JP6305623B2 - 混合物の光学的な組成解析 - Google Patents

Description

本発明は、光学的な吸収度、散乱、および反射率のうちの１つまたは複数による物質の混合物の解析のための装置および方法に関する。
本願は、２０１４年７月２２日に出願された米国特許出願第１４／３３８，２９１号に基づき優先権を主張し、その内容をここに援用する。

混合物は異なる成分を含む物理的な成分の集合である。混合物の成分は、成分の各々を分離または区別することが難しいように組み合わせることができる。混合物の成分を光学的に区別することが可能な場合、分離することなく混合物を光学的に測定することが望ましい場合がある。

ある数、ｍ個の異なる成分の混合物について考える。一般的に、混合物における成分の各々の濃度を決定することが望ましいが、成分の測定が直接可能となるように混合物を分離することは現実的でないまたは望ましくない場合がある。成分の量は、混合物における成分の合計の質量、重量、もしくは体積、または質量濃度、モル濃度、個数濃度、もしくは体積濃度など様々な方法で記述され得る。簡潔にするために、成分量という用語は、混合物における成分の任意のそのような記述を指すものとする。

光学測定のため、混合物には光が当てられ、光センサは、混合物によって反射され、混合物によって散乱され、および／または混合物を透過する光を測定するように配置される。スペクトルは、オブジェクトの反射率、吸収率、または透過率など波長の機能を指すものである。一般性を損なうことなく、光センサが混合物を透過する光を測定する配置について考える。波長λに対して光センサに降りかかる光量ｉ(λ)は、式(１) から得ることができる。

ここで、ｌ(λ)は、混合物が存在せずｔ(λ)が混合物の光透過率である場合に、センサに降りかかる光量である。混合物の吸収率は、１−ｔ(λ)から得られる。

光学的センサは、単にバンドと呼ばれることがある複数の異なるスペクトルバンドを測定するように構成することができる。カラーバンドの数をｎとする。光学測定値は、光センサの出力である。ｙ_ｊは、センサのカラーバンドｊの光学測定値とする。ここで、１≦ｊ≦ｎであり、これは、式(２) のように測定ノイズを無視してモデル化することができる。

ここで、ｓ_ｊ(λ)は、センサのカラーバンドｊのスペクトル感度である。

ほとんどの光学的センサは、式(２)によって光を直接測定する。しかし、メモリにデータを記憶する前に、光学測定値に特定の計算を実行することが光学機器、特に撮像装置では一般的である。たとえば、標準的な色空間への変換は、一般的に、メモリに記憶する前に測定において実行される。また、ガンマ変換などのトーンマッピングは、多くの場合、一般的な画像表示デバイスのための画像を生成するために実行される。光学測定で実行されるそのようなさらなる計算またはこの計算の逆計算は、本明細書では、カラー変換と呼ばれる。また、そのようなカラー変換の出力は、本明細書において光学測定値と呼ぶ。

式(１)と(２)を組み合わせると、式(３)となる。

ここで、ｐ_ｊ(λ)=ｌ(λ)ｓ_ｊ(λ)は、測定関数と呼ばれ、照明およびセンサのスペクトル感度の影響を組み合わせたものである。測定関数ｐ_ｊ(λ)が波長の大きな範囲にわたり０でない場合、広帯域であると言う。測定関数ｐ_ｊ(λ)が波長の小さな範囲以外ほぼ０である場合、狭帯域であると言う。本明細書において、広帯域または狭帯域の測定関数の光学測定値は、それぞれ広帯域測定値または狭帯域測定値と呼ぶ。

光透過率は、一般的に、ランベルト・ベールの法則を使用してモデル化することができ、式(４)を得る。

ここで、ｋは、成分の数、ただし１≦ｋ≦ｍであり、ａ_ｋ(λ)は、材料ｋのスペクトル吸収量であり、ｄ_ｋは、材料ｋの成分量である。式(３)と(４)を組み合わせることによって、ｙ_ｊは、式(５)のように表現され得る。

これにより、測定関数ｐ_ｊ(λ)および吸収量ａ_ｋ(λ)についての情報を仮定すると、光学測定値ｙ_ｊから推定される成分量ｄ_ｋが得られる。

成分量を推定するための現在の手法では、多くの場合、いくつかの個別の波長で混合物の透過率が認識されることが必要である。各測定値が完全に狭帯域である、つまり単一の波長以外はどこでもｐ_ｊ(λ)が０である特定のケースについて考える。特にすべての１≦ｊ≦ｎについて式(６)であるとする。

ここで、α_ｊおよびλ_ｊは定数であり、δ(λ)は、すべての関数ｆ(λ)に対して式(７)を満たすディラックのデルタ関数である。

この場合、測定値は、式(８)から得られる。

式(８)の自然対数を取ると、式(９)が得られる。

式(９)を使用すると、成分量ｄ_ｋを抑制するために一次方程式の系を形成することができる。この方程式系は、成分量を推定するために解くことができる。そのような方法の１つは、２乗誤差を最小限にするムーア・ペンローズの擬似逆行列解である。

光学測定値が完全に狭帯域である式(６)に定義された特定の場合において、成分量は、理論上、正確かつ効率的に計算することが可能である。図１２および図１３は、図１１の画像の各ピクセルに式(９)に記述した方法を適用した結果を示している。

「Use and Limitations of Second-Derivative Diffuse Reflectance Spectroscopy in the Visible to Near-Infrared Range to Identify and Quantify Fe Oxide Minerals in Soils」A. C. Scheinostら、Clays and Clay Minerals、1998 46: 528〜536

しかし、測定値は、そのように理想的に狭帯域であることはあり得ない。そのような狭帯域測定は、限定的で、典型的には解析されている特定の混合物に対して専門化された光学測定システムを必要とする特定の光学測定設計を使用することを必要とする。狭帯域光は、たとえば、特定の光フィルタ、または狭帯域照明源を使用することによって測定のために選択され得る。測定された光量は、一般的に、広帯域測定に対するよりもはるかに少ないので、狭帯域測定は、また、測定ノイズに影響され得る。測定ノイズは、続いて、計算された成分量の正確性を低下させる。

上記の手法では、理想的な狭帯域測定の特別な場合に対する成分量を推定することができるが、広帯域測定に適用された場合、この手法は失敗する。広帯域測定の欠点を示すために、理想的な狭帯域の方法の以下の拡張について考える。

以下の式(１０)からδ_ｗ(λ)が得られるとする。ここで、ｗは、ナノメートル単位の正の定数である。

以下の式(１１)は、すべての関数ｆ(λ)に有効である。

ｗが小さな値の場合、２つの関数δ(λ)およびδw(λ)は、ほぼ等しい。異なる値のｗに対して実験が行われる。実験について、δw(λ−505)およびδw(λ−655)の形式の２つの測定関数が使用される。５ｎｍのピッチを持つ波長サンプリングを使用した不連続値の合計によって積分は近似化される。実験は、ヘマトキシリンおよびエオシンの染料で染色され顕微鏡用スライドに載せられた組織試料の測定に対して実行される。（図１１は、取り除かれた器官から得られたブロック試料または針吸引による生検から得られた病理学的試料の厚さ数ミクロンの薄いスライスとして準備された組織試料の画像を示している。組織試料は、観察前にヘマトキシリンおよびエオシンの染色剤で染色されている。細胞核は、青みを帯びた紫色のヘマトキシリン染色剤を吸収し、細胞質は、赤色のエオシン染色剤を吸収する。図１０は染料のスペクトル吸収を示し、図１１は測定の結果として得られる画像を示している。）

