JP2006507579A - 核多形性の組織学的評価 - Google Patents

Abstract

潜在的細胞核を識別する核多形性の組織学的評価の方法は、画像データを重複するサブ画像に分割する。この方法は主要構成要素分析を用いてモノクロ画像データを導き出し、その後、大津しきい値処理法により２値画像を生成する。この方法では、サブ画像の境界の画像領域と、不適当な小さい画像領域と、相対的に大きい画像領域内の穴とを除去する。次に、結果として得られたサブ画像を単一画像に再構築する。潜在的細胞核である画像領域の周辺長（Ｐ）および面積（Ａ）は、核形状因子Ｐ^２／Ａの計算において決定され、使用される。核多形性は、所定の形状因子しきい値が、画像の平均細胞核形状因子が相対的に低い、中間または高いことを示すかどうかに応じて、相対的に低い、中間または高いと評価される。

Description

本発明は、核多形性の組織学的評価の方法、装置およびコンピュータプログラムに関し、詳細には（これに限定されないが）乳癌などの癌に関する臨床情報を提供する組織学的画像評価に関する。本発明の方法はまた、乳癌だけでなく、例えば結腸癌や子宮頸癌などの他の癌にも関連する。

乳癌は女性の癌の一般的種類であり、より少ない程度ではあるが、男性にも発生する。乳癌を示す病変が検出されると、組織病理医によって組織のサンプルが採取および検査され、診断、予後および治療の計画が立てられる。しかし、組織サンプルの病理学的分析は時間を要し、主観的な手法である。この分析は人間の目による画像の解釈を伴い、別の観察者によって、また同一観察者であっても時間が異なると、同一サンプルを観察しても一致しないという特徴を有する。例えば、同一組織サンプルの画像を評価する２人の異なる観察者は、多数の画像に関して異なる見解を有する可能性がある。３０％もの画像についての見解が異なることもある。問題点は異質性によって、すなわち特定の組織サンプルの特徴の複雑性によって、悪化する。

核多形性の度合いの客観的測定を実現することにより、病理医の診断と患者の治療を支援する必要がある。

本発明は、組織画像データの細胞核に潜在的に対応する画像領域を特定することによって核多形性の組織学的評価の方法を実現するものであり、この方法は、画像データを２値化するためにしきい値処理することと、特定された画像領域の周辺長と面積を求めることと、周辺長と面積から画像領域の形状因子（ｓｈａｐｅ ｆａｃｔｏｒ）を計算することと、形状因子の統計的パラメータから多形性を評価すること、をさらに含むことを特徴とする。

本発明の利点は、多形性の客観的測定を実現することにより、病理医の診断と患者の治療に情報を提供することである。

形状因子の統計的パラメータは、それらの平均、加重平均、中央値、最頻値、最大および最小のうちの少なくとも１つで構成できる。画像化されたデータをしきい値処理するステップは、大津しきい値処理法であってもよい。

多形性を評価するステップは、形状因子の平均または中央値がそれぞれ、相対的に低いか、中間か、または高いかどうかによって、相対的に低い、中間、または高いとして多形性を決定することができる。細胞核に潜在的に対応する画像領域の形状因子Ｓは、

によって与えられる。ここで、ｋは定数、Ｐは画像領域の周辺長、Ａは画像領域の面積であり、細胞核に潜在的に対応する一連の画像領域に対する平均形状因子Ｓ_ｍは、Ｓ_ｍ≦３０ｋ（低い）、３０ｋ＜Ｓ_ｍ≦３５ｋ（中間）およびＳ_ｍ＞３５ｋ（高い）として区分でき、それぞれ相対的に低い、中間、または高い多形性に対応する。

画像データをしきい値処理して２値化するステップの前に、カラー画像データの個々の赤、緑または青色平面と比較して改良された画像定義を用いて、カラー画像データをグレースケール画像データに変換し、その後、画像データをしきい値処理するステップがグレースケールの画像データについて実行される。カラー画像データをグレースケール画像データに変換するステップは、主成分分析（ＰＣＡ）によって実行でき、この分析ではグレースケール画像データが第１主成分である。

組織画像データ内の細胞核に潜在的に対応する画像領域を特定するステップは、画像データのフィルタリングを含み、画像領域の周辺に感知できるほどの影響を与えないフィルタリング処理を用いて対象としない領域を上書きする。上書きステップは、相対的に小さい画像領域を背景画素値に設定し、相対的に大きな画像領域の穴画素を穴でない画像領域の画素値に設定することを含むことができる。

組織画像データ内の細胞核に潜在的に対応する画像領域は以下を含む手順により特定できる。すなわち、
ａ）画像データを重複するサブ画像に分割することと、
ｂ）ＰＣＡを各サブ画像に適用して、それぞれグレースケールのサブ画像を生成することと、
ｃ）グレースケールのサブ画像から、
ｉ）サブ画像境界線に接触または交差する画像領域と、
ｉｉ）不適当な小さい画像領域と、
ｉｉｉ）相対的に大きい画像領域内の穴と、を除去することと、
ｄ）サブ画像を２値画像に再構築することと、である。

別の態様においては、本発明は、組織画像データ内の細胞核に潜在的に対応する画像領域を特定することによって核多形性の組織学的評価をする装置を実現し、この装置はプログラムされたコンピュータを組み込むことにより、画像データをしきい値処理して２値化し、特定された画像領域の周辺長と面積とを決定し、周辺長と面積とから画像領域の形状因子を計算し、形状因子の統計的パラメータから多形性を評価することを特徴とする。

別の態様においては、本発明は、核多形性の組織学的評価において使用され、かつ組織画像データの細胞核に潜在的に対応する画像領域を特定するようにコンピュータを制御する命令を有するコンピュータソフトウェアを実現し、このソフトウェアはさらに、画像データをしきい値処理して２値化し、特定された画像領域の周辺長と面積とを決定し、周辺長と面積とから画像領域の形状因子を計算し、形状因子の統計的パラメータから多形性を評価するようにコンピュータを制御する命令を有することを特徴とする。

本発明のコンピュータ装置およびコンピュータソフトウェアの態様は、本発明の対応する方法の態様と等価の好ましい特徴を有することもできる。

本発明をより十分に理解するために、本発明の実施形態を、単に例示の目的で、添付の図面を参照して以下に述べる。

図１には乳癌の組織病理スライドの形態の組織サンプルを評価する手順１０が示されている。この図は、患者の状態を評価するのに用いられる多形性の度合いを測定するプロセスを示している。

手順１０は、後述するように、組織スライドから得られたディジタル化画像データを保持するデータベース１２を使用する。切片標本が胸の組織サンプル（生体組織）から取り出され（切り取られ）、それぞれのスライド上に置かれる。スライドは、染色剤ヘモトキシリンおよびエオシン（Ｈ＆Ｅ）を用いて染色される。Ｈ＆Ｅは組織と細胞構造の輪郭を描写するのに広く普及している染色液である。Ｈ＆Ｅで染色された組織を用いて多形性を評価する。

核多形性は、組織内の腫瘍細胞の核の形状可変性の度合いを測定する。通常の組織では、細胞核は形状と大きさの点で規則的な構造を有するが、癌細胞の核はより大きく不規則な形状となり、形状と大きさに著しい変動がある。

従来技術の手動操作では、臨床医は４０倍の倍率の顕微鏡の下にスライドを置き、その領域（タイルと称されることが多い）での多形性の度合い表示を検査する。この手動操作では、病理医は、組織サンプルの細胞核の大きさと形状の異常性を主観的に評価する必要がある。この方法で得られた値を組み合わせて、診断で用いる単一測定結果を生成する。本発明のプロセスは従来技術の主観的な手順を客観的な手順に置き替える。

本発明の実施例においては、画像データはＪｅｎｏｐｔｉｋｓ Ｐｒｏｇｒｅｓ ３０１２ディジタルカメラ付きのＺｅｉｓｓ Ａｘｉｏｓｋｏｐ顕微鏡を用いて、病理医により組織スライドから得た。各スライドからの画像データは長さ倍率が４０倍（すなわち、長さ４０倍、面積１６００倍）で得られた一連のディジタル画像であり、各画像はタイルと電子的に等価である。他の顕微鏡およびカメラによって得られる画像を用いてもよい。

画像を得るために、病理医はスライド全体を顕微鏡で走査し、４０倍の倍率で多形性評価の点で最も有効であると思われるスライドの領域を選択する。次にそれらの領域のそれぞれが上述の顕微鏡およびカメラを用いて撮影し、これによって各領域に対して、３色、すなわち赤、緑および青色（Ｒ、Ｇ＆Ｂ）のそれぞれのディジタル化画像を生成する。画素アレイの各画素に対して３つの強度値を得ることにより、Ｒ、ＧおよびＢ画像面の組み合わせとして画像を生成する。この画像は１２で一時的に保管され、後に使用される。プロセス１６による多形性測定には２つのタイルが必要とされる。プロセス１６の結果は２０での測定に変換され、２２における診断レポートの入力となる。

次に図２を参照すると、多形性特徴検出プロセス１６がより詳細に示されている。多形性検出プロセス１６は、上述の２つのタイルまたはディジタル化画像（生の（ＲＧＢ）入力画像）のそれぞれについて実行される。このような画像の１つについて説明する。第１段階３０で、生の（ＲＧＢ）入力画像が、１２８×１２８画素サイズの重複したウィンドウに分割される。各ウィンドウにおいて、６４画素が、水平と垂直の両方の方向においてそれぞれ隣接するウィンドウの６４画素と重複する。例えば、２５６×２５６の画像は、１２８×１２８の重複ウィンドウを３×３組与える。したがって、各ウィンドウは、その行と列の隣接ウィンドウのそれぞれの半分と重複する。各ウィンドウに対して、「主成分分析」（ＰＣＡ、Ｋａｒｈｕｎｅｎ−Ｌｏｅｖｅ Ｔｒａｎｓｆｏｒｍ）と呼ばれる技法が適用される。ＰＣＡは、Ｊｏｌｌｉｅ Ｉ．Ｔ．による「主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ」」（Ｓｐｒｉｎｇｅｒ ｓｅｒｉｅｓ ｉｎ ｓｔａｔｉｓｔｉｃｓ，Ｓｐｒｉｎｇｅｒ Ｖｅｒｌａｇ，１９８６）で記載された標準的な数学的技法である。これは、Ｊａｃｋｓｏｎ Ｊ．Ｅ．による「主成分のためのユーザガイド（Ａ Ｕｓｅｒ Ｇｕｉｄｅ ｔｏ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔｓ）」（Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，１９９１，ｐｐ１−２５）でも記載されている。

ＰＣＡは、データがより簡単に利用または理解されるドメインまたは表示への変換である（例えば、異なるクラスまたはカテゴリに分離可能もしくは分類される）。ＰＣＡは、一連の相関変数（可能な限り）を主成分と呼ばれるより少数の無相関な変数に変換するための標準的な数学的技法である。主成分はそれぞれの固有値に関連付けされる。第１主成分は最も大きい固有値を有し、他の主成分と比較して可能な限り多くの変数の変動性の原因となる。この第１主成分において、画像定義、コントラストおよび特性が、カラー画像データのＲ、ＧまたはＢ画像平面と比べて改良される。第１主成分のみがこの例で用いられたが、別の方法では、それらの固定値が大きく異ならない場合、全ての主成分の線形結合を用いてもよく、また線形結合が適切であることもある。

同様に使用することができ、特定の特性（例えば、様々な様式における、線形または非線形、利用データ特性、平均、分散等）を有する他の変換（分析方法またはフィルタ）がある。ニューラル回路網／適応回路網および関連技法を用いて、そのような変換を実行することも可能である。

ＰＣＡは、共分散行列を計算し、その固定値および固有ベクトルを求めることを含む。ここで、画像はＮ×３行列として配列されるよう、すなわち、Ｎ個の画素と３つの平面（Ｒ、ＧおよびＢ）を有するものとして扱われる。共分散行列は、その行列要素Ｃ_ｉ，ｊに対して以下の式を用いて計算される。

ここで、Ｃ_ｉ，ｊは変数ｊに対する変数ｉの共分散であり、ｘ_ｋおよびｙ_ｋはｋ番目のオブジェクトのｉ番目およびｊ番目の特徴値であり、μ_ｘはｘ_ｋの全てのＮ個の値の平均であり、μ_ｙはｙ_ｋの全てのＮ個の値の平均である。分散行列は３×３であり、ＰＣＡは３つの固有ベクトルを導き出す。固有ベクトルは３×３の行列として扱われ、この行列を用いて、Ｎ×３の画像行列の転置行列を乗算し、積行列を生成する。積行列は、第１主成分であるＮ×１の第１列を有し、最も重要な成分と見なすことができる。積行列は最大固有値を有する成分であり、グレースケールのサブ画像（Ｎ個の画素それぞれに対して１つの画素値）に、他の成分に対応する同値と比べて最大範囲の情報を提供する。したがって、ＰＣＡはモノクロまたはグレースケールの画像データを生成する。ＰＣＡは上で定義された重複ウィンドウのそれぞれに対して実行され、それぞれが各第１主成分と１２８×１２８画素サイズのグレースケールのサブ画像を生成する。

３２において、「大津」と呼ばれるしきい値処理技法が３０から得られる各サブ画像に適用されて、各サブ画像を各々２値サブ画像に変換する。大津とは、Ｏｔｓｕ Ｎ．による「グレーレベルのヒストグラムからのしきい値処理選択法（Ａ ｔｈｒｅｓｈｏｌｄｉｎｇ ｓｅｌｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｒｏｍ ｇｒｅｙ ｌｅｖｅｌ ｈｉｓｔｏｇｒａｍｓ）」（ＩＥＥＥ Ｔｒａｎｓ Ｓｙｓｔｅｍｓ，Ｍａｎ ＆ Ｃｙｂｅｒｎｅｔｉｃｓ，ｖｏｌ． ９，１９７９，ｐｐ６２−６６）で公開された標準的なしきい値処理技法である。大津しきい値選択方法は、２つのクラスに対して、クラス間分散に対するクラス内分散の比を最小限にすることを目的とする。すなわち、クラス間の分散が大きい程、より大きく分離する。大津技法は特に好ましいしきい値処理方法である。本発明の実施例においては、２つのクラスとは、しきい値以下クラス（画素値０）としきい値超過クラス（画素値１）であり、したがって、大津しきい値処理は、各グレースケールのサブ画像を、一連のブロブ（ｂｌｏｂ）を含む２値サブ画像に変換する。ここでブロブとは画像領域（画像内のオブジェクト）であって、この画像領域のそれぞれは、全てが値１を有し、細胞核に対応すると考えられる、相互に接触する画素の各グループである。ブロブはそれらの中に穴（画素値０）を有することもある。

３４において、サブ画像境界線に接触するかまたは交差する全てのブロブが除去される。これにより、いずれかの画素でブロブが境界に接触する場合、ブロブはその画素を背景画素値に設定することによって除去される。この理由は、ブロブと接触する境界線が、後で誤認される結果を招く見かけ上の直線ブロブエッジを生成するからである。サブ画像が重複するため、１つの画像で部分的に現われるブロブは別のサブ画像で全体に現われる可能性があり、したがって、必ずしも失われない。

３６においては、３４からのサブ画像は反転され（画素値０は１に変化し、その逆も同様）、連結成分ラベル付け（ＣＣＬ）を適用してブロブの穴を取り除く。ＣＣＬは、Ｋｌｅｔｔｅ Ｒ．およびＺａｍｐｅｒｏｎｉｕ Ｐ．による「画像処理オペレータのハンドブック（Ｈａｎｄｂｏｏｋ ｏｆ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ Ｏｐｅｒａｔｏｒｓ）」（Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，１９９６）並びにＲｏｓｅｎｆｅｌｄ Ａ．およびＫａｋ Ａ．Ｃ．による「ディジタル画像処理（Ｄｉｇｉｔａｌ Ｐｉｃｔｕｒｅ Ｐｒｏｃｅｓｓｉｎｇ）」（ｖｏｌｓ．１＆２，Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ，Ｎｅｗ Ｙｏｒｋ，１９８２）で開示された、公知の画像処理技法である（時には「ブロブ着色」と称される）。ＣＣＬは、画素値１の連続した画素の各グループに対して、各々ラベルを与える。画像反転の理由から、ＣＣＬでラベル付けされた画素値１の面積は、ここでは背景画素と共にブロブ内にある穴である。次に、各ブロブ内にある穴は、それらの画素をブロブの他の画素の値に設定することによって除去（充填）される。背景画素は変化しないままである。

３８において、３６からのサブ画像がもう一度反転され、ＣＣＬが再度適用される。この第２の反転によって、次にＣＣＬでラベル付けされた面積は各サブ画像内の充填ブロブとなる。ＣＣＬは、ユーザ定義された最小面積しきい値よりも小さい面積のブロブを除去する機能を有する。この例において、４０倍の倍率を用いると、この例における、最小面積しきい値は４００画素である。したがって、４００画素未満の面積を有する全ブロブが除去されて、それらの画素を背景値（０）に設定することによって背景に同化される。最低限４００画素の面積を有する残りのブロブは、一連のラベル付けされたブロブとしてさらに処理するために受け入れられる。ＣＣＬはさらに、残りの各ブロブに対して、それぞれの場合における多数の画素の周辺長Ｐと面積Ａを与える。

段階３０から３８の後、各サブ画像は不必要な小さいブロブを取り除き、残りの全ブロブは充填されて、それらの中の穴が除去され、その結果、残りのブロブは全て同一値の画素で構成されることになる。段階３０から３８の利点は、それらが空間フィルタリングを実現するが、ブロブの周辺形状に感知できるほどの影響を与えないことである。これは後続の処理にとって重要である。このようなフィルタリングは本質的なものではないが処理の負担を減らすのに役に立つ。

４０において、ステップ３８から出力されたサブ画像は、新しい２値画像に再構築される。新しい２値画像はオリジナルの生の（ＲＧＢ）入力画像と同一サイズを有し、後続の多形性処理で評価されるブロブだけを含む。

ステップ３０から４０は、オリジナルの生の（ＲＧＢ）入力画像内の一連のブロブを特定する前処理ステップである。これらのブロブのそれぞれはここで細胞核と対応しているはずである。４２では、統計学的分析が適用される。形状因子

は、各ブロブに対して、３８においてＣＣＬで得られたブロブの周辺長Ｐと面積Ａから計算される。適切であれば、Ｓは

の倍数または分数（ｆｒａｃｔｉｏｎ）であってもよく、ＰおよびＡの他の関数を用いて、形状を特定することもできる。Ｓの値はブロブ形状の不規則性が増すにつれて増加し、完全な円形に対しては４π（〜１２．５７）である。Ｓの平均値Ｓ_ｍは、画像の全ブロブのＳ値を合わせて加えて、それらの数で割ることによって完全な画像に対して計算される。Ｓ_ｍをしきい値処理して、オリジナルの生の（ＲＧＢ）入力画像の多形性の測定値を導き出す。Ｓ_ｍしきい値は２００の多形性画像のテスト群の分析から導き出された。以下で表すように、多形性スコア１、２および３のそれぞれに対して３つの区分、Ｓ_ｍ≦３０（低い）、３０＜Ｓ_ｍ≦３５（中間）およびＳ_ｍ＞３５（高い）がある。これらのしきい値は

に対してであって、他の形状因子表現は別のしきい値を必要とすることもある。

においてｋは一定であり、３つの区分はＳ_ｍ≦３０ｋ（低い）、３０ｋ＜Ｓ_ｍ≦３５ｋ（中間）およびＳ_ｍ＞３５ｋ（高い）となる。

Ｓ_ｍは別の手順によって計算することもできる。Ｓ_ｍは、単に、奇数個のＳの値の中央値または偶数個のＳの値の２つの中心値の平均であってもよい。Ｓ_ｍは、Ｓの一連の値の最大値もしくは最小値、またはＳの値のほぼ単一最頻値での分布であれば、最頻値を用いることもできる。ただし、これはしきい値に影響を与える。加重平均Ｓ_ｗｍは、Ｓの各値に加重因子Ｗ_ｉを掛け、加重値を加え、それらの合計を加重の合計で割ることによって計算できる。各加重は、関連するブロブまたは細胞核の確率を表し、多形性の高信頼表示を与える。すなわち、

上記の説明は、全体の形状因子を一連の形状因子の統計学的特性から決定する複数の方法があることを示し、例えば、これらの平均、加重平均、中央値、最頻値、最大値および最小値はすべて個別に使用できることを示す。

２０においては、核多形性を測定するスコアは値１、２または３を有し、各スコアはそれぞれの入力タイルについて得られる。これら２つのスコアの最大は全体の多形性スコアとして採用される。

核多形性の測定結果は、さまざまな方法を用いて有糸分裂および細管に対して得られた他の測定結果と組み合わせて、医学で「Ｂｌｏｏｍ ａｎｄ Ｒｉｃｈａｒｄｓｏｎ ｇｒａｄｉｎｇ」と称される全体の格付け、またはこの格付けの修正されたバージョンを得る。この結果は癌の状態の尺度として臨床医に用いられる。

計算結果に関する上述の説明で与えられた例は、キャリア媒体に関する適正なコンピュータプログラムおよび従来のコンピュータシステム上での実行によって明確に評価することができる。このようなプログラムは、手順が公知であるため、熟練したプログラマにとっては本発明を必要とせずに実現することは簡単であり、それについては詳細に述べない。

診断と治療の方針決定を支援するために多形性を測定する手順のブロック図である。 本発明による、図１の手順で用いる多形性の特徴検出をより詳細に示すブロック図である。

Claims (29)

1. 組織画像データ内の細胞核に潜在的に対応する画像領域を特定することによって核多形性を組織学的に評価する方法であって、画像データをしきい値処理して２値化することと、特定された画像領域の周辺長と面積を決定することと、周辺長と面積から画像領域形状因子を計算することと、形状因子の統計的パラメータから多形性を評価することと、を含むことを特徴とする、方法。
2. 形状因子の統計的パラメータは、それらの平均、加重平均、中央値、最頻値、最大値および最小値のうち少なくとも１つを備えることを特徴とする、請求項１に記載の方法。
3. 画像化されたデータをしきい値処理するステップは大津しきい値処理法であることを特徴とする、請求項１に記載の方法。
4. 多形性を評価するステップは、形状因子の平均または中央値がそれぞれ相対的に低いか、中間かまたは高いかどうかによって、多形性を相対的に低いか、中間かまたは高いと決定することを特徴とする、請求項１に記載の方法。
5. 細胞核に潜在的に対応する画像領域の形状因子Ｓが、
   

   

   （ｋは定数、Ｐは画像領域周辺長、Ａは画像領域面積）によって与えられ、細胞核に潜在的に対応する一連の画像領域についての平均形状因子Ｓ_ｍが、それぞれ相対的に低いか、中間または高い多形性に応じて、Ｓ_ｍ≦３０ｋ（低い）、３０ｋ＜Ｓ_ｍ≦３５ｋ（中間）およびＳ_ｍ＞３５ｋ（高い）として区分されることを特徴とする、請求項４に記載の方法。
6. 画像データをしきい値処理して２値化するステップの前に、カラー画像データにおける個々の赤、緑または青色平面に比べて改良された画像定義を用いて、カラー画像データをグレースケール画像データに変換するステップが実行され、画像データをしきい値処理するステップは、グレースケール画像データについて実行されることを特徴とする、請求項１に記載の方法。
7. カラー画像データをグレースケール画像データに変換するステップは、グレースケール画像データが第１主成分である主成分分析（ＰＣＡ）によって実行されることを特徴とする、請求項６に記載の方法。
8. カラー画像データをグレースケール画像データに変換するステップは、カラー画像データを、各々が隣接画像のそれぞれの半分と重複する一連のサブ画像に分解し、各サブ画像に対してＰＣＡが実行されることによって行われることを特徴とする請求項７に記載の方法であって、さらに、細胞核に潜在的に対応する各サブ画像領域からサブ画像端部を取り除くことを含む、方法。
9. 組織画像データ内の細胞核に潜在的に対応する画像領域を特定するステップは、画像領域の周辺長に感知できるほどの影響を与えないフィルタリング処理を用いて、画像データをフィルタリングして、対象としない領域を上書きすることを含むことを特徴とする、請求項１に記載の方法。
10. 対象としない領域を上書きするステップは、相対的に小さい画像領域を背景画素値に設定し、相対的に大きい画像領域内の穴画素を穴のない画像領域の画素値に設定することを含むことを特徴とする、請求項９に記載の方法。
11. 組織画像データ内の細胞核に潜在的に対応する画像領域を特定するステップは、画像データを重複するサブ画像に分割することと、ＰＣＡを各サブ画像に適用してそれぞれグレースケールのサブ画像を生成することと、グレースケールのサブ画像から、
    ａ）サブ画像境界線と接触または交差する画像領域と、
    ｂ）不適当に小さい画像領域と、
    ｃ）相対的に大きな画像領域内の穴と、を取り除くことと、
    サブ画像を２値画像に再構築することと、を含むことを特徴とする、請求項１に記載の方法。
12. 組織画像データ内の細胞核に潜在的に対応する画像領域を特定することによって核多形性を組織学的に評価する装置であって、この装置は、画像データをしきい値処理して２値化し、特定された画像領域の周辺長と面積を決定し、周辺長と面積から画像領域形状因子を計算し、形状因子の統計的パラメータから多形性を評価するようにプログラムされたコンピュータを備えていることを特徴とする、装置。
13. 形状因子の統計的パラメータは、それらの平均、加重平均、中央値、最頻値、最大値および最小値の少なくとも１つを備えることを特徴とする、請求項１２に記載の装置。
14. コンピュータは大津しきい値処理を用いて画像データをしきい値処理するようプログラムされていることを特徴とする、請求項１２に記載の装置。
15. コンピュータは、形状因子の平均または中央値がそれぞれ相対的に低いか、中間かまたは高いかどうかによって、多形性を相対的に低いか、中間かまたは高いと決定するようにプログラムされていることを特徴とする、請求項１２に記載の装置。
16. コンピュータは、細胞核に潜在的に対応する画像領域の形状因子Ｓを、
    

    

    （ｋは定数、Ｐは画像領域周辺長、Ａは画像領域面積）で求めるようプログラムされ、さらにコンピュータは、細胞核に潜在的に対応する一連の画像領域についての平均形状因子Ｓ_ｍを決定し、平均形状因子をＳ_ｍ≦３０ｋ（低い）、３０ｋ＜Ｓ_ｍ≦３５ｋ（中間）およびＳ_ｍ＞３５ｋ（高い）として区分し、多形性をそれぞれ相対的に低い、中間または高いと表示するようにプログラムされていることを特徴とする、請求項１５に記載の装置。
17. 画像データをしきい値処理して２値化する前に、コンピュータは、カラー画像データにおける個々の赤、緑または青色平面と比較して改良された画像定義を用いて、カラー画像データをグレースケール画像データに変換するようにプログラムされ、さらにコンピュータは、グレースケール画像データを用いて画像データのしきい値処理を実行するようプログラムされていることを特徴とする、請求項１２に記載の装置。
18. コンピュータは、グレースケールの画像データが第１主成分であるＰＣＡを用いて、カラー画像データをグレースケール画像データに変換するようにプログラムされていることを特徴とする、請求項１７に記載の装置。
19. コンピュータは、
    ａ）画像データを重複するサブ画像に分割し、
    ｂ）各サブ画像にＰＣＡを適用して、それぞれグレースケールのサブ画像を生成し、
    ｃ）グレースケールのサブ画像から、
    ｉ）サブ画像境界線と接触または交差する画像領域と、
    ｉｉ）不適当な小さい画像領域と、
    ｉｉｉ）相対的に大きな画像領域内の穴と、を取り除き、
    ｄ）サブ画像を２値化画像に再構築する、ようにプログラムされていることを特徴とする、請求項１８に記載の装置。
20. コンピュータは、相対的に小さい画像領域を背景画素値に設定し、相対的に大きい画像領域内の穴画素を穴のない画像領域の画素値に設定するようにプログラムされていることを特徴とする、請求項１２に記載の装置。
21. 核多形性の組織学的評価において使用し、および組織画像データ内の細胞核に潜在的に対応する画像領域を特定するようにコンピュータを制御する命令を有する、コンピュータソフトウェアであって、ソフトウェアはさらに、画像データをしきい値処理して２値化し、特定された画像領域の周辺長と面積を決定し、周辺長と面積から画像領域形状因子を計算し、形状因子の統計的パラメータから多形性を評価するようにコンピュータを制御する命令を有することを特徴とする、コンピュータソフトウェア。
22. 形状因子の統計的パラメータは、それらの平均、加重平均、中央値、最頻値、最大値および最小値の少なくとも１つを備えることを特徴とする、請求項２１に記載のコンピュータソフトウェア。
23. 大津しきい値処理法を用いて画像化されたデータをしきい値処理するようにコンピュータを制御する命令を有していることを特徴とする、請求項２１に記載のコンピュータソフトウェア。
24. 形状因子の平均または中央値がそれぞれ相対的に低いか、中間かまたは高いかどうかによって、多形性が相対的に低いか、中間かまたは高いと決定するようコンピュータを制御する命令を有していることを特徴とする、請求項２１に記載のコンピュータソフトウェア。
25. ａ）
    

    

    （ｋは定数、Ｐは画像領域周辺長、Ａは画像領域面積）によって与えられた細胞核に潜在的に対応する画像領域について形状因子Ｓを決定し、
    ｂ）細胞核に潜在的に対応する画像領域群について平均形状因子Ｓ_ｍを、Ｓ_ｍ≦３０ｋ（低い）、３０ｋ＜Ｓ_ｍ≦３５ｋ（中間）およびＳ_ｍ＞３５ｋ（高い）と区分し、
    ｃ）多形性をそれぞれ相対的に低いか中間かまたは高いとして表示する、ようにコンピュータを制御する命令を有することを特徴とする、請求項２４に記載のコンピュータソフトウェア。
26. 画像データをしきい値処理して２値化する前に、コンピュータが、カラー画像データにおける個々の赤、緑または青色平面と比較して改良された画像定義を用いて、カラー画像データをグレースケール画像データに変換し、次いで、コンピュータが、グレースケール画像データを用いて画像データのしきい値処理を実行する、ようにコンピュータを制御する命令を有していることを特徴とする、請求項２１に記載のコンピュータソフトウェア。
27. グレースケールの画像データが第１主成分であるＰＣＡによって、カラー画像データをグレースケール画像データに変換するようコンピュータを制御する命令を有することを特徴とする、請求項２６に記載のコンピュータソフトウェア。
28. ａ）カラー画像データを各々が隣接画像のそれぞれの半分と重複する一連のサブ画像に分解することによって、カラー画像データをグレースケール画像データに変換し、
    ｂ）各サブ画像にＰＣＡを実行し、
    ｃ）各サブ画像から、
    ｉ）サブ画像境界と接触または交差する画像領域と、
    ｉｉ）不適当に小さい画像領域と、
    ｉｉｉ）相対的に大きな画像領域内の穴と、を取り除き、
    ｄ）サブ画像を２値化画像に再構築する、ようにコンピュータを制御する命令を有することを特徴とする、請求項２７に記載のコンピュータソフトウェア。
29. 相対的に小さい画像領域を背景画素値に設定し、相対的に大きい画像領域内の穴画素を穴のない画像領域の画素値に設定する命令を含むことを特徴とする、請求項２１に記載のコンピュータソフトウェア。

Images