JP4609322B2 - 染色体状態の評価方法および評価システム - Google Patents
染色体状態の評価方法および評価システム Download PDFInfo
- Publication number
- JP4609322B2 JP4609322B2 JP2005512081A JP2005512081A JP4609322B2 JP 4609322 B2 JP4609322 B2 JP 4609322B2 JP 2005512081 A JP2005512081 A JP 2005512081A JP 2005512081 A JP2005512081 A JP 2005512081A JP 4609322 B2 JP4609322 B2 JP 4609322B2
- Authority
- JP
- Japan
- Prior art keywords
- nucleus
- chromosome
- territory
- cell
- quantifying
- 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.)
- Expired - Lifetime
Links
- 210000000349 chromosome Anatomy 0.000 title claims description 284
- 238000011156 evaluation Methods 0.000 title claims description 115
- 210000004027 cell Anatomy 0.000 claims description 160
- 210000004940 nucleus Anatomy 0.000 claims description 107
- 238000009826 distribution Methods 0.000 claims description 101
- 238000012545 processing Methods 0.000 claims description 97
- 238000000034 method Methods 0.000 claims description 87
- 238000000605 extraction Methods 0.000 claims description 68
- 238000011002 quantification Methods 0.000 claims description 53
- 230000005484 gravity Effects 0.000 claims description 25
- 238000002156 mixing Methods 0.000 claims description 21
- 239000000203 mixture Substances 0.000 claims description 21
- 230000002759 chromosomal effect Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims 17
- 230000006870 function Effects 0.000 description 53
- 238000004364 calculation method Methods 0.000 description 30
- 235000019557 luminance Nutrition 0.000 description 24
- 210000003855 cell nucleus Anatomy 0.000 description 14
- 230000024245 cell differentiation Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 239000000523 sample Substances 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 238000002509 fluorescent in situ hybridization Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000016507 interphase Effects 0.000 description 6
- 210000000633 nuclear envelope Anatomy 0.000 description 6
- 230000022131 cell cycle Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005945 translocation Effects 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 229930040373 Paraformaldehyde Natural products 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000011748 cell maturation Effects 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229920002866 paraformaldehyde Polymers 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 208000034951 Genetic Translocation Diseases 0.000 description 1
- 102000057297 Pepsin A Human genes 0.000 description 1
- 108090000284 Pepsin A Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 229920004890 Triton X-100 Polymers 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010306 acid treatment Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000001789 adipocyte Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000006059 cover glass Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004962 mammalian cell Anatomy 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 239000003471 mutagenic agent Substances 0.000 description 1
- 231100000707 mutagenic chemical Toxicity 0.000 description 1
- 230000003505 mutagenic effect Effects 0.000 description 1
- 229940111202 pepsin Drugs 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Description
T.Cremer,C.Cremer,CHROMOSOME TERRITORIES NUCLEAR ARCHITECTURE AND VENE REGULATION IN MAMMALIAN CELLS,NATURE REVIEWS|GENETICS,vol.2,pp.292−301,2001 田辺秀之、「染色体テリトリー:間期核における染色体の核内配置と核高次構造に関する最近の研究」、Environ.Mutagen Res.,25、11〜22頁、2003
(1)抽出の対象となる像を含む画像に対し、画像上の各ピクセルを複数のクラスに分類し、所望の領域を抽出する抽出方法において、
画像の各ピクセルが取り得る属性値全体から構成されるデータ空間を、所与の解像度で部分空間に分解し、該各部分空間に属性値を取るピクセルの集合と、該ピクセルの属性値の平均と、該ピクセルの個数とを保持する粗視化データ空間を構成する第1の工程と、
各部分空間のピクセル数を画像に含まれる全ピクセル数で除し、粗視化データ空間上の粗視化経験確率分布を算出する第2の工程と、
各クラスの属性を規定するクラスパラメータおよびクラスの混合比率を初期化する第3の工程と、
クラスパラメータからクラスが指定されたもとでの条件付き確率分布を算出し、当該条件付き確率分布を各部分空間内で平均化することによって粗視化条件付き確率分布を算出する第4の工程と、
クラスの混合比率に粗視化条件付き確率分布を乗じることにより、各ピクセルが各クラスに帰属する確率であるクラス帰属確率を算出する第5の工程と、
クラスパラメータおよびクラスの混合比率を更新する第6の工程と、
粗視化条件付き確率分布を用いて、評価関数を算出する第7の工程と、
評価関数が所与の終了条件を満たしているか否かを調べる第8の工程と、
評価関数が所与の終了条件を満たしたときのクラスパラメータ、クラスの混合比率、およびクラス帰属確率に基づいて、各ピクセルが属するクラスを決定し、所望の領域を抽出する第9の工程と、
を含むことを特徴とする抽出方法。
第4の工程において、粗視化条件付き確率分布を算出する際に、各部分空間に含まれるピクセルの属性値の平均値を算出し、該平均値を用いて各部分空間における粗視化条件付き確率分布を算出することを特徴とする抽出方法。
粗視化の解像度が元の解像度であるかを調べる第10の工程と、
部分空間の解像度を元の解像度へ復元する第11の工程と、をさらに含み、
部分空間の解像度を元の解像度へ復元した後に、第1の工程〜第8の工程を行い、
第3の工程において、第9の工程におけるクラスパラメータおよびクラスの混合比率を初期値として用いることを特徴とする抽出方法。
第9の工程において、前記評価関数が所与の終了条件を満たしたときのクラスの混合比率に画像に含まれる全ピクセル数を乗じることにより各クラスに属するピクセル数を算出し、クラス帰属確率が高い順から前記ピクセル数のピクセルを選択することにより各クラスに属するピクセルを決定することを特徴とする抽出方法。
第7の工程において、評価関数としてAICを用い、第6の工程において評価関数を減少させるようパラメータを変更することを特徴とする抽出方法。
第7の工程において、評価関数としてMDL(Minimum Description Length,最小記述長)を用い、第6の工程において該評価関数を減少させるようパラメータを変更することを特徴とする抽出方法。
第7の工程において、評価関数としてストラクチュラル・リスク(Structural Risk)を用い、第6の工程において該評価関数を減少させるようパラメータを変更することを特徴とする抽出方法。
第3の工程において、
各部分空間どうしが近傍にあるか否かを定義する近傍半径と、クラスの数を設定し(ステップB1)、
各部分空間ごとに、各部分空間の代表値を設定し(ステップB2)、
分類対象部分空間の集合を設定し(ステップB3)、
分類対象部分空間の集合の中から、粗視化経験確率の最も高い部分空間を選択し(ステップB4)、
粗視化経験確率の最も高い部分空間の代表値との距離が、近傍半径以内である代表値を持つ部分空間すべてを、近傍集合として選択し(ステップB5)、
すでに分類が完了したクラスに含まれる部分空間の代表値と、近傍集合に含まれる部分空間の代表値との間の最短距離が、近傍半径よりも大きいか否かを調べ(ステップB6)、
ステップB6において、すでに分類が完了したクラスに含まれる部分空間の代表値と近傍集合に含まれる部分空間の代表値との間の最短距離が近傍半径よりも大きければ、近傍集合を新規クラスとするとともに分類対象部分空間から近傍集合を削除し(ステップB7)、
ステップB6において、すでに分類が完了したクラスに含まれる部分空間の代表値と近傍集合に含まれる部分空間の代表値との間の最短距離が近傍半径より小さければ、近傍集合をすでに分類済みのクラスに追加するとともに分類対象部分空間から近傍集合を削除し(ステップB8)、
分類対象部分空間が空集合であるか否かを調べ(ステップB9)、
ステップB9において、分類対象部分空間が空集合でなければ、ステップB4以下を繰り返し、
ステップB9において、分類対象部分空間が空集合であれば、分類が完了したクラスの数が所与の数以上あるか否かを調べ(ステップB10)、
ステップB10において、分類が完了したクラスの数が所与の数よりも少なければ、近傍半径を縮小し(ステップB11)、ステップB3以下を繰り返し、
ステップB10において、分類対象部分空間が空集合であり、かつ分類済みのクラスの数が所与の数よりも多ければ、各クラス内でクラスパラメータを算出し、これをクラスパラメータの初期値とするとともに、各クラス内に含まれる部分空間の数の比率をクラスの混合比率の初期値とする(ステップB12)、
ことを特徴とする抽出方法。
画像を読み込む入力装置と、
画像の各ピクセルが取り得る属性値全体から構成されるデータ空間を、所与の解像度で部分空間に分解し、該各部分空間に属性値を取るピクセルの集合と、該ピクセルの属性値の平均と、該ピクセルの個数を保持し、粗視化データ空間を構成する領域粗視化装置と、
各部分空間のピクセル数を画像に含まれる全ピクセル数で割り、粗視化データ空間上の粗視化経験分布を算出する粗視化経験確率分布算出装置と、
各クラスの属性を規定するクラスパラメータおよびクラスの混合比率を初期化し、各クラスの属性を規定するクラスパラメータから、クラスが指定されたもとでの条件付き確率分布を算出し、クラスが指定されたもとでの条件付き確率分布を、各部分空間内で平均化することによって粗視化条件付き確率分布を算出する粗視化条件付き確率分布装置と、
粗視化条件付き確率分布から画像各ピクセルが各クラスに帰属する確率であるクラス帰属確率を算出するクラス帰属確率算出装置と、
クラスパラメータおよびクラスの混合比率を更新するパラメータ更新装置と、
粗視化条件付き確率分布を用いて、評価関数を算出する評価関数算出装置と、
評価関数が所与の終了条件を満たしているか否かを調べ、評価関数が所与の終了条件を満たしたときのクラスパラメータ、クラスの混合比率、およびクラス帰属確率に基づいて、各ピクセルが属するクラスを決定し、所望の領域を抽出する領域抽出装置と、
抽出した領域を出力する出力装置と、
を有することを特徴とする抽出装置。
評価関数が所与の終了条件を満たしていることが確認されたのち、粗視化の解像度が元の解像度であるかを調べ、データ空間の解像度を元の解像度へ復元する解像度復元装置をさらに有することを特徴とする抽出装置。
上記(1)に記載の抽出方法においては、画像を構成する各ピクセルの持つ属性値を確率変数と見なし、推定したピクセル値の確率分布に基づいて所望の領域を抽出する。ここで、属性値としては、たとえばモノクロ画像ならば輝度の値、カラー画像ならば赤(R)、緑(G)、青(B)の色要素の強度等を用いることができる。
まず適当な初期パラメータから開始し、式(5)で与えられるクラス帰属確率を求める。次にQを増加させるようにパラメータwおよびφを更新し、改めてQを算出する。最終的にQが増加しなくなるまでこの手順を繰り返す。最終的にQが増加しなくなったときのパラメータwおよびφを用いて領域を抽出する。k個のクラスのうち、たとえばi番目のクラスに属するピクセルを抽出するためには、まず各ピクセルのi番目のクラスへの帰属確率の値を調べる。ついで、その確率値が一定値以上のピクセルをそのクラスに属するものとして分類する。すべてのピクセルをそれぞれのクラスに分類し終わった時点で、k個のクラスの中から所望の属性を持ったクラスを選択し、そのクラスに属するピクセルを画像から抽出すれば、所望の領域を自動的に抽出することができる。
まず、染色体テリトリを含む細胞を撮影した画像から、染色体テリトリの像を抽出する(S20)。本実施の形態において、3次元画像から細胞の核および複数の染色体テリトリの像をそれぞれ抽出する。その後、染色体テリトリの配置状態を定量化する(S22)。染色体テリトリの配置状態を定量化した結果は保存される。複数の検体について、ステップ20およびステップ22の処理を行い、複数の検体の定量化結果を蓄積する(S24)。また、ある検体について、ステップ20およびステップ22の処理を行い、定量化した結果をステップ24で蓄積された複数の検体の定量化結果と比較して、その検体における細胞状態を評価する(S26)。
評価装置100は、画像取得部102と、抽出処理部104と、定量化処理部106と、評価部110と、出力部112、と、定量化結果記憶部114とを含む。画像取得部102は、染色体テリトリを含む細胞を撮影した3次元画像を取得する。抽出処理部104は、3次元画像から染色体テリトリの像を抽出する。定量化処理部106は、染色体テリトリの配置状態を定量化する。定量化処理部106は、定量化した結果を定量化結果記憶部114に保存する。評価部110は、ある検体の定量化結果を定量化結果記憶部114に記憶された複数の検体の定量化結果と比較して、その検体の細胞状態を評価する。出力部112は、抽出処理部104による染色体領域の像の抽出結果や、評価部110による細胞状態の評価結果を出力する。出力部112は、たとえばディスプレイ装置やプリンタ等により構成することができる。
(染色体テリトリの抽出(S20))
染色体テリトリを含む細胞の3次元画像は、3D−FISH(Fluorescent in situ hybridization)法を用いて得ることができる。画像取得部102は、画像スキャナやデジタルカメラ等により構成することができ、3D−FISH法を用いて得られた画像を読み取ることができる。また、画像取得部102は、生物顕微鏡に接続されたコンピュータにより構成することもでき、ネットワークを通して画像を直接入力することも可能である。
カバーグラス上で細胞を培養し、PFA(Paraformaldehyde)で細胞を固定する。つづいて、TritonX100溶液で処理を行う。次いで、液体窒素を使用し、凍結融解を数回繰り返す。その後、塩酸処理およびペプシン処理を行う。これにより、細胞膜および核膜が部分的に破壊され、プローブの浸透性を高めることができる。また、以上の処理により、核以外の部分をある程度除去することができる。
以下、このようにして得られた画像に施す処理を説明する。以下、単に「染色体テリトリ」、「核」というときは、染色体テリトリや核そのものではなく、画像上における染色体テリトリ像および核の像を示す。
たとえばj番目のピクセルの属性値xjが、R=128、G=255、B=18である場合、解像度8で粗視化すると、このピクセルは、(16、31、2)なる指標で指定される部分空間に値を取る。このことを以下では、xjがこの部分空間に含まれる、と表現する。
画像がグレースケールの場合、j番目のピクセル値がi番目のクラスから発生しているとした条件のもとでの条件付き確率は、以下のような一次元正規分布
Ω={A3,A4,A5,A6,A7,A8}
となる。A1、A2、A9、およびA10は、粗視化確率が0、すなわちこれらの部分空間に含まれるデータは観測されていないので、分類対象集合には含めない。
Bs={A5,A6,A7,A8}
となる(図7(b))。
BS={A3,A4}となる。
C1={A5,A6,A7,A8}
を調べると、A4から近傍半径r内にあるA5およびA6を含んでいる。したがって現在のBSを分類済みのクラスC1に統合する(図7(d))。
BS={A6,A7,A8}
となる(図7(f))。
このBSをそのまま最初のクラスC1として採用し、残りの分類対象集合の中から最も高い粗視化経験確率を持つA4を選ぶ(図7(g))。A4から近傍半径r’内にある部分空間は、
BS={A3,A4,A5}
となる。今回は、分類済みのクラスC1の中に、A4から近傍半径r’内にある部分空間は存在しないので、現在のBSを新規クラスC2として採用する(図7(h))。これですべての部分空間が所望の二つのクラスに分類されたことになる。
すでに述べたように、このようにパラメータを更新すれば、式(9)で与えられる粗視化された完全対数尤度は増加し、したがって式(12)で与えられる粗視化平均対数尤度も増加する(非特許文献3)。パラメータ更新装置6は、パラメータを更新した後、更新したパラメータを評価関数算出装置7に送る。評価関数算出装置7は、式(12)を用いて粗視化対数尤度を算出する(ステップA8)。
まず、AICを説明する。
図2に戻り、定量化処理部106は、染色体テリトリの配置状態の定量化に先立ち、抽出処理部104により抽出された染色体テリトリの座標を一定の基準に従って変換して標準化する処理を行う。このような処理を行うことにより、複数の検体について、統一した基準で、染色体テリトリの配置状態を定量化することができる。これにより、複数の検体における染色体テリトリの配置状態の定量化結果を統計処理等することができる。
p’=r0/R×(p−P0)+P0
となる。染色体テリトリ122内のすべての点に対して同様に変換することにより、標準球124内に座標変換された染色体テリトリ126を得ることができる。
染色体テリトリの配置状態は、複数の染色体テリトリ間の距離、染色体テリトリの広がり、配置方向、および染色体テリトリと核内の基準点との距離等を用いて定量化することができる。
各染色体テリトリの重心位置としては、例えば輝度の値で重みをとった重心
XG=ΣjIjxj/ΣjIj
を用いることもできる。ここで、Ijは位置xjにおけるピクセルの輝度値である。また、重心の代わりに最も輝度値が高いピクセルの位置を用いてもよい。以下では、単純な重心を例に説明するが、重み付き重心や最大輝度のピクセル位置を用いた場合でも同様な方法で染色体間の距離を定義することができる。
P(w1,μ1,Σ1,w2,μ2,Σ2)=w1×Φ(μ1,Σ1)+w2×Φ(μ2,Σ2)
となる。ここでΦ(μ,Σ)は2次元正規分布であり、μは平均値、Σは共分散行列である。この結果得られたパラメータwは広がりの大きさの比率、μは広がりの中心位置、Σは広がりの主軸を表す。さらに、共分散行列を固有値分解し、広がりの主軸を具体的に得る。以上のように、形状を定量化することにより、染色体テリトリどうしの配置状態を数値化することができる。
細胞の状態の評価は、種々の方法で行うことができるが、複数の検体について得られた定量化結果を統計処理しておき、統計処理を行った結果と比較することにより、ある検体の細胞の状態を評価することができる。
Claims (23)
- 染色体テリトリを含む複数の細胞をそれぞれ撮影した、属性値を有する複数のピクセルにより構成された複数の画像情報において、前記細胞の所望部分を計測することで、複数の前記細胞間の状態差異を検出する染色体テリトリの計測方法であって、
前記画像から、前記細胞の核を抽出するとともに当該核内に含まれる前記染色体テリトリを抽出するステップと、
当該抽出された核の形状を標準化して標準化された核を形成するステップと、
標準化前の前記核の形状と前記標準化された核の形状とに基づいて前記染色体テリトリの座標を変換するステップと、
座標変換後の前記染色体テリトリの配置状態を定量化するステップと、
定量化された前記染色体テリトリの配置状態に基づき、前記細胞間の状態差異を検出するステップと、
を含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第1項に記載の計測方法において、前記染色体テリトリの座標を変換するステップでは、前記染色体テリトリの座標は、標準化前の前記核の内部の点から前記標準化された核の内部の点へ変換されることを特徴とする染色体テリトリの計測方法。
- 請求の範囲第2項に記載の計測方法において、
前記標準化された核は、標準化前の前記核と同一重心および同一体積を有する球であり、
前記染色体テリトリの座標を変換するステップでは、前記染色体テリトリの座標は、標準化前の前記核の内部の点を通る直線上における前記重心から当該核の外周までの距離と前記球の半径との比率に基づいて変換されることを特徴とする染色体テリトリの計測方法。 - 請求の範囲第1項乃至第3項いずれかに記載の計測方法において、
複数の細胞の前記配置状態を定量化した結果を統計処理するステップをさらに含み、
前記細胞間の状態差異を検出するステップにおいて、一の細胞の前記配置状態を定量化した結果と前記統計処理の結果とに基づき、前記一の細胞の状態差異を検出することを特徴とする染色体テリトリの計測方法。 - 請求の範囲第4項に記載の計測方法において、
前記統計処理するステップは、複数の細胞の前記配置状態を定量化した結果に基づき、前記配置状態の定量化結果の標準値を算出するステップを含み、
前記細胞間の状態差異を検出するステップにおいて、一の細胞の前記配置状態を定量化した結果と前記標準値とに基づき、前記一の細胞の状態差異を検出することを特徴とする染色体テリトリの計測方法。 - 染色体テリトリを含む複数の細胞をそれぞれ撮影した、属性値を有する複数のピクセルにより構成された複数の画像情報において、前記細胞の所望部分を計測することで、複数の前記細胞間の状態差異を検出する染色体テリトリの計測方法であって、
前記画像から、前記細胞の核を抽出するとともに当該核内に含まれる複数の染色体テリトリをそれぞれ抽出するステップと、
当該抽出された核の形状を標準化して標準化された核を形成するステップと、
標準化前の前記核の形状と前記標準化された核の形状とに基づいて前記染色体テリトリの座標を変換するステップと、
座標変換後の前記複数の染色体テリトリの配置状態を定量化するステップと、
複数の細胞の前記配置状態を定量化した結果を統計処理するステップと、
一の細胞の前記配置状態を定量化した結果と、前記統計処理の結果とに基づき、前記一の細胞の状態差異を検出するステップと、
を含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第6項に記載の計測方法において、
前記配置状態は、前記複数の染色体テリトリ間の距離、または前記複数の染色体テリトリの配置方向の少なくともいずれか1つを含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第6項または第7項に記載の計測方法において、
前記定量化するステップは、前記複数の染色体テリトリ間の距離を算出するステップを含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第8項に記載の計測方法において、
前記距離を算出するステップは、
前記複数の染色体テリトリそれぞれの重心を算出するステップと、
前記重心間の距離を算出するステップと、
を含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第6項乃至第9項いずれかに記載の計測方法において、
前記定量化するステップは、前記複数の染色体テリトリの配置方向を定量化するステップを含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第10項に記載の計測方法において、
前記配置方向を定量化するステップは、
前記複数の染色体テリトリの主軸をそれぞれ検出するステップと、
前記主軸の角度を算出するステップと、
を含むことを特徴とする染色体テリトリの計測方法。 - 染色体テリトリを含む複数の細胞をそれぞれ撮影した、属性値を有する複数のピクセルにより構成された複数の画像情報において、前記細胞の所望部分を計測することで、複数の前記細胞間の状態差異を検出する染色体テリトリの計測方法であって、
前記画像から、前記細胞の核を抽出するとともに当該核内に含まれる前記染色体テリトリを抽出するステップと、
当該抽出された核の形状を標準化して標準化された核を形成するステップと、
標準化前の前記核の形状と前記標準化された核の形状とに基づいて前記染色体テリトリの座標を変換するステップと、
座標変換後の前記核および前記染色体テリトリの配置状態を定量化するステップと、
複数の細胞の前記配置状態を定量化した結果を統計処理するステップと、
一の細胞の前記配置状態を定量化した結果と、前記統計処理の結果とに基づき、前記一の細胞の状態差異を検出するステップと、
を含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第12項に記載の計測方法において、
前記定量化するステップは、前記核内の基準点と前記染色体テリトリとの間の距離を算出するステップを含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第6項乃至第13項いずれかに記載の計測方法において、
前記統計処理するステップは、複数の細胞の前記配置状態を定量化した結果に基づき、前記配置状態の定量化結果の標準値を算出するステップを含み、
前記一の細胞の状態差異を検出するステップにおいて、一の細胞の前記配置状態を定量化した結果と、前記標準値とに基づき、前記一の細胞の状態差異を検出することを特徴とする染色体テリトリの計測方法。 - 請求の範囲第1項乃至第14項いずれかに記載の計測方法において、
前記配置状態は、前記細胞の核内における前記染色体テリトリの相対位置、前記染色体テリトリの主軸の方向、および前記染色体テリトリの広がりの少なくともいずれか1つを含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第1項乃至第15項いずれかに記載の計測方法において、
前記抽出するステップは、
前記画像を複数のクラスに分類するステップと、
前記クラスのいずれかを前記染色体テリトリを表す領域として前記画像から抽出するステップと、を含み、
前記分類するステップは、
前記クラスそれぞれの属性値を示す属性パラメータおよび前記クラスそれぞれの混合比率の初期値を設定するステップと、
前記属性パラメータおよび前記混合比率に基づき、前記複数のピクセルのそれぞれが前記クラスそれぞれに分類されるクラス帰属確率を算出するステップと、
前記属性パラメータおよび前記混合比率により規定される混合確率分布、および前記帰属確率に基づき、推定の良さを示す評価関数を算出し、当該評価関数が所定の条件を満たすか否かを判定するステップと、
前記評価関数が前記所定の条件を満たさない場合、前記属性パラメータおよび前記混合比率を更新するステップと、
前記評価関数が前記所定の条件を満たすときの前記属性パラメータおよび前記混合比率に基づき、前記複数のピクセルを前記複数のクラスのいずれかに分類するステップと、
を含むことを特徴とする染色体テリトリの計測方法。 - 請求の範囲第16項に記載の計測方法において、
前記クラス帰属確率を算出するステップは、
前記複数のピクセルをその属性値に応じて複数の部分空間に分解するステップと、
前記部分空間に含まれるピクセルの割合を示す粗視化経験確率分布を算出するステップと、
前記属性パラメータおよび前記混合比率に基づき、前記部分空間のそれぞれが前記クラスそれぞれに分類される粗視化クラス帰属確率を算出するステップと、を含み、
前記評価関数を算出するステップは、前記属性パラメータおよび前記混合比率により規定される混合確率分布を前記部分空間内で平均化して粗視化混合確率分布を算出するステップを含み、前記粗視化経験確率分布、前記粗視化混合確率分布、および前記粗視化クラス帰属確率に基づき、前記評価関数を算出することを特徴とする染色体テリトリの計測方法。 - コンピュータに、染色体テリトリを含む細胞を撮影した画像情報に基づいて、細胞の状態を評価させるためのプログラムであって、
コンピュータを、
前記画像から、前記細胞の核を抽出するとともに当該核内に含まれる前記染色体テリトリを抽出する手段、
当該抽出された核の形状を標準化して標準化された核を形成する手段、
標準化前の前記核の形状と前記標準化された核の形状とに基づいて前記染色体テリトリの座標を変換する手段、
座標変換後の前記染色体テリトリの配置状態を定量化する手段、
定量化された前記染色体テリトリの配置状態に基づき、前記細胞の状態を評価する手段、
として機能させることを特徴とするプログラム。 - 請求の範囲第18項に記載のプログラムにおいて、前記染色体テリトリの座標を変換する手段は、標準化前の前記核の形状と前記標準化された核の形状とに基づいて、前記染色体テリトリの座標を、標準化前の前記核の内部の点から前記標準化された核の内部の点へ変換することを特徴とするプログラム。
- 請求の範囲第19項に記載のプログラムにおいて、
前記標準化された核は、標準化前の前記核と同一重心および同一体積を有する球であり、
前記染色体テリトリの座標は、標準化前の前記核の内部の点を通る直線上における前記重心から当該核の外周までの距離と前記球の半径との比率に基づいて変換されることを特徴とするプログラム。 - 染色体テリトリを含む細胞を撮影した画像情報に基づいて、細胞の状態を評価する評価システムであって、
前記画像から、前記細胞の核を抽出するとともに当該核内に含まれる前記染色体テリトリを抽出する抽出処理部と、
当該抽出された核の形状を標準化して標準化された核を形成し、標準化前の前記核の形状と前記標準化された核の形状とに基づいて前記染色体テリトリの座標を変換し、さらに座標変換後の前記染色体テリトリの配置状態を定量化する定量化処理部と、
前記配置状態を定量化した結果を記憶する記憶部と、
複数の細胞の前記配置状態を定量化した結果を統計処理する統計処理部と、
一の細胞の前記配置状態を定量化した結果と、前記統計処理の結果とに基づき、前記一の細胞の状態を評価する評価部と、
を含むことを特徴とする評価システム。 - 請求の範囲第21項に記載の評価システムにおいて、前記定量化処理部は、標準化前の前記核の形状と前記標準化された核の形状とに基づいて、前記染色体テリトリの座標を、標準化前の前記核の内部の点から前記標準化された核の内部の点へ変換することを特徴とする評価システム。
- 請求の範囲第22項に記載の評価システムにおいて、
前記標準化された核は、標準化前の前記核と同一重心および同一体積を有する球であり、
前記染色体テリトリの座標は、標準化前の前記核の内部の点を通る直線上における前記重心から当該核の外周までの距離と前記球の半径との比率に基づいて変換されることを特徴とする評価システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003282122 | 2003-07-29 | ||
JP2003282122 | 2003-07-29 | ||
PCT/JP2004/010852 WO2005010206A1 (ja) | 2003-07-29 | 2004-07-29 | 染色体状態の評価方法および評価システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2005010206A1 JPWO2005010206A1 (ja) | 2007-09-27 |
JP4609322B2 true JP4609322B2 (ja) | 2011-01-12 |
Family
ID=34100990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005512081A Expired - Lifetime JP4609322B2 (ja) | 2003-07-29 | 2004-07-29 | 染色体状態の評価方法および評価システム |
Country Status (3)
Country | Link |
---|---|
US (1) | US7840357B2 (ja) |
JP (1) | JP4609322B2 (ja) |
WO (1) | WO2005010206A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
HUE041756T2 (hu) * | 2007-02-05 | 2019-05-28 | Siemens Healthcare Diagnostics Inc | Rendszer és eljárás sejt mikroszkópos elemzésére |
JPWO2010098105A1 (ja) * | 2009-02-26 | 2012-08-30 | 国立大学法人名古屋大学 | 培養状態評価装置、培養状態評価方法、インキュベータおよびプログラム |
US8103672B2 (en) * | 2009-05-20 | 2012-01-24 | Detectent, Inc. | Apparatus, system, and method for determining a partial class membership of a data record in a class |
JP2011022131A (ja) * | 2009-06-18 | 2011-02-03 | Olympus Corp | 医療診断支援装置、画像処理方法、画像処理プログラム、およびバーチャル顕微鏡システム |
JP5916991B2 (ja) * | 2010-11-09 | 2016-05-11 | オリンパス株式会社 | 遺伝子異常細胞の解析方法 |
KR101370496B1 (ko) * | 2013-09-26 | 2014-03-06 | 한국건설기술연구원 | 복합매질로 이루어진 시편에 대한 X-ray CT 영상의 최소 단위에 존재하는 각 순수매질의 부피비 측정방법 |
JP6824845B2 (ja) * | 2017-08-09 | 2021-02-03 | キヤノン株式会社 | 画像処理システム、装置、方法およびプログラム |
TWI669616B (zh) * | 2018-08-13 | 2019-08-21 | 行政院原子能委員會核能研究所 | 圓柱狀和圓餅狀數位模型之模擬切割方法 |
CN112037185B (zh) * | 2020-08-21 | 2023-09-05 | 湖南自兴智慧医疗科技有限公司 | 染色体分裂相图像筛选方法、装置及终端设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05172810A (ja) * | 1991-06-10 | 1993-07-13 | Kagaku Gijutsucho Hoshasen Igaku Sogo Kenkyusho | 染色体異常検出装置 |
JP2001092980A (ja) * | 1999-09-24 | 2001-04-06 | Nec Corp | 輪郭抽出方法及び装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3649328B2 (ja) * | 2002-04-10 | 2005-05-18 | 日本電気株式会社 | 画像領域抽出方法および装置 |
-
2004
- 2004-07-29 US US10/565,669 patent/US7840357B2/en not_active Expired - Fee Related
- 2004-07-29 WO PCT/JP2004/010852 patent/WO2005010206A1/ja active Application Filing
- 2004-07-29 JP JP2005512081A patent/JP4609322B2/ja not_active Expired - Lifetime
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05172810A (ja) * | 1991-06-10 | 1993-07-13 | Kagaku Gijutsucho Hoshasen Igaku Sogo Kenkyusho | 染色体異常検出装置 |
JP2001092980A (ja) * | 1999-09-24 | 2001-04-06 | Nec Corp | 輪郭抽出方法及び装置 |
Also Published As
Publication number | Publication date |
---|---|
US7840357B2 (en) | 2010-11-23 |
JPWO2005010206A1 (ja) | 2007-09-27 |
WO2005010206A1 (ja) | 2005-02-03 |
US20060246458A1 (en) | 2006-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10733726B2 (en) | Pathology case review, analysis and prediction | |
US10573003B2 (en) | Systems and methods for computational pathology using points-of-interest | |
JP4496943B2 (ja) | 病理診断支援装置、病理診断支援プログラム、病理診断支援装置の作動方法、及び病理診断支援システム | |
Huang et al. | Time-efficient sparse analysis of histopathological whole slide images | |
US7027627B2 (en) | Medical decision support system and method | |
US9002092B2 (en) | Image-based risk score—A prognostic predictor of survival and outcome from digital histopathology | |
Sheehan et al. | Detection and classification of novel renal histologic phenotypes using deep neural networks | |
CN112215807A (zh) | 基于深度学习的细胞图像自动分类方法及系统 | |
CN116188423A (zh) | 基于病理切片高光谱图像的超像素稀疏解混检测方法 | |
JP2003303344A (ja) | 画像領域抽出方法および装置 | |
JP4609322B2 (ja) | 染色体状態の評価方法および評価システム | |
CN110838094A (zh) | 病理切片染色风格转换方法和电子设备 | |
Zhao et al. | Automatic glomerulus extraction in whole slide images towards computer aided diagnosis | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
Vani et al. | Detection and Classification of Invasive Ductal Carcinoma using Artificial Intelligence | |
Oliveira et al. | A multi-objective approach for calibration and detection of cervical cells nuclei | |
Sharma et al. | Cell nuclei attributed relational graphs for efficient representation and classification of gastric cancer in digital histopathology | |
Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
Sáez et al. | Neuromuscular disease classification system | |
Mudeng et al. | Domain and histopathology adaptations–based classification for Malignancy Grading System | |
Pati et al. | Deep positive-unlabeled learning for region of interest localization in breast tissue images | |
JP2018125019A (ja) | 画像処理装置及び画像処理方法 | |
Lassouaoui et al. | Morphological Description of Cervical Cell Images for the Pathological Recognition. | |
Amitha et al. | Developement of computer aided system for detection and classification of mitosis using SVM | |
Zanotelli et al. | A flexible image segmentation pipeline for heterogeneous multiplexed tissue images based on pixel classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090106 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090306 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100420 |
|
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: 20100914 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100927 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131022 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4609322 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |