[go: up one dir, main page]

WO2018059662A1 - Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging - Google Patents

Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging Download PDF

Info

Publication number
WO2018059662A1
WO2018059662A1 PCT/EP2016/072953 EP2016072953W WO2018059662A1 WO 2018059662 A1 WO2018059662 A1 WO 2018059662A1 EP 2016072953 W EP2016072953 W EP 2016072953W WO 2018059662 A1 WO2018059662 A1 WO 2018059662A1
Authority
WO
WIPO (PCT)
Prior art keywords
spectrum
tissue
analysis device
filter
wavelength range
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2016/072953
Other languages
English (en)
French (fr)
Inventor
Thomas Engel
Maximilian Fleischer
Alexander Michael Gigler
Ralph Grothmann
Clemens Otte
Remigiusz Pastusiak
Tobias Paust
Elfriede Simon
Evamaria STÜTZ
Stefanie VOGL
Hans-Georg Zimmermann
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Priority to PCT/EP2016/072953 priority Critical patent/WO2018059662A1/de
Publication of WO2018059662A1 publication Critical patent/WO2018059662A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
    • G01N21/3559—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content in sheets, e.g. in paper
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G01J2003/2826—Multispectral imaging, e.g. filter imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G01J2003/2836—Programming unit, i.e. source and date processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G01J2003/284—Spectral construction

Definitions

  • tissue analysis or tissue analysis is becoming increasingly important.
  • a commonly practiced example of such tissue analysis is to determine whether a biological ⁇ MOORISH tissue is tumorous or healthy.
  • an infra red spectrum can be added to the tissue to be analyzed and the tissue based on the recorded spectrum, for example, are classified with ⁇ means of a data-driven analysis as healthy or tumorous.
  • known spectroscopic methods he currently do not usually reach a required for a medical diagnosis, high detection reliability of more than 95%.
  • the specific wavelength range can also be understood as a specific frequency range.
  • the analysis device has a predictive analyzer for deriving an indication of a predefined tissue property from the partial spectrum.
  • the predetermined tissue property can be a tumor infiltration of the tissue in particular.
  • the predictive analyzer is trained by a variety of limited to the wavelength range training spectra on a recognition of the tissue property.
  • the analyzer further comprises an output terminal for outputting the indication.
  • an electromagnetic Spekt ⁇ rum of the fabric is measured and extracted from the spectrum of a restricted to a specific wavelength range partial spectrum. Furthermore, an indication of a predetermined tissue property from the partial spectrum is derived by a predictive analyzer wherein the predictive analyzer is trained with ⁇ means of a plurality of limited to the wavelength range of training spectra to a detection of the tissue property. The specification is then output.
  • a computer program product and a computer-readable storage medium are furthermore provided.
  • the predictive analyzer is used to perform a so-called predictive analysis.
  • predictive analytics include a variety of data-driven analytics. driving machine learning and data mining.
  • the term predictive is not limited in this subject-specific context to a prediction of future events, but generally provides out from a not previously known information, here the given tissue property of a ⁇ with output data to derive here the partial spectrum.
  • Such a predictive analyzer is often referred to as a classifier.
  • An advantage of the invention is to be seen in particular in that, due to the restriction to the wavelength range, a spectral activity of substances which do not reliably correlate with a recognition of the tissue property can be masked out in a targeted manner, and thus recognition reliability can be considerably increased.
  • a predictive analyzer a-priori unknown correlations between a tissue property and a spectral activity of the tissue can be efficiently trained and recognized.
  • the invention can be applied non-invasively and allows rapid tissue analysis.
  • the predictive analyzer may include a data-driven trainable regression model, an artificial neural network, a support vector machine, a neighbor neighbor classifier, a PLSDA (Partial Least Squares
  • the spectrometer may preferably be an infrared spectrometer; in particular a near infrared (NIR) and / or medium infrared (MIR) spectrometer.
  • the spectrometer can also measure a spectrum in visible light.
  • Such spectrometers are usually inexpensive and compatible with commercial optics.
  • the filter may be set so that the wavelength range has no overlap with main spectral bands of water and / or blood.
  • the main spectral bands of the water are in particular at wavelengths of about 970 nm, about 1100 nm and about 1450 nm.
  • the main bands of water or blood correlate in the spectrum with the presence of water or blood in the examined tissue. But the latter usually correlates not reliable with eg the presence ei ⁇ nes tumor. Without filtering out the major bands of water or blood, tumorous tissue from edematous or heavily perfused healthy tissue is often difficult to distinguish.
  • the filter can be adjusted so that the wavelength range is between 1100 nm and 1450 nm.
  • a lower limit of the wavelength range of about 1100 nm, about 1130 nm, about 1160 nm or about 1177 nm and an upper limit of the wavelength range of about 1450 nm, about 1400 nm, about 1355 nm or about 1270 nm be provided.
  • the main bands of what ⁇ sers from the partial spectrum can be omitted in particular, resulting in a tissue detection rate is usually considerably increases.
  • the wavelength range of the limited training spectra can be varied to optimize a tissue recognition rate.
  • a particularly good training success ie a particularly high tissue recognition rate can be achieved if the wavelength range for the detection of tumors from about 1177 nm to about 1355 nm and for the detection of healthy tissue from about 1177 nm to ca 1270 nm.
  • the ⁇ after the wavelength range specific to the to be recognized Tissue property are tuned.
  • the resulting tissue-specific wavelength range, resulting in an optimized tissue recognition rate can then be output to set the filter to that wavelength range.
  • a preprocessor connected between the spectrometer and the filter can be provided for preprocessing the spectrum before it is transmitted to the filter.
  • the training spectra can be preprocessed in the same way as the spectrum by the preprocessor or by another preprocessor.
  • a preprocessor may also be provided between the filter and the predictive analyzer for preprocessing the restricted part spectrum and / or the restricted training spectra before they are transmitted to the predictive analyzer. Preprocessing can in many cases increase a tissue recognition rate.
  • the preprocessor can be set up to carry out a derivative of the spectrum in accordance with the wavelength during the preprocessing of the spectrum, ie to form a differential quotient, and to transmit the derived spectrum to the filter.
  • the derivative can advantageously be combined with a smoothing, for example by forming a moving average, by using a so-called moving Windows and / or by using a so-called Savitzky-Golay filter.
  • the derivation and possibly the smoothing of the spectrum can lead to significantly better detection rates in tissue analysis.
  • the downstream of the derivative filtering interfering in particular caused by the derivation artefacts at the edges of the wavelength range can be specifically hidden. As part of spectrum then limited to the wavelength range Ab ⁇ line of the spectrum is extracted.
  • the spectrometer for spatially resolved measurement of the spectrum and the output terminal for the spatially resolved outputting of the information about the tissue property can be set up. In this way, for example, an image of a tumor and / or a tumorous area of tissue can be visualized.
  • an endoscope or a surgical microscope can be provided with an analysis device according to the invention.
  • an optics of an endoscope or surgical microscope for transmitting optical spectra in general is well suited
  • an endoscope or a surgical microscope can be used in an advantageous manner for targeted detection of Ge ⁇ webespektrums.
  • the figure shows a schematic representation of an inventive analysis device.
  • an analysis device AE for analyzing a biological tissue G and in particular for determining a predetermined tissue property of the tissue G is shown schematically.
  • the tissue G may be eg bone tissue, muscle tissue, connective tissue, an organ or an organ part.
  • ⁇ telnde tissue characterization such as a phenotypic trait ⁇ tissue, tissue findings, a fabric structure, a fabric ⁇ type, a fabric texture, or other anatomical feature and / or its pathological or injury-related change may be predetermined.
  • the tissue property to be detected may be a tumor invasion of the tissue G.
  • the analysis device AE or an inventive procedural ren for operating the analyzing device AE, for example, by one or more processors, an effetsspe ⁇ zifischer integrated circuits (ASIC), digital signal processors (DSP) and / or so-called "field programmable
  • the analysis device AE comprises one or more processors PROC for carrying out all method steps of the analysis device AE and a memory MEM coupled to the processor PROC for storing by the analysis device AE processing data.
  • the analysis device AE has a spectrometer SPM for measuring an electromagnetic spectrum SP of the tissue G.
  • the spectrum SP can here be a reflection spectrum, a transmission spectrum, an absorption spectrum and / or a spectrum based on attenuated total reflection (ATR).
  • ATR attenuated total reflection
  • the Spektrome ⁇ ter SPM as operating in the near infrared NIR spectrometer is formed and the measured spectrum SP ent ⁇ speaking a NIR spectrum of the fabric G.
  • the spectrum SP can in this case be, for example, represented by a high-dimensional data vector for each Wavelength or frequency channel of the spectrometer SPM ent ⁇ an intensity value ent.
  • the spectrum SP measured by the spectrometer SPM also includes main spectral bands SPB of water, which are in particular at wavelengths of approximately 970 nm, 1100 nm and 1450 nm.
  • the main spectral bands SPB dominate - as indicated in the figure by two peaks - the spectrum SP due to the frequency of water in the tissue G.
  • the spectrometer SPM transmits the measured spectrum SP to a preprocessor PP of the analysis device AE coupled to the spectrometer SPM.
  • the preprocessor PP is connected between the spectrometer SPM and a filter F and serves to preprocess the spectrum SP before it is transmitted to the filter F.
  • a derivative of the spectrum SP according to the Wel lenide made ie it is determined a differential quotient.
  • the resulting derivative is transmitted by the preprocessor PP as a derived spectrum DSP to the filter F.
  • the derivative can advantageously be combined with a smoothing, for example by forming a moving average, by using a so-called moving Windows and / or by using a so-called Savitzky-Golay filter.
  • the derivation and, if necessary, smoothing of the spectrum SP can lead to significantly better detection rates in tissue analysis.
  • the main spectral bands SPB also form a dominant pattern in the derived spectrum DSP.
  • the filter F coupled to the preprocessor PP serves to extract a partial spectrum PSP restricted to a specific wavelength range WB from the derived spectrum DSP.
  • the specific wavelength range WB can also be understood as a frequency range.
  • the filter F may e.g. be designed as a frequency or wavelength filter as well as an analog or digital filter. In particular, the filter F specific frequency or wavelength channels or certain dimensions of the
  • the specific wavelength range WB extends over a region in which substances of the tissue G which would impair tissue analysis or detection are less spectrally active.
  • the wavelength range WB is selected such that the filter F is set such that the wavelength range WB has no overlap with main spectral bands of water and / or blood.
  • the main spectral bands SPB of the water at approximately 970 nm, approximately 1100 nm and approximately 1450 nm are recessed or masked out by the filter F.
  • a presence of water or blood does not correlate reli ⁇ transmissive in tissues G with a presence of a tumor is, by hiding this Hauptban- which greatly improves reliability of tissue recognition.
  • a lower limit of the wavelength range WB of approximately 1100 nm, approximately 1130 nm or approximately 1160 nm and an upper limit of the wavelength range WB of approximately 1450 nm or approximately 1400 nm can be provided.
  • This optimized Wellenhavenbe ⁇ rich WB extends for the detection of tumors of about 1177 nm to about 1355 nm and for the recognition of healthy tissue of about 1177 nm to about 1270 nm.
  • the Spectrum SP and in the derived spectrum DSP still dominating main spectral bands SPB outside the selected wavelength range WB and are ⁇ truncated by the filtering ⁇ .
  • the partial spectrum PSP extracted by the filter F from the derived spectrum DSP and restricted to the wavelength range WB is normalized by the filter F over the waveband WB, specifically to values between 0 and 1.
  • the normalization can increase the tissue recognition rate.
  • the partial spectrum PSP is then transmitted by the filter F to a predictive analyzer PA coupled to the filter of the analysis device AE.
  • the predictive analyzer PA is used to perform a predictive analysis in order to derive an indication A (G) about the tissue property from the partial spectrum PSP.
  • the specification A (G) characterizing the tissue property can, for example, a Ge ⁇ webetyp, a tissue state, a tumor invasion, a content of a specific substance or other chemical properties sheep ⁇ ten or even physical properties such as pressure, temperature, etc. relate.
  • the indication A (G) may comprise a discrete and / or continuous value.
  • the indication A (G) may be a simple yes / no classification, eg whether the tissue property or a medical finding present or not.
  • a (G) a distinction between tomorous or healthy tissue can be given.
  • the predictive analyzer PA performs a predictive analysis ⁇ method for deriving the indication A (G) from the partial spectrum PSP.
  • Such predictive analysis methods include a variety of statistical and / or data-driven method of predictive modeling, the machine-tional learning and data mining into ⁇ particular, to evaluate the predetermined input ⁇ data therein to recognize patterns or structures and / or around it to derive a priori unknown information or forecasts.
  • the predictive analyzer PA may include a trainable regression model, an artificial neural network, a support vector machine, a k nearest neighbor classifier, a PLSDA (Partial Least Squares Discriminant Analysis) classifier, a decision tree, and / or have a deep learning architecture.
  • PLSDA Partial Least Squares Discriminant Analysis
  • the predictive analyzer PA implements a linear predictive procedural ⁇ reindeer, here specifically a PLSDA method.
  • a linear predictive procedural ⁇ reindeer here specifically a PLSDA method.
  • the latter allows ei ⁇ ne considerable reduction in the number of dimensions to be dissolved Ausireproblems. Studies have shown that often suffice three to seven dimensions to egg ne very reliable indication A (G) from the partial spectrum PSP from ⁇ forward.
  • the predictive analyzer PA is trained beforehand by means of a large number of training spectra TSP (WB) supplied by the predictive analyzer PA to ensure the most reliable possible recognition of the tissue property.
  • the training spectra TSP (WB) supplied by the predictive analyzer PA to ensure the most reliable possible recognition of the tissue property.
  • TSP (WB) are tissue spectra of a plurality of different tissues, wherein the training spectra TSP (WB) pre-processed respectively in sliding ⁇ cher manner as the spectrum SP by a preprocessor, that is derived here and smoothed and ei ⁇ NEN filter for the wavelength range WB restricted and then normalized.
  • the training is to be understood - according to technical terminology - to be a mapping of input parameters of the predictive analyzer PA to one or more target variables, which is optimized according to predefinable criteria during a training phase.
  • a training structure TSR of the predictive analyzer PA which is optimized in accordance with the predetermined criteria is formed.
  • the training structure TSR may include, for example, a network structure of neurons of a neural network, weights of connections between the neurons and / or parameters of a regression model, which were formed by training so that the tissue property is detected as reliably as possible.
  • the wavelength range of the limited training to Spectra TSP can (WB) can be varied in order to identify those waveband WB, a particularly high tissue recognition rate can be achieved by.
  • the trained predictive analyzer PA which has a trained training structure TSR, derives the information A (G) from the transmitted partial spectrum PSP and transmits it to an output terminal T coupled to the predictive analyzer PA, which supplies the information A (G) a user from ⁇ gives.
  • the analysis unit AE can be integrated in a simple manner or in an endoscope or a surgical microscope, on the other ⁇ weitig coupled thereto, in that an optical system of a En ⁇ doskops or a surgical microscope for transmitting optical spectra is generally suitable.
  • an endoscope or a surgical microscope in vorteilhaf ⁇ ter manner for targeted detection of Gewebespekt ⁇ rums can be used by the analyzing means AE.
  • the reliability of tissue analysis can be significantly increased.
  • tumorous can be distinguished from healthy tissue with a high degree of certainty.
  • Likelihood of being less than 5% which in many cases should be sufficient for clinical
  • Another advantage is the fact that the analysis device AE can be applied non-invasively.
  • spectral measurements can be carried out very cost-effective in the near infrared and are compatible with the look of trade ⁇ conventional endoscopes or surgical microscopes.

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Erfindungsgemäß sind ein Spektrometer (SPM) zum Messen eines elektromagnetischen Spektrums (SP) eines Gewebes (G) sowie ein Filter (F) zum Extrahieren eines auf einen spezifischen Wellenlängenbereich (WB) eingeschränkten Teilspektrums (PSP) aus dem Spektrum (SP) vorgesehen. Weiterhin dient ein prädiktiver Analysator (PA) zum Ableiten einer Angabe (A) über eine vorgegebene Gewebeeigenschaft aus dem Teilspektrum (PSP). Der prädiktive Analysator (PA) ist hierbei mittels einer Vielzahl von auf den Wellenlängenbereich (WB) eingeschränkten Trainingsspektren (TSP) auf eine Erkennung der Gewebeeigenschaft trainiert. Zum Ausgeben der abgeleiteten Angabe (A) ist ein Ausgabeterminal (T) vorgesehen.

Description

Beschreibung
WELLENLANGENSELEKTION BEI DER GEWEBEKLASSIFIKATION MITTELS HYPERPSECTRAL IMAGING
In vielen Bereichen der Biologie und der Medizin gewinnt eine automatisierte Gewebeuntersuchung bzw. Gewebeanalyse zunehmend an Bedeutung. Ein häufig praktiziertes Beispiel einer solchen Gewebeanalyse ist die Feststellung, ob ein biologi¬ sches Gewebe tumorös oder gesund ist.
Eine solche Feststellung wird häufig durch einen Chirurgen mittels optischer Verfahren, wie der Mikroskopie getroffen. Daneben kann ein Tumor nach Entnahme und Färben einer Gewebe probe pathologisch festgestellt werden. In der Praxis tritt jedoch häufig das Problem auf, dass ein Chirurg bei einem schwer sichtbaren Tumor kaum eine Möglichkeit hat, diesen während einer Operation zuverlässig zu erkennen.
Im Rahmen einer automatisierten Gewebeanalyse kann ein Infra rotspektrum des zu analysierenden Gewebes aufgenommen werden und das Gewebe anhand des aufgenommenen Spektrums, z.B. mit¬ tels einer datengetriebenen Analyse als gesund oder tumorös klassifiziert werden. Bekannte spektroskopische Verfahren er reichen jedoch gegenwärtig in der Regel nicht eine für eine medizinische Diagnose geforderte, hohe Erkennungssicherheit von mehr als 95%.
Es ist Aufgabe der vorliegenden Erfindung, eine Analyseeinrichtung und ein Verfahren zur Analyse eines biologischen Ge webes zu schaffen, deren Analyseergebnisse eine höhere Zuver lässigkeit aufweisen.
Gelöst wird diese Aufgabe durch eine Analyseeinrichtung mit den Merkmalen des Patentanspruchs 1 durch ein Endoskop oder ein Operationsmikroskop mit den Merkmalen des Patentanspruch
11, durch ein Verfahren mit den Merkmalen des Patentanspruch
12, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 13 sowie durch ein computerlesbares Spe medium mit den Merkmalen des Patentanspruchs 14.
Die erfindungsgemäße Analyseeinrichtung zur Analyse eines bi¬ ologischen Gewebes weist ein Spektrometer zum Messen eines elektromagnetischen Spektrums des Gewebes sowie ein Filter zum Extrahieren eines auf einen spezifischen Wellenlängenbereich eingeschränkten Teilspektrums aus dem Spektrum auf. Der spezifische Wellenlängenbereich kann hierbei selbstverständ¬ lich auch als spezifischer Frequenzbereich aufgefasst werden. Weiterhin verfügt die Analyseeinrichtung über einen prädikti- ven Analysator zum Ableiten einer Angabe über eine vorgegebene Gewebeeigenschaft aus dem Teilspektrum. Die vorgegebene Gewebeeigenschaft kann dabei insbesondere ein Tumorbefall des Gewebes sein. Der prädiktive Analysator ist mittels einer Vielzahl von auf den Wellenlängenbereich eingeschränkten Trainingsspektren auf eine Erkennung der Gewebeeigenschaft trainiert. Die Analyseeinrichtung weist ferner ein Ausgabeterminal zum Ausgeben der Angabe auf.
Entsprechend wird beim erfindungsgemäßen Verfahren zur Analyse eines biologischen Gewebes ein elektromagnetisches Spekt¬ rum des Gewebes gemessen und aus dem Spektrum ein auf einen spezifischen Wellenlängenbereich eingeschränktes Teilspektrum extrahiert. Weiterhin wird durch einen prädiktiven Analysator eine Angabe über eine vorgegebene Gewebeeigenschaft aus dem Teilspektrum abgeleitet, wobei der prädiktive Analysator mit¬ tels einer Vielzahl von auf den Wellenlängenbereich eingeschränkten Trainingsspektren auf eine Erkennung der Gewebeeigenschaft trainiert ist. Die Angabe wird dann ausgegeben.
Zur Durchführung des erfindungsgemäßen Verfahrens sind darüber hinaus ein Computerprogrammprodukt sowie ein computerles¬ bares Speichermedium vorgesehen.
Der prädiktive Analysator dient zum Durchführen einer sogenannten prädiktiven Analyse. Prädiktive Analyseverfahren umfassen insbesondere eine Vielzahl von datengetriebenen Ver- fahren des maschinellen Lernens und des Data-Mining. Der Begriff prädiktiv ist in diesem fachspezifischen Zusammenhang nicht auf eine Vorhersage zukünftiger Ereignisse beschränkt, sondern stellt allgemein darauf ab, eine nicht vorbekannte Information, hier die vorgegebene Gewebeeigenschaft, aus Ein¬ gabedaten, hier dem Teilspektrum abzuleiten. Ein solcher prä- diktiver Analysator wird häufig auch als Klassifikator bezeichnet . Ein Vorteil der Erfindung ist insbesondere darin zu sehen, dass durch die Einschränkung auf den Wellenlängenbereich eine spektrale Aktivität von Substanzen, die mit einer Erkennung der Gewebeeigenschaft nicht zuverlässig korrelieren, gezielt ausgeblendet werden kann, und so eine Erkennungssicherheit erheblich gesteigert werden kann. Durch die Verwendung eines prädiktiven Analysators können auch a-priori unbekannte Korrelationen zwischen einer Gewebeeigenschaft und einer spektralen Aktivität des Gewebes effizient trainiert und erkannt werden. Darüber hinaus kann die Erfindung nichtinvasiv ange- wandt werden und erlaubt eine schnelle Gewebeanalyse.
Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben. Nach einer vorteilhaften Ausführungsform der Erfindung kann der prädiktive Analysator ein datengetriebenes trainierbares Regressionsmodell, ein künstliches neuronales Netz, eine Sup- port-Vector-Machine, einen Nächste-Nachbarn-Klassifikator, einen PLSDA-Klassifikator (PLSDA: Partial Least Squares
Discriminant Analysis) , einen Entscheidungsbaum und/oder eine Deep-Learning-Architektur aufweisen .
Weiterhin kann das Spektrometer vorzugsweise ein Infrarotspektrometer sein; insbesondere ein Spektrometer für nahes Infrarot (NIR) und/oder mittleres Infrarot (MIR). Alternativ oder zusätzlich kann das Spektrometer auch ein Spektrum im sichtbaren Licht messen. Derartige Spektrometer sind in der Regel kostengünstig und mit handelsüblicher Optik kompatibel. Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann das Filter so eingestellt sein, dass der Wellenlängenbereich keine Überlappung mit spektralen Hauptbanden von Wasser und/oder Blut aufweist. Die spektralen Hauptbanden des Wassers liegen insbesondere bei Wellenlängen von ca. 970 nm, ca. 1100 nm und ca. 1450 nm. Die Hauptbanden von Wasser bzw. Blut korrelieren im Spektrum mit dem Vorhandensein von Wasser bzw. Blut im untersuchten Gewebe. Letzteres korreliert aber in der Regel nicht zuverlässig mit z.B. dem Vorhandensein ei¬ nes Tumors. Ohne das Ausfiltern der Hauptbanden von Wasser bzw. Blut lässt sich tumoröses Gewebe von ödemartigem oder stark durchblutetem gesundem Gewebe häufig kaum unterscheiden .
Vorteilhafterweise kann das Filter so eingestellt sein, dass der Wellenlängenbereich zwischen 1100 nm und 1450 nm liegt. Insbesondere können eine Untergrenze des Wellenlängenbereichs von ca. 1100 nm, ca. 1130 nm, ca. 1160 nm oder ca. 1177 nm und eine Obergrenze des Wellenlängenbereichs von ca. 1450 nm, ca. 1400 nm, ca. 1355 nm oder ca. 1270 nm vorgesehen sein. Auf diese Weise können insbesondere die Hauptbanden des Was¬ sers aus dem Teilspektrum ausgespart werden, wodurch sich eine Gewebeerkennungsquote in der Regel erheblich steigern lässt.
Vorteilhafterweise kann beim Training des prädiktiven Analy¬ sators der Wellenlängenbereich der eingeschränkten Trainingsspektren zur Optimierung einer Gewebeerkennungsquote variiert werden. Dabei erweist sich häufig, dass je nach zu erkennen¬ der Gewebeeigenschaft unterschiedliche Wellenlängenbereiche zu einer optimierten Gewebeerkennungsquote führen. So kann ein besonders guter Trainingserfolg, d.h. eine besonders hohe Gewebeerkennungsquote erreicht werden, wenn sich der Wellen- längenbereich für die Erkennung von Tumoren von ca. 1177 nm bis ca. 1355 nm und für die Erkennung von gesundem Gewebe von ca. 1177 nm bis ca. 1270 nm erstreckt. Vorzugsweise kann dem¬ nach der Wellenlängenbereich spezifisch auf die zu erkennende Gewebeeigenschaft abgestimmt werden. Der resultierende, gewe- beeigenschaftsspezifische Wellenlängenbereich, der zu einer optimierten Gewebeerkennungsquote führt, kann dann ausgegeben werden, um das Filter auf diesen Wellenlängenbereich einzu- stellen.
Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann ein zwischen das Spektrometer und das Filter geschalteter Präprozessor vorgesehen sein zum Vorverarbeiten des Spektrums vor dessen Übermittlung zum Filter. Die Trainingsspektren können in gleicher Weise wie das Spektrum durch den Präprozessor oder durch einen weiteren Präprozessor vorverarbeitet werden. Alternativ oder zusätzlich kann ein Präprozessor auch zwischen dem Filter und dem prädiktiven Analy- sator vorgesehen sein zum Vorverarbeiten des eingeschränkten Teilspektrums und/oder der eingeschränkten Trainingsspektren bevor diese zum prädiktiven Analysator übermittelt werden. Durch die Vorverarbeitung kann eine Gewebeerkennungsquote in vielen Fällen gesteigert werden.
Insbesondere kann der Präprozessor dazu eingerichtet sein, im Rahmen der Vorverarbeitung des Spektrums eine Ableitung des Spektrums nach der Wellenlänge vorzunehmen, d.h. einen Diffe- renzialquotienten zu bilden, und das abgeleitete Spektrum zum Filter zu übermitteln. Die Ableitung kann vorteilhafterweise mit einer Glättung kombiniert werden, z.B. durch Bildung eines gleitenden Durchschnitts, durch Anwendung eines sogenannten Moving-Windows und/oder durch Anwendung eines sogenannten Savitzky-Golay-Filters . Die Ableitung und ggf. die Glättung des Spektrum kann zu erheblich besseren Erkennungsquoten bei der Gewebeanalyse führen. Durch die der Ableitung nachgeschaltete Filterung können störende, insbesondere durch die Ableitung bedingte Artefakte an den Rändern des Wellenlängenbereichs spezifisch ausgeblendet werden. Als Teilspektrum wird dann die auf den Wellenlängenbereich eingeschränkte Ab¬ leitung des Spektrums extrahiert. Nach einer vorteilhaften Weiterbildung der Erfindung können das Spektrometer zum ortsaufgelösten Messen des Spektrums und das Ausgabeterminal zum ortsaufgelösten Ausgeben der Angabe über die Gewebeeigenschaft eingerichtet sein. Auf diese Weise kann z.B. ein Bild eines Tumors und/oder ein tumoröser Gewebebereich visuell dargestellt werden.
Weiterhin kann ein Endoskop oder ein Operationsmikroskop mit einer erfindungsgemäßen Analyseeinrichtung vorgesehen sein. Insofern eine Optik eines Endoskops oder Operationsmikroskops zur Übertragung von optischen Spektren im Allgemeinen gut geeignet ist, kann ein Endoskop oder ein Operationsmikroskop in vorteilhafter Weise für eine zielgerichtete Erfassung des Ge¬ webespektrums genutzt werden.
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert.
Die Figur zeigt in schematischer Darstellung eine erfindungs- gemäße Analyseeinrichtung.
In der Figur ist eine Analyseeinrichtung AE zur Analyse eines biologischen Gewebes G und insbesondere zum Ermitteln einer vorgegebenen Gewebeeigenschaft des Gewebes G schematisch dar- gestellt. Das Gewebe G kann z.B. Knochengewebe, Muskelgewebe, Bindegewebe, ein Organ oder ein Organteil sein. Als zu ermit¬ telnde Gewebeeigenschaft kann z.B. ein phänotypisches Gewebe¬ merkmal, ein Gewebebefund, eine Gewebestruktur, ein Gewebe¬ typ, eine Gewebebeschaffenheit oder ein anderes anatomisches Merkmal und/oder dessen krankhafte oder verletzungsbedingte Veränderung vorgegeben sein. Insbesondere kann die zu erkennende Gewebeeigenschaft ein Tumorbefall des Gewebes G sein.
Die Analyseeinrichtung AE bzw. ein erfindungsgemäßes Verfah- ren zum Betreiben der Analyseeinrichtung AE kann beispielsweise mittels eines oder mehrerer Prozessoren, anwendungsspe¬ zifischer integrierter Schaltungen (ASIC) , digitaler Signalprozessoren (DSP) und/oder sogenannter „Field Programmable Gate Arrays" (FPGA) implementiert bzw. ausgeführt werden. Im vorliegenden Ausführungsbeispiel umfasst die Analyseeinrich¬ tung AE einen oder mehrere Prozessoren PROC zum Ausführen aller Verfahrensschritte der Analyseeinrichtung AE sowie einen mit dem Prozessor PROC gekoppelten Speicher MEM zum Speichern von durch die Analyseeinrichtung AE zu verarbeitenden Daten.
Die Analyseeinrichtung AE verfügt über ein Spektrometer SPM zum Messen eines elektromagnetischen Spektrums SP des Gewebes G. Das Spektrum SP kann hierbei ein Reflexionsspektrum, ein Transmissionsspektrum, ein Absorptionsspektrum und/oder ein auf abgeschwächter Totalreflexion (ATR) basierendes Spektrum sein. Im vorliegenden Ausführungsbeispiel ist das Spektrome¬ ter SPM als im nahen Infrarotbereich arbeitendes NIR- Spektrometer ausgebildet und das gemessene Spektrum SP ent¬ sprechend ein NIR-Spektrum des Gewebes G. Das Spektrum SP kann hierbei z.B. durch einen hochdimensionalen Datenvektor dargestellt werden, der für jeden Wellenlängen- bzw. Frequenzkanal des Spektrometers SPM einen Intensitätswert ent¬ hält .
Das vom Spektrometer SPM gemessene Spektrum SP umfasst im vorliegenden Ausführungsbeispiel auch spektrale Hauptbanden SPB von Wasser, die insbesondere bei Wellenlängen von ca. 970 nm, 1100 nm und 1450 nm liegen. Die spektralen Hauptbanden SPB dominieren - wie in der Figur durch zwei Spitzen angedeutet - das Spektrum SP aufgrund der Häufigkeit von Wasser im Gewebe G.
Das Spektrometer SPM übermittelt das gemessene Spektrum SP zu einem mit dem Spektrometer SPM gekoppelten Präprozessor PP der Analyseeinrichtung AE . Der Präprozessor PP ist zwischen das Spektrometer SPM und ein Filter F geschaltet und dient zum Vorverarbeiten des Spektrum SP vor dessen Übermittlung zum Filter F.
Im vorliegenden Ausführungsbeispiel wird im Rahmen dieser Vorverarbeitung eine Ableitung des Spektrum SP nach der Wel- lenlänge vorgenommen, d.h. es wird ein Differentialquotient ermittelt. Die resultierende Ableitung wird vom Präprozessor PP als abgeleitetes Spektrum DSP zum Filter F übermittelt. Die Ableitung kann vorteilhafterweise mit einer Glättung kom- biniert werden, z.B. durch Bildung eines gleitenden Durchschnitts, durch Anwendung eines sogenannten Moving-Windows und/oder durch Anwendung eines sogenannten Savitzky-Golay- Filters. Die Ableitung und ggf. Glättung des Spektrum SP kann zu erheblich besseren Erkennungsquoten bei der Gewebeanalyse führen. Wie in der Figur angedeutet, bilden die spektralen Hauptbanden SPB auch im abgeleiteten Spektrum DSP ein dominierendes Muster.
Das mit dem Präprozessor PP gekoppelte Filter F dient zum Extrahieren eines auf einen spezifischen Wellenlängenbereich WB eingeschränkten Teilspektrums PSP aus dem abgeleiteten Spektrum DSP. Der spezifische Wellenlängenbereich WB kann hierbei natürlich auch als Frequenzbereich aufgefasst werden. Das Filter F kann z.B. als Frequenz- oder Wellenlängenfilter sowie als analoges oder digitales Filter ausgebildet sein. Insbesondere kann das Filter F spezifische Frequenz- oder Wellenlängenkanäle bzw. bestimmte Dimensionen eines das
Spektrum darstellenden hochdimensionalen Datenvektors selektieren .
Der spezifische Wellenlängenbereich WB erstreckt sich erfindungsgemäß über einen Bereich, in dem Substanzen des Gewebes G, die eine Gewebeanalyse bzw. -Erkennung beeinträchtigen würden, weniger spektral aktiv sind. Im vorliegenden Ausfüh- rungsbeispiel ist der Wellenlängenbereich WB derart gewählt bzw. das Filter F derart eingestellt, dass der Wellenlängenbereich WB keine Überlappung mit spektralen Hauptbanden von Wasser und/oder Blut aufweist. D.h. insbesondere werden die spektralen Hauptbanden SPB des Wassers bei ca. 970 nm, ca. 1100 nm und ca. 1450 nm ausgespart bzw. durch das Filter F ausgeblendet. Insofern ein Vorhandensein von Wasser oder Blut im Gewebe G mit einem Vorhandensein eines Tumors nicht zuver¬ lässig korreliert, wird durch das Ausblenden dieser Hauptban- den eine Zuverlässigkeit der Gewebeerkennung erheblich verbessert .
Vorteilhafterweise kann eine Untergrenze des Wellenlängenbe- reichs WB von ca. 1100 nm, ca. 1130 nm oder ca. 1160 nm und eine Obergrenze des Wellenlängenbereichs WB von ca. 1450 nm oder ca. 1400 nm vorgesehen sein. Durch versuchsweise Varia¬ tion des Wellenlängenbereichs WB lässt sich dieser so opti¬ mieren, dass sich eine besonders hohe Quote korrekter Gewebe- erkennung erreichen lässt. Dieser optimierte Wellenlängenbe¬ reich WB erstreckt sich für die Erkennung von Tumoren von ca. 1177 nm bis ca. 1355 nm und für die Erkennung von gesundem Gewebe von ca. 1177 nm bis ca. 1270 nm. Wie in der Figur angedeutet, sind die im Spektrum SP und im abgeleiteten Spekt- rum DSP noch dominierenden spektralen Hauptbanden SPB außerhalb des selektierten Wellenlängenbereichs WB und werden dem¬ nach durch die Filterung abgeschnitten.
Das durch das Filter F aus dem abgeleiteten Spektrum DSP ex- trahierte und auf den Wellenlängenbereich WB eingeschränkte Teilspektrum PSP wird durch das Filter F über den Wellenbereich WB normiert und zwar insbesondere auf Werte zwischen 0 und 1. Durch die Normierung kann die Gewebeerkennungsquote erhöht werden. Das Teilspektrum PSP wird dann vom Filter F zu einem mit dem Filter gekoppelten prädiktiven Analysator PA der Analyseeinrichtung AE übermittelt.
Der prädiktive Analysator PA dient zum Durchführen einer prädiktiven Analyse, um eine Angabe A(G) über die Gewebeeigen- schaff aus dem Teilspektrum PSP abzuleiten. Die Angabe A(G) charakterisiert die Gewebeeigenschaft und kann z.B. einen Ge¬ webetyp, einen Gewebezustand, einen Tumorbefall, einen Gehalt eines spezifischen Stoffes oder andere chemische Eigenschaf¬ ten oder auch physikalische Eigenschaften wie Druck, Tempera- tur etc. betreffen. Die Angabe A(G) kann einen diskreten und/oder kontinuierlichen Wert umfassen. Insbesondere kann die Angabe A(G) eine einfache j a/nein-Klassifikation sein, z.B. ob die Gewebeeigenschaft oder ein medizinischer Befund vorliegt oder nicht. Speziell kann durch die Angabe A(G) eine Unterscheidung zwischen tomorösem oder gesundem Gewebe angegeben werden. Der prädiktive Analysator PA führt ein prädiktives Analyse¬ verfahren zur Ableitung der Angabe A(G) aus dem Teilspektrum PSP aus. Derartige prädiktive Analyseverfahren umfassen ins¬ besondere eine Vielzahl von statistischen und/oder datengetriebenen Verfahren der prädiktiven Modellierung, des maschi- nellen Lernens und des Data-Mining, die vorgegebene Eingabe¬ daten auswerten, um darin Muster oder Strukturen zu erkennen und/oder um daraus a-priori unbekannte Information oder Prognosen abzuleiten. Insbesondere kann der prädiktive Analysator PA ein trainierbares Regressionsmodell, ein künstliches neuronales Netz, eine Support-Vector-Machine, einen k- nächste-Nachbarn-Klassifikator, einen PLSDA-Klassifikator (PLSDA: Partial Least Squares Discriminant Analysis) , einen Entscheidungsbaum und/oder eine Deep-Learning-Architektur aufweisen. Im vorliegenden Ausführungsbeispiel implementiert der prädiktive Analysator PA ein lineares prädiktives Verfah¬ ren, hier speziell ein PLSDA-Verfahren . Letzteres erlaubt ei¬ ne erhebliche Reduzierung der Anzahl von Dimensionen des zu lösenden Auswerteproblems. Untersuchungen haben gezeigt, dass häufig drei bis sieben Dimensionen bereits ausreichen, um ei- ne sehr zuverlässige Angabe A(G) aus dem Teilspektrum PSP ab¬ zuleiten .
Der prädiktive Analysator PA wird vorab mittels einer Viel¬ zahl von dem prädiktiven Analysator PA zugeführten Trainings- spektren TSP (WB) auf eine möglichst zuverlässige Erkennung der Gewebeeigenschaft trainiert. Die Trainingsspektren
TSP (WB) sind Gewebespektren einer Vielzahl unterschiedlicher Gewebe, wobei die Trainingsspektren TSP (WB) jeweils in glei¬ cher Weise wie das Spektrum SP durch einen Präprozessor vor- verarbeitet, d.h. hier abgeleitet und geglättet und durch ei¬ nen Filter auf den Wellenlängenbereich WB eingeschränkt und dann normiert wurden. Als Training sei hier - dem fachlichen Sprachgebrauch folgend - eine Abbildung von Eingangsparametern des prädiktiven Analysators PA auf eine oder mehrere Zielgrößen verstanden, die nach vorgebbaren Kriterien während einer Trainingsphase opti- miert wird. Hierbei wird eine auf die vorgegebenen Kriterien hin optimierte Trainingsstruktur TSR des prädiktiven Analysators PA ausgebildet. Die Trainingsstruktur TSR kann z.B. eine Vernetzungsstruktur von Neuronen eines neuronalen Netzes, Gewichte von Verbindungen zwischen den Neuronen und/oder Para- meter eines Regressionsmodells umfassen, die durch Training so ausgebildet wurden, dass die Gewebeeigenschaft möglichst zuverlässig erkannt wird. Beim Training des prädiktiven Ana¬ lysators PA kann der Wellenlängenbereich der darauf eingeschränkten Trainingsspektren TSP (WB) variiert werden, um so denjenigen Wellenbereich WB zu ermitteln, durch den sich eine besonders hohe Gewebeerkennungsquote erreichen lässt.
Der trainierte, d.h. über eine ausgebildete Trainingsstruktur TSR verfügende prädiktive Analysator PA leitet aus dem über- mittelten Teilspektrum PSP die Angabe A(G) ab und übermittelt diese zu einem mit dem prädiktiven Analysator PA gekoppelten Ausgabeterminal T, das die Angabe A(G) zu einem Benutzer aus¬ gibt . Die Analyseeinrichtung AE kann auf einfache Weise in ein Endoskop oder in ein Operationsmikroskop integriert oder ander¬ weitig damit gekoppelt werden, insofern eine Optik eines En¬ doskops oder eines Operationsmikroskops zur Übertragung von optischen Spektren im Allgemeinen gut geeignet ist. Somit kann ein Endoskop oder ein Operationsmikroskop in vorteilhaf¬ ter Weise für eine zielgerichtete Erfassung des Gewebespekt¬ rums durch die Analyseeinrichtung AE genutzt werden.
Durch das Ausblenden von Wellenlängenbereichen, wie z.B. den Hauptbanden SPB von Wasser, kann die Zuverlässigkeit der Gewebeanalyse erheblich gesteigert werden. Insbesondere lässt sich mit hoher Sicherheit tumorartiges von gesundem Gewebe unterscheiden. Bereits in einfachen Versuchen konnte eine Irrtumswahrscheinlichkeit von weniger als 5% erzielt werden, was für eine klinische Anwendung in vielen Fällen ausreichen dürfte. Ein weiterer Vorteil ist darin zu sehen, dass die Analyseeinrichtung AE nichtinvasiv angewendet werden kann. Zudem lassen sich Spektralmessungen im nahen Infrarot sehr kostengünstig durchführen und sind mit der Optik von handels¬ üblichen Endoskopen oder Operationsmikroskopen kompatibel.

Claims

Patentansprüche
1. Analyseeinrichtung (AE) zur Analyse eines biologischen Gewebes (G) , mit
a) einem Spektrometer (SPM) zum Messen eines elektromagnetischen Spektrums (SP) des Gewebes (G) ,
b) einem Filter (F) zum Extrahieren eines auf einen spezifischen Wellenlängenbereich (WB) eingeschränkten Teilspektrums (PSP) aus dem Spektrum (SP) ,
c) einem prädiktiven Analysator (PA) zum Ableiten einer Angabe (A) über eine vorgegebene Gewebeeigenschaft aus dem Teilspektrum (PSP) , wobei der prädiktive Analysator (PA) mittels einer Vielzahl von auf den Wellenlängenbereich (WB) eingeschränkten Trainingsspektren (TSP) auf eine Er- kennung der Gewebeeigenschaft trainiert ist, und
d) einem Ausgabeterminal (T) zum Ausgeben der Angabe (A) .
2. Analyseeinrichtung nach Anspruch 1, dadurch gekennzeichnet, dass
der prädiktive Analysator (PA) ein datengetriebenes
trainierbares Regressionsmodell, ein künstliches neuronales Netz, eine Support-Vector-Machine, einen k-nächste-Nachbarn- Klassifikator, einen PLSDA-Klassifikator, einen Entscheidungsbaum und/oder eine Deep-Learning-Architektur aufweist.
3. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
das Spektrometer (SPM) ein Infrarotspektrometer ist.
4. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
das Filter (F) so eingestellt ist, dass der Wellenlängenbe¬ reich (WB) keine Überlappung mit spektralen Hauptbanden (SPB) von Wasser und/oder Blut aufweist.
5. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Filter (F) so eingestellt ist, dass der Wellenlängenbe¬ reich (WB) zwischen llOOnm und 1450nm liegt.
6. Analyseeinrichtung nach einem der vorhergehenden Ansprü- che, dadurch gekennzeichnet, dass
beim Training des prädiktiven Analysators (PA) der Wellenlängenbereich (WB) der eingeschränkten Trainingsspektren (TSP) zur Optimierung einer Gewebeerkennungsquote variiert wird.
7. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
die vorgegebene Gewebeeigenschaft ein Tumorbefall des Gewebes (G) ist.
8. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, gekennzeichnet durch
einen zwischen das Spektrometer (SPM) und das Filter (F) geschalteten Präprozessor (PP) zum Vorverarbeiten des Spektrums (SP) vor dessen Übermittlung zum Filter (F) .
9. Analyseeinrichtung nach Anspruch 8, dadurch gekennzeichnet, dass
der Präprozessor (PP) dazu eingerichtet ist, im Rahmen der Vorverarbeitung des Spektrums (SP) eine Ableitung des Spekt- rums nach der Wellenlänge vorzunehmen und das abgeleitete Spektrum (DSP) zum Filter (F) zu übermitteln.
10. Analyseeinrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass das Spektrometer (SPM) zum ortsaufgelösten Messen des Spektrums (SP) eingerichtet ist und
dass das Ausgabeterminal (T) zum ortsaufgelösten Ausgeben der Angabe (A) über die Gewebeeigenschaft eingerichtet ist.
11. Endoskop oder Operationsmikroskop mit einer Analyseein¬ richtung (AE) nach einem der vorhergehenden Ansprüche.
12. Verfahren zur Analyse eines biologischen Gewebes (G) , wobei
a) ein elektromagnetisches Spektrum (SP) des Gewebes (G) ge¬ messen wird,
b) aus dem Spektrum (SP) ein auf einen spezifischen Wellenlängenbereich (WB) eingeschränktes Teilspektrum (PSP) ex¬ trahiert wird,
c) durch einen prädiktiven Analysator (PA) eine Angabe (A) über eine vorgegebene Gewebeeigenschaft aus dem Teilspekt¬ rum (PSP) abgeleitet wird, wobei der prädiktive Analysator (PA) mittels einer Vielzahl von auf den Wellenlängenbe¬ reich (WB) eingeschränkten Trainingsspektren (TSP) auf eine Erkennung der Gewebeeigenschaft trainiert ist, und d) die Angabe (A) ausgegeben wird.
13. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach Anspruch 12.
14. Computerlesbares Speichermedium mit einem Computerpro¬ grammprodukt nach Anspruch 13.
PCT/EP2016/072953 2016-09-27 2016-09-27 Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging Ceased WO2018059662A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/EP2016/072953 WO2018059662A1 (de) 2016-09-27 2016-09-27 Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2016/072953 WO2018059662A1 (de) 2016-09-27 2016-09-27 Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging

Publications (1)

Publication Number Publication Date
WO2018059662A1 true WO2018059662A1 (de) 2018-04-05

Family

ID=57083279

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2016/072953 Ceased WO2018059662A1 (de) 2016-09-27 2016-09-27 Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging

Country Status (1)

Country Link
WO (1) WO2018059662A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11257213B2 (en) 2018-10-25 2022-02-22 Koninklijke Philips N.V. Tumor boundary reconstruction using hyperspectral imaging

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FABELO HIMAR ET AL: "HELICoiD project: a new use of hyperspectral imaging for brain cancer detection in real-time during neurosurgical operations", SPIE - INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING. PROCEEDINGS, S P I E - INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING, US, vol. 9860, 10 May 2016 (2016-05-10), pages 986002 - 986002, XP060068374, ISSN: 0277-786X, ISBN: 978-1-5106-0753-8, DOI: 10.1117/12.2223075 *
FOCA GIORGIA ET AL: "Classification of pig fat samples from different subcutaneous layers by means of fast and non-destructive analytical techniques", FOOD RESEARCH INTERNATIONAL, ELSEVIER, AMSTERDAM, NL, vol. 52, no. 1, 18 March 2013 (2013-03-18), pages 185 - 197, XP028530797, ISSN: 0963-9969, DOI: 10.1016/J.FOODRES.2013.03.022 *
LU GUOLAN ET AL: "Medical hyperspectral imaging: a review", INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING, SPIE, PO BOX 10 BELLINGHAM WA 98227-0010 USA, vol. 19, no. 1, 1 January 2014 (2014-01-01), pages 10901, XP060047195, ISSN: 1083-3668, [retrieved on 20140120], DOI: 10.1117/1.JBO.19.1.010901 *
MARENA MANLEY: "Near-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of biological materials", CHEMICAL SOCIETY REVIEWS., vol. 43, no. 24, 1 January 2014 (2014-01-01), GB, pages 8200 - 8214, XP055378134, ISSN: 0306-0012, DOI: 10.1039/C4CS00062E *
PU HONGBIN ET AL: "Selection of feature wavelengths for developing multispectral imaging systems for quality, safety and authenticity of muscle foods-a review", TRENDS IN FOOD SCIENCE AND TECHNOLOGY, ELSEVIER SCIENCE PUBLISHERS, GB, vol. 45, no. 1, 3 June 2015 (2015-06-03), pages 86 - 104, XP029258280, ISSN: 0924-2244, DOI: 10.1016/J.TIFS.2015.05.006 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11257213B2 (en) 2018-10-25 2022-02-22 Koninklijke Philips N.V. Tumor boundary reconstruction using hyperspectral imaging

Similar Documents

Publication Publication Date Title
DE69637163T2 (de) Diagnose von zervix-praekanzerosen mittels raman- und fluoreszenz-spektroskopie
DE60114036T2 (de) Verfahren zur charakterisierung von spektrometern
DE60035899T2 (de) Klassifizierung and charakterisierung von gewebe durch merkmale bezüglich adiposegewebe
EP3481275B1 (de) Verfahren und vorrichtung zum ermitteln eines schädigungsgrads von haar und verfahren zum ermitteln eines nutzerspezifischen mittels zur haarbehandlung
DE69032442T2 (de) Verfahren zur Kennzeichnung eines Materials biologischer Herkunft, unter Verwendung der Nah-Infrarotspektroskopie
JP2004526141A (ja) 組織から得た広帯域弾性散乱スペクトルを処理する方法
EP3668375A1 (de) System und verfahren zum ermitteln eines haarzustands
EP3540632B1 (de) Verfahren zum klassifizieren von gewebeproben
EP3842788B1 (de) Nah-infrarot-spektralsensor zur objekterkennung mittels maschinenlernverfahren, und entsprechendes verfahren
DE10315877B4 (de) Krankheitsverlaufkontrolle
EP3707496B1 (de) Identifizierung eines oder mehrerer spektraler merkmale in einem spektrum einer probe für eine inhaltsstoffanalyse
EP3619618A1 (de) Verfahren zum rechnergestützten konfigurieren eines datengetriebenen modells basierend auf trainingsdaten
WO2018050802A1 (de) Verfahren zur klassifizierung von spektren von objekten mit komplexem informationsgehalt
EP3126819B1 (de) Vorrichtung und verfahren zur untersuchung einer probe zur prostatatumorerkennung
WO2018059662A1 (de) Wellenlängenselektion bei der gewebeklassifikation mittels hyperspectral imaging
Wang Raman spectroscopic characterization and analysis of agricultural and biological systems
DE102019113283B4 (de) Vorrichtung zur Abbildungserzeugung von Hautläsionen
EP2635882A1 (de) Verfahren zur bestimmung von chemischen bestandteilen von festen oder flüssigen stoffen mithilfe von thz-spektroskopie
WO2017060425A1 (de) Vorrichtung und verfahren zur erkennung und/oder beurteilung pathologischer zustände
EP3488281B1 (de) Ermitteln eines gewebetyps eines gewebes eines tierischen oder menschlichen individuums
AT505523B1 (de) Verfahren und anordnung zur status-erfassung von hautgewebe
DE60126600T2 (de) Analyseverfahren für stoffmischungen
DE102014105994A1 (de) Verfahren zur Erkennung von Signalmustern in spektroskopisch erzeugten Datensätzen
Kanchanomai et al. NIRS as an alternative method for table grapes Seedlessness sorting
WO2018059668A1 (de) Analyseeinrichtung und verfahren zur analyse eines biologischen gewebes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16777625

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16777625

Country of ref document: EP

Kind code of ref document: A1