JP6756339B2 - 画像処理装置、及び画像処理方法 - Google Patents
画像処理装置、及び画像処理方法 Download PDFInfo
- Publication number
- JP6756339B2 JP6756339B2 JP2017557557A JP2017557557A JP6756339B2 JP 6756339 B2 JP6756339 B2 JP 6756339B2 JP 2017557557 A JP2017557557 A JP 2017557557A JP 2017557557 A JP2017557557 A JP 2017557557A JP 6756339 B2 JP6756339 B2 JP 6756339B2
- Authority
- JP
- Japan
- Prior art keywords
- cell
- feature amount
- correlation
- likelihood
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Description
また、上記問題を解決するために、本発明の他の態様は、複数の細胞が撮像された細胞画像を取得する細胞画像取得過程と、前記細胞画像取得過程において取得される前記細胞画像から細胞の構成要素毎および又は細胞毎に特徴量を算出し、算出した前記特徴量を用い前記特徴量同士の複数の相関関係を算出する特徴量算出過程と、前記細胞画像に撮像されている前記複数の細胞を第1の組と第2の組とに分け、前記第1の組に含まれる前記複数の細胞のみを用いて、前記特徴量算出過程において算出された前記複数の相関関係のそれぞれの尤度である第1の尤度を算出し、前記細胞画像に撮像されている前記複数の細胞を前記第1の組及び前記第2の組とは異なる第3の組と第4の組とに分け、前記第3の組に含まれる前記複数の細胞のみを用いて、前記特徴量算出過程において算出された前記複数の相関関係のそれぞれの尤度である第2の尤度を算出し、前記第1の尤度及び前記第2の尤度に基づいて、前記複数の相関関係のうちから、特定の相関関係を抽出する相関関係抽出過程と、を有する画像処理方法である。
以下、図面を参照して、本発明の実施の形態について説明する。図1は、本発明の実施形態による顕微鏡観察システム1の構成の一例を示す模式図である。
細胞の状態は、目的別に適宜選択しても構わない。例えば、細胞内の構造物において判別する種類(例えば、タンパク質、オルガネラ)により、固定と未固定を選択しても構わない。また、固定した細胞で細胞の動的挙動を取得する場合には、条件の異なる複数の固定細胞を作成し、動的挙動を取得する。細胞内の構造物において、判別する種類は核内に限られない。
また、細胞を観測するために、細胞に予め処理した後に、細胞を観察しても構わない。勿論、細胞を観察するために、細胞に処理しない状態で細胞を観察しても構わない。細胞を観察する場合には、細胞を免疫染色により染色し、観察しても構わない。例えば、細胞内の核内構造において判別する種類において、用いる染色液を選択しても構わない。また染色方法に関しては、あらゆる染色方法を用いることができる。例えば主に組織染色に用いられる各種特殊染色、塩基配列の結合を利用したハイブリダイゼーションなどがある。
また、細胞に発光タンパク質(例えば、導入された遺伝子(ルシフェラーゼ遺伝子など)から発現された発光タンパク質)で処理し、観察しても構わない。例えば、細胞内の核内構造において判別する種類において、用いる発光タンパク質を選択しても構わない。
また、これらの細胞を観察する手段及び又は細胞を染色する方法などの相関取得を解析するための前処理は、目的別に適宜選択しても構わない。たとえば、細胞の動的挙動を得る場合に最適な手法により細胞の動的な情報を取得して、細胞内のシグナル伝達を得る場合には最適な手法により細胞内のシグナル伝達に関する情報を取得しても構わない。これら、目的別に選択される前処理が異なっていても構わない。また、目的別に選択される前処理の種類が少なくなるようにしても構わない。例えば、細胞の動的挙動を取得する手法と細胞内のシグナル伝達を取得する手法とがそれぞれ、最適な手法が異なっていても、それぞれ異なる手法でそれぞれの情報を取得することは煩雑となるために、それぞれの情報を取得するのに十分な場合には、最適手法とは異なり、それぞれが共通する手法で行っても構わない。
すなわち、撮像される細胞画像から取得される情報から導出される特徴である。例えば、取得される画像における輝度分布を算出する。時系列もしくは、分化等の細胞状態の変化で異なる複数の画像を用い、算出される輝度分布の所定時間の変化、もしくは、算出される輝度分布の分化等の細胞状態変化に伴う変化から、他とは異なる輝度の変化を示す位置情報を求め、輝度の変化を特徴量としてもよい。この場合に、時間の変化に限られず、分化等の細胞の状態の変化が異なる複数の画像を用いても構わない。また、異なる輝度の変化を示す位置の情報を特徴量としてもよい。例えば、細胞の所定時間内の挙動、もしくは、細胞の分化等の細胞状態変化に伴う挙動でも構わないし、細胞の形状の所定時間内の変化、もしくは、細胞の形状の分化等の細胞状態変化に伴う変化でも構わない。また、撮像される細胞画像から、所定時間内の変化、もしくは、分化等の細胞状態変化に伴う変化が認められない場合は、変化しないことも特徴量としても構わない。
雑音成分除去部103は、特徴量算出部102が算出した特徴量のうち、雑音成分(ノイズ)を除去する。
相関関係抽出部104は、雑音成分除去部103が雑音成分を除去した後の特徴量について、特徴量の尤度に基づいて、特徴量算出部102が算出する特徴量間の複数の相関関係のうちから、特定の相関関係を抽出する。ここで、尤度とは、所定条件に従って結果を算出する場合に、その結果から所定条件を推測する尤もらしさを表す数値である。また、尤度とは、データが確率モデルに従う場合に、推定すべきパラメータの尤もらしさを表すコスト関数である。
結果出力部300は、演算部100による演算結果を表示部30に出力する。なお、結果出力部300は、演算部100による演算結果を、表示部30以外の出力装置や、記憶装置などに出力してもよい。
表示部30は、結果出力部300が出力する演算結果を表示する。
上述した演算部100の具体的な演算手順について、図3を参照して説明する。
細胞画像取得部101は、細胞画像を取得する(ステップS10)。この細胞画像には、遺伝子、タンパク質、オルガネラなど、大きさが相違する複数の種類の生体組織の画像が含まれている。また、細胞画像には、細胞の形状情報が含まれている。また、細胞画像を時系列の異なる、もしくは、分化等の細胞状態が異なる細胞画像から、動的な挙動を取得する。従って、細胞内の微細な構造から、細胞形状までの複数の大きさの相違するスケールまたは、ある所定時間、もしくは、分化等のある細胞状態での細胞画像と時系列の異なる、もしくは、分化等の細胞状態が異なる細胞画像での次元の相違するスケールを用いて解析することから、マルチスケール解析と称することも可能である。
これらの場合、記憶部200は、実験条件記憶部202を備えていてもよい。この実験条件記憶部202には、細胞画像に対応付けられている細胞に対する実験の条件の情報を、細胞画像毎に記憶される。
図7は、本実施形態の特定の相関関係の一例を示す模式図である。ここで、特定の相関関係とは、特徴量間の複数の相関関係のうちから数学的な演算によって選択された相関関係である。特定の相関関係の数は、相関関係抽出部104によって抽出される前の特徴量間の複数の相関関係の数よりも少ない。つまり、相関関係抽出部104は、特徴量間の相関関係の数を疎(スパース)にする。相関関係抽出部104は、特徴量間の相関関係について、スパース推定を用いることにより、特徴量間の相関関係の数を疎にする。この相関関係抽出部104による、スパース推定の一例について説明する。
ここでは、正則化項がGraphical Lassoによる関数形の場合における、スパース推定の一例について説明する。Graphical Lassoとは、L1正則化付のガウシアンモデルから、精度行列を推定するための効率的なアルゴリズムである。例えば、JEROME FRIEDMANとTREVOR HASTIEとROBERT TIBSHIRANIによるBiostatistics (2008), 9, 3 432−441号の“Sparse inverse covariance estimation with the graphical lasso”に記載されている。
まず、式(2)を採用した場合の式(1)、ガウシアンモデルのL1正則化付尤度を精度行列によって微分する。
また、例えば細胞内の相関を取得する場合を例に説明すると、細胞内の相関を取得する場合に、例えば、画像では複数の細胞を取得できる場合があり、その複数の細胞において、細胞内の相関を取得することが可能である。この場合に、複数の細胞内での相関を取得すると、単一の細胞の相関を取得する場合に比べて、複数の細胞での相関を取得できるので、相関の取得として例えば算出されるシグナル伝達の経路の精度を高めることができる。精度を高めるために複数の細胞の相関を取得する場合に、その相関を取得するために行う演算量が膨大になる。この場合において、尤度を指標として演算量を低減することができるので、解析不良を抑制することができる。
また、例えば細胞同士の相関を取得する場合を例に説明すると、細胞同士の相関を取得する場合に、例えば、画像では複数の細胞を取得できる場合があり、その複数の細胞に対する、細胞同士の相関を取得することが可能である。この場合に、所定の細胞が複数の細胞と相関している場合があり、その所定細胞以外の細胞もまた複数の細胞と相関している場合がある。また、この場合にそれぞれの細胞同士の細胞の相関を取得することで、相関の取得として例えば算出される細胞同士のシグナル伝達の経路の精度を高めることができる。精度を高めるために複数の細胞の相関を取得する場合に、その相関を取得するために行う演算量が膨大になる。この場合において、尤度を指標として演算量を低減することができるので、解析不良を抑制することができる。
また、特徴量算出部102より算出される特徴量は、例えば、細胞が細胞外からのシグナル受容した後の、細胞内でのシグナル伝達を相関として求める場合に、その細胞内のシグナル伝達に関与するたんぱく質の種類を、特徴量として抽出しても構わない。すなわち、例えば、細胞内のシグナル伝達に関与する物質の種類でも構わないし、細胞内でシグナルが伝達されることに伴う結果の細胞の形状の変化でも構わない。細胞内のシグナル伝達に関与する物質の特定は、NMRなどで特定しても構わないし、用いる染色液からその相互作用する相手を類推する方法でも構わない。
次に、相関関係抽出部104が行うスパース推定における、正則化パラメータの決定について説明する。スパース推定には、モデルの柔軟性が比較的高いことや、人間やコンピュータが解釈しやすいようにモデルを調整することができるといった利点がある。一方で、スパース推定には、正則化パラメータ依存性があるためモデルが一意には定まらないという課題がある。この課題を解決するための正則化パラメータの決定手順を示す。このパラメータの決定手順には、一例として、クロスバリデーションによるパラメータの決定手順と、生物学的知識を用いたパラメータの決定手順とがある。このうち、クロスバリデーションによるパラメータの決定手順について説明する。
図8は、本実施形態の相関関係抽出部104によるクロスバリデーションの手順の一例を示す流れ図である。
相関関係抽出部104は、行列X、正則化パラメータλ、分割数Kを取得する(ステップS100)。相関関係抽出部104は、ステップS100において取得した分割数Kに基づいて、行列Xを分割する(ステップS110)。
次に、相関関係抽出部104は、正則化パラメータλのループ(ステップS120)と、分割数Kのループ(ステップS130)との2重のループを処理する。分割数Kのループ内において、相関関係抽出部104は、行列Xkと、行列X/kとを用いた尤度Lkを算出する(ステップS140)。正則化パラメータλのループにおいて、相関関係抽出部104は、ある正則化パラメータλにおける尤度Lkの平均尤度Lλを算出する(ステップS150)。この相関関係抽出部104による平均尤度Lλの算出手順の詳細について、図9を参照して説明する。
次に、相関関係抽出部104によるスパース推定結果の生物学的解釈について、図11から図13を参照して説明する。生物学的情報に基づいて、相関関係抽出部104によるスパース推定結果に対して、生物学的解釈を加えることができる。なお、この一例において、生物学的情報は、記憶部200に予め記憶されているとして説明するが、これに限られない。生物学的情報は、顕微鏡観察システム1の外部からネットワークや可搬記憶媒体などを介して供給されてもよい。生物学的情報には、細胞内構成要素アノテーション・データベース、特徴量アノテーション・データベースなどが含まれる。細胞内構成要素とは、細胞を構成する要素のことである。細胞を構成する要素には、例えば、タンパク質、遺伝子、化合物などがあげられる。以下、相関関係抽出部104によるスパース推定結果の生物学的解釈の手順の具体例について説明する。
相関関係の取得に用いられた細胞の特徴量から、その特徴量の生物学的情報を作成する。すなわち、相関関係の取得に用いられた細胞の特徴量の生物学的な情報を作成する。これにより、抽出された相関の生物学的解釈を行うことができる。
相関関係抽出部104によるスパース推定結果を利用して、特徴量ネットワークの要素を抽出することができる。ここで、特徴量ネットワークとは、特徴量間の相関関係のネットワークを指す。特徴量ネットワークの要素には、ノード、エッジ、サブグラフ(クラスタ)、リンクが含まれる。特徴量ネットワークの特徴には、ハブの有無、クラスタの有無などが含まれる。例えば、あるノードがハブを有するか否かは、偏相関行列の値に基づいて判定することができる。ここで、ハブとは、他の特徴量との相関関係の数が比較的多い特徴量のことである。
したがって、相関関係抽出部104は、スパース推定を用いて、算出される特徴量ネットワークから、その特徴量ネットワークを構成する複数の要素の中から、一つ以上の要素を特定することができる。これにより、相関を取得する際に優先して考慮する要素を抽出することができる。抽出することで、それ以外の相関を取得する際に、考慮に入れることができる。
もちろん、相関関係抽出部104は、スパース推定を用いて、算出される特徴量ネットワークから、その特徴量ネットワークを構成する複数の要素群の中から、一つ以上の要素群を特定することができる。要素群としては、例えば、タンパク質の二次構造が同一な複数のタンパク質を一つの要素群としても構わない。
相関関係抽出部104によるスパース推定結果を利用して、複数の特徴量ネットワーク間の変化を検知することができる。
図14は、本実施形態の特徴量ネットワークの比較類型の一例を示す図である。特徴量ネットワークは、ミクロからマクロまでの各粒度において、相互に比較可能である。具体的には、関係性の変化に基づいて、エッジ粒度の変化検知を行うことができる。このエッジ粒度の変化検知は、d(d−1)/d個のスコアを有する。また、変数の変化に基づいて、ノード粒度の変化検知を行うことができる。このノード粒度の変化検知は、d個のスコアを有する。EGONET(エゴネット)の変化に基づいて、クラスタ粒度の変化検知を行うことができる。このクラスタ粒度の変化検知は、d個のスコアを有する。ネットワークの変化に基づいて、ネットワーク粒度の変化検知を行うことができる。このネットワーク粒度の変化検知は、1個のスコアを有する。
あるタンパク質P1と、他のあるタンパク質P2とが同機能を有する場合には、タンパク質P1と他のタンパク質Pnとの間のエッジと、タンパク質P2と他のタンパク質Pnとの間のエッジとに差がない場合がある。つまり、タンパク質P1と、タンパク質P2とを同一のタンパク質とした場合、互いの特徴量ネットワークの構造が類似する。この特性を利用することにより、同機能タンパク質の同定を行うことができる。例えば、相関関係抽出部104によるスパース推定の際に、特徴量ネットワークからタンパク質P1だけを除外したものと、特徴量ネットワークからタンパク質P2だけを除外したものとを抽出することにより、同機能タンパク質の同定を行うことができる。
図15は、本実施形態の生物学的知識を用いた正則化パラメータの決定手順の一例を示す図である。この一例では、生物学的知識に基づいた、タンパク質どうしの結合が、予め規定されている。具体的には、生物学的知識に基づいて、あるタンパク質の特徴量と他のタンパク質の特徴量との間において「結合があるべきだ」という結合と、「結合があるはずはない」という結合とが、予め知識データベースとして規定されている。本実施形態においては、この予め規定されている知識データベースが、記憶部200に記憶されていてもよい。
図16は、本実施形態の特徴量ネットワークの結合有無についての、知識ベースネットワークと予測ネットワークとの関係性を示す図である。なお、精度(Precision)とは、特徴量ネットワークのある要素について、エッジであるとして予測したもののうち、実際にエッジであるものの割合である。また、再現性(Recall)とは、特徴量ネットワークのある要素について、実際にエッジであるものについて、エッジであると予測されるものの割合である。
なお、上述の実施形態により、抽出される相関関係は、適宜、学術文献やデータベースを用いて、検証しても構わない。また、データベースが複数に分割されている場合は、分割されたデータベースからの情報を適宜、選択しても構わない。この場合に、分割されたデータベースは、遺伝子、タンパク質などの種類で分けても構わない。また、複数のデータベースの検証結果を組み合わせて、抽出される相関関係を検証しても構わない。
Claims (13)
- 複数の細胞が撮像された細胞画像を取得する細胞画像取得部と、
前記細胞画像取得部が取得する前記細胞画像から細胞の構成要素毎および又は細胞毎に特徴量を算出し、算出した前記特徴量を用い前記特徴量同士の複数の相関関係を算出する特徴量算出部と、
前記細胞画像に撮像されている前記複数の細胞を第1の組と第2の組とに分け、前記第1の組に含まれる前記複数の細胞のみを用いて、前記特徴量算出部が算出する前記複数の相関関係のそれぞれの尤度である第1の尤度を算出し、前記細胞画像に撮像されている前記複数の細胞を前記第1の組及び前記第2の組とは異なる第3の組と第4の組とに分け、前記第3の組に含まれる前記複数の細胞のみを用いて、前記特徴量算出部が算出する前記複数の相関関係のそれぞれの尤度である第2の尤度を算出し、前記第1の尤度及び前記第2の尤度に基づいて、前記複数の相関関係のうちから、特定の相関関係を抽出する相関関係抽出部と、
を備える画像処理装置。 - 前記相関関係抽出部は、前記第1の尤度と前記第2の尤度との平均に基づいて、前記複数の相関関係のうちから、前記特定の相関関係を抽出する、請求項1に記載の画像処理装置。
- 前記細胞の生物学的知識に基づいて、前記特定の相関関係を抽出する際に用いる尤度を設定する、請求項1または請求項2に記載の画像処理装置。
- 前記尤度は正則化パラメータに基づいて算出される、請求項1から請求項3のいずれか一項に記載の画像処理装置。
- 前記相関関係抽出部は、
前記細胞画像に撮像されている細胞の特性に基づいて前記尤度を求めることにより、前記特定の相関関係を抽出する
請求項1から請求項4のいずれか一項に記載の画像処理装置。 - 前記相関関係抽出部は、
前記抽出された特徴量の生物学的情報に基づいて、前記抽出される相関関係が示す生物学的解釈を抽出する
請求項1から請求項5のいずれか一項に記載の画像処理装置。 - 前記細胞画像に撮像されている細胞の特性を示す情報に基づいて、前記相関関係抽出部に供給される前記特徴量のうちから雑音成分を前記細胞画像に撮像されている細胞毎に除去する雑音成分除去部
を更に備える請求項1から請求項6のいずれか一項に記載の画像処理装置。 - 前記細胞画像に撮像されている細胞及び又は細胞に含まれる細胞の構成要素の種類と、前記特徴量の種類とが対応付けられて記憶されている種類記憶部
を更に備え、
前記特徴量算出部は、
複数種類の前記特徴量のうち、前記細胞画像に撮像されている細胞及び、細胞に含まれる細胞の構成要素の種類に対応する種類の前記特徴量を算出する
請求項1から請求項7のいずれか一項に記載の画像処理装置。 - 前記特徴量算出部は、
前記細胞画像に対応付けられている前記細胞に対する実験の条件の情報に基づいて、前記特徴量を算出する
請求項1から請求項8のいずれか一項に記載の画像処理装置。 - 前記相関関係抽出部は、スパース推定を用いて、前記特徴量の尤度に基づいて、前記特徴量算出部が算出する前記特徴量間の複数の相関関係のうちから、特定の相関関係を抽出する
請求項1から請求項9のいずれか一項に記載の画像処理装置。 - 前記相関関係抽出部は、スパース推定を用いて、前記特徴量算出部が算出する前記特徴量間の相関関係を構成する要素の中から、特定の1つ以上の要素を抽出する、
請求項1から請求項10のいずれか一項に記載の画像処理装置。 - 前記特徴量算出部は、細胞に刺激が付与されてからの所定時間内の特徴量の変化を特徴量として算出し、算出した前記特徴量に基づいて前記相関関係を算出する、
請求項1から請求項11のいずれか一項に記載の画像処理装置。 - 複数の細胞が撮像された細胞画像を取得する細胞画像取得過程と、
前記細胞画像取得過程において取得される前記細胞画像から細胞の構成要素毎および又は細胞毎に特徴量を算出し、算出した前記特徴量を用い前記特徴量同士の複数の相関関係を算出する特徴量算出過程と、
前記細胞画像に撮像されている前記複数の細胞を第1の組と第2の組とに分け、前記第1の組に含まれる前記複数の細胞のみを用いて、前記特徴量算出過程において算出された前記複数の相関関係のそれぞれの尤度である第1の尤度を算出し、前記細胞画像に撮像されている前記複数の細胞を前記第1の組及び前記第2の組とは異なる第3の組と第4の組とに分け、前記第3の組に含まれる前記複数の細胞のみを用いて、前記特徴量算出過程において算出された前記複数の相関関係のそれぞれの尤度である第2の尤度を算出し、前記第1の尤度及び前記第2の尤度に基づいて、前記複数の相関関係のうちから、特定の相関関係を抽出する相関関係抽出過程と、
を有する画像処理方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2015/085853 WO2017109860A1 (ja) | 2015-12-22 | 2015-12-22 | 画像処理装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020082268A Division JP6999118B2 (ja) | 2020-05-07 | 2020-05-07 | 画像処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2017109860A1 JPWO2017109860A1 (ja) | 2018-08-23 |
JP6756339B2 true JP6756339B2 (ja) | 2020-09-16 |
Family
ID=59089711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017557557A Active JP6756339B2 (ja) | 2015-12-22 | 2015-12-22 | 画像処理装置、及び画像処理方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10796130B2 (ja) |
EP (1) | EP3395937A4 (ja) |
JP (1) | JP6756339B2 (ja) |
WO (1) | WO2017109860A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019159247A1 (ja) * | 2018-02-14 | 2019-08-22 | 株式会社ニコン | 算出装置、解析プログラム及び解析方法 |
JP7196467B2 (ja) * | 2018-08-29 | 2022-12-27 | カシオ計算機株式会社 | 開閉状態判定装置、開閉状態判定方法及びプログラム |
KR102122068B1 (ko) * | 2018-11-19 | 2020-06-12 | 노을 주식회사 | 이미지 분석 시스템 및 분석 방법 |
JP7464132B2 (ja) | 2020-08-19 | 2024-04-09 | 日本電信電話株式会社 | 可視化装置、可視化方法および可視化プログラム |
CN112183210A (zh) * | 2020-08-28 | 2021-01-05 | 江苏康尚生物医疗科技有限公司 | 一种基于稀疏矩阵的粒子自动聚焦方法、系统及存储介质 |
WO2024014489A1 (ja) * | 2022-07-12 | 2024-01-18 | 国立大学法人東京工業大学 | 解析システム、解析装置、解析プログラム、及び解析方法 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6198839B1 (en) * | 1997-09-05 | 2001-03-06 | Tripath Imaging, Inc. | Dynamic control and decision making method and apparatus |
EP1616286A1 (en) * | 2003-04-02 | 2006-01-18 | Amersham Biosciences UK Limited | Method of, and computer software for, classification of cells into subpopulations |
ES2298791T3 (es) * | 2004-04-08 | 2008-05-16 | Petra Perner | Procedimiento para adquisicion de formas a partir de celulas hep-2 y de reconocimiento por casos de celulas hep-2. |
WO2006104201A1 (ja) | 2005-03-29 | 2006-10-05 | Olympus Corporation | 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 |
JP4744187B2 (ja) * | 2005-05-10 | 2011-08-10 | オリンパス株式会社 | 細胞観察装置 |
JP4869843B2 (ja) * | 2006-09-06 | 2012-02-08 | オリンパス株式会社 | 細胞画像処理装置および細胞画像処理方法 |
JP5365011B2 (ja) * | 2008-01-29 | 2013-12-11 | 日本電気株式会社 | 病理診断支援装置、病理診断支援方法、およびプログラム |
US8883491B2 (en) * | 2008-04-09 | 2014-11-11 | Nexcelom Bioscience Llc | Systems and methods for counting cells and biomolecules |
US9779213B2 (en) * | 2008-07-25 | 2017-10-03 | Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud | System for evaluating a pathological stage of prostate cancer |
US8877509B2 (en) * | 2009-07-17 | 2014-11-04 | Bioaffinity Technologies, Inc. | System and method for analyzing samples labeled with 5, 10, 15, 20 tetrakis (4-carboxyphenyl) porphine (TCPP) |
US9779283B2 (en) * | 2011-01-05 | 2017-10-03 | The Board Of Trustees Of The University Of Illinois | Automated prostate tissue referencing for cancer detection and diagnosis |
US20120269418A1 (en) * | 2011-04-22 | 2012-10-25 | Ge Global Research | Analyzing the expression of biomarkers in cells with clusters |
WO2012176785A1 (ja) | 2011-06-20 | 2012-12-27 | 株式会社ニコン | 画像処理装置および方法、並びにプログラム |
CN103620390B (zh) * | 2011-06-21 | 2016-08-31 | 浜松光子学株式会社 | 光测定装置、光测定方法以及光测定程序 |
WO2013001584A1 (ja) * | 2011-06-30 | 2013-01-03 | パナソニック株式会社 | 類似症例検索装置および類似症例検索方法 |
WO2013038331A1 (en) * | 2011-09-13 | 2013-03-21 | Koninklijke Philips Electronics N.V. | System and method for the detection of abnormalities in a biological sample |
JP2013143102A (ja) * | 2012-01-12 | 2013-07-22 | Nikon Corp | 移動物体検出装置、移動物体検出方法およびプログラム |
US9760760B2 (en) * | 2012-01-19 | 2017-09-12 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Histology recognition to automatically score and quantify cancer grades and individual user digital whole histological imaging device |
JP5984559B2 (ja) * | 2012-07-31 | 2016-09-06 | オリンパス株式会社 | 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム |
JP6116044B2 (ja) | 2012-10-25 | 2017-04-19 | 大日本印刷株式会社 | 細胞挙動解析装置、細胞挙動解析方法、及びプログラム |
US9488639B2 (en) * | 2013-02-25 | 2016-11-08 | Flagship Biosciences, Inc. | Cell-based tissue analysis |
US20140273075A1 (en) * | 2013-03-15 | 2014-09-18 | Eye Marker Systems, Inc. | Methods, systems and devices for determining white blood cell counts for radiation exposure |
US9536042B2 (en) * | 2013-03-15 | 2017-01-03 | International Business Machines Corporation | Using RNAi imaging data for gene interaction network construction |
WO2014178323A1 (ja) | 2013-05-01 | 2014-11-06 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法およびバイオマーカー装置 |
US9842391B2 (en) * | 2013-05-14 | 2017-12-12 | Pathxl Limited | Method and apparatus for processing an image of a tissue sample |
JP6003963B2 (ja) * | 2014-11-07 | 2016-10-05 | カシオ計算機株式会社 | 診断装置並びに当該診断装置における画像処理方法及びそのプログラム |
EP3227684B1 (en) * | 2014-12-03 | 2019-10-02 | Isoplexis Corporation | Analysis and screening of cell secretion profiles |
EP3239287A4 (en) * | 2014-12-26 | 2018-08-15 | The University of Tokyo | Analysis device, analysis method, analysis program, cell manufacturing method and cells |
-
2015
- 2015-12-22 EP EP15911298.6A patent/EP3395937A4/en active Pending
- 2015-12-22 US US16/060,247 patent/US10796130B2/en active Active
- 2015-12-22 WO PCT/JP2015/085853 patent/WO2017109860A1/ja unknown
- 2015-12-22 JP JP2017557557A patent/JP6756339B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JPWO2017109860A1 (ja) | 2018-08-23 |
US20180349675A1 (en) | 2018-12-06 |
WO2017109860A1 (ja) | 2017-06-29 |
EP3395937A1 (en) | 2018-10-31 |
EP3395937A4 (en) | 2019-08-21 |
US10796130B2 (en) | 2020-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6756339B2 (ja) | 画像処理装置、及び画像処理方法 | |
Nirschl et al. | A deep-learning classifier identifies patients with clinical heart failure using whole-slide images of H&E tissue | |
US8320655B2 (en) | Process and system for analyzing the expression of biomarkers in cells | |
US20110091081A1 (en) | Method and system for analyzing the expression of biomarkers in cells in situ in their tissue of origin | |
US11321836B2 (en) | Image-processing device, image-processing method, and image-processing program for setting cell analysis area based on captured image | |
Ishaq et al. | Deep fish: deep learning–based classification of zebrafish deformation for high-throughput screening | |
Li et al. | Parasitologist-level classification of apicomplexan parasites and host cell with deep cycle transfer learning (DCTL) | |
Mace et al. | Extraction and comparison of gene expression patterns from 2D RNA in situ hybridization images | |
Borovec et al. | Supervised and unsupervised segmentation using superpixels, model estimation, and graph cut | |
JP2022105045A (ja) | 解析装置 | |
Woloshuk et al. | In situ classification of cell types in human kidney tissue using 3D nuclear staining | |
JP6818041B2 (ja) | 解析装置、解析方法、及びプログラム | |
US20200372652A1 (en) | Calculation device, calculation program, and calculation method | |
WO2018193612A1 (ja) | 相関算出装置、相関算出方法及び相関算出プログラム | |
JPWO2018066039A1 (ja) | 解析装置、解析方法、及びプログラム | |
JP6999118B2 (ja) | 画像処理装置 | |
US20130170728A1 (en) | Process and system for analyzing the expression of biomarkers in a cell | |
Karimi et al. | Machine learning meets classical computer vision for accurate cell identification | |
Flores et al. | Automatic analysis of breast thermograms by convolutional neural networks | |
Scalisi et al. | Quantitative Analysis of PcG-Associated Condensates by Stochastic Optical Reconstruction Microscopy (STORM) | |
WO2018122908A1 (ja) | 解析装置、解析プログラム及び解析方法 | |
Yaothak et al. | 2D-GolgiTrack—a semi-automated tracking system to quantify morphological changes and dynamics of the Golgi apparatus and Golgi-derived membrane tubules | |
WO2018109826A1 (ja) | 解析装置、解析プログラム及び解析方法 | |
US20240135541A1 (en) | Method of extracting gene candidate, method of utilizing gene candidate, and computer-readable medium | |
WO2020090089A1 (ja) | 判定装置、判定方法、及び判定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180501 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190423 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20190624 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190821 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200204 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200507 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20200518 |
|
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: 20200728 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200810 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6756339 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313114 |
|
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 |