測定ノイズがなければ、式(９)を用いて図１１に示すスライドの各ピクセルの測定値を独立して処理することによって、理想的な狭帯域フィルタを示すｗ＝５ならびに図１２および図１３に示す成分量と完全に一致する。しかし、測定フィルタが狭帯域でない場合、誤差は際立っている。たとえば、ｗ＝５５の場合、０．０６２５のエオシン成分量に対する平均二乗誤差が結果として得られる。

別の手法は、たとえば、いくつかの光学測定値から求める透過率値をスペクトルで推定し、次いでランベルト・ベールの法則を仮定することによって成分量を推定することである。この手法は、透過率を推定するために、多数の測定値および計算を必要とし、結果として不十分な正確性をもたらす可能性がある。

第３の手法は、光学測定値を使用して、混合物の反射率を正確に測定または推定することである。反射率の二次導関数を調べることによって、混合物における成分の量が推測され得る。たとえば、反射率の二次導関数の極大または極小の位置は、混合土壌の中の異なる成分の相対量を示す場合がある。非特許文献１を参照すること。この方法は、わずかな測定ノイズと多数の測定値を必要とする、二次導関数を取るために正確なスペクトル反射率を必要とする。

従来技術では、測定関数のタイプおよび／または数が限定されている。一般的に、少数の狭帯域測定値または多数の広帯域測定値のいずれかが必要である。

より効率的な光学的な組成解析を行うシステムおよび方法に対するニーズがある。

複数の成分の混合物において成分の量を推定するための回帰係数を計算するシステムは、基準混合物の入力光学測定値を供給する入力光学測定値供給ユニットと、基準混合物の学習光学測定値を供給する学習光学測定値供給ユニットと、学習光学測定値から成分量を計算する成分量計算ユニットと、前記入力光学測定値および成分量を取得し、入力光学測定値および成分量を通じて学習回帰係数を計算する学習ユニットと、学習回帰係数を記憶するパラメータ記憶ユニットとを備えることができ、学習光学測定値は、(１)前記入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられる。

前記学習ユニットは、最小２乗最適化を使用して学習回帰係数を計算することができる。

前記学習ユニットは、ウィナーフィルタを使用して学習回帰係数を計算することができる。

混合物の光学測定値から成分量を推定するためのシステムは、混合物の第１の入力光学測定値を供給する第１の入力光学測定値供給ユニットと、学習回帰係数を記憶するパラメータ記憶ユニットと、前記第１の入力光学測定値および学習回帰係数を取得し、学習回帰係数を使用して前記第１の入力光学測定値に回帰関数を適用し、混合物の成分量を推定する処理ユニットとを備え、前記学習回帰係数は、基準混合物の第２の入力光学測定値を供給する第２の入力光学測定値供給ユニットと、前記基準混合物の学習光学測定値を供給する学習光学測定値供給ユニットと、前記学習光学測定値から成分量を計算する成分量計算ユニットと、前記第２の入力光学測定値および前記成分量を取得し、前記第２の入力光学測定値および前記成分量を通じて学習回帰係数を計算する学習ユニットと、を備える装置によって計算されることができる。

前記回帰関数は対数多項式関数(log polynomial function)を含むことができる。

前記処理ユニットは、回帰関数を適用する前に前記第１の入力光学測定値にカラー変換を適用することができる。

混合物の光学測定値から成分量を推定するためのシステムは、混合物の第１の入力光学測定値を供給する入力光学測定値供給ユニットと、学習回帰係数を記憶するパラメータ記憶ユニットであって、学習回帰係数は、第２の入力光学測定値および関連付けられた学習光学測定値を通じて最適に発見され、学習光学測定値は、(１)前記第２の入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられ、第１の入力光学測定値および学習回帰係数を取得し、学習回帰係数を使用して前記第１の入力光学測定値に回帰関数を適用し、混合物の学習光学測定値を推定する処理ユニットと、推定された学習光学測定値に基づいて成分量を計算する成分量計算ユニットと、成分量を記憶する成分量記憶ユニットと、を備えることができる。

前記処理ユニットは、回帰関数を適用する前に前記第１の入力光学測定値にカラー変換を適用することができる。

混合物の成分量を推定するためのシステムは、混合物の第１の入力光学測定値を供給する入力光学測定値供給ユニットと、学習回帰係数を記憶するパラメータ記憶ユニットであって、第２の入力光学測定値および関連付けられたスペクトルを通じて学習回帰係数が最適に得られるパラメータ記憶ユニットと、前記第１の入力光学測定値および学習回帰係数を取得し、学習回帰係数を使用して前記第１の入力光学測定値に回帰関数を適用し、混合物の推定スペクトルを計算する処理ユニットと、推定スペクトルから成分量を計算する成分量計算ユニットと、成分量を記憶する成分量記憶ユニットと、を備えることができる。

混合物成分量の推定のための学習回帰係数を計算する方法は、学習ユニットに基準混合物の入力光学測定値を供給するステップと、計算ユニットに基準混合物の学習光学測定値を供給するステップと、計算ユニットにおいて、学習光学測定値から成分量を計算するステップと、学習ユニットにおいて、入力光学測定値および成分量を通じて学習回帰係数を計算するステップと、記憶ユニットに学習回帰係数を記憶するステップであって、学習光学測定値は、(１)入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられるステップと、を備えることができる。

前記学習回帰係数を計算するステップは、最小２乗最適化を使用して学習回帰係数を計算するステップを備えることができる。

前記学習回帰係数を計算するステップは、ウィナーフィルタを使用して学習回帰係数を計算するステップを備えることができる。

混合物の光学測定値から成分量を推定する方法は、１つまたは複数の処理ユニットに混合物の入力光学測定値を供給するステップと、記憶ユニットに学習回帰係数を記憶するステップと、１つまたは複数の処理ユニットで、学習回帰係数を使用して入力光学測定値に回帰関数を適用するステップと、混合物の成分量を推定するステップと、少なくとも、基準混合物の入力光学測定値を供給するステップと、前記基準混合物の学習光学測定値を供給するステップと、前記学習光学測定値から成分量を計算するステップと、前記入力光学測定値および前記成分量を通じて学習回帰係数を計算するステップと、によって前記学習回帰係数を計算するステップと、を備えることができる。

前記回帰関数は、対数多項式関数を含むことができる。

前記方法は、回帰関数を適用する前に入力光学測定値にカラー変換を適用するステップをさらに備えることができる。

混合物の光学測定値から成分量を推定する方法は、第２の入力光学測定値および関連付けられた学習光学測定値を通じて、学習回帰係数を最適に発見するステップであって、学習光学測定値は、(１)前記第２の入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられるステップと、パラメータ記憶ユニットに学習回帰係数を記憶するステップと、入力光学測定値供給ユニットに混合物の第１の入力光学測定値を供給するステップと、１つまたは複数の処理ユニットで、前記第１の入力光学測定値に、学習回帰係数を使用して、回帰関数を適用し、混合物の学習光学測定値を推定し、推定された学習光学測定値に基づいて成分量を計算するステップと、成分量記憶ユニットに成分量を記憶するステップと、を備えることができる。

前記方法は、回帰関数を適用する前に前記第１の入力光学測定値にカラー変換を適用するステップをさらに備えることができる。

混合物の成分量を推定する方法は、混合物の第１の入力光学測定値を供給するステップと、パラメータ記憶ユニットに学習回帰係数を記憶するステップであって、第２の入力光学測定値および関連付けられたスペクトルを通じて学習回帰係数が最適に得られるステップと、１つまたは複数の処理ユニットで、前記第１の入力光学測定値に、学習回帰係数を使用して、回帰関数を適用し、混合物の推定スペクトルを計算するステップと、成分量計算ユニットで、推定スペクトルから成分量を計算するステップと、成分量記憶ユニットに成分量を記憶するステップと、を備えることができる。

本開示のこれらおよび他の態様および機能は、添付の図面に関連して特定の実施形態の以下の記述を見ると、当業者には明白になるであろう。

いくつかの実施形態における、学習光学測定値を使用して、成分量が得られるトレーニングデータから、学習回帰係数を導き出す学習システムを示す概略図である。 いくつかの実施形態における、既知の成分量および混合物を含むトレーニングデータから、学習回帰係数を導き出す学習法を示すフローチャートである。 いくつかの実施形態における、混合物の光学測定値から成分量を推定するための処理システムを示す概略図である。 いくつかの実施形態における、入力画像から成分量画像を推定するための処理システムを示す概略図である。 いくつかの実施形態における、混合物の光学測定値から成分量を推定するための処理方法を示すフローチャートである。 いくつかの実施形態における、既知の成分量および混合物を含むトレーニングデータから、学習回帰係数を発見する学習システムを示す概略図である。 いくつかの実施形態における、光学測定値が既知の成分量を含む混合物である、トレーニングデータから学習回帰係数を発見する学習法を示すフローチャートである。 一部の実施形態により、入力光学測定値から学習光学測定値を推定するために、トレーニングデータから、学習回帰係数を発見する学習システムを示す概略図である。 いくつかの実施形態における、混合物の推定された学習光学測定値から成分量を計算するための処理システムを示す概略図である。 ヘマトキシリンおよびエオシンの染料のスペクトルの吸収のグラフである。 ヘマトキシリンおよびエオシンの染料で染色され、顕微鏡用スライドに取り付けられた組織試料の赤色、緑色、青色の画像を示す図である。 図１１の画像をヘマトキシリン染料の量を示すために処理された図である。 図１１の画像をエオシン染料の量を示すために処理された図である。 いくつかの実施形態における、混合物の光学的な組成解析を実行するためにコンピュータシステムの代表的な形のシステムを示すブロック略図である。

ここで、本開示の実施形態について、当業者が開示を実施できるように開示の説明のための例として提供される図面を参照して詳細に記述する。本明細書で提供される図面は、縮尺どおりに描かれていないデバイスおよびデバイスプロセスフローの表現を含む。とりわけ、提供される図および例は、本開示の範囲を単一の実施形態に制限するのが目的ではなく、記述または図示した要素の一部またはすべてを交換することで他の実施形態が可能である。さらに、本開示の特定の要素が、既知の成分を使用して部分的または完全に実装され得る場合、本開示について理解するために必要であるそのような既知の成分のそれらの部分だけについて記述し、そのような既知の成分の他の部分の詳細な説明は、開示を不明瞭にしないために省略する。本明細書では、単数の成分を示している実施形態に制限されるものと考えられるべきではなく、むしろ、そうでないことが本明細書に明示的に記述されていない限り、その開示は、複数の同じ成分を含む他の実施形態を包含すること、およびその逆を意図するものである。さらに、出願人らは、明細書または特許請求の範囲におけるいかなる用語についても、そのように明示的に記述されていない限り、一般的でないまたは特別な意味とされることを意図するものではない。さらに、本開示は、図面によって本明細書に言及した、既知の成分に対する現在および未来の既知の等価物を包含する。

本開示は、測定関数の任意の組の混合物において任意の成分量を正確かつ効率的に推定するための方法および装置について記述する。成分量を計算するために使用される光学測定値は、入力光学測定値と呼ばれる。本明細書に記述した方法は、混合物の組成解析を可能にするために１組のトレーニングデータを通じた学習プロセスによって、回帰係数など、最適なパラメータを発見することを利用する。

一部の実施形態に対する混合物の入力光学測定値から成分量を推定するための方法について、ここで記述する。混合物の入力光学測定値ｙ_ｊ(ただし１≦ｊ≦ｎ)は、求める成分量ｄ_ｋを推定するために使用される。関数ｇ(ｙ_ｊ)＝ｚ_ｊで、ｚ_ｊは長さｑのベクトルであるとする。関数ｇ(ｙ_ｊ)は、入力光学測定値から成分量を推定するために使用される回帰関数の発生器である。関数ｇ(ｙ_ｊ)、は事前に決定される必要があるが、問題の理論的または実験的な解析(測定関数、吸収関数、および典型的な濃度値)および結果として得られるデータを通じて選択され得る。最も重要なことには、ｇ(ｙ_ｊ)によって生成された回帰関数は、トレーニングデータについて正確な推定を出す必要がある。さらに、関数ｇ(ｙ_ｊ)は、特定の混合物および光学測定値に対して適切に定義される。ｚは、ｚ_ｊベクトル（ただし１≦ｊ≦ｎ）の各々を連結することによって形成される長さｎｑのベクトルとする。ｚの各入力は、回帰関数の項と呼ばれる。求める成分量は、成分ｋ（ただし１≦ｋ≦ｍ）に対応すると仮定する。一実施形態の回帰関数は、式(１２)から得られる。

ここで、(ｃ_ｋ)＾は、成分ｋに対する成分量の推定値であり、Ｗ_ｋ∈Ｒ^１×ｎｑは、成分ｋに対する回帰係数である。１組のトレーニングデータに関して最適化することによって回帰係数が発見された場合、その回帰係数は学習回帰係数であると言われる。この特定の実施形態に対する回帰関数の項はそれぞれ光学測定値を１つだけ含んでいるが、これはすべての実施形態に該当する必要はない。

図１は、学習光学測定値を使用して成分量が得られるトレーニングデータから学習回帰係数を得る、いくつかの実施形態における学習システム１０を示す概略図である。学習光学測定値供給ユニット１００は、トレーニングデータの基準混合物の学習光学測定値を供給する。学習光学測定値は、学習測定関数と呼ばれる測定関数が、この分野において一般的に知られている方法を通じて混合物の成分量の正確な推定を可能にするために選択される光学測定値である。そのような学習測定関数の例は、たとえば、上に記述した方法を使用して、成分量の推定を得ることができる、狭帯域測定値または入力光学測定値より多数の広帯域測定値を提供する関数である。成分量計算ユニット１０１は、学習光学測定値から混合物の成分量を計算する。入力光学測定供給ユニット１０２は、成分量が計算されたのと同じ混合物の入力光学測定値を供給する。図１の入力光学測定値、および図３の２００によって供給される入力光学測定値は、同様の性質であるべきであることに注意されたい。図１と図３を比較する。たとえば、同様の測定関数およびカラー変換(使用する場合)は、両方の入力光学測定値に使用されるべきである。学習ユニット１０３は、入力光学測定値から成分量を推定するように設計された、学習回帰係数を計算する。学習回帰係数の計算は、最小２乗最適化によってもよい。学習回帰係数は、後で使用するためにパラメータ記憶ユニット１０４によって記憶される。

ユニット１００の学習測定関数を達成するために、特別な光学測定装置を使用することが必要または望ましい場合がある。たとえば、液晶チューナブルフィルタは、光をフィルタするために使用することが可能で、特定の波長に近い光以外のすべての光が電子的に除去される。別の例では、様々なタイプのＬＥＤを用いて生成されることが可能であるなど、様々な異なる色の照明下で画像化する装置を使用する。学習測定関数は、標準的な手法を使用して、成分量推定を可能にするために選択されるので、一般的に、学習測定関数および関連付けられた光学機器に対していくつかの制限がある。たとえば、狭帯域測定値または異なる測定関数を用いる多数の光学測定値など特に選択された測定関数を可能にする光学機器を使用することができる。この特別な光学測定装置は、一般的に、本明細書に記述した一部の実施形態よりも多くのコスト、注意深い測定、および／または測定値を得るための時間を必要とする。本明細書に記述したいくつかの実施形態の利点は、特別な光学測定装置は、学習プロセスに必要とされる場合があるが、学習プロセスが完了すると、特別な光学測定装置は、一般的に、混合物の組成解析に必要とされないことである。言い換えると、ユニット１０２および２００は、ユニット１００に使用されるよりも複雑でない光学測定装置を利用することができる。たとえば、特定の実施形態によると、ユニット１０１および２００は、光学測定値取得のための標準的な白色光試料照明およびＲＧＢ画像センサを用いる顕微鏡を含むことができる。学習プロセスから得た回帰係数は、測定関数の任意の組に適用され得る。

図２は、学習光学測定値を使用して、成分量が得られるトレーニングデータから、学習回帰係数を発見する図１の学習システム１０の動作を示すフローチャートである。トレーニングデータは、混合物の多数の学習光学測定値ｓから構成される。１１１で、学習光学測定値は、図１の学習光学測定値供給ユニット１００から、成分量計算ユニット１０１にロードされる。（ここで、実施形態では、ユニット１００はデータを単に取得するが記憶しない測定器であり、またはユニット１００は一部の特殊な装置で取得された測定のための記憶装置であり、またはユニット１００は測定の取得と記憶の両方ができる。）求める成分量が、成分ｋ（ただし１≦ｋ≦ｍ）に対応すると仮定する。ｄ_ｋは、トレーニングデータの混合物の各々において材料ｋに対する成分量の長さｓの行ベクトルとする。１１２で、これらの成分量(ｄ_ｋ)は、この分野または従来技術で一般的に知られている方法を使用して、学習光学測定値から成分量計算ユニット１０１で計算され、次いで、学習ユニット１０３に送られる。ｙは、入力が入力光学測定値ｙ_ｊから得られる長さｎのベクトルとする。Ｙ∈Ｒ^ｎ×ｓは、その列が各混合物に対するベクトルｙをトレーニングデータ中に含む行列とする。１１３で、この行列は、学習ユニット１０３にロードされる。ｚ∈Ｒ^ｎｑ×ｓは、その列が上で述べたようにＹの列を使用して計算されたベクトルｚを含む回帰項の行列とする。１１４で、Ｚは、学習ユニット１０３によって計算される。長さsの行ベクトル(ｄ_ｋ)＾を以下の式(１３)から得られるトレーニングデータで観察される混合物に対する推定された成分量とする。

Ｚの対応する列ｄ_ｋおよび(ｄ_ｋ)＾は、トレーニングデータからの同じ混合物を表している。一実施形態では、Ｗ_ｋは、｜ｄ_ｋ−(ｄ_ｋ)＾｜から得られた誤差のＬ２ノルムを最小にすることによって得られる。最適な学習回帰係数は、式(１４)から得られる。

ここで、Ｚ^＋は、逆行列が存在すると仮定して、Ｚ^＋＝Ｚ^Ｔ(ＺＺ^Ｔ)^−１から得られるムーア・ペンローズの擬似逆行列である。１１５で、最適な学習回帰係数は、学習ユニット１０３で計算され、１１６で、最適な学習回帰係数は、後で使用するためにパラメータ記憶ユニット１０４に記憶される。

図３は、いくつかの実施形態において、混合物の光学測定値から成分量を推定するための処理システム２０を示す概略図である。入力光学測定値供給ユニット２００は、成分量の解析のために混合物の入力光学測定値を供給する。（ここで、実施形態では、ユニット２００はデータを単に取得するが記憶しない測定器である、またはユニット２００は一部の特殊な装置で取得された測定のための記憶装置である、またはユニット２００は測定の取得と記憶の両方ができる。）パラメータ記憶ユニット２０１は、学習回帰係数を記憶する。処理ユニット２０２は、混合物の光学測定値から求める成分の量を計算する。成分量記憶ユニット２０３は、計算された成分量を記憶する。さらに、ここで、ユニット２００は、一般的に、撮像装置を用いて取得される測定値を提供するが、混合物(マルチスペクトルの量または成分量のいずれか)に関する十分な情報が認識されている場合、入力光学測定値を計算することが可能な場合がある。たとえば、マルチスペクトルの情報に再び重みを付けることによって、入力光学測定値を近似することができる。後者の例は、ヘマトキシリンおよびエオシンの染料で染色された顕微鏡用スライドの赤色、緑色、および青色の画像を示す図１１を生成するために使用される方法である。この方法は、６３のバンドを使用して、物理的なスライドを測定するステップと、これらの６３のバンドを使用して、ＲＧＢ画像をデジタルで計算することとを含む。

図４は、いくつかの実施形態において、入力画像から成分量画像を推定するための処理システム３０を示す概略図である。画像取得ユニット３００は、成分量の解析のために各ピクセルで入力画像を取得し、ここで入力画像の各ピクセルは、混合物の光学測定値を含む。パラメータ記憶ユニット３０１は、より詳細には以下で説明される、学習回帰係数を記憶する。処理ユニット３０２は、各ピクセルでの混合物の光学測定値から求める成分の量を計算し、ここでこの処理は、成分量の推定のための入力光学測定値として、各ピクセルでの光学測定値を使用する。成分量記憶ユニット３０３は、計算された成分量を記憶する。図４の処理システム３０は、画像全体を生成するためにピクセルごとに適用される図３の処理システム２０と同等である。

図５は、試料中の１つの空間的な位置における混合物の光学測定値から成分量を見積もるための図３の処理システム２０の動作を示すフローチャートである。２１１で、入力光学測定値ｙは、ユニット２００から処理ユニット２０２にロードされる。２１２で、zの入力である回帰関数の項は、処理ユニット２０２によって計算される。２１３で、学習回帰係数Ｗ_ｋは、ユニット２０１から処理ユニット２０２にロードされる。２１４で、回帰関数の項に回帰係数がかけられ、２１５で、処理ユニット２０２で、全て、乗算の結果が加算される。２１６で、結果として得られる成分量は、成分量記憶ユニット２０３に記憶される。

図６および図７は、学習ユニットへの入力のために成分量から入力光学測定値を生成するためのシステムおよび方法の実施形態を示している。これは、学習のために光学測定値が取得される図１〜図２に関して上述された実施形態の代替案である。言い換えると、入力光学測定値は、物理的に取得されることが可能か、または成分量から計算して生成されることが可能かのいずれかである。図６は、既知の成分量および混合物を含むトレーニングデータから、学習回帰係数を導き出す学習システム４０を示す概略図である。ここで、図１および図６は、学習回帰係数を計算するための異なる方法を示している。いずれかの方法を使用して学習回帰係数が得られると、それらは同じ方法で適用される(図３または図４参照)。成分量記憶ユニット４００は、トレーニングデータ中の混合物に対する成分量を記憶する。（ユニット４００は、多くの混合物の成分量を含む、特に、その数は学習に必要とされるsである必要がある一方、ユニット２０３は、処理されている単一のピクセルに対する成分量のみを含む必要がある。）混合物測定ユニット４０１は、トレーニングデータで混合物の入力光学測定値を生成する。ユニット４０１によって生成されたこれらの入力光学測定値、および供給ユニット２００に記憶された入力光学測定値は、同様の性質であるべきである。言い換えると、学習回帰係数は、それらがトレーニングに使用された測定値と同じタイプで使用される場合、成分量を推定するためにのみ機能する。図３と図６を比較する。たとえば、同様の測定関数およびカラー変換(使用する場合)が、両方の入力光学測定値に使用されるべきである。より詳細には、同様の測定関数(ｐ_ｊ(λ)として以前に定義)は、同一か、またはスカラー倍もしくは一次結合だけ異なるかのいずれかである関数である。（照明の強度が撮像システムで調整されるが、同じタイプの照明および同じセンサが使用される場合、２組の測定関数は、スカラー倍だけ異なるであろう。）一般的に、学習および処理のために異なるスペクトルの形の照明またはセンサの感度を持つことは機能しないであろう。学習ユニット４０２は、成分量および入力光学測定値から学習回帰係数を計算する。学習回帰係数は、後で使用するためにパラメータ記憶ユニット４０３によって記憶される。

図６で、混合物測定ユニット４０１に対して複数の運転モードがある。１つの方法は、求める量の成分の各々を組み合わせることによって、物理的な混合物を作り、顕微鏡および／またはカメラなどの光学測定装置を使用して、物理的な混合物の光学測定値を取得し、オプションとして、照明源(狭帯域または広帯域の場合がある、たとえば個別の色または白色光)およびスペクトルフィルタの１つまたは複数を含む。別の方法は、透過率、反射率など混合物の光学的性質をモデル化するステップと、モデルを使用して、入力光学測定値を計算するステップとを含む。たとえば、成分量、スペクトルの吸収値、および測定関数についての情報を用いて、光学測定値は、式(５)を使用してシミュレーションすることが可能である。

図７は、既知の成分量および混合物を含むトレーニングデータから、学習回帰係数を導き出す図６の学習システム４０の動作を示すフローチャートである。４１１で、混合物の成分量は、学習ユニット４０２にロードされる。４１２で、成分量と混合物に対する入力光学測定値は、混合物測定ユニット４０１によって計算／測定され、学習ユニットに提供される。４１３で、回帰項は、図２のフローチャートを参照して上述したのと同様の方法で、入力光学測定値から学習ユニットで計算される。４１４で、最適な学習回帰係数は、以前と同様の方法により学習ユニットで計算される。４１５で、学習回帰係数は、後で使用するためにパラメータ記憶ユニット４０３に記憶される。

図８は、入力光学測定値から学習光学測定値を推定するために、トレーニングデータから、学習回帰係数を導き出す学習システム５０を示す概略図である。学習光学測定値供給ユニット５００は、トレーニングデータの混合物の学習光学測定値を供給する。入力光学測定値供給ユニット５０１は、混合物の入力光学測定値を供給する。ユニット５０１によって供給されたこれらの入力光学測定値、および６００によって供給された入力光学測定値は、同様の性質であるべきである。言い換えると、学習回帰係数は、上述したように、それらがトレーニングに使用されたのと同じタイプの測定で使用される場合に、成分量を推定するためにのみ機能する。図８と図９を比較する。学習ユニット５０２は、学習回帰係数を計算する。学習回帰係数は、後で使用するためにパラメータ記憶ユニット５０３によって記憶される。学習回帰係数は、入力光学測定値から学習光学測定値を推定する。

図９は、混合物の推定された学習光学測定値から成分量を計算するための処理システム６０を示す概略図である。入力光学測定値供給ユニット６００は、成分量の解析のために混合物の入力光学測定値を供給する。パラメータ記憶ユニット６０１は、図８に示した学習デバイス５０によって発見された、学習回帰係数を記憶する。処理ユニット６０２は、混合物の推定された学習光学測定値を計算する。成分量計算ユニット６０３は、推定された学習光学測定値から混合物の成分量を計算する。成分量記憶ユニット６０４は、計算された成分量を記憶する。

図８および図９で詳述した実施形態は、入力光学測定値から学習光学測定値を推定するために、トレーニングデータおよび学習を活用する。入力光学測定値および学習光学測定値は、本来類似しているので、この推定プロセスは、より多くの単純回帰関数の使用を可能にするか、または成分量を直接推定するよりも正確な推定を可能にすることができる。図１を参照して詳細に上述したように、この分野または従来技術のいずれかで一般的に知られている方法によって、成分量は推定された学習光学測定値から容易に計算することができる。

さらに、いくつかの実施形態では、学習回帰係数は、入力光学測定値および関連するスペクトルを通じて最適に発見され、ここで関連付けられたスペクトルは、混合物の測定された反射率、吸収量、および／または透過率である波長(連続的または多数のいずれかである試料)の関数である。さらに、これらの学習回帰係数は、混合物の推定スペクトルを計算するために使用してもよく、それから、成分量は、推定スペクトルから計算してもよい。

いくつか実施形態のデバイスおよび方法の利点の１つは、最適なパラメータを発見するのに必要な初期の学習手順がより多くの計算を必要とする場合があるが、学習回帰係数と組み合わせた回帰関数は、成分量の高速の計算を実現することである。学習回帰係数が学習および記憶されると、それらは、メモリから迅速に取得され適用され得る。多くの推定方法(多項式または対数多項式関数を含む)について、計算の複雑さは、必要とされる測定の数に正比例する。これにより、(１０より大きい)多くの測定を必要とする従来技術の方法と比較して、わずかな(おおまかには３)測定で実装され得るいくつかの実施形態の方法について大きな計算上の節約が結果として得られる。

別の利点は、実際のトレーニングデータに関して最適化することによって、特定の用途のための最良のパラメータを見つけることができることである。一般的に、選択される回帰関数は、すべての可能な混合物に対する成分量を完全に計算することができない概算である。特定用途について適切なトレーニングデータを選択することによって、回帰関数に対して最良の可能な概算を見つけることができる。適切なトレーニングデータを選択するための方法は、トレーニングデータを生成するときに、実際に関心のある混合物をサンプリングすることである。たとえば、病理学スライドを研究している場合は、実際の病理学スライドを使用する。水中の汚染物質を研究している場合は、後で測定される混合物に似ている水混合物を使用する。（一般的に、実際の混合物にとって概算は良くないので、非現実的なほど大量の汚染物質を含んでいる水でトレーニングするのは逆効果であろう。）言い換えると、ユーザは、どの用途および関連付けられたトレーニングセットを使用するべきかを指定するべきである。複数のトレーニングセットのどれが最も適切かを自動的に決定するようにシステムをプログラムすることは可能かもしれないが、ほとんどの用途において、実現可能な代替案は、(１)ユーザにトレーニングセットを確認させること、または(２)システムを、特定の組のトレーニングデータを用いたアプリケーション専用にすることである。(１)の一例では、他のどの染料とも異なるヘマトキシリンおよびエオシンの染料を用いた病理学スライドを解析していることをユーザに確認させ、すると、システムは、適切な１組のトレーニングデータ、および関連付けられた学習回帰係数を使用することになる。

いくつかの実施形態では、最適な学習回帰係数を見つける時、測定ノイズを考慮することが望ましい。測定ノイズ特性を考慮することによって、結果として得られる学習回帰係数は、測定ノイズに対してより堅牢になる場合がある。信号およびノイズが独立していると仮定した場合、予測される二乗誤差を最小限にする最適な学習回帰係数が、測定ノイズを考慮して、ウィナーフィルタによって提供される。

ある例示的実施形態として、図２に概説された手順を使用して、最適な学習回帰係数は発見された。学習光学測定値は、４１０ｎｍと７２０ｎｍの間で(４１０ｎｍと７２０ｎｍを含む)５ｎｍごとに狭帯域光学測定関数で測定された顕微鏡用スライドから取得された。ヘマトキシリンおよびエオシンの染料の成分量は、式(９)を使用して計算された。入力光学測定値は、ｎ＝２によって得られ、光学測定関数ｐ_１(λ)＝δ_５５(λ−５０５)，ｐ_２(λ)=δ_５５(λ−６５５)を使用して得られる。

式(１５)とすると、結果として得られる回帰関数は、以下の式(１６)から得られる次数２の対数多項式である。

ここで、ｃ_１、ｃ_２、ｃ_３、ｃ_４、およびｃ_５は回帰係数である。一般的に、対数多項式は、変数の組の対数の多項式関数である。上述のように、これらの回帰係数のための最適値が学習を通じて決定される場合、それらは学習回帰係数と呼ばれることに注意されたい。さらに、ここで、上に式(１５)に示した対数多項式回帰関数を生成するｇ(ｘ)の例は、ランベルト・ベールの法則に従う混合物に適している。

学習回帰係数は、顕微鏡用スライドに取り付けられたヘマトキシリンおよびエオシンの染料で染色された組織試料の光学測定値からエオシン染料の成分量を推定することが発見された。図１１で示した顕微鏡用スライドについて、画像の各ピクセルは、式(１６)を使用して、エオシン染料の成分量を推定するために独立して処理された。推定器の結果として得られた平均二乗誤差は、０．００４４である。これは、式(１１)から得られる従来技術の結果と比較して、誤差において９３％の減少である。

いくつかの実施形態に対する用途は、染められた／染色された組織試料の顕微鏡解析の領域にあり、これは病理学で頻繁に使用される解析ツールである。他の方法では一般的にはスライドは、変更された色または拡張されたコントラストにより、透明なスライド上の組織の特定の構造をより可視化するために特定の化学薬品で染められる。スライドの様々な場所の染料の結果として得られる混合物は、光学的に測定される。典型的に、赤色、緑色、および青色の波長に対応する、３つの広帯域の測定が行われる。染料は混合物の一部であるので、スライドの任意の場所で各染料成分の量を決定するのは難しい。この用途のための、染料のスペクトル吸収および顕微鏡の測定関数は、すでに知られている。

いくつかの実施形態は、病理学スライドの各場所において染料成分の量の高速で正確な計算を可能にする。各ピクセルで各染料の量を決定することは、画像の定量解析および可能な変更を可能にする。たとえば、各染料の量についての情報は、求める外観を達成するために染料量が調整されたスライドの仮想画像の描写を可能にする。特定の染料の量は、人が正確に視覚化したり、または染料量なしでコンピュータにより正確にシミュレーションしたりするのが困難である、新しい仮想画像を生成するために増加または低下、排除さえされ得る。加えて、スライド準備における任意の不要な変形を構成する標準化された色外観を達成するために、染料量を使用して画像を処理することができ、したがって、特定の不完全に染色されたスライドを解析目的により役立つようにすることができる（上述したように、一部の実施形態のデバイスおよび方法の利点の１つは、最適なパラメータを発見するのに必要な初期の学習手順がより多くの計算を必要とし得るが、学習回帰係数と組み合わせた回帰関数は、成分量の高速な計算を提示することである。これにより、多くの(１０より大きい)測定を必要とする従来技術の方法と比較して、わずかな(おおまかには３)測定で実装され得る一部の実施形態の方法について計算上の大きな節約が結果として得られる可能性がある。）

図１４は、その内部で、システムに、前述の方法およびプロセスフローのいずれか１つを実行させるための１組の命令が実行され得るコンピュータシステム１４００の代表的な形態のシステムを示すブロック略図である。代替実施形態では、システムは、ネットワークルータ、ネットワークスイッチ、ネットワークブリッジ、携帯情報端末(ＰＤＡ)、セルラー式電話、ウェブ機器、またはそのシステムによって実施されるアクションを指定する一連の命令を実行することができる任意のシステムを含むことができる。

コンピュータシステム１４００は、バス１４０８を介して相互に通信する、プロセッサ１４０２、メインメモリ１４０４、およびスタティックメモリ１４０６を含む。コンピュータシステム１４００は、たとえば、液晶ディスプレー(ＬＣＤ)、または陰極線管(ＣＲＴ)などの表示ユニット１４１０をさらに含むことができる。コンピュータシステム１４００は、また、たとえばキーボードなどの文字数字入力デバイス１４１２、たとえばマウスなどのカーソル制御デバイス１４１４、ディスクドライブユニット１４１６、たとえばスピーカなどの信号生成デバイス１４１８、たとえばカラープリンタなどの画像出力デバイス１４２０、たとえば第２のディスクドライブユニットなどの専用のデータメモリユニット１４２２、およびネットワークインターフェースデバイス１４２８を含む。

コンピュータシステム１４００は、図１４に示すようにバス１４０８を介して、データ入力ユニット１５００と、たとえば、光学測定装置、特別な光学測定装置、および／または画像取得ユニットなどと、接続することができるが、接続は、また、ネットワークインターフェースデバイス１４２８を通じてもよい。さらに、光学測定装置、特別な光学測定装置、および画像取得ユニットの１つまたは複数によって生成されたデータは、読み取り専用メモリ(ＲＯＭ)、ランダムアクセスメモリ(ＲＡＭ)、磁気ディスク記憶メディア、光学記憶メディア、およびフラッシュメモリデバイスなどコンピュータ読み取り可能データ記憶デバイスのコンピュータシステム１４００に提供されてもよい。さらに、光学測定装置、特別な光学測定装置、および画像取得ユニットの１つまたは複数によって生成されたデータは、クラウド、または別のリモートコンピュータ読み取り可能なメモリデバイスに記憶され、ネットワークインターフェースデバイス１４２８を通じてコンピュータシステム１４００に提供されてもよい。

ディスクドライブユニット１４１６は、本明細書に記述した方法およびプロセスフローの任意の１つまたはすべてを一体化する１組の実行可能命令(すなわちソフトウェア)１４２６が記憶される機械読み取り可能媒体１４２４を含む。ソフトウェア１４２６は、また、メインメモリ１４０４および／またはプロセッサ１４０２内に、完全にまたは少なくとも部分的に存在するように示されている。ソフトウェア１４２６は、さらに、ネットワークインターフェースデバイス１４２８を使って、ネットワーク１４３０を通じて送信または受信され得る。

専用のデータメモリユニット１４２２は、学習回帰係数、成分量、および成分量画像の１つまたは複数を記憶するためのものである。メモリユニット１４２２は、たとえば、読み取り専用メモリ(ＲＯＭ)、ランダムアクセスメモリ(ＲＡＭ)、磁気ディスク記憶メディア、光学記憶メディア、およびフラッシュメモリ装置を含むコンピュータなど、マシンによって読み取り可能な形式で情報を記憶するための任意の機構を含むことができる。さらに、実施形態では、データ保存は、クラウドでもよい。この詳細については、以下を参照すること。

上述したシステム１４００とは対照的に、他の実施形態は、処理エンティティを実装するためにコンピュータに実行される命令の代わりに論理回路を使用することができる。速度、費用、工具費などの領域において用途の特定の要件に依存して、このロジックは、何千もの小さな統合トランジスタを持つ特定用途向け集積回路(ＡＳＩＣ)を構成することによって実装され得る。そのようなＡＳＩＣは、ＣＭＯＳ(相補型金属酸化膜半導体)、ＴＴＬ(トランジスタトランジスタ論理回路)、ＶＬＳＩ(大規模システムインテグレーション:very large systems integration)、または別の適切な構造で実装され得る。他の代替案は、デジタル信号処理チップ(ＤＳＰ)、ディスクリート回路(抵抗器、キャパシタ、ダイオード、誘導器、およびトランジスタなど)、フィールドプログラマブルゲートアレイ(ＦＰＧＡ)、プログラマブルロジックアレイ(ＰＬＡ)、プログラマブルロジックデバイス(ＰＬＤ)などを含む。

実施形態は、(コンピュータのＣＰＵなど)処理コアの何らかの形式で実行される、または他の方法で実装される、またはシステム上もしくはシステム内、もしくはコンピュータ読み取り可能媒体に実現されるソフトウェアプログラムもしくはソフトウェアモジュールとして、またはそれをサポートするために使用され得ることを理解されたい。機械読み取り可能媒体は、たとえばコンピュータなどのマシンによって読み取り可能な形式で情報を記憶または送信するために任意の機構を含む。たとえば、機械読み取り可能媒体は、読み取り専用メモリ(ＲＯＭ)、ランダムアクセスメモリ(ＲＡＭ)、磁気ディスク記憶メディア、光学記憶メディア、フラッシュメモリデバイス、たとえば、搬送波、赤外線信号、デジタル信号など、電気的、光学的、音響的、もしくは他の形式の伝播された信号、または情報を記憶または送信するのに適した任意の他のタイプのメディアを含む。

さらに、実施形態は、クラウドコンピューティングを用いて動作を実行し、記憶装置を使用することを含むことができることを理解されたい。本明細書での議論を目的として、クラウドコンピューティングは、インターネット対応またはネットワーク対応のデバイス、サーバ、またはクライアントによってアクセス可能であり、たとえばケーブルおよび複雑なソフトウェア設定を必要とするなど、複雑なハードウェア構成を必要としない任意のネットワーク上のソフトウェア命令を実行することを意味することができる。たとえば、実施形態は、そのようなインターネット対応または他のネットワーク対応のデバイス、サーバ、またはクライアントにおいてユーザの関与なく、ユーザが画像などを含む構成データを取得することを可能にする１つまたは複数のクラウドコンピューティングソリューションを提供することができる。１つまたは複数のクラウドコンピューティングの実施形態は、モバイルデバイス、タブレットなどを使用することを含むことができることをさらに理解されたい。

さらに、実施形態は、前述の光学測定装置、特別な光学測定装置、および／または画像取得ユニット専用にされるコンピュータシステム内に統合および／または一体化され得る学習デバイスおよび／または処理デバイスを含むこと、ならびに実施形態は、前述の光学測定装置、特別な光学測定装置、および／または画像取得ユニットで動作を実行すること、および/または記憶装置を使用することを含むことを理解されたい。

さらに、実施形態は、学習デバイスと処理デバイスの両方であるデバイスを含むことを理解されたい。

さらに、本明細書に記述した撮像システムは、１つの固定された光および複数のチャネルを用いるセンサ、または代替のシステム配置を持つことができることを理解されたい。たとえば、一部の実施形態では、撮像システムは、単一のチャネルセンサを用いて異なる照明条件下で複数の画像を取得するように構成され得て、他の実施形態では、撮像システムは、試料を通過した後に光をフィルタすることによって、単一のチャネルセンサを用いて複数の画像を取得するように構成され得る。さらに、実施形態では、複数のチャネルセンサおよび複数の異なる照明条件が使用され得るため、ＲＧＢ画像が生成され得る単一の画像が取得され得る(または、複数のチャネルの異なる１つを使用して別の画像が生成され得る)。なおさらに、照明器具なしで周囲の照明が使用され得る。照明のエネルギの分光分布は、測定によって決定され得るか、または既に認識されている場合がある。

本開示の実施形態は、透過した光を使用して、混合物の組成解析に関して特に記述してきたが、本明細書の教示および原理は、一般的に、混合物の試料から透過、反射、および散乱された光の１つまたは複数を使用する混合物の組成解析に適用可能である。たとえば、散乱された光は、試料の光の入射の方向に１つまたは複数の角度で測定され得る。そのような測定は、特定の波長および散乱角でより可視性が高い特定の成分の存在の検出に役に立つ場合がある。たとえば、レイリー散乱は、光の波長より小さい粒子の存在を検出することができる。反射光は、不透明か、または不透明物体に隣接している混合物を測定するために必要な場合がある。後者の１つの例は、混合物を含み、光の表面下散乱を示す動物または植物の組織である。別の例は、メラニン、酸化ヘモグロビン、および酸素が除去されたヘモグロビンなど皮膚の様々な化合物の量を決定するために人間の皮膚から反射された光を測定することの場合がある。

さらに、本開示の原理および教示は、蛍光を使用することによって混合物の構成解析に適用可能な場合がある。そのような一実施形態では、適切な励起光は、混合物において関心のある成分を励起するために必要であろう。フィルタは、光センサの前に励起光を除去するために使用され得る。本明細書に記述した実施形態の方法を使用して、測定から励起および蛍光の光の強度が推定され得る場合、そのようなフィルタに先行することが可能な場合がある。（蛍光強度が蛍光体の量にほぼ比例すると想定することが正しい場合、異なる蛍光体の量は、本明細書に記述した実施形態の方法を使用して、それらの物質の混合物から容易に決定され得る。）

本開示の実施形態は、病理学スライドの染料の混合物の構成解析に関して特に記述されてきたが、本明細書の教示および原理は一般的に、汚染物質を加えたミルク、汚染物質を加えた水など汚染物質を含む液体、茶色、緑色、および白色のガラス成分を含むグラスなど色ガラス、微粒子の汚染物質で汚染された空気など微粒子を含むガス、ならびにメラニン、酸化ヘモグロビン、および酸素が除去されたヘモグロビンなど皮膚の様々な化合物の量を決定するために反射光が解析され得る人間の皮膚を含む広範囲の試料の混合物の構成解析に適用可能である。

本開示の実施形態は、その特定の実施形態に関して特に記述されてきたが、形式および詳細における変更および修正は、本開示の精神および範囲から逸脱することなく行われ得ることは当業者には容易に明白であろう。たとえば、赤色／緑色／青色の測定を含む可視スペクトルで測定を使用する実施形態について記述したが、解析されている混合物によって、たとえば赤外線および紫外線など、電磁スペクトルの他の部分を使用する測定など、他の光学測定が使用され得ることは当業者には理解されるであろう。

１０ 学習システム
１００ 学習光学測定値供給ユニット
１０１ 成分量計算ユニット
１０２ 入力光学測定値供給ユニット
１０３ 学習ユニット
１０４ パラメータ記憶ユニット
２０ 処理システム
２００ 入力光学測定値供給ユニット
２０１ パラメータ記憶ユニット
２０２ 処理ユニット
２０３ 成分量記憶ユニット
３０ 処理システム
３００ 画像取得ユニット
３０１ パラメータ記憶ユニット
３０２ 処理ユニット
３０３ 成分量記憶ユニット
４０ 学習システム
４００ 成分量記憶ユニット
４０１ 混合物測定ユニット
４０２ 学習ユニット
４０３ パラメータ記憶ユニット
５０ 学習システム
５００ 学習光学測定値供給ユニット
５０１ 入力光学測定値供給ユニット
５０２ 学習ユニット
５０３ パラメータ記憶ユニット
６０ 処理システム
６００ 入力光学測定値供給ユニット
６０１ パラメータ記憶ユニット
６０２ 処理ユニット
６０３ 成分量計算ユニット
６０４ 成分量記憶ユニット
１４００ コンピュータシステム
１４０２ プロセッサ
１４０４ メインメモリ
１４０６ スタティックメモリ
１４０８ バス
１４１０ 表示ユニット
１４１２ 文字数字入力デバイス
１４１４ カーソル制御デバイス
１４１６ ディスクドライブユニット
１４１８ 信号発生装置
１４２０ 画像出力デバイス
１４２２ 専用データメモリユニット
１４２４ 機械読み取り可能媒体
１４２６ 命令、すなわちソフトウェア
１４２８ ネットワークインターフェースデバイス
１４３０ ネットワーク
１５００ データ入力ユニット

Claims (18)

1. 複数の成分の混合物において成分の量を推定するための回帰係数を計算するシステムであって、
   基準混合物の入力光学測定値を供給する入力光学測定値供給ユニットと、
   前記基準混合物の学習光学測定値を供給する学習光学測定値供給ユニットと、
   前記学習光学測定値から成分量を計算する成分量計算ユニットと、
   前記入力光学測定値および前記成分量を取得し、前記入力光学測定値および前記成分量を通じて学習回帰係数を計算する学習ユニットと、
   前記学習回帰係数を記憶するパラメータ記憶ユニットと、
   を備え、
   前記学習光学測定値は、(１)前記入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられる、システム。
2. 前記学習ユニットは、最小２乗最適化を使用して前記学習回帰係数を計算する請求項１に記載のシステム。
3. 前記学習ユニットは、ウィナーフィルタを使用して前記学習回帰係数を計算する請求項１に記載のシステム。
4. 混合物の光学測定値から成分量を推定するためのシステムであって、
   前記混合物の第１の入力光学測定値を供給する第１の入力光学測定値供給ユニットと、 学習回帰係数を記憶するパラメータ記憶ユニットと、
   前記第１の入力光学測定値および前記学習回帰係数を取得し、前記学習回帰係数を使用して前記第１の入力光学測定値に回帰関数を適用し、前記混合物の成分量を推定する処理ユニットと、
   を備え、
   前記学習回帰係数は、
   基準混合物の第２の入力光学測定値を供給する第２の入力光学測定値供給ユニットと、 前記基準混合物の学習光学測定値を供給する学習光学測定値供給ユニットと、
   前記学習光学測定値から成分量を計算する成分量計算ユニットと、
   前記第２の入力光学測定値および前記成分量を取得し、前記第２の入力光学測定値および前記成分量を通じて学習回帰係数を計算する学習ユニットと、
   を備える装置によって計算されるシステム。
5. 前記回帰関数は対数多項式関数を含む請求項４に記載のシステム。
6. 前記処理ユニットは、前記回帰関数を適用する前に前記第１の入力光学測定値にカラー変換を適用する請求項４に記載のシステム。
7. 混合物の光学測定値から成分量を推定するためのシステムであって、
   前記混合物の第１の入力光学測定値を供給する入力光学測定値供給ユニットと、
   学習回帰係数を記憶するパラメータ記憶ユニットであって、
   前記学習回帰係数は、第２の入力光学測定値および関連付けられた学習光学測定値を通じて最適に発見され、
   前記学習光学測定値は、(１)前記第２の入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられ、
   第１の入力光学測定値および前記学習回帰係数を取得し、前記学習回帰係数を使用して前記第１の入力光学測定値に回帰関数を適用し、前記混合物の学習光学測定値を推定する、処理ユニットと、
   前記推定された学習光学測定値に基づいて成分量を計算する成分量計算ユニットと、 前記成分量を記憶する成分量記憶ユニットと、
   を備えるシステム。
8. 前記処理ユニットは、前記回帰関数を適用する前に前記第１の入力光学測定値にカラー変換を適用する請求項７に記載のシステム。
9. 混合物の成分量を推定するためのシステムであって、
   前記混合物の第１の入力光学測定値を供給する入力光学測定値供給ユニットと、
   第２の入力光学測定値および関連付けられたスペクトルを通じて最適に得られる、学習回帰係数を記憶するパラメータ記憶ユニットと、
   前記第１の入力光学測定値および前記学習回帰係数を取得し、前記学習回帰係数を使用して前記第１の入力光学測定値に回帰関数を適用し、前記混合物の推定スペクトルを計算する処理ユニットと、
   前記推定スペクトルから成分量を計算する成分量計算ユニットと、
   前記成分量を記憶する成分量記憶ユニットと、
   を備えるシステム。
10. 混合物成分量の推定のための学習回帰係数を計算する方法であって、
    学習ユニットに基準混合物の入力光学測定値を供給するステップと、
    計算ユニットに前記基準混合物の学習光学測定値を供給するステップと、
    前記計算ユニットにおいて、前記学習光学測定値から成分量を計算するステップと、 前記学習ユニットにおいて、前記入力光学測定値および前記成分量を通じて学習回帰係数を計算するステップと、
    記憶ユニットに前記学習回帰係数を記憶するステップと、
    を備え、
    前記学習光学測定値は、(１)前記入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられる方法。
11. 前記学習回帰係数を計算するステップは、最小２乗最適化を使用して前記学習回帰係数を計算するステップを備える請求項１０に記載の方法。
12. 前記学習回帰係数を計算するステップは、ウィナーフィルタを使用して前記学習回帰係数を計算するステップを備える請求項１０に記載の方法。
13. 混合物の光学測定値から成分量を推定する方法であって、
    １つまたは複数の処理ユニットに前記混合物の入力光学測定値を供給するステップと、 記憶ユニットに学習回帰係数を記憶するステップと、
    前記１つまたは複数の処理ユニットで、前記学習回帰係数を使用して前記入力光学測定値に回帰関数を適用し、前記混合物の成分量を推定するステップと、
    少なくとも、
    基準混合物の入力光学測定値を供給するステップと、
    前記基準混合物の学習光学測定値を供給するステップと、
    前記学習光学測定値から成分量を計算するステップと、
    前記入力光学測定値および前記成分量を通じて学習回帰係数を計算するステップと、 によって前記学習回帰係数を計算するステップと、
    を備える方法。
14. 前記回帰関数は対数多項式関数を含む請求項１３に記載の方法。
15. 前記回帰関数を適用する前に前記入力光学測定値にカラー変換を適用するステップ
    をさらに備える請求項１３に記載の方法。
16. 混合物の光学測定値から成分量を推定する方法であって、
    第２の入力光学測定値および関連付けられた学習光学測定値を通じて、学習回帰係数を最適に発見するステップであって、前記学習光学測定値は、(１)前記第２の入力光学測定値より多くのバンドを持つこと、および(２)狭帯域測定値であることの１つまたは複数によって特徴付けられるステップと、
    パラメータ記憶ユニットに前記学習回帰係数を記憶するステップと、
    入力光学測定値供給ユニットに前記混合物の第１の入力光学測定値を供給するステップと、
    １つまたは複数の処理ユニットで、前記第１の入力光学測定値に、前記学習回帰係数を使用して、回帰関数を適用し、前記混合物の学習光学測定値を推定し、前記推定された学習光学測定値に基づいて成分量を計算するステップと、
    成分量記憶ユニットに前記成分量を記憶するステップと、
    を備える方法。
17. 前記回帰関数を適用する前に前記第１の入力光学測定値にカラー変換を適用するステップ
    をさらに備える請求項１６に記載の方法。
18. 混合物の成分量を推定する方法であって、
    前記混合物の第１の入力光学測定値を供給するステップと、
    第２の入力光学測定値および関連付けられたスペクトルを通じて最適に得られる、学習回帰係数をパラメータ記憶ユニットに記憶するステップと、
    １つまたは複数の処理ユニットで、前記学習回帰係数を使用して、前記第１の入力光学測定値に回帰関数を適用するステップと、
    前記混合物の推定スペクトルを計算するステップと、
    成分量計算ユニットで、前記推定スペクトルから成分量を計算するステップと、
    成分量記憶ユニットに前記成分量を記憶するステップと、
    を備える方法。