【発明の詳細な説明】
【産業上の利用分野１
本発明は、階層型ネットワークを用いたバタン分類装置
、特に、血球分類装置に関する。
（従来の技術］
特公昭５８−２９８７２に記載されているように、従来
の血球分類（主に白血球分類）では、第４図に示した特
徴パラメータをもとに、統計的識別関数を多段階に組み
合わせた識別論理あるいは枝分かれ識別論理を用いてい
る。
（発明が解決しようとする課題１
従来の識別論理では、ｍ別論理の学習に必要なサンプル
数が容易に収集可能でかつ特徴パラメータ空間での分布
も比較的単純な成熟白血球（正常白血球）の分類は精度
良く行えるが、サンプルの収集が必ずしも容易でなくか
つ特徴パラメータ空間での分布も複雑な未熟血球（異常
血球）の検出分類の精度は必ずしも満足できるものでは
ない。
本発明の目的は、階層型ネットワークを用いた学習・識
別により、このような問題点を改善した血球自動分類装
置を提供することにある。
【課題を解決するための手段］
上記目的を達成するため、本発明の自動分類装置では、
サンプル数が比較的少なく高次の非線形識別が必要なパ
ラメータ分布の場合でも学習・識別が可能なニューラル
ネットワークを識別論理として用いる。
【作用１
本発明においては、識別論理として、階層型ニューラル
ネットワークを用いる。階層型ニューラルネットワーク
は、第２図のようにカテゴリー間の分布が互いに交叉し
ているような場合でも学習識別が可能であり、特徴パラ
メータ空間での分布が複雑な未熟血球の識別に好適であ
る。
階層型ニューラルネットワークとしては、第３図のよう
な入力層、中間層、出力層の３Ｍから成るネットワーク
を、ノードの閾値関数としては例えばシグモイド関数を
用いる。中間層は、−膜形としては多層であるが、ここ
では−層の例を示している。また、入力と出力の関係は
、
ただし、
ｘ、：入力パラメータ
Ｚ、：出力
Ｗｔｊ、 ’Ｊｊ＊ ：重み係数
ｆ（）：閾値関数
であり、シグモイド関数とは。
ｆ （ｕ） ＝１／ （１＋ｅｘｐ （−ｕ） ’ｊ
（２）の形で与えられる関数である。
入力層に特徴パラメータ数分のノード、出力層にカテゴ
リー数分のノード、中間層には上記両層のノード数に見
合った数のノードを設け、あるカテゴリーの血球の特徴
パラメータを入力層のノードに与えたとき、出力層の上
記カテゴリーに対応するノードに教師データ、としてＩ
Ｉ Ｉ １１．出力層の他のノードには０”を与え、教
師データと出力データの誤差を小さくするように、所謂
パックプロパゲーション法（例えば、ニューラルネット
ワーク情報処理：産業図書、１９８８ ）を用いて、ネ
ットワークノード間の重み係数を変更する。以上の処理
を繰返し、重み係数を最適化する。このプロセスが学習
であり、学習後の重み係数を基に識別を行う。具体的に
は、（１）式で得られる出力値２゜（ｋ＝１〜ｎｈ＋
ｎｌ、：カテゴリー数）から、ｍ ＝ （ｋＩｍａｘＺ
、、 ｋ＝１〜ｎｈ）なるｍを求め、入力血球の属する
カテゴリーをｍ番目のカテゴリーとすることにより識別
を行う。
血球画像を直接入力層に入力し、特徴抽出自体をニュー
ラルネットワークで行うことも考えられるが、ここでは
、従来の領域分割法（例えば、特司昭５９−１１４６６
７ ）を用いて抽出した特徴パラメータを入力層に入力
している。
【実施例】
本発明の一実施例を図面により説明する。
第１図は１本発明の一実施例の装置構成を示したブロッ
ク図である。血球像を血液像入力装置４１で入力し、上
記入力像を特徴抽出装置４２で処理し、血球の特徴パラ
メータを柚呂したのち、階層型ニューラルネットワーク
を内蔵した識別装置４３で識別したのち、識別結果を出
力・表示装置４４で出力する。
血液像入力装置４１．特徴抽出装置４２の構成に関して
は、特開昭５９−１１４６６７に詳しい。
特徴抽出装置４２の出力、すなｔ＋？）識別装置４３の
入力である特徴パラメータとしては、血球の核に関して
は、面積、周囲長、形状（面積周囲長比、核の太さ、凸
凹、核数など）、１度、色調、テクスチャーなど、血球
の細胞質に関しては、面積、濃度１色調、テクスチャー
、顆粒など、核・細胞質相対情報に関しては、面積、濃
度などがあり、閾値関数としてはシグモイド関数、線形
関数などが適用可能である
本実施例の識別装置４３では、核面積、核周囲長、核平
均濃度（赤、緑、青）、核テクスチャー１（赤、緑）、
核テクスチャー２（赤、緑）、細胞質面積、細胞質１度
（赤、緑、青）の１３個の特徴パラメータに対応して、
入力層のノード数を１３とし、出力層のノード数は成熟
球、未熟縁、アーチファクトのカテゴリー数に対応して
３ｏに設定している。
また、中間層は実駄的に１層５０〜１００ノードとし、
閾値関数としては、シグモイド関数を用いている。ただ
し、ネットワークの構成等は必ずしもこれに限定される
ものではない。
上記識別装＠４３において、特徴抽出装置４２の出力を
用いて（１）式の計算を行い、出力値Ｚｋ（ｋ＝１〜ｎ
ｋ＋ ｎｈ：カテゴリー数）をもとに、ｍ ＝ （ｋｌ
ｍａｘ ｚｋ、 ｋ＝１Ｐ−ｎ１１）
（３）ｍ≧Ｔ（４）
なるとき、入力血球はｍ番目のカテゴリーに屑するとし
、
ｍ ＜ Ｔ
（５）なるとき、入力血球は不明血球とす
る。■の値としては、例えば０．８を用いる。上記識別
結果を逐一あるいは一定個数の血球処理後、出力表示装
置４４に表示する。
本実施例の特徴抽出装置４２、識別装置４３は汎用計算
機上で実現することも可能である。また。
学習は上記識別装置４３で行うことも可能であり、他の
計算機上（専用高速演算装置）で学習実行後、重み係数
を上記識別袋＠４３に移植することも可能である。
【発明の効果］
階層型ニューラルネットワークを識別論理として用いる
ことにより、サンプルの収集が必ずしも容易でなく特徴
パラメータの分布も複雑な未熟血球（異常血球）の高精
度検出分類が可能な血球自動分類装置が実現できる。
また１階層型ニューラルネットワークを識別論理として
用いることにより、成熟白血球と未熟血球が混在する骨
髄像の高精度分類が可能な血球自動分類装置が実現でき
る。DETAILED DESCRIPTION OF THE INVENTION [Industrial Field of Application 1] The present invention relates to a batan classification device using a hierarchical network, and particularly to a blood cell classification device. (Prior art) As described in Japanese Patent Publication No. 58-29872, in conventional blood cell classification (mainly white blood cell classification), a statistical discriminant function is applied in multiple stages based on the characteristic parameters shown in Fig. 4. (Problem to be solved by the invention 1) In conventional discriminative logic, the number of samples required for learning the m-based logic can be easily collected and the number of samples required for learning the m-based logic can be easily collected and Although the classification of mature white blood cells (normal white blood cells), which has a relatively simple distribution, can be performed with high accuracy, the accuracy of detection and classification of immature blood cells (abnormal blood cells), for which sample collection is not necessarily easy and the distribution in the feature parameter space is complex, is high. is not necessarily satisfactory.An object of the present invention is to provide an automatic blood cell classification device that improves these problems by learning and identifying using a hierarchical network. Means] In order to achieve the above object, the automatic classification device of the present invention includes the following steps:
A neural network is used as the discrimination logic, which can learn and discriminate even when the number of samples is relatively small and the parameter distribution requires high-order nonlinear discrimination. [Operation 1] In the present invention, a hierarchical neural network is used as the discrimination logic. Hierarchical neural networks are capable of learning discrimination even in cases where the distributions between categories intersect with each other, as shown in Figure 2, and are suitable for identifying immature blood cells whose distribution in the feature parameter space is complex. . As the hierarchical neural network, a network consisting of 3M of input layer, intermediate layer, and output layer as shown in FIG. 3 is used, and a sigmoid function, for example, is used as the threshold function of the node. Although the intermediate layer is multilayer in the form of a film, an example of a film is shown here. Furthermore, the relationship between input and output is as follows: x,: input parameter Z,: output Wtj, 'Jj*: weighting coefficient f(): threshold function, and is a sigmoid function. f (u) =1/ (1+exp (-u) 'j
This is a function given in the form (2). The input layer has nodes for the number of feature parameters, the output layer has nodes for the number of categories, and the middle layer has a number of nodes commensurate with the number of nodes in both layers. , the node corresponding to the above category in the output layer is given as training data,
I I 11. Other nodes in the output layer are given 0'', and the so-called pack propagation method (for example, neural network information processing: Sangyo Tosho, 1988) is used to reduce the error between the training data and the output data. Change the weighting coefficient between.The above process is repeated to optimize the weighting coefficient.This process is learning, and discrimination is performed based on the weighting coefficient after learning.Specifically, in equation (1), Obtained output value 2° (k=1~nh+
nl, : number of categories), m = (kImaxZ
,, k=1 to nh), and identification is performed by setting the category to which the input blood cell belongs to the m-th category. It is also possible to directly input the blood cell image to the input layer and perform the feature extraction itself using a neural network, but here we will use conventional region segmentation methods (for example, Tokushi Sho 59-11466
The feature parameters extracted using 7) are input to the input layer. [Example] An example of the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing the configuration of an apparatus according to an embodiment of the present invention. A blood cell image is inputted by a blood image input device 41, the input image is processed by a feature extraction device 42, the feature parameters of the blood cells are extracted, and then the blood cells are identified by an identification device 43 having a built-in hierarchical neural network. The results are output on the output/display device 44. Blood image input device 41. The configuration of the feature extracting device 42 is detailed in Japanese Patent Laid-Open No. 59-114667. The output of the feature extraction device 42 is t+? ) Characteristic parameters that are input to the identification device 43 include area, perimeter, shape (area to perimeter ratio, nuclear thickness, unevenness, number of nuclei, etc.), degree, color tone, texture, etc. for blood cell nuclei. Regarding the cytoplasm of blood cells, there are area, density, one tone, texture, granules, etc., and relative information on nucleus/cytoplasm includes area, concentration, etc. As a threshold function, a sigmoid function, a linear function, etc. can be applied. In the example identification device 43, nuclear area, nuclear circumference, nuclear average concentration (red, green, blue), nuclear texture 1 (red, green),
Corresponding to 13 feature parameters: nuclear texture 2 (red, green), cytoplasm area, cytoplasm 1 degree (red, green, blue),
The number of nodes in the input layer is set to 13, and the number of nodes in the output layer is set to 3o, corresponding to the number of categories of mature spheres, immature edges, and artifacts. In addition, for practical reasons, the middle layer should have 50 to 100 nodes per layer.
A sigmoid function is used as the threshold function. However, the network configuration etc. are not necessarily limited to this. In the identification device @43, the output of the feature extraction device 42 is used to calculate the formula (1), and the output value Zk (k=1 to n
m = (kl
max zk, k=1P-n11)
(3) When m≧T(4), the input blood cells are assumed to be waste in the m-th category, and m < T
(5) When this happens, the input blood cells are assumed to be unknown blood cells. As the value of (2), for example, 0.8 is used. The above identification results are displayed on the output display device 44 after processing one by one or a certain number of blood cells. The feature extraction device 42 and identification device 43 of this embodiment can also be realized on a general-purpose computer. Also. Learning can also be performed by the above-mentioned identification device 43, and it is also possible to transfer the weighting coefficients to the above-mentioned identification bag @43 after learning is performed on another computer (dedicated high-speed calculation device). [Effect of the invention] By using a hierarchical neural network as the discrimination logic, an automatic blood cell classification device is capable of highly accurate detection and classification of immature blood cells (abnormal blood cells) for which sample collection is not necessarily easy and the distribution of characteristic parameters is complex. can be realized. Furthermore, by using a one-layer neural network as the discrimination logic, an automatic blood cell classification device capable of highly accurate classification of a bone marrow image containing a mixture of mature white blood cells and immature blood cells can be realized.
【図面の簡単な説明】[Brief explanation of the drawing]
第１図は本発明の一実施例の血球自動分類装置の構成例
を示すブロック図１、第２図は特徴パラメータの高次非
線形の分布例を示す図、第３図はニューラルネットの説
明図、第４図は血球特徴パラメータの説明図である。
符号の説明
４１・・・血液像入力装置 ４２・・・特徴抽出装置
４３・・・識別装置 ４４・・・出力・表示装
置￥
！
図
第
図
予今イ籾パラメーター １
箒
図
箒
図
上を乙バラメーフのキ且と今すぞFig. 1 is a block diagram showing an example of the configuration of an automatic blood cell classification device according to an embodiment of the present invention, Fig. 2 is a diagram showing an example of high-order nonlinear distribution of feature parameters, and Fig. 3 is an explanatory diagram of a neural network. , FIG. 4 is an explanatory diagram of blood cell characteristic parameters. Explanation of symbols 41...Blood image input device 42...Feature extraction device 43...Identification device 44...Output/display device ¥! Fig. Fig. Preparation of paddy parameters 1. Broom drawing Now, place the top of the broom drawing as the key of Otobaramefu.