JP2000501859A

JP2000501859A - 画像解析のためのウィンドウ・テクスチャ抽出

Info

Publication number: JP2000501859A
Application number: JP9506115A
Authority: JP
Inventors: ラズ，ライアン，エス．
Original assignee: モルフォメトリックステクノロジーズインク．
Priority date: 1995-07-19
Filing date: 1996-07-18
Publication date: 2000-02-15
Also published as: AU723079B2; WO1997004419A1; EP0839363A1; CA2227184A1; US5949907A; AU6351296A

Abstract

(57)【要約】グレイ・レベルの画像におけるテクスチャの特徴を定量化するため、およびその定量化されたテクスチャの特徴を以前に導かれた分類の結果と組み合わせるためのウィンドウ・テクスチャ抽出プロセス。以前に求められた分類の結果はすべてのトレーニング・データおよびすべてのターゲット・データが２つのクラスのうちの１つに対して割り当てられているか、あるいは割り当てることができる必要がある。その結果、一組の新しい特徴が得られ、それを迅速に解析して識別の目的のためのクラス・メンバーシップなどのプロパティを求めることができる。分類の結果を折り込むために、そのクラス・メンバーシップは特徴付けられている画像についての前実験において、そのクラス・メンバーシップが設定されている。前実験は本発明によるウィンドウ・テクスチャ抽出カーネルを適用することによって実行される。

Description

【発明の詳細な説明】画像解析のためのウィンドウ・テクスチャ抽出発明の属する技術分野本発明は、医学および生物学における自動診断技法に関し、そして特に、生物学的試料に対するディジタル化された画像におけるビジュアルな特性の自動解析に適するウィンドウ・テクスチャ抽出方法に関する。発明の背景医学および生物学の分野において、ビジュアルな特性の解析に基づいた広範囲の診断技法がある。近年、その診断技法を自動化する傾向がある。そのような技法の自動化に成功するためには、ディジタル化された画像または生物学的試料の中で見つかった対象物のビジュアルな属性を効率的に定量化するために、コンピュータ的なツールが利用できなければならない。そのような解析技法の一例はビジュアル・テクスチャの定量的解析である。婦人科学的スミアの前スクリーニングのための自動化された、あるいは半自動化された診断用計測器がいくつか存在する。これらの前スクリーニング用計測器の目的は癌または癌の前兆の属性を示す子宮頚部被覆組織を識別しようとする試みである。その前スクリーニングの手順は任意の細胞の遺伝的なアクティビティの状態、そして特に、その細胞核の内部の遺伝物質の分布を評価することを必要とする。細胞核の中の遺伝物質の物理的な分布はクロマチン（染色質）（図１）としてよく知られており、それ自身、ディジタル化された顕微鏡画像の中でのビジュアルなテクスチャとして現われる。したがって、細胞核のテクスチャを正確に解析するための機能は、自動診断の判定の提供における重要なステップである。テクスチャの特徴、すなわち、細胞核のテクスチャの計算は、一般にディジタル画像の中のディジタル化されたピクセルの輝度の分布の解析に依存する。この分野の技術においては、定量的なパラメータを作り出す光学的テクスチャ解析のための４種類の主要な方法がある。第１の方法は「マルコフ過程（Ｍａｒｋｏｖｉａｎ）」解析として知られている。マルコフ過程解析の技法によると、ディジタル化された画像は、その画像を遷移確率空間に変換する確率論的プロセスの一形式として扱われる。第２の方法は「勾配解析（ｇｒａｄｉｅｎｔａｎａｌｙｓｉｓ）」を含み、グレイ・スケール画像が空間的な変化の方向およびレートに基づいた、テクスチャ・パラメータ付きのスカラ関数、そして微分可能な関数として扱われる。第３の方法は「粒度の（ｇｒａｎａｌｏｍｅｔｒｉｃ）」解析を含む。粒度解析の技法は画像のブロックをサイズ、形状、グレイ・レベルの内容および分布にしたがって特徴付けることによって、テクスチャを解析する。よく使われる第４の方法は「直交変換（ｏｒｔｈｏｇｏｎａｌｔｒａｎｓｆｏｒｍａｔｉｏｎ）」解析を含む。直交変換解析の技法は本質的に画像を何らかの直交空間、例えば、フーリエ空間にマップすることを必要とし、その場合、展開係数を使ってその画像のテクスチャを特徴付けることができる。上で簡単に説明したよく知られているテクスチャの特徴解析の技法は、細胞核のテクスチャを解析するのに適しているが、その技法を自動化された計測器に実装するには大きな障害がある。第１の障害はその解析技法の計算主体の性質のために、大きな計算パワーを必要とすることである。これらの解析技法の各種側面を自動診断判定装置に実装して実行できるプロセスに統合化する方法が必要とされている。発明の簡単な概要本発明は診断解析のための自動化された計算的な計測器に適している、ウィンドウ・テクスチャ抽出を実行するための方法を提供する。本発明による方法は粒度および勾配の演算の組合せに基づいて、テクスチャについての一組の限定された特徴のを抽出するために最適化されている。本発明の特徴はテクスチャの特徴の膨大なパラメータ空間が５つの測定項目に圧縮されることである。これはそのデータに対して分類マスクを適用することによって行なわれる。この点に関して、ウィンドウ・テクスチャ抽出方法はその分類のアーキテクチャによって認識されるクラスの分割によって、或る意味でたたみ込まれるテクスチャ・パラメータを作り出す。したがって、ウィンドウ・テクスチャ抽出方法は特徴の抽出と対象物の分類との間の計算効率の良い橋渡し演算として働く。第１の側面においては、本発明は試料の画像を解析するためのウィンドウ・テクスチャ抽出方法を提供し、前記方法は、（ａ）前記画像に対してウィンドウ・テクスチャ抽出カーネルを適用して前記画像の中の二値パターンを識別するステップと、（ｂ）前記の各二値パターンを所定の分類と関係付けるステップと、（ｃ）前記所定の分類からヒストグラムを作り出すステップと、（ｄ）前記ヒストグラムを利用して前記画像を評価するステップとを含んでいる。別の側面においては、本発明はディジタル化された画像の中のパターンを識別するためのウィンドウ・テクスチャ抽出方法を提供し、前記ウィンドウ・テクスチャ抽出方法は、（ａ）エッジ強調演算を前記画像に対して適用して前記ディジタル化された画像の中の選択された構造を強調し、強調された画像を作り出すステップと、（ｂ）前記エッジ強調された画像に対して局所的なしきい値演算を適用して、前記ピクセルの値がオンまたはオフであるような二値画像を発生するステップと、（ｃ）前記二値画像を複数のサブユニットに分割し、前記サブユニットのそれぞれが所定の数の二値ピクセルを含んでいるようにするステップと、（ｄ）前記の各サブユニットの中の二値ピクセルを１つの数値的識別子に変換し、前記数値的識別子がサブユニットの中の前記二値ピクセルによって形成される二値パターンを表すようにするステップとを含んでいる。本発明の好適な１つの実施形態が次の仕様、請求の範囲、および図面を参照しながら、例を示す方法によって以下に記述される。図面の簡単な説明図１はクロマチン・ストランド（ｃｈｒｏｍａｔｉｎｓｔｒａｎｄ）を持つ細胞核テクスチャを図式的な形式で示す。図２は本発明によるウィンドウ・テクスチャ抽出カーネルの主要な機能モジュールを示す。図３はディジタル化された画像、すなわち、二値画像を図式的な形式で示す。図４は本発明による二値パターンを生成する演算を図式的な形式で示す。図５は二値画像から生成された３種類の可能な二値パターンを、それぞれの等価な１０進数値と一緒に示す。図６は本発明による１つのテクスチャ・ウィンドウおよびそれに対応する２進数値解釈を示す。図７は本発明のウィンドウ・テクスチャ抽出方法によって生成されたテクスチャ・パターンのヒストグラムを示す。図８は本発明によるウィンドウ・テクスチャ抽出方法における前実験モジュールの詳細を示す。図９は図８の前実験モジュールによって発生される二次元の判定グラフを示す。図１０は１つの軸に近接しているパターン点を図式的な形式で示す。図１１は判定直線を作り出すための各パターン点のタビュレーション（ｔａｂｕｌａｔｉｏｎ）を図式的な形式で示す。図１２は本発明の方法に従って統計的分布としての各クラスに対するパターン点の距離の発生を示す。図１３はパターン点の距離の分布に基づいた、二次的なプロットの５つの帯域への分割を示す。図１４は本発明によるウィンドウ・テクスチャ抽出方法の適用をフロー・チャート形式で示す。好適な実施形態の詳細な説明図１に示されているように、細胞１は細胞核２および細胞質領域４を含む。細胞核２はクロマチンの形式での遺伝物質を含んでいる。クロマチンは直径が約１５〜２５ｎｍ（ナノメートル）の多数のファイバから構成されている。クロマチン・ファイバは光学的顕微鏡で解像されるには小さ過ぎるが、ファイバは一緒に結合して図１に示されているように細胞核２の中のより大きな構造またはストランド６を形成する傾向がある。細胞核２において、ストランド６はディジタル化された顕微鏡画像の中のビジュアルなテクスチャとして現れる１つの配列または物理的分布８を形成する傾向がある。ウィンドウ・テクスチャ抽出プロセスは細胞核２の内部のクロマチン・ストランド６の配列８を「細胞核テクスチャ」のソースとしてみなす。細胞の「クラスタ」に対して、そのビジュアルな（すなわち、細胞核の）テクスチャは細胞の内部のクロマチン分布８とそのクラスタの中の個々の細胞を定義する細胞の境界の配列（例えば、細胞質の領域）との混合物であると考えられる。以下に説明されるように、本発明はウィンドウ・テクスチャ抽出方法を提供し、その方法は細胞のディジタル化された画像、もっと詳しく言えばその画像の中のディジタル化されたピクセルの輝度の分布を解析することによって、細胞または細胞クラスタのテクスチャを確かめるプロセスを含む。本発明によるウィンドウ・テクスチャ抽出方法は、細胞核２のビジュアル・テクスチャをクロマチン・ファイバの比較的長いストランド６の比較的大きなスケールの配列の分布８に注目することによって正確に定量化することができ、やや程度は低いが、より大きな細胞クラスタの内部の細胞の境界の配列の分布に注目することによって正確に定量化することができる。本発明によるウィンドウ・テクスチャ抽出方法１０（図１４）は図２に示されているようなウィンドウ・テクスチャ抽出カーネル１１を含む。ウィンドウ・テクスチャ抽出（ＷＴＥ：ＷｉｎｄｏｗＴｅｘｔｕｒｅＥｘｔｒａｃｔｉｏｎ）カーネル１１は細胞核物質のグレイ・レベルのディジタル化された画像について演算するルーチンまたはプロセスを含み、暗いピクセルがクロマチン・ストランドの配列８（図１）を表す二値のマップ（図３に示されているような）を発生する。細胞核物質、すなわち、細胞クラスタのグレイ・レベルのディジタル化された画像は、標準の、例えば、５１２本の走査線のディジタル画像を含み、従来のディジタル化するカメラおよび技法を使って発生される。図２を参照すると、ウィンドウ・テクスチャ抽出カーネル１１は４種類の主要なプロセスまたはモジュール、すなわち、エッジ強調モジュール１２、局所的しきい値モジュール１４、ウィンドウ変換モジュール１６、およびヒストグラム・タピュレーション・モジュール１８を含む。エッジ強調、スムージングおよび局所的なしきい値の画像処理演算を適用すると、クロマチン・ストランドの分布および細胞クラスタの中の細胞の境界が強調されることが分かっている。エッジ強調モジュール１２は細胞核２（図１）の中の一連の鋭いエッジとしてクロマチン・ストランド６（図１）を扱い、そのエッジは勾配の計算を使ってディジタル化された画像の中に表示される。細胞の境界の内部でのクロマチン・ストランド６はグレイの背景の暗い線であり、エッジ強調演算１２はこれらの構造を強調して「エッジ強調された」グレイ・レベルの画像を結果として発生する。細胞の外側、すなわち、細胞クラスタの内部での細胞の境界は同じ方法で扱われる。このプロセスにおける次のステップはスムージングの演算を含む。分離された細胞核の場合、その画像は二値化される前に寄生ノイズを消去するために単に平滑化される。図５を参照すると、ウィンドウ・テクスチャ抽出カーネル１１における次の演算が局所的しきい値モジュール１４によって実行されている。しきい値モジュール１４はしきい値演算を適用して、エッジ強調されたグレイ・レベルの画像を図３に示されているような二値画像２０に圧縮する。しきい値プロシージャ１４は１つのグレイ・レベルを固定化することによって動作し、グレイ・レベルの画像におけるこのしきい値を超えるすべてのピクセルは「明るく」塗られ、しきい値以下のすべてのピクセルは「暗く」塗られる。そのしきい値は局所的に適応され、適切なしきい値レベルを決定するための、その画像の内部のピクセルの輝度の統計的分布によって変わる。図３に示されているように、二値画像２０は暗いピクセル２２と明るいピクセル２４とを含み、暗いピクセル２２はクロマチン・ストランド８（図１に示されているような）を表し、そして明るいピクセル２４は細胞核２（図１）の背景９を表す。二値画像２０は明るいか暗いかの２つだけの光の強度レベルから構成されているという意味において二値である。図３を参照すると、クロマチン・ストランドの配列が二値のマップ２０の中の暗い領域２６として表されている。図３において、例として示されている暗い領２６は個々に２６ａ、２６ｂ、２６ｃ、２６ｄおよび２６ｅとして示されている。暗い領域２６は二値パターンの１つの変形とみなされる。二値パターンはさらに数値として表現され、クロマチン・ストランド６（図１）のビジュアルな状態をそれ以降の処理、例えば、比較およびタビュレーションのための数学的オブジェクトに変換する。ウィンドウ変換モジュール１６は二値画像２０（図３）を形成する二値パターンまたは暗い領域２６の解析を提供する。二値パターン２６を効果的に解析するために、ウィンドウ変換モジュール１６は、二値画像２０をさらに処理するための便利なサブユニットに分割する「テクスチャ・ウィンドウ」を適用する。図４を参照すると、二値画像２０はクロマチン・ストランドによって明るいピクセル（２４）および暗いピクセル（２２）のパターンとして与えられるテクスチャを表す。ウィンドウ・モジュール１６はテクスチャ・ウィンドウ３０を二値画像２０に適用し、暗いピクセル２２および明るいピクセル２４から構成されているピクセルのグループを選択する。ウィンドウ内の明るいピクセル２２および暗いピクセル２４は二値パターン３２を形成している。二値パターン３２を構成している明るいピクセル２２および暗いピクセル２４は、３４に示されているように２進数「０」および「１」として解釈される。次に、ウィンドウ３０全体が１つの大きな２進数３６として考えられ、そのサイズは図４に示されているように、ウィンドウ３０の中に含まれているピクセルの個数に関連付けられる。２進数３６はそれと等価な１０進数値３８も与えられている。３つの例題としての二値パターン３２ａ、３２ｂおよび３２ｃおよびそれぞれの等価１０進数値３８ａ、３８ｂおよび３８ｃが図５の中に示されている。ウィンドウ３０のサイズは任意であってよい。しかし、ウィンドウ３０の中に理論的に発生する可能性のある二値パターン３２の個数と、各二値パターン３２をユニークに記述するために使われなければならない値（例えば、２進数３６またはまたはそれと等価な１０進数３８）のサイズとの間に実現されるべきバランスがある。この実施形態においては、ウィンドウ３０の大きさは図６に示されているように４×４ピクセルであり、二値パターン３２を記述するために１つの１６ピットの２進数３６、すなわち、４×４を提供する。そのようなウィンドウに対する可能な異なるパターンの最大数は２¹⁶であり、それは６５，５３６に等しい。本発明の別の側面によると、この数値は例えば、ローテーション、リフレクションなどの或る種の対称的な演算を適用することによって約８，０００のユニークな二値パターンに圧縮される。適切な対称演算はこの分野の技術に熟達した人には知られている。ウィンドウ変換モジュール１６の演算によって、ウィンドウ３０が二値画像２０の全域で変換される。クロマチン・ストランド６（図１）のすべてがテクスチャ処理の中に含まれていることを保証するために、ウィンドウ３０はピクセル２２または２４（図４）のそれぞれがウィンドウ３０のそれぞれの要素を正確に一度だけ占有するように細胞核領域（すなわち、二値画像２０）の上で変換される（図４）。各変換後に、２進数３６およびそれと等価な１０進数３８がウィンドウ３０の中で変換された二値パターン３２に対して計算される。ヒストグラム・タビュレーション・モジュール１８は２進数３６（および／またはそれと等価な１０進数３８）をタビュレートし、図７に示されているようなテクスチャ・パターンのヒストグラム４０を作成する。テクスチャ・パターンのヒストグラム４０はパターンの頻度、すなわち、二値画像２０の中で遭遇したパターンの数およびタイプを示す。図７を参照すると、「ｘ」軸はテクスチャ・パターン番号を表し、「ｙ」軸はＷＴＥカーネル１１によって処理された各テクスチャ・パターンに対する発生の頻度を表す。ウィンドウ・テクスチャ抽出方法１０が画像のアプリケーションに対して応用できるようになる前に、「トレーニング」データがコンパイルされなければならない。トレーニング・データは図８に示されているような前実験プロセス５０によってコンパイルされる。トレーニング・データは以前に求められた二値パターンを含み、そのそれぞれが既知の物理的および／または化学的特性または性質を有する細胞またはクラスタによって識別される。トレーニング・データをコンパイルする最初のステップは細胞核領域（モジュール５２）のグレイ・レベル画像の数を分類するステップを含む。グレイ・レベル画像は集合Ｕとして示される対象とする分類に属しているか、あるいは集合Ｕ ’として示されるその分類に属していないかのいずれかとして専門家によって分類される。トレーニング・データのコンパイルにおける次のステップは、ＷＴＥカーネル１１（図２）を選択されたグレイ・レベルの各画像（ブロック５４）に対して適用し、また、各イメージに対するパターンの頻度ヒストグラム（図７に示されているテクスチャ・パターンのヒストグラムと同様な）を作成するステップを含む。次に、ステップ５６において、「スーパー」ヒストグラムが、各カテゴリまたはクラス、すなわち、ＵまたはＵ’を含んでいるテクスチャ・パターンのヒストグラムから形成される。この「スーパー」ヒストグラムは各クラスに対するパターン頻度のヒストグラムのすべてを１つの単独のヒストグラムに加算することによって作られる。本発明によると、スーパー・ヒストグラムは分類のプロシージャにおいて作られる。特定の二値パターン（例えば、図５の中の３２ｂ）を２つのクラスＵおよびＵ’のいずれに関連付けるかの判定は、図９に示されているような二次元のプロット６２を使って行なわれる。二次元のプロット６２はステップ５８において発生される。図９を参照すると、グラフ６２はクラスＵのヒストグラムの中の二値パターンに対する頻度に対応する１つの軸６４と、クラスＵ’のヒストグラムの二値パターンに対する頻度に対応する別の軸６６を有している。４×４のウィンドウの中におけるユニークな各パターンが、二次元のグラフ６２の中のポインタ６８として表されている。図９に示されているグラフ６２の場合、クラスＵに対するヒストグラムは関数Ｈ_u（Ｐ）によって与えられ、そしてクラスＵ’に対するヒストグラムは関数Ｈ_u’（Ｐ）によって表されている。ここでＰ（例えば点６８）はユニークな二値パターン、すなわち、約８０００個のうちの１つである。二次元のグラフ上の点６８は次の関係に従って求められる。［Ｈ_u（Ｐ），Ｈ_u’（Ｐ）］パターン点Ｐが１つの軸に近ければ近いほど、その軸に対応しているクラスとその点との関係がより強いことが理解される。例えば、図１０に示されているパターン点７０はクラスＵ’とより密接に関連付けられている。すなわち、パターン点７０はＵ軸６４よりはＵ’軸６６により接近している。次に図１１〜図１３を参照して、ステップ６０における５つの帯域の計算においてプロットされた点の解釈および数の削減について説明する（図８）。図１１に示されているように、二次元のグラフ６２は４５度の対角線７２を含み、この対角線は二次元のグラフ６２の原点から伸びている。対角線７２は図１１に示されている点の発生の頻度に基づいて、クラスＵに関連付けられている二値パターン点７４、７６、７８、８０をクラスＵ’に関連付けられている点８２’８４’ ８６から区分する。パターン点が１つの軸に近ければ近いほど、その軸に対応しているクラスとのその点の関連付けが強い。例えば、二値パターンの点７６はクラスＵの方により密接に関連付けられている。上記の一般的な解釈を利用して、分類のために必要な変数の数を約８０００から５に減らすことができる。本発明によるこの削減の手順は４５度の対角線の両側にあるパターン点を別々に調べることから開始される。この対角線の各サイドに対して、４５度の対角線７２からのそれらのパターン点の距離についてのタビュレーションが行なわれる。図１１において、パターン点７４、７６、７８、８０の距離は、図に示されているように矢印７５、７７、７９、８１によって表され、そしてパターン点８２、８４、８６に対する距離は矢印８３、８５、８７によって表されている。４５度の対角線に関するパターン点の距離が各サイド、すなわち、クラスＵおよびクラスＵ’に対してタビュレートされると、距離の各集合は図１２に示されているように平均値および標準偏差を持つ統計的な分布によって特徴付けられる。図１２において、クラスＵおよびクラスＵ’に対する平均値がそれぞれｍ_uおよびｍ_u’によって表され、それぞれのクラスＵおよびＵ’に対する標準偏差がｓ_uおよびｓ_u’によって与えられている。５つの帯域の計算のステップ６０における次の演算は、統計的な分布データを二次元のグラフ６２に適用するステップを必要とする。図１３を参照すると、二次元のグラフ６２は平均値、ｍ_uおよびｍ_u’、および標準偏差ｓ_uおよびｓ_u’を使って５つの対角線状の帯域１０１、１０２、１０３、１０４、１０５に分割されている。図１３に示されているように、１０１〜１０５の各帯域には番号１〜５が与えられ、各パターン点はこの５つの対角線状の帯域１〜５の１つに対して割り当てられる。この５つの対角線状の帯域１〜５は分類の帯域を提供し、次のようにパターン点を解釈するために利用される。帯域１パターン点Ｐ（すなわち、二値パターン）がクラスＵ’のカテゴリに属していることを強く示唆する。帯域２パターン点ＰがカテゴリＵ’に属していることを弱く示唆する。帯域３パターン点Ｐについての判定は不可能である。帯域４パターン点ＰがカテゴリＵに属していることを弱く示唆する。帯域５パターン点ＰがカテゴリＵに属していることを強く指示する。これから分かるように、５つの帯域の発生によって、パターン点がカテゴリＵまたはカテゴリＵ’のいずれに属しているかの分類が行なわれる。次に図１４を参照すると、ウィンドウ・テクスチャ抽出方法１０の新しくディジタル化された画像、すなわち、細胞核領域のグレイ・レベルの画像に対する適用が示されている。プロセス１０における最初のステップはブロック１１０によって示されており、細胞核領域のディジタル化された画像に対してＷＴＥカーネル１１（図２に関して上で説明された）を適用するステップを含む。ＷＴＥ１１を適用した結果は上記のようなパターン・ヒストグラムである。ブロック１２０における次のステップは５つの帯域１〜５をパターン点に関連付けるステップを含む。上記のように、ブロック１２０の中の演算の結果は約８，０００のパターンを分類帯域１〜５の１つと関連付けることである。ＷＴＥプロシージャ１０の適用における次のステップは、５つの分類帯域１〜５と関連付けられて圧縮されたパターンから５つの帯域のヒストグラムを作成することを含む（ブロック１３０）。各分類帯域の発生の頻度がそれ自身独立したヒストグラムとして解析され（図１４の中のブロック１４０）、あるいはその５つの発生頻度はブロック１５０によって示されているような、それに続く分類手順における新しい特徴として解釈される場合もある。ウィンドウ・テクスチャ抽出プロセスの動作が次の２つの例、すなわち、（１）単独の細胞の解析、および（２）細胞のクラスタの解析に対する応用を考えることによってさらに説明される。単独の細胞に関しては、ＷＴＥプロセスは２つの細胞のタイプを分けるために、例えば、子宮頚部のうろこ状の変質形成細胞を子宮頚部のうろこ状の非変質形成細胞と区別するためにＷＴＥプロセスが適用される。子宮頚部の前癌性の障害に関連付けられている。トレーニング・フェーズ、すなわち、前実験の段階（図８）を開始するために、これらの２つの細胞の各タイプについてのグレイ・レベル画像の集合（数百個あることが好適な）が収集される。ＷＴＥカーネル１１（図２）の演算（すなわち、エッジ強調、スムージングおよびしきい値）が各細胞画像を二値のマップ（図３）に変換するために適用される。次に、４×４のウィンドウが各画像に対して順番に適用され、約８０００の可能な各二値パターンの発生についてのランニング計数記録が行なわれる。２つの分類、すなわち、子宮頚部のうろこ状の変質形成細胞、および子宮頚部のうろこ状の非変質形成細胞についての各パターンの発生に対して、二次元のグラフ（図１１）が作られる。次に５つの領域「帯域」（図１３）が、各二値パターンを５つの対角線状領域の１つと関連付けるために適用される。ここで、新しい、すなわち、未知の細胞の画像がＷＴＥ法（図１４）によって処理されると、これらの以前の識別に基づいた５つの帯域のヒストグラムが発生される。判定の演算（図１４の中のブロック１４０）は５つの帯域のヒストグラムの「非対称度（ｓｋｅｗｎｅｓｓ）」を調べてその未知の細胞の識別に到達するステップを含む。代わりに、その５つの数値は数学的な「特徴」（例えば、光学的密度、形状、サイズなど）の新しいタイプとして扱うことができ、そしてより良い性能を授与する可能性のある別の分類アルゴリズム（例えば、図１４の中のブロック１５０）において使うことができる。同様にＷＴＥ法は細胞のクラスタを分別するために適用される。或る場合には、似通ったいくつかの子宮頚部の細胞を１つのユニークな細胞のグループとして扱うことが適切であることが理解される。例えば、子宮頚部の擦り傷（Ｐａｐ試験の一部としての）によって、外傷性の剥離された子宮頚部内細胞が作られることがよくあり、それらの細胞内の関係は境界細胞の「シート」として維持される。同様に、子宮内膜の細胞は細胞間の物理的な関係を維持するように、子宮の内膜の空洞から自然に分離することができる。ＷＴＥ法を適用することによって、これらの２つの細胞クラスタのタイプの分離が行なわれる。医学的な観点から、これらの２つの細胞のタイプの分離は望ましい。というのは、子宮頚部の細胞はＰａｐ試験において期待されるが、子宮内膜の細胞は月経サイクルの１２日目の後に観測され、子宮内膜の腺癌を示すからである。上記のように、ＷＴＥプロセスの演算はこれらの細胞クラスタの画像を収集することから開始され、それらに対してＷＴＥカーネルを適用し、二値パターンの発生をタビュレートし、そして最後に各二値パターンを細胞クラスタの２つのカテゴリのうちの１つに関連付ける。それ以降の未知のクラスタはＷＴＥの手順を適用し、その５つの帯域のヒストグラムの非対称性を評価することによって識別することができる。要約すると、本発明はグレイ・レベルの画像の中のテクスチャの特徴を定量化し、その定量化されたテクスチャの特徴を以前に導かれた分類の結果と組み合わせるための手順を含む、ウィンドウ・テクスチャ抽出方法を提供する。本発明にしたがって、以前に求められた分類の結果はすべてのトレーニング・データおよびすべてのターゲット・データが割り当てられ、あるいは、２つのクラスのうちの１つに対して割り当てられることを必要とする。その結果は識別の目的のためのクラス・メンバーシップなどのプロパティを求めるために迅速に解析することができる新しい特徴の集合である。分類の結果を折り込むために、特徴付けられた画像についての前実験においてクラスのメンバーシップが確立される。前実験は図２に示されているようなウィンドウ・テクスチャ抽出カーネルの適用を通じて実行される。本発明の好適な実施形態の前記の説明はそれに限定することを意図するものではなく、この分野に熟達した人にとっては明白となる可能性のある各種の再構成および変更が、付属の請求項に定義されているような本発明の範囲から離れることなしに可能であることを理解されたい。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＬＳ，ＭＷ，ＳＤ，ＳＺ，ＵＧ)，ＵＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＨＵ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＳ，ＵＺ，ＶＮ

Claims

【特許請求の範囲】１．試料の画像を解析するためのウィンドウ・テクスチャ抽出方法であって、該方法が、（ａ）前記画像に対してウィンドウ・テクスチャ抽出カーネルを適用して前記画像の中の二値パターンを識別するステップと、（ｂ）各二値パターンを所定のカテゴリと関連付けるステップと、（ｃ）前記所定のカテゴリからのヒストグラムを作成するステップと、（ｄ）前記ヒストグラムを使って前記画像を評価するステップとを含む方法。２．請求項１に記載のウィンドウ・テクスチャ抽出方法において、前記ウィンドウ・テクスチャ抽出カーネルが、（ｉ）画像強調演算を前記画像に対して適用して前記画像の中の選択された構造を強調するステップと、（ｉｉ）局所的しきい値演算を前記エッジ強調された画像に対して適用し、ピクセルの値がオンまたはオフである二値画像を発生するステップと、（ｉｉｉ）前記二値画像を複数のサブユニットに分割し、前記の各サブユニットが所定の数の二値ピクセルを含んでいるようにするステップと、（ｉｖ）前記サブユニットの中の二値ピクセルを数値識別子に変換し、前記数値識別子がサブユニットの中の前記二値ピクセルによって形成される二値パターンを表すようにするステップと、（ｖ）前記二値パターンからヒストグラムを作成し、前記ヒストグラムはパターンの頻度を示すようにするステップとを含む方法。３．請求項２に記載のウィンドウ・テクスチャ抽出方法において、二値パターンを識別するために前記画像に対してウィンドウ・テクスチャ抽出カーネルを適用する前記ステップが、前記二値パターンに対して１つまたはそれ以上の対称演算を適用して、前記画像に対する圧縮された数のユニークな二値パターンを作るステップを含む方法。４．請求項３に記載のウィンドウ・テクスチャ抽出方法において、前記対称演算がローテーションおよびリフレクションを含む方法。５．請求項３に記載のウィンドウ・テクスチャ抽出方法において、前記各二値パターンに関連付ける前記ステップが、圧縮された数の各二値パターンを５つの分類帯域の１つに関連付けるステップを含み、その第１の分類帯域はその二値パターンがクラスＵ’に属していることを強く示唆し、第２の分類帯域はその二値パターンがクラスＵ’に属していることを弱く示唆し、第３の分類帯域はその二値パターンについての判定が不可能であることを意味し、第４の分類帯域はその二値パターンがクラスＵに属していることを弱く示唆し、そして第５の分類帯域はその二値パターンがクラスＵに属していることを強く示唆するようになっている方法。６．請求項５に記載のウィンドウ・テクスチャ抽出方法において、ヒストグラムを作成する前記ステップが、前記５つの分類帯域に属性している二値パターンをマップするステップを含む方法。７．請求項１に記載のウィンドウ・テクスチャ抽出方法において、既知の性質を持つ試料のディジタル化された複数の画像に対して前記ウィンドウ・テクスチャ抽出カーネルを適用するステップと、前記試料に関連付けられた二値パターンに対するヒストグラムを作成するステップとをさらに含む方法。８．請求項７に記載のウィンドウ・テクスチャ抽出方法において、ステップ（ｃ）において作成されたヒストグラムを前記トレーニング・ステップの間に作成されたヒストグラムと比較することによって、未知の試料が評価されるようになっている方法。９．ディジタル化された画像の中のパターンを識別するためのウィンドウ・テクスチャ抽出方法であって、前記ウィンドウ・テクスチャ抽出方法が、（ａ）エッジ強調演算を前記画像に対して適用し、前記ディジタル化された画像の中の選択された構造を強調し、そして強調された画像を作成するステップと、（ｂ）局所的しきい値演算を前記エッジ強調された画像に対して適用して二値画像を発生し、前記ピクセルの値がオンまたはオフであるようにするステップと、（ｃ）前記二値画像を複数のサブユニットに分割し、前記各サブユニットが所定の数の二値ピクセルを含んでいるようにするステップと、（ｄ）前記各サブユニットの中の二値ピクセルを数値識別子に変換し、前記数値識別子がサブユニットの中の前記二値ピクセルによって形成される二値パターンを表すようにするステップとを含む方法。１０．請求項９に記載のウィンドウ・テクスチャ抽出方法において、前記二値パターンからヒストグラムを作成し、前記ヒストグラムは前記ディジタル化された画像の中の二値パターンの個数およびタイプを示しているようにするステップをさらに含む方法。