JP6714273B2 - 角膜内皮細胞品質評価支援システム - Google Patents
角膜内皮細胞品質評価支援システム Download PDFInfo
- Publication number
- JP6714273B2 JP6714273B2 JP2016120512A JP2016120512A JP6714273B2 JP 6714273 B2 JP6714273 B2 JP 6714273B2 JP 2016120512 A JP2016120512 A JP 2016120512A JP 2016120512 A JP2016120512 A JP 2016120512A JP 6714273 B2 JP6714273 B2 JP 6714273B2
- Authority
- JP
- Japan
- Prior art keywords
- cell
- image
- corneal endothelial
- endothelial cell
- focused
- 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
- 210000000399 corneal endothelial cell Anatomy 0.000 title claims description 65
- 238000013441 quality evaluation Methods 0.000 title claims description 37
- 210000004027 cell Anatomy 0.000 claims description 123
- 238000000034 method Methods 0.000 claims description 34
- 238000012935 Averaging Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012958 reprocessing Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 6
- 210000003855 cell nucleus Anatomy 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000004113 cell culture Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- LTMHDMANZUZIPE-PUGKRICDSA-N digoxin Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2[C@H](O[C@@H](O[C@@H]3C[C@@H]4[C@]([C@@H]5[C@H]([C@]6(CC[C@@H]([C@@]6(C)[C@H](O)C5)C=5COC(=O)C=5)O)CC4)(C)CC3)C[C@@H]2O)C)C[C@@H]1O LTMHDMANZUZIPE-PUGKRICDSA-N 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000002889 endothelial cell Anatomy 0.000 description 1
- 210000000871 endothelium corneal Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Description
本発明は、角膜内皮細胞の品質の評価を支援するシステムに関するものである。
角膜内皮再生医療においては、角膜内皮細胞が減少している患者に対して、体外で培養された角膜内皮細胞を移植する治療が行われるが、この場合、移植すべき培養角膜内皮細胞の品質の評価が重要であり、通常、これは医師や技師の目視により、細胞密度、細胞面積のばらつき、および細胞の形状等の品質評価指標を測定することによってなされる。
しかし、品質評価指標を正確に測定するには豊富な知識および経験を要し、さらに、品質評価指標の測定は、長期にわたる細胞培養の間に手作業によって継続的になされるので、医師や技師の負担がきわめて大きかった。
そこで、近年、画像処理プログラムを利用して培養角膜内皮細胞の品質評価指標の測定を支援する研究がなされており、培養角膜内皮細胞の品質評価支援システムが既にいくつか開発されている。
この種のシステムとして、例えば、非特許文献１に記載されたものがある。
非特許文献１に記載のシステムにおいては、二値化フィルタと、教師なし学習法を用いたパターン認識アルゴリズムの１つであるＧＮＧ（Growing Neural Gas）が用いられる。そして、まず、培養角膜内皮細胞画像が二値化されて細胞境界と細胞領域に分割され、その後、細胞境界がＧＮＧによってベクトル量子化されてユニットが生成され、次いで、ユニットが接続されて細胞境界画像が生成される。
非特許文献１に記載のシステムにおいては、二値化フィルタと、教師なし学習法を用いたパターン認識アルゴリズムの１つであるＧＮＧ（Growing Neural Gas）が用いられる。そして、まず、培養角膜内皮細胞画像が二値化されて細胞境界と細胞領域に分割され、その後、細胞境界がＧＮＧによってベクトル量子化されてユニットが生成され、次いで、ユニットが接続されて細胞境界画像が生成される。
しかしながら、このシステムにおいては、培養角膜内皮細胞画像中の細胞密度によってシステムのパラメータを変更する必要があり、しかも、処理に膨大な時間を要し、実用性に乏しいという問題があった。
Hiroyasu, Tomoyuki and Sekiya, Shunsuke and Koizumi, Noriko and Okumura, Naoki and Yamamoto, Utako "Cell Segmentation Using Binarization and Growing Neural Gas" Asia Pacific Symposium on Intelligent and Evolutionary Systems 2, P.179〜P.190, 2015
したがって、本発明の課題は、より実用性の高い培養角膜内皮細胞品質評価支援システムを提供することにある。
上記課題を解決するため、本発明によれば、角膜内皮細胞画像の入力を受ける入力部と、前記入力部に入力された角膜内皮細胞画像を、ＦＦＴによって、合焦角膜内皮細胞画像と非合焦角膜内皮細胞画像に分別する処理対象分別部と、前記合焦角膜内皮細胞画像を二値化フィルタ処理することによって、前記合焦角膜内皮細胞画像から細胞境界を抽出した細胞境界画像を生成する細胞境界画像生成部と、を備え、前記細胞境界画像生成部は、互いに異なる複数の前記二値化フィルタ処理のうちの１つを選択的に行えるようになっており、さらに、前記細胞境界画像から対応する前記合焦角膜内皮細胞画像の品質評価のための特徴量を抽出する特徴量抽出部と、ＳＶＭ（Support Vector Machine）アルゴリズムによって、前記特徴量に基づき、前記対応する合焦角膜内皮細胞画像を高画質画像と低画質画像に分別し、さらに、前記低画質画像に分別した前記合焦角膜内皮細胞画像を、前記細胞境界画像生成部で前と異なる前記二値化フィルタ処理を用いて再処理すべきか否かを判定する画像品質評価部と、前記画像品質評価部によって前記高画質画像に分別された前記合焦角膜内皮細胞画像の面積情報および形状情報を示すカラーマップをディスプレイ表示する品質評価結果表示部と、を備えたものであることを特徴とする角膜内皮細胞品質評価支援システムが提供される。
本発明の好ましい実施例によれば、前記二値化フィルタ処理は、平均化フィルタによる平均化処理およびガウシアンフィルタによる平滑化処理を含み、前記複数の二値化フィルタ処理は、前記平均化フィルタおよび前記ガウシアンフィルタのうちの少なくとも１つのサイズのみが互いに異なっている。
本発明の別の実施例によれば、前記特徴量は、細胞密度および細胞面積の変動係数および六角形細胞出現率の組み合わせ、または、前記細胞密度および前記細胞面積の変動率および正常細胞出現率の組み合わせ、または、前記細胞密度および前記細胞面積の変動率および前記六角形細胞出現率および正常細胞出現率の組み合わせからなっている。
本発明の別の実施例によれば、前記特徴量は、細胞密度および細胞面積の変動係数および六角形細胞出現率の組み合わせ、または、前記細胞密度および前記細胞面積の変動率および正常細胞出現率の組み合わせ、または、前記細胞密度および前記細胞面積の変動率および前記六角形細胞出現率および正常細胞出現率の組み合わせからなっている。
本発明によれば、入力された角膜内皮細胞画像から合焦角膜内皮細胞画像を選別し、選別した画像を二値化フィルタ処理することによって細胞境界画像を生成するので、細胞境界画像の生成を短時間で行うことができる。
また、教師つき学習法を用いたパターン認識アルゴリズムの１つであるＳＶＭによって機械学習を行いながら、細胞境界画像の生成、細胞境界画像からの特徴量の抽出および特徴量に基づく品質評価を実行するので、システムの繰り返し使用に伴って、より高速かつより高精度で品質評価を行うことができるようになる。
また、教師つき学習法を用いたパターン認識アルゴリズムの１つであるＳＶＭによって機械学習を行いながら、細胞境界画像の生成、細胞境界画像からの特徴量の抽出および特徴量に基づく品質評価を実行するので、システムの繰り返し使用に伴って、より高速かつより高精度で品質評価を行うことができるようになる。
さらに、品質評価の結果を角膜内皮細胞画像の面積情報および形状情報を示すカラーマップで表示するので、医師や技師はこのカラーマップに基づいて最終確認を行うだけでよく、医師および技師の労力が大幅に削減される。
こうして、従来のシステムよりも実用性の高い角膜内皮細胞品質評価支援システムが実現される。
こうして、従来のシステムよりも実用性の高い角膜内皮細胞品質評価支援システムが実現される。
以下、添付図面を参照しつつ本発明の構成を好ましい実施例に基づいて説明する。
図１は、本発明の１実施例による角膜内皮細胞品質評価支援システムの構成を示すブロック図である。
図１を参照して、本発明によれば、角膜内皮細胞画像の入力を受ける入力部１と、入力部１に入力された角膜内皮細胞画像を、ＦＦＴ（Fast Fourier Transformation）によって、合焦角膜内皮細胞画像と非合焦角膜内皮細胞画像に分別する処理対象分別部２が備えられる。
図１は、本発明の１実施例による角膜内皮細胞品質評価支援システムの構成を示すブロック図である。
図１を参照して、本発明によれば、角膜内皮細胞画像の入力を受ける入力部１と、入力部１に入力された角膜内皮細胞画像を、ＦＦＴ（Fast Fourier Transformation）によって、合焦角膜内皮細胞画像と非合焦角膜内皮細胞画像に分別する処理対象分別部２が備えられる。
また、本発明によれば、合焦角膜内皮細胞画像を二値化フィルタ処理することによって、合焦角膜内皮細胞画像から当該合焦角膜内皮細胞画像の細胞境界を抽出した細胞境界画像を生成する細胞境界画像生成部３が備えられる。
細胞境界画像生成部３は、互いに異なる複数の二値化フィルタ処理のうちの１つを選択的に行えるようになっている。
細胞境界画像生成部３は、互いに異なる複数の二値化フィルタ処理のうちの１つを選択的に行えるようになっている。
図２は、細胞境界画像生成部３によって実行される二値化フィルタ処理の一例のフロー図である。以下、図２を参照しつつ、二値化フィルタ処理を具体的に説明する。
この二値化フィルタ処理においては、まず、ヒストグラム平坦化処理によって、角膜内皮細胞画像の細胞領域と細胞境界のコントラスト差が強調される。次いで、平均化処理が行われ、細胞核が細胞境界として誤検出されることが防止される。
この場合、平均化処理は、平均化フィルタ
を用いて実行される。
そして、このヒストグラム平坦化処理と平均化処理が順次もう一度実行される。それによって、細胞核と細胞境界の輝度変化が滑らかになった平滑化画像が得られる。
この二値化フィルタ処理においては、まず、ヒストグラム平坦化処理によって、角膜内皮細胞画像の細胞領域と細胞境界のコントラスト差が強調される。次いで、平均化処理が行われ、細胞核が細胞境界として誤検出されることが防止される。
この場合、平均化処理は、平均化フィルタ
そして、このヒストグラム平坦化処理と平均化処理が順次もう一度実行される。それによって、細胞核と細胞境界の輝度変化が滑らかになった平滑化画像が得られる。
次に、細胞核が除去される。ノンローカルミーンフィルタが適用されて、エッジが残された状態で、細胞領域内のノイズが軽減される。その後、収縮処理によって、細胞領域および細胞境界間の輝度勾配が増幅される。
こうして得られた画像中には、低輝度の細胞境界が多数存在する。そこで、細胞領域および細胞境界間の輝度勾配を勾配をより増大させるために、再度、ヒストグラム平坦化処理、平均化処理、ノンローカルミーンフィルタの適用および収縮処理が順次実行され、全体的に細胞境界の輝度が増大せしめられる。
さらに、鮮鋭化処理とラプラシアンフィルタの適用がなされてエッジが取得され、そして、ガウシアンフィルタの適用による平滑化処理がなされた後、一定の輝度値を閾値として二値化処理がなされ、二値画像が得られる。
この場合、ガウシアンフィルタ処理は、ガウシアンフィルタ
を用いて実行される。
この場合、ガウシアンフィルタ処理は、ガウシアンフィルタ
そして、二値画像に対しラベリング処理およびクロージング処理が実行されて、二値画像からノイズが除去され、最後に細線化処理が実行されて細胞境界画像が得られる。
この実施例では、細胞境界画像生成部３は、上述の二値化フィルタ処理において、平均化フィルタ（（１）式）およびガウシアンフィルタ（（２）式）のサイズを変更可能になっており、これらのフィルタのサイズの変更に依存して、細胞境界画像生成部３は、互いに異なる複数の二値化フィルタ処理のうちの１つを選択的に実行し得る。
なお、平均化フィルタのサイズを小さくした変更例として、例えば、
を挙げることができ、また、ガウシアンフィルタのサイズを小さくした変更例として、例えば、
を挙げることができる。
本発明によれば、また、細胞境界画像から対応する合焦角膜内皮細胞画像の品質評価のための特徴量を抽出する特徴量抽出部４が備えられる。
特徴量は、細胞密度ＣＤ、細胞面積の変動係数ＣＶおよび六角形細胞出現率６Ａの組み合わせ、または、細胞密度ＣＤ、細胞面積の変動係数ＣＶおよび正常細胞出現率ＮＣＡの組み合わせ、または、細胞密度ＣＤ、細胞面積の変動係数ＣＶ、六角形細胞出現率６Ａおよび正常細胞出現率ＮＣＡの組み合わせからなっている。
特徴量は、細胞密度ＣＤ、細胞面積の変動係数ＣＶおよび六角形細胞出現率６Ａの組み合わせ、または、細胞密度ＣＤ、細胞面積の変動係数ＣＶおよび正常細胞出現率ＮＣＡの組み合わせ、または、細胞密度ＣＤ、細胞面積の変動係数ＣＶ、六角形細胞出現率６Ａおよび正常細胞出現率ＮＣＡの組み合わせからなっている。
この場合、Ｎ角形の細胞は「隣接する細胞数がＮである細胞」と定義され、正常細胞出現率ＮＣＡは、五角形、六角形および七角形細胞の出現率として算出される。
また、細胞密度ＣＤ、細胞面積の変動係数ＣＶ、六角形出現率６Ａおよび正常細胞出現率ＮＣＡは、それぞれ、次式によって算出される。
ここで、Ｃｉはｉ番目の画像中の細胞数であり、ＣＮ ｉはｉ番目の画像中のＮ角形の細胞の個数であり、Ｓは全細胞の面積（既知）であり、Ｐｉｋはｉ番目の画像のｋ番目の細胞の面積（当該細胞を構成するピクセル数にピクセル１個当たりの面積を乗算した値）である。
また、細胞密度ＣＤ、細胞面積の変動係数ＣＶ、六角形出現率６Ａおよび正常細胞出現率ＮＣＡは、それぞれ、次式によって算出される。
そして、特徴量抽出部４は、細胞境界画像中の各細胞をラベリング処理によって認識し、特徴量を抽出する。
本発明によれば、さらに、教師つき学習法を用いたパターン認識アルゴリズムの１つであるＳＶＭ（Support Vector Machine）によって、特徴量に基づき、対応する合焦角膜内皮細胞画像を高画質画像と低画質画像に分別し、さらに、低画質画像に分別した合焦角膜内皮細胞画像を、細胞境界画像生成部３で前と異なる二値化フィルタ処理を用いて再処理すべきか否かを判定する画像品質評価部５が備えられる。
画像品質評価部５によって低画質画像に分別された角膜内皮細胞画像のうち細胞境界画像生成部３で再処理すべきと判定された画像は、細胞境界画像生成部３において前と別の二値化フィルタ処理を受け、それによって新たな細胞境界画像が生成され、この新たな細胞境界画像から、特徴抽出部４によって新たな特徴量が抽出され、画像品質評価部５において、この新たな特徴量に基づいて角膜内皮細胞画像の品質評価が再度行われる。
さらに、本発明によれば、画像品質評価部５によって高画質画像に分別された（合焦）角膜内皮細胞画像の面積情報および形状情報を示すカラーマップをディスプレイ表示する品質評価結果表示部６が備えられる。
面積情報を示すカラーマップは、高画質画像に分別された（合焦）角膜内皮細胞画像とそれに対応する細胞境界画像を重ね合せるとともに、面積情報として、特徴量抽出部４によって取得されたＰｉｋの値を使用し、当該（合焦）角膜内皮細胞画像を細胞毎に当該細胞の面積の大小に応じて色分け表示することによって作成される（図３Ｂ参照）。
面積情報を示すカラーマップは、高画質画像に分別された（合焦）角膜内皮細胞画像とそれに対応する細胞境界画像を重ね合せるとともに、面積情報として、特徴量抽出部４によって取得されたＰｉｋの値を使用し、当該（合焦）角膜内皮細胞画像を細胞毎に当該細胞の面積の大小に応じて色分け表示することによって作成される（図３Ｂ参照）。
また、形状情報を示すカラーマップは、高画質画像に分別された（合焦）角膜内皮細胞画像とそれに対応する細胞境界画像を重ね合せるとともに、形状情報として、特徴抽出部４によるＣＮ ｉの取得時の情報を使用し、当該（合焦）角膜内皮細胞画像を細胞毎に当該細胞の形状に応じて色分け表示することによって作成される（図３Ａ参照）。
なお、図３Ａのカラーマップ中に示したカラーバーの各セグメントは、右端から三角形（一角形、二角形も含む）、四角形、五角形、六角形および七角形を表している。
なお、図３Ａのカラーマップ中に示したカラーバーの各セグメントは、右端から三角形（一角形、二角形も含む）、四角形、五角形、六角形および七角形を表している。
こうして、本発明によれば、入力された角膜内皮細胞画像から合焦角膜内皮細胞画像を選別し、選別した画像を二値化フィルタ処理することによって細胞境界画像を生成するので、角膜内皮細胞画像から細胞境界画像を短時間で生成することができる。
また、ＳＶＭによる機械学習を行いながら、細胞境界画像の生成、特徴量の抽出および品質評価を実行するので、システムの繰り返し使用に伴って、より高速かつより高精度で品質評価を行うことができるようになる。
また、ＳＶＭによる機械学習を行いながら、細胞境界画像の生成、特徴量の抽出および品質評価を実行するので、システムの繰り返し使用に伴って、より高速かつより高精度で品質評価を行うことができるようになる。
さらに、品質評価の結果を角膜内皮細胞画像の面積情報および形状情報を示すカラーマップで表示するので、医師や技師はこのカラーマップに基づいて最終確認を行うだけでよく、医師および技師の労力が大幅に低減される。
次に、本発明による角膜内皮細胞品質評価支援システムの品質評価の精度を確認するための実験を行った。実験の内容は、以下のとおりである。
[実験]
まず、位相差顕微鏡によって撮影した４００枚の培養角膜内皮細胞画像を、医師の目視によって、高密度画像グループ、中密度画像グループ、低密度画像グループおよび大小不同画像グループ（高密度、中密度および低密度の領域が混在する画像のグループ）の４つのグループに分類した。
[実験]
まず、位相差顕微鏡によって撮影した４００枚の培養角膜内皮細胞画像を、医師の目視によって、高密度画像グループ、中密度画像グループ、低密度画像グループおよび大小不同画像グループ（高密度、中密度および低密度の領域が混在する画像のグループ）の４つのグループに分類した。
次に、グループ毎に、各培養角膜内皮細胞画像を本発明によるシステムに入力し、システムから出力される細胞密度ＣＤを測定した。
その一方で、グループ毎に、医師の手作業（目視）によって各培養角膜内皮細胞画像の細胞数を計測し、細胞数の計測値のそれぞれを本発明によるシステムから得られる全細胞の面積Ｓで割り算することによって、細胞密度を算出した。
その一方で、グループ毎に、医師の手作業（目視）によって各培養角膜内皮細胞画像の細胞数を計測し、細胞数の計測値のそれぞれを本発明によるシステムから得られる全細胞の面積Ｓで割り算することによって、細胞密度を算出した。
さらに、グループ毎に、医師の手作業によって算出した細胞密度を正解値として、正解値からの本発明のシステムから出力された細胞密度ＣＤの誤差を算出した。その結果を図４のグラフに示した。
図４のグラフ中、縦軸は誤差（％）を表し、横軸は４つのグループ名をそれぞれ表している。このグラフから、４つのグループの全てにおいて誤差が１０％前後となっており、本発明によるシステムは、実用に十分な精度を有していることが確認できた。
なお、グラフ中、中密度画像グループ、低密度画像グループおよび大小不同画像グループでは、誤差が正の値となっているが、これは、本発明によるシステムが、細胞数を実際よりも多く計測していることを意味する。その原因は、細胞境界画像の生成時に、細胞核が細胞境界として検出されて、１つの細胞が複数に分割されてしまう多分割が生じていることにあると考えられる。
また、高密度画像グループでは、誤差が負の値となっているが、これは、本発明によるシステムが、細胞数を実際よりも少なく計測していることを意味する。その原因は、細胞境界画像の生成時に、複数の細胞が単一の細胞とみなされる細胞未分割が生じていることにあると考えられる。
１ 入力部
２ 処理対象分別部
３ 細胞境界画像生成部
４ 特徴量抽出部
５ 画像品質評価部
６ 品質評価結果表示部
２ 処理対象分別部
３ 細胞境界画像生成部
４ 特徴量抽出部
５ 画像品質評価部
６ 品質評価結果表示部
Claims (3)
- 角膜内皮細胞画像の入力を受ける入力部と、
前記入力部に入力された角膜内皮細胞画像を、ＦＦＴによって、合焦角膜内皮細胞画像と非合焦角膜内皮細胞画像に分別する処理対象分別部と、
前記合焦角膜内皮細胞画像を二値化フィルタ処理することによって、前記合焦角膜内皮細胞画像から細胞境界を抽出した細胞境界画像を生成する細胞境界画像生成部と、を備え、
前記細胞境界画像生成部は、互いに異なる複数の前記二値化フィルタ処理のうちの１つを選択的に行えるようになっており、さらに、
前記細胞境界画像から対応する前記合焦角膜内皮細胞画像の品質評価のための特徴量を抽出する特徴量抽出部と、
ＳＶＭアルゴリズムによって、前記特徴量に基づき、前記対応する合焦角膜内皮細胞画像を高画質画像と低画質画像に分別し、さらに、前記低画質画像に分別した前記合焦角膜内皮細胞画像を、前記細胞境界画像生成部で前と異なる前記二値化フィルタ処理を用いて再処理すべきか否かを判定する画像品質評価部と、
前記画像品質評価部によって前記高画質画像に分別された前記合焦角膜内皮細胞画像の面積情報および形状情報を示すカラーマップをディスプレイ表示する品質評価結果表示部と、を備えたものであることを特徴とする角膜内皮細胞品質評価支援システム。 - 前記二値化フィルタ処理は、平均化フィルタによる平均化処理およびガウシアンフィルタによる平滑化処理を含み、前記複数の二値化フィルタ処理は、前記平均化フィルタおよび前記ガウシアンフィルタのうちの少なくとも１つのサイズのみが互いに異なっていることを特徴とする請求項１に記載の角膜内皮細胞品質評価支援システム。
- 前記特徴量は、細胞密度および細胞面積の変動係数および六角形細胞出現率の組み合わせ、または、前記細胞密度および前記細胞面積の変動率および正常細胞出現率の組み合わせ、または、前記細胞密度および前記細胞面積の変動率および前記六角形細胞出現率および正常細胞出現率の組み合わせからなっていることを特徴とする請求項２に記載の角膜内皮細胞品質評価支援システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016120512A JP6714273B2 (ja) | 2016-06-17 | 2016-06-17 | 角膜内皮細胞品質評価支援システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016120512A JP6714273B2 (ja) | 2016-06-17 | 2016-06-17 | 角膜内皮細胞品質評価支援システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017221555A JP2017221555A (ja) | 2017-12-21 |
| JP6714273B2 true JP6714273B2 (ja) | 2020-06-24 |
Family
ID=60687303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016120512A Active JP6714273B2 (ja) | 2016-06-17 | 2016-06-17 | 角膜内皮細胞品質評価支援システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6714273B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7229715B2 (ja) * | 2018-10-10 | 2023-02-28 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
| WO2020075345A1 (ja) | 2018-10-10 | 2020-04-16 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
| KR102236826B1 (ko) * | 2018-11-30 | 2021-04-06 | 아주대학교산학협력단 | 기계학습용 의료 영상 데이터셋의 품질을 평가하는 방법 및 시스템 |
| WO2020183791A1 (ja) | 2019-03-11 | 2020-09-17 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
| CN113592783B (zh) * | 2021-07-08 | 2024-01-19 | 北京大学第三医院（北京大学第三临床医学院） | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0716480B2 (ja) * | 1991-06-06 | 1995-03-01 | 株式会社トプコン | 眼科細胞撮影装置 |
| JPH06154169A (ja) * | 1992-11-26 | 1994-06-03 | Toomee:Kk | 眼球観察測定装置 |
| JP3448748B2 (ja) * | 1993-03-15 | 2003-09-22 | 株式会社トプコン | 角膜内皮細胞計測装置及び計測方法 |
| JP2675962B2 (ja) * | 1993-04-28 | 1997-11-12 | 株式会社トプコン | 眼科装置 |
| JPH09313442A (ja) * | 1996-06-03 | 1997-12-09 | Topcon Corp | 角膜内皮細胞計測装置 |
| JP2001314374A (ja) * | 2000-05-09 | 2001-11-13 | Topcon Corp | 角膜内皮細胞測定装置 |
| JP5160826B2 (ja) * | 2007-07-19 | 2013-03-13 | 株式会社トプコン | 角膜観察装置 |
| JP5486215B2 (ja) * | 2009-05-20 | 2014-05-07 | 株式会社トプコン | 前眼部観察装置 |
| JP6134519B2 (ja) * | 2013-01-23 | 2017-05-24 | 株式会社トプコン | 角膜内皮細胞撮影装置 |
-
2016
- 2016-06-17 JP JP2016120512A patent/JP6714273B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017221555A (ja) | 2017-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6714273B2 (ja) | 角膜内皮細胞品質評価支援システム | |
| Dash et al. | A thresholding based technique to extract retinal blood vessels from fundus images | |
| Versari et al. | Long-term tracking of budding yeast cells in brightfield microscopy: CellStar and the Evaluation Platform | |
| CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN107256558A (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
| AU2019369516B2 (en) | Segmenting 3D intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions | |
| Ni et al. | Automatic detection and counting of circular shaped overlapped objects using circular hough transform and contour detection | |
| US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| CN110517273B (zh) | 基于动态梯度阈值的细胞学图像分割方法 | |
| CN111145188A (zh) | 一种基于ResNet与UNet模型的图像分割方法 | |
| CN109544571A (zh) | 一种基于数学形态学的金相图像边缘检测方法 | |
| Fabijańska | Corneal endothelium image segmentation using feedforward neural network | |
| Kromp et al. | Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation | |
| CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
| Panigrahi et al. | Automated classification of oral cancer histopathology images using convolutional neural network | |
| CN103198321A (zh) | 视网膜图像处理方法及装置 | |
| CN111429461B (zh) | 一种新型的重叠脱落上皮细胞分割方法 | |
| Mukherjee et al. | Tree2tree2: Neuron tracing in 3d | |
| Wang et al. | A fast image segmentation algorithm for detection of pseudo-foreign fibers in lint cotton | |
| CN108876776A (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
| Su et al. | A novel method for dendritic spines detection based on directional morphological filter and shortest path | |
| CN106525027A (zh) | 一种基于局部二值模式的星敏感器星点提取方法 | |
| Su et al. | Learning based automatic detection of myonuclei in isolated single skeletal muscle fibers using multi-focus image fusion | |
| Liimatainen et al. | Supervised method for cell counting from bright field focus stacks | |
| You et al. | Automated cell individualization and counting in cerebral microscopic images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190411 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191211 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191212 |
|
| 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: 20200520 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200522 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6714273 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 |