-
Die
Erfindung betrifft ein Verfahren und eine Anordnung zur Erfassung
und nachfolgender Auswertung von Hautgewebe, insbesondere zur Feststellung
von Hautveränderungen.
-
Mit
steigender Lebenserwartung und gleichzeitig zunehmender Belastung
durch chemische und/oder physikalische Umwelteinflüsse
steigt die Anzahl von Erkrankungen von menschlichem oder auch tierischem Körpergewebe.
Ein typisches Beispiel dafür sind maligne, d. h. bösartige,
Veränderungen der Haut, zu denen auch Melanome gehören.
-
Für
die effektive Behandlung derartiger Gewebeveränderungen
ist es von hoher Wichtigkeit, die Veränderungen bereits
im Frühstadium zu diagnostizieren. Dies erfolgt nach dem
derzeitigen, etablierten Stand der Technik durch eine rein visuelle
Betrachtung von Verdachtsstellen durch einen qualifizierten Facharzt. Wenn
sich dabei ein Gewebebereich als verdächtig erweist, wird
Gewebe entnommen, als Mikroskopieprobe präpariert und,
wiederum durch einen qualifizierten, erfahrenen Facharzt, histologisch
analysiert. Dieser Prozess ist sowohl zeitaufwändig und
teuer als auch für den Patienten belastend, da invasiv
Gewebeproben entnommen werden. Der begutachtende Facharzt ist dabei
gezwungen, einen Kompromiss zwischen der eine weitgehend sichere
Diagnose ermöglichenden, aber teuren und das untersuchte
Individuum belastenden Entnahme eines Gewebepräparates
und der Gefahr, eine bösartige Veränderung von
Gewebe zu übersehen, einzugehen. Dazu kommt, dass die visuelle
in-vivo Diagnose stark von subjektiven Eindrücken abhängig
ist, wie beispielsweise dem Farbeindruck, der nicht nur von Person
zu Person, sondern auch von Tag zu Tag schwanken kann.
-
Somit
wäre ein technisches Gerät bzw. Verfahren, welches
autark und rasch eine Erfassung von Daten von Gewebe in-vivo, d.
h. am lebenden menschlichen oder tierischen Körper und
ohne Entnahme einer Probe, sowie eine Aufbereitung der erfassten
Daten außerhalb des Körpers und unabhängig
von der Präsenz des Körpers und gegebenenfalls
eine Auswertung der aufbereiteten Daten nach objektiven Kriterien
vornehmen kann, von großem praktischem Interesse. Mit Hilfe
derartiger Verfahren und Geräte wäre es möglich,
beispielsweise auch bei niedergelassenen praktischen Ärzten
bzw. Tierärzten, welche unter Umständen nicht
die notwendigen Spezialkenntnisse und Erfahrung zur visuellen Gewebediagnostik
besitzen, Reihenuntersuchungen z. B. im Rahmen routinemäßiger
Vorsorgeuntersuchungen vorzunehmen. Patienten mit (potentiellen)
Gewebeveränderungen könnten dann gezielt zu einem
Spezialisten zur Diagnose weitergeleitet werden. Somit wäre
ein effizientes „Screening" mit geringem Aufwand möglich,
wodurch auch (noch) unauffällige Gewebeveränderungen
in Frühstadien einer Erkrankung mit deutlich höherer
Wahrscheinlichkeit als nach dem derzeitigen System erkannt und entsprechend
behandelt werden können.
-
Anforderungen
an ein derartiges Verfahren bzw. Gerät wären,
neben der Einhaltung allgemeiner medizinischer Vorschriften, beispielsweise
bezüglich der Strahlenbelastung des Patienten etc. oder
der Einhaltung von Hygienevorschriften, eine rasche, unkomplizierte
Datenerfassung des Gewebes am lebenden, vorzugsweise wachen Individuum.
Dazu ist es wünschenswert, die Messdaten innerhalb von
vorzugsweise weniger als 60 s aufzunehmen, um Verfälschungen
durch Bewegungen des Patienten zu verhindern. Eine nachfolgende
Aufbereitung der erfassten Messdaten und ihre Auswertung, für
die die Präsenz des Patienten nicht erforderlich ist, muss
dabei in der Lage sein, (potentielle) Gewebeveränderungen
mit möglichst hoher Sicherheit als solche zu erkennen (Vermeidung
falsch-negativer Auswertungen). Gleichzeitig darf, auch aus Akzeptanzgründen,
die Anzahl falsch-positiver Auswertungen nicht zu hoch sein. Zudem
wäre es vorteilhaft, wenn das Messgerät nicht
notwendigerweise durch einen Arzt bedient werden muss, sondern ähnlich
Röntgen-Geräten, beispielsweise auch ein entsprechend
geschulter medizinisch-technischer Assistent die Messung durchführen kann.
Der Arzt kann sich dadurch auf die eigentliche Diagnose konzentrieren,
wobei die automatisiert generierten, objektivierbaren Auswertungsergebnisse
der erfindungsgemäßen Messung, Aufbereitung und
Auswertung eine wesentliche Unterstützung darstellen.
-
Aus
der Literatur sind eine Reihe entsprechender Ansätze bekannt.
Die klassische Methode zur automatisierten Auswertung von Gewebeveränderungen
ist die Aufnahme mittels Kamera („Imaging"), gefolgt von einer
computergestützten Klassifikation nach allgemeinen Auswertungsregeln.
Dies kann für bösartige Hautveränderungen,
wie Melanome, beispielsweise durch eine elektronische Bildverarbeitung
nach der so genannten ABCD-Regel und/oder weiterer morphologischer
Parameter erfolgen, wie beispielsweise aus Ganster et al.,
IEEE Transactions an Medical Imaging, 20(3), 233–239 (2001) bekannt.
In diesem Fall werden Veränderungen der Haut mittels Farbkamera
aufgenommen und nach bis zu 33 unterschiedlichen morphologischen Parametern
mittels computergestützter Bildverarbeitung klassifiziert.
-
Ergänzend
zur computergestützten Klassifikation von RGB-Farbbildern
ist die Anwendung derartiger morphologischer Klassifikations- und
Auswertemodelle auch auf Bilder bei anderen Wellenlängen
bekannt. Die Literatur erwähnt Ansätze, bei denen
in-vivo Imaging von Gewebeveränderungen bei unterschiedlichsten
Wellenlängen, vom Ultravioletten (UV) bis ins nahe Infrarot
(NIR), durchgeführt wurde. Zusätzlich oder alternativ werden
auch Fluoreszenzbilder ausgewertet. In allen Fällen werden
Bilder bei bestimmten, mehr oder minder charakteristischen Wellenlängen
aufgenommen, computergestützt ausgewertet und daraus Auswertungen über
Art und/oder Umfang der Gewebeveränderung abgeleitet.
-
Problematisch
ist dabei, dass bei Beleuchtung bei nur einer bzw. einigen wenigen
Wellenlängen die Klassifikationsgenauigkeit, sowohl falsch-positive
als auch falsch-negative Auswertungen betreffend, tendenziell unzureichend
ist.
-
Als
Verbesserung hiezu wird in einer Reihe von Veröffentlichungen
(
WO 99/44010 ,
WO 98/37811 ,
US 6,208,749 ,
US 6,081,612 ) vorgeschlagen, zur Diagnose
von Hauttumoren eine derartige morphologische Bewertung für
eine Anzahl unterschiedlicher Wellenlängen zunächst
getrennt durchzuführen. Dabei wird die zu untersuchende
Gewebestelle sequentiell mit Licht unterschiedlicher Wellenlänge
bestrahlt, das remittierte Licht ortsaufgelöst durch eine
Kamera erfasst und, nach Korrektur von Interferenzen wie beispielsweise
Haaren, für jede der typischerweise bis zu 15 unterschiedlichen
Wellenlängen nach morphologischen Parametern wie Textur,
Asymmetrie, Fleckigkeit und Berandung klassifiziert. Diese Einzelklassifikationsergebnisse
werden in Folge, gegebenenfalls gewichtet, kombiniert und daraus
eine Gesamtbewertung abgeleitet.
-
Eine
grundlegend andere Herangehensweise beruht auf spektraler Klassifikation,
d. h. der Auswertung der spektralen Eigenschaften von Geweben. Diese
Methode beruht darauf, dass sich die spektralen Eigenschaften eines
Gewebes bei Veränderungen der Gewebehistologie in der Regel
signifikant ändern. Dies kann mit einer Farbänderung,
aber auch mit geänderten Absorptions-, Remissions- und/oder
Fluoreszenzcharakteristika im Ultravioletten und/oder (nahen) Infrarot
verbunden sein. Auch hierzu gibt es eine Reihe von vorbekannten
Publikationen, z. B. Mclntosh et al., Vibrational Spectroscopy
28, 53–58 (2002) oder Dwyer et al., Cancer Epidemiol. 7,
203–206 (1998).
-
Eine
derartige Bewertung erfolgt auf Basis der Messung der spektralen
Charakteristika und deren Vergleich, zumeist unter Verwendung statistischer
Auswerteverfahren, mit bekannten Spektren gutartigen bzw. bösartigen
Gewebes. Problematisch dabei ist, dass Gewebe in der Regel nicht
homogen ist und sich gesundes Gewebe mit gutartig und/oder bösartig
veränderten Gewebebereichen abwechselt. Dies führt,
insbesondere im Frühstadium einer Veränderung,
bei klassischen Punktmessungen oft zu Problemen bei der Bewertung,
da innerhalb des erfassten Bereich eine geringe Anzahl an (bösartigen)
veränderten Gewebebereichen einer Vielzahl gutartiger Gewebebereiche
gegenüber steht. Für eine erfolgreiche Erkennung
einer bösartigen Veränderung wäre es
erforderlich, die Untersuchung mit sehr hoher örtlicher
Auflösung durchzuführen, was mit Punktmesssonden
schon aus zeitlichen Gründen an lebenden Objekten, d. h.
Patienten, nicht praktikabel ist.
-
Alternativ
zum Versuch, Spektralcharakteristika bestimmten Veränderungen
der Gewebe zuzuweisen, wird in einer Reihe von Publikationen vorgeschlagen,
gezielt einzelne Substanzen in einem Gewebe zu erfassen und deren
Verteilung zu bestimmen. Ein derartiger Ansatz ist beispielsweise
aus der
EP 1 185 853 bekannt.
Hier werden ortsaufgelöst Spektralinformationen aufgenommen
und daraus räumliche Verteilungen bestimmter Substanzen
innerhalb des Gewebes ermittelt. Von besonderer Relevanz dabei sind
Verteilungen von Melanin, insbesondere in Hautgewebe, und/oder von
Blut, d. h. dem Grad der Durchblutung des Gewebes. Diese Verteilungsinformationen
einzelner Bestandteile erlauben in Folge in begrenztem Maße
auch Rückschlüsse auf möglicherweise
krankhaft veränderte Gewebebereiche.
-
All
diesen Methoden gemein ist, dass die Anforderungen insbesondere
bezüglich der Richtigkeit der Gewebebewertung zumeist nur
eingeschränkt erfüllt werden. Bei enger Wahl der
Bewertungsparameter werden undeutliche Gewebeveränderungen,
wie sie für Frühstadien typisch sind, nur sehr
unzuverlässig erkannt. Bei Wahl „weicherer" Parameter
steigt zwar der Anteil richtig erkannter Gewebeveränderung,
der Anteil an fälschlicherweise als bösartig klassifizierten
Bereichen erreicht aber gleichzeitig rasch unzumutbare Maße.
Zudem sind viele der bekannten Modelle nur sehr eingeschränkt
auf Menschen beispielsweise einer anderen Hautfarbe übertragbar.
Dies trifft insbesondere auf Bewertungsmodelle zu, die gezielt die
Verteilung von Hautfarbstoffen, wie Melanin, auswerten. Insgesamt
existiert somit keine wirklich und vollständig zufriedenstellende Lösung
für die umfassende, flexibel einsetzbare und zuverlässige
automatisierte in-vivo Bewertung von biologischen Geweben.
-
Es
ist demnach Aufgabe der Erfindung, ein Verfahren bzw. eine Anordnung
bereitzustellen, das/die die eingangs gestellten Anforderungen erfüllt
und die Nachteile des Standes der Technik überwindet oder
zumindest lindert.
-
Die
Aufgabe wird gelöst von einem Verfahren mit den kennzeichnenden
Merkmalen des Anspruchs 1 sowie durch eine Anordnung mit den Merkmalen
des Anspruchs 16.
-
Erfindungsgemäß ist
dabei vorgesehen, dass das Verfahren zur Status-Erfassung von Hautgewebe die
folgenden Verfahrensschritte umfasst: in-vivo Erfassen von Rohbilddaten
einer zu untersuchenden Gewebepartie; außerhalb des Körpers
und unabhängig von der Präsenz des Körpers:
spektrales Vorverarbeiten der Rohbilddaten, spektrales Klassifizieren
der vorverarbeiteten Rohbilddaten, morphologisches Klassifizieren
des spektralen Klassifikationsergebnisses, Ermitteln eines Auswertungsergebnisses
aus der Klassifizierung, und Ausgeben des Auswertungsergebnisses
an eine Benutzerschnittstelle.
-
Dadurch
ist es insbesondere möglich, sowohl den spektralen als
auch den morphologischen Informationsgehalt der aufgenommenen räumlich
und spektral aufgelösten Messdaten koordiniert auszuwerten
und somit signifikant verbesserte Richtigkeiten der Auswertung zu
erreichen. Dadurch ist das erfindungsgemäße Verfahren
nicht an bestimmte Gewebetypen und/oder spektral gut erfassbare
Substanzen, wie beispielsweise Melanin, gebunden, sondern kann flexibel
an bestimmte Anforderungen und auch unterschiedliche Gewebetypen
angepasst werden.
-
Weitere
Vorteile und vorteilhafte Weiterbildungen der Erfindung sind in
den Unteransprüchen angegeben.
-
Insbesondere
ist von Vorteil, dass die Richtigkeit der Vorhersage einer Beurteilung
signifikant verbessert werden kann, indem der zu untersuchende Gewebebereich
zunächst mit optischer Strahlung in mindestens einem der
Bereiche des Sichtbaren, des Ultravioletten und/oder des nahen Infrarots
beleuchtet und die remittierte, d. h. (diffus) reflektierte und/oder
durch Fluoreszenzeffekte emittierte Strahlung orts- und spektral aufgelöst
erfasst wird. Diese Daten werden in Folge zunächst für
jeden einzelnen Bildpunkt gemäß ihrer Spektralinformation
klassifiziert, d. h. einer bestimmten (Gewebe-)Klasse zugewiesen.
Auf das daraus resultierende Klassifikationsbild wird, vorzugsweise
nach Durchführung eines Schrittes zur Bereinigung des Bildes
von Artefakten, eine morphologische Klassifikation angewandt.
-
Die
Datenauswertung kann wahlweise zur Auswertung räumlich
und spektral aufgelöster Messdaten der von einem Gewebebereich
diffus reflektierten Strahlung und/oder von emittierter Fluoreszenzstrahlung verwendet
werden. Gleichfalls kann diese Vorgangsweise sowohl zur Auswertung
kontinuierlicher Spektraldaten innerhalb eines oder mehrerer optischer
Wellenlängenbereiche oder zur Auswertung diskreter Spektraldaten
bei mehreren, typischerweise 5 bis 15 unterschiedlichen Wellenlängen
aus einem oder mehreren Wellenlängenbereichen, insbesondere
dem sichtbaren Licht, dem UV und/oder dem nahen Infrarot, verwendet
werden.
-
Vorzugsweise
wird beim in-vivo Erfassen der Rohdaten die zu untersuchenden Gewebepartie
von einer oder mehreren optischen Strahlungsquellen mit dem erforderlichen
Wellenlängenbereich angepasster Strahlungscharakteristik
beleuchtet, die von dem betrachteten Gewebebereich remittierte Strahlung über
eine Optik und eine Schlitzblende in einen bildgebenden Spektrographen
ausgeleitet, die remittierte Strahlung im Spektrographen spektral
zerlegt, und die spektral zerlegten Daten auf einen Kamerachip mit
an den optischen Wellenlängenbereich angepasster Empfindlichkeit
projiziert.
-
Durch
lineares Verschieben der Messanordnung relativ zur Gewebeprobe kann
das Verfahren zeilenweise wiederholt werden, wodurch eine schnelle
und umfassende Abtastung der zu untersuchenden Gewebepartien möglich
ist.
-
In
einer alternativen Ausführungsform wird die zu untersuchende
Gewebepartie mit einer oder mehreren optischen Strahlungsquellen
mit dem erforderlichen Wellenlängenbereich angepasster
Strahlungscharakteristik beleuchtet und die von dem betrachteten
Gewebebereich remittierte Strahlung über eine Optik und
eine Wellenlängenselektion auf einen Kamerachip mit an
den optischen Wellenlängenbereich angepasster Empfindlichkeit
projiziert. Die Wellenselektion erfolgt dabei vorzugsweise mittels
eines durchstimmbaren Filters oder einer Reihe diskreter Einzelfilter.
-
Durch
Durchstimmen des Transmissionsbereichs des durchstimmbaren Filters
oder sequentielles Ein- und Ausschwenken der Einzelfilter werden
in Folge eine Anzahl räumlich aufgelöster Bilder
der bei der jeweiligen selektierten Wellenlänge von der
betrachteten Gewebepartie remittierten Strahlung erhalten. Die Kombination
dieser sequentiell aufgenommenen Spektralinformation liefert die
Grundlage für die nachfolgende spektrale Klassifikation.
-
In
einer weiteren alternativen Ausführungsform wird die zu
untersuchende Gewebepartie selektiv mit Strahlungsquellen mit schmalbandigem
Emissionsverhalten oder einer breitbandigen Strahlungsquelle mit entsprechenden
optischen Filtern zwischen Strahlungsquelle und zu untersuchender
Gewebepartie, oder einer Kombination aus beidem, beleuchtet. Die
von dem betrachteten Gewebebereich remittierte Strahlung wird über
eine Optik auf einen Kamerachip mit an den optischen Wellenlängenbereich
angepasster Empfindlichkeit projiziert.
-
Durch
sequentielles Aktivieren und Deaktivieren der einzelnen Strahlungsquellen
bzw. Ein- und Ausschwenken der Filter zwischen Strahlungsquelle
und betrachteter Gewebepartie werden in Folge eine Anzahl räumlich
aufgelöster Bilder der bei Beleuchtung mit der jeweiligen
selektierten Wellenlänge von der betrachteten Gewebepartie
remittierten Strahlung erhalten. Die Kombination dieser sequentiell
aufgenommenen Spektralinformation liefert die Grundlage für
die nachfolgende spektrale Klassifikation.
-
Im
Rahmen des spektralen Vorverarbeitens der Rohdaten können
Inhomogenitäten der Beleuchtung und/oder Variationen der
Empfindlichkeit oder des Dunkelstroms der einzelnen Pixel der Kamera ausgeglichen werden
und aus Energie-Rohdaten der betrachteten Gewebestelle und denen
eines konstanten Spektralstandards für jeden Bildpunkt
Reflektionsspektren berechnet werden.
-
Vorzugsweise
wird die spektrale Klassifikation durch eine Linear Discriminant
Analysis (LDA) oder eine Quadratic Discriminant Analysis (QDA) oder
durch ein multivariates Regressionsverfahren (Partial Least Squares
Regression, PLSR) durchgeführt.
-
Vor
der spektralen Klassifikation kann eine Reduktion der Dimensionalität
der Daten enthalten sein, wobei die Spektralmerkmale der Spektraldaten
vorzugsweise durch eine Principal Component Analysis (PCA) oder
eine Independent Component Analysis (ICA) reduziert werden. Dadurch
kann die Datenmenge reduziert und die Auswertung beschleunigt werden.
In weiterer Folge kann man aus den Spektralmerkmalen einzelne bzw.
mehrere Wellenlängen ableiten, die für eine Klassifikation
vorteilhaft verwendet werden können.
-
Die
Anzahl der Spektralmerkmale wird vorteilhaft auf fünf bis
15 Spektralmerkmale reduziert, welche in einem oder mehreren Spektralbereichen
liegen können, so dass die automatisierte Beurteilung frei
von unnötigen Informationen schnell und effizient erfolgen
kann.
-
Eine
Artefaktkorrektur mittels computerbasierter Bildverarbeitungsalgorithmen
ermöglicht die Entfernung von Artefakten aus Aufnahme und/oder
Klassifikation, insbesondere Pixelfehler, Speckle-Noise oder Streulicht-Artefakte.
Dies kann vorteilhafterweise durch Einsatz morphologischer Filter
und Analyse zusammenhängender (Pixel-)Flächen
der Klassifikationsbilder geschehen. Die Algorithmen hierfür
zeichnen sich durch eine hohe Effizienz aus.
-
In
einer bevorzugten Ausführungsform werden die Verfahrensschritte
des spektralen Klassifizierens, der Artefaktkorrektur und gegebenenfalls
Teilschritte des morphologischen Klassifizierens zu einem Verfahrensschritt
zusammengefasst, vorzugsweise durch Anwendung einer Contextual Classification.
-
Im
Verfahrensschritt des morphologischen Klassifizierens werden die
Klassifikationsbilder nach entsprechenden morphologischen Kriterien,
insbesondere Textur, Homogenität und/oder Größe
bestimmter Bereiche klassifiziert, wodurch die endgültige
Einordnung und Auswertung erfolgen kann.
-
Das
so ermittelte Auswertungsergebnis enthält vorteilhafterweise
die Auswertung der betrachteten Gewebepartie sowie Informationen über
die Lage und die geometrischen Abmessungen der Gewebeveränderungen,
so dass beispielsweise bei einer Nachuntersuchung eine schnelle
und einfache Wiederauffindung der Gewebepartie möglich
ist.
-
Vorteilhafterweise
umfasst der Verfahrensschritt des Ausgebens des Auswertungsergebnisses
an eine Benutzerschnittstelle die Visualisierung der Auswertungsergebnisse
und/oder die Speicherung in einem Datenspeicher, so dass in einfacher
und übersichtlicher Weise die Daten für weitere
Begutachtung zur Verfügung stehen.
-
Weitere
Einzelheiten, Merkmale und Vorteile der erfindungsgemäßen
Anordnungen ergeben sich aus der nachstehenden Beschreibung unter
Bezugnahme auf die angeschlossenen Zeichnungen, in welchen auch bevorzugte
Ausführungsformen dargestellt sind. Es zeigen:
-
1A ein
Flussdiagramm der Auswertung einer Gewebestelle bei Messung kontinuierlicher
Spektraldaten,
-
1B ein
Flussdiagramm des Ablaufs bei Messung diskreter Spektraldaten bei
vordefinierten Wellenlängen,
-
2 ein
Flussdiagramm eines weiteren Ausführungsbeispiels eines
erfindungsgemäßen Messablaufs,
-
3 ein
exemplarisches Ergebnis der mit der Erfindung erzielbaren Auswertung,
-
4 ein
weiteres exemplarisches Ergebnis der mit der Erfindung erzielbaren
Auswertung,
-
5 eine
mögliche prinzipielle Anordnung zur Messung räumlich
aufgelöster, spektral kontinuierlicher Daten, und
-
6 eine
mögliche prinzipielle Anordnung zur Messung räumlich
aufgelöster Daten bei definierten diskreten Wellenlängen
bzw. Wellenlängenbereichen.
-
Betrachtet
man zunächst das in 1A in
Form eines Flussdiagramms dargestellte erste Ausführungsbeispiel
des erfindungsgemäßen Verfahrens, wird zunächst
die zu untersuchende Gewebestelle in-vivo mit einer geeigneten Messanordnung,
beispielsweise nach einem der in 5 bzw. 6 dargestellten
und weiter unten genauer beschriebenen Messprinzipien räumlich
und spektral aufgelöst vermessen. Die in diesen Rohdaten 10 enthaltenen
Spektralinformationen werden in Folge in geeigneter Art vorverarbeitet
(bei 11). Ziel dieser spektralen Vorverarbeitung 11 ist
es, für die nachfolgende spektrale Klassifikation (bei 13)
nachteilige Eigenschaften des Messverfahrens wie beispielsweise
inhomogene Beleuchtung und/oder Variationen der Empfindlichkeit
bzw. des Dunkelstroms der einzelnen Pixel der Kamera auszugleichen.
Weiters können, in Abhängigkeit vom gewählten
Messverfahren, allfällige weitere erforderliche Berechnungen
durchgeführt werden. So ist es beispielsweise bei Auswertung
diffus reflektierter Strahlung sinnvoll, im Rahmen der spektralen
Vorverarbeitung 11 aus den Energie-Rohdaten der betrachteten
Gewebestelle und denen eines konstanten Spektralstandards für
jeden Bildpunkt Reflektionsspektren zu berechnen und diese anstelle
der Energie-Rohdaten für die nachfolgende Klassifikation
heranzuziehen.
-
Bei
Messung kontinuierlicher Spektraldaten, beispielsweise mittels bildgebendem
Spektrographen, ist vor Durchführung einer spektralen Klassifikation
(bei 13) eine Reduktion der Dimensionalität 12 sinnvoll
bzw. je nach verwendetem Klassifikator gegebenenfalls sogar notwendig.
Dabei werden die in der nachfolgenden spektralen Klassifikation 13 auszuwertenden
Wellenlängen auf die statistisch notwendigen und relevanten
Informationen reduziert und dadurch eine effiziente spektrale Klassifikation
ermöglicht. Besonders geeignete Methoden hiezu sind „Principal
Component Analysis" (PCA) oder „Independent Component Analysis"
(ICA).
-
Alternativ
zur softwaremäßigen Reduktion kontinuierlicher
Spektralinformationen auf eine geringere Anzahl relevanter Komponenten
ist es bei manchen Gewebeveränderungen auch möglich,
diese Reduktion hardwaremäßig in das Messverfahren
zu implementieren. Dazu werden typischerweise zunächst
kontinuierliche Spektren in einem oder mehreren relevanten optischen
Spektralbereichen aufgenommen und diese offline einer entsprechenden
Analyse, beispielsweise wiederum mit PCA oder ICA unterzogen. Basierend
darauf ist es, entsprechend ausgeprägte spektrale Unterschiede
vorausgesetzt, möglich, eine Anzahl diskreter Wellenlängen
auszuwählen und gezielt bei diesen zu messen. Somit reduziert
sich der Umfang („Dimension") der Spektralinformation von
zumeist deutlich über 100 Wellenlängen auf typischerweise
fünf bis 15 Wellenlängen innerhalb eines oder
mehrerer Spektralbereiche. Somit kann bei derartigen Anordnungen
auf eine Dimensionsreduktion 12 gemäß 1A verzichtet
werden, wie in 1B dargestellt.
-
Die
vorverarbeiteten und gegebenenfalls in ihrer spektralen Dimensionalität
reduzierten räumlich aufgelösten Spektraldaten
werden in der Folge wahlweise mit Hilfe eines statistischen Klassifikationsverfahrens, beispielsweise
LDA (Linear Discriminant Analysis) oder QDA (Quadratic Discriminant
Analysis) oder einem multivariaten Regressionsverfahren, beispielsweise
PLSR (Partial Least Squares Regression) ausgewertet (Punkt
13).
Bei den erwähnten statistischen Klassifikationsverfahren
(LDA, QDA) werden über eine Schätzung der Klassenmittelpunkte
m
i und der Kovarianzmatrix Si aus den multispektralen
Messdaten x
i die Wahrscheinlichkeit p(x|w
i), dass das Spektrum x zur Klasse w
i gehört, bestimmt. Im Bayes'schen
Sinne ermitteln LDA und QDA damit die asymptotisch optimalen Entscheidungsgrenzen
für die Klassifikation. Mit den folgenden Formeln kann
die a-posteriori Wahrscheinlichkeit p(x|w
i)
für ein gegebenes Spektrum x der Dimensionalität
d berechnet werden. E[x] bezeichnet den Erwartungswert von x:
-
Der
Unterschied zwischen LDA und QDA besteht daran, dass für
LDA für alle Klassen dieselbe Kovarianzmatrix Σ = Σi verwendet wird und sich daher lineare Entscheidungsgrenzen
im Featurespace von x ergeben. Bei QDA werden für jede
Klasse eigene Kovarianzmatrizen Si abgeschätzt,
woraus sich Entscheidungsgrenzen aus Polynomen zweiter Ordnung ergeben
[1].
-
Bei
multivariaten Regressionsverfahren wird im allgemeinen nach einer
Koeffizientenmatrix K gesucht, die für die vorgegebenen
Werte in einem Vektor y die folgende Gleichung erfüllen: y = Kx (4)
-
Die
Elemente von y entsprechen in diesem Fall den bekannten Klassenzugehörigkeiten
der Trainingsdaten. Im Fall von PLSR wird dieses Gleichungssystem
im Sinne von Partial Least Squares (kleinste Fehlerquadrate) gelöst
[2]. Für ein unbekanntes Spektrum x kann über
dieselbe Gleichung die Klassenzugehörigkeit bestimmt werden.
-
Die
Klassen sind dabei anwendungsabhängig definierbar und können
beispielsweise „gesundes Gewebe"/"gutartig verändertes
Gewebe"/"bösartig verändertes Gewebe" umfassen,
aber auch unterschiedliche Klassen biologischen Gewebes etc. sowie,
insbesondere relevant bei Betrachtungen der Haut, beispielsweise auch
Haare. Das Ergebnis sind räumlich aufgelöste Klassifikationsbilder,
wie exemplarisch in 3 dargestellt, mit einer im
Vergleich zum Stand der Technik sehr guten räumlichen Auflösung
und gleichzeitig hoher Treffsicherheit der Klassifikation, d. h.
der Zuordnung der einzelnen Pixel zu den ihnen tatsächlich
entsprechenden Klassen.
-
In
einem nächsten Schritt 14 werden mittels computerbasierter
Bildverarbeitungsalgorithmen Artefakte aus Aufnahme und/oder Klassifikation,
wie beispielsweise Pixelfehler, „Speckle-Noise" oder durch
die Gewebetopologie oftmals nicht vermeidbare Streulicht-Artefakte
entfernt. Dies wird vorzugsweise durch Einsatz morphologischer Filter
und Analyse zusammenhängender (Pixel-)Flächen
der Klassifikationsbilder erreicht. Für die gegenständliche
Aufgabenstellung haben sich die folgenden morphologische Filteroperation
in dieser Reihenfolge bewährt:
- 1.
Morphologisches Öffnen mit 3×3 Pixel Kernel und
kreisförmiger Maske mit Radius 3 Pixel
- 2. Morphologisches Schließen mit 5×5 Pixel
Kernel und kreisförmiger Maske mit Radius 5 Pixel
-
Eine
Definition dieser Operationen kann in [3] nachgelesen werden. Die
entsprechenden Artefakte werden dabei vorzugsweise aus dem Klassifikationsbild
hinausgerechnet und die Klassenzuordnung der entsprechenden Bereiche
aus den Klassifikationsergebnissen der benachbarten Pixel interpoliert.
-
Durch
Einsatz neuartiger statistischer Algorithmen für die Spektralklassifikation,
welche bei der spektralen Klassifikation auch das Umfeld des betreffenden
Pixels in die Wahrscheinlichkeitsbewertung der Klassenzuordnung
einbeziehen („Contextual Classifiers") ist es alternativ
zu einem getrennten Einsatz der Schritte 13 und 14 möglich,
diese in einem Arbeitsschritt 16 zu vereinen, wie dies
in 2 beispielhaft anhand eines weiteren bevorzugten
Ausführungsbeispiels des erfindungsgemäßen
Verfahrens dargestellt ist.
-
Auf
die durch Anwendung entsprechender Bildverarbeitungsalgorithmen
verbesserten und von Artefakten (weitgehend) befreiten Klassifikationsbilder
wird als letzten Schritt der erfindungsgemäß vorgeschlagenen
Auswertungskette eine computergestützte morphologische
Analyse 15 angewandt. Dabei werden die Klassifikationsbilder
nach entsprechenden morphologischen Kriterien, beispielsweise Textur,
Homogenität und/oder Größe bestimmter
Bereiche klassifiziert.
-
Aus
dem so erhaltenen, sowohl die volle spektrale als auch die enthaltenen
räumlichen Informationen der gemessenen Rohdaten berücksichtigenden
Klassifikationsergebnis kann nun gleichfalls automatisiert ein Auswertungsergebnis 17 der
betrachteten Gewebestelle generiert werden. Dieses kann, neben einer
Auswertung der betrachteten Gewebepartie gemäß festgelegten
Kriterien, beispielsweise als gutartige (Muttermal) oder bösartige
(Melanom) Veränderung der Haut, auch beispielsweise Information über
die geometrischen Abmessungen der Gewebeveränderungen etc.
enthalten.
-
Diese
Vorgangsweise ist anhand 3 und 4 für
zwei unterschiedliche, in einer rein visuellen Beurteilung nicht
eindeutig klassifizierbaren Hautläsionen dargestellt, die
gemäß Stand der medizinischen Kunst beide mittels
Biopsie und nachfolgender histologischer Analyse untersucht werden
würden.
-
In 3 ist
eine intensiv pigmentierte Hautläsion dargestellt, die
auf Grund von Form und Färbung gemäß ABCD-Regel
als melanonverdächtig einzustufen wäre. Die spektrale
Klassifikation (13) ergibt Verteilungsbilder, die zwar
einen Hinweis auf eine gutartige Gewebeveränderung (Nävus
bzw.
-
Muttermal)
liefern, es ist aber eine Bösartigkeit (Melanom) nicht
völlig auszuschließen, beispielsweise im rechten
oberen Randbereich der Läsion. Erst durch nachfolgende
Anwendung der morphologischen Analysen 15 auf das Klassifikationsbild
ist es möglich, eine definitive Klassifikation als gutartige
Hautläsion zu erreichen. Das automatisiert, typischerweise
innerhalb von 60 s erhaltene Auswertungsergebnis 17 für
diese Hautläsion ist somit „UNAUFFÄLLIG",
was auch dem Biopsieergebnis dieser Hautstelle entspricht.
-
In 4 ist
eine wenig pigmentierte Hautläsion dargestellt, die zudem
von einer im Bild vertikal verlaufenden schmalen Vernarbung (Narbengewebe)
durchzogen wird. Die spektrale Klassifikation 13 ergibt
Verteilungsbilder, die einen starken Hinweis auf eine bösartige
Gewebeveränderung (Melanom) liefern. Durch nachfolgende
Anwendung der morphologischen Analysen 15 auf das Klassifikationsbild
ist es möglich, eine definitive Klassifikation als bösartige
Hautläsion zu erreichen, wobei das dazwischen bzw. darüber
liegende Narbengewebe deutlich unterschieden werden kann. Das automatisiert,
typischerweise innerhalb von 60 s erhaltene Auswertungsergebnis 17 für
diese Hautläsion ist somit „AUFFÄLLIG",
was auch dem Biopsieergebnis dieser Hautstelle entspricht.
-
Die
Auswertungsergebnisse 17 werden vorzugsweise an ein an
den Nutzer angepasstes Visualisierungssystem 20 übergeben
und können dort zur Erstellung einer Diagnose durch einen
qualifizierten Arzt verwendet werden. Dazu kann es nützlich
sein, die erfindungsgemäß automatisch generierten
Auswertungsergebnisse 17 beispielsweise einem RGB-Bild
derselben Hautpartie überlagert darzustellen. Die Auswertungsergebnisse
können vorteilhafterweise auch, verknüpft mit
erforderlichen Informationen wie Patientendaten, Positionsdaten
der untersuchten Gewebestelle etc. sowie gegebenenfalls den gemessenen
Rohdaten in elektronischer Form abgespeichert und in Folge beispielsweise
dem Patientenakt beigelegt werden.
-
Als
Messanordnungen zur Aufnahme geeigneter spektral wie räumlich
aufgelöster Messdaten kommt prinzipiell jede Anordnung
in Frage, die derartigen Daten mit für den Anwendungsfall
erforderlicher räumlicher wie spektraler Auflösung
liefern kann. Für den praktischen Einsatz ist es vorteilhaft,
sich Messanordnungen zu bedienen, die diese Daten innerhalb einer
Zeitspanne von typischerweise maximal 60 s aufnehmen können, da
sonst die Gefahr signifikanter Verfälschungen durch Bewegungen
des betrachteten Gewebeteils relativ zur Messanordnung und somit,
je nach Messmethode, Verzerrungen in der spektralen oder der räumlichen
Dimension auftreten können, die eine zuverlässige
Klassifikation erschweren oder unmöglich machen.
-
Eine
prinzipielle Anordnung zur nicht-invasiven in-vivo Messung räumlich
aufgelöster, kontinuierlicher Spektraldaten von Gewebebereichen
ist in 5 dargestellt. Eine zu untersuchende Gewebepartie 30 wird von
einer oder mehrerer Strahlungsquellen 31 mit vorzugsweise
breitbandiger, dem erforderlichen Wellenlängenbereich angepasster
Strahlungscharakteristik beleuchtet. Die von dem betrachteten Gewebebereich 30 remittierte
Strahlung wird über eine Optik 32 und eine Schlitzblende 33 in
einen bildgebenden Spektrographen 34 geleitet, dort spektral
zerlegt und auf einen Kamerachip 35 mit an den gewünschten
Wellenlängenbereich angepasster Empfindlichkeit projiziert.
Durch lineare Verschiebung der Messanordnung relativ zur Gewebeprobe
werden dadurch zeilenweise die Rohdaten 10 für
die nachfolgende Auswertung gemäß obiger Beschreibung
erhalten. Die Messdaten des Kamerachips 35 werden zu Rechenmitteln 36 geleitet,
die in die Anordnung integriert oder separat über eine
Datenverbindung mit dem Kamerachip 35 verbunden sein können.
In den Rechenmitteln 36 erfolgt die Aufbereitung und Auswertung
der Messdaten.
-
Bei
Messung von Fluoreszenzdaten kann es ergänzend sinnvoll
sein, gemäß 6 in den
Strahlengang zwischen Strahlungsquelle 31 und Gewebe 30 optische
Filter einzubauen, welche die Anregungsstrahlung wellenlängenmäßig
definieren. Zudem ist es auch möglich, insbesondere zwischen
Strahlungsquelle 31 und Gewebe 30 optische Elemente,
beispielsweise Lichtleiterfasern, vorzusehen.
-
Eine
prinzipielle Anordnung zur nicht-invasiven räumlich aufgelösten
in-vivo Messung bei definierten diskreten Wellenlängen
ist in 6 dargestellt. Die zu untersuchende Gewebepartie 30 wird
von einer oder mehreren optischen Strahlungsquellen 41 beleuchtet.
Die von dem betrachteten Gewebebereich 30 remittierte Strahlung
wird über eine Optik 43 auf eine Kamera 45 projiziert.
In dieser Anordnung ist es möglich und kann es sinnvoll
sein, zwischen der Strahlungsquelle 41 und dem Gewebe 30 weitere
optische Elemente, wie beispielsweise Lichtleitfasern oder Lichtleitfaserbündel,
anzuordnen. Gleichfalls ist es möglich und kann, beispielsweise
für endoskopische Anwendungen, sinnvoll sein, in die Optik 43 zwischen
Gewebe 30 und Kamera 45 bilderhaltende Faserbündel
zu integrieren. Die Messdaten der Kamera 45 werden zu Rechenmitteln 46 geleitet,
die in die Anordnung integriert oder separat über eine
Datenverbindung mit der Kamera 45 verbunden sein können.
In den Rechenmitteln 46 erfolgt die Aufbereitung und Auswertung
der Messdaten.
-
Die
Auswahl der Wellenlängen und somit die Spektralinformation
kann in Anordnungen dieser prinzipiellen Art auf verschiedene Arten
erfolgen.
-
Eine
vorteilhafte Möglichkeit sieht die Verwendung einer Mehrzahl
monochromatisch bzw. schmalbandig bei den relevanten Wellenlängen
emittierenden Strahlungsquellen 41, beispielsweise Lichtemittierenden Dioden
(LED) oder auch von Laserdioden (LD) vor. Durch abwechselnden Betrieb
dieser Lichtquellen 41 werden sequentiell Bilder bei unterschiedlichen
Wellenlängen (bei Messung der diffusen Reflexion) bzw.
unterschiedlichen Anregungswellenlängen (bei Messung der
Fluoreszenz) erhalten.
-
Alternativ
dazu ist es möglich, breitbandige Strahlungsquellen 41 zu
verwenden und das emittierte Licht durch variable Wellenlängenselektoren 42 zu
filtern. Als Wellenlängenselektoren 42 kommen
dabei insbesondere Filterräder mit einer Reihe von Bandpassfiltern
unterschiedlicher Transmissionswellenlänge oder aber durchstimmbare
optische Filter, beispielsweise sogenannte AOTFs oder LCTFs, in
Betracht.
-
Alternativ
zu einer Filterung der Beleuchtungsstrahlung ist es zur Auswahl
bestimmter relevanter Wellenlängen auch möglich,
das Gewebe 30 mit einer oder mehreren optischen Strahlungsquellen 41 mit
vorzugsweise breitbandiger, dem erforderlichen Wellenlängenbereich
angepasster Strahlungscharakteristik zu beleuchten und die von dem
Gewebe 30 remittierte Strahlung mit Hilfe eines variablen
Wellenlängenselektors 44 zu filtern. Als Wellenlängenselektor
kommen wiederum insbesondere ein Filterrad mit einer Reihe unterschiedlicher
Bandpassfilter oder durchstimmbare optische Filter in Betracht.
-
Insbesondere
für die Auswertung von Fluoreszenzerscheinungen kann es
ergänzend sinnvoll sein, sowohl zwischen Lichtquelle 41 und
Gewebe 30 als auch zwischen Gewebe 30 und Kamera 45 variable
optische Filter 42, 44 vorzusehen, um somit sowohl
die Anregungswellenlänge als auch die Emissionswellenlänge
entsprechend auswählen zu können.
-
Referenzen:
-
- [1] Duda, R.O.; Hart, P.E. and Stork,
D.G., Pattern Classification; John Wiley & Sons (ed.), 2nd Ed. (2001)
- [2] Martens, H., Naes, T., Multivariate Calibration,
John Wiley & Sons
(2002)
- [3] Foley, J.D., van Dam, A., Feiner, S.K., Hughes J.F.,
Phillips R.L., Introduction to Computer Graphics, Addison-Wesley
Professional (1993)
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- - WO 99/44010 [0009]
- - WO 98/37811 [0009]
- - US 6208749 [0009]
- - US 6081612 [0009]
- - EP 1185853 [0012]
-
Zitierte Nicht-Patentliteratur
-
- - Ganster et
al., IEEE Transactions an Medical Imaging, 20(3), 233–239
(2001) [0006]
- - Mclntosh et al., Vibrational Spectroscopy 28, 53–58
(2002) oder Dwyer et al., Cancer Epidemiol. 7, 203–206
(1998) [0010]
- - Duda, R.O.; Hart, P.E. and Stork, D.G., Pattern Classification;
John Wiley & Sons
(ed.), 2nd Ed. (2001) [0070]
- - Martens, H., Naes, T., Multivariate Calibration, John Wiley & Sons (2002) [0070]
- - Foley, J.D., van Dam, A., Feiner, S.K., Hughes J.F., Phillips
R.L., Introduction to Computer Graphics, Addison-Wesley Professional
(1993) [0070]