JP2021039544A - 学習装置、学習方法、細胞判別装置、細胞判別方法、細胞判別学習プログラムおよび細胞判別プログラム - Google Patents
学習装置、学習方法、細胞判別装置、細胞判別方法、細胞判別学習プログラムおよび細胞判別プログラム Download PDFInfo
- Publication number
- JP2021039544A JP2021039544A JP2019160467A JP2019160467A JP2021039544A JP 2021039544 A JP2021039544 A JP 2021039544A JP 2019160467 A JP2019160467 A JP 2019160467A JP 2019160467 A JP2019160467 A JP 2019160467A JP 2021039544 A JP2021039544 A JP 2021039544A
- Authority
- JP
- Japan
- Prior art keywords
- cell
- discrimination
- cells
- data
- learning
- 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
- 238000000034 method Methods 0.000 title claims description 24
- 238000012850 discrimination method Methods 0.000 title claims description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 210000004027 cell Anatomy 0.000 claims description 291
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000012503 blood component Substances 0.000 claims description 3
- 238000013479 data entry Methods 0.000 claims 1
- 210000000265 leukocyte Anatomy 0.000 description 15
- 239000002609 medium Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 102000011782 Keratins Human genes 0.000 description 6
- 108010076876 Keratins Proteins 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- FWBHETKCLVMNFS-UHFFFAOYSA-N 4',6-Diamino-2-phenylindol Chemical compound C1=CC(C(=N)N)=CC=C1C1=CC2=CC=C(C(N)=N)C=C2N1 FWBHETKCLVMNFS-UHFFFAOYSA-N 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000003850 cellular structure Anatomy 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000002073 fluorescence micrograph Methods 0.000 description 4
- 101000738771 Homo sapiens Receptor-type tyrosine-protein phosphatase C Proteins 0.000 description 3
- 102100037422 Receptor-type tyrosine-protein phosphatase C Human genes 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 210000003743 erythrocyte Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102000007469 Actins Human genes 0.000 description 1
- 108010085238 Actins Proteins 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000002612 dispersion medium Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003125 immunofluorescent labeling Methods 0.000 description 1
- 238000012744 immunostaining Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012758 nuclear staining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
以下、本発明の一実施形態について詳細に説明する。図1は、本実施形態に係る細胞判別装置1の概略構成の一例を示す機能ブロック図である。細胞判別装置1は、入力部10、主制御部20および表示部30を備えている。主制御部20には、判別部40、学習モデル50、学習部60および判別結果出力部70を備えている。判別部40は、第1判別部41および第2判別部42を備えている。また、学習部60は、細胞判別に用いられる学習済モデルを構築する学習装置として機能し、第1学習部61、第2学習部62および教師データ生成部63を備えている。学習モデル50には、第1学習済モデル51および第2学習済モデル52が含まれている。
入力部10は、判別対象となる画像の入力を受け付けるものである。入力部10は、記憶媒体に記憶されたデータファイルを読み込むこと、または、有線または無線のネットワークを介して他の装置から画像を受信することによって、上述した画像の入力を受け付ける。入力部10は、受け付けた画像データを、主制御部20に送信する。
画像データは、分析試料中の細胞を撮像して得られた画像である。なお、細胞の撮像は、個々の細胞を一つずつ撮像したものに限らず、多数の細胞をアレイ上に整列させてアレイ全体またはその一部を撮像し、撮像後に画像を分割したものであってもよい。とりわけ、網羅的に処理して後で分割して個々の細胞画像を取得する場合には、細胞が含まれていない区画またはウェルを撮像した画像の比率が高くなる。以上から、画像としては、細胞の画像と、細胞以外の画像とに大別される。
第1判別部41において用いられる第1学習済モデル51は、細胞判別装置1に入力された画像を入力とし、当該画像が細胞を示すものであるか、非細胞を示すものであるかのそれぞれの確率値を出力とする学習済モデルである。後述する通り、第1学習済モデル51は、第1の教師データを用いた機械学習により第1学習部61において構築される。
教師データ生成部63は、教師データ生成用に入力された画像データから、第1の教師データおよび第2の教師データを生成する。詳細には、教師データ生成用に入力される画像データは、予め、その画像データが、複数種類の細胞のうちの何れのものであるか、または非細胞であるかの情報と関連付けがなされている。教師データ生成部63は、画像データに関連付けされた当該情報を参照して、第1の教師データおよび第2の教師データを生成する。画像データと当該情報との関連付けは、画像データと当該情報との対応関係を示すテーブルである第1のテーブルを作成しておき、画像データとともに当該第1のテーブルを入力し、それを参照するものである。しかしながら画像データと当該情報との関連付けはテーブルを用いる場合に限らず、例えば、画像データのメタデータとして当該情報を含ませるものであってもよい。第1のテーブルの一例を図2に示す。図2に示すテーブルでは、各画像データに対して、後述する「CK+」、「CK−」、「WBC」、「DST」および「EMP」の何れかの情報が関連付けされている。
第1学習部61は、教師データ生成部63が生成した第1の教師データを用いて、公知の機械学習の方法により、第1学習済モデル51を構築する。一方、第2学習部62は、教師データ生成部63が生成した第2の教師データを用いて、公知の機械学習の方法により、第2学習済モデル52を構築する。本実施形態では、第1学習部61および第2学習部62は、上述の通り、入力される画像とそれらの情報(細胞であるか、細胞種は何か)であるラベルとの対応をCNNに学習させている。
第1判別部41は、第1学習済モデル51に画像を入力し、第1学習済モデル51の出力結果から、細胞判別装置1に入力された画像が細胞を示すものであるか、非細胞を示すものであるかを判別する。具体的には、最も確率が高かったものを判別結果として採用する。第1判別部41は、その判別結果を判別結果出力部70に送信する。なお、第1判別部41は、判別結果が非細胞を示すものであった場合のみ、判別結果を判別結果出力部70に送信するものであってもよい。
第2判別部42は、第1判別部41において細胞を示す画像との判別結果が得られた場合にのみ、第2学習済モデル52に画像を入力し、第2学習済モデル52の出力結果から、細胞判別装置1に入力された画像における細胞の種類を判別する。具体的には、最も確率が高かったものを判別結果として採用する。第2判別部42は、その判別結果を判別結果出力部70に送信する。
判別結果出力部70は、第1判別部41または第2判別部42から送信される判別結果を表示部30に対して出力する。第1判別部41より送られてくる判別結果が非細胞を示している場合には、判別結果出力部70は、第1判別部41から送られてくる当該判別結果を出力する。一方、第1判別部41より送られてくる判別結果が細胞を示している場合、あるいは第1判別部41からは判別結果が送信されず、第2判別部42から判別結果が送られてくる場合には、判別結果出力部70は、第2判別部42から送られてくる判別結果を出力する。これにより、判別結果出力部70は、表示部30を介して、最終的な判別結果をユーザに知らせる。
表示部30は、判別結果出力部70から出力される最終的な判別結果を表示する装置である。一態様として、表示部30は、最終的な判別結果を画像データまたは文字データとして表示する表示装置である。なお、表示部は、細胞判別装置1に備えられる場合に限らず、細胞判別装置1と接続可能な外部装置として設けられても構わない。
次に、細胞判別装置1を用いて判別処理を行う場合の流れの一例を、図4を参照して説明する。図4は、細胞判別装置1の動作の流れの一例を説明するフローチャートである。
細胞判別装置1の制御ブロック(主制御部20、特に判別部40、学習部60および判別結果出力部70)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。
本発明の態様1に係る学習装置は、細胞判別に用いられる学習済モデルを構築する学習装置であって、細胞を示すデータおよび非細胞を示すデータを含む第1の教師データを用いた機械学習により、細胞および非細胞の何れであるかを判別するための第1の学習済モデルを構築する第1学習部と、互いに異なる種類の細胞を示す複数種類のデータを含み、かつ非細胞を示すデータを含まない第2の教師データを用いた機械学習により、第1の学習済モデルによって細胞と判別されたデータの細胞の種類を判別するための、上記第1の学習済モデルとは異なる第2の学習済モデルを構築する第2学習部と、を備えている。
10 入力部
20 主制御部
30 表示部
40 判別部
41 第1判別部
42 第2判別部
50 学習モデル
51 第1学習済モデル
52 第2学習済モデル
60 学習部(学習装置)
61 第1学習部
62 第2学習部
63 教師データ生成部
70 判別結果出力部
Claims (11)
- 細胞判別に用いられる学習済モデルを構築する学習装置であって、
細胞を示すデータおよび非細胞を示すデータを含む第1の教師データを用いた機械学習により、細胞および非細胞の何れであるかを判別するための第1の学習済モデルを構築する第1学習部と、
互いに異なる種類の細胞を示す複数種類のデータを含み、かつ非細胞を示すデータを含まない第2の教師データを用いた機械学習により、上記第1の学習済モデルによって細胞と判別されたデータの細胞の種類を判別するための、上記第1の学習済モデルとは異なる第2の学習済モデルを構築する第2学習部と、を備えていることを特徴とする学習装置。 - 入力されたデータに関連付けされた情報を参照して、上記第1の教師データおよび上記第2の教師データを生成する教師データ生成部をさらに備えていることを特徴とする請求項1に記載の学習装置。
- 上記教師データ生成部は、細胞の種類を示す情報および非細胞の種類を示す情報と、細胞であるか非細胞であるかの情報との対応関係が示されたテーブルを参照して、上記第1の教師データを生成することを特徴とする請求項2に記載の学習装置。
- 上記第1の教師データおよび上記第2の教師データに含まれる上記データが、画像データであることを特徴とする請求項1〜3の何れか1項に記載の学習装置。
- 入力されたデータにおける細胞の種類を判別する細胞判別装置であって、
請求項1〜4の何れか1項に記載の学習装置が構築した上記第1の学習済モデルを用いて、入力されたデータが細胞および非細胞の何れを示すものであるかを判別する第1判別部と、
上記第1判別部による判別結果が細胞を示す場合に、上記学習装置が構築した第2の学習済モデルを用いて、上記入力されたデータが何れの種類の細胞を示すものであるかを判別する第2判別部と、
上記第1判別部による判別結果が非細胞を示す場合には該判別結果を出力し、上記第1判別部による判別結果が細胞を示す場合には上記第2判別部による判別結果を出力する判別結果出力部と、を備えていることを特徴とする細胞判別装置。 - 上記学習装置を備えていることを特徴とする請求項5に記載の細胞判別装置。
- 細胞判別に用いられる学習済モデルを構築する学習方法であって、
細胞を示すデータおよび非細胞を示すデータを含む第1の教師データを用いた機械学習により、細胞および非細胞の何れであるかを判別するための第1の学習済モデルを構築する第1学習工程と、
互いに異なる種類の細胞を示す複数種類のデータを含み、かつ非細胞を示すデータを含まない第2の教師データを用いた機械学習により、第1の学習済モデルによって細胞と判別されたデータの細胞の種類を判別するための、上記第1の学習済モデルとは異なる第2の学習済モデルを構築する第2学習工程と、を含むことを特徴とする学習方法。 - 細胞または非細胞を示す上記データは、血中成分を撮像して得られた画像データであり、上記細胞の種類として、少なくとも血中循環腫瘍細胞を含むことを特徴とする請求項7に記載の学習方法。
- 入力されたデータにおける細胞の種類を判別する細胞判別方法であって、
データを入力するデータ入力工程と、
請求項1〜4の何れか1項に記載の学習装置が構築した第1の学習済モデルを用いて、入力されたデータが細胞および非細胞の何れを示すものであるかを判別する第1判別工程と、
上記第1判別工程による判別結果が細胞を示す場合に、上記学習装置が構築した第2の学習済モデルを用いて、上記入力されたデータが何れの種類の細胞を示すものであるかを判別する第2判別工程と、
上記第1判別工程による判別結果が非細胞を示す場合には該判別結果を出力し、上記第1判別工程による判別結果が細胞を示す場合には上記第2判別工程による判別結果を出力する判別結果出力工程と、を含むことを特徴とする細胞判別方法。 - 請求項1〜4の何れか1項に記載の学習装置としてコンピュータを機能させるための学習プログラム。
- 請求項5または6に記載の細胞判別装置としてコンピュータを機能させるための細胞判別プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019160467A JP7383939B2 (ja) | 2019-09-03 | 2019-09-03 | 学習装置、学習方法、細胞判別装置、細胞判別方法、細胞判別学習プログラムおよび細胞判別プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019160467A JP7383939B2 (ja) | 2019-09-03 | 2019-09-03 | 学習装置、学習方法、細胞判別装置、細胞判別方法、細胞判別学習プログラムおよび細胞判別プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021039544A true JP2021039544A (ja) | 2021-03-11 |
JP7383939B2 JP7383939B2 (ja) | 2023-11-21 |
Family
ID=74848634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019160467A Active JP7383939B2 (ja) | 2019-09-03 | 2019-09-03 | 学習装置、学習方法、細胞判別装置、細胞判別方法、細胞判別学習プログラムおよび細胞判別プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7383939B2 (ja) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011527056A (ja) * | 2008-07-03 | 2011-10-20 | エヌイーシー ラボラトリーズ アメリカ インク | 印環細胞検出器及び関連する方法 |
JP2014529158A (ja) * | 2011-10-05 | 2014-10-30 | シレカ セラノスティクス エルエルシー | 生物試料をスペクトル画像により分析する方法およびシステム。 |
JP2018060296A (ja) * | 2016-10-03 | 2018-04-12 | グローリー株式会社 | 画像処理装置、画像処理システム及び画像処理方法 |
JP2018165718A (ja) * | 2012-09-06 | 2018-10-25 | ソニー株式会社 | 情報処理装置、情報処理方法、および顕微鏡システム |
WO2018236895A1 (en) * | 2017-06-22 | 2018-12-27 | Waymo Llc | CLASSIFACTORS OF RARE BODIES |
WO2019117177A1 (ja) * | 2017-12-13 | 2019-06-20 | 株式会社堀場製作所 | 判別方法、学習方法、判別装置及びコンピュータプログラム |
JP2019128842A (ja) * | 2018-01-25 | 2019-08-01 | 国立大学法人京都大学 | コンピュータプログラム、識別装置及び識別方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012026982A (ja) | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
-
2019
- 2019-09-03 JP JP2019160467A patent/JP7383939B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011527056A (ja) * | 2008-07-03 | 2011-10-20 | エヌイーシー ラボラトリーズ アメリカ インク | 印環細胞検出器及び関連する方法 |
JP2014529158A (ja) * | 2011-10-05 | 2014-10-30 | シレカ セラノスティクス エルエルシー | 生物試料をスペクトル画像により分析する方法およびシステム。 |
JP2018165718A (ja) * | 2012-09-06 | 2018-10-25 | ソニー株式会社 | 情報処理装置、情報処理方法、および顕微鏡システム |
JP2018060296A (ja) * | 2016-10-03 | 2018-04-12 | グローリー株式会社 | 画像処理装置、画像処理システム及び画像処理方法 |
WO2018236895A1 (en) * | 2017-06-22 | 2018-12-27 | Waymo Llc | CLASSIFACTORS OF RARE BODIES |
WO2019117177A1 (ja) * | 2017-12-13 | 2019-06-20 | 株式会社堀場製作所 | 判別方法、学習方法、判別装置及びコンピュータプログラム |
JP2019128842A (ja) * | 2018-01-25 | 2019-08-01 | 国立大学法人京都大学 | コンピュータプログラム、識別装置及び識別方法 |
Non-Patent Citations (1)
Title |
---|
前田 啄斗 ほか: ""DLD法による血液細胞の自動分類計測法"", 電子情報通信学会技術研究報告, vol. 第116巻, 第38号, JPN6023023371, 2016, pages 135 - 138, ISSN: 0005081822 * |
Also Published As
Publication number | Publication date |
---|---|
JP7383939B2 (ja) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11901077B2 (en) | Multiple instance learner for prognostic tissue pattern identification | |
Wang et al. | Dual encoding u-net for retinal vessel segmentation | |
CN112598643B (zh) | 深度伪造图像检测及模型训练方法、装置、设备、介质 | |
JP2023501126A (ja) | 組織画像分類用のマルチインスタンス学習器 | |
CN111680575B (zh) | 一种人类上皮细胞染色分类装置、设备及存储介质 | |
AU2018369869A1 (en) | Classification of a population of objects by convolutional dictionary learning with class proportion data | |
Tran et al. | Automated curation of CNMF-E-extracted ROI spatial footprints and calcium traces using open-source AutoML tools | |
EP4367675A1 (en) | Stain-free detection of embryo polarization using deep learning | |
Saidani et al. | White blood cells classification using multi-fold pre-processing and optimized CNN model | |
Rivas-Posada et al. | Automatic base-model selection for white blood cell image classification using meta-learning | |
Qayyum et al. | Ios mobile application for food and location image prediction using convolutional neural networks | |
Judd et al. | A pilot study for distinguishing chromophobe renal cell carcinoma and oncocytoma using second harmonic generation imaging and convolutional neural network analysis of collagen fibrillar structure | |
JP2021039544A (ja) | 学習装置、学習方法、細胞判別装置、細胞判別方法、細胞判別学習プログラムおよび細胞判別プログラム | |
Renaudie et al. | Accuracy of a neural net classification of closely-related species of microfossils from a sparse dataset of unedited images | |
Zedda et al. | A deep architecture based on attention mechanisms for effective end-to-end detection of early and mature malaria parasites | |
Nallapati et al. | Identification of Deepfakes using Strategic Models and Architectures | |
Swiderska-Chadaj et al. | Predicting MYC translocation in HE specimens of diffuse large B-cell lymphoma through deep learning | |
Ramarolahy et al. | classification and generation of microscopy images with Plasmodium falciparum via artificial neural networks using low cost settings | |
Govindaraju | Application of convolutional neural network for leukocyte quantification from a smartphone based microfluidic biosensor | |
Christian Ramarolahy et al. | Classification and generation of microscopy images with plasmodium falciparum via artificial neural networks | |
Shrivastav et al. | Detection and classification of leukaemia and myeloma using soft computing techniques | |
Baykaner et al. | Image model embeddings for digital pathology and drug development via self-supervised learning | |
Majtner | HEp-2 cell image recognition with transferable cross-dataset synthetic samples | |
Shreyansh et al. | Exploratory evaluation of the C4. 5 and Transfer Learning Algorithms for Breast Cancer Classification | |
Abbas et al. | Reducing Dataset Specificity for Deepfakes Using Ensemble Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220708 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230607 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230706 |
|
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: 20231010 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231023 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7383939 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |