JP6637132B1 - 染色体異常判定システム、測定装置及び解析装置 - Google Patents
染色体異常判定システム、測定装置及び解析装置 Download PDFInfo
- Publication number
- JP6637132B1 JP6637132B1 JP2018170743A JP2018170743A JP6637132B1 JP 6637132 B1 JP6637132 B1 JP 6637132B1 JP 2018170743 A JP2018170743 A JP 2018170743A JP 2018170743 A JP2018170743 A JP 2018170743A JP 6637132 B1 JP6637132 B1 JP 6637132B1
- Authority
- JP
- Japan
- Prior art keywords
- chromosome
- abnormality determination
- spectrum
- data
- cube data
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 208000031404 Chromosome Aberrations Diseases 0.000 title claims abstract description 56
- 206010067477 Cytogenetic abnormality Diseases 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 title claims description 53
- 210000000349 chromosome Anatomy 0.000 claims abstract description 196
- 230000005856 abnormality Effects 0.000 claims abstract description 133
- 238000001228 spectrum Methods 0.000 claims abstract description 111
- 230000003595 spectral effect Effects 0.000 claims abstract description 100
- 238000004891 communication Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 132
- 238000000034 method Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 abstract description 20
- 230000005540 biological transmission Effects 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 abstract description 17
- 239000000284 extract Substances 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000010191 image analysis Methods 0.000 description 26
- 238000010183 spectrum analysis Methods 0.000 description 24
- 238000002834 transmittance Methods 0.000 description 22
- 238000012360 testing method Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 10
- 238000007447 staining method Methods 0.000 description 6
- 239000012192 staining solution Substances 0.000 description 6
- 238000000411 transmission spectrum Methods 0.000 description 6
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 210000002230 centromere Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000031864 metaphase Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003765 sex chromosome Anatomy 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000012620 biological material Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 238000000879 optical micrograph Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000005945 translocation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
- C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/52—Use of compounds or compositions for colorimetric, spectrophotometric or fluorometric investigation, e.g. use of reagent paper and including single- and multilayer analytical elements
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Abstract
【課題】染色体の色彩情報も利用して検査を行う染色体異常判定システムを提供する。【解決手段】染色された染色体を透過した光の分光スペクトルから得られるスペクトル特徴量画像の画像データ及びスペクトル特徴量画像から得られる特徴量を含む特徴情報と、特徴情報とこの特徴情報を有する染色体が正常であるか否かを表す情報とからなるデータベースを染色体データ記憶装置に備える。解析装置３は、通信回線４を介して測定装置２から判定対象の染色体上の各点における分光スペクトルをスペクトルキューブデータとして受信し（ステップＳ３０１）、スペクトルキューブデータから特徴情報を抽出し（ステップＳ３０２、Ｓ３０３）、特徴情報とデータベースに格納された特徴情報とから、判定対象の染色体の異常判定を行い（ステップＳ３０４）、判定結果を通信回線４を介して判定対象の染色体の送信元の測定装置２に送信する（ステップＳ３０５〜Ｓ３０６）。【選択図】図１３
Description
本発明は、染色体異常判定システム、測定装置及び解析装置に関する。
光学顕微鏡を用い、染色体の画像を得て、染色体の数々の異常を画像情報から判断する作業は、染色体異常に起因する疾病の予防や治療、染色体異常を誘発する物質の判定試験等において、重要な役割を果たしている。
染色体は、遺伝情報を保有する細胞核内の生体物質であり、ヒトの細胞核１個に対して常染色体４４本と性染色体２本を合わせた計４６本が存在する。常染色体は２２種類、それぞれ各２本の染色体で構成され、常染色体は１番から２２番の番号で区別される。性染色体は、Ｘ、Ｙで区別され、女性はＸを２本有し、男性はＸ、Ｙを１本ずつ持つ。
染色体は、遺伝情報を保有する細胞核内の生体物質であり、ヒトの細胞核１個に対して常染色体４４本と性染色体２本を合わせた計４６本が存在する。常染色体は２２種類、それぞれ各２本の染色体で構成され、常染色体は１番から２２番の番号で区別される。性染色体は、Ｘ、Ｙで区別され、女性はＸを２本有し、男性はＸ、Ｙを１本ずつ持つ。
図１９は、染色体の一例を示す模式図である。図１９に示すように、染色体は、動原体１０１と呼ばれる部分でくびれており、動原体１０１によって二分される。二分された短い部分は短腕１０２と称され、長い部分は長腕１０３と称される。また、染料により染色体が染められた際に、染色体上に縞が染め出される。この縞をバンド１０４と称する。
光学顕微鏡画像により染色体の異常を視覚的に診断する際には、一般的には次のように判定を行っている。すなわち、染色体の領域の相対的長さ、染色体領域における短腕と長腕との長さの比、染色体領域におけるバンドの並び方すなわちバンドパターンといった染色体画像の画像特徴量から、染色体の種類の同定及び染色体の数的異常、遺伝情報の欠損、重複、転座等の染色体の異常を判定している。
光学顕微鏡画像により染色体の異常を視覚的に診断する際には、一般的には次のように判定を行っている。すなわち、染色体の領域の相対的長さ、染色体領域における短腕と長腕との長さの比、染色体領域におけるバンドの並び方すなわちバンドパターンといった染色体画像の画像特徴量から、染色体の種類の同定及び染色体の数的異常、遺伝情報の欠損、重複、転座等の染色体の異常を判定している。
例えば、特許文献１には、被検査染色体を撮像し、得られた画像により形態的特徴を抽出した後、その結果に基づいて染色体を検査する染色体検査装置が提案されている。この染色体検査装置は、染色体画像データを記憶する染色体画像データベースと、抽出した形態的特徴に類似する染色体の画像データを染色体データベースから検索する手段と、検索された類似する染色体の画像データ及び被検査染色体の撮像画像を出力表示する手段とを備えている。
ところで、前述の染色体の検査を自動的に行う装置においては、染色体の画像データから得られる形態的特徴のみを用いて検査を行っている。また、染色体のバンドには濃淡があり、バンドパターンだけでなく各バンドの濃淡情報も染色体異常判定の基準となることが一般に知られており、染色体の色彩情報は染色体の同定や異常判定を行う際の重要な判定ファクターの一つになり得る可能性がある。
また、染色体の検査を自動的に行う装置等においては、判定精度が高ければ高いほど好ましく、判定精度の向上により、染色体の検査装置の使い勝手の向上や汎用性の拡大にもつながる。
また、染色体の検査を自動的に行う装置等においては、判定精度が高ければ高いほど好ましく、判定精度の向上により、染色体の検査装置の使い勝手の向上や汎用性の拡大にもつながる。
そこで、この発明は、上記従来の課題に着目してなされたものであり、染色による染色体の色彩情報を利用して染色体の検査を行うことの可能な染色体異常判定システム、測定装置及び解析装置を提供することを目的としている。
本発明の一態様によれば、判定対象の染色体のスペクトルキューブデータを取得する複数の測定装置と、スペクトルキューブデータに基づき、判定対象の染色体の異常判定を行う解析装置とがネットワークを介して接続された染色体異常判定システムであって、測定装置は、染色された判定対象の染色体上の各点における分光スペクトルをスペクトルキューブデータとして取得するデータ取得部と、データ取得部で取得したスペクトルキューブデータをネットワークを介して解析装置に送信し、送信したスペクトルキューブデータに対する解析装置での異常判定結果を前記ネットワークを介して受信する第一の通信処理部と、を備え、解析装置は、測定装置からスペクトルキューブデータをネットワークを介して受信し、受信した前記スペクトルキューブデータに対する解析装置での異常判定結果をネットワークを介して測定装置に送信する第二の通信処理部と、異常な染色体及び正常な染色体のうちの少なくとも一方から取得されたスペクトルキューブデータに含まれる染色体の特徴を表す特徴情報を用いて構築された異常判定処理を、判定対象の染色体のスペクトルキューブデータに含まれる特徴情報を用いて実行する異常判定処理部と、を備え、異常判定処理部は、スペクトルキューブデータのうちの、染色された判定対象の染色体の濃淡と染色された判定対象の染色体上の各点からの光量との特性が予め設定された特性となる６５０ｎｍにおけるデータ又は、６５０ｎｍにおける特性と同等の特性を有する６５０ｎｍの前後を含む波長域におけるデータを用いて特徴情報を抽出し、抽出した特徴情報を用いて異常判定処理を実行する染色体異常判定システムが提供される。
また、本発明の他の態様によれば、判定対象の染色体のスペクトルキューブデータを取得し、スペクトルキューブデータを、ネットワークを介して接続された染色体の異常判定を行う解析装置に送信する測定装置であって、染色された判定対象の染色体上の各点における分光スペクトルを前記スペクトルキューブデータとして取得するデータ取得部と、データ取得部で取得したスペクトルキューブデータをネットワークを介して解析装置に送信し、送信したスペクトルキューブデータに対する解析装置での異常判定結果をネットワークを介して受信する第一の通信処理部と、を備え、データ取得部は、染色された判定対象の染色体の濃淡と染色された判定対象の染色体上の各点からの光量との特性が予め設定された特性となる６５０ｎｍ又は６５０ｎｍにおける特性と同等の特性を有する６５０ｎｍの前後を含む波長域におけるデータをスペクトルキューブデータとして取得することを特徴とする測定装置が提供される。
さらに、本発明の他の態様によれば、判定対象の染色体のスペクトルキューブデータに基づき判定対象の染色体の異常判定を行う解析装置であって、染色された判定対象の染色体のスペクトルキューブデータをネットワークを介して受信し、受信したスペクトルキューブデータに対する解析装置での異常判定結果をネットワークを介して送信する第二の通信処理部と、異常な染色体及び正常な染色体のうちの少なくとも一方から取得された前記スペクトルキューブデータに含まれる染色体の特徴を表す特徴情報を用いて構築された異常判定処理を、判定対象の染色体の前記スペクトルキューブデータに含まれる特徴情報を用いて実行する異常判定処理部と、を備え、スペクトルキューブデータは、染色された判定対象の染色体上の各点における分光スペクトルであって、異常判定処理部は、スペクトルキューブデータのうちの、染色された判定対象の染色体の濃淡と染色された判定対象の染色体上の各点からの光量との特性が予め設定された特性となる６５０ｎｍにおけるデータ又は、６５０ｎｍにおける特性と同等の特性を有する６５０ｎｍの前後を含む波長域におけるデータを用いて特徴情報を抽出し、抽出した特徴情報を用いて異常判定処理を実行する解析装置が提供される。
本発明の一態様によれば、染色体の色彩情報を利用して染色体の検査を行うことで、染色体異常の判定精度を向上させることができる。
以下、図面を参照して本発明の実施形態について説明する。
なお、以下の詳細な説明では、本発明の実施形態の完全な理解を提供するように多くの特定の具体的な構成について記載されている。しかしながら、このような特定の具体的な構成に限定されることなく他の実施態様が実施できることは明らかである。また、以下の実施形態は、特許請求の範囲に係る発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
なお、以下の詳細な説明では、本発明の実施形態の完全な理解を提供するように多くの特定の具体的な構成について記載されている。しかしながら、このような特定の具体的な構成に限定されることなく他の実施態様が実施できることは明らかである。また、以下の実施形態は、特許請求の範囲に係る発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
まず、第一実施形態を説明する。
図１は、本発明の第一実施形態に係る染色体異常判定システムの一例を示す構成図である。
染色体異常判定システム１は、複数の測定装置２と解析装置３とを備え、複数の測定装置２と解析装置３とは、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の通信回線４を介して接続されている。
複数の測定装置２は、同等の機能構成を有し、図２に示すように、顕微鏡２０１と、顕微鏡２０１用の電動ステージ２０２と、イメージング分光器２０３と、画像メモリ２０４と、通信処理装置（特許請求の範囲に記載の第一の通信処理部に対応）２０５と、を備える。
図１は、本発明の第一実施形態に係る染色体異常判定システムの一例を示す構成図である。
染色体異常判定システム１は、複数の測定装置２と解析装置３とを備え、複数の測定装置２と解析装置３とは、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の通信回線４を介して接続されている。
複数の測定装置２は、同等の機能構成を有し、図２に示すように、顕微鏡２０１と、顕微鏡２０１用の電動ステージ２０２と、イメージング分光器２０３と、画像メモリ２０４と、通信処理装置（特許請求の範囲に記載の第一の通信処理部に対応）２０５と、を備える。
イメージング分光器２０３は、染色体からの反射光又は透過光を、顕微鏡２０１を通して入射し、レンズ及びスリットにより線状に集光して、一次元方向に位置情報、他の一次元方向に分光情報となるように分光し、二次元カメラで撮像する。この撮像画像は、各測定点でのスペクトルの集合であり、それぞれのスペクトルは、染色された染色体の各点での色彩情報を含む波形を示す。電動ステージ２０２を移動させて被計測物を撮像することにより、被計測物の二次元画像に各測定点でのスペクトル軸が加わったスペクトルキューブデータを得ることができる。
色彩情報を含む波形は、染色体からの反射強度又は透過強度として撮像された画像信号から、光源のスペクトル情報及びカメラ素子の測定感度のばらつきによる影響を除去することにより得られた反射率及び透過率の形で得ることができる。
色彩情報を含む波形は、染色体からの反射強度又は透過強度として撮像された画像信号から、光源のスペクトル情報及びカメラ素子の測定感度のばらつきによる影響を除去することにより得られた反射率及び透過率の形で得ることができる。
例えば、図３に示す１本の染色体において、測定点Ｘにおける透過率のスペクトルは、図４に示すような波形を示す。なお、図４において、横軸は波長（ｎｍ）、縦軸は透過率である。
イメージング分光器２０３で撮像されたスペクトルキューブデータは、画像メモリ２０４に格納される。
通信処理装置２０５は、例えばパーソナルコンピュータで構成され、画像メモリ２０４に格納されたスペクトルキューブデータを、通信回線４を介して解析装置３に送信し、送信したスペクトルキューブデータに対する解析装置３での異常判定結果を受信し、異常判定結果を記憶装置２０５ａに格納すると共に、表示装置２０５ｂに表示する。
イメージング分光器２０３で撮像されたスペクトルキューブデータは、画像メモリ２０４に格納される。
通信処理装置２０５は、例えばパーソナルコンピュータで構成され、画像メモリ２０４に格納されたスペクトルキューブデータを、通信回線４を介して解析装置３に送信し、送信したスペクトルキューブデータに対する解析装置３での異常判定結果を受信し、異常判定結果を記憶装置２０５ａに格納すると共に、表示装置２０５ｂに表示する。
解析装置３は、図５に示すように、通信処理装置（特許請求の範囲に記載の第二の通信処理部に対応）３０１と、画像メモリ３０２と、スペクトル解析装置３０３と、画像解析装置３０４と、判定処理装置３０５と、データベース作成装置（特許請求の範囲に記載のデータベース作成部に対応）３０６と、染色体データ記憶装置３０７と、表示装置３０８と、判定結果記憶装置３０９と、を備える。画像メモリ３０２、スペクトル解析装置３０３、画像解析装置３０４、判定処理装置３０５、データベース作成装置３０６、染色体データ記憶装置３０７、表示装置３０８及び判定結果記憶装置３０９は、例えば、入力装置、表示装置、記憶装置を備えた一台のパーソナルコンピュータで構成される。
通信処理装置３０１は、通信回線４を介して各測定装置２とデータ授受を行い、測定装置２から受信したスペクトルキューブデータを送信元の測定装置２を特定する識別情報と対応付けて画像メモリ３０２に格納する。また、通信処理装置３０１は、各測定装置２から受信したスペクトルキューブデータに対する判定処理装置３０５での判定結果を、判定結果記憶装置３０９から読み出し、対応する測定装置２宛に送信する。なお、通信処理装置３０１での判定結果の送信は、判定処理装置３０５により判定結果が得られる毎に行うようにしてもよく、一連の判定に対する判定結果が得られたときに行うようにしてもよい。また、測定装置２からの送信要求を受けたときに通信処理装置３０１が、判定結果記憶装置３０９に格納されている判定結果を読み出して送信するようにしてもよい。
スペクトル解析装置（特許請求の範囲に記載の特徴情報抽出部に対応）３０３は、画像メモリ３０２に格納されたスペクトルキューブデータに対してスペクトル解析を行ってスペクトル特徴量画像を抽出し、このスペクトル特徴量画像の画像データを出力する。スペクトル解析装置３０３から出力されたスペクトル特徴量画像の画像データは、画像メモリ３０２に格納される。
ここで、スペクトル特徴量画像とは、例えば、図６（ａ）に示すように表されるスペクトルキューブデータのうちの任意の波長における、各測定点での染色体からの透過強度情報からなるモノクロ画像すなわち単波長画像のことをいう。任意の波長における単波長画像ではなく、任意の波長を含むその前後の所定範囲の波長における透過強度の積算値、或いは、全波長における透過強度の積算値から単波長画像を得るようにしてもよい。
ここで、スペクトル特徴量画像とは、例えば、図６（ａ）に示すように表されるスペクトルキューブデータのうちの任意の波長における、各測定点での染色体からの透過強度情報からなるモノクロ画像すなわち単波長画像のことをいう。任意の波長における単波長画像ではなく、任意の波長を含むその前後の所定範囲の波長における透過強度の積算値、或いは、全波長における透過強度の積算値から単波長画像を得るようにしてもよい。
また、スペクトル特徴量画像として、図６（ａ）に示すように、スペクトルキューブデータのうち、例えば、Ｒ（赤色、Ｇ（緑色）、Ｂ（青色）に対応する３つの波長における、各測定点での染色体からの透過強度情報から得られるカラー画像を、抽出するようにしてもよい。
また、スペクトルキューブデータの各測定点での透過強度情報に基づき色計算を行って、Ｌ＊、ａ＊、ｂ＊、や、Ｘ、Ｙ、Ｚ等の色情報を取得し、図６（ｂ）に示すように、測定点毎に例えばＬ＊、ａ＊、ｂ＊の値を取得する。この色情報をもとに、測定点毎に、Ｌ＊、ａ＊、ｂ＊の値をＲＧＢに割り当てて画像化することによりカラー画像を取得し、この取得したカラー画像をスペクトル特徴量画像としてもよく、また、測定点毎に、色情報のいずれかをもとに画像化することによりモノクロ画像を取得し、このモノクロ画像をスペクトル特徴量画像としてもよい。なお、色情報は、Ｌ＊、ａ＊、ｂ＊や、Ｘ、Ｙ、Ｚ等に限るものではなく、得られた色情報をもとに、カラー画像やモノクロ画像に画像化することのできる、スペクトル演算により得られる値であってもよく、要はスペクトルキューブデータから得られるスペクトル情報から、二次元画像を生成することのできる値であればよい。
また、スペクトルキューブデータの各測定点での透過強度情報に基づき色計算を行って、Ｌ＊、ａ＊、ｂ＊、や、Ｘ、Ｙ、Ｚ等の色情報を取得し、図６（ｂ）に示すように、測定点毎に例えばＬ＊、ａ＊、ｂ＊の値を取得する。この色情報をもとに、測定点毎に、Ｌ＊、ａ＊、ｂ＊の値をＲＧＢに割り当てて画像化することによりカラー画像を取得し、この取得したカラー画像をスペクトル特徴量画像としてもよく、また、測定点毎に、色情報のいずれかをもとに画像化することによりモノクロ画像を取得し、このモノクロ画像をスペクトル特徴量画像としてもよい。なお、色情報は、Ｌ＊、ａ＊、ｂ＊や、Ｘ、Ｙ、Ｚ等に限るものではなく、得られた色情報をもとに、カラー画像やモノクロ画像に画像化することのできる、スペクトル演算により得られる値であってもよく、要はスペクトルキューブデータから得られるスペクトル情報から、二次元画像を生成することのできる値であればよい。
ここで、染色体が存在しない部分の透過スペクトルを基準スペクトルとし、染色体の存在する部分の透過スペクトルを評価スペクトルとする。また、基準スペクトル及び評価スペクトルそれぞれをベクトルと考え、両者の類似度を検出する。この類似度は、例えば、二つのベクトルの内積の和により類似度を評価するコサイン類似度を用いて演算する。類似度は染色体が存在しない部分の透過スペクトルと染色体の存在する部分の透過スペクトルとの類似度を表すため、類似度が大きいときには染色体の存在する部分は比較的色が薄くなり、類似度が小さいときには染色体の存在する部分は比較的色が濃くなる。
一方、スペクトルキューブデータからスペクトル特徴量画像として得られる単波長画像は波長によって透過率が異なり、透過率が小さいほど単波長画像において染色体は濃く表示され、透過率が大きいほど染色体は薄く表示される。
図７は、ある染色体について、波長の変化に対する透過率の変化を、類似度毎に表したものである。図７において横軸は波長、縦軸は透過率のスペクトルであり、類似度の変化幅は一定としている。図７において、特性Ｌ１は基準スペクトルに対応し、特性Ｌ２〜Ｌ１０は透過スペクトル（評価スペクトル）に対応する。図７は、波長５００ｎｍ前後から７００ｎｍ前後の範囲において、特性Ｌ１との類似度は、特性Ｌ２が最も大きく、特性Ｌ２、Ｌ３…の順に類似度が小さくなり、特性Ｌ１０は類似度が最も小さいことを表している。
図７は、ある染色体について、波長の変化に対する透過率の変化を、類似度毎に表したものである。図７において横軸は波長、縦軸は透過率のスペクトルであり、類似度の変化幅は一定としている。図７において、特性Ｌ１は基準スペクトルに対応し、特性Ｌ２〜Ｌ１０は透過スペクトル（評価スペクトル）に対応する。図７は、波長５００ｎｍ前後から７００ｎｍ前後の範囲において、特性Ｌ１との類似度は、特性Ｌ２が最も大きく、特性Ｌ２、Ｌ３…の順に類似度が小さくなり、特性Ｌ１０は類似度が最も小さいことを表している。
また、図８は、図７に示す特性に基づき、類似度の変化に対する透過率の変化を、３つの波長について示したものである。
図８に示すように、類似度が低いほど透過率は小さくなっている。そのため、類似度が低いほどスペクトルキューブデータから得られる単波長画像において染色体は濃く表示されることがわかる。また、図７から、何れの類似度の場合も５５０ｎｍ程度の波長のときに透過率が最も小さくなり、単波長画像において染色体は濃く表示されることがわかる。
また、透過率が最も小さくなる５５０ｎｍ程度の波長の場合、図８に特性Ｌ１１で示すように、透過率は比較的低い範囲で推移し、類似度が比較的高い範囲では類似度の変化に対して透過率が比較的大きく変化し、類似度が比較的低い範囲では類似度の変化に対して透過率の変化は小さい。そのため、図９（ａ）に示すように、５５０ｎｍの単波長画像において染色体は比較的濃く表示されることになり、染色体とその周囲とのコントラストは高いが、染色体上に染め出されたバンドとその周囲とのコントラストが低くなり、バンドを識別することが困難である。
図８に示すように、類似度が低いほど透過率は小さくなっている。そのため、類似度が低いほどスペクトルキューブデータから得られる単波長画像において染色体は濃く表示されることがわかる。また、図７から、何れの類似度の場合も５５０ｎｍ程度の波長のときに透過率が最も小さくなり、単波長画像において染色体は濃く表示されることがわかる。
また、透過率が最も小さくなる５５０ｎｍ程度の波長の場合、図８に特性Ｌ１１で示すように、透過率は比較的低い範囲で推移し、類似度が比較的高い範囲では類似度の変化に対して透過率が比較的大きく変化し、類似度が比較的低い範囲では類似度の変化に対して透過率の変化は小さい。そのため、図９（ａ）に示すように、５５０ｎｍの単波長画像において染色体は比較的濃く表示されることになり、染色体とその周囲とのコントラストは高いが、染色体上に染め出されたバンドとその周囲とのコントラストが低くなり、バンドを識別することが困難である。
逆に、波長が８０５ｎｍ程度の場合、図８に特性Ｌ１３で示すように、何れの類似度においても、類似度の変化に対する透過率の変化が小さく透過率が比較的高い範囲で推移する。そのため、図９（ｃ）に示すように、８０５ｎｍの単波長画像において染色体は比較的薄く表示されることになり、染色体とその周囲とのコントラストは低く、さらに、バンドとその周囲とのコントラストも低くなり、染色体だけでなく染色体上のバンドを識別することも困難である。
これに対し、波長が６５０ｎｍ程度の場合、図８に特性Ｌ１２で示すように、類似度全域に亙って、類似度の変化に対して透過率がある程度の幅で変化する。そのため、図９（ｂ）に示すように、６５０ｎｍの単波長画像において染色体とその周囲とのコントラスト及び、バンドとその周囲とのコントラストが共に高くなり、染色体やバンドの形状を比較的明確に表示することができる。
これに対し、波長が６５０ｎｍ程度の場合、図８に特性Ｌ１２で示すように、類似度全域に亙って、類似度の変化に対して透過率がある程度の幅で変化する。そのため、図９（ｂ）に示すように、６５０ｎｍの単波長画像において染色体とその周囲とのコントラスト及び、バンドとその周囲とのコントラストが共に高くなり、染色体やバンドの形状を比較的明確に表示することができる。
つまり、単波長画像において染色体やバンドを明確に表示するためには、図８に示すように、染色体の濃淡（つまり類似度）と染色体を透過した光量（透過率）とが、類似度全域にわたって透過率が大きすぎず、また小さすぎず、ある程度の大きさを有し、且つ、類似度の変化に対する透過率の変化幅がある程度の幅を有し比較的一定であることが好ましいことがわかる。
したがって、図８に示す特性を有するスペクトルキューブデータの場合には、このような条件を満足する波長、図８の場合には６５０ｎｍにおける単波長画像を取得し、これをスペクトル特徴量画像とすることで、このスペクトル特徴量画像をもとに処理を行う画像解析装置３０４での解析や、判定処理装置３０５での判定をより精度よく行うことができる。
したがって、図８に示す特性を有するスペクトルキューブデータの場合には、このような条件を満足する波長、図８の場合には６５０ｎｍにおける単波長画像を取得し、これをスペクトル特徴量画像とすることで、このスペクトル特徴量画像をもとに処理を行う画像解析装置３０４での解析や、判定処理装置３０５での判定をより精度よく行うことができる。
なお、単波長画像を取得するための解析用の波長は、予め求めて所定の記憶領域に記憶しておき、スペクトル解析を行う際に、記憶しておいた解析用の波長を読み出してこれを用いるようにしてもよく、また、スペクトル解析を行う前に、良好な単波長画像を得ることのできる波長を検出するようにしてもよい。また、ここでは、波長６５０ｎｍにおける単波長画像を取得しこれに基づきスペクトル解析を行う場合について説明したが、例えば、スペクトルキューブデータのうち、波長６５０ｎｍを含むその前後の波長域におけるスペクトルキューブデータを用いてスペクトル解析を行うようにしてもよい。
画像解析装置３０４は、画像メモリ３０２に格納された、スペクトル解析装置３０３で抽出されたスペクトル特徴量画像の画像データに基づき画像解析を行い、所定の特徴量を抽出する。画像解析により抽出される特徴量としては、例えば、染色体の領域の相対的長さ、染色体の領域における短腕の長さと長腕の長さとの比、染色体の領域におけるバンドの並び方、すなわちバンドパターン等が適用される。
判定処理装置３０５は、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データ及び画像解析装置３０４で抽出した画像解析による特徴量と、染色体データ記憶装置３０７に格納されている、正常又は異常な染色体であると判定された染色体のスペクトル特徴量画像の画像データ及び画像解析による特徴量とを照合することにより、染色体の異常／正常判定を行う。また、判定処理装置３０５は、その異常判定結果等を表示装置３０８に表示すると共に、判定結果を判定結果記憶装置３０９に格納する。また、判定処理装置３０５は、染色体の正常又は異常の判定後、判定に用いたスペクトル特徴量画像の画像データ及び画像解析による特徴量を特徴情報とし、特徴情報と正常又は異常の判定結果とを対応付けてデータベース作成装置３０６を介して染色体データ記憶装置３０７に格納する。
判定処理装置３０５は、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データ及び画像解析装置３０４で抽出した画像解析による特徴量と、染色体データ記憶装置３０７に格納されている、正常又は異常な染色体であると判定された染色体のスペクトル特徴量画像の画像データ及び画像解析による特徴量とを照合することにより、染色体の異常／正常判定を行う。また、判定処理装置３０５は、その異常判定結果等を表示装置３０８に表示すると共に、判定結果を判定結果記憶装置３０９に格納する。また、判定処理装置３０５は、染色体の正常又は異常の判定後、判定に用いたスペクトル特徴量画像の画像データ及び画像解析による特徴量を特徴情報とし、特徴情報と正常又は異常の判定結果とを対応付けてデータベース作成装置３０６を介して染色体データ記憶装置３０７に格納する。
染色体データ記憶装置３０７には、複数の染色体に関する、スペクトル特徴量画像の画像データ及び画像解析による特徴量を含む特徴情報と正常又は異常の判定結果とが対応付けられたデータベースが格納される。データベースは測定装置２毎に作成され、スペクトル特徴量画像に対応するスペクトルキューブデータの送信元の測定装置２毎に、対応するデータベースに格納される。
図１０は、第一実施形態における判定処理装置３０５の機能ブロック図の一例である。
図１０に示す判定処理装置３０５は、モデル学習により染色体異常判定を行うものであり、異常判定処理部２１と、異常判定パラメータ決定部２２と、異常判定結果表示処理部２３と、を備える。
図１０は、第一実施形態における判定処理装置３０５の機能ブロック図の一例である。
図１０に示す判定処理装置３０５は、モデル学習により染色体異常判定を行うものであり、異常判定処理部２１と、異常判定パラメータ決定部２２と、異常判定結果表示処理部２３と、を備える。
異常判定パラメータ決定部２２は、異常判定処理部２１でのモデル学習に用いる異常判定パラメータを決定し、決定した異常判定パラメータを異常判定処理部２１に通知する。この異常判定パラメータとする特徴量等の種類や数は、検査実施者が手動で決定してもよく、または、各種情報に基づき自動的に決定するようにしてもよい。
異常判定処理部２１は、異常判定パラメータ決定部２２により決定された異常判定パラメータに基づいてニューラルネットワーク、サポートベクターマシン等の機械学習で用いられる手法の一つ又は複数を用いて教師有り学習を行い、異常判定処理の分類器を構築する。
異常判定処理部２１は、異常判定パラメータ決定部２２により決定された異常判定パラメータに基づいてニューラルネットワーク、サポートベクターマシン等の機械学習で用いられる手法の一つ又は複数を用いて教師有り学習を行い、異常判定処理の分類器を構築する。
そして、異常判定処理部２１では、判定対象の染色体から得られた、スペクトル特徴量画像の画像データと画像解析による特徴量とを入力し、これらについて、異常判定パラメータに基づき構築した異常判定処理のモデルを用いて異常判定を行う。また、異常判定処理部２１は、被測定物のスペクトル特徴量画像の画像データ及び画像解析による特徴量を特徴情報とし、この特徴情報とこのときの判定結果とを対応付けて、判定対象のスペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２毎にデータベース作成装置３０６を介して染色体データ記憶装置３０７に格納する。
異常判定結果表示処理部２３は、異常判定処理部２１での判定結果を表示装置３０８に表示する。
異常判定結果表示処理部２３は、異常判定処理部２１での判定結果を表示装置３０８に表示する。
図１１は、解析装置３における、教師有り学習のモデル学習時の処理手順の一例を示すフローチャートである。
モデル学習時には、判定処理装置３０５の異常判定パラメータ決定部２２は、染色体データ記憶装置３０７に格納されたデータベースを読み出す（ステップＳ１）。このとき、異常判定パラメータ決定部２２は、異常判定対象のスペクトルキューブデータの送信元の測定装置２に対応するデータベースを読み出す。そして、異常判定パラメータを設定する（ステップＳ２）。異常判定処理部２１は、設定された異常判定パラメータに基づき、ニューラルネットワーク及びサポートベクターマシン等の教師有り学習を行って、異常判定処理のモデルを構築し（ステップＳ３ 特許請求の範囲に記載の異常判定処理構築部に対応）、所定の記憶領域に格納する。
モデル学習時には、判定処理装置３０５の異常判定パラメータ決定部２２は、染色体データ記憶装置３０７に格納されたデータベースを読み出す（ステップＳ１）。このとき、異常判定パラメータ決定部２２は、異常判定対象のスペクトルキューブデータの送信元の測定装置２に対応するデータベースを読み出す。そして、異常判定パラメータを設定する（ステップＳ２）。異常判定処理部２１は、設定された異常判定パラメータに基づき、ニューラルネットワーク及びサポートベクターマシン等の教師有り学習を行って、異常判定処理のモデルを構築し（ステップＳ３ 特許請求の範囲に記載の異常判定処理構築部に対応）、所定の記憶領域に格納する。
次に、染色体異常判定システム１において、染色体異常判定を行う際の処理手順を、図１２及び図１３を伴って説明する。図１２は、測定装置２における測定時の処理手順の一例を示すフローチャートであり、図１３は、解析装置３における異常判定時の処理手順の一例を示すフローチャートである。
染色体異常判定を行う際には、まず、検査実施者は、染色体が見られる分裂中期の細胞が搭載されたスライドガラスを用意し、電動ステージ２０２上に載置する。これにより、電動ステージ２０２上のスライド上の判定対象の染色体が顕微鏡２０１で拡大され、イメージング分光器２０３によって分光されてスペクトルキューブデータとして、画像メモリ２０４に格納される（ステップＳ２０１ 特許請求の範囲のデータ取得部に対応）。
染色体異常判定を行う際には、まず、検査実施者は、染色体が見られる分裂中期の細胞が搭載されたスライドガラスを用意し、電動ステージ２０２上に載置する。これにより、電動ステージ２０２上のスライド上の判定対象の染色体が顕微鏡２０１で拡大され、イメージング分光器２０３によって分光されてスペクトルキューブデータとして、画像メモリ２０４に格納される（ステップＳ２０１ 特許請求の範囲のデータ取得部に対応）。
続いて、検査実施者は、通信処理装置２０５を操作し、画像メモリ２０４に格納されたスペクトルキューブデータを通信回線４を介して解析装置３宛に送信する。これにより、画像メモリ２０４に格納されたスペクトルキューブデータは、この測定装置２を特定する識別情報と共に、通信回線４を介して解析装置３に送信される（ステップＳ２０２）。
続いて、通信処理装置２０５では、通信回線４を介して解析装置３から異常判定結果を受信すると（ステップＳ２０３）、受信した異常判定結果を表示装置２０５ｂに表示すると共に、記憶装置２０５ａに格納する。
検査実施者は、表示装置２０５ｂに表示された異常判定結果を参照することによって、染色体異常の有無を認識することができる。
一方、解析装置３では、通信回線４を介して測定装置２からスペクトルキューブデータを受信すると、通信処理装置３０１は受信したスペクトルキューブデータを画像メモリ３０２に格納する（ステップＳ３０１）。
続いて、通信処理装置２０５では、通信回線４を介して解析装置３から異常判定結果を受信すると（ステップＳ２０３）、受信した異常判定結果を表示装置２０５ｂに表示すると共に、記憶装置２０５ａに格納する。
検査実施者は、表示装置２０５ｂに表示された異常判定結果を参照することによって、染色体異常の有無を認識することができる。
一方、解析装置３では、通信回線４を介して測定装置２からスペクトルキューブデータを受信すると、通信処理装置３０１は受信したスペクトルキューブデータを画像メモリ３０２に格納する（ステップＳ３０１）。
続いて、画像メモリ３０２に格納されたスペクトルキューブデータに対して、スペクトル解析装置３０３でスペクトル解析を行い、スペクトル特徴量画像の抽出（ステップＳ３０２）を行う。また、得られたスペクトル特徴量画像に対して、画像解析装置３０４で画像解析を行い、所定の特徴量を抽出する（ステップＳ３０３）。スペクトル解析装置３０３でのスペクトル解析において、スペクトル特徴量画像として単波長画像を抽出する際の波長等、スペクトル特徴量画像を抽出する際に用いられるパラメータとしての波長や、画像解析装置３０４での画像解析において各種特徴量を抽出する際に用いる波長又は波長域等の各種パラメータは、予め設定され所定の記憶領域に記憶された波長を用いて画像抽出を行う。
そして、異常判定処理部２１では、スペクトル解析装置３０３でのスペクトル解析により抽出したスペクトル特徴量画像の画像データと、画像解析装置３０４での画像解析による特徴量とに基づき、予めモデル学習を行うことにより構築した異常判定処理のモデルを用いて染色体の異常判定を行う（ステップＳ３０４）。
そして、異常判定処理部２１では、スペクトル解析装置３０３でのスペクトル解析により抽出したスペクトル特徴量画像の画像データと、画像解析装置３０４での画像解析による特徴量とに基づき、予めモデル学習を行うことにより構築した異常判定処理のモデルを用いて染色体の異常判定を行う（ステップＳ３０４）。
異常判定結果表示処理部２３は、異常判定処理部２１での判定結果を表示装置３０８に表示し、また、判定結果記憶装置３０９に格納する（ステップＳ３０５）。さらに、通信処理装置３０１により、判定結果記憶装置３０９に格納された判定結果を、判定対象のスペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２宛に送信する（ステップＳ３０６）。また、データベース作成装置３０６により、異常判定に用いたスペクトル特徴量画像の画像データ及び画像解析による特徴量と判定結果とを対応付けて染色体データ記憶装置３０７のデータベースに格納する（ステップＳ３０７）。このとき、異常判定に用いたスペクトル特徴量画像に対応するスペクトルキューブデータの送信元の測定装置２に対応するデータベースに格納する。
これにより、染色体の異常判定処理が終了する。
これにより、染色体の異常判定処理が終了する。
ここで、スペクトルキューブデータから得られる染色体の画像は、図９に示すように波長によって異なり、図９（ａ）に示す波長５５０ｎｍの場合、また図９（ｃ）に示す波長８０５ｎｍの場合には、バンドを識別することができないが、図９（ｂ）に示す波長６５０ｎｍの場合には、バンドを識別することができる。
つまり、解析装置３では、予め設定した、コントラストの高い良好な単波長画像を得ることの可能な波長についてその単波長画像を形成するようにしている。そのため、得られた単波長画像すなわちスペクトル特徴量画像はコントラストが比較的高い画像となり、染色体及びバンドを容易に識別することができる。
つまり、解析装置３では、予め設定した、コントラストの高い良好な単波長画像を得ることの可能な波長についてその単波長画像を形成するようにしている。そのため、得られた単波長画像すなわちスペクトル特徴量画像はコントラストが比較的高い画像となり、染色体及びバンドを容易に識別することができる。
例えば、デジタルカメラによる撮像画像における二値化処理等を用いた画像解析では、図９（ａ）に示すように得られた染色体の画像が全体的に黒くバンドを識別することができない場合、また、図９（ｃ）に示すように得られた染色体の画像が全体的に薄く染色体自体を識別することができず、その結果、染色体異常を自動判定できないような場合がある。しかしながら、スペクトル解析により取得した単波長画像（スペクトル特徴量画像）を用いて解析を行う場合には、染色体異常の自動判定を行うことができる。つまり、より多くの染色体について染色体異常の自動判定を行うことができるため、使い勝手をより向上させることができる。
また、解析装置３では、染色体のスペクトル特徴量画像と画像解析による特徴量とに対し、教師有り学習により得た異常判定処理のモデルを用いて異常判定を行っているため、従来、専門家の視覚的判断によって行われていた染色体異常判定を自動的に行うことができ、膨大な量の染色体の検体に対して異常判定を行う場合でも十分適用することができる。
また、図１に示すように、測定装置２と解析装置３とは通信回線４で接続されているため、例えば、測定装置２を複数の病院に設置し、解析装置３は測定装置２とは別のセンター等に配置することによって、複数の病院や検査機関等では、スペクトルキューブデータの送信までを行えば、染色体異常の判定結果を取得することができる。
また、図１に示すように、測定装置２と解析装置３とは通信回線４で接続されているため、例えば、測定装置２を複数の病院に設置し、解析装置３は測定装置２とは別のセンター等に配置することによって、複数の病院や検査機関等では、スペクトルキューブデータの送信までを行えば、染色体異常の判定結果を取得することができる。
ここで、染色体解析を行う場合には、一般に、例えば血液等検体を採取した後、検体を培養し、固定させ、標本を作製し、染色を行うといった、前処理を行う必要があり、その後、染色体の撮像及び解析を行うことになる。つまり、検体を採取してから、染色体異常の解析を行うまでには、前処理を行う作業と、解析を行う作業とを行う必要があり、それぞれの作業を行うオペレータが必要となる。
そのため、例えば、病院や検査機関等、前処理を行う機関に測定装置２を配置して、前処理と、撮影までを行うようにすることで、前処理を行う機関側では、解析を行う作業を行うオペレータを配置することなく、染色体異常の判定結果を取得することができる。
そのため、例えば、病院や検査機関等、前処理を行う機関に測定装置２を配置して、前処理と、撮影までを行うようにすることで、前処理を行う機関側では、解析を行う作業を行うオペレータを配置することなく、染色体異常の判定結果を取得することができる。
次に、本発明の第二実施形態を説明する。
この第二実施形態は、図１に示す第一実施形態における染色体異常判定システム１の解析装置３において、画像解析装置３０４を省いたものであり、判定処理装置３０５の構成が異なる。また、第二実施形態における解析装置３は、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データが直接判定処理装置３０５に入力される。
なお、第一実施形態と同一部については同一符号を付与し、その詳細な説明は省略する。
この第二実施形態は、図１に示す第一実施形態における染色体異常判定システム１の解析装置３において、画像解析装置３０４を省いたものであり、判定処理装置３０５の構成が異なる。また、第二実施形態における解析装置３は、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データが直接判定処理装置３０５に入力される。
なお、第一実施形態と同一部については同一符号を付与し、その詳細な説明は省略する。
図１４は、第二実施形態における判定処理装置３０５の一例を示す機能ブロック図である。
判定処理装置３０５は、異常判定処理部２１ａと、異常判定結果表示処理部２３と、を備える。
第二実施形態における染色体データ記憶装置３０７には、染色体異常と判定されたときのスペクトルキューブデータから抽出されたスペクトル特徴量画像の画像データが特徴情報として異常サンプルデータベース３０７ａに格納される。同様に、染色体が正常と判定されたときのスペクトルキューブデータから抽出されたスペクトル特徴量画像の画像データが特徴情報として正常サンプルデータベース３０７ｂに格納される。データベース作成装置３０６は、異常判定処理部２１ａでの判定結果に基づいて、特徴情報（つまりスペクトル特徴量画像の画像データ）を異常サンプルデータベース３０７ａ、又は正常サンプルデータベース３０７ｂに格納する。なお、データベース作成装置３０６は、スペクトル特徴量画像が抽出されたスペクトルキューブデータの送信元の測定装置２毎に、異常サンプルデータベース３０７ａ、正常サンプルデータベース３０７ｂを作成する。
判定処理装置３０５は、異常判定処理部２１ａと、異常判定結果表示処理部２３と、を備える。
第二実施形態における染色体データ記憶装置３０７には、染色体異常と判定されたときのスペクトルキューブデータから抽出されたスペクトル特徴量画像の画像データが特徴情報として異常サンプルデータベース３０７ａに格納される。同様に、染色体が正常と判定されたときのスペクトルキューブデータから抽出されたスペクトル特徴量画像の画像データが特徴情報として正常サンプルデータベース３０７ｂに格納される。データベース作成装置３０６は、異常判定処理部２１ａでの判定結果に基づいて、特徴情報（つまりスペクトル特徴量画像の画像データ）を異常サンプルデータベース３０７ａ、又は正常サンプルデータベース３０７ｂに格納する。なお、データベース作成装置３０６は、スペクトル特徴量画像が抽出されたスペクトルキューブデータの送信元の測定装置２毎に、異常サンプルデータベース３０７ａ、正常サンプルデータベース３０７ｂを作成する。
異常判定処理部２１ａは、教師有り学習によるニューラルネットワークモデルを用いて、染色体の異常判定を行う。すなわち異常判定処理部２１ａは、判定対象のスペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２に対応する異常判定時の特徴情報が格納された異常サンプルデータベース３０７ａと、正常判定時の特徴情報が格納された正常サンプルデータベース３０７ｂとについて、個別に機械学習をさせることによりニューラルネットワークモデルを構築する。そして、新たな判定対象の染色体について、スペクトル特徴量画像の画像データを異常判定処理部２１ａに入力することで、判定対象の染色体のスペクトル特徴量画像の画像データと、染色体データ記憶装置３０７に格納された正常時又は異常時の特徴情報に基づき構築したニューラルネットワークモデルとを用いて異常判定を行う。
図１５は、解析装置３における、ニューラルネットワークモデル構築時の処理手順の一例を示すフローチャートである。
ニューラルネットワークモデル構築時には、判定処理装置３０５の異常判定処理部２１ａは、染色体データ記憶装置３０７に格納された、判定対象の染色体の送信元の測定装置２に対応する、異常サンプルデータベース３０７ａ及び正常サンプルデータベース１２ｂを読み出し（ステップＳ２１）、異常サンプルデータベース３０７ａ及び正常サンプルデータベース３０７ｂに格納された異常時及び正常時の特徴情報に対して、個別に機械学習を行い、ニューラルネットワークモデルを構築する（ステップＳ２２）。そして、構築したニューラルネットワークモデルを所定の記憶領域に格納する。
ニューラルネットワークモデル構築時には、判定処理装置３０５の異常判定処理部２１ａは、染色体データ記憶装置３０７に格納された、判定対象の染色体の送信元の測定装置２に対応する、異常サンプルデータベース３０７ａ及び正常サンプルデータベース１２ｂを読み出し（ステップＳ２１）、異常サンプルデータベース３０７ａ及び正常サンプルデータベース３０７ｂに格納された異常時及び正常時の特徴情報に対して、個別に機械学習を行い、ニューラルネットワークモデルを構築する（ステップＳ２２）。そして、構築したニューラルネットワークモデルを所定の記憶領域に格納する。
次に、染色体異常判定システム１において、染色体異常判定を行う際の処理手順を、図１６を伴って説明する。図１６は、解析装置３における異常判定時の処理手順の一例を示すフローチャートである。なお、測定装置２における測定時の処理手順は図１２に示す処理と同様である。
染色体異常判定を行う際には、まず、検査実施者は、染色体が見られる分裂中期の細胞が搭載されたスライドガラスを用意し、電動ステージ２０２上に載置する。これにより、電動ステージ２０２上のスライド上の判定対象の染色体が顕微鏡２０１で拡大され、イメージング分光器２０３によって分光されてスペクトルキューブデータとして、画像メモリ２０４に格納される（ステップＳ２０１）。
染色体異常判定を行う際には、まず、検査実施者は、染色体が見られる分裂中期の細胞が搭載されたスライドガラスを用意し、電動ステージ２０２上に載置する。これにより、電動ステージ２０２上のスライド上の判定対象の染色体が顕微鏡２０１で拡大され、イメージング分光器２０３によって分光されてスペクトルキューブデータとして、画像メモリ２０４に格納される（ステップＳ２０１）。
続いて、検査実施者は、通信処理装置２０５を操作し、画像メモリ２０４に格納されたスペクトルキューブデータを通信回線４を介して解析装置３宛に送信する。これにより、画像メモリ２０４に格納されたスペクトルキューブデータは、この測定装置２を特定する識別情報と共に、通信回線４を介して解析装置３に送信される（ステップＳ２０２）。
一方、解析装置３では、通信回線４を介して測定装置２からスペクトルキューブデータを受信すると、通信処理装置３０１は受信したスペクトルキューブデータを画像メモリ３０２に格納する（ステップＳ３１１）。
一方、解析装置３では、通信回線４を介して測定装置２からスペクトルキューブデータを受信すると、通信処理装置３０１は受信したスペクトルキューブデータを画像メモリ３０２に格納する（ステップＳ３１１）。
続いて、画像メモリ３０２に格納されたスペクトルキューブデータに対して、スペクトル解析装置３０３でのスペクトル特徴量画像の抽出処理（ステップＳ３１２）が行われる。スペクトル解析装置３０３でのスペクトル解析においてスペクトル特徴量画像として単波長画像を抽出する際の任意の波長等、スペクトル特徴量画像の抽出に必要な各種パラメータは予め設定されて所定の記憶領域に記憶されており、この記憶されている波長を用いてスペクトル特徴量画像の抽出を行う。
異常判定処理部２１ａでは、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データに基づき、予め構築されたニューラルネットワークモデルを用いて染色体の異常判定を行う（ステップＳ３１３）。
異常判定処理部２１ａでは、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データに基づき、予め構築されたニューラルネットワークモデルを用いて染色体の異常判定を行う（ステップＳ３１３）。
異常判定結果表示処理部２３は、異常判定処理部２１ａでの判定結果を表示装置３０８に表示し。また、判定結果記憶装置３０９に格納する（ステップＳ３１４）。さらに、通信処理装置３０１により、判定結果記憶装置３０９に格納された判定結果を、判定対象のスペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２宛に送信する（ステップＳ３１５）。また、データベース作成装置３０６により、異常判定に用いた、スペクトル特徴量画像の画像データを異常判定による判定結果と対応付けて、染色体データ記憶装置１２の、スペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２に対応するデータベースに格納する（ステップＳ３１６）。
これにより、染色体の異常判定処理が終了する。
これにより、染色体の異常判定処理が終了する。
このように、第二実施形態における染色体異常判定システム１における解析装置３は、スペクトルキューブデータから取得したスペクトル特徴量画像に対し、ニューラルネットワークモデルを用いて異常判定を行うため、二次元画像のみでは得ることのできない特徴情報を利用して異常判定を行うことができる。そのため、第二実施形態における解析装置３も、より多くの染色体の画像に対して染色体異常を自動判定することができ、使い勝手を向上させた染色体異常判定システム１を実現することができる。
なお、第二実施形態では、異常サンプルデータベース３０７ａ及び正常サンプルデータベース３０７ｂに格納された異常時及び正常時の特徴情報に対して、個別に機械学習を行い、ニューラルネットワークモデルを構築する場合について説明したが、これに限るものではない。判定対象のスペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２に対応する、異常サンプルデータベース３０７ａに格納された異常時の特徴情報、又は、正常サンプルデータベース３０７ｂに格納された正常時の特徴情報の一方に対して機械学習を行い、異常時の特徴情報に基づくニューラルネットワークモデル又は正常時の特徴情報に基づくニューラルネットワークモデルを構築し、これに基づき染色体異常を判定するようにしてもよい。
次に、本発明の第三実施形態を説明する。
この第三実施形態は、図１に示す第一実施形態における染色体異常判定システム１の解析装置３において、画像解析装置３０４を省いたものであり、判定処理装置３０５の構成が異なる。
図１７は、第三実施形態における判定処理装置３０５の一例を示す機能ブロック図である。
第三実施形態における判定処理装置３０５には、スペクトル解析装置３０３のスペクトル解析により抽出されたスペクトル特徴量画像の画像データが直接入力される。
第三実施形態における判定処理装置３０５は、異常判定処理部２１ｃと、異常判定結果表示処理部２３とを備える。
この第三実施形態は、図１に示す第一実施形態における染色体異常判定システム１の解析装置３において、画像解析装置３０４を省いたものであり、判定処理装置３０５の構成が異なる。
図１７は、第三実施形態における判定処理装置３０５の一例を示す機能ブロック図である。
第三実施形態における判定処理装置３０５には、スペクトル解析装置３０３のスペクトル解析により抽出されたスペクトル特徴量画像の画像データが直接入力される。
第三実施形態における判定処理装置３０５は、異常判定処理部２１ｃと、異常判定結果表示処理部２３とを備える。
第三実施形態における染色体データ記憶装置３０７には、スペクトル特徴量画像と、正常又は異常の判定結果とが対応付けられて、スペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２毎に、データベース作成装置３０６を介して染色体データ記憶装置３０７に格納される。
異常判定処理部２１ｃは、教師なし学習によるニューラルネットワークモデルを用いて、染色体の異常判定を行う。すなわち異常判定処理部２１ｃは、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データを含むデータベースを用いて機械学習させることにより、ニューラルネットワークモデルを構築する。そして、異常判定処理部２１ｃは、新たな判定対象の染色体について、スペクトル解析により抽出されたスペクトル特徴量画像の画像データが異常判定処理部２１ｃに入力され、異常判定処理部２１ｃでは、スペクトル特徴量画像の画像データに対し、構築したニューラルネットワークモデルを用いて異常判定を行う。
異常判定処理部２１ｃは、教師なし学習によるニューラルネットワークモデルを用いて、染色体の異常判定を行う。すなわち異常判定処理部２１ｃは、スペクトル解析装置３０３で抽出したスペクトル特徴量画像の画像データを含むデータベースを用いて機械学習させることにより、ニューラルネットワークモデルを構築する。そして、異常判定処理部２１ｃは、新たな判定対象の染色体について、スペクトル解析により抽出されたスペクトル特徴量画像の画像データが異常判定処理部２１ｃに入力され、異常判定処理部２１ｃでは、スペクトル特徴量画像の画像データに対し、構築したニューラルネットワークモデルを用いて異常判定を行う。
なお、第三実施形態における解析装置３において、モデル構築時の処理手順は基本的には図１５に示す第二実施形態におけるモデル構築時の処理手順と同様であるが、第三実施形態においては、ニューラルネットワークモデルを構築する際に（ステップＳ２２）、染色体データ記憶装置３０７の、判定対象のスペクトル特徴量画像を抽出したスペクトルキューブデータの送信元の測定装置２に対応するデータベースに格納された異常時及び正常時のスペクトル特徴量画像の画像データを用いて機械学習を行い、ニューラルネットワークモデルを構築する。
また、第三実施形態における染色体異常判定システム１において、染色体異常判定を行う際の、測定装置２及び解析装置３での処理手順は、基本的には図１２、図１６に示す第二実施形態における処理手順と同様であるが、解析装置３では、スペクトル解析（ステップＳ３１２）を行う際に、それぞれ所定のスペクトル特徴量画像を抽出し、抽出した各スペクトル特徴量画像に対し、構築したニューラルネットワークモデルを用いて異常判定を行う。
このように、スペクトル解析により得たスペクトル特徴量画像の画像データに対しニューラルネットワークモデルを用いて異常判定を行うため、二次元画像のみでは得ることのできない特徴情報を利用して異常判定を行うことができる。そのため、この場合も、より多くの染色体の画像に対して染色体異常を自動判定することができ、染色体異常判定システム１の使い勝手を向上させることができる。
このように、スペクトル解析により得たスペクトル特徴量画像の画像データに対しニューラルネットワークモデルを用いて異常判定を行うため、二次元画像のみでは得ることのできない特徴情報を利用して異常判定を行うことができる。そのため、この場合も、より多くの染色体の画像に対して染色体異常を自動判定することができ、染色体異常判定システム１の使い勝手を向上させることができる。
なお、上記各実施形態において、染色液の種類や染色方法等によって、得られるスペクトルキューブデータの特性が異なる可能性がある。そのため、スペクトル特徴量画像として任意の波長の単波長画像を抽出する場合には、例えば、染色液の種類や染色方法毎に、単波長画像として最適な波長を、染色液の種類や染色方法等と対応付けて波長情報として記憶しておく。そして、新たな判定対象の染色体を染色させたときの染色液の種類や染色方法等を検査実施者が入力設定することで、予め記憶している波長情報の中から入力設定された染色液の種類や染色方法等に対応する波長を検索し、この波長を用いて単波長画像等を作成するようにしてもよい。このようにすることによって、染色液の種類や染色方法等によりスペクトルキューブデータの特性等が変化した場合でも、スペクトル特徴量画像をもとに処理を行う画像解析装置３０４での画像解析や、判定処理装置３０５での異常判定に適した単波長画像を得ることができ、この単波長画像に基づき画像解析や異常判定を行うことにより、解析精度や判定精度を向上させることができる。
また、上記実施形態においては、解析装置３に染色体データ記憶装置３０７を設け、解析装置３において、染色体データ記憶装置３０７に格納されたデータベースを用いて判定処理装置３０５での判定処理内容を学習するようにしているが、これに限るものではない。例えば、染色体異常判定システム１とは別の装置において、ニューラルネットワークモデルを構築し、この構築したニューラルネットワークモデルを解析装置３に搭載し、この搭載したニューラルネットワークモデルを用いて異常判定を行うようにしてもよい。
また、上記実施形態においては、モデル学習により異常判定処理のモデルを構築したり、ニューラルネットワークモデルを構築したりすることにより異常判定を行うようにした場合について説明したが、判定方法はどのような方法であってもよく、例えば、染色体データ記憶装置３０７に格納したデータベースに含まれる正常時又は異常時の特徴情報と、判定対象の染色体から抽出した特徴情報とを直接比較することで、異常判定を行うようにしてもよい。
また、上記実施形態においては、モデル学習により異常判定処理のモデルを構築したり、ニューラルネットワークモデルを構築したりすることにより異常判定を行うようにした場合について説明したが、判定方法はどのような方法であってもよく、例えば、染色体データ記憶装置３０７に格納したデータベースに含まれる正常時又は異常時の特徴情報と、判定対象の染色体から抽出した特徴情報とを直接比較することで、異常判定を行うようにしてもよい。
また、上記実施形態においては、測定装置２では、染色体の反射光又は透過光を、イメージング分光器２０３を用いて多数の波長に分光してスペクトルキューブデータを取得する場合について説明したがこれに限るものではない。染色体の反射光又は透過光から、所定の単波長、所定の二波長、所定の三波長等、特定の波長のみを抽出して画像データを取得するようにしてもよく、スペクトル特徴量画像の取得に必要な最小限数の波長のみを抽出して画像データを取得するようにしてもよい。この場合、例えばプリズム等、光学系を利用して分光すればよく、また、フィルタを用いて所定の波長のみを抽出するようにしてもよい。また、例えば、Ｒ、Ｇ、Ｂに対応する波長のみを抽出するようにしてもよい。この場合には、Ｒ、Ｇ、Ｂに対応する波長のみを抽出するフィルタを備えたイメージセンサを設けることで、ＲＧＢに対応する波長のみを抽出するようにしてもよい。
図１８に、フィルタを用いてスペクトル特徴量画像の取得に必要な波長のみを抽出して画像データを取得するようにした染色体異常判定システム１ａの概略構成の一例を示す。染色体異常判定システム１ａは、図１に示す染色体異常判定システム１において、測定装置２を測定装置２ａに変えたものである。測定装置２ａは、図２に示す測定装置２において、イメージング分光器２０３に代えて、モノクロカメラ２１１と、モノクロカメラ２１１に設けられた特定波長のみを透過する特性を有するフィルタ２１２とを備える。このような構成とすることによって、染色体の反射光又は透過光から特定波長のみを抽出した画像データを取得することができる。
なお、このように、任意の波長の画像データを取得して、ニューラルネットワークモデルを用いて染色体の異常判定を行う場合には、抽出した波長に対応したニューラルネットワークモデルを構築して異常判定を行うようにすればよい。
なお、本発明の範囲は、図示され記載された例示的な実施形態に限定されるものではなく、本発明が目的とするものと均等な効果をもたらす全ての実施形態をも含む。さらに、本発明の範囲は、全ての開示されたそれぞれの特徴のうち特定の特徴のあらゆる所望する組み合わせによって画され得る。
なお、本発明の範囲は、図示され記載された例示的な実施形態に限定されるものではなく、本発明が目的とするものと均等な効果をもたらす全ての実施形態をも含む。さらに、本発明の範囲は、全ての開示されたそれぞれの特徴のうち特定の特徴のあらゆる所望する組み合わせによって画され得る。
１、１ａ 染色体異常判定システム
２ 測定装置
３ 解析装置
４ 通信回線
２０１ 顕微鏡
２０３ イメージング分光器
２０４ 画像メモリ
２０５ 通信処理装置
２１１ モノクロカメラ
２１２ フィルタ
３０１ 通信処理装置
３０２ 画像メモリ
３０３ スペクトル解析装置
３０４ 画像解析装置
３０５ 判定処理装置
３０６ データベース作成装置
３０７ 染色体データ記憶装置
３０８ 表示装置
２ 測定装置
３ 解析装置
４ 通信回線
２０１ 顕微鏡
２０３ イメージング分光器
２０４ 画像メモリ
２０５ 通信処理装置
２１１ モノクロカメラ
２１２ フィルタ
３０１ 通信処理装置
３０２ 画像メモリ
３０３ スペクトル解析装置
３０４ 画像解析装置
３０５ 判定処理装置
３０６ データベース作成装置
３０７ 染色体データ記憶装置
３０８ 表示装置
Claims (12)
- 判定対象の染色体のスペクトルキューブデータを取得する複数の測定装置と、前記スペクトルキューブデータに基づき、前記判定対象の染色体の異常判定を行う解析装置とがネットワークを介して接続された染色体異常判定システムであって、
前記測定装置は、染色された前記判定対象の染色体上の各点における分光スペクトルを前記スペクトルキューブデータとして取得するデータ取得部と、
前記データ取得部で取得した前記スペクトルキューブデータを前記ネットワークを介して前記解析装置に送信し、送信した前記スペクトルキューブデータに対する前記解析装置での異常判定結果を前記ネットワークを介して受信する第一の通信処理部と、を備え、
前記解析装置は、前記測定装置から前記スペクトルキューブデータを前記ネットワークを介して受信し、受信した前記スペクトルキューブデータに対する前記解析装置での異常判定結果を前記ネットワークを介して前記測定装置に送信する第二の通信処理部と、
異常な染色体及び正常な染色体のうちの少なくとも一方から取得された前記スペクトルキューブデータに含まれる前記染色体の特徴を表す特徴情報を用いて構築された異常判定処理を、前記判定対象の染色体の前記スペクトルキューブデータに含まれる前記特徴情報を用いて実行する異常判定処理部と、
を備え、
前記異常判定処理部は、前記スペクトルキューブデータのうちの、前記染色された判定対象の染色体の濃淡と当該染色された判定対象の染色体上の各点からの光量との特性が予め設定された特性となる６５０ｎｍにおけるデータ又は、当該６５０ｎｍにおける前記特性と同等の特性を有する６５０ｎｍの前後を含む波長域におけるデータを用いて前記特徴情報を抽出し、抽出した前記特徴情報を用いて前記異常判定処理を実行することを特徴とする染色体異常判定システム。 - 前記スペクトルキューブデータは、染色された前記判定対象の染色体を透過又は反射した光の前記判定対象の染色体上の各点における分光スペクトルである請求項１に記載の染色体異常判定システム。
- 判定対象の染色体のスペクトルキューブデータを取得し、当該スペクトルキューブデータを、ネットワークを介して接続された染色体の異常判定を行う解析装置に送信する測定装置であって、
染色された前記判定対象の染色体上の各点における分光スペクトルを前記スペクトルキューブデータとして取得するデータ取得部と、
前記データ取得部で取得した前記スペクトルキューブデータを前記ネットワークを介して前記解析装置に送信し、送信した前記スペクトルキューブデータに対する前記解析装置での異常判定結果を前記ネットワークを介して受信する第一の通信処理部と、を備え、
前記データ取得部は、前記染色された判定対象の染色体の濃淡と当該染色された判定対象の染色体上の各点からの光量との特性が予め設定された特性となる６５０ｎｍ又は当該６５０ｎｍにおける前記特性と同等の特性を有する前記６５０ｎｍの前後を含む波長域におけるデータを前記スペクトルキューブデータとして取得することを特徴とすることを特徴とする測定装置。 - 前記スペクトルキューブデータは、染色された前記判定対象の染色体を透過又は反射した光の前記判定対象の染色体上の各点における分光スペクトルである請求項３に記載の測定装置。
- 判定対象の染色体のスペクトルキューブデータに基づき前記判定対象の染色体の異常判定を行う解析装置であって、
染色された前記判定対象の染色体のスペクトルキューブデータをネットワークを介して受信し、受信した前記スペクトルキューブデータに対する当該解析装置での異常判定結果を前記ネットワークを介して送信する第二の通信処理部と、
異常な染色体及び正常な染色体のうちの少なくとも一方から取得された前記スペクトルキューブデータに含まれる前記染色体の特徴を表す特徴情報を用いて構築された異常判定処理を、前記判定対象の染色体の前記スペクトルキューブデータに含まれる前記特徴情報を用いて実行する異常判定処理部と、
を備え、
前記スペクトルキューブデータは、前記染色された判定対象の染色体上の各点における分光スペクトルであって、
前記異常判定処理部は、前記スペクトルキューブデータのうちの、前記染色された判定対象の染色体の濃淡と当該染色された判定対象の染色体上の各点からの光量との特性が予め設定された特性となる６５０ｎｍにおけるデータ又は、当該６５０ｎｍにおける前記特性と同等の特性を有する６５０ｎｍの前後を含む波長域におけるデータを用いて前記特徴情報を抽出し、抽出した前記特徴情報を用いて前記異常判定処理を実行することを特徴とする解析装置。 - 前記異常判定処理部は、
前記異常判定処理として、前記判定対象の染色体の前記スペクトルキューブデータに含まれる前記特徴情報と、異常な染色体及び正常な染色体のうちの少なくとも一方の前記スペクトルキューブデータに含まれる前記特徴情報とを照合する処理を実行することを特徴とする請求項５に記載の解析装置。 - 前記異常判定処理部は、
前記異常判定処理として、前記異常な染色体及び正常な染色体のうちの少なくとも一方の前記スペクトルキューブデータに含まれる前記特徴情報と当該特徴情報を有する染色体が正常であるか否かを表す情報とに基づき決定される異常判定パラメータを用いてモデル学習を行うことにより構築された処理を実行することを特徴とする請求項５に記載の解析装置。 - 前記異常判定処理部は、
前記異常判定処理として、異常な染色体の前記スペクトルキューブデータに含まれる前記特徴情報を複数含む特徴情報群と、正常な染色体の前記スペクトルキューブデータに含まれる前記特徴情報を複数含む特徴情報群とに対して個別に機械学習を行うことで構築されたニューラルネットワークモデルを用いた処理を実行することを特徴とする請求項５に記載の解析装置。 - 前記異常判定処理部は、
異常な染色体及び正常な染色体のうちの少なくとも一方の前記スペクトルキューブデータに含まれる前記特徴情報と当該特徴情報を有する染色体が正常であるか否かを表す情報とに対して機械学習を行うことで構築されたニューラルネットワークモデルを用いた処理を実行することを特徴とする請求項５に記載の解析装置。 - 前記スペクトルキューブデータは、染色された前記判定対象の染色体を透過又は反射した光の前記判定対象の染色体上の各点における分光スペクトルであることを特徴とする請求項５から請求項９のいずれか一項に記載の解析装置。
- 異常な染色体及び正常な染色体のうちの少なくとも一方の前記スペクトルキューブデータに含まれる前記特徴情報と当該特徴情報を有する染色体が異常であるか否かを表す情報とが格納されるデータベースと、
前記異常判定処理部に入力された前記特徴情報と当該特徴情報に対する前記異常判定処理部での判定結果とを前記データベースに格納するデータベース作成部と、
を備えることを特徴とする請求項５から請求項１０のいずれか一項に記載の解析装置。 - 前記データベースに格納された前記特徴情報及び前記判定結果に基づいて前記異常判定処理を構築する異常判定処理構築部を備えることを特徴とする請求項１１に記載の解析装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018170743A JP6637132B1 (ja) | 2018-09-12 | 2018-09-12 | 染色体異常判定システム、測定装置及び解析装置 |
| PCT/JP2018/039957 WO2020054080A1 (ja) | 2018-09-12 | 2018-10-26 | 染色体異常判定装置、染色体異常判定システム、測定装置及び解析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018170743A JP6637132B1 (ja) | 2018-09-12 | 2018-09-12 | 染色体異常判定システム、測定装置及び解析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6637132B1 true JP6637132B1 (ja) | 2020-01-29 |
| JP2020039312A JP2020039312A (ja) | 2020-03-19 |
Family
ID=69183735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018170743A Active JP6637132B1 (ja) | 2018-09-12 | 2018-09-12 | 染色体異常判定システム、測定装置及び解析装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6637132B1 (ja) |
| WO (1) | WO2020054080A1 (ja) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03123860A (ja) * | 1989-10-06 | 1991-05-27 | Sumitomo Metal Ind Ltd | 染色体検査装置 |
| US5784162A (en) * | 1993-08-18 | 1998-07-21 | Applied Spectral Imaging Ltd. | Spectral bio-imaging methods for biological research, medical diagnostics and therapy |
| JPH10215897A (ja) * | 1997-02-05 | 1998-08-18 | Bunshi Bio Photonics Kenkyusho:Kk | 染色体相互転座による変異細胞検出方法、その検出用プローブキット、およびその検出装置 |
| JP2007515947A (ja) * | 2003-10-30 | 2007-06-21 | タフツ−ニュー イングランド メディカル センター | 羊水中の無細胞胎児ｄｎａを使用する出生前診断 |
| US9127302B2 (en) * | 2005-09-20 | 2015-09-08 | Janssen Diagnostics, Llc | System for the detection and enumeration of suspect target cells in a mixed cell population |
| DE102008011283B4 (de) * | 2008-02-27 | 2012-03-29 | Hochschule Reutlingen | Markerfreies Chromosomenscreening |
| JP2016507059A (ja) * | 2013-02-06 | 2016-03-07 | アレンティック マイクロサイエンス インコーポレイテッド | サンプルを代表する光を検出すること及び利用すること |
| JP2016070698A (ja) * | 2014-09-26 | 2016-05-09 | 富士フイルム株式会社 | 有核赤血球の選別方法 |
| JP6669796B2 (ja) * | 2017-03-29 | 2020-03-18 | Ｊｆｅテクノリサーチ株式会社 | 染色体異常判定装置 |
-
2018
- 2018-09-12 JP JP2018170743A patent/JP6637132B1/ja active Active
- 2018-10-26 WO PCT/JP2018/039957 patent/WO2020054080A1/ja active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020054080A1 (ja) | 2020-03-19 |
| JP2020039312A (ja) | 2020-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10395368B2 (en) | Methods and systems for assessing histological stains | |
| US6750964B2 (en) | Spectral imaging methods and systems | |
| CN106796145B (zh) | 用于提取样本中的荧光染料的纯光谱的方法和系统 | |
| US10083340B2 (en) | Automated cell segmentation quality control | |
| JP2527536B2 (ja) | 顕微鏡用スライド | |
| CN106572736A (zh) | 用于定制毛发染色的方法与装置 | |
| US6690817B1 (en) | Spectral bio-imaging data for cell classification using internal reference | |
| Li et al. | AOTF based molecular hyperspectral imaging system and its applications on nerve morphometry | |
| US20110057946A1 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
| KR20130056886A (ko) | 스펙트럼 이미징에 의해 생물 표본을 분석하는 방법 | |
| WO2006104201A1 (ja) | 細胞画像解析方法、細胞画像解析プログラム、細胞画像解析装置、スクリーニング方法およびスクリーニング装置 | |
| CN102177435A (zh) | 组织病理学诊断支持系统、组织病理学诊断支持程序以及组织病理学诊断支持方法 | |
| JP2006526783A (ja) | 色分解および組織試料内の対象となる領域の検出 | |
| GB2466442A (en) | A system to analyze a sample on a slide using Raman spectroscopy on an identified area of interest | |
| US11946866B2 (en) | Fluorescence image analyzing apparatus, method of analyzing fluorescence image, and computer program | |
| JP6669796B2 (ja) | 染色体異常判定装置 | |
| PT1334461E (pt) | Processo e dispositivo de análise de células | |
| Krauß et al. | Colocalization of fluorescence and Raman microscopic images for the identification of subcellular compartments: a validation study | |
| CN110838094B (zh) | 病理切片染色风格转换方法和电子设备 | |
| Pohling et al. | Multiplex coherent anti-Stokes Raman scattering microspectroscopy of brain tissue with higher ranking data classification for biomedical imaging | |
| EP2927684B1 (en) | Image measuring device and image measuring method | |
| EP3882603A1 (en) | Information processing device, information processing method, and computer program | |
| Jasinska et al. | An alternative instrumental method for fabric pilling evaluation based on computer image analysis | |
| JP6637132B1 (ja) | 染色体異常判定システム、測定装置及び解析装置 | |
| Szwedziak | The use of vision techniques for the evaluation of selected quality parameters of maize grain during storage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190227 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190610 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20190610 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190830 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190830 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190913 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191001 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191127 |
|
| 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: 20191203 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191219 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6637132 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |