JP2018169390A - Chromosome abnormality determination device - Google Patents
Chromosome abnormality determination device Download PDFInfo
- Publication number
- JP2018169390A JP2018169390A JP2018050623A JP2018050623A JP2018169390A JP 2018169390 A JP2018169390 A JP 2018169390A JP 2018050623 A JP2018050623 A JP 2018050623A JP 2018050623 A JP2018050623 A JP 2018050623A JP 2018169390 A JP2018169390 A JP 2018169390A
- Authority
- JP
- Japan
- Prior art keywords
- chromosome
- abnormality determination
- feature information
- image
- spectrum
- 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.)
- Granted
Links
- 208000031404 Chromosome Aberrations Diseases 0.000 title claims abstract description 63
- 206010067477 Cytogenetic abnormality Diseases 0.000 title claims abstract description 46
- 210000000349 chromosome Anatomy 0.000 claims abstract description 150
- 230000005856 abnormality Effects 0.000 claims abstract description 107
- 238000001228 spectrum Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 90
- 230000003595 spectral effect Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 29
- 238000010191 image analysis Methods 0.000 abstract description 28
- 238000013500 data storage Methods 0.000 abstract description 21
- 238000002834 transmittance Methods 0.000 description 22
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 10
- 230000002759 chromosomal effect Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 238000000411 transmission spectrum Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000007447 staining method Methods 0.000 description 6
- 238000010186 staining Methods 0.000 description 5
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 239000012192 staining solution Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000031864 metaphase Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003765 sex chromosome Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000012620 biological material Substances 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 231100000005 chromosome aberration Toxicity 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000000879 optical micrograph Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000005945 translocation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Description
本発明は、染色体異常判定装置に関する。 The present invention relates to a chromosome abnormality determination device.
光学顕微鏡を用い、染色体の画像を得て、染色体の数々の異常を画像情報から判断する作業は、染色体異常に起因する疾病の予防や治療、染色体異常を誘発する物質の判定試験等において、重要な役割を果たしている。
染色体は、遺伝情報を保有する細胞核内の生体物質であり、ヒトの細胞核１個に対して常染色体４４本と性染色体２本を合わせた計４６本が存在する。常染色体は２２種類、それぞれ各２本の染色体で構成され、常染色体は１番から２２番の番号で区別される。性染色体は、Ｘ、Ｙで区別され、女性はＸを２本有し、男性はＸ、Ｙを１本ずつ持つ。
Using an optical microscope to obtain chromosome images and to determine the abnormalities of chromosomes from image information is important for the prevention and treatment of diseases caused by chromosomal abnormalities, and for judgment tests for substances that induce chromosomal abnormalities. Plays an important role.
Chromosome is a biological material in the cell nucleus that possesses genetic information, and there are a total of 46 chromosomes including 44 autosomes and 2 sex chromosomes per human cell nucleus. There are 22 types of autosomes, each consisting of two chromosomes, and autosomes are distinguished by numbers 1 to 22. Sex chromosomes are distinguished by X and Y. Women have two X and men have one X and one Y.
図１５は、染色体の一例を示す模式図である。図１５に示すように、染色体は、動源体１０１と呼ばれる部分でくびれており、動源体１０１によって二分される。二分された短い部分は短腕１０２と称され、長い部分は長腕１０３と称される。また、染料により染色体が染められた際に、染色体上に縞が染め出される。この縞をバンド１０４と称する。
光学顕微鏡画像により染色体の異常を視覚的に診断する際には、一般的には次のように判定を行っている。すなわち、染色体の領域の相対的長さ、染色体領域における短腕と長腕との長さの比、染色体領域におけるバンドの並び方すなわちバンドパターンといった染色体画像の画像特徴量から、染色体の種類の同定及び染色体の数的異常、遺伝情報の欠損、重複、転座等の染色体の異常を判定している。
FIG. 15 is a schematic diagram illustrating an example of a chromosome. As shown in FIG. 15, the chromosome is constricted at a portion called the source body 101 and is divided into two by the source body 101. The bisected short part is called a short arm 102 and the long part is called a long arm 103. In addition, when a chromosome is dyed with a dye, a stripe is dyed on the chromosome. This stripe is referred to as a band 104.
When visually diagnosing a chromosomal abnormality using an optical microscope image, the determination is generally performed as follows. That is, from the relative length of the chromosomal region, the ratio of the length of the short arm to the long arm in the chromosomal region, the image feature of the chromosomal image such as the arrangement of bands in the chromosomal region, ie, the band pattern, Chromosome abnormalities such as chromosome aberrations, genetic information deficiencies, duplications, and translocations are determined.
例えば、特許文献１には、被検査染色体を撮像し、得られた画像により形態的特徴を抽出した後、その結果に基づいて染色体を検査する染色体検査装置が提案されている。この染色体検査装置は、染色体画像データを記憶する染色体画像データベースと、抽出した形態的特徴に類似する染色体の画像データを染色体データベースから検索する手段と、検索された類似する染色体の画像データ及び被検査染色体の撮像画像を出力表示する手段とを備えている。 For example, Patent Document 1 proposes a chromosome inspection apparatus that images a test chromosome, extracts morphological features from the obtained image, and inspects the chromosome based on the result. This chromosome inspection apparatus includes a chromosome image database for storing chromosome image data, means for searching for image data of chromosomes similar to the extracted morphological features from the chromosome database, searched image data of similar chromosomes, and a test target And a means for outputting and displaying a captured image of the chromosome.
ところで、前述の染色体の検査を自動的に行う装置においては、染色体の画像データから得られる形態的特徴のみを用いて検査を行っている。また、染色体のバンドには濃淡があり、バンドパターンだけでなく各バンドの濃淡情報も染色体異常判定の基準となることが一般に知られており、染色体の色彩情報は染色体の同定や異常判定を行う際の重要な判定ファクターの一つになり得る可能性がある。
また、染色体の検査を自動的に行う装置等においては、判定精度が高ければ高いほど好ましく、判定精度の向上により、染色体の検査装置の使い勝手の向上や汎用性の拡大にもつながる。
そこで、この発明は、上記従来の課題に着目してなされたものであり、染色による染色体の色彩情報を利用して染色体の検査を行うことの可能な染色体異常判定装置を提供することを目的としている。
By the way, in the apparatus for automatically performing the above-described chromosome inspection, the inspection is performed using only morphological features obtained from chromosome image data. In addition, it is generally known that there are shades of chromosome bands, and not only the band pattern but also the shade information of each band is the basis for chromosome abnormality determination, and the color information of the chromosome performs chromosome identification and abnormality determination May be one of the important decision factors.
In addition, it is preferable that the determination accuracy is higher in an apparatus that automatically performs chromosome inspection, and the improvement in determination accuracy leads to improved usability of the chromosome inspection apparatus and increased versatility.
Therefore, the present invention has been made paying attention to the conventional problems described above, and has an object to provide a chromosome abnormality determination device capable of examining chromosomes by using chromosome color information by staining. Yes.
本発明の一態様によれば、異常な染色体及び正常な染色体のうちの少なくとも一方から取得されたスペクトルキューブデータに含まれる染色体の特徴を表す特徴情報を用いて構築された異常判定処理を実行する異常判定処理部と、判定対象の染色体の前記スペクトルキューブデータを取得するデータ取得部と、を有し、スペクトルキューブデータは染色された染色体を透過又は反射した光の前記染色体上の各点における分光スペクトルであって、異常判定処理部は、データ取得部により取得された判定対象の染色体のスペクトルキューブデータに含まれる特徴情報を入力し、特徴情報を用いて判定対象の染色体に対する異常判定処理を実行することを特徴とする染色体異常判定装置、が提供される。 According to one aspect of the present invention, an abnormality determination process constructed using feature information representing the characteristics of a chromosome included in spectrum cube data acquired from at least one of an abnormal chromosome and a normal chromosome is executed. An abnormality determination processing unit, and a data acquisition unit that acquires the spectrum cube data of the chromosome to be determined. The spectrum cube data is a spectrum at each point on the chromosome of light transmitted or reflected by the stained chromosome. The abnormality determination processing unit is a spectrum, and inputs feature information included in the spectrum cube data of the determination target chromosome acquired by the data acquisition unit, and executes the abnormality determination processing for the determination target chromosome using the feature information. A chromosomal abnormality determination device is provided.
本発明の一態様によれば、染色体の色彩情報を利用して染色体の検査を行うことで、判定精度を向上させ、染色体異常判定装置の使い勝手を向上させることができる。 According to one embodiment of the present invention, by performing chromosome inspection using chromosome color information, determination accuracy can be improved and usability of a chromosome abnormality determination apparatus can be improved.
以下、図面を参照して本発明の実施形態について説明する。
なお、以下の詳細な説明では、本発明の実施形態の完全な理解を提供するように多くの特定の具体的な構成について記載されている。しかしながら、このような特定の具体的な構成に限定されることなく他の実施態様が実施できることは明らかである。また、以下の実施形態は、特許請求の範囲に係る発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
In the following detailed description, numerous specific specific configurations are set forth in order to provide a thorough understanding of embodiments of the present invention. However, it is apparent that other embodiments can be implemented without being limited to such specific specific configurations. The following embodiments do not limit the invention according to the claims. In addition, not all the combinations of features described in the embodiments are essential for the solving means of the invention.
まず、第一実施形態を説明する。
図１は、本発明の第一実施形態に係る染色体異常判定装置の一例を示す構成図である。
染色体異常判定装置１は、顕微鏡２と、顕微鏡２用の電動ステージ３と、イメージング分光器４と、画像メモリ５と、スペクトル解析装置６と、画像解析装置７と、判定処理装置１０と、データベース作成装置（データベース作成部）１１と、染色体データ記憶装置１２と、表示装置１３と、を備える。画像メモリ５、スペクトル解析装置６、画像解析装置７、判定処理装置１０、データベース作成装置１１、染色体データ記憶装置１２、及び表示装置１３は、例えば、入力装置、表示装置、記憶装置を備えた一台のパーソナルコンピュータで構成される。
First, the first embodiment will be described.
FIG. 1 is a configuration diagram illustrating an example of a chromosome abnormality determination device according to the first embodiment of the present invention.
The chromosome abnormality determination device 1 includes a microscope 2, an electric stage 3 for the microscope 2, an imaging spectroscope 4, an image memory 5, a spectrum analysis device 6, an image analysis device 7, a determination processing device 10, and a database. A creation device (database creation unit) 11, a chromosome data storage device 12, and a display device 13 are provided. The image memory 5, the spectrum analysis device 6, the image analysis device 7, the determination processing device 10, the database creation device 11, the chromosome data storage device 12, and the display device 13 include, for example, an input device, a display device, and a storage device. It consists of one personal computer.
イメージング分光器４は、染色体からの反射光又は透過光を、顕微鏡２を通して入射し、レンズ及びスリットにより線状に集光して、一次元方向に位置情報、他の一次元方向に分光情報となるように分光し、二次元カメラで撮像する。この撮像画像は、各測定点でのスペクトルの集合であり、それぞれのスペクトルは、染色された染色体の各点での色彩情報を含む波形を示す。電動ステージ３を移動させて被計測物を撮像することにより、被計測物の二次元画像に各測定点でのスペクトル軸が加わったスペクトルキューブデータを得ることができる。 The imaging spectroscope 4 enters reflected light or transmitted light from the chromosome through the microscope 2, condenses it linearly by a lens and a slit, and provides position information in one dimensional direction and spectral information in the other one dimensional direction. Spectroscopically, and image with a two-dimensional camera. This captured image is a set of spectra at each measurement point, and each spectrum shows a waveform including color information at each point of the stained chromosome. By moving the electric stage 3 and imaging the object to be measured, spectrum cube data in which the spectrum axis at each measurement point is added to the two-dimensional image of the object to be measured can be obtained.
色彩情報を含む波形は、染色体からの反射強度又は透過強度として撮像された画像信号から、光源のスペクトル情報及びカメラ素子の測定感度のばらつきによる影響を除去することにより得られた反射率及び透過率の形で得ることができる。
例えば、図２に示す１本の染色体において、測定点Ｘにおける透過率のスペクトルは、図３に示すような波形を示す。なお、図３において、横軸は波長（ｎｍ）、縦軸は透過率である。
イメージング分光器４で撮像されたスペクトルキューブデータは、画像メモリ５に格納される。
スペクトル解析装置６は、画像メモリ５に格納されたスペクトルキューブデータに対してスペクトル解析を行ってスペクトル特徴量画像を抽出し、このスペクトル特徴量画像の画像データを出力する。スペクトル解析装置６から出力されたスペクトル特徴量画像の画像データは、画像メモリ５に格納される。
Waveforms containing color information are reflectance and transmittance obtained by removing the influence of variations in spectral information of the light source and measurement sensitivity of the camera element from the image signal captured as the reflection intensity or transmission intensity from the chromosome. Can be obtained in the form of
For example, in one chromosome shown in FIG. 2, the transmittance spectrum at the measurement point X shows a waveform as shown in FIG. In FIG. 3, the horizontal axis represents wavelength (nm) and the vertical axis represents transmittance.
Spectrum cube data imaged by the imaging spectroscope 4 is stored in the image memory 5.
The spectrum analysis device 6 performs spectrum analysis on the spectrum cube data stored in the image memory 5 to extract a spectrum feature amount image, and outputs image data of the spectrum feature amount image. The image data of the spectrum feature amount image output from the spectrum analyzer 6 is stored in the image memory 5.
ここで、スペクトル特徴量画像とは、例えば、図４（ａ）に示すように表されるスペクトルキューブデータのうちの任意の波長における、各測定点での染色体からの透過強度情報からなるモノクロ画像すなわち単波長画像のことをいう。任意の波長における単波長画像ではなく、任意の波長を含むその前後の所定範囲の波長における透過強度の積算値、或いは、全波長における透過強度の積算値から単波長画像を得るようにしてもよい。
また、スペクトル特徴量画像として、図４（ａ）に示すように、スペクトルキューブデータのうち、例えば、Ｒ（赤色、Ｇ（緑色）、Ｂ（青色）に対応する３つの波長における、各測定点での染色体からの透過強度情報から得られるカラー画像を、抽出するようにしてもよい。
Here, the spectral feature amount image is, for example, a monochrome image composed of transmission intensity information from the chromosome at each measurement point at an arbitrary wavelength in the spectrum cube data represented as shown in FIG. That is, it refers to a single wavelength image. Instead of a single-wavelength image at an arbitrary wavelength, a single-wavelength image may be obtained from an integrated value of transmission intensity at a predetermined range of wavelengths including an arbitrary wavelength, or an integrated value of transmission intensity at all wavelengths. .
Moreover, as a spectral feature amount image, as shown in FIG. 4A, for example, each measurement point at three wavelengths corresponding to R (red, G (green), and B (blue) in the spectrum cube data. A color image obtained from the transmission intensity information from the chromosome at may be extracted.
また、スペクトルキューブデータの各測定点での透過強度情報に基づき色計算を行って、Ｌ＊、ａ＊、ｂ＊、や、Ｘ、Ｙ、Ｚ等の色情報を取得し、図４（ｂ）に示すように、測定点毎に例えばＬ＊、ａ＊、ｂ＊の値を取得する。この色情報をもとに、測定点毎に、Ｌ＊、ａ＊、ｂ＊の値をＲＧＢに割り当てて画像化することによりカラー画像を取得し、この取得したカラー画像をスペクトル特徴量画像としてもよく、また、測定点毎に、色情報のいずれかをもとに画像化することによりモノクロ画像を取得し、このモノクロ画像をスペクトル特徴量画像としてもよい。なお、色情報は、Ｌ＊、ａ＊、ｂ＊や、Ｘ、Ｙ、Ｚ等に限るものではなく、得られた色情報をもとに、カラー画像やモノクロ画像に画像化することのできる、スペクトル演算により得られる値であってもよく、要はスペクトルキューブデータから得られるスペクトル情報から、二次元画像を生成することのできる値であればよい。 Further, color calculation is performed based on transmission intensity information at each measurement point of the spectrum cube data to obtain color information such as L * , a * , b * , X, Y, Z, etc. FIG. For example, the values of L * , a * , and b * are acquired for each measurement point as shown in FIG. Based on this color information, a color image is acquired by assigning L * , a * , and b * values to RGB for each measurement point to form an image, and the acquired color image is used as a spectral feature amount image. Alternatively, for each measurement point, a monochrome image may be acquired by imaging based on any of the color information, and this monochrome image may be used as a spectral feature amount image. The color information is not limited to L * , a * , b * , X, Y, Z, etc., and can be converted into a color image or a monochrome image based on the obtained color information. A value obtained by spectrum calculation may be used. In short, any value can be used as long as a two-dimensional image can be generated from spectrum information obtained from spectrum cube data.
ここで、染色体が存在しない部分の透過スペクトルを基準スペクトルとし、染色体の存在する部分の透過スペクトルを評価スペクトルとする。また、基準スペクトル及び評価スペクトルそれぞれをベクトルと考え、両者の類似度を検出する。この類似度は、例えば、二つのベクトルの内積の和により類似度を評価するコサイン類似度を用いて演算する。類似度は染色体が存在しない部分の透過スペクトルと染色体の存在する部分の透過スペクトルとの類似度を表すため、類似度が大きいときには染色体の存在する部分は比較的色が薄くなり、類似度が小さいときには染色体の存在する部分は比較的色が濃くなる。
一方、スペクトルキューブデータからスペクトル特徴量画像として得られる単波長画像は波長によって透過率が異なり、透過率が小さいほど単波長画像において染色体は濃く表示され、透過率が大きいほど染色体は薄く表示される。
Here, the transmission spectrum of a portion where no chromosome exists is a reference spectrum, and the transmission spectrum of a portion where a chromosome exists is an evaluation spectrum. Further, each of the reference spectrum and the evaluation spectrum is considered as a vector, and the similarity between both is detected. This similarity is calculated using, for example, a cosine similarity that evaluates the similarity by the sum of inner products of two vectors. Since the similarity indicates the similarity between the transmission spectrum of the part where the chromosome does not exist and the transmission spectrum of the part where the chromosome exists, when the similarity is large, the part where the chromosome exists is relatively light and the similarity is small Sometimes the chromosomes are relatively dark in color.
On the other hand, the transmittance of a single wavelength image obtained as a spectral feature amount image from spectrum cube data varies depending on the wavelength. The smaller the transmittance, the darker the chromosome is displayed in the single wavelength image, and the larger the transmittance, the thinner the chromosome is displayed. .
図５は、ある染色体について、波長の変化に対する透過率の変化を、類似度毎に表したものである。図５において横軸は波長、縦軸は透過率のスペクトルであり、類似度の変化幅は一定としている。図５において、特性Ｌ１は基準スペクトルに対応し、特性Ｌ２〜Ｌ１０は透過スペクトル（評価スペクトル）に対応する。図５は、波長５００ｎｍ前後から７００ｎｍ前後の範囲において、特性Ｌ１との類似度は、特性Ｌ２が最も大きく、特性Ｌ２、Ｌ３…の順に類似度が小さくなり、特性Ｌ１０は類似度が最も小さいことを表している。 FIG. 5 shows the change in transmittance with respect to the change in wavelength for a certain chromosome for each similarity. In FIG. 5, the horizontal axis represents the wavelength, the vertical axis represents the transmittance spectrum, and the change width of the similarity is constant. In FIG. 5, the characteristic L1 corresponds to the reference spectrum, and the characteristics L2 to L10 correspond to the transmission spectrum (evaluation spectrum). FIG. 5 shows that in the range from the wavelength of about 500 nm to about 700 nm, the similarity to the characteristic L1 is the largest in the characteristic L2, the similarity is smaller in the order of the characteristics L2, L3,. Represents.
また、図６は、図５に示す特性に基づき、類似度の変化に対する透過率の変化を、３つの波長について示したものである。
図６に示すように、類似度が低いほど透過率は小さくなっている。そのため、類似度が低いほどスペクトルキューブデータから得られる単波長画像において染色体は濃く表示されることがわかる。また、図５から、何れの類似度の場合も５５０ｎｍ程度の波長のときに透過率が最も小さくなり、単波長画像において染色体は濃く表示されることがわかる。
FIG. 6 shows the change in transmittance with respect to the change in similarity for three wavelengths based on the characteristics shown in FIG.
As shown in FIG. 6, the lower the similarity, the smaller the transmittance. Therefore, it can be seen that the lower the similarity, the darker the chromosome is displayed in the single wavelength image obtained from the spectrum cube data. Further, it can be seen from FIG. 5 that the transmittance becomes the smallest at a wavelength of about 550 nm in any similarity, and the chromosome is displayed darkly in the single wavelength image.
また、透過率が最も小さくなる５５０ｎｍ程度の波長の場合、図６に特性Ｌ１１で示すように、透過率は比較的低い範囲で推移し、類似度が比較的高い範囲では類似度の変化に対して透過率が比較的大きく変化し、類似度が比較的低い範囲では類似度の変化に対して透過率の変化は小さい。そのため、図７（ａ）に示すように、５５０ｎｍの単波長画像において染色体は比較的濃く表示されることになり、染色体とその周囲とのコントラストは高いが、染色体上に染め出されたバンドとその周囲とのコントラストが低くなり、バンドを識別することが困難である。 Further, in the case of a wavelength of about 550 nm at which the transmittance is the smallest, as shown by the characteristic L11 in FIG. 6, the transmittance changes in a relatively low range, and in a range where the similarity is relatively high, In the range where the transmittance changes relatively and the similarity is relatively low, the change in transmittance is small with respect to the change in similarity. Therefore, as shown in FIG. 7A, the chromosome is displayed relatively darkly in the single-wavelength image of 550 nm, and the contrast between the chromosome and its surroundings is high, but the band dyed on the chromosome and The contrast with the surroundings becomes low, and it is difficult to identify the band.
逆に、波長が８０５ｎｍ程度の場合、図６に特性Ｌ１３で示すように、何れの類似度においても、類似度の変化に対する透過率の変化が小さく透過率が比較的高い範囲で推移する。そのため、図７（ｃ）に示すように、８０５ｎｍの単波長画像において染色体は比較的薄く表示されることになり、染色体とその周囲とのコントラストは低く、さらに、バンドとその周囲とのコントラストも低くなり、染色体だけでなく染色体上のバンドを識別することも困難である。 On the other hand, when the wavelength is about 805 nm, as shown by the characteristic L13 in FIG. 6, the change in the transmittance with respect to the change in the similarity is small and the transmittance is relatively high in any similarity. Therefore, as shown in FIG. 7C, the chromosome is displayed relatively thinly in the single-wavelength image of 805 nm, the contrast between the chromosome and its surroundings is low, and the contrast between the band and its surroundings is also low. It is difficult to identify not only the chromosome but also the band on the chromosome.
これに対し、波長が６５０ｎｍ程度の場合、図６に特性Ｌ１２で示すように、類似度全域に亙って、類似度の変化に対して透過率がある程度の幅で変化する。そのため、図７（ｂ）に示すように、６５０ｎｍの単波長画像において染色体とその周囲とのコントラスト及び、バンドとその周囲とのコントラストが共に高くなり、染色体やバンドの形状を比較的明確に表示することができる。
つまり、単波長画像において染色体やバンドを明確に表示するためには、図６に示すように、染色体の濃淡（つまり類似度）と染色体を透過した光量（透過率）とが、類似度全域にわたって透過率が大きすぎず、また小さすぎず、ある程度の大きさを有し、且つ、類似度の変化に対する透過率の変化幅がある程度の幅を有し比較的一定であることが好ましいことがわかる。
On the other hand, when the wavelength is about 650 nm, as indicated by the characteristic L12 in FIG. 6, the transmittance changes within a certain range with respect to the change in the similarity over the entire similarity. Therefore, as shown in FIG. 7B, in the single-wavelength image of 650 nm, the contrast between the chromosome and its surroundings and the contrast between the band and its surroundings are both high, and the shape of the chromosome and the band is displayed relatively clearly. can do.
That is, in order to clearly display chromosomes and bands in a single-wavelength image, as shown in FIG. 6, the density of the chromosome (that is, the similarity) and the amount of light transmitted through the chromosome (transmittance) It can be seen that it is preferable that the transmittance is not too large and not too small, has a certain size, and the variation range of the transmittance with respect to the similarity change has a certain width and is relatively constant. .
したがって、図４に示す特性を有するスペクトルキューブデータの場合には、このような条件を満足する波長、図４の場合には６５０ｎｍにおける単波長画像を取得し、これをスペクトル特徴量画像とすることで、このスペクトル特徴量画像をもとに処理を行う画像解析装置７での解析や、判定処理装置１０での判定をより精度よく行うことができる。
なお、単波長画像を取得するための解析用の波長は、予め求めて所定の記憶領域に記憶しておき、スペクトル解析を行う際に、記憶しておいた解析用の波長を読み出してこれを用いるようにしてもよく、また、スペクトル解析を行う前に、良好な単波長画像を得ることのできる波長を検出するようにしてもよい。また、ここでは、波長６５０ｎｍにおける単波長画像を取得しこれに基づきスペクトル解析を行う場合について説明したが、例えば、スペクトルキューブデータのうち、波長６５０ｎｍを含むその前後の波長域におけるスペクトルキューブデータを用いてスペクトル解析を行うようにしてもよい。
Accordingly, in the case of spectrum cube data having the characteristics shown in FIG. 4, a wavelength satisfying such a condition, in the case of FIG. 4, a single wavelength image at 650 nm is acquired, and this is used as a spectrum feature amount image. Thus, analysis by the image analysis device 7 that performs processing based on the spectral feature amount image and determination by the determination processing device 10 can be performed with higher accuracy.
The analysis wavelength for acquiring the single wavelength image is obtained in advance and stored in a predetermined storage area, and when the spectrum analysis is performed, the stored analysis wavelength is read out. It may be used, or a wavelength capable of obtaining a good single-wavelength image may be detected before performing the spectrum analysis. In addition, here, a case where a single wavelength image at a wavelength of 650 nm is acquired and spectrum analysis is performed based on this is described. For example, spectrum cube data in the wavelength region before and after that including the wavelength of 650 nm is used among the spectrum cube data. Spectrum analysis may be performed.
画像解析装置７は、画像メモリ５に格納された、スペクトル解析装置６で抽出されたスペクトル特徴量画像の画像データに基づき画像解析を行い、所定の特徴量を抽出する。画像解析により抽出される特徴量としては、例えば、染色体の領域の相対的長さ、染色体の領域における短腕の長さと長腕の長さとの比、染色体の領域におけるバンドの並び方、すなわちバンドパターン等が適用される。 The image analysis device 7 performs image analysis based on the image data of the spectral feature amount image extracted by the spectrum analysis device 6 stored in the image memory 5 and extracts a predetermined feature amount. Features extracted by image analysis include, for example, the relative length of the chromosomal region, the ratio of the short arm length to the long arm length in the chromosomal region, the arrangement of bands in the chromosomal region, ie, the band pattern Etc. apply.
判定処理装置１０は、スペクトル解析装置６で抽出したスペクトル特徴量画像の画像データ及び画像解析装置７で抽出した画像解析による特徴量と、染色体データ記憶装置１２に格納されている、正常又は異常な染色体であると判定された染色体のスペクトル特徴量画像の画像データ及び画像解析による特徴量とを照合することにより、染色体の異常／正常判定を行う。また、判定処理装置１０は、その判定結果等を表示装置１３に表示する。また、判定処理装置１０は、染色体の正常又は異常の判定後、判定に用いたスペクトル特徴量画像の画像データ及び画像解析による特徴量を特徴情報とし、特徴情報と正常又は異常の判定結果とを対応付けてデータベース作成装置１１を介して染色体データ記憶装置１２に格納する。
染色体データ記憶装置１２には、複数の染色体に関する、スペクトル特徴量画像の画像データ及び画像解析による特徴量を含む特徴情報と正常又は異常の判定結果とが対応付けられたデータベースが格納される。
The determination processing device 10 includes normal or abnormal image data stored in the chromosome data storage device 12 and the image data of the spectral feature amount image extracted by the spectrum analysis device 6 and the feature amount by image analysis extracted by the image analysis device 7. Chromosome abnormality / normality is determined by collating the image data of the spectral feature amount image of the chromosome determined to be a chromosome and the feature amount by image analysis. Further, the determination processing device 10 displays the determination result and the like on the display device 13. The determination processing device 10 uses the image data of the spectral feature amount image used for the determination and the feature amount by image analysis as the feature information after determining whether the chromosome is normal or abnormal, and uses the feature information and the normal or abnormal determination result. Correspondingly, it is stored in the chromosome data storage device 12 via the database creation device 11.
The chromosome data storage device 12 stores a database in which image data of spectral feature amount images and feature information including feature amounts obtained by image analysis and normal or abnormal determination results are associated with a plurality of chromosomes.
図８は、第一実施形態における判定処理装置１０の機能ブロック図の一例である。
図８に示す判定処理装置１０は、モデル学習により染色体異常判定を行うものであり、異常判定処理部２１と、異常判定パラメータ決定部２２と、異常判定結果表示処理部２３と、を備える。
異常判定パラメータ決定部２２は、異常判定処理部２１でのモデル学習に用いる異常判定パラメータを決定し、決定した異常判定パラメータを異常判定処理部２１に通知する。この異常判定パラメータとする特徴量等の種類や数は、検査実施者が手動で決定してもよく、または、各種情報に基づき自動的に決定するようにしてもよい。
異常判定処理部２１は、異常判定パラメータ決定部２２により決定された異常判定パラメータに基づいてニューラルネットワーク、サポートベクターマシン等の機械学習で用いられる手法の一つ又は複数を用いて教師有り学習を行い、異常判定処理の分類器を構築する。
FIG. 8 is an example of a functional block diagram of the determination processing device 10 in the first embodiment.
The determination processing device 10 illustrated in FIG. 8 performs chromosome abnormality determination by model learning, and includes an abnormality determination processing unit 21, an abnormality determination parameter determination unit 22, and an abnormality determination result display processing unit 23.
The abnormality determination parameter determination unit 22 determines an abnormality determination parameter used for model learning in the abnormality determination processing unit 21 and notifies the abnormality determination processing unit 21 of the determined abnormality determination parameter. The type and number of feature quantities and the like used as the abnormality determination parameters may be determined manually by the inspector or may be automatically determined based on various types of information.
The abnormality determination processing unit 21 performs supervised learning based on the abnormality determination parameter determined by the abnormality determination parameter determination unit 22 using one or more methods used in machine learning such as a neural network and a support vector machine. A classifier for abnormality determination processing is constructed.
そして、異常判定処理部２１では、判定対象の染色体から得られた、スペクトル特徴量画像の画像データと画像解析による特徴量とを入力し、これらについて、異常判定パラメータに基づき構築した異常判定処理のモデルを用いて異常判定を行う。また、異常判定処理部２１は、被測定物のスペクトル特徴量画像の画像データ及び画像解析による特徴量を特徴情報とし、この特徴情報とこのときの異常判定結果とを対応付けて、データベース作成装置１１を介して染色体データ記憶装置１２に格納する。
異常判定結果表示処理部２３は、異常判定処理部２１での異常判定結果を表示装置１３に表示する。
Then, the abnormality determination processing unit 21 inputs the image data of the spectral feature amount image obtained from the chromosome to be determined and the feature amount by image analysis, and for these, the abnormality determination processing constructed based on the abnormality determination parameters. Anomaly is determined using the model. The abnormality determination processing unit 21 uses the image data of the spectral feature amount image of the object to be measured and the feature amount by image analysis as the feature information, and associates the feature information with the abnormality determination result at this time, thereby creating a database creation device 11 and stored in the chromosome data storage device 12.
The abnormality determination result display processing unit 23 displays the abnormality determination result in the abnormality determination processing unit 21 on the display device 13.
図９は、染色体異常判定装置１における、教師有り学習のモデル学習時の処理手順の一例を示すフローチャートである。
モデル学習時には、判定処理装置１０の異常判定パラメータ決定部２２は、染色体データ記憶装置１２に格納されたデータベースを読み出し（ステップＳ１）、異常判定パラメータを設定する（ステップＳ２）。異常判定処理部２１は、設定された異常判定パラメータに基づき、ニューラルネットワーク及びサポートベクターマシン等の教師有り学習を行って、異常判定処理のモデルを構築し（ステップＳ３ 特許請求の範囲に記載の異常判定処理構築部に対応）、所定の記憶領域に格納する。
FIG. 9 is a flowchart illustrating an example of a processing procedure in supervised learning model learning in the chromosome abnormality determination device 1.
At the time of model learning, the abnormality determination parameter determination unit 22 of the determination processing device 10 reads a database stored in the chromosome data storage device 12 (step S1) and sets an abnormality determination parameter (step S2). The abnormality determination processing unit 21 performs supervised learning such as a neural network and a support vector machine based on the set abnormality determination parameter, and constructs a model of the abnormality determination processing (step S3, an abnormality described in the claims) Corresponding to the determination processing construction unit), and stored in a predetermined storage area.
図１０は、染色体異常判定装置１における、異常判定処理時の処理手順の一例を示すフローチャートである。
異常判定処理時には、まず、検査実施者は、染色体が見られる分裂中期の細胞が搭載されたスライドガラスを用意し、電動ステージ３上に載置する。これにより、電動ステージ３上のスライド上の判定対象の染色体が顕微鏡２で拡大され、イメージング分光器４によって分光されてスペクトルキューブデータとして、画像メモリ５に格納される（ステップＳ１１ 特許請求の範囲のデータ取得部に対応）。
FIG. 10 is a flowchart illustrating an example of a processing procedure during an abnormality determination process in the chromosome abnormality determination apparatus 1.
At the time of abnormality determination processing, first, the examiner prepares a slide glass on which metaphase cells in which chromosomes can be seen are mounted and places them on the electric stage 3. As a result, the chromosome to be determined on the slide on the electric stage 3 is magnified by the microscope 2 and dispersed by the imaging spectroscope 4 and stored in the image memory 5 as spectrum cube data (step S11). Corresponds to the data acquisition unit).
続いて、画像メモリ５に格納されたスペクトルキューブデータに対して、スペクトル解析装置６でスペクトル解析を行い、スペクトル特徴量画像の抽出（ステップＳ１２）を行う。また、得られたスペクトル特徴量画像に対して、画像解析装置７で画像解析を行い、所定の特徴量を抽出する（ステップＳ１３）。スペクトル解析装置６でのスペクトル解析において、スペクトル特徴量画像として単波長画像を抽出する際の波長等、スペクトル特徴量画像を抽出する際に用いられるパラメータとしての波長や、画像解析装置７での画像解析において各種特徴量を抽出する際に用いる波長又は波長域等の各種パラメータは、予め設定され所定の記憶領域に記憶された波長を用いて画像抽出を行う。 Subsequently, the spectrum analysis device 6 performs spectrum analysis on the spectrum cube data stored in the image memory 5 and extracts a spectrum feature amount image (step S12). Further, image analysis is performed on the obtained spectral feature quantity image by the image analysis device 7, and a predetermined feature quantity is extracted (step S13). In the spectrum analysis by the spectrum analysis device 6, the wavelength as a parameter used when extracting the spectrum feature amount image, such as the wavelength when extracting the single wavelength image as the spectrum feature amount image, or the image by the image analysis device 7 Various parameters such as wavelengths or wavelength ranges used when extracting various feature amounts in the analysis are extracted using wavelengths that are set in advance and stored in a predetermined storage area.
そして、異常判定処理部２１では、スペクトル解析装置６でのスペクトル解析により抽出したスペクトル特徴量画像の画像データと、画像解析装置７での画像解析による特徴量とに基づき、予めモデル学習を行うことにより構築した異常判定処理のモデルを用いて染色体の異常判定を行う（ステップＳ１４）。
異常判定結果表示処理部２３は、異常判定処理部２１での異常判定結果を表示装置１３に表示し（ステップＳ１５）、さらにデータベース作成装置１１により、異常判定に用いたスペクトル特徴量画像の画像データ及び画像解析による特徴量と異常判定結果とを対応付けて染色体データ記憶装置１２のデータベースに格納する（ステップＳ１６）。
Then, the abnormality determination processing unit 21 performs model learning in advance based on the image data of the spectrum feature amount image extracted by the spectrum analysis in the spectrum analysis device 6 and the feature amount by the image analysis in the image analysis device 7. Chromosome abnormality determination is performed using the abnormality determination processing model constructed by (step S14).
The abnormality determination result display processing unit 23 displays the abnormality determination result in the abnormality determination processing unit 21 on the display device 13 (step S15), and further the image data of the spectral feature amount image used for the abnormality determination by the database creation device 11. Then, the feature quantity obtained by image analysis and the abnormality determination result are associated with each other and stored in the database of the chromosome data storage device 12 (step S16).
これにより、染色体の異常判定処理が終了する。
ここで、スペクトルキューブデータから得られる染色体の画像は、図７に示すように波長によって異なり、図７（ａ）に示す波長５５０ｎｍの場合、また図７（ｃ）に示す波長８０５ｎｍの場合には、バンドを識別することができないが、図７（ｂ）に示す波長６５０ｎｍの場合には、バンドを識別することができる。
つまり、染色体異常判定装置１では、予め設定した、コントラストの高い良好な単波長画像を得ることの可能な波長についてその単波長画像を形成するようにしている。そのため、得られた単波長画像すなわちスペクトル特徴量画像はコントラストが比較的高い画像となり、染色体及びバンドを容易に識別することができる。
Thus, the chromosome abnormality determination process is completed.
Here, the chromosome image obtained from the spectrum cube data varies depending on the wavelength as shown in FIG. 7, and in the case of the wavelength 550 nm shown in FIG. 7A and the wavelength 805 nm shown in FIG. 7C. The band cannot be identified, but the band can be identified in the case of the wavelength of 650 nm shown in FIG.
That is, in the chromosome abnormality determination device 1, a single wavelength image is formed for a wavelength that is set in advance and is capable of obtaining a good single wavelength image with high contrast. Therefore, the obtained single-wavelength image, that is, the spectral feature amount image becomes an image having a relatively high contrast, and the chromosome and the band can be easily identified.
例えば、デジタルカメラによる撮像画像における二値化処理等を用いた画像解析では、図７（ａ）に示すように得られた染色体の画像が全体的に黒くバンドを識別することができない場合、また、図７（ｃ）に示すように得られた染色体の画像が全体的に薄く染色体自体を識別することができず、その結果、染色体異常を自動判定できないような場合がある。しかしながら、スペクトル解析により取得した単波長画像（スペクトル特徴量画像）を用いて解析を行う場合には、染色体異常の自動判定を行うことができる。つまり、より多くの染色体について染色体異常の自動判定を行うことができるため、使い勝手をより向上させることができる。 For example, in image analysis using binarization processing or the like in a captured image by a digital camera, the image of the chromosome obtained as shown in FIG. As shown in FIG. 7C, the obtained chromosome image is thin as a whole and the chromosome itself cannot be identified, and as a result, the chromosome abnormality may not be automatically determined. However, when analysis is performed using a single wavelength image (spectral feature image) acquired by spectral analysis, it is possible to automatically determine chromosomal abnormality. In other words, since it is possible to automatically determine chromosomal abnormality for more chromosomes, usability can be further improved.
また、染色体異常判定装置１では、染色体のスペクトル特徴量画像と画像解析による特徴量とに対し、教師有り学習により得た異常判定処理のモデルを用いて異常判定を行っているため、従来、専門家の視覚的判断によって行われていた染色体異常判定を自動的に行うことができ、膨大な量の染色体の検体に対して異常判定を行う場合でも十分適用することができる。 In addition, since the chromosome abnormality determination apparatus 1 performs abnormality determination using a model of abnormality determination processing obtained by supervised learning with respect to the spectral feature amount image of the chromosome and the feature amount obtained by image analysis, it has conventionally been specialized. Chromosome abnormality determination that has been performed based on the visual judgment of the house can be automatically performed, and can be sufficiently applied even when abnormality determination is performed on a huge amount of chromosome samples.
次に、本発明の第二実施形態を説明する。
この第二実施形態は、図１に示す第一実施形態における染色体異常判定装置１において、画像解析装置７を省いたものであり、判定処理装置１０の構成が異なる。また、第二実施形態における染色体異常判定装置１は、スペクトル解析装置６で抽出したスペクトル特徴量画像の画像データが直接判定処理装置１０に入力される。
なお、第一実施形態と同一部については同一符号を付与し、その詳細な説明は省略する。
Next, a second embodiment of the present invention will be described.
In this second embodiment, the image analysis device 7 is omitted from the chromosome abnormality determination device 1 in the first embodiment shown in FIG. 1, and the configuration of the determination processing device 10 is different. Further, in the chromosome abnormality determination device 1 in the second embodiment, the image data of the spectrum feature amount image extracted by the spectrum analysis device 6 is directly input to the determination processing device 10.
In addition, the same code | symbol is provided about the same part as 1st embodiment, and the detailed description is abbreviate | omitted.
図１１は、第二実施形態における判定処理装置１０の一例を示す機能ブロック図である。
判定処理装置１０は、異常判定処理部２１ａと、異常判定結果表示処理部２３と、を備える。
第二実施形態における染色体データ記憶装置１２には、染色体異常と判定されたときのスペクトルキューブデータから抽出されたスペクトル特徴量画像の画像データが特徴情報として異常サンプルデータベース１２ａに格納される。同様に、染色体が正常と判定されたときのスペクトルキューブデータから抽出されたスペクトル特徴量画像の画像データが特徴情報として正常サンプルデータベース１２ｂに格納される。データベース作成装置１１は、異常判定処理部２１ａでの判定結果に基づいて、特徴情報（つまりスペクトル特徴量画像の画像データ）を異常サンプルデータベース１２ａ、又は正常サンプルデータベース１２ｂに格納する。
FIG. 11 is a functional block diagram illustrating an example of the determination processing device 10 according to the second embodiment.
The determination processing device 10 includes an abnormality determination processing unit 21a and an abnormality determination result display processing unit 23.
In the chromosome data storage device 12 in the second embodiment, the image data of the spectral feature amount image extracted from the spectral cube data when it is determined that the chromosome is abnormal is stored in the abnormal sample database 12a as feature information. Similarly, image data of the spectral feature amount image extracted from the spectral cube data when the chromosome is determined to be normal is stored in the normal sample database 12b as feature information. The database creation device 11 stores the feature information (that is, the image data of the spectrum feature amount image) in the abnormal sample database 12a or the normal sample database 12b based on the determination result in the abnormality determination processing unit 21a.
異常判定処理部２１ａは、教師有り学習によるニューラルネットワークモデルを用いて、染色体の異常判定を行う。すなわち異常判定処理部２１ａは、異常判定時の特徴情報が格納された異常サンプルデータベース１２ａと、正常判定時の特徴情報が格納された正常サンプルデータベース１２ｂとについて、個別に機械学習をさせることによりニューラルネットワークモデルを構築する。そして、新たな判定対象の染色体について、スペクトル特徴量画像の画像データを異常判定処理部２１ａに入力することで、判定対象の染色体のスペクトル特徴量画像の画像データと、染色体データ記憶装置１２に格納された正常時又は異常時の特徴情報に基づき構築したニューラルネットワークモデルとを用いて異常判定を行う。 The abnormality determination processing unit 21a performs chromosome abnormality determination using a neural network model based on supervised learning. That is, the abnormality determination processing unit 21a performs neural learning by individually performing machine learning on the abnormality sample database 12a storing feature information at the time of abnormality determination and the normal sample database 12b storing feature information at the time of normal determination. Build a network model. Then, the image data of the spectral feature amount image of the determination target chromosome is stored in the chromosome data storage device 12 by inputting the image data of the spectral feature amount image to the abnormality determination processing unit 21a for the new determination target chromosome. The abnormality is determined using the neural network model constructed based on the normal or abnormal characteristic information.
図１２は、染色体異常判定装置１における、ニューラルネットワークモデル構築時の処理手順の一例を示すフローチャートである。
ニューラルネットワークモデル構築時には、判定処理装置１０の異常判定処理部２１ａは、染色体データ記憶装置１２に格納された異常サンプルデータベース１２ａ及び正常サンプルデータベース１２ｂを読み出し（ステップＳ２１）、異常サンプルデータベース１２ａ及び正常サンプルデータベース１２ｂに格納された異常時及び正常時の特徴情報に対して、個別に機械学習を行い、ニューラルネットワークモデルを構築する（ステップＳ２２）。そして、構築したニューラルネットワークモデルを所定の記憶領域に格納する。
FIG. 12 is a flowchart illustrating an example of a processing procedure when constructing a neural network model in the chromosome abnormality determination device 1.
At the time of constructing the neural network model, the abnormality determination processing unit 21a of the determination processing device 10 reads the abnormal sample database 12a and the normal sample database 12b stored in the chromosome data storage device 12 (step S21), and the abnormal sample database 12a and the normal sample are read. Machine learning is individually performed on the abnormal and normal feature information stored in the database 12b to construct a neural network model (step S22). The constructed neural network model is stored in a predetermined storage area.
図１３は、染色体異常判定装置１における、異常判定処理時の処理手順の一例を示すフローチャートである。
異常判定処理時には、まず、検査実施者は、染色体が見られる分裂中期の細胞が搭載されたスライドガラスを用意し、電動ステージ３上に載置する。これにより、電動ステージ３上のスライド上の判定対象の染色体が顕微鏡２で拡大され、イメージング分光器４によって分光されてスペクトルキューブデータとして、画像メモリ５に格納される（ステップＳ３１）。
FIG. 13 is a flowchart illustrating an example of a processing procedure during an abnormality determination process in the chromosome abnormality determination apparatus 1.
At the time of abnormality determination processing, first, the examiner prepares a slide glass on which metaphase cells in which chromosomes can be seen are mounted and places them on the electric stage 3. As a result, the chromosome to be determined on the slide on the electric stage 3 is magnified by the microscope 2 and dispersed by the imaging spectroscope 4 and stored in the image memory 5 as spectrum cube data (step S31).
続いて、画像メモリ５に格納されたスペクトルキューブデータに対して、スペクトル解析装置６でのスペクトル特徴量画像の抽出処理（ステップＳ３２）が行われる。スペクトル解析装置６でのスペクトル解析においてスペクトル特徴量画像として単波長画像を抽出する際の任意の波長等、スペクトル特徴量画像の抽出に必要な各種パラメータは予め設定されて所定の記憶領域に記憶されており、この記憶されている波長を用いてスペクトル特徴量画像の抽出を行う。 Subsequently, a spectrum feature image extraction process (step S32) is performed on the spectrum cube data stored in the image memory 5 by the spectrum analyzer 6. Various parameters necessary for extraction of the spectral feature amount image, such as an arbitrary wavelength when a single wavelength image is extracted as a spectral feature amount image in the spectral analysis by the spectral analysis device 6, are preset and stored in a predetermined storage area. The spectral feature image is extracted using the stored wavelength.
異常判定処理部２１ａでは、スペクトル解析装置６で抽出したスペクトル特徴量画像の画像データに基づき、予め構築されたニューラルネットワークモデルを用いて染色体の異常判定を行う（ステップＳ３３）。
異常判定結果表示処理部２３は、異常判定処理部２１ａでの異常判定結果を表示装置１３に表示し（ステップＳ３４）、さらにデータベース作成装置１１により、異常判定に用いた、スペクトル特徴量画像の画像データを異常判定による判定結果と対応付けて染色体データ記憶装置１２のデータベースに格納する（ステップＳ３５）。
The abnormality determination processing unit 21a performs chromosome abnormality determination using a neural network model constructed in advance based on the image data of the spectral feature amount image extracted by the spectrum analysis device 6 (step S33).
The abnormality determination result display processing unit 23 displays the abnormality determination result in the abnormality determination processing unit 21a on the display device 13 (step S34), and further the image of the spectral feature amount image used for abnormality determination by the database creation device 11. The data is stored in the database of the chromosome data storage device 12 in association with the determination result by the abnormality determination (step S35).
これにより、染色体の異常判定処理が終了する。
このように、第二実施形態における染色体異常判定装置１は、スペクトルキューブデータから取得したスペクトル特徴量画像に対し、ニューラルネットワークモデルを用いて異常判定を行うため、二次元画像のみでは得ることのできない特徴情報を利用して異常判定を行うことができる。そのため、第二実施形態における染色体異常判定装置１も、より多くの染色体の画像に対して染色体異常を自動判定することができ、使い勝手を向上させた染色体異常判定装置１を実現することができる。
Thus, the chromosome abnormality determination process is completed.
Thus, since the chromosome abnormality determination apparatus 1 in the second embodiment performs abnormality determination using the neural network model for the spectrum feature amount image acquired from the spectrum cube data, it cannot be obtained with only a two-dimensional image. Abnormality determination can be performed using feature information. Therefore, the chromosomal abnormality determination apparatus 1 in the second embodiment can also automatically determine chromosomal abnormality for more chromosome images, and can realize the chromosomal abnormality determination apparatus 1 with improved usability.
なお、第二実施形態では、異常サンプルデータベース１２ａ及び正常サンプルデータベース１２ｂに格納された異常時及び正常時の特徴情報に対して、個別に機械学習を行い、ニューラルネットワークモデルを構築する場合について説明したが、これに限るものではない。異常サンプルデータベース１２ａに格納された異常時の特徴情報、又は、正常サンプルデータベース１２ｂに格納された正常時の特徴情報の一方に対して機械学習を行い、異常時の特徴情報に基づくニューラルネットワークモデル又は正常時の特徴情報に基づくニューラルネットワークモデルを構築し、これに基づき染色体異常を判定するようにしてもよい。 In the second embodiment, a case has been described in which machine learning is individually performed on feature information at the time of abnormality and normality stored in the abnormality sample database 12a and the normal sample database 12b to construct a neural network model. However, it is not limited to this. A neural network model based on the abnormal feature information stored in the abnormal sample database 12a or the normal feature information stored in the normal sample database 12b by performing machine learning. A neural network model based on normal characteristic information may be constructed, and chromosomal abnormalities may be determined based on the neural network model.
次に、本発明の第三実施形態を説明する。
この第三実施形態は、図１に示す第一実施形態における染色体異常判定装置１において、画像解析装置７を省いたものであり、判定処理装置１０の構成が異なる。
図１４は、第三実施形態における判定処理装置１０の一例を示す機能ブロック図である。
第三実施形態における判定処理装置１０には、スペクトル解析装置６でのスペクトル解析により抽出されたスペクトル特徴量画像の画像データを直接入力される。
第三実施形態における判定処理装置１０は、異常判定処理部２１ｃと、異常判定結果表示処理部２３とを備える。
第三実施形態における染色体データ記憶装置１２には、スペクトル特徴量画像と、正常又は異常の判定結果とが対応付けられて、データベース作成装置１１を介して染色体データ記憶装置１２に格納される。
Next, a third embodiment of the present invention will be described.
In this third embodiment, the image analysis device 7 is omitted from the chromosome abnormality determination device 1 in the first embodiment shown in FIG. 1, and the configuration of the determination processing device 10 is different.
FIG. 14 is a functional block diagram illustrating an example of the determination processing device 10 according to the third embodiment.
In the determination processing device 10 according to the third embodiment, image data of a spectrum feature amount image extracted by spectrum analysis in the spectrum analysis device 6 is directly input.
The determination processing device 10 according to the third embodiment includes an abnormality determination processing unit 21c and an abnormality determination result display processing unit 23.
In the chromosome data storage device 12 in the third embodiment, the spectral feature amount image and the normal or abnormal determination result are associated with each other and stored in the chromosome data storage device 12 via the database creation device 11.
異常判定処理部２１ｃは、教師なし学習によるニューラルネットワークモデルを用いて、染色体の異常判定を行う。すなわち異常判定処理部２１ｃは、スペクトル解析装置６で抽出したスペクトル特徴量画像の画像データを含むデータベースを用いて機械学習させることにより、ニューラルネットワークモデルを構築する。そして、異常判定処理部２１ｃは、新たな判定対象の染色体について、スペクトル解析により抽出されたスペクトル特徴量画像の画像データが異常判定処理部２１ｃに入力され、異常判定処理部２１ｃでは、スペクトル特徴量画像の画像データに対し、構築したニューラルネットワークモデルを用いて異常判定を行う。 The abnormality determination processing unit 21c performs chromosome abnormality determination using a neural network model based on unsupervised learning. That is, the abnormality determination processing unit 21c constructs a neural network model by performing machine learning using a database including image data of spectral feature amount images extracted by the spectrum analysis device 6. Then, the abnormality determination processing unit 21c inputs the image data of the spectrum feature amount image extracted by the spectrum analysis for the new determination target chromosome to the abnormality determination processing unit 21c. In the abnormality determination processing unit 21c, the spectrum feature amount Abnormality judgment is performed on the image data of the image using the constructed neural network model.
なお、第三実施形態における染色体異常判定装置１において、モデル構築時の処理手順は基本的には図１２に示す第二実施形態におけるモデル構築時の処理手順と同様であるが、第三実施形態においては、ニューラルネットワークモデルを構築する際に（ステップＳ２２）、染色体データ記憶装置１２のデータベースに格納された異常時及び正常時のスペクトル特徴量画像の画像データを用いて機械学習を行い、ニューラルネットワークモデルを構築する。 In the chromosome abnormality determination device 1 in the third embodiment, the processing procedure at the time of model construction is basically the same as the processing procedure at the time of model construction in the second embodiment shown in FIG. 12, but the third embodiment In constructing a neural network model (step S22), machine learning is performed using image data of spectral feature amount images at the time of abnormality and normality stored in the database of the chromosome data storage device 12, and a neural network is constructed. Build a model.
また、第三実施形態における染色体異常判定装置１において、異常判定処理時における処理手順は基本的には図１３に示す第二実施形態における異常判定処理時の処理手順と同様であるが、第三実施形態においては、スペクトル解析（ステップＳ３２）を行う際に、それぞれ所定のスペクトル特徴量画像を抽出し、抽出した各スペクトル特徴量画像に対し、構築したニューラルネットワークモデルを用いて異常判定を行う。
このように、スペクトル解析により得たスペクトル特徴量画像の画像データに対しニューラルネットワークモデルを用いて異常判定を行うため、二次元画像のみでは得ることのできない特徴情報を利用して異常判定を行うことができる。そのため、この場合も、より多くの染色体の画像に対して染色体異常を自動判定することができ、染色体異常判定装置１の使い勝手を向上させることができる。
Further, in the chromosome abnormality determination device 1 in the third embodiment, the processing procedure at the time of abnormality determination processing is basically the same as the processing procedure at the time of abnormality determination processing in the second embodiment shown in FIG. In the embodiment, when spectrum analysis (step S32) is performed, predetermined spectral feature amount images are extracted, and abnormality determination is performed on each extracted spectral feature amount image using the constructed neural network model.
As described above, abnormality determination is performed using the neural network model for the image data of the spectral feature amount image obtained by the spectrum analysis, and thus abnormality determination is performed using feature information that cannot be obtained only by the two-dimensional image. Can do. Therefore, also in this case, chromosomal abnormality can be automatically determined with respect to more chromosome images, and usability of the chromosomal abnormality determination apparatus 1 can be improved.
なお、上記各実施形態において、染色液の種類や染色方法等によって、得られるスペクトルキューブデータの特性が異なる可能性がある。そのため、スペクトル特徴量画像として任意の波長の単波長画像を抽出する場合には、例えば、染色液の種類や染色方法毎に、単波長画像として最適な波長を、染色液の種類や染色方法等と対応付けて波長情報として記憶しておく。そして、新たな判定対象の染色体を染色させたときの染色液の種類や染色方法等を検査実施者が入力設定することで、予め記憶している波長情報の中から入力設定された染色液の種類や染色方法等に対応する波長を検索し、この波長を用いて単波長画像等を作成するようにしてもよい。このようにすることによって、染色液の種類や染色方法等によりスペクトルキューブデータの特性等が変化した場合でも、スペクトル特徴量画像をもとに処理を行う画像解析装置７での画像解析や、判定処理装置１０での異常判定に適した単波長画像を得ることができ、この単波長画像に基づき画像解析や異常判定を行うことにより、解析精度や判定精度を向上させることができる。 In each of the above embodiments, the characteristics of the obtained spectrum cube data may differ depending on the type of staining solution, the staining method, and the like. Therefore, when extracting a single wavelength image of an arbitrary wavelength as a spectral feature amount image, for example, for each type of staining liquid or staining method, an optimum wavelength as a single wavelength image, the type of staining liquid, the staining method, etc. And stored as wavelength information. Then, the examination practitioner inputs and sets the type of staining solution and the staining method when staining the new determination target chromosome, so that the staining solution input and set from the wavelength information stored in advance is set. A wavelength corresponding to the type and staining method may be searched, and a single wavelength image or the like may be created using this wavelength. In this way, even when the characteristics of the spectrum cube data change due to the type of staining liquid, the staining method, etc., image analysis and determination by the image analysis device 7 that performs processing based on the spectral feature amount image A single wavelength image suitable for abnormality determination in the processing apparatus 10 can be obtained, and by performing image analysis and abnormality determination based on the single wavelength image, analysis accuracy and determination accuracy can be improved.
また、上記実施形態においては、染色体異常判定装置１に染色体データ記憶装置１２を設け、染色体異常判定装置１において、染色体データ記憶装置１２に格納されたデータベースを用いて判定処理装置１０での判定処理内容を学習するようにしているが、これに限るものではない。例えば、染色体異常判定装置１とは別の装置において、ニューラルネットワークモデルを構築し、この構築したニューラルネットワークモデルを染色体異常判定装置１に搭載し、この搭載したニューラルネットワークモデルを用いて異常判定を行うようにしてもよい。 Further, in the above embodiment, the chromosome abnormality determination device 1 is provided with the chromosome data storage device 12, and the chromosome abnormality determination device 1 uses the database stored in the chromosome data storage device 12 to perform the determination processing in the determination processing device 10. The content is learned, but it is not limited to this. For example, in a device different from the chromosome abnormality determination device 1, a neural network model is constructed, the constructed neural network model is mounted on the chromosome abnormality determination device 1, and abnormality determination is performed using the installed neural network model. You may do it.
また、上記実施形態においては、モデル学習により異常判定処理のモデルを構築したり、ニューラルネットワークモデルを構築したりすることにより異常判定を行うようにした場合について説明したが、判定方法はどのような方法であってもよく、例えば、染色体データ記憶装置１２に格納したデータベースに含まれる正常時又は異常時の特徴情報と、判定対象の染色体から抽出した特徴情報とを直接比較することで、異常判定を行うようにしてもよい。 In the above embodiment, the case where abnormality determination is performed by constructing a model for abnormality determination processing by model learning or by constructing a neural network model has been described. The method may be, for example, an abnormality determination by directly comparing the normal or abnormal characteristic information included in the database stored in the chromosome data storage device 12 with the characteristic information extracted from the determination target chromosome. May be performed.
また、上記実施形態においては、染色体の反射光又は透過光を、イメージング分光器４を用いて多数の波長に分光してスペクトルキューブデータを取得する場合について説明したがこれに限るものではない。染色体の反射光又は透過光から、所定の単波長、所定の二波長、所定の三波長等、特定の波長のみを抽出して画像データを取得するようにしてもよく、スペクトル特徴量画像の取得に必要な最小限数の波長のみを抽出して画像データを取得するようにしてもよい。この場合、例えばプリズム等、光学系を利用して分光すればよく、また、フィルタを用いて所定の波長のみを抽出するようにしてもよい。また、例えば、Ｒ、Ｇ、Ｂに対応する波長のみを抽出するようにしてもよい。この場合には、Ｒ、Ｇ、Ｂに対応する波長のみを抽出するフィルタを備えたイメージセンサを設けることで、ＲＧＢに対応する波長のみを抽出するようにしてもよい。 Moreover, although the said embodiment demonstrated the case where the reflected light or transmitted light of a chromosome was disperse | distributed to many wavelengths using the imaging spectroscope 4, and spectrum cube data were acquired, it does not restrict to this. Image data may be acquired by extracting only a specific wavelength, such as a predetermined single wavelength, a predetermined two wavelengths, a predetermined three wavelengths, etc. from the reflected light or transmitted light of a chromosome, or acquisition of a spectral feature amount image The image data may be acquired by extracting only the minimum number of wavelengths necessary for the image processing. In this case, for example, the light may be separated using an optical system such as a prism, or only a predetermined wavelength may be extracted using a filter. In addition, for example, only wavelengths corresponding to R, G, and B may be extracted. In this case, only the wavelength corresponding to RGB may be extracted by providing an image sensor including a filter that extracts only the wavelengths corresponding to R, G, and B.
図１６に、フィルタを用いてスペクトル特徴量画像の取得に必要な波長のみを抽出して画像データを取得するようにした染色体異常判定装置１ａの概略構成の一例を示す。
すなわち、染色体異常判定装置１ａは、図１に示す染色体異常判定装置１において、イメージング分光器４に代えて、モノクロカメラ１４と、モノクロカメラ１４に設けられた特定波長のみを透過する特性を有するフィルタ１５とを備える。このような構成とすることによって、染色体の反射光又は透過光から特定波長のみを抽出した画像データを取得することができる。
FIG. 16 shows an example of a schematic configuration of a chromosome abnormality determining apparatus 1a that uses a filter to extract only the wavelengths necessary for acquiring a spectral feature amount image and acquire image data.
That is, the chromosome abnormality determination device 1a is a filter having the characteristic of transmitting only the specific wavelength provided in the monochrome camera 14 and the monochrome camera 14 instead of the imaging spectroscope 4 in the chromosome abnormality determination device 1 shown in FIG. 15. By setting it as such a structure, the image data which extracted only the specific wavelength from the reflected light or transmitted light of a chromosome can be acquired.
なお、このように、任意の波長の画像データを取得して、ニューラルネットワークモデルを用いて染色体の異常判定を行う場合には、抽出した波長に対応したニューラルネットワークモデルを構築して異常判定を行うようにすればよい。
なお、本発明の範囲は、図示され記載された例示的な実施形態に限定されるものではなく、本発明が目的とするものと均等な効果をもたらす全ての実施形態をも含む。さらに、本発明の範囲は、全ての開示されたそれぞれの特徴のうち特定の特徴のあらゆる所望する組み合わせによって画され得る。
As described above, when image data of an arbitrary wavelength is acquired and chromosome abnormality determination is performed using a neural network model, a neural network model corresponding to the extracted wavelength is constructed and abnormality determination is performed. What should I do?
It should be noted that the scope of the present invention is not limited to the illustrated and described exemplary embodiments, but includes all embodiments that provide the same effects as those intended by the present invention. Further, the scope of the invention can be defined by any desired combination of specific features among all the disclosed features.
１、１ａ 染色体異常判定装置
２ 顕微鏡
４ イメージング分光器
５ 画像メモリ
６ スペクトル解析装置
７ 画像解析装置
１０ 判定処理装置
１１ データベース作成装置
１２ 染色体データ記憶装置
１３ 表示装置
１４ モノクロカメラ
１５ フィルタ
DESCRIPTION OF SYMBOLS 1, 1a Chromosome abnormality determination apparatus 2 Microscope 4 Imaging spectroscope 5 Image memory 6 Spectrum analysis apparatus 7 Image analysis apparatus 10 Judgment processing apparatus 11 Database preparation apparatus 12 Chromosome data storage apparatus 13 Display apparatus 14 Monochrome camera 15 Filter
Claims (8)
判定対象の染色体の前記スペクトルキューブデータを取得するデータ取得部と、
を有し、
前記スペクトルキューブデータは染色された染色体を透過又は反射した光の前記染色体上の各点における分光スペクトルであって、
前記異常判定処理部は、
前記データ取得部により取得された前記判定対象の染色体の前記スペクトルキューブデータに含まれる前記特徴情報を入力し、当該特徴情報を用いて前記判定対象の染色体に対する前記異常判定処理を実行することを特徴とする染色体異常判定装置。 An abnormality determination processing unit that executes an abnormality determination process constructed using feature information representing the characteristics of the chromosome included in spectrum cube data acquired from at least one of an abnormal chromosome and a normal chromosome, and
A data acquisition unit for acquiring the spectrum cube data of the chromosome to be determined;
Have
The spectrum cube data is a spectral spectrum at each point on the chromosome of light transmitted or reflected through a stained chromosome,
The abnormality determination processing unit
The feature information included in the spectrum cube data of the determination target chromosome acquired by the data acquisition unit is input, and the abnormality determination process for the determination target chromosome is executed using the feature information. Chromosome abnormality determination device.
前記異常判定処理として、前記判定対象の染色体の前記スペクトルキューブデータに含まれる前記特徴情報と、異常な染色体及び正常な染色体のうちの少なくとも一方の前記スペクトルキューブデータに含まれる前記特徴情報とを照合する処理を実行することを特徴とする請求項１に記載の染色体異常判定装置。 The abnormality determination processing unit
As the abnormality determination process, the feature information included in the spectrum cube data of the determination target chromosome is collated with the feature information included in the spectrum cube data of at least one of an abnormal chromosome and a normal chromosome. The chromosomal abnormality determination apparatus according to claim 1, wherein a process for performing the determination is executed.
前記異常判定処理として、前記異常な染色体及び正常な染色体のうちの少なくとも一方の前記スペクトルキューブデータに含まれる前記特徴情報と当該特徴情報を有する染色体が正常であるか否かを表す情報とに基づき決定される異常判定パラメータを用いてモデル学習を行うことにより構築された処理を実行することを特徴とする請求項１に記載の染色体異常判定装置。 The abnormality determination processing unit
As the abnormality determination process, based on the feature information included in the spectrum cube data of at least one of the abnormal chromosome and the normal chromosome and information indicating whether or not the chromosome having the feature information is normal The chromosome abnormality determination device according to claim 1, wherein a process constructed by performing model learning using the determined abnormality determination parameter is executed.
前記異常判定処理として、異常な染色体の前記スペクトルキューブデータに含まれる前記特徴情報を複数含む特徴情報群と、正常な染色体の前記スペクトルキューブデータに含まれる前記特徴情報を複数含む特徴情報群とに対して個別に機械学習を行うことで構築されたニューラルネットワークモデルを用いた処理を実行することを特徴とする請求項１に記載の染色体異常判定装置。 The abnormality determination processing unit
As the abnormality determination process, a feature information group including a plurality of the feature information included in the spectrum cube data of an abnormal chromosome and a feature information group including a plurality of the feature information included in the spectrum cube data of a normal chromosome The chromosome abnormality determination device according to claim 1, wherein processing using a neural network model constructed by individually performing machine learning is executed.
異常な染色体及び正常な染色体のうちの少なくとも一方の前記スペクトルキューブデータに含まれる前記特徴情報と当該特徴情報を有する染色体が正常であるか否かを表す情報とに対して機械学習を行うことで構築されたニューラルネットワークモデルを用いた処理を実行することを特徴とする請求項１に記載の染色体異常判定装置。 The abnormality determination processing unit
By performing machine learning on the feature information included in the spectrum cube data of at least one of an abnormal chromosome and a normal chromosome and information indicating whether or not the chromosome having the feature information is normal The chromosomal abnormality determination device according to claim 1, wherein a process using the constructed neural network model is executed.
前記異常判定処理部に入力された前記特徴情報と当該特徴情報に対する前記異常判定処理部での判定結果とを前記データベースに格納するデータベース作成部を備えることを特徴とする請求項１から請求項６のいずれか一項に記載の染色体異常判定装置。 A database in which the feature information included in the spectrum cube data of at least one of an abnormal chromosome and a normal chromosome and information indicating whether the chromosome having the feature information is abnormal;
The database creation part which stores the said feature information input into the said abnormality determination process part and the determination result in the said abnormality determination process part with respect to the said feature information in the said database is provided. The chromosome abnormality determination apparatus as described in any one of these.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017064975 | 2017-03-29 | ||
| JP2017064975 | 2017-03-29 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2018169390A true JP2018169390A (en) | 2018-11-01 |
| JP2018169390A5 JP2018169390A5 (en) | 2019-04-11 |
| JP6669796B2 JP6669796B2 (en) | 2020-03-18 |
Family
ID=64020100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018050623A Active JP6669796B2 (en) | 2017-03-29 | 2018-03-19 | Chromosome abnormality determination device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6669796B2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020009402A (en) * | 2018-07-06 | 2020-01-16 | タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ | Method and system for automatic chromosome classification |
| WO2020054080A1 (en) * | 2018-09-12 | 2020-03-19 | Ｊｆｅテクノリサーチ株式会社 | Chromosomal abnormality identification device, chromosomal abnormality identification system, measurement device, and analysis device |
| JP2021531812A (en) * | 2019-02-21 | 2021-11-25 | 中國醫藥大學附設醫院China Medical University Hospital | Chromosome abnormality test model, its test system and chromosomal abnormality test method |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03123860A (en) * | 1989-10-06 | 1991-05-27 | Sumitomo Metal Ind Ltd | Chromosome inspecting device |
| JPH11500832A (en) * | 1995-12-12 | 1999-01-19 | スペクトラル ダイアグノスティック リミテッド | Spectroscopic biological imaging, fluorescence hybridization and cell classification methods for biological research, medical diagnosis and therapy |
| US20110058177A1 (en) * | 2008-02-27 | 2011-03-10 | Rudolf Kessler | Marker-free chromosome screening |
| JP2016507059A (en) * | 2013-02-06 | 2016-03-07 | アレンティック マイクロサイエンス インコーポレイテッド | Detecting and using light representative of the sample |
| JP2016070698A (en) * | 2014-09-26 | 2016-05-09 | 富士フイルム株式会社 | Method for sorting nucleated red blood cell |
-
2018
- 2018-03-19 JP JP2018050623A patent/JP6669796B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03123860A (en) * | 1989-10-06 | 1991-05-27 | Sumitomo Metal Ind Ltd | Chromosome inspecting device |
| JPH11500832A (en) * | 1995-12-12 | 1999-01-19 | スペクトラル ダイアグノスティック リミテッド | Spectroscopic biological imaging, fluorescence hybridization and cell classification methods for biological research, medical diagnosis and therapy |
| US20110058177A1 (en) * | 2008-02-27 | 2011-03-10 | Rudolf Kessler | Marker-free chromosome screening |
| JP2016507059A (en) * | 2013-02-06 | 2016-03-07 | アレンティック マイクロサイエンス インコーポレイテッド | Detecting and using light representative of the sample |
| JP2016070698A (en) * | 2014-09-26 | 2016-05-09 | 富士フイルム株式会社 | Method for sorting nucleated red blood cell |
Non-Patent Citations (1)
| Title |
|---|
| "１９ 染色体", 遺伝子, vol. 第８版, JPN7019003085, 19 January 2006 (2006-01-19), JP, pages 492 - 511, ISSN: 0004213223 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020009402A (en) * | 2018-07-06 | 2020-01-16 | タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ | Method and system for automatic chromosome classification |
| WO2020054080A1 (en) * | 2018-09-12 | 2020-03-19 | Ｊｆｅテクノリサーチ株式会社 | Chromosomal abnormality identification device, chromosomal abnormality identification system, measurement device, and analysis device |
| JP2020039312A (en) * | 2018-09-12 | 2020-03-19 | Ｊｆｅテクノリサーチ株式会社 | Chromosomal abnormality determination system, measurement device and analyzer |
| JP2021531812A (en) * | 2019-02-21 | 2021-11-25 | 中國醫藥大學附設醫院China Medical University Hospital | Chromosome abnormality test model, its test system and chromosomal abnormality test method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6669796B2 (en) | 2020-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10395368B2 (en) | Methods and systems for assessing histological stains | |
| CN105021529B (en) | Fusion spectrum and the crop disease and insect of image information identify and distinguish between method | |
| US9002077B2 (en) | Visualization of stained samples | |
| DE60316113T2 (en) | METHOD FOR QUANTITATIVE VIDEO MICROSCOPY AND DEVICE AND COMPUTER PROGRAM FOR IMPLEMENTING THE PROCESS | |
| DE3689856T2 (en) | ANALYSIS METHOD AND DEVICE FOR BIOLOGICAL SPECIMES. | |
| US8649580B2 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
| Li et al. | AOTF based molecular hyperspectral imaging system and its applications on nerve morphometry | |
| JP5185151B2 (en) | Microscope observation system | |
| CN108885681A (en) | For assessing the method and system of cellular morphology | |
| JP2006526783A (en) | Color separation and detection of areas of interest in tissue samples | |
| CN102177435A (en) | Histopathologic diagnosis support system, histopathologic diagnosis support program, and histopathologic diagnosis support method | |
| JP6669796B2 (en) | Chromosome abnormality determination device | |
| JP6392476B1 (en) | Biological tissue analysis apparatus and biological tissue analysis program | |
| US20090110273A1 (en) | Image Processing Device and Image Processing Program | |
| CN108352062A (en) | Method and apparatus for tissue identification | |
| JP5137481B2 (en) | Image processing apparatus, image processing program, and image processing method | |
| KR20200100062A (en) | Histological image analysis | |
| EP2927684B1 (en) | Image measuring device and image measuring method | |
| Pohling et al. | Multiplex coherent anti-Stokes Raman scattering microspectroscopy of brain tissue with higher ranking data classification for biomedical imaging | |
| PP et al. | Automated quality assessment of cocoons using a smart camera based system | |
| Jasinska et al. | An alternative instrumental method for fabric pilling evaluation based on computer image analysis | |
| JP6637132B1 (en) | Chromosome abnormality determination system, measurement device, and analysis device | |
| Septiana et al. | Elastic and collagen fibers discriminant analysis using H&E stained hyperspectral images | |
| Li et al. | Methyl green and nitrotetrazolium blue chloride co-expression in colon tissue: A hyperspectral microscopic imaging analysis | |
| RU2462195C2 (en) | Method of examination and diagnostics of condition of biological object or its part |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190227 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190610 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20190610 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20190610 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190830 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190830 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20191121 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191203 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200131 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200218 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200227 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6669796 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |