CN113454682A - 信息处理装置、信息处理方法及信息处理系统 - Google Patents

信息处理装置、信息处理方法及信息处理系统 Download PDF

Info

Publication number
CN113454682A
CN113454682A CN202080015996.7A CN202080015996A CN113454682A CN 113454682 A CN113454682 A CN 113454682A CN 202080015996 A CN202080015996 A CN 202080015996A CN 113454682 A CN113454682 A CN 113454682A
Authority
CN
China
Prior art keywords
information
unit
data
information processing
processing apparatus
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.)
Withdrawn
Application number
CN202080015996.7A
Other languages
English (en)
Inventor
山根健治
渡边真司
国弘威
相坂一树
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.)
Sony Group Corp
Original Assignee
Sony Group 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 Sony Group Corp filed Critical Sony Group Corp
Publication of CN113454682A publication Critical patent/CN113454682A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

提供了一种信息处理装置，包括：识别数据获取单元，获取表示第一生物区域的识别图像数据和第一生物区域的第一部位信息；以及识别单元，从与多条部位信息中的对应部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且基于该标识符和识别图像数据执行识别处理。

Description

信息处理装置、信息处理方法及信息处理系统
技术领域
本公开涉及一种信息处理装置、信息处理方法、以及信息处理系统。
背景技术
近年来，已知一种基于捕获有生物区域的用于识别的图像数据和标识符来执行识别处理的技术。例如，识别处理可以是指示生物区域中是否存在病变的诊断信息。这里，已经公开了用于基于图像数据和标识符执行识别处理的技术(参见例如专利文献1)。在这样的技术中，由标识符使用的数据(模型数据)基于用于学习的图像数据生成。
现有技术文献
专利文献
专利文献1：日本专利申请公开第2015-116319号
发明内容
技术问题
然而，希望提供一种能够提高基于捕获有生物区域的用于识别的图像数据的识别处理的精度的技术。
问题的解决方案
根据本公开，提供了一种信息处理装置，包括：识别数据获取单元，获取用于识别的图像数据和第一生物区域的第一部位信息，在该图像数据中捕获有第一生物区域；以及识别单元，从分别与多条部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且基于该标识符和用于识别的图像数据执行识别处理。
根据本公开，提供了一种信息处理方法，包括：由处理器获取用于识别的图像数据和第一生物区域的第一部位信息，在该图像数据中捕获有第一生物区域，并且由处理器从分别与多条部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且由处理器基于标识符和用于识别的图像数据执行识别处理。
根据本公开，提供了一种包括信息处理装置的信息处理系统，该系统包括信息处理装置，该信息处理装置包括：成像单元，捕获第一生物区域的图像；识别数据获取单元，获取由成像单元捕获的第一生物区域的图像数据和第一生物区域的第一部位信息；以及识别单元，从分别与多条部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且基于标识符和图像数据执行识别处理。
根据本公开，提供了一种信息处理系统，该信息处理系统包括医疗图像成像装置和软件，该软件用于处理与由医疗图像成像装置成像的对象相对应的图像数据，其中，该软件使信息处理装置基于与第一生物区域相对应的第一图像数据和与第一生物区域的第一部位信息相对应的标识符来执行识别处理。
附图说明
图1是示出根据本公开的实施例的信息处理系统的配置示例的图。
图2是示出根据本公开实施例的LIS的功能配置示例的图。
图3是示出根据本公开实施例的分析服务器的功能配置示例的图。
图4是示出由部位特定数据保持单元存储的部位特定数据的示例的图。
图5是示出样品接收处理的流程的流程图。
图6是示出作为读取目标的载玻片的示例的图。
图7是示出数据注册处理的流程的流程图。
图8是示出模型生成处理的流程的流程图。
图9是示出显示处理的流程的流程图。
图10是示出识别处理的流程的流程图。
图11是示出根据变型例2的信息处理系统的配置示例的图。
图12是示出根据变型例2的LIS功能配置示例的图。
图13是示出由根据变型例2的部位特定数据保持单元存储的部位特定数据的示例的图。
图14是示出根据本公开实施例的分析服务器的硬件配置示例的框图。
具体实施方式
在下文中，将参照附图详细描述本公开的优选实施例。注意，在描述和附图中，具有基本相同的功能和配置的部件由相同的附图标记表示，并且省略冗余描述。
此外，在描述和附图中，可以通过在相同的附图标记之后添加不同的数字来区分具有基本相同或相似功能结构的多个部件。然而，在不需要特别区分具有基本相同或相似功能结构的多个部件中的每一个的情况下，仅给出相同的参考标号。此外，不同实施例的类似部件可以通过在相同的参考数字之后添加不同的字母来区分。然而，在不需要特别区分相似部件中的每一个的情况下，仅给出相同的参考标号。
注意，将按照以下顺序进行描述。
0.概要
1.实施例详情
1.1.信息处理系统配置示例
1.2.LIS功能配置示例
1.3.分析服务器功能配置示例
1.4.系统功能详情
1.4.1.样品接收处理
1.4.2.数据注册处理
1.4.3.模型生成处理
1.4.4.显示处理
1.4.5.识别处理
2.变型例示例
3.硬件配置示例
4.结论
<0.概要>
近年来，数字化病理学被称为用扫描器读取试样以生成数字图像(图像数据)，在显示器上显示生成的图像数据，并且允许医生观察显示的图像数据的技术方法。根据这样一种数字化病理，可以由位于远离对象的远程地点的医生进行诊断，并且据说可以解决农村地区医生短缺的问题。
此外，通过使用图像数据的诊断结果作为正确答案数据，可以通过基于图像数据和正确答案数据执行监督学习(使用深度学习等)来生成标识符使用的数据(下文中，也称为“模型数据”)。通过使用以这种方式生成的模型数据，标识符可以基于新输入的图像数据自动执行诊断。因此，正在进行研究，以实现更高精度的自动诊断。例如，举办竞赛，以便提供捕获有病变的图像数据和病变的类型(正确答案)，并且竞争根据基于图像数据的正确答案能够做出多少诊断。
为了在临床上利用这种自动诊断，即使获得了捕获有生物区域的任何部位的图像数据，也希望能够对图像数据进行诊断。然而，在目前的情况下，只对专用于一个部位的模型数据的生成进行了研究。例如，如果仅通过关于捕获有一个部位的图像数据进行学习而获得的模型数据被用于基于捕获有另一个部位的图像数据进行诊断，则诊断的正确应答率不会提高，因为每个部位的构造不同。
可替换地，还假定基于捕获有多个部位中的每一个的图像数据进行学习的方法。因此，生成与多个部位相对应的一个模型数据。然而，通过这样的方法，由于与使用捕获有一个部位的图像数据执行学习的情况相比，这样的学习所需的数据集变得巨大，因此预计需要大量的时间用于学习(或者学习所需的硬件资源将是巨大的)。
因此，本公开的实施例主要提出一种能够提高基于捕获有生物区域的用于识别的图像数据的识别处理的精度的技术。更具体地，本公开的实施例提出了一种技术，该技术可以提高基于用于识别的图像数据的识别处理的精度，同时减少生成用于标识符的模型数据所需的资源(时间或硬件资源)。
上面已经描述了本公开的实施例的概要。
<1.实施例详情>
[1.1.信息处理系统配置示例]
在下文中，将参照附图描述根据本公开的实施例的信息处理系统的配置示例。图1是示出根据本公开实施例的信息处理系统的配置示例的图。如图1所示，根据本公开的实施例的信息处理系统1A具有实验室信息服务器(LIS)10(另一信息处理装置)、分析服务器20(信息处理装置)、扫描器30(读取装置)、网络71、网络72、扫描数据保持单元40、以及模型保持单元50。LIS 10和分析服务器20能够经由网络71彼此通信。分析服务器20和扫描器30能够经由网络72彼此通信。
例如，LIS 10包括计算机。例如，LIS 10由技术员81和医生82使用。在本公开的实施例中，主要假设技术员81的各种操作直接输入到LIS 10的情况。然而，技术员81的各种操作可以经由未示出的终端输入到LIS 10。此外，在本公开的实施例中，主要假设用于技术员81的各种呈现信息从LIS 10直接输出的情况。然而，用于技术员81的各种呈现信息可以经由未示出的终端从LIS 10输出。
类似地，在本公开的实施例中，主要假设由医生82执行的各种操作被直接输入到LIS 10的情况。然而，由医生82的各种操作可以经由未示出的终端输入到LIS 10。此外，在本公开的实施例中，主要假设用于医生82的各种呈现信息从LIS 10直接输出的情况。然而，用于医生82的各种呈现信息可以经由未示出的终端从LIS 10输出。
扫描器30读取生物区域。因此，扫描器30生成包括捕获有生物区域的图像数据的扫描数据。如后面将要描述的，生物区域可以对应于从样品获得的试样。例如，扫描器30具有图像传感器并且利用图像传感器捕获试样的图像，从而生成包括捕获有试样的图像数据的扫描数据。扫描器30的读取方法不限于特定类型。例如，扫描器30的读取方法可以是电荷耦合器件(CCD)型或接触式图像传感器(CIS)型。
这里，CCD类型可以对应于来自试样的反射光被反射并且集中在镜子上、透过透镜的光由CCD传感器读取、并且被CCD传感器读取的光被转换成图像数据的类型。另一方面，CIS方法可以对应于使用RGB三色发光二极管(LED)作为光源、利用光传感器读取来自光源的光在试样上的反射结果、并且将读取结果转换为图像数据的类型。
分析服务器20例如包括计算机。例如，分析服务器20连接到扫描数据保持单元40和模型保持单元50。注意，在本公开的实施例中，主要假设扫描数据保持单元40和模型保持单元50存在于分析服务器20外部的情况。然而，扫描数据保持单元40或模型保持单元50中的至少一者可以集成在分析服务器20内部。
扫描数据保持单元40包括存储器，并且存储由扫描器30生成的N条扫描数据(其中N是2以上的整数)。
模型保持单元50包括存储器，并且存储学习器、标识符、以及模型数据(下文中，也简单地称为“模型”)的N个组合(其中N是2以上的整数)。这里，为每个部位提供了学习器和标识符。此外，模型数据由学习器生成并由标识符使用。该部位的具体实例包括胃、大肠、肝脏等，如后面将描述的。然而，部位并不限于这些示例。
例如，指示部位的信息(部位信息)可以是将生物区域分类为临床上有意义的预定单元的信息。那么，临床上有意义的单元可以是器官系统、器官、组织、或者疾病代码。疾病代码可以是世界卫生组织(WHO)编制的《疾病和相关健康问题国际统计分类(ICD)》。
注意，在本公开的实施例中，主要假设学习器和标识符中的每一个由神经网络实现的情况。在这种情况下，模型数据可以对应于神经网络中每个神经元的权重。然而，学习器和标识符中的每一个可以由神经网络以外的方法来实现。其可以通过随机森林、支持向量机或AdaBoost实现。
此外，在本公开的实施例中，主要假设LIS 10、分析服务器20、以及扫描器30作为分离的装置存在的情况。然而，LIS 10、分析服务器20、以及扫描器30的一部分或全部可以作为一个装置存在。可替代地，LIS 10、分析服务器20、以及扫描器30所具有的功能的一部分可以集成到另一个装置中。例如，如将在后面的变型例中描述的，分析服务器20的部分功能(例如，基于部位信息的学习器和标识符的选择)可以由LIS 10而不是分析服务器20拥有。
上面已经描述了根据本公开的实施例的信息处理系统1A的配置示例。
[1.2.LIS功能配置示例]
接下来，将描述根据本公开的实施例的LIS 10的功能配置示例。图2是示出根据本公开实施例的LIS 10的功能配置示例的示图。如图2所示，LIS 10具有部位信息输入单元111、试样号分配单元112、注册请求发送单元113、识别目标输入单元121、识别请求生成单元122、识别请求发送单元123、识别结果接收单元131、显示控制单元132、以及存储单元140。
试样号分配单元112、识别请求生成单元122、以及显示控制单元132可以包括例如一个或多个中央处理单元(CPU)等处理装置。这样的处理装置可以包括电子电路。试样号分配单元112、识别请求生成单元122、以及显示控制单元132可以通过由这样的处理装置执行程序(软件)来实现。
试样号分配单元112连接到标签发行装置，该标签发行装置将在后面描述。注意，在本公开的实施例中，主要假设标签发行装置存在于LIS 10外部的情况。然而，标签发行装置可以存在于LIS 10内部。此外，显示控制单元132连接到后述的显示装置。注意，在本公开的实施例中，主要假设显示装置存在于LIS 10外部的情况。然而，显示装置可以存在于LIS10内部。显示装置可以通过显示器来实现，并且显示器可以是液晶显示器、有机电致发光(EL)显示器或其它显示器。
部位信息输入单元111具有接收技术员81的部位信息输入的功能。此外，识别目标输入单元121具有接收医生82的识别目标的输入的功能。在本公开的实施例中，主要假设部位信息输入单元111和识别目标输入单元121由公共硬件实现的情况。然而，部位信息输入单元111和识别目标输入单元121可以通过单独的硬件来实现。具体地，部位信息输入单元111和识别目标输入单元121可以包括鼠标和键盘、触摸面板、用于检测语音的麦克风或用于检测视线的图像传感器。
存储单元140是包括存储器并且存储由处理装置执行的程序并且存储执行该程序所必需的数据的记录介质。此外，存储单元140临时存储用于由处理装置进行计算的数据。存储单元140包括磁存储单元装置、半导体存储装置、光存储装置、光磁存储装置等。
注册请求发送单元113、识别请求发送单元123和识别结果接收单元131包括通信电路。注册请求发送单元113具有经由网络71向分析服务器20发送后述的注册请求的功能。识别请求发送单元123具有经由网络71向分析服务器20发送后述的识别请求的功能。识别结果接收单元131具有经由网络71从分析服务器20接收后述的识别结果的功能。
上面已经描述了根据本公开的实施例的LIS 10的功能配置示例。
[1.3.分析服务器功能配置示例]
接下来，将描述根据本公开的实施例的分析服务器20的功能配置示例。图3是示出根据本公开实施例的分析服务器20的功能配置示例的图。如图3所示，分析服务器20具有注册请求接收单元211、扫描数据接收单元212、扫描数据注册处理单元213、存储单元220、识别请求接收单元241、识别数据获取单元242、识别单元243、输出单元244、识别结果发送单元245、学习数据获取单元231和学习单元232。
扫描数据注册处理单元213、识别数据获取单元242、识别单元243、输出单元244、学习数据获取单元231、以及学习单元232可以包括例如一个或多个CPU(中央处理单元)等处理装置。这样的处理装置可以包括电子电路。扫描数据注册处理单元213、识别数据获取单元242、识别单元243、输出单元244、学习数据获取单元231、以及学习单元232通过由这样的处理装置执行程序(软件)来实现。
扫描数据注册处理单元213和学习数据获取单元231连接到扫描数据保持单元40。此外，识别单元243和学习单元232连接到模型保持单元50。此外，识别数据获取单元242和学习数据获取单元231连接到稍后将描述的部位特定数据保持单元221。
存储单元220是包括存储器并且存储由处理装置执行的程序并且存储执行该程序所必需的数据的记录介质。存储单元220存储部位特定数据作为执行程序所需的数据的示例(即，存储单元220具有部位特定数据保持单元221)。此外，存储单元220临时存储用于处理装置计算的数据。存储单元220包括磁存储单元装置、半导体存储装置、光存储装置、光磁存储装置等。
图4是示出由部位特定数据保持单元221存储的部位特定数据的示例的图。参照图4，在部位特定数据(由部位特定数据保持单元221存储)中注册了三个条目(三行数据)。然而，在部位特定数据中注册的条目数量不受限制。每个条目包括彼此关联的部位信息、扫描数据存储位置、学习器信息(用于识别学习器的信息)、模型信息(用于识别模型的信息)、以及标识符信息(用于识别标识符的信息)。
回到图3，继续说明。注册请求接收单元211、扫描数据接收单元212、识别请求接收单元241、以及识别结果发送单元245包括通信电路。注册请求接收单元211具有经由网络71从分析服务器20接收后述的注册请求的功能。扫描数据接收单元212经由网络72从扫描器30接收扫描数据。识别请求接收单元241具有经由网络71从分析服务器20接收识别请求的功能，该识别请求将在后述。识别结果发送单元245具有通过网络71向分析服务器20发送后述的识别结果的功能。
上面已经描述了根据本公开的实施例的分析服务器20的功能配置示例。
[1.4.系统功能详细说明]
接下来，将描述根据本公开的实施例的信息处理系统1A所具有的功能的详情。首先，通过根据本公开的实施例的信息处理系统1A执行样品接收处理。因此，将描述样品接收处理。
(1.4.1.样品接收处理)
图5是示出样品接收处理的流程的流程图。首先，如图5所示，当技术员获得样品并将样品的部位信息输入到LIS 10中时，部位信息输入单元111接收LIS 10中样品的部位信息的输入(S11)。技术员对样品进行处理，并从样品中获得试样。然后，试样号分配单元112将试样号分配给从样品获得的试样(S12)。这里，试样号可以是用于唯一地识别试样的信息(试样信息)，试样号分配单元112只需要将任何空缺的试样号分配给试样。
标签发行装置生成与试样号相对应的二维条形码，发放(印刷)附有二维条形码的标签(S13)。技术员将标签发行装置发放的标签粘贴到载玻片(玻璃载玻片)。
注意，这里主要假设在载玻片上粘贴与试样号相对应的二维条形码、而不是指示试样号的字符的情况。然而，代替2D条形码，另一个代码(例如，1D条形码等)可以被粘贴在载玻片上。通过以这种方式在载玻片上粘贴与试样号相对应的代码而不是指示试样号的字符，提高了扫描器30对试样号的可读性。
可替代地，也可以发放附有表示试样号的字母的标签。即标签所附试样号的格式不受限制。此外，这里主要假设在标签上附接与试样号相对应的二维条形码的情况。但除了试样号相对应的二维条形码外，标签上还可以附接其他信息。同样在这种情况下，附接到标签的其他信息的格式不受限制。
例如，其他信息的格式可以是与其他信息相对应的代码(例如，一维条形码、二维条形码等)，或者可以是指示其他信息的字符。其他信息可以包括部位信息，由部位信息输入单元111已经接收到该部位信息输入。此外，技术员将试样放置在贴有标签的载玻片上。贴有标签并放置有试样的载玻片是扫描器30的读取目标。
图6是示出作为读取目标的载玻片的示例的图。如图6所示，附有与试样号相对应的二维条形码的标签443粘贴到载玻片441。此外，试样442被放置在载玻片441上。当技术员使扫描器30读取作为读取目标的载玻片时，扫描器30生成扫描数据。扫描数据包括试样的图像数据和与试样号相对应的二维条形码的图像数据。注意，如上所述，在部位信息也附接到标签的情况下，扫描数据还包括部位信息的图像数据。扫描数据经由网络72从扫描器30发送到分析服务器20。
回到图5，继续说明。注册请求发送单元113经由网络71向分析服务器20发送注册请求，该注册请求包括其输入已由部位信息输入单元111接收到的部位信息以及由试样号分配单元112分配的试样号(S14)。注意，如上所述，在除了试样号之外还将部位信息附接到标签的情况下，注册请求发送单元113不必将注册请求发送到分析服务器20。
上面已经描述了样品接收处理。随后，由根据本公开的实施例的信息处理系统1A执行数据注册处理。因此，将描述数据注册处理。
(1.4.2.数据注册流程)
图7是示出数据注册处理的流程的流程图。在分析服务器20中，注册请求接收单元211经由网络71从LIS 10接收包括部位信息和试样号的注册请求(S21)。然后，扫描数据接收单元212经由网络72从扫描器30接收扫描数据(S22)。扫描数据注册处理单元213从与扫描数据中包括的试样号相对应的二维条形码的图像数据中识别试样号(S23)。
扫描数据注册处理单元213指定从LIS 10接收到的部位信息以及与从扫描数据识别出的试样号匹配的试样号(S24)。更具体地说，在扫描数据注册处理单元213接收到包括与从扫描数据识别出的试样号匹配的试样号的注册请求的情况下，扫描数据注册处理单元213指定注册请求中包括的部位信息。注意，如上所述，在扫描数据包括部位信息的图像数据的情况下，扫描数据注册处理单元213可以从部位信息的图像数据识别部位信息。此外，可以通过扫描器30而不是分析服务器20从扫描数据识别试样号和部位信息中的至少一者。
随后，扫描数据注册处理单元213参考部位特定数据保持单元221(图4)，将扫描数据保存在与指定部位信息相对应的扫描数据存储位置(S25)。
上面已经描述了数据注册处理。随后，将由根据本公开的实施例的信息处理系统1A执行模型生成处理。因此，将描述模型生成处理。
(1.4.3.模型生成处理)
图8是示出模型生成处理的流程的流程图。注意，这里，主要假设在检测到预定定时的情况下(例如，周期性地或在向LIS 10输入医生的指示的情况下)，顺序地执行与注册在部位特定数据保持单元221(图4)中的所有部位信息中的每一个相对应的模型生成的情况。然而，不需要生成与注册在部位特定数据保持单元221中的所有部位信息中的每一个相对应的模型。例如，可以仅执行与医生输入的部位信息相对应的模型生成。此外，虽然上述模型生成处理是在同一系统中生成模型的示例，但是可以使用针对该系统以外的每个部位创建的模型。
在分析服务器20中，当学习数据获取单元231检测到预定定时时，该分析服务器20从部位特定数据保持单元221获取一个条目(S31)。该一个条目包括部位信息、扫描数据存储位置、学习器信息、模型信息以及标识符信息。学习单元232基于获取的一个条目来确定与部位信息相对应的模型的精度是否足够(S32)。更具体地说，学习单元232基于获取的一个条目，在模型保持单元50中已经存在与部位信息相对应的模型的情况下，基于该模型的精确度确定是否生成新模型。
这里，可以以任何方式确定模型的精度。例如，在学习单元232使得与部位信息相对应的标识符基于与部位信息相对应的模型来执行关于评估数据的识别的情况下，学习单元232可以基于识别结果的正确回答率来确定模型的精度。然后，模型的精确度是否足够只需要通过模型的精确度是否高于阈值来确定。在学习单元232确定与部位信息相对应的模型的精度足够的情况下(S32中的“是”)，学习单元232使操作前进到S36。
另一方面，在学习单元232确定与部位信息相对应的模型的精度不够的情况下(S32中的“否”)，学习单元232从扫描数据存储位置获取扫描数据(包括试样的图像数据)(S33)。试样的图像数据可以对应于其中捕获有第二生物区域的用于学习的图像数据。此外，部位信息可以对应于第二生物区域的第二部位信息。
学习单元232基于所获取的一个条目来选择与部位信息相对应的学习器。然后，学习单元232基于试样和选择的学习器的图像数据(通过执行学习)来生成与部位信息相对应的模型。更具体地说，在正确答案数据与试样的图像数据相关联的情况下，学习数据获取单元231获取正确答案数据，并且学习单元232基于(通过学习)试样的图像数据、选择的学习器、以及正确答案数据来生成模型(S34)。
如果以这种方式通过为每个部位准备的学习器生成模型，则与生成对应于多个部位的一个模型的情况相比，可以减少生成用于标识符的模型所需的资源(时间或硬件资源)。
学习单元232基于生成的模型在模型保持单元50中执行新注册或更新(S35)。更具体地说，在模型保持单元50中不存在与部位信息相对应的模型的情况下，学习单元232在模型保持单元50中新注册与部位信息相关联的所生成的模型。另一方面，在模型保持单元50中已经存在与部位信息相对应的模型的情况下，学习单元232用生成的模型更新模型保持单元50中已经与部位信息相关联的模型。
在与注册在部位特定数据保持单元221(图4)中的全部或部分部位信息中的每条部位信息相对应的模型生成尚未完成的情况下(S36中的“否”)，学习数据获取单元231从部位特定数据保持单元221(图4)获取下一条目(S31)，并且操作前进到S32。另一方面，在与注册在部位特定数据保持单元221(图4)中的所有部位信息中的每条部位信息相对应的模型生成已经完成的情况下(S36中的“是”)，模型生成处理结束。
上面已经描述了模型生成处理。随后，由根据本公开的实施例的信息处理系统1A执行显示处理。因此，将描述显示处理。
(1.4.4.显示处理)
图9是示出显示处理的流程的流程图。首先，医生将与识别目标(试样)相对应的试样号和试样的部位信息输入到LIS 10中。然后，识别目标输入单元121接收试样号和部位信息的输入。识别请求生成单元122生成识别请求，该识别请求包括已被识别目标输入单元121接收到输入的试样号和部位信息。然后，识别请求发送单元123经由网络71向分析服务器20(S41)发送包括与识别目标(试样)相对应的试样号和部位信息的识别请求。
注意，这里，假设由医生向LIS 10输入试样号和部位信息的情况。但是，只要分析服务器20能够掌握试样号和试样的部位信息之间的对应关系，部位信息就不必由医生输入，识别请求也不必包含试样号。此外，也可以不通过LIS 10而将试样号和部位信息输入到分析服务器20。随后，分析服务器20响应于识别请求执行识别处理。稍后将参照图10描述这种识别处理。
识别结果接收单元131经由网络71从分析服务器20接收响应于识别请求的识别结果、用于识别的模型信息(识别用于识别的模型的信息)、以及用于识别的标识符信息(识别用于识别的标识符的信息)(S42)。显示控制单元132控制显示装置，使得通过显示装置显示由识别结果接收单元131接收的识别结果、模型信息、以及标识符信息(S43)。
注意，在从分析服务器20接收用于模型生成的学习器信息(关于学习器的信息)的情况下，可以控制显示装置，使得学习器信息也由显示装置显示。因此，医生就可以理解模型生成使用了什么样的学习器。稍后将参照图10描述识别结果。
上面已经描述了显示处理。接下来，将描述由根据本公开的实施例的信息处理系统1A执行的识别处理。
(1.4.5.识别处理)
图10是示出识别处理的流程的流程图。首先，识别请求接收单元241经由网络71从LIS 10接收包括与识别目标(试样)相对应的试样号和部位信息的识别请求(S51)。识别数据获取单元242获取接收到的部位信息。基于部位特定数据保持单元221(图4)，选择与部位信息相对应的标识符和模型(S52)。此外，识别数据获取单元242基于部位特定数据保持单元221(图4)，从与部位信息相对应的扫描数据存储位置获取扫描数据，并且从扫描数据获取与接收到的试样号相对应的试样的图像数据(S53)。
更具体地说，识别数据获取单元242从扫描数据获取试样的图像数据，在该扫描数据中识别到与接收到的试样号匹配的试样号。该试样的图像数据可以对应于捕获有第一生物区域的用于识别的图像数据。此外，部位信息可以对应于第一生物区域的第一部位信息。
识别单元243从模型保持单元50中存在的标识符当中选择与接收到的部位信息相对应的标识符。然后，识别单元243基于试样的图像数据和选择的标识符执行识别处理。如果以这种方式将为每个部位准备的标识符用于识别处理，则可以提高基于捕获有生物区域的用于识别的图像数据的识别处理的精度。更具体地说，识别单元243基于试样的图像数据、选择的标识符、以及选择的模型执行识别处理(S54)。
这里，对识别结果没有特别限制。例如，识别结果可以包括对应于生物区域(第一生物区域)的诊断结果、对应于生物区域的分析结果、或者诊断结果和分析结果两者。此外，诊断结果不受限制。例如，诊断结果可以包括关于在身体中具有生物区域的对象是否患有癌症的信息。此外，诊断结果还可以包括关于癌症的信息(癌症亚型、癌症分期、癌细胞的分化程度等)。分化程度可以用来预测诸如什么样的药物(抗癌药，或类似的)可能起作用的信息。
分析结果也不受限制。例如，分析结果可以包括生物区域中存在或不存在病变、病变包括在生物区域中的概率、病变的位置或病变的类型中的至少一者。
随后，输出单元244输出通过识别处理获得的识别结果、用于识别的模型信息、以及用于识别的标识符信息。识别结果发送单元245经由网络71向LIS 10返回识别结果、模型信息、以及标识符信息(S55)。注意，输出单元244可以输出用于生成标识符所使用的模型的学习器信息(关于学习器的信息)。在这种情况下，除了识别结果、模型信息、以及标识符信息之外，识别结果发送单元245可以经由网络71向LIS 10返回学习器信息。
上文已描述了识别处理。
上文已描述了根据本公开的实施例的信息处理系统1A所具有的功能的详情。
<2.变型例>
接下来，将描述各种变型例。
在下文中，将描述变型例1。在前述中，假设学习器、标识符以及模型与部位信息相关联的情况。然而，也假定学习器、标识符、以及模型与部位信息和其他信息的组合相关联的情况。例如，假设哪种药物可能对细胞起作用，根据细胞相对于哪种染色试剂的表达量而改变。因此，学习器、标识符、以及模型可以与部位信息和染色信息(指示染色试剂类型的信息)的组合相关联。部位信息和染色信息的组合可以是任何组合。
作为示例，假设指示“胃”的部位信息和指示“苏木精/伊红(HE)染色”的染色信息的组合。此外，假定指示“胃”的部位信息和指示“免疫组织化学＝IHC”的染色信息的组合。免疫组织化学(IHC)可以包括雌激素受体(ER)的免疫组织化学(IHC)或者孕激素受体(PR)的免疫组织化学(IHC)。
此时，模型保持单元50存储与部位信息和染色信息相对应的学习器、标识符、以及模型。然后，部位特定数据保持单元221响应于部位信息和染色信息的组合，存储扫描数据存储位置、学习器信息、模型信息和标识符信息。
然后，在模型生成处理中，学习数据获取单元231除了从部位特定数据保持单元221获取部位信息(第二部位信息)之外，还获取染色信息(第二染色信息)。学习单元232参考部位特定数据保持单元221选择与部位信息(第二部位信息)和染色信息(第二染色信息)相对应的学习器。学习单元232基于所选择的学习器和从扫描数据获取的试样的图像数据(学习用图像数据)来生成模型。
此外，在识别处理中，除了部位信息(第一部位信息)之外，识别数据获取单元242还从LIS 10接收的识别请求中获取染色信息(第一染色信息)。识别单元243参考部位特定数据保持单元221选择与部位信息(第一部位信息)和染色信息(第一染色信息)相对应的标识符。识别单元243基于所选择的标识符和从扫描数据获取的试样的图像数据(用于识别的图像数据)执行识别处理。
接下来，将描述变型例2。图11是示出根据变型例2的信息处理系统的配置示例的图。在前述中，如图1所示，假设信息处理系统1A具有一个分析服务器20，并且一个分析服务器20执行与所有部位信息中的每一个相对应的模型生成和识别处理的情况。另一方面，在第二变型例2中，如图11所示，假设信息处理系统1B具有多个分析服务器20(分析服务器20-1至20-N)，并且多个分析服务器20中的每一个执行与一条部位信息相对应的模型生成和识别处理的情况。
因此，在第二变型例中，如图11所示，扫描数据1和模型保持单元50-1(学习器1、标识符1、模型1)连接到分析服务器20-1，并且扫描数据2和模型保持单元50-2(学习器2、标识符2、模型2)连接到分析服务器20-2，并且……，扫描数据N和模型保持单元50-N(学习器N、标识符N、模型N)连接到分析服务器20-N。此外，存储有部位特定数据保持单元141(图12)。
图12是示出根据变型例2的LIS 10的功能配置示例的图。如图12所示，多个分析服务器20中的每一个都具有部位特定数据保持单元141。图13是示出根据变型例2的由部位特定数据保持单元141存储的部位特定数据的示例的图。参照图13，每个条目包括彼此关联的部位信息和分析服务器。通过参考部位特定数据保持单元141，LIS 10可以掌握哪个分析服务器20执行与部位信息相对应的模型生成和识别处理。即，LIS 10可以通过参考部位特定数据保持单元141来选择必须向其发送注册请求和识别请求的分析服务器20。
以上已经描述了各种变型例。
<3.硬件配置示例>
接下来，将参照图14描述根据本公开的实施例的分析服务器20的硬件配置示例。图14是示出根据本公开实施例的分析服务器20的硬件配置示例的框图。注意，分析服务器20不一定具有图14所示的全部硬件配置，并且图14所示的硬件配置的一部分不一定存在于分析服务器20中。此外，LIS 10的硬件配置可以与分析服务器20的硬件配置类似地实现。
如图14所示，分析服务器20包括中央处理单元(CPU)901、只读存储器(ROM)903、以及随机存取存储器(RAM)905。此外，分析服务器20可以包括主机总线907、桥接器909、外部总线911、接口913、输入装置915、输出装置917、存储装置919、驱动器921、连接端口923、以及通信装置925。此外，如果需要，分析服务器20可以包括成像装置933和传感器935。分析服务器20可以具有被称为数字信号处理器(DSP)或专用集成电路(ASIC)的处理电路来代替CPU 901或与CPU 901结合。
CPU 901用作算术处理装置和控制装置，并且根据记录在ROM 903、RAM 905、存储装置919或可移动记录介质927中的各种程序来控制分析服务器20中的全部操作或其一部分。ROM 903存储由CPU 901使用的程序和计算参数等。RAM 905临时存储由CPU 901执行时使用的程序、在执行期间适当地改变的参数等。CPU 901、ROM 903、以及RAM 905通过包括诸如CPU总线的内部总线的主机总线907彼此连接。此外，主机总线907经由桥接器909连接到外部总线911，诸如外围部件互连/接口(PCI)总线。
输入装置915例如是由用户操作的装置，诸如按钮。输入装置915可以包括鼠标、键盘、触摸面板、开关、杠杆等。此外，输入装置915还可以包括检测用户的语音的麦克风。输入装置915可以例如是使用红外线或其他无线电波的遥控装置，或者与分析服务器20的操作相对应的诸如移动电话的外部连接装置929。输入装置915包括输入控制电路，该输入控制电路基于用户输入的信息生成输入信号，并且将该输入信号输出到CPU901。通过操作该输入装置915，用户输入各种数据并指示分析服务器20进行处理操作。此外，稍后描述的成像装置933还可以通过捕获用户的手、用户的手指等的移动的图像来用作输入装置。此时，可以根据手的移动或手指的方向来确定指向位置。
输出装置917包括可以视觉或听觉地通知用户所获取的信息的装置。输出装置917例如可以是诸如液晶显示器(LCD)或有机电致发光(EL)显示器的显示装置、诸如扬声器或耳机的声音输出装置等。此外，输出装置917可以包括等离子显示面板(PDP)、投影仪、全息图、打印机装置等。输出装置917将通过分析服务器20的处理获得的结果输出为诸如文本或图像的视频，或诸如语音或声音的音频。此外，输出装置917可以包括灯等，以便使周围变亮。
存储装置919是作为分析服务器20的存储单元的示例而形成的用于存储数据的装置。存储装置919例如包括诸如硬盘驱动器(HDD)的磁存储装置、半导体存储装置、光存储装置、光磁存储装置等。存储装置919存储由CPU 901执行的程序和各种数据、从外部获取的各种数据等。
驱动器921是用于诸如磁盘、光盘、磁光盘或半导体存储器的可移动记录介质927的读写器，并且内置在分析服务器20中或外部附接到分析服务器20。驱动器921读取记录在安装的可移动记录介质927中的信息，并将该信息输出到RAM905。此外，驱动器921将记录写入所附接的可拆卸记录介质927。
连接端口923是用于将装置直接连接到分析服务器20的端口。连接端口923的示例包括通用串行总线(USB)端口、IEEE 1394端口、小型计算机系统接口(SCSI)端口等。此外，连接端口923可以是RS-232C端口、光学音频终端、高清多媒体接口(注册商标)(HDMI)端口等。通过将外部连接的装置929连接到连接端口923，可以在分析服务器20和外部连接的装置929之间交换各种数据。
通信装置925例如是包括用于连接到网络931等的通信装置的通信接口。通信装置925例如是用于有线或无线局域网(LAN)、蓝牙(注册商标)或无线USB(WUSB)等的通信卡。此外，通信装置925可以是用于光通信的路由器、用于非对称数字用户线(ADSL)的路由器、用于各种通信的调制解调器等。例如，通信装置925使用诸如TCP/IP之类的预定协议向因特网和其它通信装置发送和从因特网和其它通信装置接收信号等。此外，连接到通信装置925的网络931可以是通过有线或无线连接的网络，并且可以是例如因特网、家庭LAN、红外通信、无线电波通信或卫星通信等。
成像装置933使用诸如CCD(电荷耦合器件)或互补金属氧化物半导体(CMOS)等成像元件，并且是使用各种构件(诸如用于控制对象图像在成像元件上的图像形成的透镜)来捕获真实空间并且生成捕获图像的器件。成像装置933可以捕获静止图像或者可以捕获运动图像。
传感器935例如是测距传感器、加速度传感器、陀螺仪传感器、地磁传感器、振动传感器、光学传感器、以及声音传感器等各种传感器。传感器935获取例如关于分析服务器20自身的状态的信息(诸如分析服务器20的壳体的姿态)和关于分析服务器20的周围环境的信息(诸如分析服务器20周围的亮度和噪声)。此外，传感器935还可以包括全球定位系统(GPS)传感器，该GPS传感器接收GPS信号以测量装置的纬度、经度和海拔。
<4.结论>
根据本公开的实施例，提供了一种信息处理装置，包括：识别数据获取单元，获取捕获有第一生物区域的用于识别的图像数据和第一生物区域的第一部位信息；以及识别单元，从分别与多条部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且基于标识符和用于识别的图像数据执行识别处理。如果以这种方式将为每个部位准备的标识符用于识别处理，则可以提高基于捕获有生物区域的用于识别的图像数据的识别处理的精度。
此外，信息处理装置还可以包括学习数据获取单元，该学习数据获取单元获取捕获有第二生物区域的用于学习的图像数据和第二生物区域的第二部位信息；以及学习单元，该学习单元从分别与多条部位信息相关联的学习器中选择与第二部位信息相对应的学习器，并且基于学习器和用于学习的图像数据生成在分别与多条部位信息相关联的模型数据中与第二部位信息相对应的模型数据。如果以这种方式由为每个部位准备的学习器生成模型，则与生成对应于多个部位的一个模型的情况相比，可以减少生成用于标识符的模型所需的资源(时间或硬件资源)。
上面已经参考附图详细描述了本公开的优选实施例，但是本公开的技术范围不限于这样的示例。显然，在本公开的技术领域中具有普通知识的人可以在权利要求书中描述的技术思想的范围内设计各种改变示例或变型例，并且将自然理解这些示例也属于本公开的技术范围。
例如，在上文中，主要描述了具有LIS 10、分析服务器20、扫描器30、网络71、网络72、扫描数据保持单元40、以及模型保持单元50的信息处理系统。然而，也可以提供具有这些的一部分的信息处理系统。例如，可以提供具有LIS 10、分析服务器20、以及扫描器30的一部分或全部的信息处理系统。此时，信息处理系统并不一定要是整个装置的组合(硬件和软件的组合)。
例如，可以提供具有LIS 10、分析服务器20、以及扫描器30中的第一装置(硬件和软件的组合)和第二装置的软件的信息处理系统。作为示例，还可以提供具有扫描器30(硬件和软件的组合)和分析服务器20的软件的信息处理系统。如上所述，根据本公开的实施例，还可以提供包括从LIS 10、分析服务器20、以及扫描器30中任意选择的多个配置的信息处理系统。
此外，在本说明书中描述的效果仅仅是说明性的或示例性的，而不是限制性的。即，根据本公开的技术可以表现出除了上述效果之外或者代替上述效果的本领域技术员从本说明书中显而易见的其它效果。
注意，如下配置也属于本公开的技术范围。
(1)一种信息处理装置，包括：
识别数据获取单元，获取捕获有第一生物区域的用于识别的图像数据和第一生物区域的第一部位信息；以及
识别单元，从分别与多条部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且基于该标识符和该用于识别的图像数据执行识别处理。
(2)根据上述(1)的信息处理装置，还包括：
输出单元，输出通过识别处理获得的识别结果。
(3)根据上述(2)的信息处理装置，其中，
识别结果包括对应于第一生物区域的诊断结果和分析结果中的至少一者。
(4)根据上述(3)的信息处理装置，其中，
诊断结果包括关于在身体中具有第一生物区域的对象是否患有疾病的信息。
(5)根据上述(3)或(4)的信息处理装置，其中，
分析结果包括：第一生物区域中有无病变、在第一生物区域中包括病变的概率、病变的位置或者病变的类型中的至少一者。
(6)根据上述(2)至(5)中任一项的信息处理装置，其中，
输出单元输出关于用于生成由标识符使用的模型数据的学习器的信息。
(7)根据上述(2)至(5)中任一项的信息处理装置，其中，
识别数据获取单元获取第一染色信息，并且
识别单元从分别与部位信息和染色信息的多个组合相关联的标识符中选择与第一部位信息和第一染色信息相对应的标识符，并且基于该标识符和用于识别的图像数据执行识别处理。
(8)根据上述(1)至(7)中任一项的信息处理装置，其中，
在从读取装置获取包括用于识别的图像数据的扫描数据的情况下，识别数据获取单元基于扫描数据获取用于识别的图像数据。
(9)根据上述(8)的信息处理装置，其中，
在从读取装置获取包括第一部位信息的扫描数据的情况下，基于扫描数据识别第一部位信息。
(10)根据上述(8)的信息处理装置，其中，
在从读取装置获取包括第一试样信息的扫描数据的情况下，从扫描数据识别第一试样信息，并且从另一信息处理装置获取与第一试样信息相对应的第一部位信息。
(11)根据上述(1)至(10)中任一项的信息处理装置，其中，
标识符由神经网络、随机森林、支持向量机或者AdaBoost实现。
(12)根据上述(1)至(11)中任一项的信息处理装置，其中，
第一部位信息是将第一生物区域分类为临床上有意义的预定单元的信息。
(13)根据上述(12)的信息处理装置，其中，
单元是器官系统、器官、组织、以及疾病代码中的一项。
(14)根据上述(1)至(13)中任一项的信息处理装置，还包括：
学习数据获取单元，获取捕获有第二生物区域的用于学习的图像数据和第二生物区域的第二部位信息；以及
学习单元，从分别与多条部位信息相关联的学习器中选择与第二部位信息相对应的学习器，并且基于学习器和用于学习的图像数据，生成分别与多条部位信息相关联的模型数据中的与第二部位信息相对应的模型数据。
(15)根据上述(14)的信息处理装置，其中，
学习数据获取单元获取与用于学习的图像数据相对应的正确答案数据，并且
学习单元基于学习器、用于学习的图像数据、以及正确答案数据来生成模型数据。
(16)根据上述(14)或(15)的信息处理装置，其中，
学习数据获取单元获取第二染色信息，并且
学习单元选择与第二部位信息和第二染色信息相对应的学习器，并且基于学习器和用于学习的图像数据生成模型数据。
(17)根据上述(14)至(16)中任一项的信息处理装置，其中，
在与第二部位信息相对应的模型数据已经存在的情况下，学习单元基于模型数据的精度来确定是否新生成模型数据。
(18)一种信息处理方法，包括：
由处理器获取捕获有第一生物区域的用于识别的图像数据和第一生物区域的第一部位信息；并且
由处理器从分别与多条部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且由处理器基于标识符和用于识别的图像数据执行识别处理。
(19)一种信息处理系统，包括：
信息处理装置，其中，该信息处理装置包括：
成像单元，捕获第一生物区域的图像；
识别数据获取单元，获取由成像单元捕获的第一生物区域的图像数据和第一生物区域的第一部位信息；以及
识别单元，从分别与多条部位信息相关联的标识符中选择与第一部位信息相对应的标识符，并且基于标识符和图像数据执行识别处理。
(20)一种信息处理系统，包括医疗图像成像装置和用于处理与由医疗图像成像装置成像的对象相对应的图像数据的软件，其中，
该软件使信息处理装置基于与第一生物区域相对应的第一图像数据和与第一生物区域的第一部位信息相对应的标识符来执行识别处理。
(21)一种信息处理装置，包括：
学习数据获取单元，获取捕获有第二生物区域的用于学习的图像数据和第二生物区域的第二部位信息；以及
学习单元，从分别与多条部位信息相关联的学习器中选择与第二部位信息相对应的学习器，并且基于学习器和用于学习的图像数据，生成分别与多条部位信息相关联的模型数据中的与第二部位信息相对应的模型数据。
(22)根据上述(21)的信息处理装置，其中
学习数据获取单元获取与用于学习的图像数据相对应的正确答案数据，并且
学习单元基于学习器、用于学习的图像数据、以及正确答案数据来生成模型数据。
(23)根据上述(21)或(22)的信息处理装置，其中
学习数据获取单元获取第二染色信息，并且
学习单元选择与第二部位信息和第二染色信息相对应的学习器，并且基于学习器和用于学习的图像数据生成模型数据。
(24)根据上述(21)至(23)中任一项的信息处理装置，其中
在与第二部位信息相对应的模型数据已经存在的情况下，学习单元基于模型数据的精度来确定是否新生成模型数据。
附图标记列表
1A、1B 信息处理系统
10 LIS
111 部位信息输入单元
112 试样号分配单元
113 注册请求发送单元
121 识别目标输入单元
122 识别请求生成单元
123 识别请求发送单元
131 识别结果接收单元
132 显示控制单元
140 存储单元
141 部位特定数据保存单元
20 分析服务器
211 注册请求接收单元
212 扫描数据接收单元
213 扫描数据注册处理单元
220 存储单元
221 部位特定数据保存单元
231 学习数据获取单元
232 学习单元
241 识别请求接收单元
242 识别数据获取单元
243 识别单元
244 输出单元
245 识别结果发送单元
30 扫描器
40 扫描数据保持单元
441 载玻片
442 试样
443 标签
50 模型保持单元
71 网络
72 网络。

Claims (20)

1.一种信息处理装置，包括：
识别数据获取单元，获取捕获有第一生物区域的用于识别的图像数据和所述第一生物区域的第一部位信息；以及
识别单元，从分别与多条部位信息相关联的标识符中选择与所述第一部位信息相对应的标识符，并且基于所述标识符和所述用于识别的图像数据执行识别处理。
2.根据权利要求1所述的信息处理装置，还包括：
输出单元，输出通过所述识别处理获得的识别结果。
3.根据权利要求2所述的信息处理装置，其中，
所述识别结果包括对应于所述第一生物区域的诊断结果和分析结果中的至少一者。
4.根据权利要求3所述的信息处理装置，其中，
所述诊断结果包括关于身体中具有所述第一生物区域的对象是否患有疾病的信息。
5.根据权利要求3所述的信息处理装置，其中，
所述分析结果包括：所述第一生物区域中有无病变、在所述第一生物区域中包括病变的概率、所述病变的位置以及所述病变的类型中的至少一者。
6.根据权利要求2所述的信息处理装置，其中，
所述输出单元输出关于学习器的信息，所述学习器用于生成由所述标识符使用的模型数据。
7.根据权利要求2所述的信息处理装置，其中，
所述识别数据获取单元获取第一染色信息，并且
所述识别单元从分别与部位信息和染色信息的多个组合相关联的标识符中选择与所述第一部位信息和所述第一染色信息相对应的标识符，并且基于所述标识符和所述用于识别的图像数据执行所述识别处理。
8.根据权利要求1所述的信息处理装置，其中，
在从读取装置获取了包括所述用于识别的图像数据的扫描数据的情况下，所述识别数据获取单元基于所述扫描数据获取所述用于识别的图像数据。
9.根据权利要求8所述的信息处理装置，其中，
在从所述读取装置获取了包括所述第一部位信息的扫描数据的情况下，基于所述扫描数据识别所述第一部位信息。
10.根据权利要求8所述的信息处理装置，其中，
在从所述读取装置获取了包括第一试样信息的所述扫描数据的情况下，从所述扫描数据识别所述第一试样信息，并且从另一信息处理装置获取与所述第一试样信息相对应的所述第一部位信息。
11.根据权利要求1所述的信息处理装置，其中，
所述标识符通过神经网络、随机森林、支持向量机或者AdaBoost实现。
12.根据权利要求1所述的信息处理装置，其中，
所述第一部位信息是将所述第一生物区域分类为临床上有意义的预定单元的信息。
13.根据权利要求12所述的信息处理装置，其中，
所述单元是器官系统、器官、组织、以及疾病代码中的一项。
14.根据权利要求1所述的信息处理装置，还包括：
学习数据获取单元，获取捕获有第二生物区域的用于学习的图像数据和所述第二生物区域的第二部位信息；以及
学习单元，从分别与所述多条部位信息相关联的学习器中选择与所述第二部位信息相对应的学习器，并且基于所述学习器和所述用于学习的图像数据来生成分别与所述多条部位信息相关联的模型数据中的与所述第二部位信息相对应的模型数据。
15.根据权利要求14所述的信息处理装置，其中，
所述学习数据获取单元获取与所述用于学习的图像数据相对应的正确答案数据，并且
所述学习单元基于所述学习器、所述用于学习的图像数据、以及所述正确答案数据来生成所述模型数据。
16.根据权利要求14所述的信息处理装置，其中，
所述学习数据获取单元获取第二染色信息，并且
所述学习单元选择与所述第二部位信息和所述第二染色信息相对应的学习器，并且基于所述学习器和所述用于学习的图像数据来生成所述模型数据。
17.根据权利要求14所述的信息处理装置，其中，
在与所述第二部位信息相对应的模型数据已经存在的情况下，所述学习单元基于所述模型数据的精度来确定是否新生成所述模型数据。
18.一种信息处理方法，包括：
由处理器获取捕获有第一生物区域的用于识别的图像数据和所述第一生物区域的第一部位信息；并且
由所述处理器从分别与多条部位信息相关联的标识符中选择与所述第一部位信息相对应的标识符，并且由所述处理器基于所述标识符和所述用于识别的图像数据执行识别处理。
19.一种信息处理系统，包括
信息处理装置，其中，所述信息处理装置包括：
成像单元，捕获第一生物区域的图像；
识别数据获取单元，获取由所述成像单元捕获的所述第一生物区域的图像数据和所述第一生物区域的第一部位信息；以及
识别单元，从分别与多条部位信息相关联的标识符中选择与所述第一部位信息相对应的标识符，并且基于所述标识符和所述图像数据执行识别处理。
20.一种信息处理系统，包括医疗图像成像装置和用于处理与由所述医疗图像成像装置成像的对象相对应的图像数据的软件，其中，
所述软件使信息处理装置基于与第一生物区域相对应的第一图像数据和与所述第一生物区域的第一部位信息相对应的标识符来执行识别处理。
CN202080015996.7A 2019-02-28 2020-02-18 信息处理装置、信息处理方法及信息处理系统 Withdrawn CN113454682A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-035744 2019-02-28
JP2019035744A JP2020139842A (ja) 2019-02-28 2019-02-28 情報処理装置、情報処理方法および情報処理システム
PCT/JP2020/006240 WO2020175238A1 (ja) 2019-02-28 2020-02-18 情報処理装置、情報処理方法および情報処理システム

Publications (1)

Publication Number Publication Date
CN113454682A true CN113454682A (zh) 2021-09-28

Family

ID=72239899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080015996.7A Withdrawn CN113454682A (zh) 2019-02-28 2020-02-18 信息处理装置、信息处理方法及信息处理系统

Country Status (4)

Country Link
US (1) US20220172840A1 (zh)
JP (1) JP2020139842A (zh)
CN (1) CN113454682A (zh)
WO (1) WO2020175238A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220115120A (ko) * 2021-02-08 2022-08-17 주식회사 딥바이오 삼차원 전립선 병리 이미지 생성방법 및 그 시스템
KR102643066B1 (ko) * 2022-12-09 2024-03-04 (주) 브이픽스메디칼 인공지능 기반 의사 컬러링을 활용한 진단 보조 정보 제공 방법, 장치 및 시스템

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3207499A4 (en) * 2014-10-17 2018-09-19 Cireca Theranostics, LLC Methods and systems for classifying biological samples, including optimization of analyses and use of correlation
JP6552613B2 (ja) * 2015-05-21 2019-07-31 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
US10540764B2 (en) * 2016-05-09 2020-01-21 Canon Medical Systems Corporation Medical image capturing apparatus and method
WO2018159775A1 (ja) * 2017-03-03 2018-09-07 国立大学法人筑波大学 対象追跡装置
JP6819445B2 (ja) * 2017-04-27 2021-01-27 日本電気株式会社 情報処理装置、制御方法、及びプログラム
US10776607B2 (en) * 2017-05-19 2020-09-15 Case Western Reserve University Predicting prostate cancer biochemical recurrence and metastasis with computer extracted features from tumor nuclei and benign regions
US20190139644A1 (en) * 2017-10-08 2019-05-09 Cerner Innovation, Inc. Forecasting uterine activity
US10973486B2 (en) * 2018-01-08 2021-04-13 Progenics Pharmaceuticals, Inc. Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination
JP7137935B2 (ja) * 2018-02-27 2022-09-15 シスメックス株式会社 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム

Also Published As

Publication number Publication date
US20220172840A1 (en) 2022-06-02
WO2020175238A1 (ja) 2020-09-03
JP2020139842A (ja) 2020-09-03

Similar Documents

Publication Publication Date Title
CN110738263B (zh) 一种图像识别模型训练的方法、图像识别的方法及装置
JP7265003B2 (ja) ターゲット検出方法、モデル訓練方法、装置、機器及びコンピュータプログラム
CN110348543B (zh) 眼底图像识别方法、装置、计算机设备及存储介质
WO2022151755A1 (zh) 目标检测方法及装置、电子设备、存储介质、计算机程序产品和计算机程序
CN203224887U (zh) 显示控制设备
CN107895369B (zh) 图像分类方法、装置、存储介质及设备
US8953036B2 (en) Information processing apparatus, information processing method, program, and information processing system
CN101111886B (zh) 发声内容识别装置与发声内容识别方法
JP7286208B2 (ja) 生体顔検出方法、生体顔検出装置、電子機器、及びコンピュータプログラム
CN111091127A (zh) 一种图像检测方法、网络模型训练方法以及相关装置
CN104205014A (zh) 信息处理设备、信息处理方法和程序
CN105589801B (zh) 手机集群测试方法和系统
US20220172840A1 (en) Information processing device, information processing method, and information processing system
JP7313942B2 (ja) 評価支援方法、評価支援システム、プログラム
CN103140757A (zh) 信息处理设备、信息处理系统、信息处理方法、程序和记录介质
CN102753078A (zh) 图像显示装置以及胶囊型内窥镜系统
CN108804971A (zh) 一种图像识别系统、增强现实显示设备和图像识别方法
CN112529128A (zh) 生物样本采集方法、装置、计算机设备及存储介质
US20200129153A1 (en) Determining a guidance signal and a system for providing a guidance for an ultrasonic handheld transducer
JP2013196643A (ja) 受診者誘導システムおよび受診者誘導サーバ
CN110517771B (zh) 一种医学图像处理方法、医学图像识别方法及装置
KR20180027839A (ko) 증강현실영상 기반의 가축정보 제공 방법 및 장치
CN109238266A (zh) 基于ar技术的仓储物管取存引导装置及显示方法
KR20180027994A (ko) 증강현실영상 기반의 가축정보 제공 방법 및 장치
CN113842166B (zh) 基于超声影像设备的超声图像采集方法以及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210928

WW01 Invention patent application withdrawn after publication