JP5825641B2 - 病理組織画像の特徴抽出システム及び病理組織画像の特徴抽出方法 - Google Patents
病理組織画像の特徴抽出システム及び病理組織画像の特徴抽出方法 Download PDFInfo
- Publication number
- JP5825641B2 JP5825641B2 JP2012525453A JP2012525453A JP5825641B2 JP 5825641 B2 JP5825641 B2 JP 5825641B2 JP 2012525453 A JP2012525453 A JP 2012525453A JP 2012525453 A JP2012525453 A JP 2012525453A JP 5825641 B2 JP5825641 B2 JP 5825641B2
- Authority
- JP
- Japan
- Prior art keywords
- image data
- pathological tissue
- mask
- region
- tissue image
- 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 - Fee Related
Links
- 230000001575 pathological effect Effects 0.000 title claims description 197
- 238000000605 extraction Methods 0.000 title claims description 61
- 210000001519 tissue Anatomy 0.000 claims description 199
- 210000003855 cell nucleus Anatomy 0.000 claims description 105
- 238000000034 method Methods 0.000 claims description 87
- 239000013598 vector Substances 0.000 claims description 75
- 210000000805 cytoplasm Anatomy 0.000 claims description 62
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000000513 principal component analysis Methods 0.000 claims description 26
- 210000004027 cell Anatomy 0.000 claims description 14
- 230000001086 cytosolic effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000007170 pathology Effects 0.000 claims 3
- 201000011510 cancer Diseases 0.000 description 45
- 206010028980 Neoplasm Diseases 0.000 description 43
- 238000002474 experimental method Methods 0.000 description 30
- 238000001514 detection method Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 20
- 238000012795 verification Methods 0.000 description 19
- 238000003745 diagnosis Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000010827 pathological analysis Methods 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 13
- 238000006073 displacement reaction Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000010186 staining Methods 0.000 description 12
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 101001139126 Homo sapiens Krueppel-like factor 6 Proteins 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 101000661807 Homo sapiens Suppressor of tumorigenicity 14 protein Proteins 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 239000000975 dye Substances 0.000 description 3
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000762 glandular Effects 0.000 description 3
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 235000005811 Viola adunca Nutrition 0.000 description 2
- 240000009038 Viola odorata Species 0.000 description 2
- 235000013487 Viola odorata Nutrition 0.000 description 2
- 235000002254 Viola papilionacea Nutrition 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012333 histopathological diagnosis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Nonlinear Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
本発明のように、細胞核領域とその他の領域とが区別できる第1の2値化画像データと背景領域とその他の領域とが区別できる第2の2値化画像データの否定論理和をとって細胞質領域を区別し、領域分割画像データとなる3値化画像データを作成すると、背景領域、細胞質領域及び細胞核領域が明確になった領域分割画像を生成することができる。これは、3種類の領域を区別して領域分割する場合、特徴的な2種類の領域を1種類ずつその特徴に合わせた区別方法により作成した領域の種類が異なる2種類の2値化画像データの否定論理和を取ることにより、区別するための特徴が不明瞭な領域部分が明瞭になり、既に分割した明瞭な領域部分と組み合わせることで3種類の領域を明瞭な状態で出力できるようになるためである。
y=±(m/n)xあるいはy=0あるいはx=0
要素特徴ベクトル生成部は、高次局所自己相関計算部により複数の局所パターンマスク毎に得られる積和値である特徴量を連結(concatenate)して要素特徴ベクトルを得る。
実験2 提案する回転・反転不変の有効性検証
[実験データ]
検証実験により、非癌病理組織画像の学習により、癌病理組織画像がきちんと異常検出できるかどうかの確認を行うために、予め病理医により診断されている明らかな非癌データと明らかな癌データを用いた実験を行った。
検証実験では、学習データを用いて正常部分空間を生成した後に、各学習データの正常部分空間に対する逸脱度を計測し、その平均+標準偏差(σ)を閾値とした評価方法を用いた。テストデータに対し、この閾値を越えた逸脱度の場合を、癌の疑いを示す異常として検出する。
本実施の形態で用いる3値化手法の有効性を検証するために、図16に示す3手法で比較実験を行った。本検証実験では、回転・反転不変特徴の再構成は行わず、累積寄与率条件のCは、0.999、0.9999、0.99999の3条件のうち各手法において最も良い条件の結果を比較した。
回転・反転不変を考慮した提案手法による有効性を検証するために、再構成前の35次元HLAC特徴での異常検出結果と、再構成後の8次元回転・反転不変HLAC特徴での異常検出結果を比較した。なお、本検証実験での累積寄与率条件のCは、0.999、0.9999、0.99999の3条件のうち各手法において最も良い条件の結果を比較した。
y=±(m/n)xあるいはy=0あるいはx=0
特にmとnとを等しくすると(実施例ではm=n=4)、8個のマスク候補は、図28(A)に示すように中心マスクを中心とする八角形の頂点に位置することになる。図28(B)は、マスク候補の座標を示している。このような8個のマスク候補と中心マスクにより構成される局所パターンマスクの効果について、図10(B)と図28(A)を比較しながら説明する。図10(B)の局所パターンマスクにおいて、マスク範囲の角に位置するマスクと中心マスクとの間のユークリッド距離と、マスク範囲の内縁の辺の中央のマスクと中心マスクとの間のユークリッド距離との差の絶対値をΔD1とする。一方、図28(A)の局所パターンマスクにおいて、中心マスクの右上(左上、右下、左下でもよい)方向に位置するマスクと中心マスクとの間のユークリッド距離と、マスク範囲の内縁の辺の中央のマスクと中心マスクとの間のユークリッド距離との差の絶対値をΔD2とする。図より、ΔD2≦ΔD1であることは明らかである。ここで、複数の局所マスクパターンのうち、それぞれ45°回転させたときに等価とみなせるもの同士を同一グループと見なして、回転不変要素特徴ベクトルを生成する手続きについて考慮すると、図28(A)に基づく局所パターンマスクの方が、不変性が高いことは明らかであり、より品質の高い病理組織画像の特徴ベクトルを抽出できると考えられる。
R0(i)=Σrfi(r)
R1(i,j,a)= Σrfi(r)fj(r+a)
R2(i,j,k,a,b)= Σrfi(r)fj(r+a)fk(r+b)
ここで、rは参照画素、aとbはrからの変位ベクトル、fi(x)は画素xが色ラベルiをとるときに1、それ以外のときに0とする関数、i∈{1, ..., D}、j∈{1, ..., D}、k∈{1, ..., D}は色ラベルである。本実施例においてD=3とし、色ラベル1、2、3は、細胞核領域に属する画素に与えられるラベル値、細胞質領域に属する画素に与えられるラベル値、背景領域に属する画素に与えられるラベル値であるものとする。また、変位ベクトルaとbは局所パターンマスクに含まれる9個のマスク候補の位置により規定される。0次相関R0(i)は、iが3種類の値(色ラベル)を取り得るため、長さ3のベクトルとなる。1次相関R1(i,j,a)は、iとjがそれぞれ3種類の値(色ラベル)、変位ベクトルが8種類の方向をとり得るため、長さ3×3×8のベクトルとなる。2次相関R2(i,j,k,a,b)は、iとjとkがそれぞれ3種類の値(色ラベル)、変位ベクトルが8種類の方向から2方向をとり得るため、長さ3×3×3×8×7のベクトルとなる。したがって、2次相関まで全てを連結すると1587次元となる。さらに,本実施の形態ではCILAC特徴についても、前述の実施の形態と同様に回転・反転不変特徴への再構築を行うので、CILAC特徴xiは63次元の回転・反転不変特徴yj(j = 1, …, 63)へ再構成される。
3,103 病理組織画像の特徴抽出システム
5,105 診断部
11,111 RGB画像データ生成部
12,112 第1の2値化画像データ作成部
13 YUV 画像データ生成部
14,114 第2の2値化画像データ作成部
15,115 3値化画像データ作成部
31,131 高次局所自己相関計算部
231 マスク画素値計算部
32,132 要素特徴ベクトル計算部
33,133 特徴抽出部
Claims (18)
- 背景、細胞質及び細胞核を含む病理組織画像データから、背景領域、細胞質領域及び細胞核領域が明確になった領域分割画像を生成するために必要な領域分割画像データを作成する病理組織画像の領域分割画像データ作成システムと、
前記病理組織画像の領域分割画像データ作成システムにより作成した病理組織画像を予め定めた複数の局所パターンマスクを個々に用いて走査し、前記局所パターンマスク毎に高次局所自己相関特徴を計算する高次局所自己相関計算部と、
前記複数の局所パターンマスクをそれぞれ45°ずつ回転させたとき及び反転させたときに等価とみなせる複数の局所パターンマスクをそれぞれ複数の不変特徴グループに分け、1つの前記不変特徴グループに属する複数の前記局所パターンマスクを一つの特徴量とみなして、各不変特徴グループに属する前記局所パターンマスクによる走査で得られた前記高次局所自己相関特徴の線形和を計算する要素特徴ベクトル計算部と、
前記高次局所自己相関特徴の線形和値に基づいて、前記病理組織画像の特徴を抽出する特徴抽出部とを具備し、
前記病理組織画像の領域分割画像データ作成システムが、
前記病理組織画像データから前記細胞核領域とその他の領域とが区別できる第1の2値化画像データを作成する第1の2値化画像データ作成部と、
前記病理組織画像データから前記背景領域とその他の領域とが区別できる第2の2値化画像データを作成する第2の2値化画像データ作成部と、
前記第1の2値化画像データと前記第2の2値化画像データの否定論理和をとって細胞質領域を明確にし、前記領域分割画像データとなる3値化画像データを作成する3値化画像データ作成部とを備えていることを特徴とする病理組織画像の特徴抽出システム。 - 背景、細胞質及び細胞核を含む病理組織画像データから、背景領域、細胞質領域及び細胞核領域が明確になった領域分割画像を生成するために必要な領域分割画像データを作成するために前記病理組織画像データから前記細胞核領域とその他の領域とが区別できる第1の2値化画像データを作成する第1の2値化画像データ作成部と、前記病理組織画像データから前記背景領域とその他の領域とが区別できる第2の2値化画像データを作成する第2の2値化画像データ作成部と、前記第1の2値化画像データと前記第2の2値化画像データの否定論理和をとって細胞質領域を明確にし、前記領域分割画像データとなる3値化画像データを作成する3値化画像データ作成部とを備えており、前記第1の2値化画像データ作成部は、前記病理組織画像のRGB画像データからR成分を分離し、分離したR成分を判別2値化法により2値化処理して、前記細胞核領域とその他の領域とが区別できる第1の2値化画像データを作成するように構成されている病理組織画像の領域分割画像データ作成システムにより作成した病理組織画像を、予め定めた複数の局所パターンマスクを個々に用いて走査し、前記局所パターンマスク毎に高次局所自己相関特徴を計算する高次局所自己相関計算部と、
前記複数の局所パターンマスクをそれぞれ45°ずつ回転させたとき及び反転させたときに等価とみなせる複数の局所パターンマスクをそれぞれ複数の不変特徴グループに分け、1つの前記不変特徴グループに属する複数の前記局所パターンマスクを一つの特徴量とみなして、各不変特徴グループに属する前記局所パターンマスクによる走査で得られた前記高次局所自己相関特徴の線形和を計算する要素特徴ベクトル計算部と、
前記高次局所自己相関特徴の線形和値に基づいて、前記病理組織画像の特徴を抽出する特徴抽出部とからなる病理組織画像の特徴抽出システム。 - 前記複数の局所パターンマスクは、m及びnを整数としたときに、(2m+1)×(2n+1)のセルからなるマスク範囲に格子状に配列した複数のマスク候補のうち、マスク範囲の中心に位置するマスク候補を選択し、さらにマスク範囲から0以上の任意個数のマスク候補を選択する事で構成されている請求項2に記載の病理組織画像の特徴抽出システム。
- 前記中心マスク候補以外のマスク候補が、中心マスクまでの距離が等しくなるように選択された請求項3に記載の病理組織画像の特徴抽出システム。
- 前記中心マスクの座標を(0,0)としてxy座標を仮想したときに、前記中心マスク候補以外の複数のマスク候補が、
(x2/n2)+(y2/m2)=1
y=(m/n)x または y=−(m/n)x または y=0 または x=0
上記2式の交点の座標を有する請求項3に記載の病理組織画像の特徴抽出システム。 - 前記mと前記nが等しく、
前記局所パターンマスクとして使用できる前記複数のマスク候補が前記中心マスク候補以外に8個ある請求項5に記載の病理組織画像の特徴抽出システム。 - 前記局所パターンマスクとして、細胞核のみと、細胞核と細胞質の関係を示すものだけを使用する請求項2乃至6のいずれか1項に記載の病理組織画像の特徴抽出システム。
- 前記第1の2値化画像データ作成部は、前記RGB画像データの全画素データをRGB色空間におけるR軸に射影して前記R成分を分離することを特徴とする請求項2に記載の病理組織画像の特徴抽出システム。
- 前記RGB画像データが、前記病理組織画像のすべての画素においてRGB色空間上のR成分からB成分を減算し、減算結果が0より小さい場合の画素値を0とする冗長成分除去を行った冗長成分除去情報削減RGB画像データである請求項2または8に記載の病理組織画像の特徴抽出システム。
- 前記RGB画像データが、前記冗長成分除去情報削減RGBデータに含まれるすべての画素においてRGB色空間上のB成分からR成分を減算した値が、所定の値より大きい場合には、B成分からR成分を減算した値が前記所定の値となるようにB成分を予め定めた領域内のものとするクリッピングをしたクリッピングRGB画像データである請求項9に記載の病理組織画像の特徴抽出システム。
- 前記第2の2値化画像データ作成部は、前記病理組織画像のYUV画像データからV成分を分離し、分離したV成分を判別2値化法により2値化処理して、前記背景領域とその他の領域とが区別できる第2の2値化画像データを作成するように構成されている請求項2に記載の病理組織画像の特徴抽出システム。
- 前記第2の2値化画像データ作成部は、前記YUV画像データの全画素データをYUV色空間におけるV軸に射影して前記V成分を分離することを特徴とする請求項11に記載の病理組織画像の特徴抽出システム。
- 前記第2の2値化画像データ作成部は、前記第2の2値化画像データを、前記病理組織画像データを主成分分析して得ることを特徴とする請求項2に記載の病理組織画像の特徴抽出システム。
- 前記第2の2値化画像データ作成部は、前記病理組織画像のCIELuv画像データの全画素データを主成分分析し、全画素データの第2主成分スコアを判別2値化法により2値化処理して、前記背景領域とその他の領域とが区別できる第2の2値化画像データを作成するように構成されている請求項13に記載の病理組織画像の特徴抽出システム。
- 前記CIELuv画像データは、前記病理組織画像のRGB画像データをXYZ画像データに変換し、Yの値に基づいてLの値を算出し、XYZの値及び前記Lの値に基づいてuとvを算出することにより、RGB画像データから変換されたものである請求項14に記載の病理組織画像の特徴抽出システム。
- 前記第2の2値化画像データ作成部は、前記病理組織画像データの全画素データを主成分分析して、全画素データの第1主成分スコアを判別2値化法により2値化処理して、前記背景領域とその他の領域とが区別できる第2の2値化画像データを作成するように構成されている請求項2に記載の病理組織画像の特徴抽出システム。
- 病理組織画像を、予め定めた複数の局所パターンマスクを個々に用いて走査し、前記局所パターンマスク毎に高次局所自己相関特徴を計算するステップと、
前記複数のマスクパターンをそれぞれ45°ずつ回転させたとき及び反転させたときに等価とみなせる複数のマスクパターンをそれぞれ複数の不変特徴グループに分け、1つの前記不変特徴グループに属する複数の前記マスクパターンを一つの特徴量とみなして、各不変特徴グループに属する前記局所パターンマスクによる走査で得られた前記高次局所自己相関特徴の線形和を計算するステップと、
前記高次局所自己相関特徴の線形和値に基づいて、前記病理組織画像の特徴を抽出するステップとからなる病理組織画像の特徴抽出方法。 - 前記局所パターンマスクとして、細胞核のみと、細胞核と細胞質の関係を示すものだけを使用する請求項17に記載の病理組織画像の特徴抽出方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012525453A JP5825641B2 (ja) | 2010-07-23 | 2011-07-22 | 病理組織画像の特徴抽出システム及び病理組織画像の特徴抽出方法 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010166496 | 2010-07-23 | ||
JP2010166496 | 2010-07-23 | ||
JP2012525453A JP5825641B2 (ja) | 2010-07-23 | 2011-07-22 | 病理組織画像の特徴抽出システム及び病理組織画像の特徴抽出方法 |
PCT/JP2011/066744 WO2012011579A1 (ja) | 2010-07-23 | 2011-07-22 | 病理組織画像の領域分割画像データ作成システム及び病理組織画像の特徴抽出システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2012011579A1 JPWO2012011579A1 (ja) | 2013-09-09 |
JP5825641B2 true JP5825641B2 (ja) | 2015-12-02 |
Family
ID=45496996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012525453A Expired - Fee Related JP5825641B2 (ja) | 2010-07-23 | 2011-07-22 | 病理組織画像の特徴抽出システム及び病理組織画像の特徴抽出方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9031294B2 (ja) |
JP (1) | JP5825641B2 (ja) |
WO (1) | WO2012011579A1 (ja) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9031294B2 (en) * | 2010-07-23 | 2015-05-12 | National Institute Of Advanced Industrial Science And Technology | Region segmented image data creating system and feature extracting system for histopathological images |
WO2013161155A1 (ja) * | 2012-04-23 | 2013-10-31 | 日本電気株式会社 | 画像計測装置、画像計測方法、および、画像計測用プログラム |
WO2013179581A1 (ja) * | 2012-05-30 | 2013-12-05 | パナソニック株式会社 | 画像計測装置、画像計測方法及び画像計測システム |
JP5789786B2 (ja) | 2012-11-27 | 2015-10-07 | パナソニックIpマネジメント株式会社 | 画像計測装置および画像計測方法 |
CN103902998A (zh) * | 2012-12-27 | 2014-07-02 | 核工业北京地质研究院 | 一种用于绿泥石信息提取的高光谱影像处理方法 |
JP6235886B2 (ja) * | 2013-01-08 | 2017-11-22 | キヤノン株式会社 | 生体組織画像の再構成方法及び装置並びに該生体組織画像を用いた画像表示装置 |
US9495753B2 (en) * | 2013-05-30 | 2016-11-15 | Canon Kabushiki Kaisha | Spectral image data processing apparatus and two-dimensional spectral apparatus |
JP2015089590A (ja) | 2013-11-05 | 2015-05-11 | ファナック株式会社 | バラ積みされた物品をロボットで取出す装置及び方法 |
US9230161B2 (en) | 2013-12-06 | 2016-01-05 | Xerox Corporation | Multiple layer block matching method and system for image denoising |
US9558393B2 (en) * | 2014-03-27 | 2017-01-31 | Konica Minolta, Inc. | Image processing device and storage medium for image processing |
JP2016102769A (ja) * | 2014-11-28 | 2016-06-02 | キヤノン株式会社 | データ処理装置、およびそれを備えた分光情報取得装置、データ処理方法 |
CN106999161B (zh) | 2014-12-01 | 2020-01-24 | 国立研究开发法人产业技术综合研究所 | 超声波检查系统 |
WO2016120442A1 (en) | 2015-01-30 | 2016-08-04 | Ventana Medical Systems, Inc. | Foreground segmentation and nucleus ranking for scoring dual ish images |
GB2542764A (en) * | 2015-09-23 | 2017-04-05 | Pathxl Ltd | Image processing method and apparatus for normalisation and artefact correction |
JP6626783B2 (ja) * | 2016-06-02 | 2019-12-25 | Hoya株式会社 | 画像処理装置および電子内視鏡システム |
US11195313B2 (en) * | 2016-10-14 | 2021-12-07 | International Business Machines Corporation | Cross-modality neural network transform for semi-automatic medical image annotation |
KR20180060257A (ko) * | 2016-11-28 | 2018-06-07 | 삼성전자주식회사 | 객체 인식 방법 및 장치 |
JP6806329B2 (ja) * | 2016-12-01 | 2021-01-06 | 国立研究開発法人産業技術総合研究所 | 検査装置および検査方法 |
JP6834560B2 (ja) * | 2017-02-13 | 2021-02-24 | 株式会社Ihi | 探索方法及び探索システム |
CN111095352B (zh) * | 2017-08-04 | 2023-12-29 | 文塔纳医疗系统公司 | 用于检测被染色样本图像中的细胞的自动化方法和系统 |
EP3677168A4 (en) | 2017-08-31 | 2020-11-04 | Osaka University | PATHOLOGICAL DIAGNOSTIC DEVICE, IMAGE PROCESSING METHOD AND PROGRAM |
EP3718119A1 (en) * | 2017-11-27 | 2020-10-07 | Deciphex | Automated screening of histopathology tissue samples via analysis of a normal model |
US11270163B2 (en) | 2017-12-14 | 2022-03-08 | Nec Corporation | Learning device, learning method, and storage medium |
JP7047849B2 (ja) | 2017-12-14 | 2022-04-05 | 日本電気株式会社 | 識別装置、識別方法、および識別プログラム |
JP6943295B2 (ja) | 2017-12-14 | 2021-09-29 | 日本電気株式会社 | 学習装置、学習方法、および学習プログラム |
CN110246567B (zh) * | 2018-03-07 | 2023-07-25 | 中山大学 | 一种医学图像预处理方法 |
EP3862913A4 (en) * | 2018-10-01 | 2022-07-06 | Hitachi Industrial Equipment Systems Co., Ltd. | PRINT INSPECTION DEVICE |
JP6869490B2 (ja) * | 2018-12-28 | 2021-05-12 | オムロン株式会社 | 欠陥検査装置、欠陥検査方法、及びそのプログラム |
CN109859218B (zh) * | 2019-02-25 | 2020-12-04 | 北京邮电大学 | 病理图关键区域确定方法、装置、电子设备及存储介质 |
CN113222928B (zh) * | 2021-05-07 | 2023-09-19 | 北京大学第一医院 | 一种尿细胞学人工智能尿路上皮癌识别系统 |
CN114240859B (zh) * | 2021-12-06 | 2024-03-19 | 柳州福臻车体实业有限公司 | 一种基于图像处理的模具研合率检测方法 |
CN114240958B (zh) * | 2021-12-23 | 2024-04-05 | 西安交通大学 | 一种应用于病理学组织分割的对比学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008216066A (ja) * | 2007-03-05 | 2008-09-18 | Kddi Corp | 類似画像検索装置 |
JP2008309662A (ja) * | 2007-06-14 | 2008-12-25 | Olympus Corp | 画像処理装置および画像処理プログラム |
JP2009175334A (ja) * | 2008-01-23 | 2009-08-06 | Olympus Corp | 顕微鏡システム、画像生成方法、及びプログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5068592A (ja) * | 1973-10-22 | 1975-06-07 | ||
US4045655A (en) | 1973-10-15 | 1977-08-30 | Hitachi, Ltd. | Automatic cyto-screening device |
JPS59134846A (ja) * | 1983-01-21 | 1984-08-02 | Fujitsu Ltd | 電子ビ−ム装置 |
JPS63144257A (ja) * | 1986-12-08 | 1988-06-16 | Nippon Koden Corp | 細胞分類装置 |
JP3785456B2 (ja) | 2002-07-25 | 2006-06-14 | 独立行政法人産業技術総合研究所 | 駅ホームにおける安全監視装置 |
JP2004286666A (ja) * | 2003-03-24 | 2004-10-14 | Olympus Corp | 病理診断支援装置および病理診断支援プログラム |
JP4496943B2 (ja) * | 2004-11-30 | 2010-07-07 | 日本電気株式会社 | 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 |
US8280132B2 (en) * | 2006-08-01 | 2012-10-02 | Rutgers, The State University Of New Jersey | Malignancy diagnosis using content-based image retreival of tissue histopathology |
JP4947589B2 (ja) | 2007-06-27 | 2012-06-06 | Kddi株式会社 | 類似画像検索装置 |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
US9031294B2 (en) * | 2010-07-23 | 2015-05-12 | National Institute Of Advanced Industrial Science And Technology | Region segmented image data creating system and feature extracting system for histopathological images |
US8699769B2 (en) * | 2011-07-12 | 2014-04-15 | Definiens Ag | Generating artificial hyperspectral images using correlated analysis of co-registered images |
-
2011
- 2011-07-22 US US13/807,135 patent/US9031294B2/en active Active
- 2011-07-22 JP JP2012525453A patent/JP5825641B2/ja not_active Expired - Fee Related
- 2011-07-22 WO PCT/JP2011/066744 patent/WO2012011579A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008216066A (ja) * | 2007-03-05 | 2008-09-18 | Kddi Corp | 類似画像検索装置 |
JP2008309662A (ja) * | 2007-06-14 | 2008-12-25 | Olympus Corp | 画像処理装置および画像処理プログラム |
JP2009175334A (ja) * | 2008-01-23 | 2009-08-06 | Olympus Corp | 顕微鏡システム、画像生成方法、及びプログラム |
Non-Patent Citations (3)
Title |
---|
JPN6014005958; 岩田健司、外11名: '高次局所自己相関特徴法によるがん病理画像診断支援システム' ViEW2009 ビジョン技術の実利用ワークショップ講演論文集 , 20091203, 第32頁-第37頁 * |
JPN6014005959; 栗原司、外9名: '高次局所自己相関特徴を用いた病理画像からの異常検出' 映像情報メディア学会2009年冬季大会講演予稿集 , 20091127, 第5-2頁 * |
JPN6014005960; 野里博和、外7名: '高次局所自己相関特徴を用いた病理組織診断支援技術の研究' 情報処理学会研究報告 Vol.2009, No.19, 20090226, 第161頁-第164頁 * |
Also Published As
Publication number | Publication date |
---|---|
JPWO2012011579A1 (ja) | 2013-09-09 |
US9031294B2 (en) | 2015-05-12 |
WO2012011579A1 (ja) | 2012-01-26 |
US20130094733A1 (en) | 2013-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5825641B2 (ja) | 病理組織画像の特徴抽出システム及び病理組織画像の特徴抽出方法 | |
JP6710135B2 (ja) | 細胞画像の自動分析方法及びシステム | |
KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
Chekkoury et al. | Automated malignancy detection in breast histopathological images | |
Schwartz et al. | Visual material traits: Recognizing per-pixel material context | |
CN112927240A (zh) | 一种基于改进的AU-Net网络的CT图像分割方法 | |
CN107833220A (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
Hervé et al. | Statistical color texture descriptors for histological images analysis | |
CN105678788A (zh) | 一种基于hog和低秩分解的织物疵点检测方法 | |
CN114140445B (zh) | 基于重点关注区域提取的乳腺癌病理图像识别方法 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
Kumar et al. | Idc breast cancer detection using deep learning schemes | |
CN115775226B (zh) | 基于Transformer的医学图像分类方法 | |
Jonnalagedda et al. | [regular paper] mvpnets: Multi-viewing path deep learning neural networks for magnification invariant diagnosis in breast cancer | |
Di Leo et al. | Towards an automatic diagnosis system for skin lesions: estimation of blue-whitish veil and regression structures | |
Nawaz et al. | MSeg‐Net: A Melanoma Mole Segmentation Network Using CornerNet and Fuzzy K‐Means Clustering | |
Fernández-Carrobles et al. | Frequential versus spatial colour textons for breast TMA classification | |
Pan et al. | Coarse2fine: local consistency aware re-prediction for weakly supervised object localization | |
Sertel et al. | Computer-aided prognosis of neuroblastoma: classification of stromal development on whole-slide images | |
Albashish et al. | Ensemble learning of tissue components for prostate histopathology image grading | |
Fetisov et al. | Unsupervised prostate cancer histopathology image segmentation via meta-learning | |
CN111415350B (zh) | 一种用于检测宫颈病变的阴道镜图像识别方法 | |
Inamdar et al. | A Novel Attention based model for Semantic Segmentation of Prostate Glands using Histopathological Images | |
CN114155399A (zh) | 基于多特征融合递进式判别的乳腺病理全切片分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140410 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20141021 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20141222 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20150526 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150825 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20150902 |
|
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: 20150929 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151007 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5825641 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |