JP7436666B2 - 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム - Google Patents
病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム Download PDFInfo
- Publication number
- JP7436666B2 JP7436666B2 JP2022533741A JP2022533741A JP7436666B2 JP 7436666 B2 JP7436666 B2 JP 7436666B2 JP 2022533741 A JP2022533741 A JP 2022533741A JP 2022533741 A JP2022533741 A JP 2022533741A JP 7436666 B2 JP7436666 B2 JP 7436666B2
- Authority
- JP
- Japan
- Prior art keywords
- region
- fibrotic
- support device
- diagnosis support
- pathological diagnosis
- 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
- 238000010827 pathological analysis Methods 0.000 title claims description 51
- 238000011017 operating method Methods 0.000 title description 5
- 230000003176 fibrotic effect Effects 0.000 claims description 129
- 238000011156 evaluation Methods 0.000 claims description 68
- 238000001514 detection method Methods 0.000 claims description 64
- 238000000034 method Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 42
- 206010016654 Fibrosis Diseases 0.000 claims description 39
- 230000004761 fibrosis Effects 0.000 claims description 39
- 238000009795 derivation Methods 0.000 claims description 36
- 210000003462 vein Anatomy 0.000 claims description 26
- 210000004185 liver Anatomy 0.000 claims description 20
- 210000004204 blood vessel Anatomy 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 238000000862 absorption spectrum Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 description 28
- 238000005516 engineering process Methods 0.000 description 22
- 238000010801 machine learning Methods 0.000 description 22
- 238000000605 extraction Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 210000003240 portal vein Anatomy 0.000 description 11
- 238000010186 staining Methods 0.000 description 7
- 238000010191 image analysis Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- DHRLEVQXOMLTIM-UHFFFAOYSA-N phosphoric acid;trioxomolybdenum Chemical compound O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.OP(O)(O)=O DHRLEVQXOMLTIM-UHFFFAOYSA-N 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 208000008338 non-alcoholic fatty liver disease Diseases 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 102000008186 Collagen Human genes 0.000 description 2
- 108010035532 Collagen Proteins 0.000 description 2
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 101000585359 Homo sapiens Suppressor of tumorigenicity 20 protein Proteins 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 102100029860 Suppressor of tumorigenicity 20 protein Human genes 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 229920001436 collagen Polymers 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000006059 cover glass Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010053219 non-alcoholic steatohepatitis Diseases 0.000 description 2
- 239000012188 paraffin wax Substances 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- VZGDMQKNWNREIO-UHFFFAOYSA-N tetrachloromethane Chemical compound ClC(Cl)(Cl)Cl VZGDMQKNWNREIO-UHFFFAOYSA-N 0.000 description 2
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 description 1
- 101001139126 Homo sapiens Krueppel-like factor 6 Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- RZUBARUFLYGOGC-MTHOTQAESA-L acid fuchsin Chemical compound [Na+].[Na+].[O-]S(=O)(=O)C1=C(N)C(C)=CC(C(=C\2C=C(C(=[NH2+])C=C/2)S([O-])(=O)=O)\C=2C=C(C(N)=CC=2)S([O-])(=O)=O)=C1 RZUBARUFLYGOGC-MTHOTQAESA-L 0.000 description 1
- YJVBLROMQZEFPA-UHFFFAOYSA-L acid red 26 Chemical group [Na+].[Na+].CC1=CC(C)=CC=C1N=NC1=C(O)C(S([O-])(=O)=O)=CC2=CC(S([O-])(=O)=O)=CC=C12 YJVBLROMQZEFPA-UHFFFAOYSA-L 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 210000003494 hepatocyte Anatomy 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 210000002429 large intestine Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- XOSXWYQMOYSSKB-LDKJGXKFSA-L water blue Chemical compound CC1=CC(/C(\C(C=C2)=CC=C2NC(C=C2)=CC=C2S([O-])(=O)=O)=C(\C=C2)/C=C/C\2=N\C(C=C2)=CC=C2S([O-])(=O)=O)=CC(S(O)(=O)=O)=C1N.[Na+].[Na+] XOSXWYQMOYSSKB-LDKJGXKFSA-L 0.000 description 1
Classifications
-
- 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
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- 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
-
- 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
-
- 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
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/08—Hepato-biliairy disorders other than hepatitis
- G01N2800/085—Liver diseases, e.g. portal hypertension, fibrosis, cirrhosis, bilirubin
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Urology & Nephrology (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Geometry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- Cell Biology (AREA)
- Microbiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Description
本開示の技術は、病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラムに関する。
病理診断において、癌等の疾患のリスクに繋がる生体組織の線維化の程度を評価することが行われている。従来は、生体組織から採取した標本を病理医が顕微鏡で観察して、線維化の程度を目視で評価していた。しかし、こうした評価方法では病理医の負担が大きかった。また、病理医の熟練度等によって評価が変わってしまうことがあった。
そこで、例えば非特許文献１のように、標本を写した画像（以下、標本画像という）をコンピュータで画像解析して線維化領域を検出し、線維化領域の面積占有率等を導出して病理医等のユーザに提示する方法が提案されている。非特許文献１では、シリウスレッド等の色素で線維化領域が染色された標本の標本画像を用いている。そして、当該標本画像のＲＧＢ（Ｒｅｄ、Ｇｒｅｅｎ、Ｂｌｕｅ）の各色チャンネルの画素値と、予めユーザが設定した閾値との比較により、線維化領域を検出している。
Ｖｉｎｃｅｎｚａ Ｃａｌｖａｒｕｓｏ他、「Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ ｏｆ Ｌｉｖｅｒ Ｃｏｌｌａｇｅｎ：Ｒｅｌａｔｉｏｎｓｈｉｐ ｔｏ ｉｓｈａｋ ｓｃｏｒｉｎｇ ａｎｄ ｈｅｐａｔｉｃ ｖｅｎｏｕｓ ｐｒｅｓｓｕｒｅ Ｇｒａｄｉｅｎ」、２００９年４月発行、ＨＥＰＡＴＯＬＯＧＹ（４９）、Ｐ１２３６－１２４４
線維化領域は、シリウスレッド等の色素による染色によって、一様に同じ色に染まる訳ではない。例えば色素の濃度、あるいは温湿度といった周囲環境によって色合いは変わる。また、標本画像の撮影装置の違いによっても、色合いは変わる。したがって、非特許文献１のように、標本画像のＲＧＢ各色チャンネルの画素値と閾値との単純な比較によって線維化領域を検出する方法は、線維化領域の検出精度が低かった。
本開示の技術は、線維化領域の検出精度を高めることが可能な病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラムを提供することを目的とする。
上記目的を達成するために、本開示の病理診断支援装置は、少なくとも１つのプロセッサを備え、プロセッサは、色素で染色された生体組織の標本を写した標本画像であり、複数の色チャンネルの画素値を有する標本画像を取得し、複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、生体組織の線維化領域を検出し、検出した線維化領域に基づいて、生体組織の線維化の程度を表す評価情報を導出し、評価情報を出力する。
プロセッサは、色素の吸収スペクトルにおいて、吸収率の差が相対的に大きい２つの色領域に対応する２つの色チャンネルの画素値の比を算出することが好ましい。
プロセッサは、生体組織を通る血管の周囲を含む血管周囲領域と、血管周囲領域以外の非血管周囲領域とに分けて評価情報を導出することが好ましい。
標本は肝臓から採取されたものであり、プロセッサは、肝臓を通る中心静脈の周囲を含む中心静脈周囲領域と、非血管周囲領域とに分けて評価情報を導出する。
プロセッサは、評価情報として、線維化領域の面積および長さのうちの少なくともいずれかに関する数値を導出することが好ましい。
プロセッサは、取得した標本画像に対して圧縮処理を施した後、線維化領域の検出を行うことが好ましい。
本開示の病理診断支援装置の作動方法は、色素で染色された生体組織の標本を写した標本画像であり、複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、生体組織の線維化領域を検出する検出処理と、検出した線維化領域に基づいて、生体組織の線維化の程度を表す評価情報を導出する導出処理と、評価情報を出力する出力処理と、をプロセッサが実行する。
本開示の病理診断支援装置の作動プログラムは、色素で染色された生体組織の標本を写した標本画像であり、複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、生体組織の線維化領域を検出する検出処理と、検出した線維化領域に基づいて、生体組織の線維化の程度を表す評価情報を導出する導出処理と、評価情報を出力する出力処理と、をプロセッサに実行させる。
本開示の技術によれば、線維化領域の検出精度を高めることが可能な病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラムを提供することができる。
［第１実施形態］
図１において、病理診断は、例えば以下の工程を経て行われる。まず、超音波観測装置（図示省略）の監視下において、患者Ｐの体外から肝臓ＬＶに生検針１０を刺して、肝臓ＬＶから細長の検体１１を採取する。そして、検体１１をパラフィンに包埋した後、ミクロトームによって複数枚の切片１２にスライスし、スライスした切片１２をガラス１３に貼り付ける。その後、パラフィンを脱して切片１２を色素で染色し、染色後の切片１２をカバーガラス１４で覆って、標本２０を完成させる。本例では、色素としてシリウスレッドが用いられる。なお、肝臓ＬＶは、本開示の技術に係る「生体組織」の一例である。
図１において、病理診断は、例えば以下の工程を経て行われる。まず、超音波観測装置（図示省略）の監視下において、患者Ｐの体外から肝臓ＬＶに生検針１０を刺して、肝臓ＬＶから細長の検体１１を採取する。そして、検体１１をパラフィンに包埋した後、ミクロトームによって複数枚の切片１２にスライスし、スライスした切片１２をガラス１３に貼り付ける。その後、パラフィンを脱して切片１２を色素で染色し、染色後の切片１２をカバーガラス１４で覆って、標本２０を完成させる。本例では、色素としてシリウスレッドが用いられる。なお、肝臓ＬＶは、本開示の技術に係る「生体組織」の一例である。
各標本２０は、デジタル光学顕微鏡等の撮影装置（図示省略）にセットされて撮影される。これにより得られた各標本２０の標本画像２１は、標本画像群２１Ｇとして病理診断支援装置２５に入力される。標本画像２１には、患者Ｐを一意に識別するための患者ＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｄａｔａ）、撮影日時等が付される。
標本画像２１の画素３０には、表３１に示すように、ＲＧＢの３色の各色チャンネルの画素値が割り当てられている。このため標本画像２１はフルカラー画像である。画素値は例えば０～２５５の範囲の数値である。
標本画像２１には、切片１２を含む標本２０が写されている。切片１２は、血管領域３２および実質領域３３を有する。血管領域３２は、門脈、中心静脈といった、肝臓ＬＶを通る血管の領域である。血管領域３２は、切片１２においては空洞となっている。実質領域３３は、肝臓ＬＶの肝細胞が存在する領域である。
シリウスレッドは、線維化領域３５（より詳しくは膠原線維の領域）を赤く染色する。図１に例示する標本画像２１においては、血管領域３２の周囲の領域である血管周囲領域３６、および実質領域３３の所々に、線維化領域３５が存在している。また、二点鎖線の枠３７で囲むように、２つの血管の間を繋ぐ線維化領域３５、すなわち架橋性線維化も見られる。架橋性線維化は、２つの血管がともに門脈の領域であった場合はＰ－Ｐ ｂｒｉｄｇｉｎｇ、２つの血管が門脈と中心静脈であった場合はＰ－Ｃ ｂｒｉｄｇｉｎｇと呼ばれる。
