JP6168426B2 - 疾患分析装置、制御方法、及びプログラム - Google Patents

疾患分析装置、制御方法、及びプログラム Download PDF

Info

Publication number
JP6168426B2
JP6168426B2 JP2015537606A JP2015537606A JP6168426B2 JP 6168426 B2 JP6168426 B2 JP 6168426B2 JP 2015537606 A JP2015537606 A JP 2015537606A JP 2015537606 A JP2015537606 A JP 2015537606A JP 6168426 B2 JP6168426 B2 JP 6168426B2
Authority
JP
Japan
Prior art keywords
evaluation function
feature amount
prediction information
prediction
disease
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.)
Active
Application number
JP2015537606A
Other languages
English (en)
Other versions
JPWO2015040990A1 (ja
Inventor
亨宇 坂元
亨宇 坂元
明典 橋口
明典 橋口
剣 山▲崎▼
剣 山▲崎▼
時也 阿部
時也 阿部
彰 齋藤
彰 齋藤
朝春 喜友名
朝春 喜友名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Keio University
Original Assignee
NEC Corp
Keio University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp, Keio University filed Critical NEC Corp
Publication of JPWO2015040990A1 publication Critical patent/JPWO2015040990A1/ja
Application granted granted Critical
Publication of JP6168426B2 publication Critical patent/JP6168426B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10056Microscopic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30024Cell structures in vitro; Tissue sections in vitro
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Image Analysis (AREA)

Description

本発明は、疾患分析装置、制御方法、及びプログラムに関する。
病理標本の組織構造や細胞核の形状などを顕微鏡によって観察することで病理診断を行う方法がある。一般に、病理標本を利用した病理診断は、医師の経験に基づく定性的な方法で行われている。また、病理標本を用いた病理診断は、その時点における疾患の有無の判定には用いられるものの、疾患の予後予測に用いられることが少ない。
定量的な情報に基づいて疾患の予後予測を行うシステムとして、特許文献1がある。特許文献1は、患者の臨床的フィーチャ、分子的フィーチャ、又は形態計測的フィーチャを予測モデルに入力することで、疾患の再発や適した療法の予測を行うシステムを開示している。
特表2010−523979号公報
本発明者は、定量的な情報を用いる新たな方法で対象人物の疾患の予後を予測する方法を検討した。
本発明は、このような事情に鑑みてなされたものである。本発明の目的は、定量的な情報を用いる新たな方法で対象人物の疾患の予後を予測する技術を提供することである。
本発明が提供する第1の疾患分析装置は、対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得手段と、前記解析画像から、細胞核に関する特徴量を算出する特徴量算出手段と、疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得手段と、前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成手段と、を有する。前記評価関数格納手段は、複数の前記評価関数を格納している。第1の疾患分析装置は、前記解析画像を撮像してからの経過時間を示す情報である補助情報を取得する補助情報取得手段をさらに有する。前記予測情報生成手段は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する。細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である。
本発明が提供する第2の疾患分析装置は、対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得手段と、前記解析画像から、細胞核に関する特徴量を算出する特徴量算出手段と、疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得手段と、前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成手段と、を有する。前記評価関数格納手段は、複数の前記評価関数を格納している。第2の疾患分析装置は、前記疾患の種類を示す情報である補助情報を取得する補助情報取得手段をさらに有する。前記予測情報生成手段は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する。前記予測情報生成手段は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する。細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である。
本発明が提供する第3の疾患分析装置は、対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得手段と、前記解析画像から、細胞核に関する特徴量を算出する特徴量算出手段と、疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得手段と、前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成手段と、前記解析画像の中から複数の対象領域を決定する対象領域決定手段と、を有する。前記対象領域決定手段は、前記予測情報生成手段に、前記解析画像に含まれる複数の細胞核それぞれについて算出された特徴量と、前記評価関数とに基づいて、前記複数の細胞核それぞれについて前記予測情報を生成させ、前記複数の細胞核それぞれについて生成された予測情報の中から、疾患の再発の可能性があること又は疾患の悪性度が高いことを示す予測情報を特定し、前記解析画像に含まれる領域のうち、前記特定した予測情報の生成に利用された細胞核を含む一部の領域を前記対象領域として決定する。前記特徴量算出手段は、前記決定された対象領域に含まれる細胞核に関する特徴量をさらに算出する。前記予測情報生成手段は、前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報をさらに生成する。第3の疾患分析装置は、前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成手段を有する。細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である。
本発明が提供する第1の制御方法は、コンピュータによって実行される。この制御方法は、対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得ステップと、前記解析画像から、細胞核に関する特徴量を算出する特徴量算出ステップと、疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得ステップと、前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成ステップと、を有する。前記評価関数格納手段は、複数の前記評価関数を格納している。第1の制御方法はさらに、前記解析画像を撮像してからの経過時間を示す情報である補助情報を取得する補助情報取得ステップを有する。前記予測情報生成ステップは、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する。細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である。
本発明が提供する第2の制御方法は、コンピュータによって実行される。この制御方法は、対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得ステップと、前記解析画像から、細胞核に関する特徴量を算出する特徴量算出ステップと、疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得ステップと、前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成ステップと、を有する。前記評価関数格納手段は、複数の前記評価関数を格納している。第2の制御方法は、前記疾患の種類を示す情報である補助情報を取得する補助情報取得ステップをさらに有する。前記予測情報生成ステップは、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する。細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である。
本発明が提供する第3の制御方法は、コンピュータによって実行される。この制御方法は、対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得するステップと、前記解析画像から、細胞核に関する特徴量を算出する特徴量算出ステップと、疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得ステップと、前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成ステップと、前記解析画像に含まれる複数の細胞核それぞれについて算出された特徴量と、前記評価関数とに基づいて、前記複数の細胞核それぞれについて前記予測情報を生成するステップと、前記複数の細胞核それぞれについて生成された予測情報の中から、疾患の再発の可能性があること又は疾患の悪性度が高いことを示す予測情報を特定するステップと、前記解析画像に含まれる領域のうち、前記特定した予測情報の生成に利用された細胞核を含む一部の領域を対象領域として決定するステップと、前記決定された対象領域に含まれる細胞核に関する特徴量をさらに算出するステップと、前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報をさらに生成するステップと、前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成するステップと、を有する。細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である。
本発明が提供する第1のプログラムは、コンピュータに、本発明が提供する第1の疾患分析装置として動作する機能を持たせる。このプログラムは、このコンピュータに、本発明が提供する第1の疾患分析装置が備える各機能構成部の機能を持たせる。
本発明が提供する第2のプログラムは、コンピュータに、本発明が提供する第2の疾患分析装置として動作する機能を持たせる。このプログラムは、このコンピュータに、本発明が提供する第2の疾患分析装置が備える各機能構成部の機能を持たせる。
本発明が提供する第3のプログラムは、コンピュータに、本発明が提供する第3の疾患分析装置として動作する機能を持たせる。このプログラムは、このコンピュータに、本発明が提供する第3の疾患分析装置が備える各機能構成部の機能を持たせる。
本発明によれば、定量的な情報を用いる新たな方法で対象人物の疾患の予後を予測する技術が提供される。
上述した目的、およびその他の目的、特徴および利点は、以下に述べる好適な実施の形態、およびそれに付随する以下の図面によってさらに明らかになる。
実施形態1に係る疾患分析装置を例示するブロック図である。 実施形態1に係る疾患分析装置のハードウエア構成を例示するブロック図である。 実施形態1の疾患分析装置によって実行される処理の流れを例示するフローチャートである。 輪郭線の複雑度をグラフで示す図である。 予測情報生成部によって生成される予測情報をテーブル形式で例示する図である。 実施形態2に係る疾患分析装置を例示するブロック図である。 解析画像に含まれる対象領域を例示する図である。 実施形態2の疾患分析装置によって実行される処理の流れを例示するフローチャートである。 特定方法1を用いる場合における実施形態2の疾患分析装置を示すブロック図である。 特定方法2を用いる場合における実施形態2の疾患分析装置を示すブロック図である。 実施形態3に係る疾患分析装置を例示するブロック図である。
以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。
[実施形態1]
図1は、実施形態1に係る疾患分析装置2000を例示するブロック図である。図1において、矢印は情報の流れを表している。さらに、図1において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。
疾患分析装置2000は、対象人物(例:患者など)の疾患の予後に関する予測、又は対象人物の疾患の悪性度に関する予測を示す情報を生成する。そのために、疾患分析装置2000は、画像取得部2020、特徴量算出部2040、評価関数取得部2060、及び予測情報生成部2080を有する。以下、これら機能構成部について説明する。
<画像取得部2020>
画像取得部2020は解析画像を取得する。解析画像には、対象人物の病変の細胞核が複数撮像されている。例えば解析画像には、3000 - 5000 個の細胞核が含まれている。例えば解析画像は病理標本を撮像した画像である。病理標本は、対象人物から採取した組織をヘマトキシリン・エオシン染色(HE 染色)することで作成される。
<特徴量算出部2040>
特徴量算出部2040は、解析画像から、細胞核に関する特徴量を算出する。
<評価関数取得部2060>
評価関数取得部2060は、評価関数格納部10から評価関数を取得する。評価関数格納部10は、評価関数を格納する格納部である。評価関数は、特徴量に基づいて予測情報を算出する関数である。
<予測情報生成部2080>
予測情報生成部2080は、解析画像から算出された特徴量と、評価関数取得部2060によって取得された評価関数とに基づき、対象人物に関する予測情報を生成する。予測情報は、対象人物の疾患の予後の予測、又は対象人物の疾患の悪性度の予測を示す情報である。
疾患の予後の予測とは、例えば疾患が再発するか否かの予測や、疾患が再発する時期の予測である。疾患の悪性度は、疾患の治療の難しさ、疾患の進行の早さの度合い、又は疾患が患者に与える影響の大きさなどを表す。例えば疾患の悪性度は、段階分けした指標値などで表される。例えば癌の悪性度を表す段階分けした指標値は、グレードなどである。ただし、疾患の悪性度の表し方は、段階分けした指標値を用いる方法に限定されない。なお、疾患の予後予測は、再発した場合における疾患の悪性度予測であってもよい。
<作用・効果>
以上の構成により、本実施形態の疾患分析装置2000によれば、細胞核の形態学的特徴を定量的に表した情報(特徴量)に基づき、対象人物について、疾患の予後又は悪性度に関する予測情報が生成される。したがって、細胞核の特徴量という定量的な情報を用いる新たな方法で、対象人物の疾患の予後又は悪性度を予測できる。
疾患の予後予測には、遺伝子発現や分子マーカなどが用いられる。これら遺伝子や分子マーカの発現は、主に核内分子によって制御されており、これら分子状態の変化は、当然、核の形態学的特徴へと反映される。また一般に、病理診断における悪性度などの判断基準には、「細胞核の形態が正常な場合からどの程度逸脱しているか」ということが含まれる。一般に、細胞核の形態学的特徴の変化は、細胞が構築する組織構造の変化よりも検出が難しい。以上のことから、細胞核の特徴に基づいて疾患の予後又は疾患の悪性度を予測することで、細胞核の特徴を用いない場合と比較し、より精細に疾患の予後又は疾患の悪性度を予測することができる。
一般に、ある特定の染色方法を用いて病理標本を作製し、病理標本に含まれる細胞が染色によって染まったか否かで、疾患の予後や悪性度を予測する方法がある。例えば、サイトケラチン19を染めるための染色方法を利用することで、サイトケラチン19が発現しているか否かを調べる方法がある。
しかし、この方法によって、「染色を施すことで染まった細胞は特定の分子を発現している」ということが示されても、必ずしもその細胞核が異常であるわけではない。逆に、ある細胞が染色によって染まらなかったからといって、その細胞核が正常であるとは限らない。
細胞核の形態と疾患の状態(予後や悪性度)との間に関連があることは、経験則として知られている。本実施形態の疾患分析装置2000は、細胞核の特徴量に基づいて疾患の予後や疾患の悪性度を予測するため、「遺伝子や分子マーカによっては判別できない異常な細胞」についても、細胞核の形態学的異常で判別できる。したがって、本実施形態の疾患分析装置2000によれば、疾患が再発する可能性や疾患の悪性度を、遺伝子や分子マーカ発現と独立して、より高い精度で予測できる。
<ハードウエア構成>
疾患分析装置2000は、種々の計算機である。例えば疾患分析装置2000は、デスクトップ PC(Personal Computer)やサーバ計算機などである。また、疾患分析装置2000は、携帯電話やタブレット PCなどの携帯端末であってもよい。
疾患分析装置2000が有する各機能構成部は、例えば、個々に又は複数組み合わせられた状態で、少なくとも1つのハードウエア構成要素として実現される。その他にも例えば、各機能構成部は、少なくとも1つのソフトウエア構成要素として実現される。その他にも例えば、各機能構成部は、ハードウエア構成要素とソフトウエア構成要素の組み合わせにより実現される。
図2は、実施形態1に係る疾患分析装置2000のハードウエア構成を例示するブロック図である。図2において、疾患分析装置2000は、バス1020、プロセッサ1040、メモリ1060、及びストレージ1080を有する。
バス1020は、プロセッサ1040、メモリ1060、及びストレージ1080が相互にデータを送受信するためのデータ伝送路である。プロセッサ1040は、例えば CPU (Central Processing Unit) や GPU (Graphics Processing Unit) などの演算処理装置である。メモリ1060は、例えば RAM (Random Access Memory) や ROM (Read Only Memory) などのメモリである。ストレージ1080は、例えばハードディスク、SSD (Solid State Drive)、メモリカードなどの記憶装置である。また、ストレージ1080は、RAM や ROM 等のメモリであってもよい。
画像取得モジュール1220は、疾患分析装置2000に、画像取得部2020の機能を持たせるためのプログラムである。プロセッサ1040は、画像取得モジュール1220を実行することで、画像取得部2020の機能を実現する。
特徴量算出モジュール1240は、疾患分析装置2000に、特徴量算出部2040の機能を持たせるためのプログラムである。プロセッサ1040は、特徴量算出モジュール1240を実行することで、特徴量算出部2040の機能を実現する。
評価関数取得モジュール1260は、疾患分析装置2000に、評価関数取得部2060の機能を持たせるためのプログラムである。プロセッサ1040は、評価関数取得モジュール1260を実行することで、評価関数取得部2060の機能を実現する。
予測情報生成モジュール1280は、疾患分析装置2000に、予測情報生成部2080の機能を持たせるためのプログラムである。プロセッサ1040は、予測情報生成モジュール1280を実行することで、予測情報生成部2080の機能を実現する。
例えばプロセッサ1040は、上記各モジュールをメモリ1060上に読み出して実行する。ただし、プロセッサ1040は、上記各モジュールを、メモリ1060上に読み出さずに実行してもよい。
ストレージ1080は、上記各モジュールを格納する。また、評価関数格納部10が疾患分析装置2000の内部に設けられている場合、メモリ1060又はストレージ1080は、評価関数を格納する。
疾患分析装置2000のハードウエア構成は、図2に示した構成に限定されない。例えば、上記各モジュールは、メモリ1060に格納されてもよい。この場合、疾患分析装置2000は、ストレージ1080を備えていなくてもよい。
<処理の流れ>
図3は、実施形態1の疾患分析装置2000によって実行される処理の流れを例示するフローチャートである。ステップS102において、画像取得部2020は、解析画像を取得する。ステップS104において、評価関数取得部2060は、評価関数を取得する。ステップS106において、特徴量算出部2040は、解析画像から、細胞核に関する特徴量を算出する。ステップS108において、予測情報生成部2080は、特徴量と評価関数とに基づき、対象人物に関する予測情報を生成する。
以下、本実施形態の疾患分析装置2000について、さらに詳細に説明する。
<評価関数格納部10の詳細>
評価関数格納部10は、疾患分析装置2000の外部に設けられてもよいし、疾患分析装置2000の内部に設けられてもよい。図1の場合、評価関数格納部10は、疾患分析装置2000の外部に設けられている。
疾患の予後を予測する評価関数は、例えば、予後が既知である患者(過去の患者)に関する情報を用いて作成される。具体的には、この評価関数は、複数の患者それぞれについて、過去のある時点における患者の解析画像に含まる細胞核の特徴量と、その患者の疾患の経過(再発の有無や再発の時期)とを対応付けた情報が格納されているデータベースを利用して作成される。
例えば評価関数は、次のように作成される。まず、患者の解析画像に含まれる細胞核の特徴量とその患者の疾患の経過とを対応付けた複数の情報に対して、判別分析の変数選択法を適用する。これにより、疾患の経過に関する説明能力が高い、1種類以上の特徴量が選択される。そして、選択された特徴量を用いて判別関数を作成し、この判別関数を評価関数とする。なお、判別分析の変数選択法には、ステップワイズ法など、様々な既知の手法がある。また、選択された変数を用いて判別関数を作成する方法も、既知の手法である。これら既知の手法については、説明を省略する。
ただし、疾患の予後を予測する評価関数は、上記以外の方法で作成されてもよい。例えば疾患の予後を予測する評価関数は、医師の知識や医学的な通説などに基づいて作成されてもよい。また、上述した方法で作成された判別関数に対し、医師の知識や医学的な通説などに基づいて特徴量の追加や削除を行うことで、評価関数を作成してもよい。
疾患の悪性度を予測する評価関数は、例えば、過去に医師が行った診断結果に基づいて作成される。具体的には、この評価関数は、複数の患者それぞれについて、過去のある時点における患者の解析画像に含まる細胞核の特徴量と、その解析画像に基づいて医師が判断した疾患の悪性度とを対応付けた情報が格納されているデータベースを用いて作成される。例えば疾患の悪性度を予測する評価関数は、前述した予後を予測する評価関数と同様の方法で作成される判別関数である。
ただし、疾患の悪性度を予測する評価関数は、上記以外の方法で作成されてもよい。例えば疾患の悪性度を予測する評価関数は、医師の知識や医学的な通説などに基づいて作成されてもよい。また、上述した方法で作成された判別関数に対し、医師の知識や医学的な通説などに基づいて特徴量の追加や削除を行うことで、評価関数を作成してもよい。
評価関数は、疾患の種類に応じて作成されることが好ましい。ただし、類似する疾患に関する予測情報の生成については、同じ評価関数が用いられてもよい。
<画像取得部2020の詳細>
画像取得部2020が解析画像を取得する方法は様々である。例えば画像取得部2020は、外部の装置から入力される解析画像を取得する。その他にも例えば、画像取得部2020は、手動で入力される解析画像を取得する。さらに画像取得部2020は、外部の装置にアクセスして、解析画像を取得してもよい。
<特徴量算出部2040の詳細>
特徴量算出部2040は、細胞核に関する特徴量を算出するために、解析画像の中から、細胞核を特定する。例えば特徴量算出部2040は、細胞核の色と、細胞核の周囲の色との違いを用いて、解析画像の中から細胞核を特定する。例えば解析画像が、患者の組織を HE 染色した病理標本を撮像したものである場合、細胞核の色は、その周囲の色と異なる。そこで、特徴量算出部2040は、この色の違いを利用して、解析画像の中から細胞核を特定する。ただし、特徴量算出部2040が解析画像の中から細胞核を特定する方法は、この方法に限定されない。画像の中から目的のオブジェクトを特定する技術は既知の技術であるため、これ以上の説明は省略する。
例えば特徴量算出部2040が算出する細胞核に関する特徴量は、細胞核の周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上に関する特徴量である。ここで、細胞核の長径と短径は、細胞核を楕円形に近似した場合における長径と短径である。
細胞核の円形度とは、細胞核が正円に近い程度を表す量である。例えば細胞核の円形度は、細胞核の面積及び周囲長に基づいて算出される。また例えば、細胞核の円形度は、細胞核の長径及び短径に基づいて算出される。
輪郭線の複雑度は、例えば次のように算出される。まず、特徴量算出部2040は、細胞核の内部の各画像ピクセルについて、色の濃さを算出する。そして、特徴量算出部2040は、細胞核内部の画像ピクセルのうち、色の濃さが閾値以上である画像ピクセルの固まりを、細胞核内構造物として抽出する。次に、特徴量算出部2040は、抽出した細胞核内構造物の周囲長の合計値を算出する。
特徴量算出部2040は、複数種類の濃さの閾値それぞれについて、上述した細胞核内構造物の周囲長の合計値を算出する。そして、これら複数の合計値の中から、細胞核の周囲長以上の合計値のみを選択する。そして、選択した合計値の総和を、輪郭線の複雑度とする。
図4は、輪郭線の複雑度をグラフで示す図である。X軸は濃さの閾値を表す。実線のグラフは、細胞核内構造物の周囲長の合計値を示す。点線のグラフは、細胞核の周囲長を示す。そして、斜線部分の面積は、輪郭線の複雑度を表す。
細胞核の密集度は、その細胞核の近傍にある細胞の個数によって表される。例えば、特徴量算出部2040は、ある細胞核について、その細胞核を中心とする領域であり、かつその細胞核の数倍(例:5〜6倍)の大きさである領域に含まれる細胞核の個数を算出する。そして、特徴量算出部2040は、この個数を細胞核の密集度とする。
細胞核内の染色状態は、例えば細胞核内の斑によって定義される。HE 染色を行っても、細胞核内のクロマチンの配置によって、細胞核内には斑ができる。また、細胞核内には、核小体と呼ばれる構造物がつくられ、この核小体によっても細胞核内に斑ができる。そして一般に、病理医は、細胞核内における斑をクロマチンパターンと称し、診断の根拠にしている。そこで、疾患分析装置2000は、このような細胞核内の斑を定量化した値を、特徴量として算出する。
例えば、特徴量算出部2040は、以下の2通りの方法で、細胞核内の染色状態を表す特徴量を算出する。第1の方法は、次の通りである。まず、特徴量算出部2040は、解析画像を用いて、1つの細胞核について GLCM(Gray Level Co-occurrence Matrix:同時生起行列)を算出する。そして、特徴量算出部2040は、算出した GLCM を用いて、エントロピー、角二次モーメント、コントラスト、又は一様性などを算出する。そして、特徴量算出部2040は、GLCM を用いて算出したこれらの値のいずれか1つ以上、又はこれらの値のいずれか1つ以上から算出した統計値を、上記細胞核内の染色状態を表す特徴量とする。
第2の方法は、次の通りである。まず、特徴量算出部2040は、1つの細胞核内部に含まれる各画像ピクセルの輝度を算出する。次に、特徴量算出部2040は、この細胞核内部の画像ピクセルから、輝度が所定範囲に含まれる画像ピクセルのみを抽出する。そして、特徴量算出部2040は、抽出した画像ピクセルを用いて、細胞核内の染色状態に関する特徴量を算出する。
例えば特徴量算出部2040が算出する特徴量は、抽出した画像ピクセルのみで表される領域の面積やフラクタル次元である。また例えば、特徴量算出部2040は、抽出した画像ピクセルのうち、隣接する複数の画像ピクセルで表される1つの領域を1つの細胞核内構造物とみなす。そして、特徴量算出部2040は、細胞核に含まれる細胞核内構造物の数を、特徴量として算出する。なお、抽出した画像ピクセルのみで表される領域の面積は、この細胞核内構造物の面積の総和に相当する。
また例えば、特徴量算出部2040が算出する特徴量は、抽出した画像ピクセルのみで表される領域の面積と、細胞核の面積の比率である。
なお、特徴量算出部2040は、上記抽出した画像ピクセルの数を底面積とし、画像ピクセルの輝度を高さとする立体を用いて、細胞核の染色状態を表す特徴量を算出してもよい。例えばこの特徴量は、上記立体の体積やフラクタル次元である。また例えば、この特徴量は、上記立体の体積と、細胞核全体が底面であり、かつ上記所定範囲の大きさが高さである立体の体積との比率である。
さらに、第2の方法において、特徴量算出部2040は、輝度に関する上記所定範囲を複数種類用い、各所定範囲について上述した特徴量を算出してもよい。例えば特徴量算出部2040は、輝度の全範囲を6つの範囲に分割する。ただし、分割数は6に限定されない。また、所定範囲が複数ある場合、特徴量算出部2040は、隣接する所定範囲について算出した上記特徴量の差異を、細胞核内の染色状態を表す特徴量としてもよい。
特徴量算出部2040は、上述した複数種類の特徴量のうち、1つの特徴量を算出してもよいし、複数種類の特徴量を算出してもよい。複数種類の特徴量を算出する場合、例えば特徴量算出部2040は、算出した複数種類の特徴量を統計処理することで1つの統計値を算出し、この統計値を細胞核の特徴量とする。この統計値は、例えば複数種類の特徴量の平均値、重み付き平均値、中央値、最大値、最小値、最頻値、又は X パーセンタイル値(X は正の整数)などである。特徴量の X パーセンタイル値とは、複数算出された特徴量を値の大きさで並べたときに、全体の X パーセントに当たる順位に位置する値である。例えば特徴量が100個ある場合における10パーセンタイル値は、100個の特徴量を大きさの順に並べた場合に、10番目に位置する特徴量の値となる。
特徴量算出部2040は、解析画像に含まれる一部又は全ての細胞核について、形状に関する特徴量を算出する。例えば特徴量算出部2040は、複数の細胞核に関して算出した特徴量を統計処理して1つの統計値を算出し、この統計値を解析画像に含まれる細胞核に関する特徴量とする。この統計値は、例えば複数個の細胞核に関する形状の平均値、重み付き平均値、中央値、最大値、最小値、最頻値、又は X パーセンタイル値などである。
また、疾患分析装置2000は、解析画像から細胞核以外の特徴量も算出し、細胞核の特徴量と併せて利用してもよい。この場合、例えば疾患分析装置2000は、細胞の配列パターンである索状構造の厚さなどを特徴量として算出する。またこの場合、評価関数取得部2060が取得する評価関数は、細胞核の特徴量に加えて索状構造の厚さなどの特徴量も入力として受け付け、これらの特徴量から予測情報を生成する。
<予測情報の具体例>
図5は、予測情報生成部2080によって生成される予測情報をテーブル形式で例示する図である。図5に示されるテーブルを、予測情報テーブル100と表記する。予測情報テーブル100は、再発の有無102、再発時期104、及び悪性度106という3の行を有する。図5の予測情報テーブル100は、「疾患の再発が1年以内にある」という予後予測、及び「グレード 2、脈管浸潤無し、転移無し」という悪性度を示している。
[実施形態2]
図6は、実施形態2に係る疾患分析装置2000を例示するブロック図である。図6において、矢印は情報の流れを表している。さらに、図6において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。
実施形態2の疾患分析装置2000は、解析画像に含まれる複数の対象領域ごとに予測情報を生成し、それら複数の予測情報を統計処理する。例えば対象領域は、解析画像のうち、特に着目すべき領域を表す。一般にこの領域は、Region of Interest(ROI)と呼ばれる。ただし、対象領域は、ROI に限定されない。例えば対象領域は、解析画像からランダムに選ばれた領域であってもよい。
図7は、解析画像に含まれる対象領域を例示する図である。図7において、解析画像20の中には、5つの対象領域40が含まれている。
以下、本実施形態の疾患分析装置2000が有する機能について説明する。
<特徴量算出部2040>
実施形態2の特徴量算出部2040は、解析画像に含まれる複数の対象領域ごとに、その対象領域に含まれる細胞核の特徴量を算出する。特徴量算出部2040は、対象領域に含まれる一部又は全ての細胞核について、形状に関する特徴量を算出する。例えば特徴量算出部2040は、対象領域に含まれる複数の細胞核に関して算出した特徴量を統計処理して1つの統計値を算出し、この統計値を解析画像に含まれる細胞核に関する特徴量とする。
<予測情報生成部2080>
実施形態2の予測情報生成部2080は、複数の対象領域ごとに予測情報を生成する。予測情報生成部2080は、1つの対象領域について算出された特徴量と評価関数とに基づき、その対象領域について、対象人物に関する予測情報を生成する。
<予測統計情報生成部2100>
実施形態2の疾患分析装置2000は、予測統計情報生成部2100を有する。予測統計情報生成部2100は、複数の対象領域ごとに生成された予測情報を統計処理し、予測統計情報を生成する。
予測統計情報生成部2100は、複数の対象領域それぞれに関する予測情報が示す疾患再発の有無に基づいて、予測統計情報が示す疾患の有無を決定する。例えば予測統計情報生成部2100は、所定数以上の対象領域に関する予測情報が、疾患が再発することを示している場合に、疾患が再発することを示す予測統計情報を生成する。
予測統計情報生成部2100は、複数の対象領域それぞれに関する予測情報が示す疾患の再発時期に基づいて、予測統計情報が示す疾患の再発時期を決定する。例えば予測統計情報生成部2100は、予測統計情報が示す疾患の再発時期を、対象領域それぞれが示す疾患の再発時期の統計値にする。この統計値は、各予測情報が示す疾患の再発時期の平均値、重み付き平均値、中央値、最大値、最小値、最頻値、又は X パーセンタイル値などである。
予測統計情報生成部2100は、複数の対象領域それぞれに関する予測情報が示す疾患の悪性度に基づいて、予測統計情報が示す疾患の悪性度を決定する。例えば予測統計情報生成部2100は、予測統計情報が示す疾患の悪性度を、対象領域それぞれが示す疾患の悪性度の統計値にする。この統計値は、各予測情報が示す疾患の悪性度の平均値、重み付き平均値、中央値、最大値、最小値、最頻値、又は X パーセンタイル値などである。
<処理の流れ>
図8は、実施形態2の疾患分析装置2000によって実行される処理の流れを例示するフローチャートである。ステップS102及びS104で行われる処理は、実施形態1で説明した図3のステップS102及びS104で行われる処理と同じである。そのため、これらのステップについては説明を省略する。
ステップS202からステップS208は、各対象領域について行われるループ処理Aである。ステップS202において、疾患分析装置2000は、全ての対象領域をループ処理Aの対象としたか否かを判定する。既に全ての対象領域をループ処理Aの対象にした場合、図8の処理は、ステップS210に進む。
一方、まだループ処理Aの対象にしていない対象領域がある場合、疾患分析装置2000は、まだループ処理Aの対象にしていない対象領域の中から1つを選択する。ステップS202で選択された対象領域を、対象領域iと表記する。そして、図8の処理は、ステップS204に進む。
ステップS204において、特徴量算出部2040は、対象領域iに含まれる細胞核に関する特徴量を算出する。ステップS206において、予測情報生成部2080は、対象領域iについて算出した特徴量と評価関数とに基づいて、対象領域iに関する予測情報を生成する。
ステップS208はループ処理Aの終端である。ステップS208において、図8の処理はステップS202に進む。
ステップS210において、予測統計情報生成部2100は、各対象領域について生成した予測情報を統計処理して予測統計情報を生成する。
以下、本実施形態について、さらに詳細に説明する。
<対象領域の特定方法>
疾患分析装置2000が、上記複数の対象領域を特定する方法は様々である。例えば、以下に示す特定方法1や特定方法2がある。
<<特定方法1>>
疾患分析装置2000は、複数の対象領域それぞれを特定する情報を取得する。この情報を、領域情報と表記する。図9は、特定方法1を用いる場合における実施形態2の疾患分析装置2000を示すブロック図である。疾患分析装置2000は、領域情報取得部2120を有する。領域情報取得部2120は領域情報を取得する。なお、図9において、矢印は情報の流れを表している。さらに、図9において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。
特徴量算出部2040は、領域情報によって特定される複数の対象領域それぞれについて、細胞核の特徴量を算出する。予測情報生成部2080は、領域情報によって特定される複数の対象領域それぞれについて算出された特徴量と、評価関数とに基づき、対象領域ごとに予測情報を生成する。
領域情報取得部2120が領域情報を取得する方法は様々である。例えば領域情報取得部2120は、外部の装置から入力される領域情報を取得する。その他にも例えば、領域情報取得部2120は、手動で入力される領域情報を取得する。さらに領域情報取得部2120は、外部の装置にアクセスして、領域情報を取得してもよい。
<<特定方法2>>
疾患分析装置2000は、疾患分析装置2000の内部で、複数の対象領域を決定する。そのために、疾患分析装置2000は、対象領域決定部2140を有する。対象領域決定部2140は、解析画像の中から複数の対象領域を決定する。図10は、特定方法2を用いる場合における実施形態2の疾患分析装置2000を示すブロック図である。図10において、疾患分析装置2000は、対象領域決定部2140を有する。なお、図10において、矢印は情報の流れを表している。さらに、図10において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。
特徴量算出部2040は、対象領域決定部2140によって決定された複数の対象領域それぞれについて、細胞核に関する特徴量を算出する。予測情報生成部2080は、対象領域決定部2140によって決定された複数の対象領域それぞれについて算出された特徴量と、評価関数とに基づき、対象領域ごとに予測情報を生成する。
例えば対象領域決定部2140は、次のような流れで対象領域を決定する。まず、特徴量算出部2040は、解析画像に含まれる細胞核の中から、ランダムに細胞核を抽出する。そして、対象領域決定部2140は、特徴量算出部2040に、抽出された各細胞核の特徴量を算出させる。そして、対象領域決定部2140は、算出された特徴量に基づいて、対象領域を決定する。
例えば対象領域決定部2140は、ランダムに抽出した細胞核の特徴量を用いて、予測情報生成部2080に、予測情報を生成させる。そして、対象領域決定部2140は、生成された予測情報が「疾患の再発有り」や「疾患の悪性度が高い」という悪い結果を示す細胞核を特定する。そして、対象領域決定部2140は、その細胞核を含む領域を、対象領域とする。例えば、対象領域の形状が定められている場合、対象領域決定部2140は、特定された細胞核を頂点の1つや中心とする定められた形状を、対象領域とする。例えば対象領域の形状が 1mm x 1mm の正方形と定められている場合、対象領域決定部2140は、特定された細胞核を頂点や中心とする 1mm x 1mm の正方形の領域を、対象領域とする。
また、対象領域決定部2140は、定められた形状で表される領域が、悪い結果を示す予測情報が生成された特徴量を持つ細胞核を所定の数以上含む場合のみ、その領域を対象領域としてもよい。こうすることで、対象領域の数を減らすことができる。
<作用・効果>
以上の構成により、本実施形態の疾患分析装置2000によれば、解析画像のうち、複数の対象領域それぞれに含まれる細胞核に関する特徴量に基づいて予測情報が生成される。ここで一般に、解析画像は解像度が高い画像であることが多いため、解析画像に含まれる全ての細胞核について特徴量を算出すると、処理時間が長くなる。本実施形態によれば、解析画像に含まれる全ての細胞核について特徴量を算出する場合と比較し、算出対象の細胞核の個数が少なくなるため、予測情報の生成にかかる処理時間が短くなる。
また、本実施形態によれば、各対象領域について算出された予測情報を統計処理することにより、予測統計情報が生成される。解析画像に含まれる1つの領域について分析するよりも、複数の領域について分析を行うことで総合的な判断をした方が、疾患の予後の予測や疾患の悪性度の予測の精度が高くなると考えられる。本実施形態によれば、予測統計情報を生成されるため、疾患の予後や疾患の悪性度をより高い精度で予測される。
また、解析画像に含まれる細胞核それぞれの重要度は、同等でない場合がある。例えば、解析画像に含まれる細胞核のうち、一部の領域に含まれる細胞核についてのみ、異常な形状を示している場合がある。このような場合、異常な形状を示している細胞核が含まれる領域について重点的に解析を行うことが好ましいこともある。本実施形態の疾患分析装置2000によれば、上述した特定方法1を用いることで、このような領域を対象領域として示す領域情報を取得することで、このような領域に重点を置いて予測情報を生成することができる。その結果、疾患分析装置2000による予測の精度が向上する。
また、どの領域を重点的に調べた方がよいかを人目で判断することが困難な場合もある。本実施形態の疾患分析装置2000によれば、上述した特定方法2を用いることで、対象領域が決定される。そのため、重点的に調べた方がよい範囲を人目で判断することが困難な場合であっても、重点的に調べた方がよい範囲を決定することができる。その結果、疾患分析装置2000による予測の精度が向上する。
[実施形態3]
実施形態3の疾患分析装置2000は、実施形態1又は2と同様の構成を有する。そのため、実施形態3の疾患分析装置2000の図示は省略する。
実施形態3において、評価関数格納部10は、複数の評価関数を格納している。実施形態3の評価関数取得部2060は、評価関数格納部10から複数の評価関数を取得する。そして、実施形態3の予測情報生成部2080は、特徴量と複数の評価関数とに基づいて、予測情報を生成する。
複数の評価関数は、それぞれ異なる方法で予測情報を生成する。例えば各評価関数は、予測情報の生成に用いる特徴量が異なる。また例えば、各評価関数が、特徴量に重み付けを行う場合、特徴量に付ける重みが評価関数ごとに異なる。
実施形態3の予測情報生成部2080は、各評価関数によって生成される予測情報を統計処理し、その統計処理の結果を、最終的な予測情報とする。複数の予測情報を統計処理する方法は、実施形態2で説明した予測統計情報の生成方法と同様であるため、説明を省略する。
<作用・効果>
以上の構成により、本実施形態によれば、複数の評価関数を用いて予測情報が生成される。これにより、疾患の予後や疾患の悪性度を、より高い精度で予測することができる。
[実施形態4]
図11は、実施形態4に係る疾患分析装置2000を例示するブロック図である。図11において、矢印は情報の流れを表している。さらに、図11において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。
実施形態4の疾患分析装置2000は、補助情報に基づいて、複数の評価関数の中から、予測情報の生成に用いる評価関数を選択する。補助情報は、解析画像を撮像してからの経過時間又は疾患の種類を示す情報である。
<補助情報取得部2160>
実施形態4の疾患分析装置2000は、補助情報取得部2160を有する。補助情報取得部2160は、補助情報を取得する。補助情報取得部2160が補助情報を取得する方法は様々である。例えば補助情報取得部2160は、外部の装置から入力される補助情報を取得する。その他にも例えば、補助情報取得部2160は、手動で入力される補助情報を取得する。さらに補助情報取得部2160は、外部の装置にアクセスして、補助情報を取得してもよい。
実施形態4の評価関数格納部10は、複数の評価関数を格納している。実施形態4の予測情報生成部2080は、補助情報に基づいて、評価関数格納手段に格納されている複数の評価関数の中から、予測情報の生成に用いる評価関数を選択する。そして、予測情報生成部2080は、選択した評価関数と、特徴量算出部2040によって算出された特徴量とに基づいて、予測情報を生成する。
例えば実施形態4の評価関数格納部10は、疾患の種類や解析画像を撮像してからの経過期間に対応付けて、評価関数を格納している。そして、予測情報生成部2080は、補助情報取得部2160から取得した補助情報が示す疾患の種類や解析画像を撮像してからの経過期間を用いて、評価関数格納部10に格納されている評価関数を検索することで、利用する評価関数を取得する。
<作用・効果>
本実施形態によれば、解析画像を撮像してからの経過時間又は疾患の種類を示す情報に基づいて、利用する評価関数が選択される。したがって、解析画像を撮像してからの経過時間又は疾患の種類に応じ、適切な評価関数を用いて疾患の予後の予測又は疾患の悪性度の予測を行うことができる。
以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記実施形態の組み合わせ、及び上記実施形態以外の様々な構成を採用することもできる。
なお、本発明は、疾患の予後又は悪性度の予測に、組織構造の情報や細胞質の情報などを利用することを否定するものではない。本発明が行う細胞核の特徴を用いた予測は、組織構造の情報や細胞質の情報などを利用した予測と組み合わせたり、併用したりすることができる。こうすることで、疾患の予後又は悪性度の予測が、より高い精度で行えるようになる。また本発明は、遺伝子診断と組み合わせることで、さらに予測精度を高めることもできる。
この出願は、2013年9月19日に出願された日本出願特願2013−193859号を基礎とする優先権を主張し、その開示の全てをここに取り込む。
上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
1. 対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得手段と、
前記解析画像から、細胞核に関する特徴量を算出する特徴量算出手段と、
疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得手段と、
前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成手段と、
を有する疾患分析装置。
2. 前記特徴量算出手段は、前記解析画像に含まれる複数の対象領域ごとに、その対象領域に含まれる細胞核の前記特徴量を算出し、
前記予測情報生成手段は、複数の前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報を生成し、
複数の前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成手段を有する、
1.に記載の疾患分析装置。
3. 複数の前記対象領域を特定する領域情報を取得する領域情報取得手段を有する2.に記載の疾患分析装置。
4. 前記解析画像の中から複数の対象領域を決定する対象領域決定手段を有する2.に記載の疾患分析装置。
5. 前記評価関数取得手段は、前記評価関数格納手段から複数の前記評価関数を取得し、
前記予測情報生成手段は、前記特徴量と複数の前記評価関数とに基づいて前記予測情報を生成する、
1.乃至4.何れか一つに記載の疾患分析装置。
6. 前記評価関数格納手段は、複数の前記評価関数を格納しており、
前記解析画像を撮像してからの経過時間又は前記疾患の種類を示す情報である補助情報を取得する補助情報取得手段を有し、
前記予測情報生成手段は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する、
1.乃至5.何れか一つに記載の疾患分析装置。
7. 細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である1.乃至6.何れか一つに記載の疾患分析装置。
8. コンピュータによって実行される制御方法であって、
対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得ステップと、
前記解析画像から、細胞核に関する特徴量を算出する特徴量算出ステップと、
疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得ステップと、
前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成ステップと、
を有する制御方法。
9. 前記特徴量算出ステップは、前記解析画像に含まれる複数の対象領域ごとに、その対象領域に含まれる細胞核の前記特徴量を算出し、
前記予測情報生成ステップは、複数の前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報を生成し、
複数の前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成ステップを有する、
8.に記載の制御方法。
10. 複数の前記対象領域を特定する領域情報を取得する領域情報取得ステップを有する9.に記載の制御方法。
11. 前記解析画像の中から複数の対象領域を決定する対象領域決定ステップを有する9.に記載の制御方法。
12. 前記評価関数取得ステップは、前記評価関数格納ステップから複数の前記評価関数を取得し、
前記予測情報生成ステップは、前記特徴量と複数の前記評価関数とに基づいて前記予測情報を生成する、
8.乃至11.何れか一つに記載の制御方法。
13. 前記評価関数格納手段は、複数の前記評価関数を格納しており、
前記解析画像を撮像してからの経過時間又は前記疾患の種類を示す情報である補助情報を取得する補助情報取得ステップを有し、
前記予測情報生成ステップは、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する、
8.乃至12.何れか一つに記載の制御方法。
14. 細胞核に関する前記特徴量は、細胞核の周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である8.乃至13.何れか一つに記載の制御方法。
15. コンピュータに、疾患分析装置として動作する機能を持たせるプログラムであって、前記コンピュータに、
対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得機能と、
前記解析画像から、細胞核に関する特徴量を算出する特徴量算出機能と、
疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得機能と、
前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成機能と、
を持たせるプログラム。
16. 前記特徴量算出機能は、前記解析画像に含まれる複数の対象領域ごとに、その対象領域に含まれる細胞核の前記特徴量を算出し、
前記予測情報生成機能は、複数の前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報を生成し、
前記コンピュータに、複数の前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成機能を持たせる、
15.に記載のプログラム。
17. 前記コンピュータに、複数の前記対象領域を特定する領域情報を取得する領域情報取得機能を持たせる16.に記載のプログラム。
18. 前記コンピュータに、前記解析画像の中から複数の対象領域を決定する対象領域決定機能を持たせる16.に記載のプログラム。
19. 前記評価関数取得機能は、前記評価関数格納手段から複数の前記評価関数を取得し、
前記予測情報生成機能は、前記特徴量と複数の前記評価関数とに基づいて前記予測情報を生成する、
15.乃至18.何れか一つに記載のプログラム。
20. 前記評価関数格納手段は、複数の前記評価関数を格納しており、
前記コンピュータに、前記解析画像を撮像してからの経過時間又は前記疾患の種類を示す情報である補助情報を取得する補助情報取得機能を持たせ、
前記予測情報生成機能は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成する、
15.乃至19.何れか一つに記載のプログラム。
21. 細胞核に関する前記特徴量は、細胞核の周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である15.乃至20.何れか一つに記載のプログラム。

Claims (21)

  1. 対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得手段と、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出手段と、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得手段と、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成手段と、
    を有し、
    前記評価関数格納手段は、複数の前記評価関数を格納しており、
    前記解析画像を撮像してからの経過時間を示す情報である補助情報を取得する補助情報取得手段を有し、
    前記予測情報生成手段は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である疾患分析装置。
  2. 対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得手段と、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出手段と、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得手段と、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成手段と、
    を有し、
    前記評価関数格納手段は、複数の前記評価関数を格納しており、
    前記疾患の種類を示す情報である補助情報を取得する補助情報取得手段を有し、
    前記予測情報生成手段は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である疾患分析装置。
  3. 前記特徴量算出手段は、前記解析画像に含まれる複数の対象領域ごとに、その対象領域に含まれる細胞核の前記特徴量を算出し、
    前記予測情報生成手段は、複数の前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報を生成し、
    複数の前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成手段を有する、
    請求項1又は2に記載の疾患分析装置。
  4. 複数の前記対象領域を特定する領域情報を取得する領域情報取得手段を有する請求項に記載の疾患分析装置。
  5. 前記解析画像の中から複数の対象領域を決定する対象領域決定手段を有する請求項に記載の疾患分析装置。
  6. 対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得手段と、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出手段と、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得手段と、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成手段と、
    前記解析画像の中から複数の対象領域を決定する対象領域決定手段と、
    を有し、
    前記対象領域決定手段は、
    前記予測情報生成手段に、前記解析画像に含まれる複数の細胞核それぞれについて算出された特徴量と、前記評価関数とに基づいて、前記複数の細胞核それぞれについて前記予測情報を生成させ、
    前記複数の細胞核それぞれについて生成された予測情報の中から、疾患の再発の可能性があること又は疾患の悪性度が高いことを示す予測情報を特定し、
    前記解析画像に含まれる領域のうち、前記特定した予測情報の生成に利用された細胞核を含む一部の領域を前記対象領域として決定し、
    前記特徴量算出手段は、前記決定された対象領域に含まれる細胞核に関する特徴量をさらに算出し、
    前記予測情報生成手段は、前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報をさらに生成し、
    前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成手段を有し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である疾患分析装置。
  7. 前記評価関数取得手段は、前記評価関数格納手段から複数の前記評価関数を取得し、
    前記予測情報生成手段は、前記特徴量と複数の前記評価関数とに基づいて前記予測情報を生成する、
    請求項1乃至何れか一項に記載の疾患分析装置。
  8. コンピュータによって実行される制御方法であって、
    対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得ステップと、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出ステップと、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得ステップと、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成ステップと、
    を有し、
    前記評価関数格納手段は、複数の前記評価関数を格納しており、
    前記解析画像を撮像してからの経過時間を示す情報である補助情報を取得する補助情報取得ステップを有し、
    前記予測情報生成ステップは、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である制御方法。
  9. コンピュータによって実行される制御方法であって、
    対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得ステップと、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出ステップと、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得ステップと、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成ステップと、
    を有し、
    前記評価関数格納手段は、複数の前記評価関数を格納しており、
    前記疾患の種類を示す情報である補助情報を取得する補助情報取得ステップを有し、
    前記予測情報生成ステップは、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である、制御方法。
  10. 前記特徴量算出ステップは、前記解析画像に含まれる複数の対象領域ごとに、その対象領域に含まれる細胞核の前記特徴量を算出し、
    前記予測情報生成ステップは、複数の前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報を生成し、
    複数の前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成ステップを有する、
    請求項8又は9に記載の制御方法。
  11. 複数の前記対象領域を特定する領域情報を取得する領域情報取得ステップを有する請求項10に記載の制御方法。
  12. 前記解析画像の中から複数の対象領域を決定する対象領域決定ステップを有する請求項10に記載の制御方法。
  13. コンピュータによって実行される制御方法であって、
    対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得するステップと、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出ステップと、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得ステップと、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成ステップと、
    前記解析画像に含まれる複数の細胞核それぞれについて算出された特徴量と、前記評価関数とに基づいて、前記複数の細胞核それぞれについて前記予測情報を生成するステップと、
    前記複数の細胞核それぞれについて生成された予測情報の中から、疾患の再発の可能性があること又は疾患の悪性度が高いことを示す予測情報を特定するステップと、
    前記解析画像に含まれる領域のうち、前記特定した予測情報の生成に利用された細胞核を含む一部の領域を対象領域として決定するステップと、
    前記決定された対象領域に含まれる細胞核に関する特徴量をさらに算出するステップと、
    前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報をさらに生成するステップと、
    前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成するステップと、を有し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上である制御方法。
  14. 前記評価関数取得ステップは、前記評価関数格納手段から複数の前記評価関数を取得し、
    前記予測情報生成ステップは、前記特徴量と複数の前記評価関数とに基づいて前記予測情報を生成する、
    請求項8乃至13何れか一項に記載の制御方法。
  15. コンピュータに、疾患分析装置として動作する機能を持たせるプログラムであって、前記コンピュータに、
    対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得機能と、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出機能と、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得機能と、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成機能と、
    を持たせ
    前記評価関数格納手段は、複数の前記評価関数を格納しており、
    前記コンピュータに、前記解析画像を撮像してからの経過時間を示す情報である補助情報を取得する補助情報取得機能を持たせ、
    前記予測情報生成機能は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上であるプログラム。
  16. コンピュータに、疾患分析装置として動作する機能を持たせるプログラムであって、前記コンピュータに、
    対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得機能と、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出機能と、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得機能と、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成機能と、
    を持たせ、
    前記評価関数格納手段は、複数の前記評価関数を格納しており、
    前記コンピュータに、前記疾患の種類を示す情報である補助情報を取得する補助情報取得機能を持たせ、
    前記予測情報生成機能は、前記補助情報に基づいて、前記評価関数格納手段に格納されている複数の前記評価関数の中から前記評価関数を選択し、選択した前記評価関数を用いて前記予測情報を生成し、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上であるプログラム。
  17. 前記特徴量算出機能は、前記解析画像に含まれる複数の対象領域ごとに、その対象領域に含まれる細胞核の前記特徴量を算出し、
    前記予測情報生成機能は、複数の前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報を生成し、
    前記コンピュータに、複数の前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する予測統計情報生成機能を持たせる、
    請求項15又は16に記載のプログラム。
  18. 前記コンピュータに、複数の前記対象領域を特定する領域情報を取得する領域情報取得機能を持たせる請求項17に記載のプログラム。
  19. 前記コンピュータに、前記解析画像の中から複数の対象領域を決定する対象領域決定機能を持たせる請求項17に記載のプログラム。
  20. コンピュータに、疾患分析装置として動作する機能を持たせるプログラムであって、前記コンピュータに、
    対象人物の病変の細胞核が複数撮像されている画像である解析画像を取得する画像取得機能と、
    前記解析画像から、細胞核に関する特徴量を算出する特徴量算出機能と、
    疾患の予後に関する予測又は疾患の悪性度に関する予測を示す予測情報を前記特徴量に基づいて算出する評価関数を格納している評価関数格納手段から、前記評価関数を取得する評価関数取得機能と、
    前記解析画像から算出された前記特徴量と前記評価関数とに基づき、前記対象人物に関する前記予測情報を生成する予測情報生成機能と、
    前記解析画像に含まれる複数の細胞核それぞれについて算出された特徴量と、前記評価関数とに基づいて、前記複数の細胞核それぞれについて前記予測情報を生成する機能と、
    前記複数の細胞核それぞれについて生成された予測情報の中から、疾患の再発の可能性があること又は疾患の悪性度が高いことを示す予測情報を特定する機能と、
    前記解析画像に含まれる領域のうち、前記特定した予測情報の生成に利用された細胞核を含む一部の領域を対象領域として決定する機能と、
    前記決定された対象領域に含まれる細胞核に関する特徴量をさらに算出する機能と、
    前記対象領域ごとに、その対象領域について算出された前記特徴量と前記評価関数とに基づいて前記予測情報をさらに生成する機能と、
    前記対象領域ごとに生成された前記予測情報を統計処理して予測統計情報を生成する機能と、を持たせ、
    細胞核に関する前記特徴量は、細胞核の面積、周囲長、長径、短径、円形度、面積、長径と短径から構成される長方形の面積と細胞核の面積との比率、輪郭線の複雑度、細胞核の密集度、又は細胞核内の染色状態のいずれか1つ以上であるプログラム。
  21. 前記評価関数取得機能は、前記評価関数格納手段から複数の前記評価関数を取得し、
    前記予測情報生成機能は、前記特徴量と複数の前記評価関数とに基づいて前記予測情報を生成する、
    請求項15乃至20何れか一項に記載のプログラム。
JP2015537606A 2013-09-19 2014-08-15 疾患分析装置、制御方法、及びプログラム Active JP6168426B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2013193859 2013-09-19
JP2013193859 2013-09-19
PCT/JP2014/071478 WO2015040990A1 (ja) 2013-09-19 2014-08-15 疾患分析装置、制御方法、及びプログラム

Publications (2)

Publication Number Publication Date
JPWO2015040990A1 JPWO2015040990A1 (ja) 2017-03-02
JP6168426B2 true JP6168426B2 (ja) 2017-07-26

Family

ID=52688646

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015537606A Active JP6168426B2 (ja) 2013-09-19 2014-08-15 疾患分析装置、制御方法、及びプログラム

Country Status (4)

Country Link
US (1) US9916658B2 (ja)
JP (1) JP6168426B2 (ja)
CN (1) CN105579847B (ja)
WO (1) WO2015040990A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107036956A (zh) * 2017-05-22 2017-08-11 粉蓝医疗科技(杭州)有限公司 细胞核统计方法和装置
JP2019035664A (ja) * 2017-08-16 2019-03-07 学校法人東京医科大学 肝細胞がんの再発の可能性を試験するシステム
WO2019176275A1 (ja) * 2018-03-12 2019-09-19 ソニー株式会社 細胞評価装置及び細胞評価システム
JPWO2019208703A1 (ja) * 2018-04-26 2021-04-30 日本電気株式会社 情報処理装置
JP7398073B2 (ja) * 2018-05-24 2023-12-14 ユニバーシティ オブ ピッツバーグ-オブ ザ コモンウェルス システム オブ ハイヤー エデュケーション 空間マルチパラメータ細胞亜細胞画像データからの癌再発の予測
JP6908806B1 (ja) * 2020-09-16 2021-07-28 BonBon株式会社 プログラム、情報処理装置、方法
CN112102950B (zh) * 2020-11-04 2021-02-12 平安科技(深圳)有限公司 一种数据处理系统、方法、装置及存储介质
CN113393105A (zh) * 2021-06-04 2021-09-14 南京海容互连电子科技有限公司 一种耕地质量检测方法、装置、设备及存储介质
CN116703917B (zh) * 2023-08-07 2024-01-26 广州盛安医学检验有限公司 一种女性生殖道细胞病理智能分析系统

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6025128A (en) * 1994-09-29 2000-02-15 The University Of Tulsa Prediction of prostate cancer progression by analysis of selected predictive parameters
US6603869B1 (en) * 2000-03-03 2003-08-05 Jeffrey A. Freed Method of using perimeter measurements to improve ploidy analysis in a tissue section
US8594410B2 (en) * 2006-08-28 2013-11-26 Definiens Ag Context driven image mining to generate image-based biomarkers
US20050136549A1 (en) * 2003-10-30 2005-06-23 Bioimagene, Inc. Method and system for automatically determining diagnostic saliency of digital images
GB2430026A (en) * 2005-09-09 2007-03-14 Qinetiq Ltd Automated selection of image regions
US20070135999A1 (en) * 2005-12-13 2007-06-14 Applied Spectral Imaging Ltd. Method, apparatus and system for characterizing pathological specimen
US20070160272A1 (en) 2006-01-09 2007-07-12 Yoshihiko Nagamine Tumor region setting method and system
JP5410274B2 (ja) 2006-06-05 2014-02-05 フォース フォトニクス リミテッド 組織を特徴づける方法
US20080091102A1 (en) 2006-09-19 2008-04-17 Hisato Maeda Image Processing Apparatus and Image Processing Method
JP2010523979A (ja) 2007-04-05 2010-07-15 オーレオン ラボラトリーズ, インコーポレイテッド 医学的状態の処置、診断および予測のためのシステムおよび方法
US8265359B2 (en) * 2007-06-18 2012-09-11 New Jersey Institute Of Technology Computer-aided cytogenetic method of cancer diagnosis
US8559693B2 (en) * 2007-10-11 2013-10-15 British Columbia Cancer Agency Branch Systems and methods for automated characterization of genetic heterogeneity in tissue samples
US20130080134A1 (en) * 2008-07-25 2013-03-28 Fundação D. Anna Sommer Champalimaud e Dr. Carlos Montez Champalimaud Systems and methods for predicting favorable-risk disease for patients enrolled in active surveillance
JP5438962B2 (ja) * 2008-12-25 2014-03-12 シスメックス株式会社 細胞画像表示装置
JP5321145B2 (ja) * 2009-03-04 2013-10-23 日本電気株式会社 画像診断支援装置、画像診断支援方法、画像診断支援プログラム、及びその記憶媒体
WO2013027399A1 (ja) * 2011-08-23 2013-02-28 日本電気株式会社 情報処理システム、情報処理方法、情報処理装置およびその制御方法と制御プログラム
US9443128B2 (en) * 2011-09-29 2016-09-13 Carnegie Mellon University Segmenting biological structures from microscopy images
JP5771513B2 (ja) 2011-11-24 2015-09-02 学校法人慶應義塾 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム
JP5953035B2 (ja) 2011-11-28 2016-07-13 学校法人慶應義塾 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム
US20130226548A1 (en) 2012-02-23 2013-08-29 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for analysis to build predictive models from microscopic cancer images
US9842391B2 (en) * 2013-05-14 2017-12-12 Pathxl Limited Method and apparatus for processing an image of a tissue sample
EP3108446B1 (en) * 2014-02-21 2019-03-20 Ventana Medical Systems, Inc. Medical image analysis for identifying biomarker-positive tumor cells
US11232565B2 (en) * 2014-04-03 2022-01-25 Koninklijke Philips N.V. Examining device for processing and analyzing an image

Also Published As

Publication number Publication date
WO2015040990A1 (ja) 2015-03-26
US20160232665A1 (en) 2016-08-11
US9916658B2 (en) 2018-03-13
CN105579847A (zh) 2016-05-11
CN105579847B (zh) 2019-07-12
JPWO2015040990A1 (ja) 2017-03-02

Similar Documents

Publication Publication Date Title
JP6168426B2 (ja) 疾患分析装置、制御方法、及びプログラム
US10733726B2 (en) Pathology case review, analysis and prediction
CN106815481B (zh) 一种基于影像组学的生存期预测方法及装置
US11636696B2 (en) Identifying regions of interest from whole slide images
JP5576775B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
US10956795B2 (en) Predicting recurrence in early stage non-small cell lung cancer (NSCLC) using spatial arrangement of clusters of tumor infiltrating lymphocytes and cancer nuclei
US10565706B2 (en) Method and apparatus for tissue recognition
US10671832B2 (en) Method and apparatus for tissue recognition
US9811904B2 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
CN110837572A (zh) 图像检索方法、装置、可读存储介质及电子设备
CN114171197B (zh) 一种乳腺癌her2状态的预测方法及相关设备
CN113570619B (zh) 基于人工智能的计算机辅助胰腺病理图像诊断系统
JP4383352B2 (ja) 核多形性の組織学的評価
WO2022247573A1 (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
GB2543030A (en) Pattern driven image processing method & apparatus for tissue recognition
CN117378015A (zh) 从数字病理学图像预测可操作突变
JP2024522336A (ja) デジタル病理画像からのアクショナブル変異の予測
CN115428039A (zh) 用于有效地确定组织的区域中的多种细胞类型的密度和空间关系特征的方法
JP2022133479A (ja) 予後推定装置及び予後推定方法
US20240233125A9 (en) Method of extracting gene candidate, method of utilizing gene candidate, and computer-readable medium
JP2024530213A (ja) 病理スライド画像に関する情報を出力する方法及び装置
JP2022104405A (ja) 画像解析方法、推定装置、推定システム、制御プログラム、記録媒体
CN115148365A (zh) 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统
de Oliveira et al. Segmentation of Cell Nuclei Regions in Epithelium of Prostate Glands.

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20161122

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170120

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: 20170523

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20170615

R150 Certificate of patent or registration of utility model

Ref document number: 6168426

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

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250