JP2019529882A5 - - Google Patents

Description

上述のことは、他の特徴及び実施形態と共に、以下の明細書、特許請求の範囲、及び図面を参照するとより明らかになるであろう。
本発明は、例えば、以下を提供する。
（項目１）
生体試料中の粒子の分類を決定する方法であって、前記方法は、
前記粒子の画像を取得することと、
プロセッサシステムにおいて前記粒子の前記画像を受信することと、
非一時的なコンピュータ可読媒体上に記憶されたコンピュータ実行可能コードを前記プロセッサシステムを使用して実行することと
を含み、
前記コンピュータ実行可能コードは、命令を含み、前記命令は、前記プロセッサシステム上で実行されると、
抽出ルーチンを遂行することであって、前記抽出ルーチンは、前記画像の画素の内容及び位置に基づいて前記画像から複数の特徴を抽出することを含み、前記抽出することは、
第１のマスクを前記画像に適用すること、
前記第１のマスクを適用することに基づいて前記画像から第１の組の画素を取得すること、及び
前記第１の組の画素から前記複数の特徴を決定すること
を含む、ことと、
前記抽出された特徴のサブセットを選択することと、
マッピングルーチンを遂行することであって、前記マッピングルーチンは、前記抽出された特徴の前記サブセットを分類機アーキテクチャにマッピングすることを含み、前記マッピングすることは、
前記抽出された特徴の前記サブセットを以前記憶されたデータセットと比較するために第１のレベルモデルを使用すること、
前記抽出された特徴の前記サブセットと前記以前記憶されたデータセットとの前記比較に基づいて予備分類を同定すること、
前記第１のレベルモデルを使用して前記予備分類が正しい確率値を算出すること、及び
前記確率値が閾値以上であるとき、前記予備分類に基づいて前記分類を決定すること
を含む、ことと
を前記プロセッサシステムに行わせる、方法。
（項目２）
前記抽出することは、第２の組の画素を取得するために第２のマスクを前記画像に適用することを含む、項目１に記載の方法。
（項目３）
前記第１のマスク及び前記第２のマスクは、円形又はリング形状である、項目２に記載の方法。
（項目４）
前記異なるマスクの適用は、異なる画素を明らかにする、項目２又は３に記載の方法。
（項目５）
前記第１のマスク及び前記第２のマスクは、所定の順序で適用される、項目２〜４のいずれか一項に記載の方法。
（項目６）
前記抽出することは、前記第１の組の画素を群へとクラスタ化することを含む、項目１〜５のいずれか一項に記載の方法。
（項目７）
前記抽出することは、前記クラスタ化された画素群からカラーパレットを作成することを含む、項目６に記載の方法。
（項目８）
前記抽出することは、前記カラーパレットに部分的に基づいて前記画像のラベルを決定することを含む、項目７に記載の方法。
（項目９）
前記抽出することは、前記画像をマスクサイズに正規化することを含む、項目１〜８のいずれか一項に記載の方法。
（項目１０）
前記抽出することは、前記第１のマスクを単位大きさに正規化することを含む、項目１〜９のいずれか一項に記載の方法。
（項目１１）
前記抽出することは、赤色緑色青色（ＲＧＢ）色相彩度値（ＨＳＶ）、色相彩度明度（ＨＳＬ）、又は色相彩度明度（ＨＳＢ）を含む選択された色空間を使用することを含む、項目１〜１０のいずれか一項に記載の方法。
（項目１２）
前記抽出された特徴の前記選択されたサブセットは、訓練特徴、検証特徴、又はテスト特徴を含む、項目１〜１１のいずれか一項に記載の方法。
（項目１３）
前記抽出された特徴の前記サブセットは、カスケード分類機アーキテクチャにマッピングされる、項目１〜１２のいずれか一項に記載の方法。
（項目１４）
前記第１のレベルモデルは、機械学習モデルである、項目１〜１３のいずれか一項に記載の方法。
（項目１５）
前記マッピングすることは更に、
前記確率値が前記閾値未満であるとき、前記粒子分類を決定するために第２のレベルモデルを使用することを含む、項目１〜１４のいずれか一項に記載の方法。
（項目１６）
前記第２のレベルモデルは、機械学習モデルである、項目１５に記載の方法。
（項目１７）
前記第２のレベルモデルを使用することは、
前記確率値を前記第２のレベルモデルで受信することと、
粒子カテゴリに関する分類性能に従ってソートされた値のリストを作成することと、
第２のレベルの確率値を作成するために前記確率値と前記ソートされたリストとを組み合わせることと、
前記粒子分類を決定するために前記第１のレベルの確率値と前記第２のレベルの確率値とを使用することとを更に含む、項目１５又は１６に記載の方法。
（項目１８）
前記粒子は、好中球、リンパ球、単球、好酸球、好塩基球、未成熟白血球、網状赤血球、有核赤血球、赤血球、上皮細胞、細菌、酵母、又は寄生虫からなる群から選択されるメンバーを含む、項目１〜１７のいずれか一項に記載の方法。
（項目１９）
生体試料中の粒子の分類を決定するシステムであって、前記システムは、
プロセッサ及び前記プロセッサに連結されたコンピュータ可読記憶媒体を含み、前記コンピュータ可読記憶媒体は、
前記粒子の画像を取得することと、
前記画像の画素の内容及び位置に基づいて前記画像から複数の特徴を抽出することであって、前記抽出することは、
第１のマスクを前記画像に適用すること、
前記第１のマスクを適用することに基づいて前記画像から第１の組の画素を取得すること、及び
前記第１の組の画素から前記複数の特徴を決定すること
を含む、ことと、
前記抽出された特徴のサブセットを選択することと、
前記抽出された特徴の前記サブセットを分類機アーキテクチャにマッピングすることであって、前記マッピングすることは、
前記抽出された特徴の前記サブセットを以前記憶されたデータセットと比較するために第１のレベルモデルを使用すること、
前記抽出された特徴の前記サブセットと前記以前記憶されたデータセットとの前記比較に基づいて予備分類を同定すること、
前記第１のレベルモデルを使用して前記予備分類が正しい確率値を算出すること、及び
前記確率値が閾値以上であるとき、前記予備分類に基づいて前記分類を決定すること
を含む、ことと
を含む方法を実装するための前記プロセッサによって実行可能なコードを含む、システム。
（項目２０）
前記システムは、デジタル顕微鏡カメラを使用する、項目１９に記載のシステム。
（項目２１）
抽出された特徴のサブセットを分類機アーキテクチャにマッピングすることによって生体試料中の粒子の分類を決定する方法であって、前記マッピングすることは、
前記抽出された特徴のサブセットを以前記憶されたデータセットと比較するために第１のレベルの機械学習モデルを使用することであって、前記抽出された特徴は画像から抽出される、使用することと、
前記第１のレベルの機械学習モデルを使用して確率値を算出することと、
前記確率値を所定の比較表と比較することと、
前記確率値が閾値以上である場合、粒子分類を決定することと、
前記確率値が前記閾値未満である場合、第２のレベルの機械学習モデルを使用することと、
前記第２のレベルの機械学習モデルを使用して粒子カテゴリに関する分類性能に従って昇順にソートされた値のリストを作成することと、
第２のレベルのスコアを作成するために前記確率値と前記ソートされた値のリストとを組み合わせることと、
粒子分類を決定するために前記第２のレベルのスコアを使用することと、を含む、方法。
（項目２２）
生体試料中の粒子の分類を決定する方法であって、前記方法は、
前記粒子の画像を取得することと、
前記画像の画素の内容及び位置に基づいて前記画像から複数の特徴を抽出することであって、前記抽出することは、
第１のマスクを前記画像に適用すること、
前記第１のマスクを適用することに基づいて前記画像から第１の組の画素を取得すること、及び
前記第１の組の画素から前記複数の特徴を決定すること
を含む、ことと、
前記抽出された特徴のサブセットを選択することと、
前記抽出された特徴の前記サブセットを分類機アーキテクチャにマッピングすることであって、前記マッピングすることは、
前記抽出された特徴の前記サブセットを以前記憶されたデータセットと比較するために第１のレベルモデルを使用すること、
前記抽出された特徴の前記サブセットと前記以前記憶されたデータセットとの前記比較に基づいて予備分類を同定すること、
前記第１のレベルモデルを使用して前記予備分類が正しい確率値を算出すること、及び
前記確率値が閾値以上であるとき、前記予備分類に基づいて前記分類を決定すること
を含む、ことと
を含む、方法。
（項目２３）
前記抽出することは、第２の組の画素を取得するために第２のマスクを前記画像に適用することを含む、項目２２に記載の方法。
（項目２４）
前記第１のマスク及び前記第２のマスクは、円形又はリング形状である、項目２３に記載の方法。
（項目２５）
前記異なるマスクの適用は、異なる画素を明らかにする、項目２３又は２４に記載の方法。
（項目２６）
前記第１のマスク及び前記第２のマスクは、所定の順序で適用される、項目２３〜２５のいずれか一項に記載の方法。
（項目２７）
前記抽出することは、前記第１の組の画素を群へとクラスタ化することを含む、項目２２〜２６のいずれか一項に記載の方法。
（項目２８）
前記抽出することは、前記クラスタ化された画素群からカラーパレットを作成することを含む、項目２７に記載の方法。
（項目２９）
前記抽出することは、前記カラーパレットに部分的に基づいて前記画像のラベルを決定することを含む、項目２８に記載の方法。
（項目３０）
前記抽出することは、前記画像をマスクサイズに正規化することを含む、項目２２〜２９のいずれか一項に記載の方法。
（項目３１）
前記抽出することは、前記第１のマスクを単位大きさに正規化することを含む、項目２２〜３０のいずれか一項に記載の方法。
（項目３２）
前記抽出することは、赤色緑色青色（ＲＧＢ）色相彩度値（ＨＳＶ）、色相彩度明度（ＨＳＬ）、又は色相彩度明度（ＨＳＢ）を含む選択された色空間を使用することを含む、項目２２〜３１のいずれか一項に記載の方法。
（項目３３）
前記抽出された特徴の前記選択されたサブセットは、訓練特徴、検証特徴、又はテスト特徴を含む、項目２２〜３２のいずれか一項に記載の方法。
（項目３４）
前記抽出された特徴の前記サブセットは、カスケード分類機アーキテクチャにマッピングされる、項目２２〜３３のいずれか一項に記載の方法。
（項目３５）
前記第１のレベルモデルは、機械学習モデルである、項目２２〜３４のいずれか一項に記載の方法。
（項目３６）
前記マッピングすることは、
前記確率値が前記閾値未満であるとき、前記粒子分類を決定するために第２のレベルモデルを使用することを更に含む、項目２２〜３５のいずれか一項に記載の方法。
（項目３７）
前記第２のレベルモデルは、機械学習モデルである、項目３６に記載の方法。
（項目３８）
前記第２のレベルモデルを使用することは、
前記確率値を前記第２のレベルモデルで受信することと、
粒子カテゴリに関する分類性能に従ってソートされた値のリストを作成することと、
第２のレベルの確率値を作成するために前記確率値と前記ソートされたリストとを組み合わせることと、
前記粒子分類を決定するために前記第１のレベルの確率値と前記第２のレベルの確率値とを使用することと
を更に含む、項目３６又は３７に記載の方法。
（項目３９）
前記粒子は、好中球、リンパ球、単球、好酸球、好塩基球、未成熟白血球、網状赤血球、有核赤血球、赤血球、上皮細胞、細菌、酵母、又は寄生虫からなる群から選択されるメンバーを含む、項目２２〜３８のいずれか一項に記載の方法。
（項目４０）
前記コンピュータ可読記憶媒体は、項目１〜１８のいずれか１つの方法を実装するための前記プロセッサによって実行可能なコードを含む、項目１９又は２０に記載のシステム。
（項目４１）
１つ以上のプロセッサによって実行可能なプログラム命令を含む非一時的コンピュータ可読記憶媒体であって、前記プログラム命令は、実行されると、前記１つ以上のプロセッサに動作を遂行させ、前記動作は、項目１〜１８のいずれか一項に記載の方法を含む、非一時的コンピュータ可読記憶媒体。

Claims (19)

1. 生体試料中の粒子の分類を決定する方法であって、前記方法は、
   前記粒子の画像を取得することと、
   プロセッサシステムにおいて前記粒子の前記画像を受信することと、
   非一時的なコンピュータ可読媒体上に記憶されたコンピュータ実行可能コードを前記プロセッサシステムを使用して実行することと
   を含み、
   前記コンピュータ実行可能コードは、命令を含み、前記命令は、前記プロセッサシステム上で実行されると、
   抽出ルーチンを遂行することであって、前記抽出ルーチンは、前記画像の画素の内容および位置に基づいて前記画像から複数の特徴を抽出することを含み、前記抽出することは、
   第１のマスクを前記画像に適用すること、
   前記第１のマスクを適用することに基づいて前記画像から第１の組の画素を取得すること、および
   前記第１の組の画素から前記複数の特徴を決定すること
   を含む、ことと、
   前記抽出された特徴のサブセットを選択することと、
   マッピングルーチンを遂行することであって、前記マッピングルーチンは、前記抽出された特徴の前記サブセットを分類機アーキテクチャにマッピングすることを含み、前記マッピングすることは、
   前記抽出された特徴の前記サブセットを以前記憶されたデータセットと比較するために第１のレベルモデルを使用すること、
   前記抽出された特徴の前記サブセットと前記以前記憶されたデータセットとの前記比較に基づいて予備分類を同定すること、
   前記第１のレベルモデルを使用して前記予備分類が正しい確率値を算出すること、および
   前記確率値が閾値以上であるとき、前記予備分類に基づいて前記分類を決定すること
   を含む、ことと
   を前記プロセッサシステムに行わせる、方法。
2. 前記抽出することは、第２の組の画素を取得するために第２のマスクを前記画像に適用することを含む、請求項１に記載の方法。
3. 前記第１のマスクおよび前記第２のマスクは、円形またはリング形状である、請求項２に記載の方法。
4. 前記異なるマスクの適用は、異なる画素を明らかにする、請求項２に記載の方法。
5. 前記第１のマスクおよび前記第２のマスクは、所定の順序またはその組み合わせで適用される、請求項２に記載の方法。
6. 前記抽出することは、前記第１の組の画素を群へとクラスタ化すること、前記クラスタ化された画素群からカラーパレットを作成すること、前記カラーパレットに部分的に基づいて前記画像のラベルを決定すること、またはその任意の組み合わせを含む、請求項１に記載の方法。
7. 前記抽出することは、前記画像をマスクサイズに正規化することを含む、請求項１に記載の方法。
8. 前記抽出することは、前記第１のマスクを単位大きさに正規化すること、赤色緑色青色（ＲＧＢ）色相彩度値（ＨＳＶ）、色相彩度明度（ＨＳＬ）、または色相彩度明度（ＨＳＢ）を含む選択された色空間を使用すること、またはその任意の組み合わせを含む、請求項１に記載の方法。
9. 前記抽出された特徴の前記サブセットは、訓練特徴、検証特徴、またはテスト特徴を含む、請求項１に記載の方法。
10. 前記抽出された特徴の前記サブセットは、カスケード分類機アーキテクチャにマッピングされる、請求項１に記載の方法。
11. 前記第１のレベルモデルは、機械学習モデルである、請求項１に記載の方法。
12. 前記マッピングすることは更に、
    前記確率値が前記閾値未満であるとき、前記粒子分類を決定するために第２のレベルモデルを使用することを含む、請求項１に記載の方法。
13. 前記第２のレベルモデルは、機械学習モデルである、請求項１２に記載の方法。
14. 前記第２のレベルモデルを使用することは、
    前記確率値を前記第２のレベルモデルで受信することと、
    粒子カテゴリに関する分類性能に従ってソートされた値のリストを作成することと、
    第２のレベルの確率値を作成するために前記確率値と前記ソートされたリストとを組み合わせることと、
    前記粒子分類を決定するために前記第１のレベルの確率値と前記第２のレベルの確率値とを使用することと
    を更に含む、請求項１２に記載の方法。
15. 前記粒子は、好中球、リンパ球、単球、好酸球、好塩基球、未成熟白血球、網状赤血球、有核赤血球、赤血球、上皮細胞、細菌、酵母、または寄生虫からなる群から選択されるメンバーを含む、請求項１に記載の方法。
16. 前記方法は、デジタル顕微鏡カメラを使用する、請求項１に記載の方法。
17. 生体試料中の粒子の分類を決定するシステムであって、前記システムは、
    プロセッサおよび前記プロセッサに連結されたコンピュータ可読記憶媒体を含み、前記コンピュータ可読記憶媒体は、請求項１に記載の方法を実装するための前記プロセッサによって実行可能なコードを含む、システム。
18. 前記システムは、デジタル顕微鏡カメラを使用する、請求項１７に記載のシステム。
19. １つ以上のプロセッサによって実行可能なプログラム命令を含む非一時的コンピュータ可読記憶媒体であって、前記プログラム命令は、実行されると、前記１つ以上のプロセッサに動作を遂行させ、前記動作は、請求項１に記載の方法を含む、非一時的コンピュータ可読記憶媒体。