JP5113227B2 - 画像パターン認識システム及び方法 - Google Patents

Description

本出願は、２００３年２月２８日に出願された、米国特許出願Ｎｏ．６０／４５１０８３号を基礎とする優先権主張出願であり、その開示内容の全ては、参考として本明細書中に編入されるものである。

本発明は、概略、デジタル顕微鏡のスライドガラス（ｓｌｉｄｅｓ）における自動検査に関し、より詳しくは、仮想スライドガラス（ｖｉｒｔｕａｌ ｓｌｉｄｅｓ）の自動検査で使用されるパターン認識技術に関する。

顕微鏡検査の自動化に対する障害は、顕微鏡標本の全体を診断上の解像度にて効率的にデジタル化することができない点である。仮想スライドガラスを作製するための従来のアプローチは、タイルを貼るように画像を貼り付けること（ｉｍａｇｅ ｔｉｌｉｎｇ）に頼っている。画像のタイリング（ｔｉｌｉｎｇ）は、通常の電荷結合素子（ＣＣＤ）カメラを使用する、顕微鏡スライドガラスの多数の小領域の取り込みを含む。それらのタイル（ｔｉｌｅｓ）は、一般的に、全スライドガラスの大きな連続したデジタル画像（モザイク）を生成するように、互いに「縫い合わされる」（並べられる）。一般的に、５００００画素／インチ（０．５μｍ／画素）にて、１５ｍｍ×１５ｍｍの面積のスライドガラスをデジタル化するには、最低、２２５０の個々のカメラのタイルが必要である。

画像のタイリングは、種々の不具合をもたらす。第１に、画像のタイルがカメラの固定面対物レンズからの単一の焦点面に限定されるため、画像は、しばしば歪んでしまう。第２に、画像タイリングシステムは、画像タイルの中心のまわりに円形につり合った光収差を生じる。第３に、カラーＣＣＤでは、非隣接画素からのカラー値の補間において空間解像度が悪くなることから、全画素の分析は、通常、利用できない。

パターン認識への従来のアプローチもまた、厄介である。光学顕微鏡において長年に改良がなされたが、多くの場合、専用装置の接眼レンズを通して標本を人力で評価することが未だに操作者に要求されている。世界的に、何千もの臨床上の研究所において、他の、試験管外の診断試験処置よりもマニュアル顕微鏡の操作により多くの時間が費やされている。２００００と見積もられる調査研究所において、マニュアル顕微鏡検査は、薬物ターゲット（ｄｒｕｇ ｔａｒｇｅｔｓ）を選別するため、及び毒物学の勉強を行うために必須の道具である。自動化に関する莫大な機会を提供しながら、顕微鏡検査は、他の点では自動化された解決案に転向されている環境において、人力の砦のままである。

コンピュータによるパターン認識において幾つかの試みがなされている。顕微鏡画像のパターン認識へのそれらのアプローチは、形態学の特徴に基づく。多数の特徴点距離（例えば、細胞のサイズ、細胞核と細胞質との比、丸み、密度、色、きめ、等）が、画像内に現れる「対象物」（例えば、細胞）を同一と見なすために計算される。パターン認識は、未知の対象物における特徴点距離を既知の対象物の特徴点距離と相関させることで達成される。特徴点に基づくアプローチは、対象物を同定するために多様な細胞が必要となる細胞学では、いくつか成功している。しかしながら、それら従来のアプローチは、非常に複雑であり、又、信頼できる対象物の分割が困難である組織学上の画像データに関して完全なものではない。

画像パターン認識システム及び方法は、画像のベクトル量子化（「ＶＱ」）を使用する、デジタル画像の取り込み及び符号化を備える。ベクトルのボキャブラリーは、画像をカーネル（ｋｅｒｎｅｌ）に分割し、各カーネルに対応してベクトルを生成することで構築される。画像は、上記ボキャブラリーに格納されるベクトルに、複数のインデックス（「ポインター」）付きのベクトルインデックスファイルを作成することにより符号化される。ベクトルインデックスファイルは、上記ボキャブラリーに格納されているベクトルを調べることで画像を復元するのに使用可能である。画像の候補領域のパターン認識は、特別な画像特徴部分と相関するベクトルを備えたベクトルセット（ｖｅｃｔｏｒ ｓｅｔｓ）のトレーニング前のボキャブラリー（ｐｒｅ−ｔｒａｉｎｅｄ ｖｏｃａｂｕｌａｒｙ）に画像ベクトルを相関させることで達成可能である。仮想顕微鏡において、上記システム及び方法は、微小癌組織の転移クラスタの検出、組織の同定、免疫組織化学上の検査に関する分析の配置領域のような、まれな事象の研究、及び、組織マイクロアレイ（ｔｉｓｓｕｅ ｍｉｃｒｏａｒｒａｙｓ： ＴＭＡｓ）として分類される組織学部分のような、組織サンプルの迅速な選別に適している。

ここに記載する実施形態は、パターン認識システム及び方法を提供する。例えば、ここに記載する一つの方法は、複数の画像カーネル（ｉｍａｇｅ ｋｅｒｎｅｌｓ）に分割されるデジタル化された画像を考慮に入れている。画像カーネルは、カーネルにおける各画素の光の強度（ｉｎｔｅｎｓｉｔｙ）を判断するように分析される。画像カーネルに関する画素の強度は、ベクトルに結合され、該ベクトルは、画像における他のベクトルとともにデータ構造内に格納される。各ベクトルは、インデックス及びベクトルを使用して後に復元可能なデジタル画像用のコンポジットインデックスを生成するために、索引が付けられる。

本発明の構成及び動作の詳細は、添付の図面を参照することで明らかになる。これらの図において、同様の構成部分には同じ符号を付している。
図１は、本発明の一実施形態によるベクトル量子化を使用した、画像の符号化処理及び復号化処理の一例を示すブロック図である。 図２は、本発明の一実施形態による画像パターン認識用の一方法例を示すフロー図である。 図３は、本発明の一実施形態によるクライアント／サーバーの実行の一例を示すブロック図である。 図４は、本発明の一実施形態によるネストされたカーネルロジックの一例を示すブロック図である。 図５は、本発明の一実施形態による可変サイズの核を生成するプロセスの一例を示すフロー図である。 図６は、本発明の一実施形態による研究に使用されるスライドガラスの代表例を要約したテーブル図である。 図７は、本発明の一実施形態による研究からの複数のスライドガラスによる結果を要約したテーブル図である。 図８は、本発明の一実施形態による調査にてスライドガラスが処理されるときのボキャブラリーサイズの変化例を示すグラフである。 図９は、本発明の一実施形態による調査にてスライドガラスが処理されるときのインデックスサイズの変化例を示すグラフである。 図１０は、ここに記載される種々の実施形態に関連して使用可能なコンピュータシステムの一例を示すブロック図である。

ここの説明を読むことで、当業者は、種々の、別の実施形態及び応用例において本発明をどのように実行すればよいか明らかになるであろう。しかしながら、本発明の種々の実施形態がここに記載されるが、それらの実施形態は、例としてのみ記載するもので、それらに限定するものではない。種々の実施形態の詳しい説明は、それ自体、添付の請求範囲に記載する本発明の権利範囲若しくは幅を限定するように構成されるべきではない。

自動顕微鏡検査における第１ステップは、仮想スライドガラス、即ち、全スライドガラスの高解像度デジタル画像を生成することである。本発明のシステム及び方法は、ベクトル量子化（「ＶＱ」）として知られた技術を使用することで、存在する画像パターン認識技術における多くの不具合を克服する。ＶＱは、ボキャブラリーを使用してビットストリームを符号化する、コンピュータ操作上の技術である。ＶＱは、有効な冗長度（ｒｅｄｕｎｄａｎｃｙ）を有する画像を符号化するのに特に適している。

ＶＱは、特質上繰り返される画像データにおけるパターン認識に便利なアプローチである。基本的に、ＶＱを使用するパターン認識は、以前に符号化されたパターン（即ち、特別の特徴部分）と、新たな画像データとを比較することに基づいている。甚大な量の画像データを取りまとめ検索するためのコンピュータ操作上のチャレンジは、莫大にあり、本発明より前では、大きな画像におけるパターン認識にＶＱを応用することはできなかった。ここに記載するシステム及び方法によるＶＱの実行は、それらのコンピュータ操作上のチャレンジを克服し、仮想顕微鏡画像におけるパターン認識を可能にする。

本発明の、ＶＱに基づく画像パターン認識用のシステム及び方法は、幾つかの理由に関して、従来技術を超える重要な改良点を有する。即ち、第１に、画像情報の符号化が一度実行された後、ＶＱベクトル情報を相関させることによりパターンマッチングが単独で実行可能であるので、ＶＱに基づくパターン認識は、画像情報を比較することよりも効率がよい。第２に、ＶＱは、重要な特徴部分を特定する所定の発見的方法を必要とせずに、全ての画像の特徴部分を符号化する。パターンマッチングは、形態測量的、比色定量的、状況依存的、等の、関係するベクトルの生成に使用されるトレーニングに依存するものでもよい。最後に、ＶＱパターン認識は、それが使用されるとき自動的に学習する。統計的な方法は、特別パターンに関する特徴であるベクトルの重要性を決定する。

図１は、ＶＱを使用した画像符号化の処理１００を示している。処理１００は、デジタル画像１０５が分析され、画像カーネル１０８と呼ばれる小さな方形状の領域に分割された後、始められる。画像１０５は、例えば、一又は複数の画像特徴部分を備えた肝臓であってもよい。画像特徴部分は、組織マイクロアレイ（「ＴＭＡ」）内の分析用の腫瘍細胞又は領域（「ＲＯＡ」）のクラスタのような画像の領域にて示すことができる、ユーザにて規定された属性である。カーネルは、一辺当たり１〜６４画素に、又はカーネル当たり１〜４０９６全画素に、サイズ変更できる。当業者によれば、より大きなサイズのカーネルが使用可能であることを理解できよう。

次に、それぞれのカーネル１０８に対応してベクトル１１２が生成され、ボキャブラリー１１０に格納される。ボキャブラリー１１０は、それぞれのカーネル１０８に対応したそれぞれのベクトル１１２を有するデータ構造である。該データ構造は、データベース、ファイル、関連付けられたリスト、あるいは他のベクトル１１２の収集物とすることができる。ベクトル１１２は、スカラーの一次元のアレイである。ベクトル量子化において、各ベクトルは、３つのカラーチャンネル毎に、一つのカーネルにおける全画素の画素強度（ｉｎｔｅｎｓｉｔｉｅｓ）を表す。例えば、１５画素×１５画素を有する一つのカーネルは、２２５×３＝６７５の強度値を有する一つのベクトルに相当する。

ベクトルインデックスファイル１２０は、画像１０５を有するベクトル１１２に対応する（即ち「指す」）インデックス１１６の収集物である。ボキャブラリー１１０における各ベクトル１１２は、固有のインデックス１１６が割り当てられている。一実施形態において、一つのインデックス１１６は、固有の４バイトの整数である。画像が複数のカーネル１０８に完全に分割されると、対応するベクトル１１２が各カーネル１０８毎に生成され、ベクトル１１２にインデックスが付される。この時点で、画像は、ベクトル量子化、即ちＶＱ符号化されたと言われる。画像１０５がＶＱ符号化された後、画像は、ベクトルインデックスファイル１２０において（ボキャブラリー１１０の内容とともに）一連のインデックス１１６により完全に表される。

画像１０５は、ボキャブラリー１１０内の各ベクトル１１２を探すためにインデックス１１６を使用して復元可能である（即ち、ＶＱ復号化される）。復号化は、画像１０５を描画するのに必要な対応するカーネル１０８を再形成するためにベクトル１１２を使用する。

冗長なカーネルを利用することは、ＶＱ符号化の重要な構成である。ＶＱ符号化処理において、新たに特定されるそれぞれのカーネル１０８は、ボキャブラリーに既に格納されたベクトル１１２と比較される。もし十分に近い一致が、既にボキャブラリー１１０内にあるベクトル１１２について見つかったならば、新たに特定されるカーネル１０８が再度使用される。しかしながら、十分に近い一致が、既にボキャブラリー１１０内にあるベクトル１１２について見つからなければ、新たに特定されるカーネル１０８は、ボキャブラリー１１０に追加される。その結果、時間経過により、ボキャブラリー１１０は、特別な画像タイプ、例えば肝臓組織の標本の画像に関する画像データにて見つかったほぼ全てのカーネル１０８にて占められる。従って、提供された組織タイプのスライドガラスが符号化されるとき、そのようなスライドガラスに現れるカーネル１０８がますますボキャブラリー１１０に格納され、よって新しいベクトル１１２は殆ど加える必要がない。一実施形態において、熟成したボキャブラリー１１０は、ボキャブラリー１１０に新たなベクトル１１２を加えることなく画像１０５をＶＱ符号化することができる。

再利用するため、ベクトルが存在する前のボキャブラリー１１０を検索することは、コンピュータの計算上、不経済である。本発明のシステム及び方法は、処理時間及び使用メモリにおいて数桁、低減することを達成した。この改善された処理効率を達成するための一つの技術には、次の形態にて述べるように、ベクトルとそれに対応する画像特徴部分との間の相関関係を計算することが含まれる。

図２は、本発明の実施形態による画像パターン認識方法を示すフロー図である。該画像パターン認識処理は、トレーニング段階２０１と、パターン認識段階２０２とに分けることができる。トレーニング段階２０１の第１ステップ２０５では、人間である専門家が属性の特徴として画像の領域を特定する。例えば、生物学の専門家は、組織標本を検査し、ＴＭＡ内で腫瘍細胞若しくはＲＯＡｓのグループを可視的に特定するであろう。一般的に、上記属性は、特に目に見える特徴部に関係なく、上記専門家によって認識される。ここで、上記特徴部とは、例えば形態測量的、比色定量的、及び／又は、状況依存的な、画像の特徴部の属性を備えた部分である。

ステップ２１０では、画像特徴部に見つけられるベクトルに対応する、それぞれのベクトルインデックスを格納するため、ベクトルセットが生成される。複数のベクトルセットが異なる特徴部毎に生成可能である。例えば、ステップ２０５では専門家により特定された異なる腫瘍タイプ毎に異なるベクトルセットが生成可能である。例えば、一つのベクトルセットが黒色腫に対して生成可能であり、別のベクトルセットが白血病に対して生成可能である。

ステップ２１５では、画像特徴部に対する各ベクトルの相関関係が計算される。一実施形態では、上記相関関係は、以下の比を使用して計算される。
特徴部を示す領域におけるベクトルの観察（ｏｂｓｅｒｖｅ）回数／全ベクトル観察回数

ステップ２２０では、画像特徴部に対する各ベクトルの相関関係が対応のベクトルインデックスとともにベクトルセットに格納される。ベクトルセットは、以前に特定された画像特徴部にベクトルインデックスが関連する相関関係とともに、ベクトルインデックスを含む。ステップ２２５では、次に特定される画像のために、上記トレーニング段階が繰り返される。トレーニング段階２０１を通過した一連の画像の結果により、個々のベクトルと特別のベクトルセットとの間の相関関係が計算されるであろう。該システムを鍛えるためにより多くの画像が使用されるほど、個々のベクトルと特別のベクトルセットに関する相関関係が統計的により完全なものになるであろう。十分に多くの数の画像が処理され、ベクトルセットにより表される特別な特徴部と個々のベクトルが相関したとき、上記トレーニング段階が完了しパターン認識が開始可能である。

特徴部を示す画像領域において、特別なベクトルがいままでに見つけられたならば、ベクトルと特徴部との間の相関関係は、１のような最大値、それは１００％の相関関係である、を有するであろう。この場合、ベクトルは、特徴部に関して高い予測値を有するであろう。一方、特徴部を示す画像領域において特別なベクトルが見つけられていないならば、上記相関関係は、ゼロのような最小値、それは１００％の非相関関係である、を有するであろう。この場合、ベクトルは、特徴部が存在しないことに関して高い予測値を有するであろう。最後に、特徴部を示す画像領域において特別なベクトルが時々見つけら、時々見つけられないならば、相関関係値（又、「比」として記す）は、０と１との間の任意値となるであろう。その比がほぼ１／２であれば、ベクトルは、特徴部が非存在であることに関する低い予測値を有するであろう。

上記パターン認識段階の最初のステップであるステップ２３０では、新しい画像の候補領域が特定される。候補領域は、一若しくは複数の属性であるいずれかの画像特徴部を有するいずれかの領域を有するように、うまく特定されたことがない画像領域である。多くの場合、画像の候補領域は、標本組織を含む画像の全画像あるいは部分である。よって、候補領域に対応するベクトルは、トレーニング段階の間、偶然に発生可能であったり、発生しなかったりする。ステップ２３５では、候補領域におけるベクトルに対応する特別のベクトルセットへの相関関係の平均が計算される。ステップ２４０では、候補領域が一若しくは複数のベクトルセットにより表される特徴部を示す可能性を判断するために、上記平均が評価される。高平均の相関関係は、候補領域が高い確率で特徴部を示すことを示し、一方、低平均の相関関係は、低確率であることを示す。候補領域は、上記領域が種々の異なる特徴部を示す確率を決定するために、多数のベクトルセットと比較可能である。例えば、組織学上の組織の画像は、組織が腫瘍を含む可能性を決定し、もしそうであるならば腫瘍のタイプを決定するため、異なるタイプの腫瘍の目に見える特徴部を表す種々のベクトルセットと比較可能である。パターン認識に関する上述の技術における重要な利点は、候補領域が、それらが示すであろう特徴部により区分されるだけでなく、それらがそのようになる実際の確率が計算されるということである。

一実施形態において、画像パターン認識に関するシステム及び方法は、クライエント／サーバーに分類された構造を使用して実行される。図３は、本発明のクライエント／サーバーの実施形態を示している。サーバー３０２は、ＶＱ符号化サーバーソフトウエア３０８及びボキャブラリー３１０を備え、サーバー３０２は、例えばＬＡＮ／ＷＡＮ通信チャンネルのようなネットワーク３０３を介して一若しくは複数のクライエント３０１と通信する。クライエント３０１は、ＶＱ符号化クライエントソフトウエア３０７を備え、該ソフトウエア３０７は、ベクトルインデックスファイル３２０を発生するように画像ファイル３０５を処理する。この実施形態では、ボキャブラリー３１０は、サーバー３０２において中心的に配置され、クライエント３０１に共用アクセスを提供する。ボキャブラリーの集中化は、データベースのメンテナンスを容易にし、追加のベクトルが付加されるとき、分配されたボキャブラリーを同期させる必要を排除する。さらに、クライエント／サーバーの実現は、中心位置で実行されるべき、検索やインデックス付与等の計算上で多くのタスクが集中するのを許容し、クライエント３０１の負担を救う。

大きなボキャブラリーのため、ボキャブラリー３１０を索引付けするのに要する時間は、一般的な画像３０５をＶＱ符号化するのに必要な時間の約２倍かかる。例えば、画像を処理する総６０分から外れて、索引付けの時間は６０分になり、ＶＱ符号化時間は２０分になるであろう。符号化に要する２０分の内、画像３０５のカーネルへの分割に約５分を要し、ボキャブラリー３１０の検索に約１５分を要する。上記クライエント／サーバーの実施形態を使用し実現すると、サーバー処理３０８は、索引付けされる前のボキャブラリー（ｐｒｅ−ｉｎｄｅｘｅｄ ｖｏｃａｂｕｌａｒｙ）を連続して使用可能とする。提供されたいずれの画像に関する符号化処理は、ボキャブラリーの再度の索引付けを必要をしないであろう。よって、処置時間のその部分が排除される。クライエント／サーバー通信オーバーヘッドは、（クライエント側で）画像１０５をカーネルに細分し、及び（サーバー側で）それらのカーネルに関するボキャブラリー３１０を検索するオーバーヘッドに比較して、比較的小さい。したがって、２つに分配されたコンピュータ間で処理を分割することは、実行時間をかなり増すことにはならない。一方、処理を分配することにより、クライエント側でのカーネルの細分は、サーバー側でのボキャブラリー検索に対抗して重複する可能性があり、それによって、クリティカルパスからクライエント処理時間を排除することで全体の処理時間の正味の減少となる。この方法により、一つのスライドガラスにおける全部で６０分の符号化時間は、一つのスライドガラス当たり１５分に低減可能である。

本実施形態におけるクライエント及びサーバー間での処理労力の分割は、他の効率化を有する。ボキャブラリー３１０の索引付け及び検索は、コンピュータを多用するタスクであり、大容量のメモリを有する高速プロセッサにて実行するのが一番よい。画像３０５のカーネルへの分割、及びネットワーク３０３上での通信は、比較的少ない処理能力でよい。本実施形態では、多数の非力なクライエントマシン３０１に代わって、少数の強力なサーバーマシン３０２に処理の実行を行わせ、システム全体での効率の向上を図る。さらに、ボキャブラリーファイル３１０は、一般的に非常に大きく、しばしば大きなディスクアレイ（例えばＲＡＩＤ）に格納される。一方、ベクトルインデックスファイル３２０は、それより数桁小さく、通常のコンピュータディスクに格納可能である。

クライエント／サーバー実施形態に追加して、画像パターン認識に関するシステム及び方法の種々の他の態様が、効率及び精度の両方を改善するのに使用可能である。一実施形態において、例えば、エンコーダ３０７は、符号化の前に、ＲＧＢ（「赤−緑−青」）カラー空間からＹＣＲＣＢ（強度−赤−青）カラー空間へ全画像を変換するようにプログラム可能である。複数のカーネルがボキャブラリー３１０内の複数のベクトルと照合されるとき、画像の解像度に関する人間の知覚は、基本的に、色の相違よりもむしろ強度の相違に依存することから、Ｙチャンネル値は、Ｃチャンネル値よりも、より注意深く照合される。この優先順位付けは、カーネルの情報量を損なうことなく、ある比較における誤差をより小さくすることができる。その低誤差を見込むことで、より多くの相関関係が見つかる。したがって、ボキャブラリー３１０は、より小さくなり、その結果、ベクトルインデックス３２０のサイズが小さくなり、インデックス検索時間が低減される。

本発明の他の態様において、カラーチャンネルの最適化が、ボキャブラリーファイル３１０のサイズをさらに低減するのに実行可能である。画像の強度値の相違における人間の知覚は非直線的であり、範囲の中間（強度の中位）で最も敏感であり、極端部分（明部又は暗部）で最小感度である。エンコーダ３０７は、カーネルがボキャブラリー３１０にてベクトルと照合されるとき、強度範囲の中間におけるＹチャンネル値が、上記範囲の両端でのＹチャンネル値の場合よりもより厳しい誤差にて照合されるように、これを利用して構成可能である。この優先順位は、同様に、カーネル１０８の情報量を損なうことなく、一定の比較においてより小さい誤差を可能にする。上述したように、クリティカルさがより少ない一定の比較に関して低誤差は、結果的に、非常に小さいサイズのボキャブラリー３１０となり、それによってインデックスの検索時間を非常に低減する。

さらに別の態様において、ＹＣＲＣＢカラー空間内でＣチャンネル値のビットサイズを低減するために、差動符号化が使用可能である。差動符号化では、ベクトル内の各強度値は、その左上に近接する３つの隣接部の平均値と強度値との差によって交換される。例えば、値が座標位置［ｘ,ｙ］での画素を表すならば、上記平均は、［ｘ−１，ｙ］、［ｘ−１，ｙ−１］、［ｘ、ｙ−１］の画素に関して計算される（尚、デジタル画像に関する標準的な慣習では、[０，０]は、画像の左上隅であり、ｘは右へ増加し、ｙは下方へ増加する点に注意。）。さらに、Ｃチャンネルの強度値に関して、強度は、一般的に８ビットの値として格納されるが、隣接する強度間の差異は、正確さを損なうことなく４ビットの値で表すことができる。このことは、各値の範囲を２５６（強度用）から１６（差分用）に減少する。したがって、各値に関するインデックスツリーサイズにおける実質的な減少が得られ、ボキャブラリー３１０をより高速に検索することができる。

ボキャブラリーインデックスをエンコーダ３０８により検索するのに使用されるデータ構造は、システム資源の使用量及び符号化性能の重要な決定要因である。一実施形態において、ベクトルツリーと呼ばれる新しいデータ構造がベクトルインデックスを格納及び検索するのに使用可能である。ベクトルツリーは、各リーフノードが別のツリーのルーツである、バランスのとれたツリーを備える。トップレベルのツリーは、各カーネルの第１次元（ｄｉｍｅｎｓｉｏｎ）を表す。このツリーのリーフノードは、第１次元の値でそれぞれ定義された、各カーネルの第２次元を表すツリーを含む。各第２レベルのリーフノードは、第３次元を表すツリーを含む。以下、同様となる。次のレベルのツリーに関するルーツを含むことに加えて、各リーフノードは、定義されたベクトルの最後の次元も表すことができる。この場合、ベクトルのインデックスは、また、リーフノードに格納される。この機構では、異なるサイズの多数の次元ベクトルを一つの構造内にともに格納させることが可能であり、異なる次元を有する多数のカーネルを同時に検索することを容易にする。

一実施形態において、ネストされたカーネルのロジックがベクトル強度値をより効率的に格納するのに使用され、それによりインデックスの検索時間を減少させることができる。ｋ×ｋ画素のサイズのカーネルは、３ｋ^２の強度値を有する。それらのベクトルのサイズは、ボキャブラリーインデックスのサイズ、及びベクトルインデックスの検索に要する時間とともに、ボキャブラリーファイル３１０のサイズのキードライバーである。

一実施形態において、カーネルは、各カーネルに要する強度値の数を６ｋに減じるネストされた形態で表される。図４は、ベクトルを格納するために使用可能なネストされたカーネルの論理を示す図である。このネストされたカーネルの論理を使用することで、次元ｋの各カーネル４０８（「外側カーネル」）は、それらの左上隅に配置した状態で、内側に予め配置された次元ｋ−１のカーネル４０５を有するように見なされる。可変次元のカーネル論理を参照して以下に説明するように、ロジックを符号化することは、「見つからない」ことが生じるまで、画素位置にて連続的に、より大きいカーネルについてボキャブラリーの検索を試みるので、実際の慣習では、このことは常に生じる。

このことは、外側カーネル４０８が６ｋ（即ち、３（２ｋ））の値で表されることを可能にする。３という係数は、３つのカラーチャンネルからである。２ｋの内、最初の値は、内側カーネル４０５のインデックスによって表され、次のｋ値は、外側カーネル４０８の右端に沿った画素４１０である。残りのｋ−１の値は、外側カーネル４０８の底端に沿った画素４１５である。

３ｋ^２の強度値の代わりに６ｋの強度値でカーネルを表すことは、ベクトルを表すのに必要な値の数をかなり減少させる。例えば、ｋ＝１５画素のサイズのカーネルでは、当該カーネルを格納するのに９０の値（６７５の代わりに）となるであろう。このことは、ボキャブラリーファイルのサイズ、及びインデックス検索用のＶＱエンコーダにて使用される対応のベクトルツリーのサイズを劇的に減じる。符号化検索時間も同様に減じる。

図１に戻り、検索時間を減じるための他の技術は、可変サイズのカーネルの論理を使用した画像１０５のＶＱ符号化を含む。図１において、ＶＱ符号化された画像１０５を含む例示的なカーネル１０８は、サイズが可変である。この技術は、符号化された画像において、サイズが可変で、対象物、構造、及び特徴部の広い範囲を吸収するカーネルによる画像データのマッピングを可能にする。それは、また、ある画像に関して最適なカーネルサイズを特定し又は導き出す必要を排除する。

図５は、本発明の実施形態による可変サイズのカーネルを生成するためのプロセスの一例を示すフロー図である。ステップ５０５では、ＶＱエンコーダは、左上から右下へ各画素位置を通り繰り返す。ステップ５１０（各画素位置で実行される）において、ボキャブラリーでは、サイズｎ（最小のカーネルサイズのパラメータ値、一般的には３又は４）に一致するカーネルが検索される。ステップ５１５では、上記カーネルが見つかったならば、ステップ５２０にてｎがインクリメントされ、サイズｎ＋１のカーネルの検索が、特定の正方形領域に匹敵するｎ×ｎサイズのカーネルの存在を見つける試みを行うように引き起こされる。エンコーダは、ステップ５１５にて「見つからない」の状態が生じるまで、ボキャブラリーを通して連続的により大きいカーネルにトライして、ループ（ｌｏｏｐｓ）する。

ステップ５２５では、特定の画像位置と、現在のｎ×ｎカーネルとの間で一致が見つからないならば、上記ループの以前の繰り返しにて見つけられたｎ−１×ｎ−１サイズの存在するカーネルに、特定の正方形領域がマップされる。ｎ−１×ｎ−１のカーネルに関する使用数は、画像領域をマップするために別の例のカーネルが使用されていることを示すように、インクリメントされるであろう。検索されたが見つからなかったｎ×ｎ領域について、ステップ５３０では、その領域がボキャブラリーに追加され（そして適切に索引付けされる）、新しいカーネルの使用数は、１に初期化されるであろう。カーネルが一致する毎に、使用数が増加し、使用数がパラメータ値のしきい値（一般的には２０）を超えたとき、カーネルは、画像符号化に使用可能である。この方法にて、ボキャブラリーは、さらに大きな画像情報を含むさらに大きなカーネルとともに連続して徐々に大きくなる。

上述の実施形態は、可変サイズの正方形のカーネルを使用している。別の実施形態では、ｎ＋１×ｎ＋１よりもむしろｎ＋１×ｎまで検索されるようにカーネルのサイズを増加することで、方形のカーネルを使用することもできる。例えば、ステップ５１５において、もしカーネルが見つかったならば、カーネルの一辺のサイズがステップ５２０にて増加され、ｎ＋１×ｎのサイズのカーネルの検索が、特定の方形領域と一致するｎ＋１×ｎサイズのカーネルの存在を見つけることを試みるように引き起こされる。エンコーダは、ボキャブラリーを通して、ステップ５１５にて「見つからない」の状態が生じるまで、大きい方形若しくは正方形のカーネルを連続的に試してループする。

例示的な実施形態において、ここで述べるシステム及び方法の実行及び格納要求を決定するために肝臓組織学切片を使用して実行可能性調査が行われた。この調査の一つの目的は、仮想顕微鏡スライドガラスの画像のＶＱ符号化が、実際の応用例と矛盾のない実行時間にて、簡単に利用できるコンピュータを使用したハードウエアで実行できることを検証することである。他の目的は、ボキャブラリーのサイズ及び対応するインデックスのサイズをいかに速く収束させるかを決定することである。ある組織タイプのスライドガラスが符号化されるとき、収束が発生する。時間経過とともに、そのようなスライドガラスにおいて現れるカーネルがより多くボキャブラリー内に格納されるとき、それに応じて、新しいベクトルを追加する必要は殆ど無くなる。

上記調査は、４９の肝臓組織スライドガラスを使用して実行された。それらのスライドガラスは、標準的なＨ＆Ｅ染色された組織学標本であった。上記スライドガラスは、ＳｃａｎＳｃｏｐｅ（登録商標）Ｔ１０８スキャナーでスキャンされた。仮想スライドガラスＴＩＦＦファイルが、Ｎｉｋｏｎの２０ｘ／０．７５Ｐｌａｎ Ａｐｏｃｈｒｏｍａｔ 対物レンズを使用して、各スライドガラス毎に、５４０００画素／インチ（０．５μｍ／インチ）にて生成され、Ａｐｅｒｉｏ Ｔｅｃｈｎｏｌｏｇｉｅｓ， Ｉｎｃ． のＪＰＥＧ２０００圧縮ソフトウエアで７／９ウェーブレット法を使用して、２０：１の圧縮比で圧縮された。圧縮された形態において、各仮想スライドガラスＴＩＦＦファイルは、ほぼ２５０ＭＢを有する。図６は、この調査を使用したスライドガラスの標本例を要約した表である。

上記調査にて使用された方法は、画像から近いカーネルがボキャブラリー内でどのようにベクトルと一致しなければならないかを決定するために、許容パラメータを使用した。上記調査は、３つの異なる許容パラメータ、４％（高）、５％（中）、６％（低）を用いて３回実行された。各場合、ボキャブラリーは、最初空であった。換言すると、３回の調査は、ボキャブラリー内にカーネルが存在する前ではない状態（ｗｉｔｈ ｎｏ ｐｒｅ−ｅｘｉｓｔｉｎｇ ｋｅｒｎｅｌｓ）で始められた。各スライドガラスの画像は、ベクトルインデックスファイルを生成するボキャブラリーに対抗して符号化された。その符号化プロセスは、ボキャブラリーにカーネルを累進的に追加した。各スライドガラスは、符号化後、復号化され、符号化／復号化プロセスが良好であることを検証するため、Ａｐｅｒｉｏ ＴｅｃｈｎｏｌｏｇｉｅｓのＩｍａｇｅＳｃｏｐｅ（商標）ビューアを使用して可視的に検査された。

上記スライドガラスは、１ＧＢのＲＡＭ及び８０ＧＢのハードディスクを有するＤｅｌｌ Ｄｉｍｅｎｓｉｏｎ ７００ＭＨｚＰｅｎｔｉｕｍ（登録商標） ＩＩＩデスクトップコンピュータを使用して符号化された。このコンピュータは、不要な全てのオペレーティングシステムをディスエーブルしたＷｉｎｄｏｗｓ（登録商標） ２０００ Ｐｒｏｆｅｓｓｉｏｎａｌにて動作した。タイミング、ディスク、及びメモリの測定は、ＶＱ符号化ソフトウエア自身にて実行された。

第１の調査からの結果の一例が図７に表で示される。この表は、（全４９スライドガラスの内）最初の５つのスライドガラスの処理、及び最後の５つのスライドガラスの処理に関する処理統計を示す。最後３つの欄は、処理時間を示す。平均のインデックスのロード時間は、３０分であり、それは調査中、最大３９分まで連続的に増加した。平均の符号化時間は、１７分であり、最大２４分であった。全体の処理時間は平均４８分で、最大は６３分であった。

この調査からの重要な観察は、ボキャブラリーのサイズが収束するかどうか、即ち、連続的に新たなスライドガラスが殆どカーネルをデータベースに追加することのない点に到達するかどうかである。図７におけるベクトルの累積合計欄（＃ｖｅｃｔｏｒｓ）は、最後のほんの少数のスライドガラスよりも、最初のほんの少しのスライドガラスがより多くのベクトルをボキャブラリーに大いに追加したことを示している。４９スライドガラスの後、収束の実質的な量が求められる。図８は、スライドガラスが処理されたとき、ボキャブラリーのサイズの変化を示している。ボキャブラリーは、漸近線に到達しないが、４９スライドガラスの後の成長率は実質的に遅くなる。

上記調査からの他の重要な観察は、インデックスサイズが「収束する」かどうかであり、メモリの常駐インデックスがどの程度の大きさになるかである。図７におけるベクトルインデックスのサイズ欄（ｉｄｘ ＭＢ）は、唯一のスライドガラス後、初期のインデックスサイズは５２０ＭＢであるが、その後、成長はかなり遅くなり、全体ではほぼ停止することを示している。図９は、スライドガラスが処理されたときのインデックスサイズの変化を示すグラフである。インデックスサイズは、マシンで利用可能な物理的メモリ（１ＧＢ）を超えず、よって、ページングは必要ない。インデックスがメモリ常駐できないならば、符号化実行は劇的に減少するであろう。図９は、また、スライドガラスが処理されたとき、インデックス処理時間が増加することを示している。上記調査において、全インデックスが大きくなると、それぞれの新しいインデックスは挿入により多くの時間を要するので、インデックスロード時間は、インデックスサイズの成長速度と同じくらい速く成長するのをやめない。

微小癌組織の転移は、本発明のシステム及び方法から大きな恩恵を得ることができる実際に有益な希な事象の知見応用例である。腫瘍を有する患者に関して、重要な問題は、癌細胞が転移しているかどうか、即ち、腫瘍から逃げて血流を介して体の他の部分へ移動しているかである。微小癌組織の転移は、血中にて１〜１０の癌細胞の小さなクラスタの存在である。そのような転移が起こっているか否かを判断するため、患者の血液で５０までの細胞学のスライドガラスが準備される。そしてそれらのスライドガラスは、上記転移のクラスタが存在するか否かを判断するために病理医によって顕微鏡で検査される。

ブロック標本において、腫瘍細胞の出現の可能性を増すように豊富化処置が一般的に使用される。腫瘍細胞は、以下の形態学的特徴に基づいて通常細胞から区別される。
ａ）サイズ：一般的に直径で少なくとも２０μｍ（通常の白血球は１０〜１５μｍ）。
ｂ）核サイズ：大きく通常丸い（通常の核はより小さく、及び／又は形状が不規則）。
ｃ）核形態学：通常一若しくは複数の核小体が存在する（細胞核内の小さいダークブルー色の領域）。
ｄ）核着色：通常の白血球と比して通常明るく（ヘマトキシリンより明るくない）着色されている。
ｅ）細胞質着色：通常の白血球と比して、あるいは青く（好塩基性よりも青く）着色されている。
ｆ）核と細胞質との比：おおきな細胞核を示す通常の白血球に比べて通常高い。

それらの属性に基づく区別は、微妙であり、検査の経験を積んだ病理医を必要とする。この種のまれな事象検出応用例において、偽陰性としないこと、即ち微小癌組織の転移のクラスタの出現が乏しく検出が困難であるにもかかわらず、上記クラスタを見逃さないことが重要である。

偽陰性の確率を減少するため、スライドガラスは、上皮細胞（腫瘍がしばしば引き出す細胞のタイプ）に特有である免疫細胞化学の抗体で処理される。抗体は、上皮の細胞の起点を赤に着色し、通常の白血球は着色されない染料として用意される。これは、微小癌組織の転移クラスタのコントラストを著しく増し、視覚による検出を容易にし、偽陰性の確率を減少させる。この染料の使用により、微小癌組織の転移のスライドガラス標本は、低い解像度でスキャン可能であり、スキャンをより迅速に実行可能とする。

偽陰性の確率をさらに減少するため、５０までのスライドガラスが視覚的にスキャンされ、一つのスライドガラス当たり１〜１０のクラスタが出現する一般的な場合で、非常に乏しい分類において、信頼できる診断を確保するように各クラスタが見つけられることが重要である。又、例えば、免疫細胞化学の染料を吸収し赤い塊として現れるゴミ粒子、及び血液試料内の他のくずにより、幾つかの擬陽性が発生する可能性がある。見つけられ可能性のある全てのクラスタは、本物の微小癌組織の転移クラスタから擬陽性を識別するように高い倍率で視覚的に検査されねばならない。

領域が見つける目標をいつ構成するかを決定するようにしきい値が必要である。上記方法は、最良の結果を生じる値を決定するため異なるしきい値で繰り返し実行可能である。実際の応用例では、しきい値は、擬陽性となるように（偽陰性の確率を減少する）パターン認識にバイアスをかけるように最適な低側に維持されるであろう。

図１０は、ここに記載する種々の実施形態と関連して使用可能な例示的なコンピュータシステム５５０を示すブロック図である。例えば、コンピュータシステム５５０は、図３を参照して既に説明したサーバーコンピュータ若しくはクライエントコンピュータと接続して使用可能である。しかしながら、当業者にて明らかとなるであろう他のコンピュータシステム及び／又はアーキテクチャが使用可能である。

コンピュータシステム５５０は、プロセッサ５５２のような、一若しくは複数のプロセッサを備えるのが好ましい。入力／出力を管理する補助のプロセッサや、浮動小数点演算用操作を実行する補助のプロセッサや、信号処理アルゴリズムの高速実行に適したアーキテクチャを有する特殊用途向けのマイクロプロセッサ（例えばデジタル信号プロセッサ）や、主処理システムに従属するスレーブプロセッサ（例えば後置型プロセッサ）や、二重のあるいは多数のプロセッサシステム用の付加的なマイクロプロセッサ若しくはコントローラや、又は、コプロセッサのような、付加的なプロセッサを設けることができる。そのような補助プロセッサは、ディスクリートプロセッサであったり、若しくはプロセッサ５５２とともに集積化されたものであってもよい。

プロセッサ５５２は、通信バス５５４に接続されるのが好ましい。通信バス５５４は、コンピュータシステム５５０の格納部と他の周辺構成部分との間の情報伝達を容易にするためにデータチャンネルを含むことができる。さらに通信バス５５４は、データバス、アドレスバス、及びコントロールバス（不図示）を含むプロセッサ５５２との通信に使用される一対の信号を提供可能である。通信バス５５４は、例えば、業界標準アーキテクチャ（「ＩＳＡ」）、拡張業界標準アーキテクチャ（「ＥＩＳＡ」）、マイクロチャネルアーキテクチャ（「ＭＣＡ」）、周辺機器相互接続（「ＰＣＩ」）ローカルバス、又は、ＩＥＥＥ４８８一般的目的インタフェースバス（「ＧＰＩＢ」）、ＩＥＥＥ６９６／Ｓ−１００等を含む電気電子技術者協会（「ＩＥＥＥ」）により普及された標準、に準拠したバスアーキテクチャのような、標準あるいは非標準のいずれのバスアーキテクチャを備えることができる。

コンピュータシステム５５０は、主メモリ５５６を備えるのが好ましく、また、副メモリ５５８を備えることもできる。主メモリ５５６は、プロセッサ５５２で実行されるプログラム用の命令及びデータを格納する。主メモリ５５６は、一般的にダイナミックランダムアクセスメモリ（「ＤＲＡＭ」）及び／又はスタティックランダムアクセスメモリ（「ＳＲＡＭ」）のような半導体メモリである。例えば、リードオンリーメモリ（「ＲＯＭ」）を含み、同期ダイナミックランダムアクセスメモリ（「ＳＤＲＡＭ」）、ラムバスダイナミックランダムアクセスメモリ（「ＲＤＲＡＭ」）、強誘電性ランダムアクセスメモリ（「ＦＲＡＭ」）、等の他の半導体メモリタイプも含くまれる。

副メモリ５５８は、ハードディスクドライブ５６０、及び／又は、例えばフロッピー（登録商標）ディスクドライブ、磁気テープドライブ、コンパクトディスク（「ＣＤ」）ドライブ、デジタル多目的ディスク（「ＤＶＤ」）ドライブ、等のリムーバブル記憶ドライブ５６２を随意備えることができる。リムーバブル記憶ドライブ５６２は、公知の方法にて、リムーバブル記憶媒体５６４から読み出し、及び／又はリムーバブル記憶媒体５６４への書き込みを行う。リムーバブル記憶媒体５６４は、例えばフロッピー（登録商標）ディスク、磁気テープ、ＣＤ、ＤＶＤ、等であってもよい。

リムーバブル記憶媒体５６４は、コンピュータが実行可能なコード（即ち、ソフトウエア）及び／又はデータを格納した、コンピュータ読み取り可能な媒体であるのが好ましい。リムーバブル記憶媒体５６４に格納されたコンピュータソフトウエア又はデータは、電気的通信信号５７８としてコンピュータシステム５５０に読み込まれる。

別の実施形態において、副メモリ５５８は、コンピュータプログラム又は他のデータや命令をコンピュータシステム５５０にロードさせる他の類似の手段を含むことができる。そのような手段は、例えば、外部格納媒体５７２及びインタフェース５７０を含むことができる。外部格納媒体５７２の例は、外部ハードディスクドライブや外部光学式ドライブ、又は／及び外部光磁気ドライブを含むことができる。

副メモリ５５８の他の例は、プログラム可能なリードオンリーメモリ（「ＰＲＯＭ」）、消去プログラム可能なリードオンリーメモリ（「ＥＰＲＯＭ」）、又はフラッシュメモリ（ＥＥＰＲＯＭに類似するブロック指向のメモリ）のような、半導体メモリを含むことができる。又、ソフトウエア及びデータをリムーバブル記憶ユニット５７２からコンピュータシステム５５０へ伝送させる、他のリムーバブル記憶ユニット５７２及びインタフェース５７０が含まれる。

コンピュータシステム５５０は、また、通信インタフェイス５７４を含むことができる。通信インタフェイス５７４は、ソフトウエア及びデータを、コンピュータシステム５５０と外部機器（例えばプリンタ）、ネットワーク、又は情報源との間で伝送可能とする。例えば、コンピュータソフトウエア又は実行可能なコードが、ネットワークサーバから通信インタフェース５７４を介してコンピュータシステム５５０へ伝送可能である。通信インタフェース５７４の例は、ほんの２，３例を挙げると、モデム、ネットワークインタフェースカード（「ＮＩＣ」）、通信ポート、ＰＣＭＣＩＡスロット及びカード、赤外線インタフェース、及びＩＥＥＥ１３９４ファイヤワイヤを含む。

通信インタフェース５７４は、イーサーネットＩＥＥＥ８０２標準、ファイバーチャネル、デジタル加入者線（「ＤＳＬ」）、非対称デジタル加入者線（「ＡＤＳＬ」）、フレームリレー、非同期転送モード（「ＡＴＭ」）、総合デジタル通信網（「ＩＳＤＮ」）、個人通信サービス（「ＰＣＳ」）、伝送制御プロトコル／インターネットプロトコル（「ＴＣＰ／ＩＰ」）、シリアルラインインターネットプロトコル／ポイントツーポイントプロトコル（ＳＬＩＰ／ＰＰＰ）、等の業界準拠プロトコル標準を実現するのが好ましい。一方、又、カスタマイズした、若しくは非標準のインタフェースプロトコルも実現可能である。

通信インタフェース５７４を通じて伝達されるソフトウエア及びデータは、一般的に電気的通信信号５７８の形態である。それらの信号５７８は、通信チャネル５７６を介して通信インタフェース５７４へ供給されるのが好ましい。通信チャネル５７６は、信号５７８を搬送し、ほんの２，３例を挙げると、ワイヤー又はケーブル、光ファイバー、従来の電話線、携帯電話中継局、無線周波中継局、又は赤外線中継局を含むいろいろな通信手段を使用して実現可能である。

コンピュータが実行可能なコード（即ち、コンピュータプログラム又はソフトウエア）は、主メモリ５５６及び／又は副メモリ５５８に格納される。また、コンピュータプログラムは、通信インタフェース５７４を介して受け取ることができ、主メモリ５５６及び／又は副メモリ５５８に格納可能である。そのようなコンピュータプログラムは、実行されるとき、コンピュータシステム５５０に、上述したような本発明の種々の機能を実行させる。

この明細書において、「コンピュータ読み取り可能な媒体」の用語は、コンピュータが実行可能なコード（例えばソフトウエア及びコンピュータプログラム）をコンピュータシステム５５０へ供給するのに使用されるいずれの媒体をも示すように使用される。それらの媒体の例は、主メモリ５５６、副メモリ５５８（ハードディスクドライブ５６０、リムーバブル記憶媒体５６４、及び外部記憶媒体５７２を含む）、及び通信インタフェース５７４（ネットワーク情報サーバーあるいは他のネットワーク機器を含む）と通信可能に接続される周辺機器を含む。それらのコンピュータ読み取り可能な媒体は、実行可能なコード、プログラムする命令、及びソフトウエアをコンピュータシステム５５０へ供給する手段である。

ソフトウエアを使用して実現される実施形態において、ソフトウエアは、コンピュータが読み取り可能な媒体に格納可能であり、リムーバブル記憶ドライブ５６２、インタフェース５７０、又は通信インタフェース５７４を通り、コンピュータシステム５５０へロード可能である。そのような実施形態において、ソフトウエアは、コンピュータシステム５５０へ電気的通信信号５７８の形態にてロードされる。ソフトウエアは、プロセッサ５５２により実行されるとき、上述した、発明の特徴及び機能をプロセッサ５５２に実行させるのが好ましい。

種々の実施形態が、例えば特定用途向け集積回路（「ＡＳＩＣｓ」）、又はフィールドプログラマブルゲートアレイ（「ＦＰＧＡｓ」）を使用して、主にハードウエアにおいて実現可能である。ここで述べた機能を実行可能なハードウエアステートマシンの実現は、当業者には明らかであろう。又、種々の実施形態もハードウエア及びソフトウエアの両方の組み合わせを使用して実現可能である。

ここで詳細に示しかつ述べた特別なシステム及び方法は、本発明の上述の目的を十分達成可能であるが、ここに示した記述及び図面は、本発明の現在好ましい実施形態を表しており、本発明により広く思索される主題内容の代表例であると理解されるべきである。さらに、本発明の権利範囲は、当業者に明らかとなるであろう他の実施形態を十分に含んでおり、よって本発明は添付の請求範囲以外のものによって限定されるものではないことが理解される。

１００ 処理
１０５ デジタル画像
１０８ 画像カーネル
１１０ ボキャブラリー
１１２ ベクトル
１２０ ベクトルインデックスファイル

Claims (20)

1. コンピュータにて実行されるデジタル画像におけるパターンの認識方法であって、
   属性の特徴部を示す画像領域を受け付ける工程と、
   上記画像領域を複数のベクトルにエンコードする工程と、
   上記複数のベクトルをデータベースに格納する工程と、
   上記複数のベクトルそれぞれと上記特徴部との相関値を算出する工程と、
   上記特徴部に関連付けられるベクトルセットを生成し、格納する工程であって、上記ベクトルセットは、上記複数のベクトルそれぞれに対して、上記ベクトルの識別子及び上記ベクトルに対して算出された上記相関値を含む、工程と、
   を備えるトレーニング段階と、
   画像の候補領域を特定する工程であって、上記候補領域は複数の候補領域ベクトルを備える、工程と、
   各候補領域ベクトルと上記特徴部との相関値を算出する工程と、
   上記候補領域が上記特徴部を示す確率を算出するために、上記候補領域ベクトルに対する上記相関値を平均化する工程と、
   を備えるパターン認識段階と、
   を備える、コンピュータにて実行されるデジタル画像におけるパターンの認識方法。
2. 上記複数のベクトルそれぞれと上記特徴部との相関値を算出する工程は、上記画像領域にて上記ベクトルが観察される回数を全体で上記ベクトルが観察される回数で割る工程を備える、請求項１記載のパターン認識方法。
3. 上記画像の候補領域は、全画像を含む請求項１記載のパターン認識方法。
4. 上記画像の候補領域は、全画像の一部を含む請求項１記載のパターン認識方法。
5. 上記画像の候補領域は、顕微鏡スライドサンプルの一部を含む請求項４記載のパターン認識方法。
6. 上記相関値が高平均であることは、上記画像の上記候補領域における画像パターンと上記画像特徴部との間での照合確率が高いことを示す請求項１記載のパターン認識方法。
7. 上記相関値が低平均であることは、上記画像の上記候補領域における画像パターンと上記画像特徴部との間での照合確率が低いことを示す請求項１記載のパターン認識方法。
8. 複数のベクトルセットを生成し、格納する工程であって、上記複数のベクトルセットそれぞれは、複数の特徴部に関連付けられ、上記複数の特徴部それぞれは、複数の属性の一つである、工程を更に備える請求項１記載のパターン認識方法。
9. 各候補領域ベクトルと複数の特徴部それぞれとの相関値を算出する工程と、
   複数の特徴部それぞれのために上記相関値を平均化する工程とを更に備える請求項８記載のパターン認識方法。
10. 上記候補領域により示される特徴部として、最高平均の相関関係を有する上記複数の特徴部の一つを特定する工程を更に備える請求項９記載のパターン認識方法。
11. 複数の画像ベクトルを含むボキャブラリーを有するデータ格納領域であって、各画像ベクトルは、デジタル画像の小区分における複数の画素のために画素の強度を表す複数の値を含む、データ格納領域と、
    複数のベクトルセットを有するデータ格納領域であって、各ベクトルセットは、属性の特徴部に関連付けられ、各ベクトルセットは、上記複数の画像ベクトルのサブセットのそれぞれに対して、上記画像ベクトルの識別子及び上記画像ベクトルと上記特徴部との相関値を含む、データ格納領域と、
    デジタル画像の候補領域内の各画像ベクトルを一又はそれ以上の複数のベクトルセットの特定された各画像ベクトルと相関し、特徴部がデジタル画像の候補領域内に存在する確率を決定するように構成される相関モジュールと、を備えるデジタル画像におけるパターン認識のためのシステム。
12. 各候補領域を相関させる工程は、上記候補領域が、判定する前の誤差パラメータの対象となる上記ベクトルセットのベクトルと一致するか否かを判定する工程を更に備える請求項１記載のパターン認識方法。
13. 上記属性は、腫瘍細胞のクラスタである請求項１記載のパターン認識方法。
14. 上記属性は、組織の型である請求項１記載のパターン認識方法。
15. 上記画像領域を複数のベクトルにエンコードする工程は、
    上記画像領域を複数のカーネルに区分する工程と、
    上記複数のカーネルそれぞれに対するベクトルを生成する工程であって、各ベクトルは、スカラのアレイを含む、工程と、を備える請求項１記載のパターン認識方法。
16. 上記スカラのアレイは、画素強度値を含む請求項１５記載のパターン認識方法。
17. 上記画素強度値は、複数のカラーチャネルそれぞれに対する上記カーネルの全ての画素に対する強度値を含む請求項１６記載のパターン認識方法。
18. 上記画像領域を複数のベクトルにエンコードする工程の前に、上記画像領域を第１のカラー空間から上記第１のカラー空間とは異なる第２のカラー空間に変換する工程をさらに備える請求項１記載のパターン認識方法。
19. 上記第１のカラー空間は、赤−緑−青であり、上記第２のカラー空間は、強度−赤−青である請求項１８記載のパターン認識方法。
20. 上記ベクトルの識別子は、上記データベースのインデックスである請求項１記載のパターン認識方法。

Images