JP3224860B2 - 顕微鏡画像評価システム - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ニューラルネットワー
クを用いて染色された生物標本の評価を行うための顕微
鏡画像評価システムに関する。

【０００２】

【従来の技術】従来、染色した生物標本を評価する方法
としては、例えば次のような方法がある。人の皮膚から
粘着テープなどで角層細胞を採取し、生物標本として角
層サンプルを顕微鏡を用いて拡大して、人による感覚的
な評価（官能評価）によって、皮膚の肌性質・状態を把
握している。このように皮膚状態を的確に把握できれ
ば、皮膚の状態に応じて例えば適切な化粧料を選択でき
る。また、皮膚疾患などのある患者に対しても皮膚の状
態を的確に把握して、治療方法などを選択できる。

【０００３】

【発明が解決しようとする課題】しかしながら、従来の
角層サンプルの評価において、評価すべき角層サンプル
の数が多くなれば、多数の人手が必要となってきて、作
業性が悪化する。また、人が角層サンプルを評価するた
めの基準はあるが、全く同一のものはないのが現状であ
る。このため、人によって角層サンプルを感覚的にしか
も精度良く評価しようとすれば、生物標本を評価するた
めの特定の人を教育しなければならなかった。さらに
は、角層サンプルの評価の精度についても、常にチェッ
クしなければならず、操作者の作業負担になっていた。

【０００４】そこで、本発明は上記問題に鑑みてなされ
たもので、その目的とするところは、生物標本の評価に
おいて評価の精度を維持でき、操作者の作業負担を軽減
することのできる顕微鏡画像評価システムを提供するこ
とにある。

【０００５】

【課題を解決するための手段】本発明は、前記課題を解
決するために下記の構成とした。図１は本発明の原理図
であり、図１を用いて本発明を説明する。顕微鏡１は、
対物レンズが設けられ染色された生物標本１２を拡大す
るもので、例えばコンピュータ通信可能なタイプでオリ
ンパス工業株式会社製VANOX-SタイプAH3などである。撮
像手段２は、例えばビデオカメラであり、特にＣＣＤカ
メラやイメージスキャナなどであり、顕微鏡１で拡大さ
れた生物標本１２を撮像して画像データを得るものであ
る。

【０００６】画像処理手段３は、例えば画像データをデ
ジタルデータに変換するためのＡ／Ｄ変換器などであ
り、撮像手段２で得られた画像データに対して処理を施
すものである。

【０００７】コンピュータ４は、染色された生物標本１
２のうち２層以上重なっている部分の程度、染色した生
物標本の配列の程度、染色した生物標本の中心部分に核
が存在する程度について前記画像データを評価し、この
評価した値を教師信号として用いて学習し、学習結果に
基づき未知の生物標本の評価を行なう。

【０００８】また、画像処理手段３は、撮像手段２から
の画像データの中の特定領域のデータを特徴値として抽
出する特徴値抽出部３１を有するよう構成する。さら
に、コンピュータ４は、ニューラルネットワーク４１を
有し、このニューラルネットワーク４１は、入力層、出
力層からなり、より好ましくは中間層を有しており、評
価値毎に画像データを学習させることにより各層間の重
み付けを変え、未知の生物標本を評価するよう構成す
る。

【０００９】さらにまた、生物標本１２は、皮膚表皮の
角層サンプルであり、コンピュータ４は、角層サンプル
の重なっている部分の程度、角層サンプルの配列の程
度、角層サンプルの細胞の中心部分に核が存在する程度
について評価値で表して、角層サンプルの評価を行なう
ようにしてもよい。

【００１０】

【作用】本発明によれば、顕微鏡１によって拡大された
生物標本１２は、撮像手段２で撮像されることにより画
像データが得られ、この画像データは、画像処理手段３
によって特定領域のみ特徴値として抽出されて、コンピ
ュータ４に取り込まれる。コンピュータ４では、染色さ
れた生物標本１２のうち２層以上重なっている部分の程
度、染色した生物標本の配列の程度、染色した生物標本
の中心部分に核が存在する程度について前記特徴値を評
価し、この評価した値を教師信号として用いて処理され
た画像データを自動的に学習するので、学習結果に基づ
いて未知の生物標本を評価することができる。

【００１１】従って、コンピュータ４が評価する値（染
色した生物標本の重なっている部分の程度、染色した生
物標本の配列の程度、染色した生物標本の中心部分に核
が存在する程度）は、時間の経過によって変化すること
なく、常にその評価の精度を維持できる。また、自動的
に評価を行うから、人手が必要なくなり、よって、作業
者の負担を軽減できる。

【００１２】また、画像抽出部３１により特徴点を抽出
することで、特徴値としてデータ化し、この特徴点のデ
ータと評価値とを一組として、コンピュータ４に送り、
自動評価することもできる。

【００１３】さらに、ニューラルネットワーク４１は、
評価値毎に、例えば２００組から５００組程度の画像デ
ータを学習させる。これにより、各層間の重み付けを変
えるので、学習の結果として、ニューラルネットワーク
４１が自動的に構築されていく。そして、評価値が予め
わかっている生物標本を用いて妥当性を確認することに
より学習を終了する。この学習結果を用いて、未知の生
物標本を評価することができる。さらにまた、生物標本
１２が皮膚表皮の角層サンプルである場合は、角層サン
プルの重なっている部分（ＴＡ）の程度、角層サンプル
の配列（規則性：ＫＳ）の程度、角層サンプルの細胞の
中心部分に核が存在する（有核細胞：ＰＫ）程度の３点
で総合的に評価することで、コンピュータが行う評価の
精度を向上させることができる。

【００１４】

【実施例１】本発明の具体的な実施例について説明す
る。図２は本発明の一実施例の構成ブロック図である。
図２において、顕微鏡１は、ＸＹステージ装置１０、対
物レンズ１１、接眼レンズ１３を有しており、ＸＹステ
ージ装置１０上であって、対物レンズ１１に対向する位
置に、染色された人の皮膚の角層サンプル１２が載置さ
れている。

【００１５】顕微鏡１は、対物レンズ１１の倍率によっ
て、ＸＹステージ装置１０に載置された角層サンプル１
２を拡大してビデオカメラ２に出力するようになってい
る。ビデオカメラ２は、例えばＣＣＤカメラであり、顕
微鏡１に接続されており、顕微鏡１からの拡大された角
層サンプル１２の撮影を行うことにより、画像データに
変換して画像処理装置３に出力する。

【００１６】画像処理装置３は、ビデオカメラ２に接続
されており、ビデオカメラ２から出力される画像データ
の中にある特徴点を設定し、その特徴点における特徴値
を抽出する特徴値抽出部３１を有し、またデジタルデー
タへの変換、あるいはデータの加工処理などを行いその
データをコンピュータ４に出力する。

【００１７】コンピュータ４には、マウス６、モニタ７
が接続され、マウス６は、モニタ７に表示された前記画
像データの中の特徴点の領域を、カーソルによって設定
するものである。なお、マウス以外に、例えばタブレッ
トなどの入力装置を用いてもよい。

【００１８】コンピュータ４は、画像処理装置３に接続
され、ニューラルネットワーク４１、メモリ４２を有
し、サンプル供給装置８、オートフォーカス装置９、プ
リンタ５、マウス６、モニタ７を制御している。

【００１９】ニューラルネットワーク４１は、画像処理
手段３から特徴点の特徴値を取り込み、この特徴値と前
記角層サンプル１２を評価するための予め定めた評価値
とを用いて学習を行ない、角層サンプル１２の評価を行
ない、結果をメモリ４２に格納する。

【００２０】プリンタ６は、コンピュータ５に接続され
ており、メモリ４２に格納されたデータをプリントアウ
トする。サンプル供給装置８は、角層サンプル１２を移
動してＸＹステージ装置１０上の対物レンズ１１の頭上
に、角層サンプル１２を供給するようになっている。

【００２１】オートフォーカス装置９は、ＸＹステージ
装置１０上に載置された角層サンプル１２に対して顕微
鏡１のフォーカスが自動的に合うように、例えば対物レ
ンズ１１などを移動するようになっている。

【００２２】次に、前記ニューラルネットワーク４１の
構成について詳細に説明する。 ＜ニューラルネットワークの構成＞図３は階層型のニュ
ーラルネットワーク５の構成を示す図である。階層型の
ニューラルネットワーク４１は、入力層５１、出力層５
２、これらの層の間に設けられる１層以上の中間層５３
から構成される。

【００２３】階層型のニューラルネットワーク４１は、
入力層５１に与えた信号（パターン）が結合の重みによ
って変換されながら、出力層５２のユニットの値として
出力される前向きの信号伝播を行う。また、入力パター
ンに対して望ましい出力がでるようにネットワークを調
製しており、この調製方法として例えばバックプロパゲ
ーション（誤差逆伝播法）がある。判断が、入力層５１
から出力層５２への信号伝播とすれば、バックプロパゲ
ーションによる学習は、出力層５２での誤差を入力層５
１へ向かって伝播させることで達成される。

【００２４】つまり何をどの方向へ伝播させるかによ
り、判断又は学習かが決定される。例えば、図４に示す
ようなＮ階層からなるネットワークにおいて、第１層目
を入力層５１、第Ｎ層目を出力層５２とし、それらの間
の層を中間層５３とする。各層間の結合は、層番号ｎか
ら次の層ｎ＋１へ結合しているのみであり、飛び越した
結合はないものとする。またそれら層間の結合は、それ
ぞれの層のすべてのユニットが互いに結合している完全
結合とする。

【００２５】第ｎ層のｉ番目のユニットの出力値をＸ
(n,i)とし、第ｎ−１層のｊ番目のユニットから第ｎ層
のｉ番目のユニットへの結合の重みをＷ(n-1,j,n,i)と
する。入力層５１から出力層５２への信号伝播を、第ｎ
層のｉ番目のユニットに着目して考え、ユニットを模式
的に表現すると、図５に示すようになる。

【００２６】第ｎ層のｉ番目のユニットの出力値Ｘ(n,
i)は次のようにして求められる。

【００２７】

【数１】

【００２８】ここでｕ(n,i)は第ｎ層のｉ番目のユニッ
トの内部状態であり、ｈ(n,i)はそのしきい値である。
またｆは伝達関数とであり、次式が用いられる。

【００２９】

【数２】

【００３０】この関数は図６に示すようにＳ字をなして
おり、シグモイド（Ｓｉｇｍｏｉｄ；Ｓ字型）関数と呼
ばれる。ａは適当な実数であり、通常０である。Ｘ(n,
i)の計算は、数式１により前の層ｎ−１のユニットｊか
らの出力値とそれがたどるであろう結合路固有の重みの
積を、層ｎ−１のすべてのユニットに対して合計する。
その値ｕ(n,i)が注目すべきユニットの内部状態とな
る。これからしきい値ｈ(n,i)を引いた値を、伝達関数
に作用させて出力値Ｘ(n,i)を得る。

【００３１】しきい値ｈ(n,i)は数式１中で考慮する
と、

【００３２】

【数３】

【００３３】となる。さらに数式３から−ｈ(n,i)は、
−ｈ(n,i)×１．０と考えれば、常に１．０を出力する
ユニットが結合の重み−ｈ(n,i)で結合しているとみな
せる。このことは、学習の段階でしきい値を変更してい
く根拠を与えている。

【００３４】信号はこのように伝播されるが、入力層５
１からの出力値のみは、入力層５１に与えた値がそのま
ま出力される。つまり入力層５１のみは、伝達関数、し
きい値共に関係しない。

【００３５】＜ニューラルネットワークによる学習＞次
に、ニューラルネットワーク４１による学習は以下のよ
うに行なう。学習段階ではある入力パターンに対して、
ネットワークを動かして得られる出力パターンをまず計
算する。その出力パターンと望ましい出力パターンとの
誤差を計算し、それを学習信号として入力層５１のほう
へ伝播させながら、結合の重みを改善していく。望まし
い出力パターンを教師信号といい、教師信号が存在する
学習法を教師付き学習と呼ぶ。

【００３６】学習信号の与え方は、出力層５２のユニッ
トが戻す学習信号と、それより前段の層のユニットが戻
す学習信号とでは異なる。出力層５２のユニットｉから
戻される学習信号δ(N,i)は、出力層５２からの出力値
と教師信号を用いて、

【００３７】

【数４】

【００３８】となる。この出力層５２のユニットｉから
戻される学習信号を図７に示す。次にＮ−１層よりも前
の層が、戻す学習信号を決定する。ｎ層のユニットｉか
らｎ−１層のユニットへ向かって戻される学習信号δ
(n,i)は数式５で求める。

【００３９】

【数５】

【００４０】このＮ−１層よりも前の層が戻す学習信号
を図８に示す。つまりｎ層のユニットｉからｎ＋１層へ
結合している道を逆に伝って、そのユニットに集まって
くるｎ＋１層からの学習信号は、結合が固有に持ってい
る重みをかけられて合計される。それと伝達関数の微分
との積がとられて、学習信号として扱われる。

【００４１】このようにして学習信号を計算すると、次
に結合の重みの修正量を次式を用いて決定する。

【００４２】

【数６】

【００４３】△Ｗ(n-1,j,n,i)（ｔ）はｎ−１層のユニ
ットｊとｎ層のユニットｉの間の結合の重みに対する修
正量を示し、△Ｗ(n-1,j,n,i)（ｔ−１）は前回の修正
量を示す。つまりここでは、収束計算を繰り返すから、
今回をｔで表すと、前回はｔ−１となる。ηは学習定数
で収束の速さに関係するが、大きな値を与えたからとい
って、学習が速く完了するとは限らない。αは安定化定
数であり、前回の重みの修正量を使い、収束時の振動を
抑える効果がある。その意味で、数式６の第２項は慣性
項と呼ばれる。η、αは共に１．０以下の正の実数の範
囲で適当な値を与える。

【００４４】修正量が求まると、数式７により結合の重
みを修正する。

【数７】

【００４５】しきい値の修正については、前述したよう
に各ユニットに対して、常に０．１を出力するユニット
からしきい値に相当する結合の重みをもって信号が来て
いると考える。したがって、それに対する学習信号は数
式４、数式５で求められたものを使い、修正量は数式６
でＸ(n-1,i)を１と見なして次の式を得る。

【００４６】

【数８】

【００４７】したがって、修正のための式は、

【数９】 となる。以上の手順を繰り返すと、出力層５２からの出
力Ｍと教師信号との誤差が小さくなっていく。つまり、
出力層５２の出力値と教師信号との誤差の自乗和の極小
値を与える最急降下法の手順を示している。

【００４８】＜ニューラルネットワークの学習＞次に、
ニューラルネットワーク４１による学習システムについ
て説明する。ＸＹステージ装置１０に載置された角層サ
ンプル１２は、顕微鏡１で拡大されビデオカメラ２に取
り込まれ、これにより画像データが得られて画像処理装
置３に出力される。画像処理装置３では、特徴値抽出部
３１によって画像データの中から特徴点が設定され、そ
の点における特徴値を抽出される。

【００４９】そして、この抽出された画像データを学習
信号とし、また角層サンプル１２を評価するための人に
よる望ましい評価値を教師信号とし、これら２つの信号
が一組として、コンピュータ４に送られる。

【００５０】すると、ニューラルネットワーク４１によ
って、出力層５２からの出力Ｍと教師信号との誤差が小
さくなるように繰り返し学習が行なわれる。例えば、評
価値毎に、２００〜５００組程度のデータを学習させる
ことにより、各層間の重みＷが変えられる。すなわち、
学習の結果として、ニューラルネットワーク４１が自動
的に再構成されていく。

【００５１】さらに、評価値が予めわかっている角層サ
ンプル１２を用いて、学習の妥当性を確認することで、
学習を終了する。さらに、得られた学習結果をメモリ４
２に格納しておく。

【００５２】＜ニューラルネットワークによる角層サン
プルの評価＞次に、角層サンプル１２の評価について説
明する。未知の角層サンプル１２は、ステージ装置１０
に載置され顕微鏡１で拡大されて、ビデオカメラ２で画
像データに変換される。そして、特徴値抽出部３１によ
り画像データの中から特徴値が抽出されてデータ化さ
れ、このデータは、ニューラルネットワーク４１に入力
され、前記メモリ４２からの学習結果に基づき評価値と
して評価される。

【００５３】次に、ニューラルネットワーク４１による
角層サンプル１２の自動評価の具体例を説明する。ま
ず、角層サンプル１２の評価として、以下の３つの評価
基準で行なうものとする。 （ＴＡ）ＴＡ（Thick abrasion）とは、角層を染色した
時に濃く染まった所、すなわち、細胞が２層以上重なっ
ていることを示している。

【００５４】ＴＡについて、対物レンズ１１の倍率４
（×４）に設定し、染色した角層サンプル１２を観察す
る。染色した細胞のうち、２層以上重なっている部分、
すなわち濃く染色された部分の程度を１から５までの評
価値で評価する。評価値が小さい場合には、重なり部分
が少なく、評価値が大きい場合には、重なり部分が多い
ことを示す。 （規則性ＫＳ）規則性について、対物レンズ１１を倍率
２０（×２０）に設定し、染色した角層サンプル１２を
観察する。染色した細胞の配列（隣同士の細胞の並び
方）の程度を、１から４までの評価値で評価する。

【００５５】評価値が１付近にある場合には、細胞がき
れいに配列され、評価値が３付近にある場合には、細胞
の配列が乱れており、評価値が４付近にある場合には、
細胞の中央が欠けているものが多いことを示す。 （ＰＫ）ＰＫ（Parakeratotic cell）とは、有核細胞の
ことである。通常では角層は、その生成過程で核が消失
するが、何等かの原因で核の消失がないまま角層となっ
たものをいう。

【００５６】ＰＫについては、染色した細胞の中心部分
に、”核”が存在するものが多い（２０％）ものをＰＫ
ありとする。その他の場合には、ＰＫなしとする。次
に、角層サンプル１２の自動評価の手順を説明する。 （１）まず、コンピュータ４からの指示によって、サン
プル供給装置８は、角層サンプル１２を自動的にＸＹス
テージ装置１０上であって対物レンズ１１の頭上に供給
する。 （２）対物レンズ１１を倍率１（×１）に設定すると、
コンピュータ４からの指示によって、オートフォーカス
装置９は、角層サンプル１２にフォーカスが合うように
調整する。そして、顕微鏡１によって拡大された角層サ
ンプル１２のほぼ全体が、ビデオカメラ２の撮影領域に
入るようにする。ビデオカメラ２により角層サンプル１
２の画像を、輝度データ（Ｙ）とカラーデータ（ＲＧＢ
データ）とからなる画像データに変換して画像処理装置
３に送る。 （３）画像処理装置３では、図９に示すように、角層サ
ンプル１２の中の背景９１と染色した細胞領域９２と
を、例えば前記輝度データのレベル値で分離する処理を
行なう。また、｛Ｂデータ（青）−Ｒデータ（赤）｝×
１／２の処理を行なうことによって、角層サンプル１２
の中のよごれを分離する。 （４）細胞領域９２について、図１０に示すように、全
体を５つの子領域Ｅ１〜Ｅ５に区分し、ＴＡの倍率（対
物レンズの倍率４）に相当する範囲内で、細胞領域面積
比の高い領域を決定し、面積比が５０％〜９５％の範囲
内で指定する。

【００５７】図１１に、各子領域の評価値と面積比とを
示す。図１１において、ＴＡ，ＫＳ，ＰＫのそれぞれに
ついて、各点評価（各子領域）及び面積比を求める。評
価点Ｐ１を子領域Ｅ１に、評価点Ｐ３を子領域Ｅ２に、
評価点Ｐ５を子領域Ｅ３に、評価点Ｐ７を子領域Ｅ４
に、評価点Ｐ９を子領域Ｅ５に対応させている。

【００５８】ＴＡは、評価クラスが１〜５で、ＫＳは評
価クラスが１〜４で、ＰＫは、評価クラスが２となって
おり、各評価点毎に、ＴＡ，ＫＳ，ＰＫの評価クラス及
び面積比が表示される。

【００５９】また、各評価点の評価クラスの平均から算
出される総合評価と、評価に必要な処理時間とが秒単位
で表示される。さらに、各評価点の評価クラスに基づき
ＴＡ，ＫＳ，ＰＫのそれぞれについて、それぞれの評価
クラスが棒グラフで表示される。 （５）角層サンプル１２のＴＡ評価を行なうべく、対物
レンズ１１を倍率４（×４）に切り換える。 （６）手順（４）で決定した子領域Ｅ１〜Ｅ５のいずれ
かに、画面の中心を移動し、そこにフォーカスを合わせ
る。 （７）フォーカスが合った子領域の画像をこの特徴値抽
出部３１によって抽出し、ＴＡ評価のための画像処理、
例えば細胞領域における輝度分布データを得るべく処理
を行なう。 （８）輝度分布データをニューラルネットワーク４１に
入力し、ＴＡの評価値として１〜５を得る。

【００６０】図１２に、３番目までの評価中の各領域の
評価値と面積比を示す。図１２に示すように、ＴＡにつ
いて、３番目までの各領域Ｅ１〜Ｅ３の評価値は３，
３，２となる。図１２の右側に示すＴＡにおける黒マー
クは、ＴＡについて評価値２が１つ、評価値３が２つあ
ることを示す。

【００６１】ここで、面積比について説明する。図１７
は面積比を説明するための図である。図１７において、
ＴＡの面積比は、画面全体５１の面積に対する細胞５２
の面積の割合である。ＫＳの面積比は、画面全体５１の
面積に対する対象５３の面積の割合である。ＰＫの面積
比は、画面全体５１の面積に対する背景５４の面積の割
合である。

【００６２】なお、ここで示す対象５３とは、黒く示し
た内側の細胞領域であり、背景５４とは、細胞５２の領
域以外の領域である。図１３に、５番目までの評価中の
各領域の評価値と面積比を示す。図１３に示すように、
ＴＡについて、５番目までの各領域Ｅ１〜Ｅ５の評価値
は３，３，２，３，３となる。図１３の右側に示すＴＡ
における黒マークは、ＴＡについて評価値２が１つ、評
価３が４つあることを示す。面積比についても、ＴＡ，
ＫＳ，ＰＫのそれぞれについて各子領域毎に求められ
る。 （９）前記画像データにおいて、対物レンズ１１の倍率
２０の範囲（１／２５）で細胞領域を調べて、規則性Ｋ
Ｓ評価に最適な領域を決定する。 （１０）子領域Ｅ１〜Ｅ５の作業を繰り返す。 （１１）角層サンプル１２の規則性評価を行なうべく、
対物レンズ１１を倍率２０に切り換える。 （１２）子領域Ｅ１〜Ｅ５の決定した領域に、画面の中
心を移動し、フォーカスを合わせる。 （１３）特徴値抽出部３１に画像を入力し、規則性評価
のための画像処理を行い、データ化する。すなわち、１
〜３は輝度分布データ、４は濃度の濃い部分について細
線部分の量データ、ＰＫ、細胞内の核部分（濃度の濃い
部分）の量データをデータ化する。 （１４）データをニューラルネットワーク４１に入力し
て、出力１〜４とＰＫの有無を取得する。領域Ｅ１〜Ｅ
５についてこの作業を繰り返す。

【００６３】図１４に、総合評価を示す。図１４に示す
ように、ＴＡについて、評価値２が１つ、評価値３が４
つ、規則性について、評価値２が２つ、評価値３が２
つ、評価値４が１つ、ＰＫが２つである。よって、総合
評価として、ＴＡの評価値が３であるから細胞の重なり
が多く、ＫＳの評価値が３であるから細胞の配列が乱
れ、ＰＫの評価値が２であるから核が存在することを示
す。従って、皮膚が老化していることがわかる。

【００６４】図１５に、処理時間を示す。図１５に示す
ように処理時間は２００秒となっている。 （１５）全ての結果をプリンタ５に出力し、さらに角層
サンプル１２を元の位置に戻し、次の角層サンプルを評
価する。

【００６５】図１６に、次の角層サンプルの総合評価及
び処理時間を示す。図１６に示すようにこの角層サンプ
ルでは、総合評価として、ＴＡの評価値が３であるから
細胞の重なりが多く、ＫＳの評価値が１であるから細胞
がきれいに配列され、ＰＫの評価値が１であるから核が
存在しないことを示し、処理時間は２２７秒となってい
る。従って、皮膚が正常であることがわかる。

【００６６】このように本実施例によれば、ニューラル
ネットワーク４１は、評価値毎に、例えば２００組から
５００組程度のデータを学習させる。これにより、各層
間の重み付けを変えるので、学習の結果として、ニュー
ラルネットが自動的に作られていく。そして、評価値が
予めわかっている生物標本を用いて妥当性を確認するこ
とにより学習を終了する。これにより、未知の生物標本
を評価することができる。

【００６７】従って、一度決定した評価の基準は、時間
の経過によって変化することなく、常にその評価の精度
を維持できる。また、自動的に評価を行なうから、人手
による角層サンプル１２の評価が必要でなくなり、よっ
て作業者の負担を軽減することができる。

【００６８】なお、実施例では、ニューラルネットワー
ク４１を用いて角層サンプル１２についての自動評価を
説明したが、本発明はこれに限定されるものではなく、
その他の生物標本であっても自動評価を行なうことがで
きる。

【００６９】また、その他の例としては、例えば皮膚常
在菌の評価，細胞の形状，大きさの評価、染色体の異常
評価などがある。

【００７０】

【発明の効果】本発明によれば、コンピュータを用いて
評価する値（染色した生物標本の重なっている部分の程
度、染色した生物標本の配列の程度、染色した生物標本
の中心部分に核が存在する程度）は、時間の経過によっ
て変化することなく、常にその評価の精度を維持でき
る。また、自動的に評価を行うから、人手による生物標
本の評価が必要なくなり、よって、作業者の負担を軽減
できる。

【図面の簡単な説明】

【図１】本発明の原理図である。

【図２】実施例の構成ブロック図である。

【図３】階層型のニューラルネットワークの構成図であ
る。

【図４】ニューラルネットワークの結合を示す図であ
る。

【図５】入力層から出力層への信号伝播を模式的に表現
した図である。

【図６】シグモイド関数を示す図である。

【図７】出力層のユニットから戻される学習信号を示す
図である。

【図８】Ｎ−１層よりも前の層が戻す学習信号を示す図
である。

【図９】背景と染色した細胞領域とを示す図である。

【図１０】５つの領域に区分された細胞領域を示す図で
ある。

【図１１】各領域の評価値と面積比とを示す図である。

【図１２】３番目までの各領域の評価値と面積比を示す
図である。

【図１３】５番目までの各領域の評価値と面積比を示す
図である。

【図１４】総合評価を示す図である。

【図１５】処理時間を示す図である。

【図１６】未知の角層サンプルの総合評価及び処理時間
を示す図である。

【図１７】面積比を説明するための図である。

【符号の説明】

１・・顕微鏡 ２・・ビデオカメラ ３・・画像処理装置 ４・・コンピュータ ５・・プリンタ ６・・マウス ７・・モニタ ８・・サンプル供給装置 ９・・オートフォーカス装置 １０・・ＸＹステージ装置 １１・・対物レンズ １２・・角層サンプル １３・・接眼レンズ ３１・・特徴値抽出部 ４１・・ニューラルネットワーク ４２・・メモリ ５１・・画面 ５２・・細胞 ５３・・対象 ５４・・背景

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平１−53157（ＪＰ，Ａ) 特開 昭63−6461（ＪＰ，Ａ) 特開 平４−95181（ＪＰ，Ａ) 特開 平４−69775（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06T 1/00,7/00 G01N 21/00,33/48 A61B 10/00

Claims (3)

(57)【特許請求の範囲】
1. 【請求項１】対物レンズが設けられ染色された生物標本
   （１２）を拡大する顕微鏡（１）と、 この顕微鏡（１）で拡大された生物標本（１２）を撮像
   して画像データを得る撮像手段（２）と、 この撮像手段（２）で得られた画像データの中から特定
   領域の画像データを特徴値として抽出する特徴値抽出部
   （３１）を有する画像処理手段（３）と、 前記染色された生物標本（１２）のうち２層以上重なっ
   ている部分の程度、染色した生物標本の配列の程度、染
   色した生物標本の中心部分に核が存在する程度について
   前記画像処理手段（３）で抽出した特徴値を評価し、こ
   の評価した値を教師信号として用いて学習し、学習結果
   に基づき未知の生物標本の評価を行なうコンピュータ
   （４）とを備えたことを特徴とする顕微鏡画像評価シス
   テム。
2. 【請求項２】前記コンピュータ（４）は、ニューラルネ
   ットワーク（４１）を有し、このニューラルネットワー
   ク（４１）は、少なくとも入力層、出力層からなり、前
   記評価した値毎に前記画像データを学習させることによ
   り各層間の重み付けを変え、未知の生物標本を評価する
   ことを特徴とする請求項１記載の顕微鏡画像評価システ
   ム。
3. 【請求項３】前記生物標本（１２）は、皮膚表皮の角層
   サンプルであり、 前記コンピュータ（４）は、前記角層サンプルの重なっ
   ている部分の程度、前記角層サンプルの配列の程度、前
   記角層サンプルの細胞の中心部分に核が存在する程度に
   ついて前記評価値で表して、前記角層サンプルの評価を
   行うことを特徴とする請求項１記載の顕微鏡画像評価シ
   ステム。