die nächste Stufe ist, die R-, G- oder B-Bildebenen in 32 mit Schwellwerten zu vergleichen: um dies zu implementieren, wird zuerst die Gesamtanzahl Nr von Pixeln in einer Bildebene gezählt (dies ist derselbe Wert für alle drei Bildebenen). Für jede Bildebene wird dann Nr durch einen entsprechenden empirischen R-, G- oder B-Parameter P_R, P_B oder P_G geteilt, die aus der Erfahrung mit der Implementierung dieser Erfindung bestimmt wurden: die Parameterwerte P_R = 100, P_G = 100 und P_B = 140 wurden manuell und empirisch aus einem Satz von 250 Testbildern abgeleitet, die mit dem Mikroskop Zeiss Axioskop und der Kamera Jenoptik Progres 3012, die oben erwähnt wurden, aufgenommen wurden. Bilder, die mit einer anderen Mikroskop/Kamera-Kombination erzeugt wurden, können andere Parameter erfordern. Diese Prozedur liefert drei Schwellwerte T_R, T_G und T_B, die jeweils gleich N_T/P_R, N_T/P_G und N_T/P_B sind.
Die Histogramme und die Schwellwerte T_R, T_G und T_B werden dann für jede Bildebene verwendet, um die Pixel mit geringer Intensität auszuwählen, deren Gesamtanzahl nicht die Schwellwerte T_R, T_G und T_B überschreitet. So habe zum Beispiel ein Bild mit einer Gesamtanzahl der Pixel Nr gleich 20.000 eine rote und eine grüne Bildebene mit P_R = 100, P_G = 100, und T_R und T_G gleich 200. Für die blaue Bildebene ist T_B 2·10⁴/140 oder ~ 142. In einem 8-Bit-Bereich von Pixelintensitäten mit Werten von 0 bis 255 kann das Histogramm der roten Bildebene Pixelanzahlen von 3, 20, 50, 7, 20, 80 und 65 bei entsprechenden Pixelintensitätswerten von 0 bis 6 haben. Die Gesamtanzahl von Pixeln mit Pixelintensitätswerten von 0 bis 6 ist 245, was den Schwellwert für die rote Bildebene T_R von 200 überschreitet; die Ge samtanzahl über die Pixelintensitätswerte von 0 bis 5 beträgt jedoch weniger als 200, und deshalb werden diese behalten und Pixelintensitätswerte von 6 bis 255 werden abgelehnt. Die Prozedur behält einen kleinen Teil des Histogramms, der den dunkleren Bereichen der roten Bildebene entspricht (mitotische Zellen tendieren dazu dunkel zu sein). Diese Prozedur wird für die grüne und blaue Bildebene mit deren entsprechenden Schwellwerten wiederholt. Das Ziel ist, in jeder Bildebene eine Anzahl von Pixeln zu behalten, für die es wahrscheinlich ist, dass sie im Verhältnis zu Anzahl der Pixel des Bildes stehen.
Die nächste Stufe 34 ist Raumfilterung: hier werden die roten, grünen und blauen Pixel, die behalten wurden, verglichen und jedes Pixel, das nicht in allen drei Bildebenen nach dem Vergleich mit dem Schwellwert behalten wurde, wird abgelehnt. Jedes Pixel, das nach der Raumfilterung verbleibt, wird dann markiert, indem ihm ein binärer Wert 1 zugeordnet wird, und alle anderen Pixel in dem Bild, die abgelehnt wurden, werden auf binär 0 gesetzt: dies erzeugt ein einzelnes, gemeinsames binäres Bild zur Ausgabe aus der Stufe 34.
In 36 wird eine Methode, die als „Kennzeichnung von verbundenen Komponenten" (CCL, connected component labelling) auf das gemeinsame binäre Bild aus Stufe 34 angewendet: dies ist eine bekannte Bildverarbeitungsmethode (die manchmal „Klecks-Färbung" (blob colouring) genannt wird), die von R. Klette, P. Zamperoniu: „Handbook of Image Processing Operators", John Wiley & Sons, 1996 und A. Rosenfeld, A. C. Kak: „Digital Picture Processing", vols. 1 & 2, Academic Press, New York, 1982 veröffentlicht wurde. CCL liefert numerische Kennzeichen für Bildbereiche, die Kleckse in dem binären Bild sind, wobei Kleckse Gruppen von aneinandergrenzenden oder verbundenen Pixeln mit demselben Wert 1 in einem binären Bild sind, das nur Nullen und Einsen enthält: jeder Gruppe oder jedem Klecks wird eine Zahl (Kennzeichen) zugeordnet, das sich von dem von anderen Gruppen unterscheidet, um zu ermöglichen, einzelne Flecken von anderen zu unterscheiden. CCL liefert außerdem die Fläche von Flecken als Anzahl von Pixeln.
Die Kleckse werden dann auf Basis ihrer Abmessungen behalten (die Pixel werden auf 1 gesetzt) oder abgelehnt (die Pixel werden auf 0 gesetzt): die Flecken werden behalten, wenn sie sowohl zwischen 95 und einschließlich 5000 Pixel enthalten, als auch eine Höhe und eine Breite von nicht mehr als 2000 Pixeln haben. In diesem Beispiel ist die minimale Fläche mit 95 Pixeln absichtlich auf einen kleinen Wert gesetzt, um zu vermeiden, dass zu viele Kleckse abgelehnt werden, die für mögliche Mitoseaktivität von Interesse sein können. Die maximale Fläche ist aus demselben Grund auf einem großen Wert gesetzt. Die Ausgabe aus Stufe 36 ist ein binäres Bild, das eine Menge von gekennzeichneten Klecksen für die Analyse von Mitoseaktivität enthält, wie später beschrieben wird. Stufe 36 ist zum Entfernen von Klecksen nützlich, die wahrscheinlich für die spätere Verarbeitung nicht relevant sind, ist aber nicht unbedingt erforderlich.
In 3 ist nun der zweite Mitose-Markierungsprozess 18 detaillierter gezeigt. Wenn der Prozess 18 für die Verwendung ausgewählt ist, wird er wie in dem vorangehenden Beispiel für jedes der 10 digitalisierten Bilder, die oben erwähnt wurden, ausgeführt, wird aber nun für eines dieser Bilder beschrieben. In einer Stufe 40 wird eine einzelne Iteration einer Methode, die als „Segmentierung mit zufälligen Hidden-Markov-Feldern" bekannt ist, mit der roten Komponente eines originalen (RGB) eingegebenen Bildes von einer Kachel ausgeführt. Diese Segmentierung ist eine bekannte Bildverarbeitungsmethode, siehe P.A. Devijver: „Image segmentation using causal Random Field models", Pattern Recognition, J. Kittler (ed) Lecture Notes in Computer Science 301, Springer-Verlag 1988, außerdem P.G. Ducksbury: „Parallel model based segmentation using a 3^rd order hidden Markov model", 4^th IEE int. Conf. Image Processing and its Applications, Maastricht, 7-9 April, 1992. Das eingegebene Bild wird in vier Ebenen quantisiert (das heißt, von potenziell 256 Graustufen auf nur 4 reduziert): die erste dieser Ebenen entspricht sehr dunklen Gebieten des eingegebenen Bildes, die zweite und dritte Ebene sind zunehmend weniger dunkel, und die vierte Ebene entspricht den hellen Bereichen des Bildes. Das Histogramm der Graustufen des eingegebenen Bildes wird berechnet und zu Beginn mit einem Satz von vier Gaußverteilungen der Anzahl von Pixeln N(x) als eine Funktion der Pixelwerte x angenähert, wobei die Verteilungen eine Vielzahl von Mittelwerten μ von Standardabweichungen σ haben, von denen jede folgende Form hat:
In diesem Beispiel bilden die Verteilungen nach Gleichung (1) die Basis der Bildsegmentierung, die als Separation von Objekten von einem Hintergrund in einem digitalen Bild definiert ist. Die Gaußverteilungen sind jeweils mit 1 bis 4 nummeriert. Wenn ein Bildpixel eine Graustufe hat, die innerhalb die Gaußverteilung Nummer j (j = 1, 2, 3, 4) fällt, dann ist seine Segmentierungskennung j. Wenn es jedoch eine Überlappung der Gaußverteilungen wie in den schattierten Flächen in 4 gibt, dann kommt die Leistungsfähigkeit des Markov-Segmentierungsalgorithmus zum tragen, indem er eine probabilistische Entscheidung trifft, welche Segmentierungskennung am besten ausgewählt werden soll. Die Ausgabe aus dieser Stufe 40 ist ein Maskierungsbild, bei dem jedem Pixel eine von vier Zahlen (1, 2, 3 oder 4) zugeordnet wurde. Nur Pixel mit der Kennung 1 (die dunklen Bildbe reichen entspricht) werden in den nachfolgenden Verarbeitungsstufen verwendet. Auch wenn nur Pixel mit Kennung 1 zurückbehalten werden, ist es für gute Bildsegmentierung besser, eine geeignete Anzahl von Ebenen oder Kennungen (vier in diesem Fall) zu verwenden und die Pixel richtig zuzuordnen: dies verbessert die Ergebnisse für die Kennung 1. Wenn zu wenig Segmentierungsebenen verwendet werden, können die segmentierten Bereiche zu groß sein und ungeeignete Pixel enthalten; bei zu vielen Ebenen können die segmentierten Bereiche zu klein und fragmentiert sein.
Segmentierung in vier wurde als guter Kompromiss gefunden, obwohl nur die Pixel mit der kleinsten Nummer in der späteren Verarbeitung verwendet werden. Stufe 40 ist eine nützliche Segmentierungsmethode, aber es können stattdessen andere verwendet werden.
In 42 wird ein K-means-Clusteringprozess ausgeführt: dies ist ein bekannter Prozess, der von J. A. Hartigan und M. A. Wong in einer Veröffentlichung mit dem Titel „A K-means clustering algorithm", Algorithms AS 136, Applied Statistics Journal, 1979 beschrieben wurde. K-means ist eine iterative statistische Methode zur Berechnung eines optimalen Satzes von Clustern (Gruppen von Datenobjekten, die irgendeine gemeinsame Eigenschaft miteinander teilen) aus einem Datensatz. Dieser Prozess verwendet Rohbildpixel aus der roten Komponente des originalen (RGB) eingegebenen Bildes von einer Kachel, das in 40 eingegeben wurde: er wählt die roten Pixel aus, die sich an der selben Bildposition wie Pixel befinden, die in dem Markierungsbild, das in 40 erzeugt wurde, mit 1 gekennzeichnet sind. Es werden drei Cluster verwendet, wobei das Maximum und das Minimum der Werte der Rohbildpixel mit der Kennung 1 zu „max" bzw. „min" erklärt werden, und anfängliche Zentren der Cluster für die K- means-Methode relativ zum Dynamikbereich (max – min) dieser Pixel wie folgt festgelegt werden:
Aus dem Ergebnis der K-means-Methode werden zwei Masken erzeugt: eine Maske markiert Bereiche, die Cluster 1 ODER Cluster 2 enthält (die Maske für verbundene Cluster), während die zweite Maske nur Cluster 1 isoliert markiert (die Maske für Cluster 1). Nur die Cluster 1 und 2 sind für die spätere Verarbeitung erforderlich; der dritte Cluster wird einfach verwendet, um Daten auf einer angemesseneren Basis zur separieren.
In 44 wird Kennzeichnung verbundener Komponenten (CCL, wie zuvor beschrieben) auf die Maske angewendet, die in 42 erzeugt wurde, die die verbundenen Cluster (Cluster 1 ODER Cluster 2) markiert. CCL liefert außerdem die Flächen der markierten Gruppen als Anzahl von Pixeln. Kleckse, die sich außerhalb eines erlaubten Flächenbereichs befinden, werden abgelehnt, und die, die innerhalb dieses Bereichs liegen, werden behalten, wie in der Tabelle unten angegebenen ist, und fortlaufend von Kennung 1 aufwärts neu nummeriert. Die Ausgabe aus Stufe 44 ist eine Menge von gekennzeichneten Klecksen.
Die maximal und minimal akzeptablen Klecksflächen (242144 und 70 Pixel) wurden mit ausreichend großem Abstand zueinander ausgewählt, um signifikanten Verlust von potenziell relevanten Klecksen zu vermeiden – dieser Dynamikbereich kann verringert werden, wenn mehr Wissen über relevante Klecksgrößen verfügbar wird. Stufe 44 dient dazu, unerwünschte Kleckse zu entfernen, es kann aber darauf verzichtet werden.
In 46 wird jeder Klecks mit Kennung, der in 44 erzeugt wurde, betrachtet und auf Basis einer Kontextanalyse seiner Kenngröße Cluster 1/(Cluster 1 + Cluster 2) akzeptiert oder abgelehnt; das heißt, aus den Ergebnissen von 42 muss für den Klecks herausgefunden werden, wieviele seiner Pixel in Cluster 1 (NC1) und wieviele in Cluster 2 (NC2) sind. Dann wird das Verhältnis NC1/(NC1 + NC2) berechnet, und der Klecks für weitere Verarbeitung akzeptiert, wenn dieses Verhältnis 0,6 oder größer ist. Wenn das Verhältnis kleiner als 0,6 ist, wird der Klecks abgelehnt. Das Ergebnis ist eine verringerte Menge von Klecksen.
In 48 wird die verringerte Menge von Klecksen, die in 46 erzeugt wurden, genommen, und eine Ablehnung mit einem „nekrotischen Filter" durchgeführt: ein solcher Filter berechnet ein Standardmaß, das das Euklidische Maß M_Eu der normierten quantisierten Grenzphase genannt wird (wie später beschrieben wird). Das Euklidische Maß M_Eu hat die Form:
wobei x_i und y_i (i = 1 bis n) Elemente von Vektoren x beziehungsweise y sind, die zwei Größen darstellen, die verglichen werden sollen. Der „nekrotische Filterprozess" ist der folgende: zuerst wird ein Sobel-Kantenfilter auf das Bild mit Kennungen, das in Schritt 44 erhalten wurde, und das Rohbild angewendet – das heißt, die rote Komponente der originalen (RGB), eingegebenen Bildkachel, die in Stufe 40 eingegeben wurde. Das Bild mit Kennungen wird verwendet, um die Grenze des Kleckses zu erhalten, die einer Form der Mitose entsprechen kann, und das Rohbild wird verwendet, um den Phasenwinkel von Pixeln im Rohbild zu erhalten. Sobel ist eine Standard-Bildverarbeitungsmethode, die in R. Klette & P. Zamperoni: „Handbook of image processing operators", John Wiley & Sons, 1995 veröffentlicht ist. Ein Sobel-Filter besteht aus zwei 3×3-Feldern von Zahlen S_P und S_Q, von denen jede mit aufeinanderfolgenden 3×3-Feldern aus Pixeln einem Bild gefaltet wird. Hier werden
verwendet.
Ein erstes 3×3-Feld aus Pixeln wird in der oberen linken Ecke des Bildes mit Kennungen ausgewählt: wenn C_ij zu einem allgemein indizierten Pixel in Reihe i und Spalte j erklärt wird, besteht die obere linke Ecke des Bildes aus den Pixeln C₁₁ bis C₁₃, C₂₁ bis C₂₃ und C₃₁ bis C₃₃. C_ij wird dann mit der entsprechenden Stelle von S_P multipliziert, die in dem S_P-Feld wie C_ij in dem zyanfarbenen 3×3-Pixelfeld angeordnet ist: das heißt, C₁₁ bis C₁₃ werden mit 1, 2 beziehungsweise 1 multipliziert, C₂₁ bis C₂₃ mit Nullen, und C₃₁ bis C₃₃ mit –1, –2 beziehungsweise –1. Die Produkte, die auf diese Weise gebildet werden, werden algebraisch addiert und liefern einen Wert p. Der Wert p ist relativ klein für Pixelwerte, die sich langsam zwischen der ersten und der dritten Reihe auf jeder Seite der Reihe von C₂₂ändern, und relativ groß für Pixelwerte, die sich schnell zwischen diesen Reihen ändern: folglich liefert p eine Angabe der Kantenschärfe über Reihen. Diese Prozedur wird mit dem selben Pixelfeld wiederholt, wobei aber S_Q S_P ersetzt, und ein Wert q wird erhalten: q ist relativ klein für Pixelwerte, die sich langsam zwischen der ersten und der dritten Spalte an jeder Seite der Spalte C₂₂ ändern, und relativ hoch für Pixelwerte, die sich schnell zwischen diesen Spalten ändern, und deshalb liefert q eine Angabe für die Kantenschärfe über Spalten. Die Quadratwurzel der Summe der Quadrate von p und q wird dann berechnet, das heißt
was als eine „Kantengröße" definiert wird und zu T₂₂ in dem transformierten Bild wird (das Pixel C₂₂ in der Mitte des 3×3-Feldes ersetzt). Tan^–1 p/q wird ebenfalls für jedes Pixel ermittelt und wird als ein „Phasenwinkel" definiert.
Ein allgemeines Pixel T_ij (Reihe i, Spalte j) in dem transformierten Bild wird aus C_i-1,j-1 bis C_i-1,j+1, C_i,j-1 bis C_i,j+1 und C_i+1,j-1 bis C_i+1,j+1des Bildes mit Kennungen abgeleitet. Weil die zentrale Reihe und Spalte des Sobel-Filters in Gleichung (3) jeweils Nullen sind, und andere Ko effizienten Einsen und Zweien sind, können p und q für T_ij wie folgt berechnet werden p = {Ci-1,j-1 + 2Ci-1,j + Ci-1,j+1} – {Ci+1,j-1 + 2Cj+1,j + Ci+1,j+1} (4) q = {Ci-1,j-1 + 2Ci,j-1 + Ci+1,j-1} – {Ci-1,j+1 + 2Ci,j+1 + Ci+1,j+1} (5)
Beginnend mit i = j = 2 werden p und q für aufeinanderfolgende 3×3-Pixelfelder berechnet, indem j um 1 inkrementiert wird und die Gleichungen (2) und (3) für jedes solche Feld ausgewertet werden, bis das Ende einer Reihe erreicht ist; j wird dann um 1 inkrementiert und die Prozedur wird für eine zweite Reihe usw. wiederholt, bis das gesamte Bild transformiert wurde. Der Sobel-Filter kann keine Werte für Pixel an den Bildrändern berechnen, die keine angrenzenden Pixel an der einen oder anderen ihrer Seiten haben: das heißt, in einem Pixelfeld mit N Reihen und M Spalten sind die Randpixel die oberste und die unterste Reihe und die erste und die letzte Spalte, oder in den transformierten Bildpixeln T₁₁ bis T_1M, T_N1 bis T_NM, T₁₁ bis T_1M und T_1M bis T_NM. Durch Konvention sind beim Sobel-Filtern diese Randpixel auf Null gesetzt. Die Ausgabe des Sobel-Filters umfasst zwei transformierte Bilder, eines (das kantengefilterte Bild) enthält die Grenzen der Kleckse mit Kennung, die in 44 erzeugt wurden, während das andere die „Phasenwinkel" des eingegebenen Rohbildes enthält.
Ein Pixel eines Kleckses mit Kennung ist ein Randpixel, wenn das an derselben Stelle angeordnete Pixel in dem Sobel-kantengefilterten Bild nicht Null ist: für jedes Randpixel wird der Phasenwinkel aus dem an derselben Stelle angeordneten Pixel in dem Sobel-Phasenwinkel-Bild extrahiert. Diese Phasenwinkel-Information wird dann quantisiert, um sie in vier Orientierungsrichtungen (0–44, 45–89, 90–134, 135–179 Grad) zu reduzieren, und die Anzahl von Randpixeln in jeder Richtung wird normiert, indem sie durch die Anzahl der Pixel am Umfang des Kleckses geteilt wird. Dies resultiert in Vektoren mit vier Elementen mit normierten Orientierungen oder quantisierten Phasen für jeden Klecks: das Euklidische Maß von jedem dieser Vektoren wird mit Gleichung (2) berechnet und mit dem eines perfekten Kreises verglichen, in dem die vier Vektorelemente den gleichen Wert haben. Dies sucht nach Klecksen, die relativ weit von der Kreisform entfernt sind. Das Euklidische Maß der Kleckse mit Kennung wird mit einem Euklidischen Schwellwert von 0,4354 verglichen, und die Kleckse werden abgelehnt, wenn ihr Euklidisches Maß größer ist als dieser. Der Euklidische Schwellwert wurde aus einer K-means-Analyse eines Testdatensatzes abgeleitet. Eine Menge von verbleibenden Klecksen wird ausgegeben.
In 50 wird jeder der Kleckse, die nach Schritt 48 verbleiben, untersucht und ein "Ausgefranste-Kanten-Filter"-Vorgang wird ausgeführt. Ein „Ausgefranste-Kanten-Filter" misst das Ausmaß der Kantenstruktur in einer Fläche um einen Klecks herum, wobei dies eine grobe Annäherung an die „ausgefransten Fasern" ist, die manchmal um Formen von Mitose herum zu sehen sind. Dies wird für jeden Klecks wie folgt berechnet:

a) zwei morphologische Dilationen werden mit Filtern von 5×5 und 13×13 Pixeln Größe wie unten gezeigt angewendet.

Morphologische Dilation ist ein Ausdehnungsvorgang: für ein originales binäres Bild (das heißt, nur mit Pixelwerten 1 und 0) umfasst der Ausdehnungsvorgang das Auffinden jedes Pixel mit Wert 1 und das Setzen der Pixel in seiner Nähe ebenfalls auf 1. In den zwei Matrizen oben gibt eine zentrale Eins ein Pixel in dem Bild an, von dem festgestellt wurde, dass es 1 ist, andere Einsen geben die relativen Positionen von nahe gelegenen Pixeln an, die auf 1 gesetzt werden, um morphologische Dilation zu implementieren, und Nullen, die Pixel darstellen, die unverändert gelassen werden. Morphologie ist eine Bildverarbeitungsmethode, die auf Form und Geometrie basiert. Es ist eine Standard-Bildverarbeitungsprozedur, die in S.C. Umbaugh: „Colour vision and image processing", Prentice Hall, 1998 veröffentlicht ist. Morphologie wendet einen Filter von irgendeiner Größe und Form auf ein Bild an, im einfachsten Sinne Dilation (vergrößert (oder expandiert) ein Objekt) an jeder Pixelposition. Die Ausgabe der Dilation ist das logische ODER der Eingaben. Die verwendeten Filter enthalten Annäherungen an Kreise, wie oben gezeigt ist. Die Anwendung der zwei Dilationsvorgänge führt zu zwei vergrößerten Ergebnissen. Jeder Klecks wird zweimal in verschiedenem Umfang vergrößert, wie mit Bezug auf die Gleichungen (6) und (7) beschrieben ist: der Klecks, die sich aus dem 5×5-Filter ergibt, wird dann von der subtrahiert, die sich aus dem 13×13-Filter ergibt, was zu einer Grenze um den Klecks herum führt. Dies wird für jeden der Kleckse wiederholt, die nach Schritt 48 verblieben sind.
b) Ein Sobel-Filter (wie zuvor beschrieben) wird angewendet, um den Gradienten des Rohbildes zu erhalten – das heißt, der roten Komponente des originalen (RGB), eingegebenen Bildes von einer Kachel zu erhalten, das in 40 eingegeben wurde. Eine Summierung der Gradientenwerte wird in der Fläche der Grenze (Maske) gebildet; die in a) um jeden Klecks herum bestimmt wurde, und wird als ein durch Filtern erzeugtes Maß für den Vergleich mit einem Schwellwert für „ausgefranste Kanten" für die Akzeptanz oder Ablehnung von Klecksen verwendet, wie in der Tabelle unmittelbar unten gezeigt ist.

Die Ausgabe aus Schritt b) ist eine Menge von markierten Klecksen, die für die Verwendung bei der Erfassung von Mitosemerkmalen als gültig erachtet werden, wie später beschrieben wird. Die Stufen 46, 48 und 50 sind wünschenswert, um die Anzahl unerwünschter Kleckse zu verringern, wenn der sich daraus ergebende Verarbeitungsaufwand bei der Erfassung von Mitosemerkmalen toleriert werden kann, sind aber nicht unbedingt erforderlich.
In 5 ist nun ein Flussdiagramm des Prozesses für die Erfassung von Mitosemerkmalen 20 gezeigt, der für jedes der zehn digitalisierten eingegebenen Bilder, auf die sich oben bezogen wurde, ausgeführt wird, und wird für ein Bild beschrieben. In einer ersten Stufe 60 wird mit einem eingegebenen RGB-Bild vorzugsweise ein Weißabgleich durchgeführt, indem sein hellstes Pixel als weiß neu abgebildet wird. Für jedes Pixel i (i = 1 bis zur Gesamtanzahl der Pixel) in diesem Bild wird die Pixelluminanz L_i aus den Rot-, Grün- und Blau-Intensitäten R_i, G_i und B_i mit der folgenden Gleichung berechnet: Li = 0,299·Ri + 0,587·Gi + 0,114·Bi (8)
Dann wird das Pixel mit dem Maximum der Luminanzwerte von allen Pixeln in dem eingegebenen RGB-Bild gesucht und verwendet, um die entsprechenden Werte von R, G und B an dieser Pixelposition mit maximaler Luminanz aufzuzeichnen, die mit LumMaxR, LumMaxG und LumMaxB bezeichnet werden. Das Verhältnis für jede der drei Bildebenen wird dann berechnet zu: VerhältnisR = (255/LumMaxR)·1,05 (9) VerhältnisG = (255/LumMaxG)·1,05 (10) VerhältnisB = (255/LumMaxB)·1,05 (11)
Die originalen RGB-Pixelwerte werden nun mit diesen Verhältnissen multipliziert, um ein Bild mit Weißabgleich mit drei Bildebenen mit den folgenden Werten für jedes Pixel i zu erzeugen: WeißabgleichRi = Ri·VerhältnisR (12) WeißabgleichGi = Gi·VerhältnisG (13) WeißabgleichBi = Bi·VerhältnisB (14)
Die letzte Stufe ist, das neue Bild mit Weißabgleich zu trimmen, sodass kein Pixelwert außerhalb des Acht-Bit-Bereichs (0 bis 255) liegt. Wenn irgendein Pixelwert weniger als 0 beträgt, wird er auf 0 gesetzt, und wenn irgendein Pixelwert größer als 255 ist, wird er auf 255 gesetzt. Die Erzeugung eines Bildes mit Weißabgleich ist nicht unbedingt erforderlich, aber wünschenswert, um die Variation zwischen Bildern zu verringern.
In 62 wird das getrimmte Bild mit Weißabgleich aus Schritt 60 mit einem 3×3-Mittelwertfilter gefiltert, um räumliches Rauschen zu entfernen (wünschenswert, aber nicht unbedingt erforderlich). Der Filter wird unabhängig auf die abgeglichenen roten (AbgeglichenR), grünen (AbgeglichenG) und blauen (AbgeglichenB) Bildebenen angewendet, die in 60 berechnet wurden: die Mittelwertfilter-Operation wählt nacheinander jedes Pixel (das von den Randpixeln verschieden ist) in diesen Bildebenen und nimmt ein 3×3-Feld von diesen Pixeln, in denen das ausgewählte Pixel zentriert ist. Das 3×3-Feld von Pixeln wird dann in aufsteigender Reihenfolge der Pixelwerte sortiert, wobei ein Algorithmus verwendet wird, der „Quicksort" genannt wird. Quicksort ist ein bekanntes Verfahren, das von R. Klette, P Zamperoniu: „Handbook of Image Processing Operators", John Wiley & Sons, 1996 veröffentlicht ist, und wird nicht beschrieben. Es ist nicht unbedingt erforderlich, aber vorteilhaft. Der Wert des mittleren Pixels (des fünften von neun) wird dann als Ausgabe aus dem Filter genommen, um den Wert des ausgewählten Pixels zu ersetzen. Dies wird über das getrimmte Bild mit Weißabgleich wiederholt. Für Pixel in den Randreihen und Randspalten existiert das erforderliche 3x3-Feld nicht, und für diese werden die Pixelwerte des getrimmten Bildes mit Weißabgleich in dem mittelwertgefilterten Bild beibehalten.
In 64 wird ein Prozess „Auto-Aussuchen der Farbe" angewendet, der ein Pixel mit der geringsten Luminanz (dunkelstes) in dem mittelwertgefilterten Bild (außer außenliegenden Pixeln, die relativ weit von Pixeln mit ähnlicher Luminanz entfernt liegen) aussucht oder findet: dies bedeutet, dass das gewählte Pixel wenigstens ein relativ nahe gelegenes Pixel mit einer Luminanz hat, die seiner eigenen ähnlich ist. Dunkle Pixel werden ausgesucht, weil mitotische Formen dazu tendieren, dass sie bei Verwendung herkömmlicher histologischer Aufbereitungstechniken von Objektträgern relativ geringe Luminanz aufweisen. Die Berechnung ist wie folgt: für jede Pixelposition in dem mittelwertgefilterten Bild wird die Luminanz L wie folgt berechnet: Li = 0,299·Ri + 0,587·Gi + 0,144·Bi (15)
Die Berechnung von Li für jede Pixelposition in dem mittelwertgefilterten Bild mit Gleichung (15) liefert ein Luminanzbild: in dem Luminanzbild wird ein erster Pixelwert und seine Position als ein aktuell dunkelstes Pixel gespeichert. Nachfolgende Pixel in diesem Bild werden mit dem ersten Pixel verglichen: wenn irgendein Vergleichspixel ein dunkleres L_i (geringerer Luminanzwert) als das aktuell dunkelste hat, dann wird sein Pixelwert und seine Position in einer Liste der dunkelsten Pixel gespeichert. Nachdem die Liste zehn Einträge erreicht hat, wird das aktuell am wenigsten dunkle Pixel darin entfernt und bei jedem Ereignis, bei dem ein späteres Pixel dunkler als das am wenigsten dunkle Pixel ist, durch ein späteres Pixel ersetzt: dieser Prozess wird fortgesetzt, bis alle Pixel verglichen wurden, und wenn angemessen, der Liste hinzugefügt wurden. Nachdem das gesamte Luminanzbild verarbeitet wurde, wird die Liste der dunkelsten Pixel in absteigender Reihenfolge der Dunkelheit mit Quicksort (wie oben erwähnt) sortiert, sodass das dunkelste an erster Stelle steht. Wenn die Prozedur zu weniger als 10 dunkelsten Pixeln führt, wird der gespeicherte Vergleichs-Luminanzwert, der ursprünglich von dem ersten Pixel erhalten wurde, erhöht, und die Prozedur wiederholt.
Der nächste Schritt ist, festzustellen, ob das dunkelste Pixel der Bedingung genügt, dass es relativ nahe zu einem anderen der 10 dunkelsten Pixel angeordnet ist: das heißt, die Bedingung ist, dass diese zwei Pixel durch eine Distanz von nicht mehr als 20 Pixeln in irgendeiner Richtung separiert sind (entlang einer Reihe, einer Spalte, einer Diagonalen, zwischen einer Diagonalen oder Reihe oder Spalte). Diese Bedingung wird auf ein Bild mit den Abmessungen 1476 Pixel ×1160 Pixel angewendet, folglich beträgt die maximale Separation 2% der kleineren Bildabmessung. Wenn diese Bedingung erfüllt ist, wurde ein dunkelstes Pixel gefunden, das einen vergleichsweise nahen Nachbar mit ähnlicher Luminanz hat und folglich nicht als außenliegendes Pixel betrachtet wird: die Luminanz von diesen dunkelsten Pixeln wird mlt L_{ausgesuchte Farbe} bezeichnet. Wenn die Bedingung nicht erfüllt ist, dann wird die Prozedur iteriert, indem das aktuell dunkelste Pixel aus der Liste verworfen wird und das verbleibende dunkelste Pixel genommen wird; die Iteration wird fortgesetzt, bis die Bedingung erfüllt ist. Die Listengröße zehn wurde durch Analyse der zehn Bilder bestimmt, die wie zuvor beschrieben ausgewählt wurden, ist aber nicht kritisch, und eine andere Anzahl kann gewählt werden. Die Pixel, von denen L_{ausgesuchte Farbe} genommen wird, sollten deshalb aus einer kleinen Gruppe (20 oder weniger) der dunkelsten Pixel ausgewählt werden.
In 66 wird „Hervorheben der Farbnähe" durchgeführt, das Bildpixel in dem mittelwertgefilterten Bild findet, die Luminanzen haben, die von L_{ausgesuchte Farbe} um weniger als 20 abweichen (das heißt, weniger als 8% für einen Acht-Bit-Intensitätsbereich von 0 bis 255). Dies wird durchgeführt, indem ein Maskenbild wie folgt erzeugt wird: für jedes Pixel in dem mittelwertgefilterten Bild wird das Pixel dann akzeptiert und durch einen Wert 255 an der äquivalenten Position in dem Maskenbild dargestellt, wenn eine Luminanz-Ungleichung (16) unten wahr ist. |(0,299·Ri + 0,587·Gi + 0,114·Bi) – (Lausgesuchte Farbe)| < 20 (16)
Wenn die Ungleichung (16) nicht wahr ist, dann wird das aktuelle Pixel abgelehnt und durch 0 in dem Maskenbild dargestellt. Ergebnisse von irgendeinem der Markierungsprozesse 16 und 18 werden in diesem Schritt 66 eingebracht: das heißt, ein Pixel, für das die Ungleichung (16) wahr ist, wird akzeptiert oder abgelehnt, je nach dem, ob es einen 1- oder 0-Wert für ein entsprechendes Pixel gibt, das an derselben Position in dem bezüglich Hinweisen auf Mitose markierten Bild angeordnet ist, das sich aus dem Prozess 16 oder 18 ergibt. Es ist nicht unbedingt erforderlich, einen Prozess 16 oder 18 zu verwenden, aber es ist nützlich, um den Verarbeitungsaufwand zu verringern.
In 68 werden die Pixel „ausgeweitet", sodass sie schließlich einer ganzen Zelle entsprechen, statt nur einem Teil einer Zelle. Ähnlichkeit der Luminanz wird verwendet, um zu überprüfen, ob das Ausweiten fortgesetzt werden soll: das heißt, wenn das Maskenbild, das in 66 berechnet wurde, anzeigt, dass es eine zu große Luminanzabweichung zwischen einem ausgewählten Pixel und einem Testpixel im Vergleich zu einer Schwelle für die Luminanzabweichung gibt, die in diesem Beispiel mit L_T (L_T = 75 in diesem Beispiel) bezeichnet wird, wird das Ausweiten des ausgewählte Pixel nicht fortgesetzt.
Der Prozess des Ausweitens 68 läuft wie folgt ab: zuerst wird ein Bildspeicher, der mit „ausweiten" bezeichnet ist, erzeugt, der anzeigt, ob die Pixelpositionen „ausgweitet" oder „nicht ausgeweitet" wurden, und jeder Eintrag oder jedes Pixel in „ausweiten" wird anfänglich auf „falsch" (falsch = 0) gesetzt, was anzeigt, dass bisher keine Pixel „ausgeweitet" wurden: „wahr" (wahr = 1) zeigt „ausgeweitet" an. Als zweites wird eine Hintergrundfarbe für das „Ausweiten" des Bildes aus dem mittelwertgefilterten Bild berechnet, indem der Mittelwert von allen Pixeln außer den weißen (das heißt, dass deren R, G und B alle gleich dem Maximalwert von 255 sind) gebildet wird; der Wert dieser Hintergrundfarbe wird aufgenommen. Der Wachstumsprozess fährt nun entsprechend den Schritten des Computerprogramms unten fort: in diesen Schritten wird eine Konvention verwendet, dass eine Einrückung einer Zeile nach rechts eine iterative Schleife einschließlich der Zeile und denen, die ihr mit gleicher oder größerer Einrückung folgen, bedeutet, wobei die Schleife beendet wird, wenn eine Zeile mit geringerer Einrückung erreicht wird.
Für jedes Pixel in dem mittelwertgefilterten Bild wird ausgeführt:

Wenn das Pixel im Maskenbild akzeptiert ist und ein entsprechendes Pixel an derselben Position in „ausweiten" 0 ist, dann: das Pixel in „ausweiten" auf wahr (1) setzen die Position des Pixels in „ausweiten" in eine Liste mit dem Titel „Aktionsliste" eintragen.
Solange die Aktionsliste nicht leer ist, folgendes ausführen: das zuletzt hinzugefügte Pixel aus der Aktionsliste entfernen, aber seine Bildposition im Speicher behalten und es als „entferntes Pixel" kennzeichnen, vier Pixel in „ausweiten" auswählen, die die nächsten Nachbarn des entfernten Pixel sind, das heißt nur Pixel, die unmittelbar an das entfernte Pixel nur in der selben Spalte oder Reihe angrenzen, keine diagonalen Nachbarn.
Eines der nächsten Nachbarpixel auswählen, das noch nicht mit dem Pixel im Maskenbild verglichen wurde, wenn (und nur wenn) die drei folgenden Kriterien erfüllt sind, das heißt, (a) das Pixel im Maskenbild und das ausgewählte nächste Nachbarpixel in der Luminanz um weniger als L_T voneinander abweichen, (b) das Pixel im Maskenbild und die Hintergrundfarbe in der Luminanz um mehr als In voneinander abweichen, und c) das Maskenbild und ein weißes Pixel in der Luminanz um mehr als L_T voneinander abweichen, dann: das Pixel in „ausweiten", das sich an derselben Position wie das ausgewählte nächste Nachbarpixel befindet, von falsch (0) auf wahr (1) ändern, und die Position des ausgewählten nächsten Nachbarpixels zur Aktionsliste hinzufügen.
Wenn irgendeines oder mehr der Kriterien (a), (b) und (c) nicht erfüllt ist, das relevante Pixel in „aus weiten" unverändert lassen und seine Position nicht zu der Aktionsliste hinzufügen.
Für das nächste Nachbarpixel wiederholen, das mit dem Pixel im Maskenbild noch nicht verglichen wurde.
Für den nächsten Eintrag in der Aktionsliste wiederholen.
Für alle anderen Pixel in Maskenbild wiederholen.

Die Schritte des Computerprogramms oben liefern einen Mechanismus für das Fortsetzen des Wachsenlassens einer Zelle aus einem ursprünglich einzelnen Pixel in dem Maskenbild, indem weitere Pixel für die Ausweitung neu beurteilt werden. Die nächsten Nachbarpixel eines „Ausgangs"-Pixels im Maskenbild, das wachsen gelassen werden soll, werden beurteilt: jeder der nächsten Nachbarn, der beim Ausweiten hinzugefügt wird (auf 1 geändert wird), wird auch der Aktionsliste hinzugefügt, damit seine noch nicht verglichenen nächsten Nachbarn beurteilt werden. Deshalb wird das Wachstum fortgeführt, bis alle angrenzenden Pixel, die aber kein Teil einer gewachsenen Zelle sind, beurteilt wurden, und eines oder mehrere der drei Luminanzkriterien (a), (b) und (c) nicht erfüllt haben. Das Wachstum endet dann für diese Zelle und beginnt für eine andere Zelle auf Basis eines neuen „Ausgangs"-Pixels im Maskenbild.
Das Ergebnis von 68 ist ein neues Bild „Gewachsen", das nun eine Menge von Klecksen (Bildbereiche von zusammenhängenden Pixeln mit dem Wert 1) enthält, die Kandidaten für die Angabe von Positionen von realen Zellen anzeigen, für die es wahrscheinlich ist, dass sie bezüglich Mitose von Interesse sind. Die Kleckse werden in 70 durch Markierung verbundener Komponenten verarbeitet, wie zuvor beschrieben wurde: daraus wird ein Satz von Messgrößen für jeden Klecks wie folgt abgeleitet:
Fläche A (die Anzahl von Pixeln in einem Klecks),
Umfang P (die Anzahl von Pixeln am Rand eines Kleckses),
Kompaktheit (4πA/P²),
Breite (maximale Anzahl von Pixeln in einer Reihe über einen Klecks),
Höhe (maximale Anzahl von Pixeln in einer Spalte in einem Klecks),
Höhe/Breite-Verhältnis,
Luminanzprozentsatz: mit den mittelwertgefilterten Bildpixeln, die an den selben Positionen wie die Pixel in dem Klecks angeordnet sind, wird dieses Maß berechnet, indem das Ergebnis der Division der Luminanz des dunkelsten mittelwertgefilterten Bildpixels durch die Luminanz der Hintergrundfarbe mit 100 multipliziert wird,
Differenz durch Störung (Differenz zwischen Größen von ausgeweiteten Klecksen, die mit Schwellen entsprechend L_T erhalten wurden, die durch ein zuvor eingestelltes Inkrement beziehungsweise Dekrement gestört wurden), und
Farbton-Differenz (Absolutwert der Differenz zwischen einem gemittelten Farbton und einen Hintergrund-Farbton von dem eingegebenen Bild).
Die gestörte Differenz wird wie folgt berechnet:
die Schwelle L_T wird eingestellt, indem der Störungsfaktor P_F (P_F = 4) in diesem Beispiel hinzuaddiert wird,
der Ausweitungsprozess 68 wird angewendet, was zu einem neuen, größeren Klecks führt,
die Schwelle L_T wird eingestellt, indem der Störungsfaktoren P_F abgezogen wird, und
der Prozess des Wachsens 68 wird angewendet, was zu einem neuen. kleineren Klecks führt.
Eine logische EXOR-Funktionen wird dann zwischen dem neuen, größeren und dem neuen, kleineren Klecks berechnet: das heißt, jedes Pixel in dem kleineren Klecks wird mit einem entsprechenden Pixel an derselben Position in dem größeren Klecks einer EXOR-Operation unterworfen. Äußere Pixel des größeren Kleckses, für die es in dem kleinen Klecks keine Pixel an der derselben Stelle gibt, werden so behandelt, als ob sie mit einem verschiedenen Pixelwert mit EXOR verknüpft werden. Die EXOR-Funktion liefert eine 1 für ein Pixelpaar mit verschiedenen Werten, und eine 0 für ein Pixelpaar mit denselben Werten. Ihre Ergebnisse liefern ein EXOR-Bild, bei dem jeder EXOR-Wert als ein Pixel an derselben Position wie das Klecks-Pixel angeordnet ist, das es entstehen ließ. Die Anzahl von Pixeln gleich 1 indem EXOR-Bild wird dann gezählt, und diese Anzahl ist die Differenz durch Störung.
Die Farbton-Differenz wird für jeden Klecks wie folgt ermittelt: die durchschnittliche Farbe der mittelwertgefilterten Bildpixel, die sich an denselben Positionen wie die Pixel in dem Klecks befinden, wird berechnet. Diese durchschnittliche Farbe und die Farbe der Hintergrundpixel, die zuvor ermittelt wurde, werden dann von rot/grün/blau (RGB) in einen anderen Bildraum Farbton/Sättigung/Grauwert (HSV, Hue, Saturation, Value) konvertiert. Die RGB-in-HSV-Transformation ist von K. Jack in „Video Demystified", 2. Ausgabe, High Text Publications San Diego, 1996 beschrieben. In diesem Beispiel sind die Komponenten V und S nicht erforderlich. H wird für die durchschnittliche Farbe von jedem Klecks und für die Farbe der Hintergrundpixel wie folgt berechnet: Sei M = Maximum von (R, G, B) (17) Sei m = Minimum von (R, G, B) (18)
Dann neur = (M – R)/(M – m) (19) neug = (M – G)/(M – m) (20) neub = (M – B)/(M – m) (21)
Der Farbton (H) wird dann angegeben durch: Wenn R gleich M dann H = 60(neub – neug) (22) Wenn G gleich M dann H = 60(2 + neur – neub) (23) Wenn B gleich M dann H = 60(4 + neug – neur) (24) Wenn H größer oder gleich 360 ist, dann H = H – 360 (25) Wenn H kleiner als 360 ist, dann H = H + 360 (26)
Die Differenz zwischen den H-Werten der durchschnittlichen Farbe der mittelwertgefilterten Bildpixel in dem Klecks und des Hintergrundpixels wird dann für jeden Klecks berechnet, und wird als die Farbton-Differenz für diesen Klecks bezeichnet.
Wenn die Parameter eines Kleckses allen Bedingungen in der Tabelle unmittelbar unter diesem Absatz genügen, wird der Klecks für die weitere Verarbeitung akzeptiert, ansonsten wird er abgelehnt (gelöscht), indem alle Pixel auf 0 gesetzt werden.
In dem vorliegenden Beispiel ist die Farbton-Differenz fast immer wahr (wegen der Schwelle gleich Null in der Tabelle unmittelbar oben). Unter manchen Umständen kann es jedoch vorteilhaft sein, eine Schwelle ungleich Null zu haben. Luminanzprozentsatz, Differenz durch Störungen und Farbton-Differenz sind nicht unbedingt erforderlich, und können bei den Schwellen in der Tabelle oben weggelassen werden, wobei die weitere Verarbeitung auf andere Weise geregelt wird.
In 72 werden zwei Quicksorts (wie zuvor definiert) auf die Kleckse angewendet, um sie in zwei Listen einzusortieren, eine Klecksliste mit aufsteigender Ordnung der Klecksfläche und eine andere mit aufsteigender Ordnung der Klecks-Luminanz in dem mittelwertgefilterten Bild. Die Kleckse in den zwei Listen werden nun entsprechend der Gruppierungen, deren Ende sie markieren, bezeichnet: das heißt, ein Klecks wird der „dunkelste X%-Klecks" genannt, um anzugeben, dass er zusammen mit anderen Klecksen (wenn es welche gibt) mit geringerer Luminanz als dieser X% der Gesamtanzahl der Kleckse darstellt. Ebenso wird ein Klecks als „größter Y%-Klecks" bezeichnet, um anzugeben, dass er zusammen mit Klecksen (wenn es welche gibt) mit einer größeren Fläche als dieser Y% der Gesamtanzahl der Kleckse darstellt.
Ein Klecks mit mittlerer Fläche (der „mittlere Klecks" in der Mitte der Flächenliste) wird nun identifiziert. Wenn es eine gerade Anzahl von Klecksen in der Flächenliste gibt, wird die durchschnittliche Fläche von zwei zentralen Klecksen als die mittlere Fläche herangezogen. Ebenso werden in 72 unerwünschte Kleckse eliminiert, um die zu hinterlassen, die als Formen von Mitose entsprechend wie folgt eingeschätzt werden: wenn mehr als A Kleckse vorhanden sind, und der größte Klecks mehr als B Prozent der Fläche des mittleren Kleckses aufweist, behalten wir jeden der größten C Kleckse, die eine Luminanz nicht größer als die des dunkelsten D%-Kleckses aufweist. Wenn anderenfalls der größte Klecks nicht mehr als B Prozent der Fläche des mittleren Kleckses aufweist, wird jeder der dunkelsten E Kleckse behalten, der eine Fläche von kleiner oder gleich des größten F%-Kleckses hat. In diesem Beispiel sind die Werte für A, B, C, D, E, F: A = 2 Kleckse, B = 200%, C = 3 Kleckse, D = 30%, E = 2 Kleckse, F = 80%. Der Prozess 72 wird wie folgt berechnet: Wenn die Anzahl von Klecksen kleiner oder gleich A ist, dann wird jeder Klecks als mitotische Form akzeptiert, der Zähler für mitotische Formen ist A und die Verarbeitung des aktuellen Bildes endet.
Wenn die Anzahl von Klecksen größer als A ist, wird ansonsten folgendes ausgeführt:
Ermitteln der Fläche des größten Kleckses,
ermitteln der Fläche des mittleren Kleckses, wenn die Fläche des größten Kleckses größer als B% der Fläche des mittleren Kleckses beträgt ist, dann
ermitteln der Luminanz des dunkelsten D%-Kleckses – wenn es keinen Klecks an einer D%-Position gibt, die Luminanz eines Kleckses heranziehen, der für jeden der größten C Kleckse sowohl dunkler als auch am nächsten zu einer Position des nominellen D%-Kleckses in der Luminanzliste ist,
wenn die Luminanz des Kleckses kleiner oder gleich der des dunkelsten D%-Kleckses ist, akzeptieren des Kleckses als erfasste mitotische Form, erhöhen eines Zählers der mitotischen Formen um 1, und wiederholen für den Rest der größten C Kleckse, bis kein unbeurteilter verbleibt, und ausgeben des Zählwertes der mitotischen Formen.
Wenn anderenfalls die Fläche des größten Kleckses nicht mehr als B% der mittleren Klecksfläche beträgt, wird die Fläche des größten F%-Kleckses ermittelt – wenn es keinen Klecks an einer F%-Position gibt, wird die Fläche eines Kleckses genommen, der (bezüglich der Fläche) am nächsten an der Position eines nominellen F%-Kleckses in der Flächenliste ist,
für jede der dunkelsten Kleckse
wenn die Klecksfläche weniger oder gleich der Fläche des größten F%-Kleckses ist,
den Klecks als erfasste mitotische Form akzeptieren und einen Zählwert für mitotische Formen (anfänglich 0) um 1 erhöhen, für den Rest der größten Kleckse wiederholen, bis kein unbeurteilter verbleibt, und den Zählwert der mitotischen Formen ausgeben.
Das Kriterium, dass die Anzahl der Kleckse nicht größer als A ist, kann das einzige sein, das verwendet wird, wenn dies vorteilhaft ist, wobei als mitotischer Zählwert Null genommen wird, wenn dies nicht erfüllt ist. Das „anderenfalls"-Kriterium, das heißt, die Anzahl von Klecksen größer als A und nachfolgende Kriterien, liefert eine weitere Option.
Wie zuvor erwähnt wird der Prozess 20 für insgesamt zehn Bilder oder Kacheln ausgeführt: diese Wiederholung dient dazu, die Wahrscheinlichkeit der Beobachtung von Mitoseaktivität zu erhöhen. Die mitotischen Zählwerte der zehn Bilder werden dann zusammenaddiert, sodass sie eine Summe liefern, die in eine Einschätzung der Mitoseaktivität umgewandelt wird, wie unten beschrieben wird.
Die Erfassungsmethode für Mitosemerkmale 20 erzeugt Messungen, die aus zehn Bildern abgeleitet werden. Sie wird auf zehn Bilder oder Kacheln angewendet, wie zuvor gesagt wurde: die mitotischen Formen werden für jedes Bild gezählt und die Zählwerte zusammenad diert, um eine Gesamtsumme für die zehn Bilder bereitzustellen. Der Zählwert für mitotische Formen für eine Methode ist gering, mittel oder hoch mit 1, 2 oder 3 Punkten, je nach dem, ob er 0 bis 5, 6 bis 10 oder 11 oder mehr beträgt, wie jeweils in der Tabelle unten gezeigt ist.
Die Messung von Mitose kann mit anderen Messwerten, die für Pleomorphismus und Tubuli durch verschiedene Verfahren ermittelt werden, kombiniert werden, um eine Gesamteinschätzung abzuleiten, die in der Medizin „Bloom und Richardson-Graduierung" genannt wird: sie wird von Klinikmitarbeitern als Maß für das Stadium von Krebs verwendet.
Die Beispiele, die in der vorangegangenen Beschreibung zur Berechnung von gemittelten Größen und Ergebnissen angegeben wurden, können offensichtlich durch ein geeignetes Computerprogramm ausgewertet werden, das auf ein Trägermedium aufgenommen ist und auf einem herkömmlichen Computersystem läuft. Beispiele für die Schritte des Programms wurden angegeben. Ein solches Programm ist für einen ausgebildeten Programmierer leicht zu implementieren, ohne dass eine Erfindung erforderlich wäre, weil die Prozeduren wohlbekannt sind. Ein solches Programm und System wird deshalb nicht weiter beschrieben. Der Bereich der Erfindung ist durch die Ansprüche im Anhang festgelegt.

Claims

Verfahren zur Messung von Mitoseaktivität in Bilddaten von histopathologischen Proben, wobei das Verfahren folgende Schritte aufweist: a) Identifizieren von Pixeln in den Bilddaten, die Luminanzen haben, die zu mitotischen Formen gehören; b) Auswählen eines Referenzpixels aus den identifizierten Pixeln, das bezüglich Position und Luminanz einem anderen identifizierten Pixel ausreichend nahe ist, um eine Referenzfarbe zu schaffen; c) Auffinden von Pixeln in den Bilddaten mit Luminanzen, die denen der Referenzfarbe ausreichend nahe sind, um auf potenzielle mitotische Formen hinzudeuten, d) Ausweiten von Bildbereichen, die potenziell mitotischen Formen aus den gefundenen Pixeln entsprechen, indem Pixel hinzugefügt werden, wobei potenzielle Ausweitungen von Bildbereichen ausgeführt oder abgelehnt werden, je nach dem, ob ihre Luminanzen ausreichend nah bei den entsprechenden Luminanzen des Bildbereichs liegen und ausreichend weit von der Luminanz eines Hintergrundes der Bilddaten entfernt sind oder nicht; e) Auswählen der gewachsenen Bildbereiche auf Basis von Schwellwerten für die Fläche des Bildbereichs, die Kompaktheit und das Breiten/Höhen-Verhältnis; und f) Zählen von ausgewählten gewachsenen Bildbereichen als Formen, die tatsächlich mitotische Formen anzeigen, auf Basis eines Schwellwerts für die Anzahl solcher Bereiche.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass an dem Schritt des Auswählens von gewachsenen Bildbereichen auch Schwellwerte für das Verhältnis der Luminanz des Bildbereichs zur Luminanz des Hintergrundes und für Flächendifferenzen zwischen Flächen, die aus dem Anwachsen jedes Bildbereichs mit mehreren Schwellwerten abgeleitet werden, beteiligt sind.
Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Schwellwerte für die Fläche des Bildbereichs, die Kompaktheit, das Breite/Höhe-Verhältnis, die Luminanz und die Flächenabweichung sind: 355 Pixel < Fläche < 1700 Pixel, 0,17 < Kompaktheit < 0,77, Breite/Höhe-Verhältnis < 2,7, Prozentsatz der Luminanz < 44%, Flächenabweichung < Fläche·23/100.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass an dem Schritt des Zählens ausgewählter gewachsener Bildbereiche als Formen, die tatsächlich mitotische Formen anzeigen, auch Schwellwerte für die Fläche des Bereichs und die Luminanz beteiligt sind.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass sukzessive potenzielle Vergrößerungen von Bildbereichen einzelne Pixel sind, von denen jedes ein unmittelbarer Reihen- oder Spaltennachbar eines bestehenden Pixels eines Bildbereichs ist.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass Schritt b) mit einem Referenzpixel durchgeführt wird, das eine Luminanz aufweist, die im Vergleich zu einem anderen identifizierten Pixel um weniger als 8% abweicht, das von ihm nicht mehr als zwei Prozent von einer kleineren von zwei Bildabmessungen entfernt ist.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass Schritt a) einen Weißabgleich und Mittelwertfilterung der Bilddaten vor der Identifizierung der Pixel mit Luminanzen, die mitotischen Formen entsprechen, umfasst.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt c) Pixel zur Akzeptanz oder Ablehnung bezüglich Hindeutung auf mitotische Formen markiert werden, indem: a) Farbdaten des Bildes mit Schwellwerten verglichen werden, um Pixel zu entfernen, die nicht die Intensitäten aufweisen, die zum Bildanteil von mitotischen Formen gehören, b) Pixel entfernt werden, die nicht in allen Farben vorhanden sind, und c) Flächen von Bildbereichen mit Schwellwerten verglichen werden, um die zu entfernen, die für potenzielle mitotische Formen zu klein und zu groß sind.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Schritt c) Pixel zur Akzeptanz oder Ablehnung bezüglich Hindeutung auf mitotische Formen markiert werden, indem: a) segmentiert wird, um Pixel mit Intensitäten zu identifizieren, die zum Bildanteil von mitotischen Formen gehören, b) Flächen von Bildbereichen mit Schwellwerten verglichen werden, um die zu entfernen, die für potenzielle mitotische Figuren zu klein und zu groß sind, c) Clusteranalyse durchgeführt wird, um festzustellen, ob der Bildbereich eines Pixels in einem ausreichend großen Cluster ist oder nicht, und d) nekrotische Filterung und Filterung ausgefranster Kanten durchgeführt wird.
Rechnervorrichtung, die dazu eingerichtet ist, ein Maß für die mitotische Aktivität aus Bilddaten einer histopathologischen Probe zu liefern, wobei die Vorrichtung dazu programmiert ist, die folgenden Schritte auszuführen: a) Identifizieren von Pixeln in den Bilddaten mit Luminanzen, die zu mitotischen Figuren gehören, b) Auswählen eines Referenzpixels aus den identifizierten Pixeln, das bezüglich Position und Luminanz einem anderen identifizierten Pixel ausreichend nahe ist, um eine Referenzfarbe zu schaffen; c) Auffinden von Pixeln in den Bilddaten mit Luminanzen, die denen der Referenzfarbe ausreichend nahe sind, um auf potenzielle mitotische Formen hinzudeuten, d) Vergrößern von Bildbereichen, die potenziell mitotischen Formen aus den gefundenen Pixeln entsprechen, indem Pixel hin zugefügt werden, wobei potenzielle Vergrößerungen von Bildbereichen ausgeführt oder abgelehnt werden, je nach dem, ob ihre Luminanzen ausreichend nah bei den entsprechenden Luminanzen des Bildbereichs liegen und ausreichend weit von der Luminanz eines Hintergrundes der Bilddaten entfernt sind oder nicht; e) Auswählen der gewachsenen Bildbereiche auf Basis von Schwellwerten für die Fläche des Bildbereichs, die Kompaktheit und das Breiten/Höhen-Verhältnis; und f) Zählen von ausgewählten gewachsenen Bildbereichen als Formen, die tatsächlich mitotische Formen anzeigen, auf Basis eines Schwellwerts für die Anzahl solcher Bereiche.
Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie dazu programmiert ist, den Schritt des Auswählens von gewachsenen Bildbereichen durchführen, indem sie auch Schwellwerte für das Verhältnis der Luminanz des Bildbereichs zur Luminanz des Hintergrundes und für Flächendifferenzen von Flächen verwendet, die aus dem Anwachsen jedes Bildbereichs mit mehreren Schwellwerten abgeleitet werden.
Vorrichtung nach Anspruch 11, dadurch gekennzeichnet, dass die Schwellwerte für die Fläche des Bildbereichs, die Kompaktheit, das Breite/Höhe-Verhältnis, die Luminanz und die Flächenabweichung sind: 355 Pixel < Fläche < 1700 Pixel, 0,17 < Kompaktheit < 0,77, Breite/Höhe-Verhältnis < 2,7, Prozentsatz der Luminanz < 44%, Flächenabweichung < Fläche·23/100.
Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie dazu programmiert ist, den Schritt des Zählens ausgewählter gewachsener Bildbereiche als Formen, die tatsächlich mitotische Formen anzeigen, auszuführen, indem auch Schwellwerte für die Fläche des Bereichs und die Luminanz verwendet werden.
Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sukzessive potenzielle Vergrößerungen von Bildbereichen einzelne Pixel sind, von denen jedes ein unmittelbarer Reihen- oder Spaltennachbar eines bestehenden Pixels eines Bildbereichs ist.
Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, dass sie dazu programmiert ist, Schritt b) mit einem Referenzpixel durchzuführen, das eine Luminanz aufweist, die im Vergleich zu einem anderen identifizierten Pixel um weniger als 8% abweicht, das von ihm nicht mehr als zwei Prozent von einer kleineren von zwei Bildabmessungen entfernt ist.
Computerprogramm, das für den Einsatz bei der Messung von mitotischer Aktivität eingerichtet ist, wobei das Computerprogramm Anweisungen enthält, um einen Rechner zu steuern, der die folgenden Schritte ausführt: a) Identifizieren von Pixeln in den Bilddaten, die Luminanzen haben, die zu mitotischen Formen gehören; b) Auswählen eines Referenzpixels aus den identifizierten Pixeln, das bezüglich Position und Luminanz einem anderen identifizierten Pixel ausreichend nahe ist, um eine Referenzfarbe zu schaffen; c) Auffinden von Pixeln in den Bilddaten mit Luminanzen, die denen der Referenzfarbe ausreichend nahe sind, um auf potenzielle mitotische Formen hinzudeuten, d) Vergrößern von Bildbereichen, die potenziell mitotischen Formen aus den gefundenen Pixeln entsprechen, indem Pixel hinzugefügt werden, wobei potenzielle Vergrößerungen von Bildbereichen ausgeführt oder abgelehnt werden, je nach dem, ob ihre Luminanzen ausreichend nah bei den entsprechenden Luminanzen des Bildbereichs liegen und ausreichend weit von der Luminanz eines Hintergrundes der Bilddaten entfernt sind oder nicht; e) Auswählen der gewachsenen Bildbereiche auf Basis von Schwellwerten für die Fläche des Bildbereichs, die Kompaktheit und das Breiten/Höhen-Verhältnis; und f) Zählen von ausgewählten gewachsenen Bildbereichen als Formen, die tatsächlich mitotische Formen anzeigen, auf Basis eines Schwellwerts für die Anzahl solcher Bereiche.
Computerprogramm nach Anspruch 16, dadurch gekennzeichnet, dass seine Anweisungen für die Ausführung des Schrittes des Auswählens von gewachsenen Bildbereichen sorgen, indem es auch Schwellwerte für das Verhältnis der Luminanz des Bildbereichs zur Luminanz des Hintergrundes und für Flächendifferenzen von Flächen verwendet, die aus dem Anwachsen jedes Bildbereichs mit mehreren Schwellwerten abgeleitet werden.
Computerprogramm nach Anspruch 17, dadurch gekennzeichnet, dass die Schwellwerte für die Fläche des Bildbereichs, die Kom paktheit, das Breite/Höhe-Verhältnis, die Luminanz und die Flächenabweichung sind: 355 Pixel < Fläche < 1700 Pixel, 0,17 < Kompaktheit < 0,77, Breite/Höhe-Verhältnis < 2,7, Prozentsatz der Luminanz < 44%, Flächenabweichung < Fläche·23/100.
Computerprogramm nach Anspruch 16, dadurch gekennzeichnet, dass seine Anweisungen für die Ausführung des Schrittes des Zählens ausgewählter gewachsener Bildbereiche als Formen sorgen, die tatsächlich mitotische Formen anzeigen, wobei auch Schwellwerte für die Fläche des Bereichs und die Luminanz verwendet werden.