JP5984559B2 - 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム - Google Patents
壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム Download PDFInfo
- Publication number
- JP5984559B2 JP5984559B2 JP2012169600A JP2012169600A JP5984559B2 JP 5984559 B2 JP5984559 B2 JP 5984559B2 JP 2012169600 A JP2012169600 A JP 2012169600A JP 2012169600 A JP2012169600 A JP 2012169600A JP 5984559 B2 JP5984559 B2 JP 5984559B2
- Authority
- JP
- Japan
- Prior art keywords
- cell
- image
- region
- necrotic
- feature amount
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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
- 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
- G06V20/698—Matching; Classification
-
- 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
- G06T2207/10056—Microscopic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Description
細胞の活動は、細胞分裂による細胞の増殖のみならず、アポトーシス(自然死)及びネクローシス(壊死)と呼ばれる細胞死滅のメカニズムの働きによりバランスを保ちながら成り立っている。
アポトーシスは、初めに細胞核で変化が起こり、この細胞核と細胞とが縮小してアポトーシス小体を形成した後、免疫細胞に貧食され痕跡を残さず消化される。一方、ネクローシスは、細胞全体が次第に膨張し、細胞質が変化した後、最終的に細胞膜が破裂する。その際、細胞内容物が残留し、炎症などの原因となる(細胞溶解)。
特許文献1は、薬剤スクリーニングを目的とし、顕微鏡により取得した細胞画像中の各細胞の形態的な特徴を表す形態特徴量に基づき生細胞又は死細胞のいずれかに判定する方法を開示する。具体的に特許文献1は、細胞の形態を表現する形態特徴量として細胞の輪郭形状の円又は球からのずれ量を用いた判定を行い、この判定の結果、ずれ量の大きな細胞は、円形又は球形を標準としてかなりの歪みを生じているものとし、活発に活動を行っている生細胞と判定し、これに対してずれ量が小さく円形又は球形に近い細胞について活性を失い死滅に近づいたと判定する。
特に位相差顕微鏡による細胞画像に対する処理において顕著であるが、細胞画像中から個々の細胞を抽出する際に、細胞輪郭線と細胞内部の構造に基づくエッジ成分(例えば細胞内部に位置する細胞核周囲のエッジ等)とが混在して細胞の区別がつきにくい場合、或いは複数の細胞が密集し、細胞輪郭線の不明瞭な部分が多く見られる場合には、本来複数の細胞領域であるものを一つの領域として抽出する(未分割)、或いは1つの細胞領域を複数の領域として抽出してしまう(過分割)などの理由で、正確な細胞形態を検出することは難しい。
従って、ずれ量を算出するための前提となる円の当てはめも、必ずしも精度良く当てはめが行われるとは限らず、また一つ一つの細胞個別に当てはめられるとも限らない。
本発明の主要な局面に係る壊死細胞領域検出方法は、コンピュータの処理によって、経時的に変化する生細胞を複数の時点でそれぞれ撮像を行って取得した複数の細胞画像から成る細胞画像群を取得し、前記細胞画像群中における所定時点に取得した前記細胞画像に対してそれぞれ局所的画質特性が均一になるように複数の領域に分割し、前記所定時点で取得した前記細胞画像に対して低周波成分により成る低域画像と高周波成分により成る高域画像とを含む複数の帯域画像に分解し、前記領域毎に、前記高域画像からテクスチャ特徴量を算出し、前記領域毎に、前記低域画像から輝度平均値を算出し、前記領域に対して、前記テクスチャ特徴量と前記輝度平均値からなる特徴空間を形成し、前記特徴空間において壊死細胞により形成されている領域か否かを判別する。
本発明の主要な局面に係る壊死細胞領域検出プログラムは、コンピュータに、経時的に変化する生細胞を複数の時点でそれぞれ撮像して取得した複数の細胞画像から成る細胞画像群を取得させる画像取得機能と、前記細胞画像群中における所定時点に取得した前記細胞画像に対してそれぞれ局所的画質特性が均一になるように複数の領域に分割させる領域分割機能と、前記所定時点で取得した前記細胞画像に対して低周波成分により成る低域画像と高周波成分により成る高域画像とを含む複数の帯域画像に分解させる帯域分割機能と、前記領域毎に、前記高域画像からテクスチャ特徴量を算出させる特徴量算出機能と、前記領域毎に、前記低域画像から輝度平均値を算出させる輝度算出機能と、前記領域に対して、前記テクスチャ特徴量と前記輝度平均値からなる特徴空間を形成し、前記特徴空間において壊死細胞により形成されている領域か否かを判別させる判別機能とを実現させる。
以下、本発明の第1の実施の形態について図面を参照して説明する。
図1は壊死細胞領域検出装置の構成図を示す。本装置は、撮像部100と、帯域分割部110と、領域分割部120と、テクスチャ特徴量算出部130と、輝度平均算出部140と、判別部150と、記録部160とを有する。
撮像部100は、帯域分割部110と領域分割部120とに接続されている。帯域分割部110は、テクスチャ特徴量算出部130と、輝度平均算出部140とに接続されている。領域分割部120は、テクスチャ特徴量算出部130と、輝度平均算出部140と、判別部150とに接続されている。さらに、テクスチャ特徴量算出部130と輝度平均算出部140とは、それぞれ判別部150に接続されている。この判別部150は、記録部160に接続されている。これら各部100、110、…、160は、それぞれ例えばシステムコントローラに接続されて動作制御される。
この壊死領域判別装置プログラムは、コンピュータとしてのCPUに、経時的に変化する生細胞を複数の時点でそれぞれ撮像して取得した複数の細胞画像から成る細胞画像群を取得させる画像取得機能と、細胞画像群中における所定時点に取得した細胞画像に対してそれぞれ局所的画質特性が均一になるように複数の領域に分割させる領域分割機能と、所定時点で取得した細胞画像に対して低周波成分により成る低域画像と高周波成分により成る高域画像とを含む複数の帯域画像に分解させる帯域分割機能と、領域毎に、高域画像からテクスチャ特徴量を算出させる特徴量算出機能と、領域毎に、低域画像から輝度平均値を算出させる輝度算出機能と、領域に対して少なくともテクスチャ特徴量と輝度平均値とに基づいて壊死細胞により形成されている領域か否かを判別させる判別機能とを実現する。
撮像部100は、位相差顕微鏡により撮影された細胞群の位相差像を撮像素子とA/D変換器等とを介してデジタル信号に変換し、例えば8ビット(256階調)のモノクロ原画像信号Fとして出力する。このモノクロ原画像信号Fは、帯域分割部110と領域分割部120に転送される。
なお、本実施の形態において位相差顕微鏡による位相差像は、見かけ上、背景領域が明るく、細胞領域が相対的に暗く撮影されるポジティブコントラスト像である。この位相差顕微鏡による位相差像は、ポジティブコントラスト像に限定されるものではなく、ネガティブコントラスト像の場合においても、階調を反転させポジティブコントラスト像のように扱うことで処理することが可能である。
高域画像Hは、細胞画像の中で細胞を構成するエッジ・ハロによる高周波成分をできるだけ多く含むことが好ましい。
図2は帯域分割部110の具体的な構成図を示す。この帯域分割部110は、例えば低域画像生成手段としての低域生成部200と、高域画像生成手段としての高域生成部210とを有する。これら低域生成部200と高域生成部210との各入力側は、それぞれ撮像部100に接続されている。低域生成部200は、高域生成部210と輝度平均算出部140とに接続されている。高域生成部210は、テクスチャ特徴量算出部130に接続されている。
又、図4は撮像部100により取得された細胞画像の模式図を示す。この細胞画像には、各生細胞Qと、これら生細胞Q間に存在する壊死細胞やその残留物Gとを含む。
このように帯域分割部110は、モノクロ原画像信号Fから低域画像Lと高域画像Hとを生成する。
一般に位相差顕微鏡を通して撮影した細胞画像は、細胞境界線上の輝度が高く、細胞内部の輝度が低い。本実施の形態では、かかる細胞画像の特徴を考慮し、領域分割手法の一つであるウォーターシェッド法(分水嶺領域分割法)を用いた領域分割を行い、個々の細胞領域に切り分ける。このウォーターシェッド法は、細胞画像の輝度値勾配に基づく分割を行い、同画像中の輝度値が高く輝度値勾配の高い部分、すなわち図5に示すように細胞の境界線部分を分割線にして分割を行う。分割された個々の領域には、ラベリング処理により領域番号が付与され、当該領域番号を画素値とした領域分割画像Kを生成する。なお、領域分割処理は、必ずしもウォーターシェッド法に限定されるものではなく、細胞領域を的確に分割できればどのような手法でも適用可能である。この生成された領域分割画像Kは、テクスチャ特徴量算出部130と、輝度平均算出部140と、判別部150とにそれぞれ転送される。
同時生起行列は、画像中のテクスチャの統計的特徴量算出手段として広く知られている方法の一つであり、画像内に含まれる一定の位置関係にある画素対の出現頻度・確率を行列(同時生起行列)の形で表す。この同時生起行列からは、様々なテクスチャ特徴量を算出することができる。
次に、注目画素を中心とした所定の大きさの注目領域を設定する。本実施の形態では、説明を簡略化すために、注目領域のサイズを例えば5×5画素領域とする。なお、領域の形状は、本実施の形態のように矩形である必要は無く、領域分割部120における領域分割結果に基づく任意の形状をしていてもかまわない。
図6Aは具体的な注目領域内の画素値の一例を示し、図6Bはその際に算出される同時生起行列の一例を示す。図6Aに示す注目領域内ではLi=3、Lj=2の画素対が2対存在しているので、図6Bに示す同時生起行列の要素Pδ(3,2)=2となっている。又、図6Aに示す注目領域内ではLi=0、Lj=0の画素対が5対存在しているので、図6Bに示す同時生起行列の要素Pδ(0,0)=5となっている。
本実施の形態では、テクスチャ特徴量として式(1)により定義されるテクスチャ特徴量であるエントロピー(Entropy)を適用する。ここで、Lは、行列の大きさ(階調数)を表す。このテクスチャ特徴量のエントロピーは、画素値分布のでたらめさ、ランダム性を計る指標であり、注目領域内に画素値がランダムに含まれるほど値が小さくなる。
なお、同時生起行列Cから算出できるテクスチャ特徴量は、様々に定義されており、例えば以下に示す角二次モーメント(Angular second moment)や、分散(Variance)の逆数もテクスチャ特徴量として適用可能である。
角二次モーメントは、式(2)に示すように定義される。この角二次モーメントは、特定の画素対が多く存在し、一様性が大きいほど値が大きくなる。
図7に判別部150によるエントロピーと輝度平均値で構成されるベクトル空間における線形判別関数Hを用いた壊死領域・非壊死領域判別を説明するための図を示す。判別部150は、エントロピーと輝度平均値との空間において線形判別関数Hを境に壊死領域と非壊死領域とを判別する。
先ず、予め目視確認により領域の属するクラス(以降、壊死領域をクラスClと称し、その他の非壊死領域をクラスCzと称する)が確定している学習用サンプルデータを用意する。その領域に対するテクスチャ特徴量、平均輝度の2変数を要素とした特徴ベクトルX1、X2を作成する。前記2変数に基づく特徴空間上で、特徴ベクトルX1、X2のそれぞれが属するクラスCl、C2を最も良く分離可能な線形判別関数を求める。線形判別関数は、式(4)により表され、判別対象の領域特徴ベクトルXsが入力された際は、式(5)に示す通りその出力値の正負に基づき壊死領域の判別を行う。
f(x)=w・x+b …(4)
w・Xs+b>0→C1
w・Xs+b<0→C2 …(5)
ここで、wは重みベクトル、bはバイアス項である。f(x)=0が線形判別関数となる。
フイッシャーの判別基準は、サンプルデータから、クラス内共分散Sw(式(6))と、クラス間共分散SB(式(7))の比に基づく目的関数(式(8))を定め、これを最大化、すなわちクラス内共分散を小さく、かつクラス間共分散を大きく)する重みベクトルwを用いた判別関数が、サンプルデータの2クラスに属する各データを互いに最も精度良く分離できるものと仮定するものである。
次に、上記の如く構成された装置の動作について図8に示す壊死細胞領域検出装置フローチャートに従って説明する。
撮像部100は、観察対象の細胞群を撮像し、細胞画像のモノクロ原画像信号Fを出力する。具体的に撮像部100は、経時的に変化する生細胞を複数の時点でそれぞれ撮像して取得した複数の細胞画像から成る細胞画像群を取得し、そのモノクロ原画像信号Fを出力する。
帯域分割部110は、ステップS10において、撮像部100から出力されるモノクロ原画像信号F、すなわち細胞画像を入力する。
これと共に高域生成部210は、撮像部100から転送されたモノクロ原画像信号Fと、低域生成部200から転送された低域画像Lとの間の対応する画素値間で各差分値を求め、これら差分値を図3(c)に示すような高域画像Hとしてテクスチャ特徴量算出部130に転送する。
CPUは、ステップS80において、判別部150により細胞画像の全領域に対して判別処理を終了したか否かを判別する。細胞画像内の全領域に対して判別処理か終了すると、CPUは、処理を終了する。未処理の領域が存在する場合、CPUは、ステップS40に移行する。
[第2の実施の形態]
次に、本発明の第2の実施の形態について図面を参照して説明する。なお、図1と同一部分には同一符号を付してその詳しい説明は省略する。
図9は壊死細胞領域検出装置の構成図を示す。本装置は、上記第1の実施の形態と対比してバッファ300と、類似度算出部310とを付加し、かつテクスチャ特徴量算出部320と判別部330との各機能を変更している。
これら各部100、…、300、310、330は、例えばCPU(中央演算処理装置)と演算プログラムを格納するRAM、ROM等の記憶装置などから構成してもよい。この場合、ROMには、演算プログラムとしての上記壊死細胞検出プログラムが格納されている。この壊死領域判別装置プログラムは、コンピュータとしてのCPUに、上記画像取得機能と、上記領域分割機能と、上記帯域分割機能と、上記特徴量算出機能と、上記輝度算出機能と、上記判別機能とを実現し、かつ上記領域分割機能により分割された複数の領域毎に、所定時点に取得した細胞画像と、所定時点よりも以前又は以降の時点のうちいずれか一方又は両方に取得した細胞画像との間における局所的な輝度分布の類似度を算出させる類似度算出機能を含み、上記判別機能は、複数の領域に対してテクスチャ特徴量と輝度平均値と類似度とに基づいて壊死細胞により形成されている領域か否かを判別させる。
本第2の実施の形態は、細胞の経時的変化を観察するために複数の時点において撮像した 細胞画像を対象としており、撮像部100により過去の時点から現時点に至るまでに撮影された複数の細胞画像は、バッファ300に記録される。このバッファ300に記録された複数の細胞画像は、帯域分割部110と、領域分割部120と、類似度算出部310とに転送される。
領域分割部120は、現時点にて撮影された細胞画像に対し、上記第1の実施の形態と同様の手法により、領域分割画像Kを生成する。
生細胞は運動により位置を移動するが、壊死細胞により構成される領域は、運動することがないために時間が経過してもその位置を移動することがない。従って、領域毎に現細胞画像と過去細胞画像との間の類似度を算出すると、壊死細胞領域に対する類似度が高くなる。
先ず、類似度算出部310は、複数の領域分割画像K中の領域を注目領域として設定する。次に現細胞画像中の注目領域に対応する(同座標上に位置する)領域をテンプレートとして設定し、過去細胞画像に対して、テンプレートマッチングを行い、過去細胞画像中の各座標に対してテンプレートとの類似度を算出する。類似度は、テンプレートと輝度分布が似ているほど値が高くなるように定義される。過去細胞画像中の全座標に対して算出した類似度の中で最大値を示す(最も類似性の高い)類似度は、注目領域の類似度として判定部へ転送される。
テンプレートマッチングを行う際に、過去細胞画像中の全座標(画素の存在する位置)に対して類似度を算出するが、注目領域が存在する位置を中心とした所定範囲内に含まれる座標(画素位置)に限定して類似度を算出することで、処理速度を速くすることができる。
テクスチャ特徴量算出部320は、領域分割画像K中の複数の領域毎に、帯域分割部110により生成された高域画像Hからテクスチャ特徴量を算出する。このテクスチャ特徴量は、領域内の高域画像Hにおける画素値(輝度)分布のヒストグラムに基づく特徴量である。すなわち、テクスチャ特徴量算出部320は、上記第1の実施の形態におけるテクスチャ特徴量と相違し、高域画像Hの輝度ヒストグラムに基づくテクスチャ特徴量を算出する。ここでテクスチャ特徴量算出部320は、テクスチャの複雑さを示す尺度として、輝度ヒストグラムの分散を算出する。
次に、テクスチャ特徴量算出部320は、注目領域内の画素値平均Aveを算出し、式(10)に従って輝度ヒストグラムの分散(Complexity)を算出する。
上記第1の実施の形態の判別部150は、線形判別分析による判別を行ったが、本第2の実施の形態の判別部330は、線形サポートベクタマシン(以下SVMと称する)及びカーネル関数を用いた非線形判別分析による判別を行う。線形SVMは、線形判別分析手法であるが、カーネル関数を用いた高次元空間への非線形写像と組み合わせることで、非線形判別分析を行うことが出来る。
w・Xs+b>0→C1
w・Xs+b<0→C2 …(12)
ここで、wは重みベクトル、bはバイアス項である。f(x)=0が識別境界となる超平面となる。この重みベクトルwとバイアス項bとを求めるためには、式(13)で示される目的関数を最小化すればよい。
ここで、yiはラベルであり、1又は−1の値をとる。εはスラック変数であり、超平面で2群(群C1又はC2)を分離することができないときに、ある程度の誤判別を認めるためのパラメータである。Cはどの程度誤判別を認めるかを示すパラメータであり、SVMの使用時に実験的に設定する。
又、ラグランジェの乗数αに対するラグランジェの未定乗数法を用いて、式(14)で示されるように目的関数を変形することもできる。
maxΣα−(1/2)Σαiαjyiyjxi Txj
但し、0≦αi≦C,Σαiyi=0 …(14)
ここで、カーネル関数Φにより高次元特徴空間ηへ写像を行うことにより、線形SVMを非線形SVMへと拡張することができる。カーネル関数Φにより写像した高次元特徴空問η内での重みwは、係数αを用いて、式(15)のように表される。
w=ΣαiyiΦ(xi) …(15)
識別関数は、式(16)のように表される。
f(Φ(x))=ΣαiyiΦ(x)TΦ(xi)+b
=Σαiyik(x,xi)+b …(16)
このとき、目的関数は、式(17)のように表される。
maxΣα−(1/2)Σαiαjyiyjk(x,xi)
但し、0≦αi≦C,Σαiyi=0 …(17)
ここではカーネル関数として、一般によく利用されるGaussian カーネルを用いている。
CPUは、ステップS90において、撮像部100により過去の時点から現時点に至るまでに撮影された複数の細胞画像をバッファ300に記録する。
帯域分割部110は、ステップS20において、細胞画像から低周波成分により成る低域画像と、高周波成分により成る高域画像とを含む複数の帯域画像に分解する。
領域分割部120は、ステップS30において、細胞画像群中における所定時点に取得した細胞画像に対してそれぞれ局所的画質特性が均一になるように複数の領域に分割する。
バッファ300は、ステップS110において、撮像部100から入力した細胞画像が1枚目であるか否かを判定する。この判定の結果、1枚目であれば、ステップS130に移り、領域の類似度は用いずテクスチャ特徴量と輝度平均値だけに基づいて壊死細胞により形成されている領域か否かを判別する。
このように上記第2の実施の形態によれば、複数の領域分割画像K内の領域毎に、現時点にて撮影された現細胞画像と、過去の時点にて撮影された過去細胞画像との間で類似度を算出し、領域分割画像K内の領域に対してテクスチャ特徴量と輝度平均値と類似度に基づき壊死細胞により形成されている領域か否かを判別するので、上記第1の実施の形態と同様の効果を奏することができる。エントロピーと平均輝度値と類似度に基づく非線形判別を行うことで、壊死領域・非壊死領域を高精度に判別することができる。
Claims (15)
- 経時的に変化する生細胞を複数の時点でそれぞれ撮像して取得した複数の細胞画像から成る細胞画像群を取得する画像取得手段と、
前記細胞画像群中における所定時点に取得した前記細胞画像に対してそれぞれ局所的画質特性が均一になるように複数の領域に分割する領域分割手段と、
前記所定時点で取得した前記細胞画像に対して低周波成分により成る低域画像と高周波成分により成る高域画像とを含む複数の帯域画像に分解する帯域分割手段と、
前記複数の領域毎に、前記高域画像からテクスチャ特徴量を算出する特徴量算出手段と、
前記複数の領域毎に、前記低域画像から輝度平均値を算出する輝度算出手段と、
前記領域に対して、前記テクスチャ特徴量と前記輝度平均値からなる特徴空間を形成し、前記特徴空間において壊死細胞により形成されている領域か否かを判別する判別手段と、
を具備することを特徴とする壊死細胞領域検出装置。 - 前記領域分割手段により分割された前記領域毎に、前記所定時点に取得した前記細胞画像と、前記所定時点よりも以前又は以降の時点のうちいずれか一方又は両方に取得した前記細胞画像との間における局所的な輝度分布の類似度を算出する類似度算出手段を具備し、
前記判別手段は、前記領域に対して前記テクスチャ特徴量と前記輝度平均値と前記類似度からなる特徴空間を形成し、前記特徴空間において前記壊死細胞により形成されているか否かを判別する、
ことを特徴とする請求項1に記載の壊死細胞領域検出装置。 - 前記類似度算出手段は、前記領域毎に、当該領域の周辺を対象とした前記細胞画像間における平均二乗誤差を類似度として算出することを特徴とする請求項2に記載の壊死細胞領域検出装置。
- 前記帯域分割手段は、前記細胞画像に対して平滑化処理を行って前記低域画像を生成する低域画像生成手段と、
前記細胞画像から前記低域画像を減算して前記高域画像を生成する高域画像生成手段と、
を有することを特徴とする請求項1乃至3のうちいずれか1項に記載の壊死細胞領域検出装置。 - 前記テクスチャ特徴量は、画素値分布のランダム性に基づく特徴量であることを特徴とする請求項1乃至4のうちいずれか1項に記載の壊死細胞領域検出装置。
- 前記テクスチャ特徴量は、画素値分布の複雑度に基づく特徴量であることを特徴とする請求項1乃至4のうちいずれか1項に記載の壊死細胞領域検出装置。
- 前記テクスチャ特徴量は、同時生起行列に基づく特徴量であることを特徴とする請求項1乃至6のうちいずれか1項に記載の壊死細胞領域検出装置。
- 前記テクスチャ特徴量は、画素値のヒストグラムに基づく特徴量であることを特徴とする請求項1乃至6のうちいずれか1項に記載の壊死細胞領域検出装置。
- 前記判別手段は、前記特徴空間における線形判別関数に基づく線形判別処理により前記領域が前記壊死細胞により形成されている領域か否かを判別することを特徴とする請求項1乃至8のうちいずれか1項に記載の壊死細胞領域検出装置。
- 前記判別手段は、前記特徴空間における非線形判別処理により前記領域が前記壊死細胞により形成されている領域か否かを判別することを特徴とする請求項1乃至8のうちいずれか1項に記載の壊死細胞領域検出装置。
- 前記細胞画像群は、明視野顕微鏡により取得されることを特徴とする請求項1乃至10のうちいずれか1項に記載の壊死細胞領域検出装置。
- コンピュータの処理によって、
経時的に変化する生細胞を複数の時点でそれぞれ撮像を行って取得した複数の細胞画像から成る細胞画像群を取得し、
前記細胞画像群中における所定時点に取得した前記細胞画像に対してそれぞれ局所的画質特性が均一になるように複数の領域に分割し、
前記所定時点で取得した前記細胞画像に対して低周波成分により成る低域画像と高周波成分により成る高域画像とを含む複数の帯域画像に分解し、
前記領域毎に、前記高域画像からテクスチャ特徴量を算出し、
前記領域毎に、前記低域画像から輝度平均値を算出し、
前記領域に対して、前記テクスチャ特徴量と前記輝度平均値からなる特徴空間を形成し、前記特徴空間において壊死細胞により形成されている領域か否かを判別する、
ことを特徴とする壊死細胞領域検出方法。 - 前記領域毎に、前記所定時点に取得した前記細胞画像と、前記所定時点よりも以前又は以降の時点のうちいずれか一方又は両方に取得した前記細胞画像との間における局所的な輝度分布の類似度を算出し、
前記領域に対して前記テクスチャ特徴量と前記輝度平均値と前記類似度からなる特徴空間を形成し、前記特徴空間において前記壊死細胞により形成されている領域か否かを判別する、
ことを特徴とする請求項12に記載の壊死細胞領域検出方法。 - コンピュータに、
経時的に変化する生細胞を複数の時点でそれぞれ撮像して取得した複数の細胞画像から成る細胞画像群を取得させる画像取得機能と、
前記細胞画像群中における所定時点に取得した前記細胞画像に対してそれぞれ局所的画質特性が均一になるように複数の領域に分割させる領域分割機能と、
前記所定時点で取得した前記細胞画像に対して低周波成分により成る低域画像と高周波成分により成る高域画像とを含む複数の帯域画像に分解させる帯域分割機能と、
前記領域毎に、前記高域画像からテクスチャ特徴量を算出させる特徴量算出機能と、
前記領域毎に、前記低域画像から輝度平均値を算出させる輝度算出機能と、
前記領域に対して、前記テクスチャ特徴量と前記輝度平均値からなる特徴空間を形成し、前記特徴空間において壊死細胞により形成されている領域か否かを判別させる判別機能と、
を実現させるための壊死細胞領域検出プログラム。 - 前記領域分割機能により分割された前記領域毎に、前記所定時点に取得した前記細胞画像と、前記所定時点よりも以前又は以降の時点のうちいずれか一方又は両方に取得した前記細胞画像との間における局所的な輝度分布の類似度を算出させる類似度算出機能を含み、
前記判別機能は、前記領域に対して前記テクスチャ特徴量と前記輝度平均値と前記類似度からなる特徴空間を形成し、前記特徴空間において前記壊死細胞により形成されている領域か否かを判別させる、
ことを実現させるための請求項14に記載の壊死細胞領域検出プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012169600A JP5984559B2 (ja) | 2012-07-31 | 2012-07-31 | 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム |
PCT/JP2013/070105 WO2014021175A1 (ja) | 2012-07-31 | 2013-07-24 | 壊死細胞領域検出装置及びその方法、コンピュータにより処理可能な壊死細胞領域検出プログラムを記憶する記憶媒体 |
US14/600,688 US9336429B2 (en) | 2012-07-31 | 2015-01-20 | Necrotic cell region detection apparatus and method of the same, and non-transitory computer readable storage medium to store a necrotic cell region detection program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012169600A JP5984559B2 (ja) | 2012-07-31 | 2012-07-31 | 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2014029287A JP2014029287A (ja) | 2014-02-13 |
JP2014029287A5 JP2014029287A5 (ja) | 2015-08-27 |
JP5984559B2 true JP5984559B2 (ja) | 2016-09-06 |
Family
ID=50027853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012169600A Expired - Fee Related JP5984559B2 (ja) | 2012-07-31 | 2012-07-31 | 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US9336429B2 (ja) |
JP (1) | JP5984559B2 (ja) |
WO (1) | WO2014021175A1 (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9953417B2 (en) | 2013-10-04 | 2018-04-24 | The University Of Manchester | Biomarker method |
US9519823B2 (en) * | 2013-10-04 | 2016-12-13 | The University Of Manchester | Biomarker method |
JP6284024B2 (ja) * | 2014-04-28 | 2018-02-28 | 横河電機株式会社 | 細胞生死判定システム、細胞生死判定方法 |
AU2015299073A1 (en) * | 2014-08-04 | 2016-12-15 | Ventana Medical Systems, Inc. | Image analysis system using context features |
DK3227684T3 (da) * | 2014-12-03 | 2019-11-11 | Isoplexis Corp | Analyse af og screening for cellesekretionsprofiler |
EP3239287A4 (en) * | 2014-12-26 | 2018-08-15 | The University of Tokyo | Analysis device, analysis method, analysis program, cell manufacturing method and cells |
JP6336932B2 (ja) * | 2015-03-03 | 2018-06-06 | 富士フイルム株式会社 | 細胞群検出装置および方法並びにプログラム |
JP6661165B2 (ja) * | 2015-03-27 | 2020-03-11 | 大日本印刷株式会社 | 画像解析装置、画像解析方法、及び画像解析プログラム |
GB201507454D0 (en) | 2015-04-30 | 2015-06-17 | Phase Focus Ltd | Method and apparatus for determining temporal behaviour of an object |
JP6475134B2 (ja) * | 2015-09-29 | 2019-02-27 | 富士フイルム株式会社 | 細胞評価装置および方法 |
JP6660712B2 (ja) * | 2015-11-10 | 2020-03-11 | 株式会社Screenホールディングス | 分類器構成方法および細胞の生死判定方法 |
EP3395937A4 (en) * | 2015-12-22 | 2019-08-21 | Nikon Corporation | IMAGE PROCESSING APPARATUS |
JP6590690B2 (ja) * | 2015-12-25 | 2019-10-16 | 富士フイルム株式会社 | 細胞画像検索装置および方法並びにプログラム |
CN109196112B (zh) * | 2016-06-16 | 2022-10-04 | 株式会社日立高新技术 | 球状体内部细胞状态的分析方法 |
WO2018073784A1 (en) | 2016-10-20 | 2018-04-26 | Optina Diagnostics, Inc. | Method and system for detecting an anomaly within a biological tissue |
JP6931579B2 (ja) * | 2017-09-20 | 2021-09-08 | 株式会社Screenホールディングス | 生細胞検出方法、プログラムおよび記録媒体 |
KR102511996B1 (ko) * | 2018-06-26 | 2023-03-20 | 에스케이텔레콤 주식회사 | 준지도 학습 방법 |
US10887589B2 (en) * | 2019-04-12 | 2021-01-05 | Realnetworks, Inc. | Block size determination for video coding systems and methods |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004053498A (ja) * | 2002-07-23 | 2004-02-19 | Matsushita Electric Ind Co Ltd | 顕微鏡画像解析装置とその画像解析方法 |
JP2004061403A (ja) * | 2002-07-31 | 2004-02-26 | Matsushita Electric Ind Co Ltd | 細胞画像解析装置および細胞画像解析方法 |
US20050014217A1 (en) * | 2003-07-18 | 2005-01-20 | Cytokinetics, Inc. | Predicting hepatotoxicity using cell based assays |
US7747308B2 (en) * | 2004-02-06 | 2010-06-29 | Wake Forest University Health Sciences | Non-invasive systems and methods for the determination of cardiac injury using a characterizing portion of a voxel histogram |
US7907759B2 (en) * | 2006-02-02 | 2011-03-15 | Wake Forest University Health Sciences | Cardiac visualization systems for displaying 3-D images of cardiac voxel intensity distributions with optional physician interactive boundary tracing tools |
US7396654B2 (en) * | 2004-04-15 | 2008-07-08 | University Of Florida Research Foundation, Inc. | Neural proteins as biomarkers for traumatic brain injury |
JP4868207B2 (ja) | 2005-07-14 | 2012-02-01 | オリンパス株式会社 | スクリーニング方法およびスクリーニング装置 |
US8160344B2 (en) * | 2008-04-22 | 2012-04-17 | Siemens Medical Solutions Usa, Inc. | Iterative segmentation of images for computer-aided detection |
JP4968595B2 (ja) | 2008-07-23 | 2012-07-04 | 株式会社ニコン | 細胞の状態判別手法及び細胞観察の画像処理装置 |
EP2538839B1 (en) * | 2010-02-23 | 2015-07-08 | Loma Linda University | Method of analyzing a medical image |
US8787651B2 (en) * | 2010-09-28 | 2014-07-22 | Flagship Biosciences, LLC | Methods for feature analysis on consecutive tissue sections |
US8891866B2 (en) * | 2011-08-31 | 2014-11-18 | Sony Corporation | Image processing apparatus, image processing method, and program |
JP5941674B2 (ja) * | 2011-12-28 | 2016-06-29 | オリンパス株式会社 | 細胞輪郭線形成装置及びその方法、細胞輪郭線形成プログラム |
-
2012
- 2012-07-31 JP JP2012169600A patent/JP5984559B2/ja not_active Expired - Fee Related
-
2013
- 2013-07-24 WO PCT/JP2013/070105 patent/WO2014021175A1/ja active Application Filing
-
2015
- 2015-01-20 US US14/600,688 patent/US9336429B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2014021175A1 (ja) | 2014-02-06 |
JP2014029287A (ja) | 2014-02-13 |
US9336429B2 (en) | 2016-05-10 |
US20150131889A1 (en) | 2015-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5984559B2 (ja) | 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム | |
Kang et al. | Stainnet: a fast and robust stain normalization network | |
CN111667464B (zh) | 危险品三维图像检测方法、装置、计算机设备及存储介质 | |
JP5941674B2 (ja) | 細胞輪郭線形成装置及びその方法、細胞輪郭線形成プログラム | |
Li et al. | Nonnegative mixed-norm preconditioning for microscopy image segmentation | |
US20220215548A1 (en) | Method and device for identifying abnormal cell in to-be-detected sample, and storage medium | |
Singh et al. | A review of image fusion: Methods, applications and performance metrics | |
EP3859304B1 (en) | Method for generating data for particle analysis, program for generating data for particle analysis, and device for generating data for particle analysis | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
Milimonfared et al. | An intelligent system for image-based rating of corrosion severity at stem taper of retrieved hip replacement implants | |
JP4383352B2 (ja) | 核多形性の組織学的評価 | |
Kromp et al. | Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation | |
Pramunendar et al. | Fish classification based on underwater image interpolation and back-propagation neural network | |
Zhu et al. | PODB: A learning-based polarimetric object detection benchmark for road scenes in adverse weather conditions | |
Kaur et al. | Image fusion on digital images using Laplacian pyramid with DWT | |
Nirmala et al. | HoG based Naive Bayes classifier for glaucoma detection | |
Sharma et al. | SKIN CANCER LESION CLASSIFICATION USING LBP BASED HYBRID CLASSIFIER. | |
JP6405603B2 (ja) | 情報処理装置、情報処理システム及びプログラム | |
Rehman et al. | Deep retinanet for melanoma lesion detection | |
JP2018125019A (ja) | 画像処理装置及び画像処理方法 | |
Chaiyakhan et al. | Feature selection techniques for breast cancer image classification with support vector machine | |
Ma et al. | Visual detection of cells in brain tissue slice for patch clamp system | |
JP6329651B1 (ja) | 画像処理装置及び画像処理方法 | |
Geisler et al. | Natural systems analysis | |
Vispute et al. | Automated polyp classification of gastroenteric lesion in colonoscopy videos |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150708 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150708 |
|
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: 20160719 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160802 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5984559 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |