JP2008304205A - 分光特性推定装置および分光特性推定プログラム - Google Patents

Abstract

【課題】ウィナー推定を用いた撮像対象の分光特性の推定精度を向上させること。
【解決手段】画素クラス分類部１５５は、撮像した対象標本画像を構成する各画素を、細胞核、細胞質、赤血球、および背景の各主要要素それぞれに対応する複数のカテゴリーでクラス分類する。分光特性推定部１５７は、ウィナー推定によって、撮像した対象標本画像を構成する所定の画素に対応する対象標本点の分光透過率を推定するが、このとき、この画素が属するクラス用のウィナー推定行列をクラス別ウィナー推定行列データ１４５から読み出し、読み出したウィナー推定行列を用いて、対応する対象標本点の分光透過率を推定する。
【選択図】図１

Description

本発明は、予め定められた複数の主要要素のうちの少なくとも一つを含んで構成される対象を撮像したマルチバンド画像を取得し、前記対象の分光特性をウィナー推定によって推定する分光特性推定装置および分光特性推定プログラムに関する。

生体組織標本、特に病理標本では、臓器摘出によって得たブロック標本や針生検によって得た標本を厚さ数ミクロン程度に薄切した後、様々な所見を得るために顕微鏡を用いて拡大観察することが広く行われている。中でも光学顕微鏡を用いた透過観察は、機材が比較的安価で取り扱いが容易である上、歴史的に古くから行われてきたこともあって、最も普及している観察方法の一つである。この場合、薄切された生体標本は光を殆ど吸収及び散乱せず無色透明に近いため、観察に先立って色素による染色を施すのが一般的である。

染色手法としては種々のものが提案されており、その総数は１００種類以上にも達するが、特に病理標本に関しては、色素として青紫色のヘマトキシリンと赤色のエオジンの２つを用いるヘマトキシリン−エオジン染色（以下、「Ｈ＆Ｅ染色」と称す。）が標準的に用いられている。

ヘマトキシリンは植物から採取された天然の物質であり、それ自身には染色性はない。しかし、その酸化物であるヘマチンは好塩基性の色素であり、負に帯電した物質と結合する。細胞核に含まれるデオキシリボ核酸（ＤＮＡ）は、構成要素として含むリン酸基によって負に帯電しているため、ヘマチンと結合して青紫色に染色される。なお、前述の通り、染色性を有するのはヘマトキシリンでは無く、その酸化物であるヘマチンであるが、色素の名称としてはヘマトキシリンを用いるのが一般的であるため、以下それに従う。

エオジンは好酸性の色素であり、正に帯電した物質と結合する。アミノ酸やタンパク質が正負どちらに帯電するかはｐＨ環境に影響を受け、酸性下では正に帯電する傾向が強くなる。このため、エオジン溶液に酢酸を加えて用いることがある。細胞質に含まれるタンパク質は、エオジンと結合して赤から薄赤に染色される。

Ｈ＆Ｅ染色後の標本では、細胞核や骨組織等が青紫色に、細胞質や結合組織、赤血球等が赤色に染色され、容易に視認できるようになる。この結果、観察者は、細胞核等の組織を構成する要素の大きさや位置関係等を把握でき、標本の状態を形態学的に判断することが可能となる。

染色された標本の観察は、観察者の目視によるものの他、この染色された標本をマルチバンド撮像して外部装置の表示画面に表示することによっても行われている。表示画面に表示する場合には、撮像したマルチバンド画像から標本各点の分光透過率を推定する処理や、推定した分光透過率に基づいて標本を染色している色素の色素量を推定する処理、推定した色素量に基づいて画像の色を補正する処理等が行われ、カメラの特性や染色状態のばらつき等が補正される。

標本のマルチバンド画像から標本各点の分光特性を推定する手法としては、例えば、主成分分析による推定法（例えば、非特許文献１参照）や、ウィナー（Wiener）推定による推定法（例えば、非特許文献２参照）等が挙げられる。

ウィナー推定は、ノイズの重畳された観測信号から原信号を推定する線形フィルタ手法の一つとして広く知られており、観測対象の統計的性質と観測ノイズの特性とを考慮して誤差の最小化を行う手法である。カメラからの信号には何らかのノイズが含まれるため、ウィナー推定は原信号を推定する手法として極めて有用である。

ここで、ウィナー推定法によって標本のマルチバンド画像から標本各点の分光透過率を推定する方法について説明する。

先ず、標本のマルチバンド画像を撮像する。例えば、特許文献１に開示されている技術を用い、１６枚のバンドパスフィルタをフィルタホイールで回転させて切り替えながら、面順次方式でマルチバンド画像を撮像する。これにより、標本の各点において１６バンドの画素値を有するマルチバンド画像が得られる。なお、色素は、本来観察対象となる染色標本内に３次元的に分布しているが、通常の透過観察系ではそのまま３次元像として捉えることはできず、標本内を透過した照明光をカメラの撮像素子上に投影した２次元像として観察される。したがって、ここでいう各点は、投影された撮像素子の各画素に対応する標本上の点を意味している。

撮像されたマルチバンド画像の位置ｘについて、バンドｂにおける画素値ｇ（ｘ，ｂ）と、対応する標本上の点の分光透過率ｔ（ｘ，λ）との間には、次式（１）の関係が成り立つ。

λは波長、ｆ（ｂ，λ）はｂ番目のフィルタの分光透過率、ｓ（λ）はカメラの分光感度特性、ｅ（λ）は照明の分光放射特性、ｎ（ｂ）はバンドｂにおける撮像ノイズをそれぞれ表す。ｂはバンドを識別する通し番号であり、ここでは１≦ｂ≦１６を満たす整数値である。

実際の計算では、式（１）を波長方向に離散化した次式（２）を用いる。
Ｇ（ｘ）＝ＦＳＥＴ（ｘ）＋Ｎ ・・・（２）
波長方向のサンプル点数をＤ、バンド数をＢとすれば（ここではＢ＝１６）、Ｇ（ｘ）は、位置ｘにおける画素値ｇ（ｘ，ｂ）に対応するＢ行１列の行列である。同様に、Ｔ（ｘ）は、ｔ（ｘ，λ）に対応するＤ行１列の行列、Ｆは、ｆ（ｂ，λ）に対応するＢ行Ｄ列の行列である。一方、Ｓは、Ｄ行Ｄ列の対角行列であり、対角要素がｓ（λ）に対応している。同様に、Ｅは、Ｄ行Ｄ列の対角行列であり、対角要素がｅ（λ）に対応している。Ｎは、ｎ（ｂ）に対応するＢ行１列の行列である。なお、式（２）では、行列を用いて複数のバンドに関する式を集約しているため、バンドを表す変数ｂが陽に記述されていない。また、波長λに関する積分は行列の積に置き換えられている。

ここで、表記を簡単にするため、次式（３）で定義される行列Ｈを導入する。Ｈはシステム行列とも呼ばれる。
Ｈ＝ＦＳＥ ・・・（３）

次に、ウィナー推定を用いて、撮像したマルチバンド画像から標本各点における分光透過率を推定する。分光透過率の推定値Ｔ＾（ｘ）は、次式（４）で計算することができる。なお、Ｔ＾は、Ｔの上に推定値を表すハット（＾）が付いていることを示す。

ここで、Ｗは、ウィナー推定行列と呼ばれ、次式（５）で表される。

Ｒ_SSは、Ｄ行Ｄ列の行列であり、標本の分光透過率の自己相関行列を表す。Ｒ_NNは、Ｂ行Ｂ列の行列であり、撮像に使用するカメラのノイズの自己相関行列を表す。Ｒ_SSおよびＲ_NNの各値は、予め算出される。Ｒ_SSは、例えば、Ｈ＆Ｅ染色された典型的な標本を用意し、分光計等で複数の点の分光透過率を測定して自己相関行列を求めることによって得られる。このためＲ_SSは、典型的な標準の選び方によって変化の余地がある。Ｒ_NNは、標本無しの状態でマルチバンド画像を取得し、画素値の共分散行列を求めることで得られる。

特開平７−１２０３２４号公報 "Development of support systems for pathology using spectral transmittance - The quantification method of stain conditions"，Proceedings of SPIE，Vol.4684，2002，p.1516-1523 "Color Correction of Pathological Images Based on Dye Amount Quantification"，OPTICAL REVIEW，Vol.12，No.4，2005，p.293-300

ウィナー推定は、観測対象の統計的性質と観測ノイズの特性とを考慮して、観測信号と原信号との誤差が最小となるような推定処理として定式化されたものである。このため、原信号の統計的なばらつきが大きい場合、すなわち、分光透過率の大きく異なる領域が一つの画像内に混在している場合には、推定精度が低下するという問題があった。

例えば、Ｈ＆Ｅ染色された標本を撮像する場合、同一画像内にヘマトキシリンで染色された細胞核、エオジンで染色された細胞質、エオジンで染色された赤血球、および背景が混在するケースが頻出する。しかしながら、これらの各領域では、分光透過率が大きく異なる。このため、各領域における分光特性を同じＲ_SSから求めたウィナー推定行列を用いて推定すると、推定誤差が大きくなるという問題があった。

本発明は、上記した従来の問題点に鑑みて為されたものであり、ウィナー推定を用いた撮像対象の分光特性の推定精度を向上させることができる分光特性推定装置および分光特性推定プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するため、本発明に係る分光特性推定装置は、予め定められた複数の主要要素のうちの少なくとも一つを含んで構成される対象を撮像したマルチバンド画像を取得し、前記対象の分光特性をウィナー推定によって推定する分光特性推定装置であって、前記複数の主要要素それぞれに対応する複数のカテゴリーで分類したクラス毎のウィナー推定行列を記憶する推定行列記憶手段と、前記マルチバンド画像を構成する画素を前記クラス毎に分類する分類手段と、前記分類手段による分類結果に基づいて、前記画素の属するクラスに応じたウィナー推定行列を前記推定行列記憶手段から読み出し、読み出したウィナー推定行列を用いて前記対象の前記画素に対応する位置の分光特性を推定する分光特性推定手段と、を備えることを特徴とする。

また、本発明に係る分光特性推定プログラムは、予め定められた複数の主要要素それぞれに対応する複数のカテゴリーで分類したクラス毎のウィナー推定行列を記憶する推定行列記憶手段を備え、前記複数の主要要素のうちの少なくとも一つを含んで構成される対象を撮像したマルチバンド画像を取得し、前記対象の分光特性をウィナー推定によって推定するコンピュータに、前記マルチバンド画像を構成する画素を前記クラス毎に分類する分類ステップ、前記分類手段による分類結果に基づいて、前記画素の属するクラスに応じたウィナー推定行列を前記推定行列記憶手段から読み出し、読み出したウィナー推定行列を用いて前記対象の前記画素に対応する位置の分光特性を推定する分光特性推定ステップ、を実行させることを特徴とする。

本発明によれば、対象を撮像したマルチバンド画像を構成する各画素を、予め定められた複数の主要要素それぞれに対応する複数のカテゴリーで、クラス分類することができる。そして、マルチバンド画像を構成する画素に対応する位置の分光特性を、この画素が属するクラスに応じたウィナー推定行列を用いて推定することができる。これによれば、統計的性質の類似する領域毎に、適切なウィナー推定行列を用いて分光特性を推定することができ、撮像対象の分光特性の推定精度を向上させることができる。

以下、図面を参照し、本発明の好適な実施の形態について詳細に説明する。なお、本実施の形態では、細胞核、細胞質、赤血球、および背景の４つの主要要素のうちの少なくとも一つを含むＨ＆Ｅ染色された病理標本を撮像対象とし、撮像したマルチバンド画像から、分光特性として分光透過率を推定する場合について説明する。

図１は、本実施の形態に係る分光特性推定装置の機能構成を説明するブロック図である。図１に示すように、分光特性推定装置１０は、画像取得部１１０、入力部１２０、表示部１３０、記憶部１４０、画像処理部１５０、装置各部を制御する制御部１６０等を備える。

画像取得部１１０は、ＣＣＤセンサ等の撮像素子を備えたカメラや、標本を透過照明する光源、標本からの光を集光して結像させる結像光学系、異なる分光透過率特性を有し、結像する光の波長帯域を所定範囲に制限する１６枚のバンドパスフィルタ等で構成され、標本を撮像して１６バンドのマルチバンド画像を取得する。なお、バンドパスフィルタの数は１６枚に限定されるものではなく、２以上であればよいが、主要要素のうち色素によって染色された細胞核、細胞質、赤血球の３つを精度良く分離するためには、３枚以上であることが望ましい。

入力部１２０は、例えば、キーボードやマウス、タッチパネル、各種スイッチ等によって実現されるものであり、操作入力に応じた操作信号を制御部１６０に出力する。

表示部１３０は、ＬＣＤやＥＬＤ等の表示装置によって実現されるものであり、制御部１６０から入力される表示信号に基づいて各種画面を表示する。

記憶部１４０は、更新記憶可能なフラッシュメモリ等のＲＯＭやＲＡＭといった各種ＩＣメモリ、内蔵或いはデータ通信端子で接続されたハードディスク、ＣＤ−ＲＯＭ等の情報記憶媒体及びその読取装置等によって実現されるものであり、分光特性推定装置１０の動作に係るプログラムや、分光特性推定装置１０の備える種々の機能を実現するためのプログラム、これらプログラムの実行に係るデータ等が格納される。また、標準標本画像データ１４１と、対象標本画像データ１４３と、クラス別ウィナー推定行列データ１４５と、後述する推定行列算出処理を実現するための推定行列算出プログラム１４７と、分光特性推定処理を実現するための分光特性推定プログラム１４９とが格納される。

標準標本画像データ１４１は、ウィナー推定行列の算出に必要な情報を取得するための標準的な標本（以下、「標準標本」という。）を撮像したマルチバンド画像（以下、「標準標本画像」という。）の画像データである。対象標本画像データ１４３は、分光透過率の推定対象の標本（以下、「対象標本」という。）を撮像したマルチバンド画像（以下、「対象標本画像」という。）の画像データである。

クラス別ウィナー推定行列データ１４５は、各主要要素それぞれに対応するクラス毎のウィナー推定行列を記憶する。

画像処理部１５０は、ＣＰＵ等のハードウェアによって実現される。この画像処理部１５０は、画像取得部１１０によって取得されて記憶部１４０に格納された標準標本画像データ１４１に基づいて主要要素毎のウィナー推定行列を算出するための処理や、画像取得部１１０によって取得されて記憶部１４０に格納された対象標本画像データ１４３に基づいて対象標本の分光透過率を推定する処理等を実行する。この画像処理部１５０は、領域分割部１５１と、ウィナー推定行列算出部１５３と、画素クラス分類部１５５と、分光特性推定部１５７とを含む。

領域分割部１５１は、標準標本画像を主要要素毎の領域に分割する。後述するように、標準標本は、４つの主要要素である細胞核、細胞質、赤血球、および背景を全て含む標本である。なお、主要要素は、この４種類に限定されるものではなく、適宜設定できる。領域分割部１５１は、この標準標本をマルチバンド撮像した標準標本画像に基づいて、この標準標本画像を構成する各画素を、その画素値に基づいて主要要素毎の領域に分割する。

ウィナー推定行列算出部１５３は、領域分割部１５１による分割結果に基づいて、主要要素毎の領域に含まれる画素の画素値に基づいて、各主要要素それぞれについてのウィナー推定行列を算出する。そして、ウィナー推定行列算出部１５３は、算出した各主要要素それぞれについてのウィナー推定行列を、対応するクラスの識別番号と関連付けて、クラス別ウィナー推定行列データ１４５として記憶部１４０に格納する。

画素クラス分類部１５５は、撮像した対象標本画像を構成する各画素を、各主要要素それぞれに対応する複数のカテゴリーでクラス分類する。

分光特性推定部１５７は、ウィナー推定によって、撮像した対象標本画像を構成する所定の画素に対応する対象標本点の分光透過率を推定するが、このとき、この所定の画素が属するクラス用のウィナー推定行列をクラス別ウィナー推定行列データ１４５から読み出し、読み出したウィナー推定行列を用いて、対応する対象標本点の分光透過率を推定する。

制御部１６０は、ＣＰＵ等のハードウェアによって実現される。この制御部１６０は、入力部１２０から入力される操作信号や、画像取得部１１０から入力される画像データ、記憶部１４０に格納されるプログラムやデータ等に基づいて分光特性推定装置１０を構成する各部への指示やデータの転送等を行い、分光特性推定装置１０全体の動作を統括的に制御する。

次に、分光特性推定装置１０における処理の流れについて説明する。本実施の形態の分光特性推定装置１０は、標準標本をマルチバンド撮像してウィナー推定行列を算出する処理（以下、「推定行列算出処理」と称す。）と、対象標本の分光透過率を推定する処理（以下、「分光特性推定処理」と称す。）とを実行する。

先ず、推定行列算出処理の流れについて説明する。図２は、推定行列算出処理の流れを示すフローチャートである。ここで説明する処理は、記憶部１４０に格納された推定行列算出プログラム１４７に従って分光特性推定装置１０の各部が動作することによって実現される。

推定行列算出処理では、先ず、画像取得部１１０が標準標本をマルチバンド撮像するが、この撮像に先立って、予め標準標本を選択しておく。ここでいう標準標本とは、Ｈ＆Ｅ染色標本であって、４つの主要要素である、ヘマトキシリンで染色された細胞核、エオジンで染色された細胞質、エオジンで染色された赤血球、および背景を全て含む標本を意味する。制御部１６０は、画像取得部１１０の動作を制御して、選択された標準標本をマルチバンド撮像する処理を行う（ステップＳ１１）。すなわち、画像取得部１１０は、制御部１６０の制御のもと、１６枚のバンドパスフィルタをフィルタホイールで回転させて切り替えながら、面順次方式でマルチバンド画像を撮像する。得られた標準標本画像は、標準標本画像データ１４１として記憶部１４０に格納される。

ここで、撮像された標準標本画像をＩとし、標準標本画像Ｉの位置をｘ、標準標本画像Ｉの位置ｘについてのバンドｂ（１≦ｂ≦１６）における画素値をｇ（ｘ，ｂ）とする。標準標本画像Ｉの各画素の画素値ベクトルＧ（ｘ）は、次式（６）で表される。

画素値ベクトルＧ（ｘ）は、撮像された標準標本画像Ｉの位置ｘにおける１６バンド分の画素値を一つのベクトルに集約したものである。

続いて、領域分割部１５１が、記憶部１４０から標準標本画像データ１４１を読み出し、標準標本画像Ｉを主要要素毎の領域に分割する（ステップＳ１３）。具体的には、領域分割部１５１は、標準標本画像Ｉを構成する全ての画素を、その画素値に従って４つのクラスＣ_i（ｉ＝１，２，３，４）に分類することによって領域分割を行う。クラスＣ_iは、例えば主要要素毎に用意され、ｉをクラスの識別番号とする。具体的には、Ｃ₁は細胞核、Ｃ₂は細胞質、Ｃ₃は赤血球、Ｃ₄は背景にそれぞれ対応する。クラス分類の分類手法としては、例えばｋ−平均法を用いる。ｋ−平均法は、教師なしクラスタリングの手法の一つとして広く知られており、クラスの代表ベクトルを反復処理によって逐次更新するものである。

ここで、簡単にｋ−平均法の手順を説明する。なお、標準標本画像Ｉを構成する全画素数をＮ、位置ｘの画素の属するクラスの識別番号ｉをＣ（ｘ）、クラスＣ_iの代表ベクトルをｍ_i、クラスＣ_iに属する画素の数をＮ_iとする。また、ｔ回目の反復処理における変数値を、変数名の右肩に（ｔ）を付けて表す。

先ず、各クラスの代表ベクトルｍ_iを次式（７）に従って初期化する。
ｍ_１＝Ｇ_N
ｍ_２＝Ｇ_C
ｍ_３＝Ｇ_R
ｍ_４＝Ｇ_B
・・・（７）
Ｇ_Nは、クラスＣ₁に割り当てられた主要要素である細胞核領域の標準的な画素値ベクトルであり、予め算出されて記憶部１４０に記憶される。例えば先ず、適切な濃度で染色された細胞核を含むＨ＆Ｅ染色標本のマルチバンド画像を画像取得部１１０によって取得する。続いて、操作者の操作入力に従って、取得されたマルチバンド画像中の細胞核の領域を選択し、選択した領域内の画素値ベクトルの平均値を算出することによってＧ_Nを求める。同様にして、Ｇ_CはクラスＣ₂に割り当てられた主要要素である細胞質領域の標準的な画素値ベクトルであり、Ｇ_RはクラスＣ₃に割り当てられた主要要素である赤血球領域の標準的な画素値ベクトルであり、Ｇ_BはクラスＣ₄に割り当てられた主要要素である背景領域の標準的な画素値ベクトルであり、それぞれ予め算出されて記憶部１４０に記憶される。

続いて、各画素の属するクラスを、例えば次式（８）に従って初期化する。これにより、画素Ｘ_jの属するクラスがＣ₁に初期化される。ここで、ｊは画素を識別するための添字であり、１≦ｊ≦Ｎを満たす整数である。

続いて、次式（９），（１０），（１１）に従って各値をそれぞれ更新する。ただし、次式（９）は、標準標本画像Ｉを構成する全ての画素Ｘ_j（ｊ＝１，２，・・・，Ｎ）についてそれぞれ処理を行うことを意味する。

すなわち、先ず、各画素それぞれについて、その画素値ベクトルとの差が最小となる代表ベクトルを選出し、当該画素を選出した代表ベクトルのクラスに分類する処理を行い、各画素をクラスＣ₁〜Ｃ₄へ振り分ける。次いで、分類結果に基づいて各クラスの代表ベクトルを再計算する。そして、この処理を繰り返し行い、全ての画素について属するクラスが変更されなくなり、次式（１２）が成立した場合に、処理を終了する。

これにより、標準標本画像Ｉを構成する全ての画素がクラスＣ_i（ｉ＝１，２，３，４）のいずれかに分類される。クラス分類結果は、記憶部１４０に保持される。また、このクラス分類結果に基づいて、クラスＣ_iの画素値ベクトルの平均、すなわち代表ベクトルｍ_iが次式（１３）に従って算出される。算出された代表ベクトルｍ_iは、記憶部１４０に保持される。

このように、領域分割部１５１は、標準標本画像Ｉを構成する各画素を４つのクラスに分類することによって、標準標本画像Ｉを各クラスＣ₁〜Ｃ₄に対応する４つの領域に分割する。

続いて、ウィナー推定行列算出部１５３が、各主要要素に対応するクラス毎のウィナー推定行列を算出する（ステップＳ１５）。先ず、クラスＣ_iに対応する自己相関行列Ｒ_SS(i)を次式（１４）に従って算出する。

Ｎ_iはクラスＣ_iに属する画素の数、ｘ∈Ｃ_iは、位置ｘの画素がクラスＣ_iに属することを表す。

続いて、クラスＣ_iに対応するウィナー推定行列Ｗ_iを次式（１５）に従って算出する。

システム行列Ｈおよびノイズの自己相関行列Ｒ_NNは、従来の方法で算出する。すなわち、システム行列Ｈは、バンドパスフィルタの分光特性Ｆ、カメラの分光特性Ｓ、光源の分光特性Ｅによって定まる値であり、画像取得部１１０を構成する各部に用いる実際の機器を選定した後、これらの分光特性を測定することによって算出する。また、カメラのノイズの自己相関行列Ｒ_NNは、実際に使用するカメラを選定した後で算出する。式（１５）に従って各クラスＣ_iそれぞれのウィナー推定行列Ｗ_iを算出したならば、ウィナー推定行列算出部１５３は、対応するクラスＣ_iの識別番号ｉと関連付けて、クラス別ウィナー推定行列データ１４５として記憶部１４０に格納する。

なお、ここでは、４つの主要要素を全て含む標本を用意し、この標本を撮像したマルチバンド画像をもとに主要要素毎のウィナー推定行列を求める場合について説明したが、必ずしも各主要要素を全て含む標本を用意する必要はない。すなわち、例えば、各主要要素を含む標本を別個に用意し、これらの標本を撮像して各主要要素がそれぞれ映る複数のマルチバンド画像を取得することとしてもよい。この場合には、例えば、取得した複数のマルチバンド画像の中からそれぞれ主要要素が映る領域を抽出し、これらを貼り合わせて１枚の画像にする。そして、上記の方法と同様にして、この画像を構成する画素をｋ−平均法を用いて分類し、分類結果をもとに各主要要素が割り当てられたクラス毎のウィナー推定行列を算出することとしてもよい。

次に、分光特性推定処理の流れについて説明する。図３は、分光特性推定処理の流れを示すフローチャートである。ここで説明する処理は、記憶部１４０に格納された分光特性推定プログラム１４９に従って分光特性推定装置１０の各部が動作することによって実現される。

分光特性推定処理では、先ず、制御部１６０が、画像取得部１１０の動作を制御して、分光透過率の推定対象とする対象標本をマルチバンド撮像する（ステップＳ２１）。撮像手順は、標準標本をマルチバンド撮像する場合と同様である。得られた対象標本画像は、対象標本画像データ１４３として記憶部１４０に格納される。

続いて、画素クラス分類部１５５が、対象標本画像を構成する各画素を、４つのクラスＣ_i（ｉ＝１，２，３，４）に分類する（ステップＳ２３）。対象標本画像の位置ｘにおける画素値ベクトルをＧ（ｘ）とすると、位置ｘの画素の属するクラスの識別番号ｉであるＣ（ｘ）は、次式（１６）によって算出される。これにより、対象標本を構成する各主要要素部分の画素が、該主要要素に対応するクラスに分類される。

そして、分光特性推定部１５７が、ウィナー推定を用いて、対象標本の分光透過率を推定する（ステップＳ２５）。具体的には、分光特性推定部１５７が、対象標本画像の任意の位置ｘにおける分光透過率の推定値Ｔ＾（ｘ）を次式（１７）に従って算出することによって、対応する対象標本点の分光透過率を推定する。ただし、Ｃ（ｘ）は、式（１６）で算出したクラスの識別番号であり、本実施の形態では、１≦Ｃ（ｘ）≦４を満たす整数値である。

ここで、Ｗ_C(x)は、分光透過率の推定に使用するウィナー推定行列が式（１６）の結果によって選択されることを意味している。例えば、Ｃ（ｘ）＝１（任意の位置ｘの画素の属するクラスがＣ_１）の場合には、Ｗ_C(x)としてクラスＣ_１に対応するウィナー推定行列Ｗ₁が記憶部１４０から読み出されて用いられる。

これによれば、対象標本画像の任意の位置ｘにおいて、式（１６）および式（１７）を用いることにより、その位置ｘに対応する対象標本点の分光透過率を、その位置ｘの画素の属するクラスに応じたウィナー推定行列を用いて推定することができる。なお、分光透過率の推定処理は、対象標本画像を構成する全ての画素について行ってもよいし、一部の画素のみについて行うこととしてもよい。推定された分光透過率は、記憶部１４０に保持される。

本分光特性推定装置１０によって推定された分光透過率は、例えば、対象標本を染色している色素の色素量の推定に用いられる。そして、推定された色素量に基づいて画像の色が補正され、カメラの特性や染色状態のばらつき等が補正されて、表示用のＲＧＢ画像が合成される。図４は、合成されたＲＧＢ画像の一例を示す図である。このＲＧＢ画像は、表示部１３０に画面表示されて病理診断に利用される。

本実施の形態によれば、予め定められた主要要素を全て含む標準標本画像を用いて、各主要要素それぞれに対応するウィナー推定行列を算出することができる。そして、対象標本のマルチバンド画像を構成する各画素を、予め定められた主要要素それぞれに対応する複数のカテゴリーでクラス分類し、対象標本を構成する画素に対応する対象標本点の分光透過率を、この画素が属するクラスに応じたウィナー推定行列を用いて推定することができる。したがって、統計的性質が類似する領域毎に、適切なウィナー推定行列を用いて分光特性を推定することができ、対象標本の分光特性の推定精度を向上させることができる。

なお、本実施の形態ではＨ＆Ｅ染色された病理標本を透過観察する場合について説明したが、他の染色法を用いて染色した生体標本に対しても適用することができる。また、透過光の観察だけでなく、反射光、蛍光、発光の観察においても、同様に適用することができる。

分光特性推定装置の機能構成を説明するブロック図である。 推定行列算出処理の流れを示すフローチャートである。 分光特性推定処理の流れを示すフローチャートである。 対象標本画像に基づいて合成されたＲＧＢ画像の一例を示す図である。

符号の説明

１０ 分光特性推定装置
１１０ 画像取得部
１２０ 入力部
１３０ 表示部
１４０ 記憶部
１４１ 標準標本画像データ
１４３ 対象標本画像データ
１４５ クラス別ウィナー推定行列データ
１４７ 推定行列算出プログラム
１４９ 分光特性推定プログラム
１５０ 画像処理部
１５１ 領域分割部
１５３ ウィナー推定行列算出部
１５５ 画素クラス分類部
１５７ 分光特性推定部
１６０ 制御部

Claims (7)

1. 予め定められた複数の主要要素のうちの少なくとも一つを含んで構成される対象を撮像したマルチバンド画像を取得し、前記対象の分光特性をウィナー推定によって推定する分光特性推定装置であって、
   前記複数の主要要素それぞれに対応する複数のカテゴリーで分類したクラス毎のウィナー推定行列を記憶する推定行列記憶手段と、
   前記マルチバンド画像を構成する画素を前記クラス毎に分類する分類手段と、
   前記分類手段による分類結果に基づいて、前記画素の属するクラスに応じたウィナー推定行列を前記推定行列記憶手段から読み出し、読み出したウィナー推定行列を用いて前記対象の前記画素に対応する位置の分光特性を推定する分光特性推定手段と、
   を備えることを特徴とする分光特性推定装置。
2. 前記分類手段は、前記マルチバンド画像を構成する前記画素の画素値に基づいて、前記画素の属するクラスを決定することを特徴とする請求項１に記載の分光特性推定装置。
3. 前記主要要素を含むマルチバンド画像を取得する標準画像取得手段と、
   前記標準画像取得手段によって取得されたマルチバンド画像を、前記主要要素毎の領域に分割する領域分割手段と、
   前記領域分割手段によって分割された前記主要要素毎の領域に含まれる画素の画素値に基づいて、各主要要素それぞれについてのウィナー推定行列を算出する推定行列算出手段と、
   を備え、
   前記推定行列算出手段によって算出された各主要要素それぞれについてのウィナー推定行列を、対応するクラスのウィナー推定行列として前記推定行列記憶手段に記憶することを特徴とする請求項１または２に記載の分光特性推定装置。
4. 前記対象は染色された生体標本であり、前記主要要素は細胞核、細胞質、赤血球、および背景のうちの少なくとも一つを含むことを特徴とする請求項１〜３のいずれか一つに記載の分光特性推定装置。
5. 前記対象は、ヘマトキシリンとエオジンで染色された病理標本であることを特徴とする請求項４に記載の分光特性推定装置。
6. 前記分光特性は、分光透過率であることを特徴とする請求項１〜５のいずれか一つに記載の分光特性推定装置。
7. 予め定められた複数の主要要素それぞれに対応する複数のカテゴリーで分類したクラス毎のウィナー推定行列を記憶する推定行列記憶手段を備え、前記複数の主要要素のうちの少なくとも一つを含んで構成される対象を撮像したマルチバンド画像を取得し、前記対象の分光特性をウィナー推定によって推定するコンピュータに、
   前記マルチバンド画像を構成する画素を前記クラス毎に分類する分類ステップ、
   前記分類手段による分類結果に基づいて、前記画素の属するクラスに応じたウィナー推定行列を前記推定行列記憶手段から読み出し、読み出したウィナー推定行列を用いて前記対象の前記画素に対応する位置の分光特性を推定する分光特性推定ステップ、
   を実行させることを特徴とする分光特性推定プログラム。

Images