病理診断支援装置２５は、例えばデスクトップ型のパーソナルコンピュータであり、ディスプレイ４０および入力デバイス４１を有する。入力デバイス４１は、キーボード、マウス、タッチパネル等である。病理診断支援装置２５は、標本画像２１を画像解析して線維化領域３５を検出する。そして、線維化領域３５の面積占有率といった評価情報７１（図３等参照）を導出し、評価情報７１をディスプレイ４０に表示する。
図２において、病理診断支援装置２５を構成するコンピュータは、前述のディスプレイ４０と入力デバイス４１に加えて、ストレージデバイス４５、メモリ４６、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）４７、および通信部４８を備えている。これらはバスライン４９を介して相互接続されている。
ストレージデバイス４５は、病理診断支援装置２５を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージデバイス４５は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージデバイス４５には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。なお、ハードディスクドライブに代えてソリッドステートドライブを用いてもよい。
メモリ４６は、ＣＰＵ４７が処理を実行するためのワークメモリである。ＣＰＵ４７は、ストレージデバイス４５に記憶されたプログラムをメモリ４６へロードして、プログラムにしたがった処理を実行することにより、コンピュータの各部を統括的に制御する。
通信部４８は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等のネットワークを介した各種情報の伝送制御を行うネットワークインターフェースである。ディスプレイ４０は各種画面を表示する。病理診断支援装置２５を構成するコンピュータは、各種画面を通じて、入力デバイス４１からの操作指示の入力を受け付ける。
図３において、病理診断支援装置２５のストレージデバイス４５には、作動プログラム５５が記憶されている。作動プログラム５５は、コンピュータを病理診断支援装置２５として機能させるためのアプリケーションプログラムである。すなわち、作動プログラム５５は、本開示の技術に係る「病理診断支援装置の作動プログラム」の一例である。ストレージデバイス４５には、標本画像群２１Ｇおよび閾値ＴＨ等も記憶される。
作動プログラム５５が起動されると、病理診断支援装置２５を構成するコンピュータのＣＰＵ４７は、メモリ４６等と協働して、リードライト（以下、ＲＷ（Ｒｅａｄ Ｗｒｉｔｅ）と略す）制御部６０、指示受付部６１、検出部６２、導出部６３、および表示制御部６４として機能する。ＣＰＵ４７は、本開示の技術に係る「プロセッサ」の一例である。
ＲＷ制御部６０は、ストレージデバイス４５への各種データの記憶、およびストレージデバイス４５内の各種データの読み出しを制御する。例えばＲＷ制御部６０は、撮影装置から送信された標本画像群２１Ｇを受け取り、ストレージデバイス４５に記憶する。また、ＲＷ制御部６０は、入力デバイス４１を介したユーザによる画像解析の指示が指示受付部６１にて受け付けられた標本画像群２１Ｇをストレージデバイス４５から読み出し、検出部６２、導出部６３、および表示制御部６４に出力する。すなわち、ＲＷ制御部６０は、本開示の技術に係る「取得処理」を担う。なお、入力デバイス４１を介したユーザによる画像解析の指示は、例えば標本画像２１に付された患者ＩＤおよび撮影日時を入力指定することで行われる。
さらに、ＲＷ制御部６０は、閾値ＴＨをストレージデバイス４５から読み出し、検出部６２に出力する。
指示受付部６１は、入力デバイス４１を介したユーザによる様々な指示を受け付ける。様々な指示には、前述の画像解析の指示が含まれる。
検出部６２は、閾値ＴＨに基づいて、標本画像群２１Ｇを構成する複数枚の標本画像２１の各々から、線維化領域３５を検出する。すなわち、検出部６２は、本開示の技術に係る「検出処理」を担う。検出部６２は、線維化領域３５の検出結果７０を導出部６３および表示制御部６４に出力する。
導出部６３は、検出結果７０に基づいて、肝臓ＬＶの線維化の程度を表す評価情報７１を導出する。すなわち、導出部６３は、本開示の技術に係る「導出処理」を担う。導出部６３は、評価情報７１を表示制御部６４に出力する。
表示制御部６４は、ディスプレイ４０に各種画面を表示する制御を行う。各種画面には、画像解析の結果を表す解析結果表示画面９０（図１２参照）が含まれる。表示制御部６４は、標本画像群２１Ｇ、検出結果７０、および評価情報７１に基づいて、解析結果表示画面９０を生成する。
図４において、シリウスレッドの吸収スペクトル７５は、Ｇ領域の吸収率が最も高く、次いでＢ領域、Ｒ領域の順に吸収率が低くなっている。このためシリウスレッドの吸収スペクトル７５においては、Ｂ領域およびＧ領域、Ｂ領域およびＲ領域よりも、Ｇ領域およびＲ領域のほうが、吸収率の差が相対的に大きい。したがって検出部６２は、Ｇ領域に対応するＧチャンネルの画素値ＰＶ＿Ｇと、Ｒ領域に対応するＲチャンネルの画素値ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇを、標本画像２１の画素３０毎に算出する。検出部６２は、コンピュータで扱いやすい数値とするため、比ＰＶ＿Ｒ／ＰＶ＿Ｇを対数変換し、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）とする（図５参照）。なお、比ＰＶ＿Ｒ／ＰＶ＿Ｇではなく、分母と分子を逆にした比ＰＶ＿Ｇ／ＰＶ＿Ｒを算出してもよい。
図５に示すように、検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）と閾値ＴＨとの大小を比較する。検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ以上の画素３０を、線維化領域３５として検出する。一方、検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ未満の画素３０を、非線維化領域として検出する。閾値ＴＨは、過去の知見から経験的に求められた値である。
図６に示すように、検出部６２は、二値化画像８０を検出結果７０として出力する。二値化画像８０は、線維化領域３５として検出した画素３０を白（各色チャンネルの画素値＝２５５）、非線維化領域として検出した画素３０を黒（各色チャンネルの画素値＝０）に置換した画像である。
図７に示すように、導出部６３は、評価情報７１として、線維化領域３５の面積および長さのうちの少なくともいずれかに関する数値を導出する。より詳しくは、評価情報７１は、線維化領域３５の面積占有率、および線維化領域３５の長さ率を含む。線維化領域３５の面積占有率は、線維化領域３５の面積を切片１２の面積で除算した値である。線維化領域３５の長さ率は、線維化領域３５の長さを切片１２の面積で除算した値である。
図８および図９は、導出部６３において線維化領域３５の面積占有率を導出する手順を示す。まず、導出部６３は、標本画像群２１Ｇを構成する複数枚の標本画像２１の各々の切片１２の領域（以下、切片領域という）８２を検出する（ステップＳＴ１０）。導出部６３は、例えば、隣接する２つの画素３０の画素値の差が閾値以上の部分を、切片１２とその外側のガラス１３との境界と判断し、境界の内側を切片領域８２として検出する。
次いで、導出部６３は、各標本画像２１の切片領域８２に存在する画素３０の画素数を計数することで、各標本画像２１に写る切片１２の面積を導出する（ステップＳＴ１１）。また、導出部６３は、各標本画像２１に対応する各二値化画像８０の線維化領域３５に存在する画素３０の画素数を計数することで、線維化領域３５の面積を導出する（ステップＳＴ１２）。
最後に、導出部６３は、ステップＳＴ１２で計数した各二値化画像８０の線維化領域３５に存在する画素３０の画素数を、ステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで、線維化領域３５の面積占有率を導出する（ステップＳＴ１３）。
図９は、各標本画像２１の切片領域８２に存在する画素３０の画素数が１０００００、各二値化画像８０の線維化領域３５に存在する画素３０の画素数が２２０００であった場合を例示している。この場合、線維化領域３５の面積占有率は、（２２０００／１０００００）×１００＝２２％となる。
図１０および図１１は、導出部６３において線維化領域３５の長さ率を導出する手順を示す。ステップＳＴ１０、ステップＳＴ１１までは、図８および図９で示した線維化領域３５の面積占有率を導出する手順と同じである。ステップＳＴ１１において各標本画像２１に写る切片１２の面積を導出した後、導出部６３は、各標本画像２１に対応する各二値化画像８０の線維化領域３５に対して細線化処理を施す（ステップＳＴ２０）。細線化処理は、線維化領域３５を、線維化領域３５の幅の中心を通る幅１画素の線８３に変換する処理である。
次いで、導出部６３は、細線化処理後の線維化領域３５の画素３０の画素数、すなわち線８３を構成する画素３０の画素数を計数することで、線維化領域３５の長さを導出する（ステップＳＴ２１）。この際、導出部６３は、二点鎖線の枠８４Ａに示すように、上下左右、および斜めに繋がった画素３０の画素数を全て１と計数する。あるいは、導出部６３は、二点鎖線の枠８４Ｂに示すように、線８３を構成する画素３０のうち、上下左右に繋がった画素３０の画素数を１、斜めに繋がった画素３０の画素数を√２と計数する。線維化領域３５の長さとしては、枠８４Ｂで示した方法のほうがより正確である。
最後に、導出部６３は、ステップＳＴ２１で計数した細線化処理後の線維化領域３５の画素３０の画素数を、ステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで、線維化領域３５の長さ率を導出する（ステップＳＴ２２）。
図１１は、各標本画像２１の切片領域８２に存在する画素３０の画素数が図９の場合と同じ１０００００、細線化処理後の線維化領域３５の画素３０の画素数が１４０００であった場合を例示している。この場合、線維化領域３５の長さ率は、（１４０００／１０００００）×１００＝１４％となる。
図１２は、表示制御部６４の制御の下、ディスプレイ４０に表示される解析結果表示画面９０を示す。解析結果表示画面９０には、検出部６２で検出された線維化領域３５が例えば青色で塗り潰された標本画像２１が表示される。標本画像２１は、コマ戻しボタン９１Ａおよびコマ送りボタン９１Ｂを操作することで表示を切り替えることが可能である。
解析結果表示画面９０の下部には、評価情報７１が表示される。すなわち、表示制御部６４は、本開示の技術に係る「出力処理」を担う。
評価情報７１の横には、確認ボタン９２が設けられている。確認ボタン９２が選択された場合、表示制御部６４は、解析結果表示画面９０の表示を消す。なお、線維化領域３５が色分けされた標本画像２１、および評価情報７１は、ユーザの指示に応じて、ストレージデバイス４５に記憶させることが可能である。
次に、上記構成による作用について、図１３のフローチャートを参照して説明する。まず、病理診断支援装置２５において作動プログラム５５が起動されると、図３で示したように、病理診断支援装置２５のＣＰＵ４７は、ＲＷ制御部６０、指示受付部６１、検出部６２、導出部６３、および表示制御部６４として機能される。
ＲＷ制御部６０により、ストレージデバイス４５から、ユーザにより画像解析の指示がされた標本画像群２１Ｇが読み出される（ステップＳＴ１００）。標本画像群２１Ｇは、ＲＷ制御部６０から検出部６２、導出部６３、および表示制御部６４に出力される。また、ＲＷ制御部６０により、ストレージデバイス４５から閾値ＴＨが読み出され、検出部６２に出力される。なお、ステップＳＴ１００は、本開示の技術に係る「取得処理」の一例である。
図４で示したように、検出部６２において、標本画像２１の画素３０毎に、Ｇチャンネルの画素値ＰＶ＿ＧとＲチャンネルの画素値ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇが算出される（ステップＳＴ１１０）。次いで、図５で示したように、比ＰＶ＿Ｒ／ＰＶ＿Ｇの対数ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）と閾値ＴＨとの大小が比較される。そして、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ以上の画素３０が線維化領域３５として検出され、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ未満の画素３０が非線維化領域として検出される（ステップＳＴ１２０）。検出部６２により、図６で示した二値化画像８０が線維化領域３５の検出結果７０として生成される。検出結果７０は、検出部６２から導出部６３および表示制御部６４に出力される。なお、ステップＳＴ１２０は、本開示の技術に係る「検出処理」の一例である。
図７～図１１で示したように、導出部６３によって、線維化領域３５の面積占有率、および線維化領域３５の長さ率が評価情報７１として導出される（ステップＳＴ１３０）。評価情報７１は、導出部６３から表示制御部６４に出力される。なお、ステップＳＴ１３０は、本開示の技術に係る「導出処理」の一例である。
表示制御部６４の制御の下、図１２で示した解析結果表示画面９０がディスプレイ４０に表示される（ステップＳＴ１４０）。これにより線維化領域３５および評価情報７１がユーザに提示される。ユーザは、解析結果表示画面９０によって、病理診断の対象の患者Ｐの肝臓ＬＶの線維化の程度を把握する。なお、ステップＳＴ１４０は、本開示の技術に係る「出力処理」の一例である。
以上説明したように、病理診断支援装置２５は、ＲＷ制御部６０と、検出部６２と、導出部６３と、表示制御部６４とを備える。ＲＷ制御部６０は、シリウスレッドで染色された肝臓ＬＶの標本２０を写した標本画像２１を、ストレージデバイス４５から読み出すことで取得する。検出部６２は、標本画像２１のＲＧＢの３色の色チャンネルのうちのＧチャンネルおよびＲチャンネルの画素値ＰＶ＿Ｇ、ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇと、予め設定された閾値ＴＨとの比較により、肝臓ＬＶの線維化領域３５を検出する。導出部６３は、検出した線維化領域３５に基づいて、肝臓ＬＶの線維化の程度を表す評価情報７１を導出する。表示制御部６４は、評価情報７１を含む解析結果表示画面９０をディスプレイ４０に表示することで、評価情報７１を出力する。
比ＰＶ＿Ｒ／ＰＶ＿Ｇは、画素値ＰＶ＿Ｇ、ＰＶ＿Ｒそのものよりも、シリウスレッドの濃度、周囲環境、標本画像２１の撮影装置の違い等による染色の色合いの変化に対するロバスト性が高い。したがって、線維化領域３５の検出精度を高めることが可能となる。このため、従来、実際は架橋性線維化しているにも関わらず、線維化領域３５の検出精度が低いがために途切れて検出されていた線維化領域３５を、確実に架橋性線維化として捉えることができる。
検出部６２は、シリウスレッドの吸収スペクトル７５において、吸収率の差が相対的に大きいＧ領域およびＲ領域に対応するＧチャンネルおよびＲチャンネルの画素値ＰＶ＿Ｇ、ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇを算出する。このため、比のダイナミックレンジを広くとることができ、線維化領域３５の検出精度をより高めることが可能となる。
導出部６３は、評価情報７１として、線維化領域３５の面積および長さのうちの少なくともいずれかに関する数値、具体的には線維化領域３５の面積占有率、および線維化領域３５の長さ率を導出する。このため、肝臓ＬＶの線維化の程度を客観的に評価することができる。線維化領域３５の長さに関する数値が比較的大きい場合は、肝臓ＬＶの比較的広い範囲に線維化が進展していると推定することができる。
色素は例示のシリウスレッドに限らない。例えばマッソン・トリクローム染色に用いられる鉄ヘマトキシリン、ポンソーキシリジン、酸フクシン、アニリン青でもよい。マッソン・トリクローム染色に用いられる色素の場合、図１４の吸収スペクトル９５に示すように、Ｇ領域の吸収率が相対的に高く、Ｂ領域、Ｒ領域の吸収率が相対的に低くなっている。また、Ｂ領域、Ｒ領域の吸収率にはほとんど差がない。このためマッソン・トリクローム染色に用いられる色素の吸収スペクトル９５においては、Ｂ領域およびＲ領域よりも、Ｂ領域およびＧ領域、Ｇ領域およびＲ領域のほうが、吸収率の差が相対的に大きい。したがってこの場合、検出部６２は、Ｂ領域に対応するＢチャンネルの画素値ＰＶ＿Ｂと、Ｇ領域に対応するＧチャンネルの画素値ＰＶ＿Ｇの比ＰＶ＿Ｂ／ＰＶ＿Ｇ、並びに、Ｇ領域に対応するＧチャンネルの画素値ＰＶ＿Ｇと、Ｒ領域に対応するＲチャンネルの画素値ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇを、標本画像２１の画素３０毎に算出する。検出部６２は、比ＰＶ＿Ｂ／ＰＶ＿Ｇを対数変換し、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）とし、比ＰＶ＿Ｒ／ＰＶ＿Ｇを対数変換し、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）とする（図１５参照）。なお、比ＰＶ＿Ｇ／ＰＶ＿Ｂおよび比ＰＶ＿Ｇ／ＰＶ＿Ｒを算出してもよい。
図１５に示すように、検出部６２は、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）と第１閾値ＴＨ１との大小を比較する。また、検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）と第２閾値ＴＨ２との大小を比較する。検出部６２は、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１以上、かつｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２以上の画素３０を、線維化領域３５として検出する。一方、検出部６２は、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１未満、またはｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２未満の画素３０を、非線維化領域として検出する。第１閾値ＴＨ１および第２閾値ＴＨ２は、閾値ＴＨと同様に、過去の知見から経験的に求められた値である。
このように、線維化領域３５を検出するために算出する２つの色チャンネルの画素値の比は、１種類に限らない。なお、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１未満、かつｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２未満の画素３０を、非線維化領域として検出し、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１以上、またはｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２以上の画素３０を、線維化領域３５として検出してもよい。
評価情報７１としては、上記で例示した線維化領域３５の面積占有率、および線維化領域３５の長さ率に限らない。例えば線維化領域３５の面積占有率を、図１６に示すテーブル９７を参照して、線維化の程度を表す５段階のレベルに変更し、当該レベルを評価情報１０１（図１７参照）として導出してもよい。テーブル９７には、線維化領域３５の面積占有率の範囲に対応するレベルが登録されている。例えば線維化領域３５の面積占有率が０％以上５％未満の場合はレベル０、２０％以上３０％未満の場合はレベル３、３０％以上の場合はレベル４が登録されている。テーブル９７はストレージデバイス４５に記憶されており、ＲＷ制御部６０により読み出されて導出部６３に出力される。
図１７は、評価情報１０１として線維化の程度を表すレベルが表示された解析結果表示画面１００を示す。
また、図１８に示す解析結果表示画面１０５のように、新犬山分類、ＭＥＴＡＶＩＲスコアといった既知の線維化評価指標のステージを評価情報１０６として導出、出力してもよい。新犬山分類、ＭＥＴＡＶＩＲスコアの各ステージは、例えば、線維化領域３５の面積占有率、および線維化領域３５の長さ率をパラメータとし、ステージを解とする推定式から導出する。なお、この他にも、ＮＡＳ（ＮＡＦＬＤ（Ｎｏｎ－Ａｌｃｏｈｏｌｉｃ Ｆａｔｔｙ Ｌｉｖｅｒ Ｄｉｓｅａｓｅ；非アルコール性脂肪性肝疾患） ａｃｔｉｖｉｔｙ ｓｃｏｒｅ）等を評価情報として導出、出力してもよい。
［第２実施形態］
図１９～図２２に示す第２実施形態では、血管周囲領域３６と、血管周囲領域３６以外の非血管周囲領域１１５とに分けて評価情報１１３を導出する。
図１９～図２２に示す第２実施形態では、血管周囲領域３６と、血管周囲領域３６以外の非血管周囲領域１１５とに分けて評価情報１１３を導出する。
図１９に示すように、第２実施形態の病理診断支援装置のＣＰＵは、上記第１実施形態の各部６０～６４（図１９では導出部６３および表示制御部６４以外は図示省略）に加えて、抽出部１１０として機能する。抽出部１１０は、標本画像群２１Ｇを構成する各標本画像２１から、機械学習モデル１１１を用いて血管周囲領域３６および非血管周囲領域１１５を抽出する。
機械学習モデル１１１は、例えばＵ－Ｎｅｔ（Ｕ－Ｓｈａｐｅｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＳｅｇＮｅｔ、ＲｅｓＮｅｔ（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ）、ＤｅｎｓｅＮｅｔ（Ｄｅｎｓｅｌｙ Ｃｏｎｎｅｃｔｅｄ Ｃｏｎｖｏｌｕｓｉｏｎａｌ Ｎｅｔｗｏｒｋ）といった畳み込みニューラルネットワークである。機械学習モデル１１１はストレージデバイス４５に記憶されており、ＲＷ制御部６０により読み出されて抽出部１１０に出力される。機械学習モデル１１１は、標本画像２１を入力画像とし、例えば図２０に示すように、血管周囲領域３６の画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を出力画像とするモデルである。機械学習モデル１１１は、血管領域３２の周囲を取り囲む、例えば幅２０画素程度の領域を、血管周囲領域３６として抽出する。また、機械学習モデル１１１は、血管周囲領域３６として抽出した画素３０以外の切片１２の画素３０を、非血管周囲領域１１５として抽出する。このため、非血管周囲領域１１５は、血管領域３２と、実質領域３３の大部分とを含む。機械学習モデル１１１は、学習用の標本画像２１と、当該学習用の標本画像２１の血管周囲領域３６がユーザの手で指定された正解画像との組を複数用いて学習される。
図１９において、抽出部１１０は、血管周囲領域３６の画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を、抽出結果１１２として導出部６３および表示制御部６４に出力する。導出部６３は、抽出部１１０からの抽出結果１１２および検出部６２からの検出結果７０に基づいて、評価情報１１３として、血管周囲領域３６における線維化領域３５の面積占有率、および血管周囲領域３６における線維化領域３５の長さ率を導出する。また、導出部６３は、評価情報１１３として、非血管周囲領域１１５における線維化領域３５の面積占有率、および非血管周囲領域１１５における線維化領域３５の長さ率を導出する。
血管周囲領域３６における線維化領域３５の面積占有率は、図８および図９で示したステップＳＴ１２において、血管周囲領域３６における線維化領域３５に存在する画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。血管周囲領域３６における線維化領域３５の長さ率は、図１０および図１１で示したステップＳＴ２１において、細線化処理後の血管周囲領域３６における線維化領域３５の画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。非血管周囲領域１１５における線維化領域３５の面積占有率、および非血管周囲領域１１５における線維化領域３５の長さ率も同様である。
表示制御部６４は、図２１に示す解析結果表示画面１２０をディスプレイ４０に表示する。解析結果表示画面１２０には、枠１２１の拡大図である図２２にも示すように、血管周囲領域３６における線維化領域３５が例えば緑色、非血管周囲領域１１５における線維化領域３５が例えば青色で塗り潰された標本画像２１が表示される。また、評価情報１１３として、血管周囲領域３６における線維化領域３５の面積占有率と長さ率、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率が表示される。
このように、第２実施形態では、血管周囲領域３６と非血管周囲領域１１５とに分けて評価情報７１を導出する。このため、主に血管周囲領域３６における線維化の進展が見られる疾患と、主に非血管周囲領域１１５における線維化の進展が見られる疾患のそれぞれの病態を区別して評価することができる。
ラット等を用いた臨床実験においては、四塩化炭素等の薬剤を注入してわざと脂肪肝を引き起こしている。このため、血管周囲領域３６は、どうしても薬剤の影響で線維化が進展しやすい。したがって、本第２実施形態のように血管周囲領域３６と非血管周囲領域１１５とに分けて評価情報７１を導出すれば、薬剤の影響を排除した線維化の程度を評価することができる。
なお、図２１で示した解析結果表示画面１２０においては、血管周囲領域３６における線維化領域３５と非血管周囲領域１１５における線維化領域３５とを色分けし、評価情報１１３として、血管周囲領域３６における線維化領域３５の面積占有率と長さ率、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率を表示しているが、これに限らない。図２３に示す解析結果表示画面１２５のように、血管周囲領域３６における線維化領域３５のみを例えば緑色で塗り潰し（枠１２６の拡大図である図２４も参照）、血管周囲領域３６における線維化領域３５の面積占有率と長さ率のみを評価情報１２７として表示してもよい。あるいは、図示は省略するが、図２３の場合とは逆に、非血管周囲領域１１５における線維化領域３５のみを例えば青色で塗り潰し、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率のみを評価情報として表示してもよい。図２１で示した表示態様、図２３で示した表示態様、および図２３の場合とは逆の表示態様を、切り替え可能に構成してもよい。
機械学習モデル１１１を用いることなく、血管周囲領域３６を抽出してもよい。例えば周知の画像認識技術を用いて血管領域３２を抽出し、抽出した血管領域３２の周囲を取り囲む、例えば幅２０画素の領域を血管周囲領域３６として抽出する。あるいは、ユーザに血管周囲領域３６を指定させてもよい。
［第３実施形態］
図２５～図２８に示す第３実施形態では、肝臓ＬＶを通る中心静脈の周囲を含む中心静脈周囲領域３６Ｃと、非血管周囲領域１１５とに分けて評価情報１３３を導出する。
図２５～図２８に示す第３実施形態では、肝臓ＬＶを通る中心静脈の周囲を含む中心静脈周囲領域３６Ｃと、非血管周囲領域１１５とに分けて評価情報１３３を導出する。
図２５に示すように、第３実施形態の抽出部１３０は、標本画像群２１Ｇを構成する各標本画像２１から、機械学習モデル１３１を用いて中心静脈周囲領域３６Ｃ、門脈周囲領域３６Ｐ、および非血管周囲領域１１５を抽出する。
機械学習モデル１３１は、上記第２実施形態の機械学習モデル１１１と同様に、Ｕ－Ｎｅｔ等の畳み込みニューラルネットワークである。機械学習モデル１３１はストレージデバイス４５に記憶されており、ＲＷ制御部６０により読み出されて抽出部１３０に出力される。機械学習モデル１３１は、標本画像２１を入力画像とし、例えば図２６に示すように、中心静脈周囲領域３６Ｃの画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を出力画像とするモデルである。機械学習モデル１３１は、中心静脈の領域３２Ｃの周囲を取り囲む、例えば幅２０画素程度の領域を、中心静脈周囲領域３６Ｃとして抽出する。同様に、機械学習モデル１３１は、門脈の領域３２Ｐの周囲を取り囲む、例えば幅２０画素程度の領域を、門脈周囲領域３６Ｐとして抽出する。また、機械学習モデル１３１は、中心静脈周囲領域３６Ｃおよび門脈周囲領域３６Ｐとして抽出した画素３０以外の切片１２の画素３０を、非血管周囲領域１１５として抽出する。機械学習モデル１３１は、学習用の標本画像２１と、当該学習用の標本画像２１の中心静脈周囲領域３６Ｃおよび門脈周囲領域３６Ｐがユーザの手で指定された正解画像との組を複数用いて学習される。
図２５において、抽出部１３０は、中心静脈周囲領域３６Ｃの画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を、抽出結果１３２として導出部６３および表示制御部６４に出力する。導出部６３は、抽出部１３０からの抽出結果１３２および検出部６２からの検出結果７０に基づいて、評価情報１３３として、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率、および中心静脈周囲領域３６Ｃにおける線維化領域３５の長さ率を導出する。また、導出部６３は、評価情報１３３として、非血管周囲領域１１５における線維化領域３５の面積占有率、および非血管周囲領域１１５における線維化領域３５の長さ率を導出する。
中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率は、図８および図９で示したステップＳＴ１２において、中心静脈周囲領域３６Ｃにおける線維化領域３５に存在する画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。中心静脈周囲領域３６Ｃにおける線維化領域３５の長さ率は、図１０および図１１で示したステップＳＴ２１において、細線化処理後の血管周囲領域３６における線維化領域３５の画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。
表示制御部６４は、図２７に示す解析結果表示画面１４０をディスプレイ４０に表示する。解析結果表示画面１４０には、枠１４１の拡大図である図２８にも示すように、中心静脈周囲領域３６Ｃにおける線維化領域３５が例えば緑色、非血管周囲領域１１５における線維化領域３５が例えば青色で塗り潰された標本画像２１が表示される。また、評価情報１３３として、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率と長さ率、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率が表示される。
このように、第３実施形態では、中心静脈周囲領域３６Ｃと非血管周囲領域１１５とに分けて評価情報７１を導出する。このため、非アルコール性脂肪肝炎（ＮＡＳＨ：Ｎｏｎ－Ａｌｃｏｈｏｌｉｃ Ｓｔｅａｔｏｈｅｐａｔｉｔｉｓ）のような、中心静脈周囲領域３６Ｃから非血管周囲領域１１５に向けて線維化が進展する疾患の病態を正しく評価することができる。
なお、上記第２実施形態と同様に、中心静脈周囲領域３６Ｃにおける線維化領域３５のみを例えば緑色で塗り潰し、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率と長さ率のみを評価情報として表示してもよい。この表示態様と、図２７で示した表示態様とを、切り替え可能に構成してもよい。また、ユーザに中心静脈周囲領域３６Ｃを指定させる等して、機械学習モデル１１１を用いることなく、中心静脈周囲領域３６Ｃを抽出してもよい。
図２９Ａに示す評価情報１４２のように、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率と長さ率だけでなく、門脈周囲領域３６Ｐにおける線維化領域３５の面積占有率と長さ率を導出してもよい。また、図２９Ｂに示す評価情報１４３のように、門脈間の架橋性線維化、すなわちＰ－Ｐ ｂｒｉｄｇｉｎｇの本数、門脈と中心静脈間の架橋性線維化、すなわちＰ－Ｃ ｂｒｉｄｇｉｎｇの本数を導出してもよい。
［第４実施形態］
図３０に示す第４実施形態では、標本画像２１に対して圧縮処理を施した後、線維化領域３５の検出を行う。
図３０に示す第４実施形態では、標本画像２１に対して圧縮処理を施した後、線維化領域３５の検出を行う。
図３０において、第４実施形態の病理診断支援装置のＣＰＵは、上記第１実施形態の各部６０～６４（図３０では検出部６２以外は図示省略）に加えて、圧縮部１５０として機能する。圧縮部１５０には、ＲＷ制御部６０がストレージデバイス４５から読み出した標本画像群２１Ｇが入力される。圧縮部１５０は、標本画像群２１Ｇを構成する複数枚の標本画像２１の各々に対して圧縮処理を施す。圧縮部１５０は、圧縮処理後の標本画像群２１Ｇを検出部６２に出力する。検出部６２は、圧縮処理された標本画像２１から線維化領域３５を検出し、検出結果７０を導出部６３等に出力する。
このように、第４実施形態では、ＲＷ制御部６０において取得した標本画像２１に対して、圧縮部１５０で圧縮処理を施した後、検出部６２において線維化領域３５の検出を行う。このため、フルサイズの標本画像２１から線維化領域３５を検出する場合と比べて、処理負荷を軽減することができる。
上記各実施形態では、患者Ｐの肝臓ＬＶから採取した標本２０を例示したが、これに限らない。例えば図３１に示すように、患者Ｐの肺ＬＧから生検針１０を用いて採取した検体１５５から作製した標本１５６であってもよい。また、皮膚、乳房、胃、大腸等から採取した標本であってもよい。
標本画像２１の画素値の色チャンネルは、例示のＲＧＢ色チャンネルに限らない。ＣＭＹＧ（Ｃｙａｎ、Ｍａｇｅｎｔａ、Ｙｅｌｌｏｗ、Ｇｒｅｅｎ）の４色の色チャンネルであってもよい。
評価情報の出力形態としては、解析結果表示画面で表示する形態に限らない。評価情報を紙媒体に印刷出力してもよいし、評価情報のデータファイルを電子メール等で送信出力してもよい。
病理診断支援装置を構成するコンピュータのハードウェア構成は種々の変形が可能である。病理診断支援装置を、処理能力および信頼性の向上を目的として、ハードウェアとして分離された複数台のコンピュータで構成することも可能である。例えば、ＲＷ制御部６０および指示受付部６１の機能と、検出部６２、導出部６３、および表示制御部６４の機能とを、２台のコンピュータに分散して担わせる。この場合は２台のコンピュータで病理診断支援装置を構成する。
このように、病理診断支援装置のコンピュータのハードウェア構成は、処理能力、安全性、信頼性等の要求される性能に応じて適宜変更することができる。さらに、ハードウェアに限らず、作動プログラム５５等のアプリケーションプログラムについても、安全性および信頼性の確保を目的として、二重化したり、あるいは、複数のストレージデバイスに分散して格納することももちろん可能である。
上記各実施形態において、例えば、ＲＷ制御部６０、指示受付部６１、検出部６２、導出部６３、表示制御部６４、抽出部１１０、１３０、および圧縮部１５０といった各種の処理を実行する処理部（Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のハードウェア的な構造としては、次に示す各種のプロセッサ（Ｐｒｏｃｅｓｓｏｒ）を用いることができる。各種のプロセッサには、上述したように、ソフトウェア（作動プログラム５５）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ４７に加えて、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ:ＰＬＤ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、および／または、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（Ｓｙｓｔｅｍ Ｏｎ Ｃｈｉｐ:ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）を用いることができる。
本開示の技術は、上述の種々の実施形態と種々の変形例を適宜組み合わせることも可能である。また、上記各実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。
以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。
本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。
本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
１０ 生検針
１１、１５５ 検体
１２ 切片
１３ ガラス
１４ カバーガラス
２０、１５６ 標本
２１ 標本画像
２１Ｇ 標本画像群
２５ 病理診断支援装置
３０ 画素
３１ 表
３２ 血管領域
３２Ｃ 中心静脈の領域
３２Ｐ 門脈の領域
３３ 実質領域
３５ 線維化領域
３６ 血管周囲領域
３６Ｃ 中心静脈周囲領域
３６Ｐ 門脈周囲領域
３７、８４Ａ、８４Ｂ、１２１、１２６、１４１ 枠
４０ ディスプレイ
４１ 入力デバイス
４５ ストレージデバイス
４６ メモリ
４７ ＣＰＵ（プロセッサ）
４８ 通信部
４９ バスライン
５５ 作動プログラム（病理診断支援装置の作動プログラム）
６０ リードライト制御部（ＲＷ制御部）
６１ 指示受付部
６２ 検出部
６３ 導出部
６４ 表示制御部
７０ 検出結果
７１、１０１、１０６、１１３、１２７、１３３、１４２、１４３ 評価情報
７５、９５ 吸収スペクトル
８０ 二値化画像
８２ 切片領域
８３ 線
９０、１００、１０５、１２０、１２５、１４０ 解析結果表示画面
９１Ａ コマ戻しボタン
９１Ｂ コマ送りボタン
９２ 確認ボタン
９７ テーブル
１１０、１３０ 抽出部
１１１、１３１ 機械学習モデル
１１２、１３２ 抽出結果
１１５ 非血管周囲領域
１５０ 圧縮部
ＬＧ 肺
ＬＶ 肝臓
Ｐ 患者
ＰＶ 画素値
ＳＴ１０、ＳＴ１１、ＳＴ１２、ＳＴ１３、ＳＴ２０、ＳＴ２１、ＳＴ２２、ＳＴ１１０
ステップ
ＳＴ１００ ステップ（取得処理）
ＳＴ１２０ ステップ（検出処理）
ＳＴ１３０ ステップ（導出処理）
ＳＴ１４０ ステップ（出力処理）
ＴＨ 閾値
ＴＨ１、ＴＨ２ 第１閾値、第２閾値
１１、１５５ 検体
１２ 切片
１３ ガラス
１４ カバーガラス
２０、１５６ 標本
２１ 標本画像
２１Ｇ 標本画像群
２５ 病理診断支援装置
３０ 画素
３１ 表
３２ 血管領域
３２Ｃ 中心静脈の領域
３２Ｐ 門脈の領域
３３ 実質領域
３５ 線維化領域
３６ 血管周囲領域
３６Ｃ 中心静脈周囲領域
３６Ｐ 門脈周囲領域
３７、８４Ａ、８４Ｂ、１２１、１２６、１４１ 枠
４０ ディスプレイ
４１ 入力デバイス
４５ ストレージデバイス
４６ メモリ
４７ ＣＰＵ（プロセッサ）
４８ 通信部
４９ バスライン
５５ 作動プログラム（病理診断支援装置の作動プログラム）
６０ リードライト制御部（ＲＷ制御部）
６１ 指示受付部
６２ 検出部
６３ 導出部
６４ 表示制御部
７０ 検出結果
７１、１０１、１０６、１１３、１２７、１３３、１４２、１４３ 評価情報
７５、９５ 吸収スペクトル
８０ 二値化画像
８２ 切片領域
８３ 線
９０、１００、１０５、１２０、１２５、１４０ 解析結果表示画面
９１Ａ コマ戻しボタン
９１Ｂ コマ送りボタン
９２ 確認ボタン
９７ テーブル
１１０、１３０ 抽出部
１１１、１３１ 機械学習モデル
１１２、１３２ 抽出結果
１１５ 非血管周囲領域
１５０ 圧縮部
ＬＧ 肺
ＬＶ 肝臓
Ｐ 患者
ＰＶ 画素値
ＳＴ１０、ＳＴ１１、ＳＴ１２、ＳＴ１３、ＳＴ２０、ＳＴ２１、ＳＴ２２、ＳＴ１１０
ステップ
ＳＴ１００ ステップ（取得処理）
ＳＴ１２０ ステップ（検出処理）
ＳＴ１３０ ステップ（導出処理）
ＳＴ１４０ ステップ（出力処理）
ＴＨ 閾値
ＴＨ１、ＴＨ２ 第１閾値、第２閾値
Claims (8)
- 少なくとも１つのプロセッサを備え、
前記プロセッサは、
色素で染色された生体組織の標本を写した複数の色チャンネルの画素値を有する標本画像を取得し、
前記複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、前記生体組織の線維化領域を検出し、
検出した前記線維化領域に基づいて、前記生体組織の線維化の程度を表す評価情報を導出し、
前記評価情報を出力する、
病理診断支援装置。 - 前記プロセッサは、
前記色素の吸収スペクトルにおいて、吸収率の差が相対的に大きい２つの色領域に対応する２つの色チャンネルの画素値の比を算出する請求項１に記載の病理診断支援装置。 - 前記プロセッサは、
前記生体組織を通る血管の周囲を含む血管周囲領域と、前記血管周囲領域以外の非血管周囲領域とに分けて前記評価情報を導出する請求項１または請求項２に記載の病理診断支援装置。 - 前記標本は肝臓から採取されたものであり、
前記プロセッサは、前記肝臓を通る中心静脈の周囲を含む中心静脈周囲領域と、前記非血管周囲領域とに分けて前記評価情報を導出する請求項３に記載の病理診断支援装置。 - 前記プロセッサは、
前記評価情報として、前記線維化領域の面積および長さのうちの少なくともいずれかに関する数値を導出する請求項１から請求項４のいずれか１項に記載の病理診断支援装置。 - 前記プロセッサは、
取得した前記標本画像に対して圧縮処理を施した後、前記線維化領域の検出を行う請求項１から請求項５のいずれか１項に記載の病理診断支援装置。 - 色素で染色された生体組織の標本を写した複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、
前記複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、前記生体組織の線維化領域を検出する検出処理と、
検出した前記線維化領域に基づいて、前記生体組織の線維化の程度を表す評価情報を導出する導出処理と、
前記評価情報を出力する出力処理と、
をプロセッサが実行する病理診断支援装置の作動方法。 - 色素で染色された生体組織の標本を写した複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、
前記複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、前記生体組織の線維化領域を検出する検出処理と、
検出した前記線維化領域に基づいて、前記生体組織の線維化の程度を表す評価情報を導出する導出処理と、
前記評価情報を出力する出力処理と、
をプロセッサに実行させる病理診断支援装置の作動プログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020115065 | 2020-07-02 | ||
| JP2020115065 | 2020-07-02 | ||
| PCT/JP2021/019793 WO2022004198A1 (ja) | 2020-07-02 | 2021-05-25 | 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2022004198A1 JPWO2022004198A1 (ja) | 2022-01-06 |
| JP7436666B2 true JP7436666B2 (ja) | 2024-02-21 |
Family
ID=79315908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022533741A Active JP7436666B2 (ja) | 2020-07-02 | 2021-05-25 | 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230125525A1 (ja) |
| EP (1) | EP4177605A4 (ja) |
| JP (1) | JP7436666B2 (ja) |
| CN (1) | CN115769073A (ja) |
| WO (1) | WO2022004198A1 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008215820A (ja) | 2007-02-28 | 2008-09-18 | Tokyo Institute Of Technology | スペクトルを用いた解析方法 |
| JP2013113680A (ja) | 2011-11-28 | 2013-06-10 | Keio Gijuku | 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム |
| US20150339816A1 (en) | 2013-01-08 | 2015-11-26 | Agency For Science, Technology And Research | A method and system for assessing fibrosis in a tissue |
| WO2019044579A1 (ja) | 2017-08-31 | 2019-03-07 | 国立大学法人大阪大学 | 病理診断装置、画像処理方法及びプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2772882A1 (en) * | 2013-03-01 | 2014-09-03 | Universite D'angers | Automatic measurement of lesions on medical images |
| EP2980753A1 (en) * | 2014-08-01 | 2016-02-03 | Centre Hospitalier Universitaire d'Angers | Method for displaying easy-to-understand medical images |
-
2021
- 2021-05-25 WO PCT/JP2021/019793 patent/WO2022004198A1/ja active Application Filing
- 2021-05-25 EP EP21833599.0A patent/EP4177605A4/en active Pending
- 2021-05-25 CN CN202180045590.8A patent/CN115769073A/zh active Pending
- 2021-05-25 JP JP2022533741A patent/JP7436666B2/ja active Active
-
2022
- 2022-12-23 US US18/146,030 patent/US20230125525A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008215820A (ja) | 2007-02-28 | 2008-09-18 | Tokyo Institute Of Technology | スペクトルを用いた解析方法 |
| JP2013113680A (ja) | 2011-11-28 | 2013-06-10 | Keio Gijuku | 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム |
| US20150339816A1 (en) | 2013-01-08 | 2015-11-26 | Agency For Science, Technology And Research | A method and system for assessing fibrosis in a tissue |
| WO2019044579A1 (ja) | 2017-08-31 | 2019-03-07 | 国立大学法人大阪大学 | 病理診断装置、画像処理方法及びプログラム |
Non-Patent Citations (1)
| Title |
|---|
| CALVARUSO, Vincenza et al.，Computer-Assisted Image Analysis of Liver Collagen: Relationship to Ishak Scoring and Hepatic Venous，Hepatology，2009年，49(4)，1236-1244 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115769073A (zh) | 2023-03-07 |
| EP4177605A4 (en) | 2023-12-06 |
| EP4177605A1 (en) | 2023-05-10 |
| JPWO2022004198A1 (ja) | 2022-01-06 |
| US20230125525A1 (en) | 2023-04-27 |
| WO2022004198A1 (ja) | 2022-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6772066B2 (ja) | 画像を処理して解析するための検査装置 | |
| JP6463742B2 (ja) | 医用画像処理法 | |
| US10165987B2 (en) | Method for displaying medical images | |
| CN103327883A (zh) | 医用图像处理装置和医用图像处理方法 | |
| JP5771513B2 (ja) | 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム | |
| KR20200108686A (ko) | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 | |
| KR20160118037A (ko) | 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법 | |
| Gerber et al. | Automatic estimation of the optic nerve sheath diameter from ultrasound images | |
| JP7436666B2 (ja) | 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム | |
| US20230117179A1 (en) | System and method for generating an indicator from an image of a histological section | |
| KR102393661B1 (ko) | 다중 영상 내시경 시스템, 그 영상 제공 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| Sofian et al. | Detection of the lumen boundary in the coronary artery disease | |
| CN110827255A (zh) | 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统 | |
| Kollorz et al. | Using power watersheds to segment benign thyroid nodules in ultrasound image data | |
| EP3954272A1 (en) | Fundus imaging for microvascular assessment | |
| JP6697274B2 (ja) | 医用情報処理装置、医用画像診断装置、医用情報処理方法および医用情報処理プログラム | |
| JP2004133736A (ja) | 医用画像表示方法及びその装置 | |
| Patil et al. | Implementation of segmentation of blood vessels in retinal images on FPGA | |
| McGarry et al. | Vessel Metrics: A software tool for automated analysis of vascular structure in confocal imaging | |
| JP4068098B2 (ja) | 血流測定装置 | |
| Swiderska-Chadaj et al. | Automatic quantification of vessels in hemorrhoids whole slide images | |
| WO2024104388A1 (zh) | 一种超声图像处理方法、装置、电子设备及存储介质 | |
| Tan et al. | CT image enhancement by colorization for brain infarct detection | |
| Begimov | EXTRACTING TAGGING FROM EXOCARDIOGRAPHIC IMAGES VIA MACHINE LEARNING ALGORITHMICS | |
| McGarry et al. | Vessel Metrics: A python based software tool for automated analysis of vascular structure in confocal imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221220 |
|
| 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: 20240116 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240208 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7436666 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |