Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'outil logiciel du SIVQ d'U-M peut indiquer exactement la cellule et les prélèvements de tissu plus exactement

Ulysse Balis, M.D., clique une souris pour recenser un hélicoptère dans une photo satellite de Bagdad, Irak. Avec un autre claquement, un algorithme que lui et son équipe ont conçu sélectionne trois vibreurs supplémentaires sans mettre en valeur les bâtiments, les rues, les arbres ou les véhicules l'uns des.

Balis ne joue pas des jeux de guerre. Le directeur de la Division de l'Informatique de Pathologie à la Faculté de Médecine d'Université du Michigan explique la souplesse extrême d'un outil logiciel visé effectuant le dépistage des anomalies dans la cellule et les prélèvements de tissu plus rapides, plus précis et plus cohérents.

Dans un cadre médical, au lieu des hélicoptères, la technique, connue sous le nom de Quantification de Vecteur Spatial-Invariable (SIVQ), peut indiquer exactement des cellules cancéreuses et d'autres caractéristiques techniques critiques des images numériques effectuées à partir du tissu glisse.

Mais SIVQ n'est pas limité à tout domaine particulier de médicament. Il peut promptement séparer des calcifications des malignités dans des prélèvements de tissu de sein, rechercher et compter la cellule particulière saisit un guide de moelle osseuse, ou recense rapidement les nucleoli de rouge de cerise des cellules associées avec la Maladie de Hodgkin, selon des découvertes juste publiées au Tourillon de l'Informatique de Pathologie.

« Le fait que l'algorithme fonctionne sans effort en travers des domaines et des échelles de longueurs, tout en exigeant la formation des utilisateurs minimale, la règle indépendamment des élans conventionnels à l'analyse d'image, » Balis dit.

La technologie - développée conjointement avec des chercheurs à Massachusetts General Hospital et à la Faculté de Médecine de Harvard - diffère du logiciel conventionnel de reconnaissance des formes en basant sa recherche de noyau sur une suite de sonneries concentriques, de filtrage, plutôt que les cases rectangulaires ou carrées plus typiques. Cet élan tire profit de la symétrie continue des sonneries, tenant compte de la reconnaissance des caractéristiques techniques n'importe comment elles sont tournées ou si elles sont renversées, comme dedans un miroir.

« Qui est bon parce qu'en pathologie, les images des cellules et le tissu n'ont pas une orientation particulière, » Balis dit. « Ils peuvent faire face à n'importe quel sens. » Une des images comprises avec le papier explique ce principe ; SIVQ recense chronique la lettre A d'une zone de texte, n'importe comment les lettres sont tournées.

Comment cela fonctionne

Dans SIVQ, une recherche commence par l'utilisateur sélectant une petite zone des pixels, connue sous le nom de vecteur, qu'il veut essayer pour être assorti ailleurs dans l'image. Le vecteur peut également venir d'une bibliothèque enregistrée des images.

L'algorithme compare alors ce vecteur circulaire à chaque partie de l'image. Et à chaque emplacement, la sonnerie tourne par des millions de possibilités afin d'essayer de trouver une correspondance en chaque degré possible de rotation. De Plus Petites sonneries dans la sonnerie principale peuvent fournir bien plus de recherche de raffinage.

Le programme produit alors un plan de la chaleur, ombrageant l'image basée sur la qualité de la correspondance à chaque remarque.

Cette technique ne fonctionnerait pas avec un carré ou la structure de forme rectangulaire de recherche parce que ces formes ne demeurent pas symétriques pendant qu'elles tournent, Balis explique.

Pourquoi est-ce que chacun avait utilisé des cercles tout au long de ?

« Il est l'une de ces choses qui est seulement évidente rétrospectivement, » Balis dit.

En testant l'algorithme, les chercheurs l'avaient l'habitude même pour trouver Waldo dans une illustration d'Où est Waldo ? le livre d'enfants.

« Vous juste devez produire d'un vecteur pour sa face, » explique Jason Hipp, M.D., Ph.D., auteur de Co-plomb du papier - juste comme on produirait d'un vecteur pour identifier des calcifications en tissu de sein.

Un « commutateur de jeu »

Hipp croit que la technologie a le potentiel d'être un « commutateur de jeu » pour la zone en ouvrant des possibilités neuves innombrables pour une analyse d'image plus profonde.

« Elle va nous permettre de penser aux choses différemment, » dit Hipp, un chargé de recherches d'informatique de pathologie et le conférencier clinique au Service de Pathologie. « Nous commençons à établir le lien entre l'analyse qualitative effectuée par les pathologistes experts qualifiés avec les élans quantitatifs possibles par des avances en technologie de l'image. »

Par exemple, la voie la plus commune de regarder des prélèvements de tissu est toujours un technique de coloration qui remonte à the1800s. L'Affichage de ces guides de composé et le rendu d'un diagnostic fait partie de l'art de la pathologie.

SIVQ, cependant, peut aider des pathologistes par préexamen une image et recensement des zones potentiellement problématiques, y compris les caractéristiques techniques subtiles qui peuvent ne pas être tout à fait apparentes à l'oeil.

L'efficience de SIVQ dans des problèmes potentiels de pré-recensement devient apparente quand on considère qu'un pathologiste peut réviser plus de 100 guides dans un d'un seul jour.

« À La Différence même des êtres humains les plus diligents, ordinateurs ne souffrez pas des effets de l'ennui ou fatigue, » Balis dit.

Fonctionner ensemble

Des Vecteurs peuvent également être mis en commun pour produire les bibliothèques partagées - un catalogue des images de référence sur lesquelles l'ordinateur peut rechercher - Balis explique, qui pourrait aider des pathologistes à recenser rapidement des anomalies rares.

« Introduire de tels outils dans le flux de travail clinique pourrait fournir un de plus haut niveau des compétences qui sont distribuées plus largement, et inférieur les tarifs auxquels les découvertes obtiennent données sur, » Balis dit.

Après la publication de cet premier article présentant l'algorithme de SIVQ, l'équipe a un certain nombre de projets de recherche s'approcher de l'achèvement qui expliquent l'utilité potentielle de la technologie dans un certain nombre de science fondamentale et d'applications cliniques. Ces efforts comportent des collaborations des chercheurs chez les Instituts de la Santé Nationaux, la Mayo Clinic, l'Université de Rutgers, la Faculté de Médecine de Harvard et le Massachusetts General Hospital.

SIVQ peut également aider avec l'analyse « des biopsies liquides, » une technique expérimentale des prises de sang de lecture pour des nombres minuscules des cellules cancéreuses se cachant parmi des milliards de les sains. Balis a été concerné du développement de cette technologie chez Massachusetts General Hospital avant qu'il soit venu à l'UM et des membres de cette équipe de recherche sont également concernés en développant SIVQ et ses applications.

Toujours, on ne devrait pas inquiéter des pathologistes que SIVQ les mettra hors d'un travail.

« Personne ne parle remontant des pathologistes d'un moment à l'autre, » Balis dit. « Mais fonctionner en tandem avec cette technologie, l'espoir est qu'ils pourront réaliser un niveau de performance général plus élevé. »

Source : Faculté de Médecine d'Université du Michigan