JPH063252A - 粒子分析方法及び装置 - Google Patents
粒子分析方法及び装置Info
- Publication number
- JPH063252A JPH063252A JP4186265A JP18626592A JPH063252A JP H063252 A JPH063252 A JP H063252A JP 4186265 A JP4186265 A JP 4186265A JP 18626592 A JP18626592 A JP 18626592A JP H063252 A JPH063252 A JP H063252A
- Authority
- JP
- Japan
- Prior art keywords
- estimated
- particles
- information
- particle
- cluster
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims description 22
- 238000009826 distribution Methods 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 210000002569 neuron Anatomy 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 239000006185 dispersion Substances 0.000 claims abstract description 16
- 238000013139 quantization Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 210000003677 hemocyte Anatomy 0.000 abstract description 3
- 210000000601 blood cell Anatomy 0.000 description 94
- 230000005484 gravity Effects 0.000 description 34
- 210000004698 lymphocyte Anatomy 0.000 description 29
- 210000001616 monocyte Anatomy 0.000 description 16
- 210000003714 granulocyte Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 210000000805 cytoplasm Anatomy 0.000 description 4
- 239000008187 granular material Substances 0.000 description 4
- 210000004940 nucleus Anatomy 0.000 description 4
- 238000004820 blood count Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003219 hemolytic agent Substances 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- KTUFKADDDORSSI-UHFFFAOYSA-N acebutolol hydrochloride Chemical compound Cl.CCCC(=O)NC1=CC=C(OCC(O)CNC(C)C)C(C(C)=O)=C1 KTUFKADDDORSSI-UHFFFAOYSA-N 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 229940000351 hemocyte Drugs 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
- G01N15/12—Investigating individual particles by measuring electrical or magnetic effects by observing changes in resistance or impedance across apertures when traversed by individual particles, e.g. by using the Coulter principle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1019—Associating Coulter-counter and optical flow cytometer [OFC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1024—Counting particles by non-optical means
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
(57)【要約】
【目的】 特徴空間における異常な分布や複雑な分布で
あっても、短時間で高精度に最適な分類を行うこと。 【構成】 複数の血球をそれぞれ測定することにより、
血球個々に複数のパラメータからなる測定データを順次
得て、これら測定データを各パラメータを基に分布デー
タ変換手段22において分布データに変換する。パラメー
タの数に応じた数のニューロンにより構成された入力層
を有し、予想されるカテゴリー数に対応した数のニュー
ロンにより構成された出力層を有するニューラルネット
ワーク24に、測定データを順次入力し、教師なしの学習
ベクトル量子化法を行い、各カテゴリーに対応するクラ
スタごとにその重心ベクトル情報、粒子数推定情報、粒
子の分散推定情報を得る。このクラスタ情報を用いて、
分布データをクラスタリング手段40においてクラスタリ
ングする。
あっても、短時間で高精度に最適な分類を行うこと。 【構成】 複数の血球をそれぞれ測定することにより、
血球個々に複数のパラメータからなる測定データを順次
得て、これら測定データを各パラメータを基に分布デー
タ変換手段22において分布データに変換する。パラメー
タの数に応じた数のニューロンにより構成された入力層
を有し、予想されるカテゴリー数に対応した数のニュー
ロンにより構成された出力層を有するニューラルネット
ワーク24に、測定データを順次入力し、教師なしの学習
ベクトル量子化法を行い、各カテゴリーに対応するクラ
スタごとにその重心ベクトル情報、粒子数推定情報、粒
子の分散推定情報を得る。このクラスタ情報を用いて、
分布データをクラスタリング手段40においてクラスタリ
ングする。
Description
【０００１】
【産業上の利用分野】本発明は、粒子がどのカテゴリー
に帰属するか分類すると共に、各カテゴリーに帰属した
粒子の数を計数する方法及び装置に関し、特にニューラ
ルネットワーク及びファジィ・クラスタリング技術を使
用したものに関する。
に帰属するか分類すると共に、各カテゴリーに帰属した
粒子の数を計数する方法及び装置に関し、特にニューラ
ルネットワーク及びファジィ・クラスタリング技術を使
用したものに関する。
【０００２】
【従来の技術】粒子の分類、計数を行う装置には、例え
ば血球分類装置がある。従来、ニューラルネットワーク
を用いた血球分類装置として、特開平３−１３１７５６
号公報に開示されたものがある。これは、誤差逆伝搬型
ニューラルネットワークの入力層に、様々なカテゴリー
に属する血球の特徴パラメータを入力して、ニューラル
ネットワークに教師付きで学習させた後、分類しようと
する各血球の特徴パラメータを入力層に入力して、これ
ら各血球を各カテゴリーに分類し、各カテゴリーに属し
た血球の数を計数するものである。
ば血球分類装置がある。従来、ニューラルネットワーク
を用いた血球分類装置として、特開平３−１３１７５６
号公報に開示されたものがある。これは、誤差逆伝搬型
ニューラルネットワークの入力層に、様々なカテゴリー
に属する血球の特徴パラメータを入力して、ニューラル
ネットワークに教師付きで学習させた後、分類しようと
する各血球の特徴パラメータを入力層に入力して、これ
ら各血球を各カテゴリーに分類し、各カテゴリーに属し
た血球の数を計数するものである。
【０００３】
【発明が解決しようとする課題】しかし、このような血
球分類装置では、誤差逆伝搬型ニューラルネットワーク
を使用しているので、例えば未学習カテゴリーのデータ
の特徴パラメータが入力されると、既学習のカテゴリー
に誤って分類する可能性があった。また、特徴パラメー
タの分布が複雑な場合には、学習に長時間を要してい
た。
球分類装置では、誤差逆伝搬型ニューラルネットワーク
を使用しているので、例えば未学習カテゴリーのデータ
の特徴パラメータが入力されると、既学習のカテゴリー
に誤って分類する可能性があった。また、特徴パラメー
タの分布が複雑な場合には、学習に長時間を要してい
た。
【０００４】本発明は、特徴パラメータの異常な分布や
複雑な分布であっても、短時間で高精度に最適な分類
（クラスタリング）を行うことができる粒子分析方法及
び装置を提供することを目的とする。
複雑な分布であっても、短時間で高精度に最適な分類
（クラスタリング）を行うことができる粒子分析方法及
び装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】上記の目的を達成するた
めに、本発明では、複数の特徴パラメータからなる時系
列の測定データを、特徴パラメータ空間の分布データに
変換しながら、測定データをニューラルネットワークに
入力し、クラスタ情報（各クラスタの分布の重心等）を
推定し、この推定クラスタ情報を用いて、分布データを
クラスタリングするものである。
めに、本発明では、複数の特徴パラメータからなる時系
列の測定データを、特徴パラメータ空間の分布データに
変換しながら、測定データをニューラルネットワークに
入力し、クラスタ情報（各クラスタの分布の重心等）を
推定し、この推定クラスタ情報を用いて、分布データを
クラスタリングするものである。
【０００６】即ち、本発明による粒子分析方法は、複数
の粒子をそれぞれ測定することにより、粒子個々に複数
のパラメータからなる測定データを順次得て、これら測
定データを上記各パラメータを基に分布データに変換す
る工程と、上記パラメータの数に応じた数のニューロン
により構成された入力層を有し、予想されるカテゴリー
数に対応した数のニューロンにより構成された出力層を
有するニューラルネットワークに、上記測定データを順
次入力し、教師なしの学習ベクトル量子化法を行い、少
なくとも上記各カテゴリーに対応するクラスタごとにそ
の重心ベクトル情報を有するクラスタ情報を推定する工
程と、上記推定工程によって得られたクラスタ情報を用
いて、上記分布データをクラスタリングする工程とを具
備するものである。また、推定工程では、重心ベクトル
情報以外に、粒子の推定粒子数及び／または粒子の推定
分散情報も求め、これらを用いて、クラスタリング工程
で、クラスタリングすることもできる。
の粒子をそれぞれ測定することにより、粒子個々に複数
のパラメータからなる測定データを順次得て、これら測
定データを上記各パラメータを基に分布データに変換す
る工程と、上記パラメータの数に応じた数のニューロン
により構成された入力層を有し、予想されるカテゴリー
数に対応した数のニューロンにより構成された出力層を
有するニューラルネットワークに、上記測定データを順
次入力し、教師なしの学習ベクトル量子化法を行い、少
なくとも上記各カテゴリーに対応するクラスタごとにそ
の重心ベクトル情報を有するクラスタ情報を推定する工
程と、上記推定工程によって得られたクラスタ情報を用
いて、上記分布データをクラスタリングする工程とを具
備するものである。また、推定工程では、重心ベクトル
情報以外に、粒子の推定粒子数及び／または粒子の推定
分散情報も求め、これらを用いて、クラスタリング工程
で、クラスタリングすることもできる。
【０００７】また、本発明による粒子分析装置では、複
数の粒子が供給され、この粒子が通過するごとに、粒子
個々に複数のパラメータからなる測定データを生成する
粒子検出手段と、上記各測定データを上記複数のパラメ
ータを基に分布データに変換する手段と、上記パラメー
タの数に応じた数のニューロンにより構成された入力層
を有し、予想されるカテゴリー数に対応した数のニュー
ロンにより構成された出力層を有し、上記測定データを
順次入力し、教師なしの学習ベクトル量子化法を行い、
少なくとも上記各カテゴリーに対応するクラスタごとに
その重心ベクトル情報を有するクラスタ情報を推定する
ニューラルネットワークと、このニューラルネットワー
クから得られた上記クラスタ情報を用いて、上記分布デ
ータをクラスタリングするクラスタリング手段と、を具
備するものである。また、ニューラルネットワークで
は、重心ベクトル情報以外に、粒子の推定粒子数及び／
または粒子の推定分散情報も求め、これらを用いて、ク
ラスタリング手段によって、クラスタリングすることも
できる。
数の粒子が供給され、この粒子が通過するごとに、粒子
個々に複数のパラメータからなる測定データを生成する
粒子検出手段と、上記各測定データを上記複数のパラメ
ータを基に分布データに変換する手段と、上記パラメー
タの数に応じた数のニューロンにより構成された入力層
を有し、予想されるカテゴリー数に対応した数のニュー
ロンにより構成された出力層を有し、上記測定データを
順次入力し、教師なしの学習ベクトル量子化法を行い、
少なくとも上記各カテゴリーに対応するクラスタごとに
その重心ベクトル情報を有するクラスタ情報を推定する
ニューラルネットワークと、このニューラルネットワー
クから得られた上記クラスタ情報を用いて、上記分布デ
ータをクラスタリングするクラスタリング手段と、を具
備するものである。また、ニューラルネットワークで
は、重心ベクトル情報以外に、粒子の推定粒子数及び／
または粒子の推定分散情報も求め、これらを用いて、ク
ラスタリング手段によって、クラスタリングすることも
できる。
【０００８】
【作用】本発明による粒子分析方法及び装置では、教師
なしの学習ベクトル量子化法によって、各測定データの
分布の重心位置等のクラスタ情報を推定している。この
推定クラスタ情報を用いて、分布データをクラスタリン
グするので、異常な分布や複雑な分布に対しても短時間
で高精度にクラスタリングすることができる。
なしの学習ベクトル量子化法によって、各測定データの
分布の重心位置等のクラスタ情報を推定している。この
推定クラスタ情報を用いて、分布データをクラスタリン
グするので、異常な分布や複雑な分布に対しても短時間
で高精度にクラスタリングすることができる。
【０００９】
【実施例】本実施例は、粒子分析装置、特に白血球の分
析方法及び装置に、本発明を実施したもので、図２に示
すように粒子検出器、例えば血球検出器１０を有してい
る。この血球検出器１０は、測定のために、希釈、溶血
剤の添加等の前処理が施され、白血球だけとされた検体
である懸濁液をサンプルとして各血球を測定するもので
ある。この血球検出器１０では、各血球が個々に測定さ
れ、個々の血球に対してそれぞれ異なる種類のデータが
検出される。
析方法及び装置に、本発明を実施したもので、図２に示
すように粒子検出器、例えば血球検出器１０を有してい
る。この血球検出器１０は、測定のために、希釈、溶血
剤の添加等の前処理が施され、白血球だけとされた検体
である懸濁液をサンプルとして各血球を測定するもので
ある。この血球検出器１０では、各血球が個々に測定さ
れ、個々の血球に対してそれぞれ異なる種類のデータが
検出される。
【００１０】血球検出器１０としては、例えば、細孔
（アパーチャ）に直流電流と高周波電流とを同時に供給
し、この細孔に各血球を通過させ、各血球ごとに直流イ
ンピーダンスの変化に基づく信号と、高周波インピーダ
ンスの変化に基づく信号とを得るものを使用している。
図３（ａ）に示すように、直流電流を細孔に流しておい
た場合、この細孔を溶血剤の添加後の１つの血球が通過
すると、その細胞質１２の大きさに比例した信号が得ら
れる。また、同図（ｂ）に示すように、高周波電流を流
しておいた場合、血球の細胞質１２のような密度の低い
物質のインピーダンスは小さくなり、核や顆粒１４のよ
うな密度の高い物質のインピーダンスは高くなるので、
細孔を通過した１つの血球の核や顆粒１４の密度と大き
さを総合した信号が得られる。即ち、１つの血球から２
種類の特徴パラメータが得られ、これら２種類の特徴パ
ラメータが、各血球から順次得られる。
（アパーチャ）に直流電流と高周波電流とを同時に供給
し、この細孔に各血球を通過させ、各血球ごとに直流イ
ンピーダンスの変化に基づく信号と、高周波インピーダ
ンスの変化に基づく信号とを得るものを使用している。
図３（ａ）に示すように、直流電流を細孔に流しておい
た場合、この細孔を溶血剤の添加後の１つの血球が通過
すると、その細胞質１２の大きさに比例した信号が得ら
れる。また、同図（ｂ）に示すように、高周波電流を流
しておいた場合、血球の細胞質１２のような密度の低い
物質のインピーダンスは小さくなり、核や顆粒１４のよ
うな密度の高い物質のインピーダンスは高くなるので、
細孔を通過した１つの血球の核や顆粒１４の密度と大き
さを総合した信号が得られる。即ち、１つの血球から２
種類の特徴パラメータが得られ、これら２種類の特徴パ
ラメータが、各血球から順次得られる。
【００１１】血球検出器１０から順次発生する２種類の
信号は、増幅器１６で増幅された後、Ａ／Ｄ変換器１８
でディジタル信号にそれぞれ変換される。即ち、量子化
が行われる。この量子化によって、血球の細胞質１２の
大きさを表している直流インピーダンスの変化に基づく
信号、即ち直流成分は、例えば０から２５５までの合計
２５６個のチャンネルのいずれかに量子化され、同様に
血球の核や顆粒１４の密度と大きさを総合した信号、即
ち高周波成分も０から２５５までの合計２５６個のチャ
ンネルのいずれかに量子化される。このように１つの血
球から、直流成分ｘ１、交流成分ｘ２の２つの成分を持
つデータＸ（ｘ１、ｘ２）が得られ、これらデータＸが
各血球ごとに得られる。
信号は、増幅器１６で増幅された後、Ａ／Ｄ変換器１８
でディジタル信号にそれぞれ変換される。即ち、量子化
が行われる。この量子化によって、血球の細胞質１２の
大きさを表している直流インピーダンスの変化に基づく
信号、即ち直流成分は、例えば０から２５５までの合計
２５６個のチャンネルのいずれかに量子化され、同様に
血球の核や顆粒１４の密度と大きさを総合した信号、即
ち高周波成分も０から２５５までの合計２５６個のチャ
ンネルのいずれかに量子化される。このように１つの血
球から、直流成分ｘ１、交流成分ｘ２の２つの成分を持
つデータＸ（ｘ１、ｘ２）が得られ、これらデータＸが
各血球ごとに得られる。
【００１２】各血球ごとに得られたデータＸは、解析装
置２０に供給される。なお、解析装置２０は、パーソナ
ルコンピュータまたはマイクロコンピュータによって構
成され、表示装置２１や入力装置（図示せず）を備えて
いる。
置２０に供給される。なお、解析装置２０は、パーソナ
ルコンピュータまたはマイクロコンピュータによって構
成され、表示装置２１や入力装置（図示せず）を備えて
いる。
【００１３】この解析装置２０の機能ブロック図を図１
に示す。各血球ごとに得られたデータＸは、データ変換
手段２２に順次供給される。これらデータＸは、図４に
示すような直流成分ｘ１、高周波成分ｘ２を特徴パラメ
ータとし、これら特徴パラメータにより規定される２次
元の分布データＦ（ｘ１、ｘ２）に変換される。この分
布データＦ（ｘ１、ｘ２）は、直流成分ｘ１、高周波成
分ｘ２が、上記のように２５６のチャンネルを持つとす
ると、合計２５６×２５６の血球の状態を表す基本要素
を有し、各基本要素には、その基本要素に該当する血球
の数が記憶される。例えば、図４に示すようにｘ１成分
が１チャンネルで、ｘ２成分が２チャンネルである基本
要素の値が６であると、直流成分ｘ１（血球の細胞質１
２の大きさの信号）が１で、高周波成分ｘ２（核や顆粒
１４の密度と大きさを総合した信号の大きさ）が２であ
る血球が６個存在していることを表している。即ち、Ｆ
（１、２）＝６である。
に示す。各血球ごとに得られたデータＸは、データ変換
手段２２に順次供給される。これらデータＸは、図４に
示すような直流成分ｘ１、高周波成分ｘ２を特徴パラメ
ータとし、これら特徴パラメータにより規定される２次
元の分布データＦ（ｘ１、ｘ２）に変換される。この分
布データＦ（ｘ１、ｘ２）は、直流成分ｘ１、高周波成
分ｘ２が、上記のように２５６のチャンネルを持つとす
ると、合計２５６×２５６の血球の状態を表す基本要素
を有し、各基本要素には、その基本要素に該当する血球
の数が記憶される。例えば、図４に示すようにｘ１成分
が１チャンネルで、ｘ２成分が２チャンネルである基本
要素の値が６であると、直流成分ｘ１（血球の細胞質１
２の大きさの信号）が１で、高周波成分ｘ２（核や顆粒
１４の密度と大きさを総合した信号の大きさ）が２であ
る血球が６個存在していることを表している。即ち、Ｆ
（１、２）＝６である。
【００１４】また、このようなデータ変換が行われるた
めに、各血球ごとに得られたデータＸは、データ変換手
段２２に供給されるが、これと並行してニューラルネッ
トワーク２４にも供給される。ニューラルネットワーク
２４は、図４に示した分布データＦ（ｘ１、ｘ２）にお
ける異なった種類の血球の分布の重心位置、分布の分
散、異なった種類の血球の血球数を、高速かつ簡便に推
定するもので、例えば学習ベクトル量子化法に基づくも
のである。
めに、各血球ごとに得られたデータＸは、データ変換手
段２２に供給されるが、これと並行してニューラルネッ
トワーク２４にも供給される。ニューラルネットワーク
２４は、図４に示した分布データＦ（ｘ１、ｘ２）にお
ける異なった種類の血球の分布の重心位置、分布の分
散、異なった種類の血球の血球数を、高速かつ簡便に推
定するもので、例えば学習ベクトル量子化法に基づくも
のである。
【００１５】図５に、このニューラルネットワーク２４
の構造を示す。このニューラルネットワーク２４は、入
力されるデータＸが直流成分ｘ１と交流成分ｘ２との２
種類であるので、入力層は、これらに対応した２つのニ
ューロン２６、２８を有している。また、出力層は、血
球を分類しようとするカテゴリーの数に対応した数のニ
ューロンを有している。この実施例では、リンパ球、単
球、顆粒球、ゴースト（溶血されなかった血小板や赤血
球）、その他の粒子（例えば未成熟球）の５つのカテゴ
リーに分類するので、これらカテゴリーにそれぞれ対応
する５つのニューロン３０、３２、３４、３６、３８を
有している。
の構造を示す。このニューラルネットワーク２４は、入
力されるデータＸが直流成分ｘ１と交流成分ｘ２との２
種類であるので、入力層は、これらに対応した２つのニ
ューロン２６、２８を有している。また、出力層は、血
球を分類しようとするカテゴリーの数に対応した数のニ
ューロンを有している。この実施例では、リンパ球、単
球、顆粒球、ゴースト（溶血されなかった血小板や赤血
球）、その他の粒子（例えば未成熟球）の５つのカテゴ
リーに分類するので、これらカテゴリーにそれぞれ対応
する５つのニューロン３０、３２、３４、３６、３８を
有している。
【００１６】そして、直流成分ｘ１に対応するニューロ
ン２６は、リンパ球に対応するニューロン３０に、重み
Ｗ１１で接続され、さらに単球に対応するニューロン３
２に、重みＷ１２で接続され、リンパ球に対応するニュ
ーロン３４に、重みＷ１３で接続され、ゴーストに対応
するニューロン３６に、重みＷ１４で接続され、その他
の粒子に対応するニューロン３８に、重みＷ１５で接続
されている。同様に交流成分ｘ２に対応するニューロン
２８は、ニューロン３０、３２、３４、３６、３８に、
重みＷ２１、Ｗ２２、Ｗ２３、Ｗ２４、Ｗ２５でそれぞ
れ接続されている。
ン２６は、リンパ球に対応するニューロン３０に、重み
Ｗ１１で接続され、さらに単球に対応するニューロン３
２に、重みＷ１２で接続され、リンパ球に対応するニュ
ーロン３４に、重みＷ１３で接続され、ゴーストに対応
するニューロン３６に、重みＷ１４で接続され、その他
の粒子に対応するニューロン３８に、重みＷ１５で接続
されている。同様に交流成分ｘ２に対応するニューロン
２８は、ニューロン３０、３２、３４、３６、３８に、
重みＷ２１、Ｗ２２、Ｗ２３、Ｗ２４、Ｗ２５でそれぞ
れ接続されている。
【００１７】当初に各重みＷ１１乃至Ｗ２５を任意に設
定し、各血球ごとに得られたデータＸの一部または全部
を対応するニューロン２６、２８に順次入力すると、ニ
ューラルネットワーク２４は、教師なしベクトル量子化
法に基づいて学習を行う。このベクトル量子化法につい
ては、「Neural Network For Signal Processing:Prent
ice-Hall International Editons」に詳細に示されてい
る。
定し、各血球ごとに得られたデータＸの一部または全部
を対応するニューロン２６、２８に順次入力すると、ニ
ューラルネットワーク２４は、教師なしベクトル量子化
法に基づいて学習を行う。このベクトル量子化法につい
ては、「Neural Network For Signal Processing:Prent
ice-Hall International Editons」に詳細に示されてい
る。
【００１８】この学習を行ったことにより、入力された
データの確率密度関数を、ニューラルネットワーク２４
が学習し、各重みＷ１１乃至Ｗ２５の値は、それぞれ変
化し、最終的に荷重ベクトルＶ１（重みＷ１１、Ｗ２
１）は、分布データＦ（ｘ１、ｘ２）におけるリンパ球
の重心の推定位置を、荷重ベクトルＶ２（重みＷ１２、
Ｗ２１）は、分布データＦ（ｘ１、ｘ２）における単球
の重心の推定位置を、荷重ベクトルＶ３（重みＷ１３、
Ｗ２３）は、分布データＦ（ｘ１、ｘ２）における顆粒
球の重心の推定位置を、荷重ベクトルＶ４（重みＷ１
４、Ｗ２４）は、分布データＦ（ｘ１、ｘ２）における
ゴーストの重心の推定位置を、荷重ベクトルＶ５（重み
Ｗ１５、２５）は分布データＦ（ｘ１、ｘ２）における
その他の粒子の重心の推定位置を、表している。なお、
荷重ベクトルＶ５は、サンプルが例えば正常なものであ
ると、初期値のままであることがある。
データの確率密度関数を、ニューラルネットワーク２４
が学習し、各重みＷ１１乃至Ｗ２５の値は、それぞれ変
化し、最終的に荷重ベクトルＶ１（重みＷ１１、Ｗ２
１）は、分布データＦ（ｘ１、ｘ２）におけるリンパ球
の重心の推定位置を、荷重ベクトルＶ２（重みＷ１２、
Ｗ２１）は、分布データＦ（ｘ１、ｘ２）における単球
の重心の推定位置を、荷重ベクトルＶ３（重みＷ１３、
Ｗ２３）は、分布データＦ（ｘ１、ｘ２）における顆粒
球の重心の推定位置を、荷重ベクトルＶ４（重みＷ１
４、Ｗ２４）は、分布データＦ（ｘ１、ｘ２）における
ゴーストの重心の推定位置を、荷重ベクトルＶ５（重み
Ｗ１５、２５）は分布データＦ（ｘ１、ｘ２）における
その他の粒子の重心の推定位置を、表している。なお、
荷重ベクトルＶ５は、サンプルが例えば正常なものであ
ると、初期値のままであることがある。
【００１９】このように学習を終えたニューラルネット
ワーク２４は、入力データの確率密度関数を学習してい
るので、この学習済みのニューラルネットワーク２４に
比較的少数の入力データを入力することによって、各血
球の数を推定することができる。
ワーク２４は、入力データの確率密度関数を学習してい
るので、この学習済みのニューラルネットワーク２４に
比較的少数の入力データを入力することによって、各血
球の数を推定することができる。
【００２０】即ち、リンパ球、単球、顆粒球、ゴース
ト、その他の粒子の各カテゴリーに対応するように、カ
ウンタをそれぞれ設けておき、まず或るデータＸ１が直
流成分ｘ１１、高周波成分ｘ２１で構成されていると、
（ｘ１１−Ｗ１１）2 ＋（ｘ２１−Ｗ１２）2 、（ｘ１
１−Ｗ１２）2 ＋（ｘ２１−Ｗ２２）2 、（ｘ１１−Ｗ
１３）2 ＋（ｘ２１−Ｗ２３）2 、（ｘ１１−Ｗ１４）
2 ＋（ｘ２１−Ｗ２４）2 、（ｘ１１−Ｗ１５）2 ＋
（ｘ２１−Ｗ２５）2 をそれぞれ求める。すなわち、信
号ベクトルと荷重ベクトルとの距離ｄｉ＝‖ｘ１−Ｗｉ
‖を求める。ここでｉは１乃至５、Ｗｉは（Ｗ１ｉ、Ｗ
２ｉ）である。これら各距離の内、値が最も小さいもの
を選択する。
ト、その他の粒子の各カテゴリーに対応するように、カ
ウンタをそれぞれ設けておき、まず或るデータＸ１が直
流成分ｘ１１、高周波成分ｘ２１で構成されていると、
（ｘ１１−Ｗ１１）2 ＋（ｘ２１−Ｗ１２）2 、（ｘ１
１−Ｗ１２）2 ＋（ｘ２１−Ｗ２２）2 、（ｘ１１−Ｗ
１３）2 ＋（ｘ２１−Ｗ２３）2 、（ｘ１１−Ｗ１４）
2 ＋（ｘ２１−Ｗ２４）2 、（ｘ１１−Ｗ１５）2 ＋
（ｘ２１−Ｗ２５）2 をそれぞれ求める。すなわち、信
号ベクトルと荷重ベクトルとの距離ｄｉ＝‖ｘ１−Ｗｉ
‖を求める。ここでｉは１乃至５、Ｗｉは（Ｗ１ｉ、Ｗ
２ｉ）である。これら各距離の内、値が最も小さいもの
を選択する。
【００２１】例えば、ｄ１、すなわち（ｘ１１−Ｗ１
１）2 ＋（ｘ２１−Ｗ１２）2 の値が最も小さいとする
と、Ｗ１１、Ｗ１２は、リンパ球に対する重みであるの
で、リンパ球に対するカウンタの値を１つ大きくする。
即ち、このデータＸ１は、リンパ球に帰属すると決定す
る。以下、同様に、他のデータも入力し、上記と同様な
計算を行い、値が最も小さくなった重みに対応するカテ
ゴリーのカウンタの値を１つ大きくする。このようにす
ることによって、最終的な各カウンタの値ｍ１、ｍ２、
ｍ３、ｍ４、ｍ５は、入力された各データを各カテゴリ
ーに分類した結果を表しているので、これらの値は、各
血球が同じ分布をしていると仮定すると、各カテゴリー
に属する血球数の推定値の比を表す。サンプルが正常な
ものであると、ｍ５が発生しないことがある。すなわ
ち、ｍ５が所定値以下であると、クラスタＣ５は存在し
ないとみなす。
１）2 ＋（ｘ２１−Ｗ１２）2 の値が最も小さいとする
と、Ｗ１１、Ｗ１２は、リンパ球に対する重みであるの
で、リンパ球に対するカウンタの値を１つ大きくする。
即ち、このデータＸ１は、リンパ球に帰属すると決定す
る。以下、同様に、他のデータも入力し、上記と同様な
計算を行い、値が最も小さくなった重みに対応するカテ
ゴリーのカウンタの値を１つ大きくする。このようにす
ることによって、最終的な各カウンタの値ｍ１、ｍ２、
ｍ３、ｍ４、ｍ５は、入力された各データを各カテゴリ
ーに分類した結果を表しているので、これらの値は、各
血球が同じ分布をしていると仮定すると、各カテゴリー
に属する血球数の推定値の比を表す。サンプルが正常な
ものであると、ｍ５が発生しないことがある。すなわ
ち、ｍ５が所定値以下であると、クラスタＣ５は存在し
ないとみなす。
【００２２】また、このようにして血球数を推定する際
に、或るカテゴリーに属するとされたデータは、記憶さ
れる。例えば、上記の場合、データＸ１は、リンパ球の
カテゴリーに属するものとして記憶される。このように
して各カテゴリーに属するとして記憶された各データを
基に、各カテゴリーごとに分散が求められる。
に、或るカテゴリーに属するとされたデータは、記憶さ
れる。例えば、上記の場合、データＸ１は、リンパ球の
カテゴリーに属するものとして記憶される。このように
して各カテゴリーに属するとして記憶された各データを
基に、各カテゴリーごとに分散が求められる。
【００２３】例えばリンパ球のカテゴリーに属するデー
タとして、データＸ１（ｘ１１、ｘ１２）、Ｘ３（ｘ１
３、ｘ２３）、Ｘ７（ｘ１７、ｘ２７）が記憶されたと
すると、ｘ１１、ｘ１３、ｘ１７の平均値ｘ１ｍを求
め、これとｘ１１、ｘ１３、ｘ１７との偏差の自乗がそ
れぞれ求められ、これらの累積値ｓ１１を求める。同様
に、ｘ１２、ｘ２３、ｘ２７の平均値ｘ２ｍが求めら
れ、これとｘ２１、ｘ２３、ｘ２７との偏差の自乗がそ
れぞれ求められ、これらの累積値ｓ１２を求める。この
累積値ｓ１１とｓ１２との加算値を粒子数で割ったもの
をリンパ球の推定分散ｓ１とする。他のカテゴリーでも
同様に推定分散ｓ２、ｓ３、ｓ４、ｓ５が求められる。
タとして、データＸ１（ｘ１１、ｘ１２）、Ｘ３（ｘ１
３、ｘ２３）、Ｘ７（ｘ１７、ｘ２７）が記憶されたと
すると、ｘ１１、ｘ１３、ｘ１７の平均値ｘ１ｍを求
め、これとｘ１１、ｘ１３、ｘ１７との偏差の自乗がそ
れぞれ求められ、これらの累積値ｓ１１を求める。同様
に、ｘ１２、ｘ２３、ｘ２７の平均値ｘ２ｍが求めら
れ、これとｘ２１、ｘ２３、ｘ２７との偏差の自乗がそ
れぞれ求められ、これらの累積値ｓ１２を求める。この
累積値ｓ１１とｓ１２との加算値を粒子数で割ったもの
をリンパ球の推定分散ｓ１とする。他のカテゴリーでも
同様に推定分散ｓ２、ｓ３、ｓ４、ｓ５が求められる。
【００２４】このように、リンパ球、単球、顆粒球、ゴ
ースト、その他の粒子の各カテゴリーに帰属すると推定
されたデータの分散ｓ１、ｓ２、ｓ３、ｓ４、ｓ５を求
めると、各カテゴリーに属する血球が同じ分布をしてい
るとすると、各血球の分布データＦ（ｘ１、ｘ２）にお
ける各血球の分散状態を推定することができる。この場
合も、サンプルが正常であると、ｓ５を求める必要はな
い。
ースト、その他の粒子の各カテゴリーに帰属すると推定
されたデータの分散ｓ１、ｓ２、ｓ３、ｓ４、ｓ５を求
めると、各カテゴリーに属する血球が同じ分布をしてい
るとすると、各血球の分布データＦ（ｘ１、ｘ２）にお
ける各血球の分散状態を推定することができる。この場
合も、サンプルが正常であると、ｓ５を求める必要はな
い。
【００２５】これら粒子数の推定値ｍｉ、分散ｓｉ（ｉ
は１乃至５）の値は、各血球の分布が一様なら、特に推
定値ｍｉだけで各血球の分類、計数を完了したことにな
るが、実際には分布は常に同じとは言えないので、これ
だけで各血球の分類、計数を終了することはできず、近
似値となる。そこで、これらと先に求めた分布の推定位
置Ｖｉ（ｉは１乃至５）を利用して、クラスタリング手
段４０によって、データ変換手段２４によって得られた
分布データＦ（ｘ１、ｘ２）をクラスタリングする。
は１乃至５）の値は、各血球の分布が一様なら、特に推
定値ｍｉだけで各血球の分類、計数を完了したことにな
るが、実際には分布は常に同じとは言えないので、これ
だけで各血球の分類、計数を終了することはできず、近
似値となる。そこで、これらと先に求めた分布の推定位
置Ｖｉ（ｉは１乃至５）を利用して、クラスタリング手
段４０によって、データ変換手段２４によって得られた
分布データＦ（ｘ１、ｘ２）をクラスタリングする。
【００２６】クラスタリング手段４０による分類、計数
を図６に示すフローチャートに基づいて説明する。まず
初期分割を行う（ステップＳ２）。この初期分割では、
図４に示した分布データＦ（ｘ１、ｘ２）のうち、各基
本要素における血球数を無視して、基本要素の分布をカ
テゴリー１のリンパ球であれば、明らかにそこに分布す
ると想定される固定領域Ａ１、カテゴリー２の単球であ
れば、明らかにそこに分布すると想定される固定領域Ａ
２、カテゴリー３の顆粒球であれば、明らかにそこに分
布すると想定される固定領域Ａ３、カテゴリー４のゴー
ストであれば、明らかにそこに分布すると想定される固
定領域Ａ４の４つの領域に分割する（図７参照）。な
お、その他の粒子の初期分割は、設定しない。
を図６に示すフローチャートに基づいて説明する。まず
初期分割を行う（ステップＳ２）。この初期分割では、
図４に示した分布データＦ（ｘ１、ｘ２）のうち、各基
本要素における血球数を無視して、基本要素の分布をカ
テゴリー１のリンパ球であれば、明らかにそこに分布す
ると想定される固定領域Ａ１、カテゴリー２の単球であ
れば、明らかにそこに分布すると想定される固定領域Ａ
２、カテゴリー３の顆粒球であれば、明らかにそこに分
布すると想定される固定領域Ａ３、カテゴリー４のゴー
ストであれば、明らかにそこに分布すると想定される固
定領域Ａ４の４つの領域に分割する（図７参照）。な
お、その他の粒子の初期分割は、設定しない。
【００２７】そして、固定領域Ａ１内に存在する血球
は、リンパ球のクラスタＣ１への帰属度を１とし、固定
領域Ａ２内に存在する血球は、単球のクラスタＣ２への
帰属度を１とし、固定領域Ａ３内に存在する血球は、顆
粒球のクラスタＣ３への帰属度を１とし、固定領域Ａ４
内に存在する血球は、ゴーストのクラスタＣ４への帰属
度を１とする。また、その他の粒子のクラスタＣ５に帰
属する血球は未定である。なお、図７におけるＡ０の領
域は、リンパ球、単球、顆粒球、ゴースト、その他の粒
子いずれとも帰属が未定の領域である。
は、リンパ球のクラスタＣ１への帰属度を１とし、固定
領域Ａ２内に存在する血球は、単球のクラスタＣ２への
帰属度を１とし、固定領域Ａ３内に存在する血球は、顆
粒球のクラスタＣ３への帰属度を１とし、固定領域Ａ４
内に存在する血球は、ゴーストのクラスタＣ４への帰属
度を１とする。また、その他の粒子のクラスタＣ５に帰
属する血球は未定である。なお、図７におけるＡ０の領
域は、リンパ球、単球、顆粒球、ゴースト、その他の粒
子いずれとも帰属が未定の領域である。
【００２８】次に各クラスタＣ１乃至Ｃ５の初期重心の
設定を行う（ステップＳ４）。以下の説明では、その他
の粒子が存在しているものと仮定する。この初期重心の
設定によって、各クラスタＣ１乃至Ｃ５の初期重心位置
ＸＧ１１、ＸＧ２１；ＸＧ１２、ＸＧ２２；ＸＧ１３、
ＸＧ２３；ＸＧ１４、ＸＧ２４；ＸＧ１５、ＸＧ２５
に、そのクラスタ内の全血球が存在していると、一応見
なすことができる。この初期重心位置として、ニューラ
ルネットワーク２４によって推定した重心ベクトルＶ１
乃至Ｖ５を用いる。
設定を行う（ステップＳ４）。以下の説明では、その他
の粒子が存在しているものと仮定する。この初期重心の
設定によって、各クラスタＣ１乃至Ｃ５の初期重心位置
ＸＧ１１、ＸＧ２１；ＸＧ１２、ＸＧ２２；ＸＧ１３、
ＸＧ２３；ＸＧ１４、ＸＧ２４；ＸＧ１５、ＸＧ２５
に、そのクラスタ内の全血球が存在していると、一応見
なすことができる。この初期重心位置として、ニューラ
ルネットワーク２４によって推定した重心ベクトルＶ１
乃至Ｖ５を用いる。
【００２９】次に帰属度の算出を行う（ステップＳ
６）。これは、Ａ１乃至Ａ４のいずれの固定領域にも属
さない血球、即ち図７の領域Ａ０に分布する各血球の各
クラスタＣ１乃至Ｃ５への帰属度を求めるものである。
そのため、領域Ａ０の各血球に対して各クラスタＣ１乃
至Ｃ５の重心位置ＸＧ１ｉ、ＸＧ２ｉ（ｉは１乃至５）
までの距離Ｌｉをそれぞれ求め、この距離Ｌｉとニュー
ラルネットワーク２４で推定した分散ｓｉ、粒子数ｍｉ
に応じて各クラスタＣ１乃至Ｃ５への帰属度を求める。
６）。これは、Ａ１乃至Ａ４のいずれの固定領域にも属
さない血球、即ち図７の領域Ａ０に分布する各血球の各
クラスタＣ１乃至Ｃ５への帰属度を求めるものである。
そのため、領域Ａ０の各血球に対して各クラスタＣ１乃
至Ｃ５の重心位置ＸＧ１ｉ、ＸＧ２ｉ（ｉは１乃至５）
までの距離Ｌｉをそれぞれ求め、この距離Ｌｉとニュー
ラルネットワーク２４で推定した分散ｓｉ、粒子数ｍｉ
に応じて各クラスタＣ１乃至Ｃ５への帰属度を求める。
【００３０】ここで、各血球の各クラスタＣ１乃至Ｃ５
の重心位置ＸＧ１ｉ、ＸＧ２ｉまでの距離は、ユークリ
ッド距離ではなく、図８に示すように対象となるクラス
タの重心位置、例えばリンパ球の場合、ＸＧ１１、ＸＧ
２１を中心として、予めそのクラスタに応じて定めた特
定の傾きθ、例えばリンパ球の場合θ１を持ち、対象と
なる血球４２がその弧上に位置する楕円を描き、その楕
円の短径の１／２を距離としている。このように実測距
離Ｌｉを定めているのは、リンパ球、単球、顆粒球等の
実際の分布がほぼ楕円状に分布しているからであり、同
じ楕円上に位置する血球、例えば図８における血球４
２、４４は、同じ帰属度でクラスタＣ１に属することに
なり、クラスタリングを行った後の各クラスタを楕円に
纏めるという効果がある。
の重心位置ＸＧ１ｉ、ＸＧ２ｉまでの距離は、ユークリ
ッド距離ではなく、図８に示すように対象となるクラス
タの重心位置、例えばリンパ球の場合、ＸＧ１１、ＸＧ
２１を中心として、予めそのクラスタに応じて定めた特
定の傾きθ、例えばリンパ球の場合θ１を持ち、対象と
なる血球４２がその弧上に位置する楕円を描き、その楕
円の短径の１／２を距離としている。このように実測距
離Ｌｉを定めているのは、リンパ球、単球、顆粒球等の
実際の分布がほぼ楕円状に分布しているからであり、同
じ楕円上に位置する血球、例えば図８における血球４
２、４４は、同じ帰属度でクラスタＣ１に属することに
なり、クラスタリングを行った後の各クラスタを楕円に
纏めるという効果がある。
【００３１】ここで、リンパ球の場合、図８に示すよう
に楕円の短径の１／２をａ、長径の１／２をａｋ（ｋは
長短径比）とすると、楕円の方程式は数１で示される。
に楕円の短径の１／２をａ、長径の１／２をａｋ（ｋは
長短径比）とすると、楕円の方程式は数１で示される。
【００３２】
【数１】
【００３３】これを変形すると、数２が得られる。
【００３４】
【数２】
【００３５】数２をさらに数３のように変形することに
よってａが求められる。
よってａが求められる。
【００３６】
【数３】
【００３７】但し、Ｘ１”、Ｘ２”は、数４、数５によ
って求められ、ここでＸ１、Ｘ２は対象となる血球４２
の分布データＦ（ｘ１、ｘ２）における直流成分、高周
波成分のディジタル値である。なお、楕円の傾きθ１、
長短径比ｋは、実際の分布に合うように定められる。こ
のようにして、血球４２の各クラスタＣ１乃至Ｃ５の重
心位置ＸＧ１１、ＸＧ２１；ＸＧ１２、ＸＧ２２；ＸＧ
１３、ＸＧ２３；ＸＧ１４、ＸＧ２４；ＸＧ１５、ＸＧ
２５までの距離Ｌ１、Ｌ２、Ｌ３、Ｌ４、Ｌ５を求め
る。
って求められ、ここでＸ１、Ｘ２は対象となる血球４２
の分布データＦ（ｘ１、ｘ２）における直流成分、高周
波成分のディジタル値である。なお、楕円の傾きθ１、
長短径比ｋは、実際の分布に合うように定められる。こ
のようにして、血球４２の各クラスタＣ１乃至Ｃ５の重
心位置ＸＧ１１、ＸＧ２１；ＸＧ１２、ＸＧ２２；ＸＧ
１３、ＸＧ２３；ＸＧ１４、ＸＧ２４；ＸＧ１５、ＸＧ
２５までの距離Ｌ１、Ｌ２、Ｌ３、Ｌ４、Ｌ５を求め
る。
【００３８】
【数４】
【数５】
【００３９】例えば、このようにして血球４２の各クラ
スタＣ１乃至Ｃ５への距離をＬ１乃至Ｌ５を求めると、
これらとニューラルネットワーク２４で求めた推定得粒
子数ｍｉ、推定分散ｓｉを用いて、この血球４２のクラ
スタＣ１への帰属度は、数６によって求められる。無
論、この帰属度は、０乃至１の値である。
スタＣ１乃至Ｃ５への距離をＬ１乃至Ｌ５を求めると、
これらとニューラルネットワーク２４で求めた推定得粒
子数ｍｉ、推定分散ｓｉを用いて、この血球４２のクラ
スタＣ１への帰属度は、数６によって求められる。無
論、この帰属度は、０乃至１の値である。
【００４０】
【数６】
【００４１】但し、Ｒｉは数７で示す値である。
【００４２】
【数７】
【００４３】ここでｉを１とすると、Ｒ１は、リンパ球
の推定数ｍ１と、分散ｓ１の平方根との積を、血球４２
のリンパ球までの実測距離Ｌ１の自乗で除算した値とな
る。ここで、ｍ１の値または分散ｓ１の値が大きいとＲ
１は大きくなり、Ｕ42 (1)の値は大きくなる。例えば、
血球の各クラスタへの帰属度を定めるのに距離Ｌｉが小
さい程帰属度が大きいとする考え方がある（特願平３−
１３１７５６号）。この考え方では、粒子数の多さや分
散の程度を全く考慮していない。
の推定数ｍ１と、分散ｓ１の平方根との積を、血球４２
のリンパ球までの実測距離Ｌ１の自乗で除算した値とな
る。ここで、ｍ１の値または分散ｓ１の値が大きいとＲ
１は大きくなり、Ｕ42 (1)の値は大きくなる。例えば、
血球の各クラスタへの帰属度を定めるのに距離Ｌｉが小
さい程帰属度が大きいとする考え方がある（特願平３−
１３１７５６号）。この考え方では、粒子数の多さや分
散の程度を全く考慮していない。
【００４４】しかし、現実には、そのクラスタに属する
と予測される粒子数が多いほど、またはそのクラスタに
属する粒子の分散が大きいほど、そのクラスタに属する
粒子は多いと考えられる。そこで、この実施例では、推
定数ｍｉや分散ｓｉを導入し、粒子数が多い場合または
分散が大きいと、ｍｉやｓｉから推定できる場合には、
そのクラスタへの帰属度を大きくとっている。
と予測される粒子数が多いほど、またはそのクラスタに
属する粒子の分散が大きいほど、そのクラスタに属する
粒子は多いと考えられる。そこで、この実施例では、推
定数ｍｉや分散ｓｉを導入し、粒子数が多い場合または
分散が大きいと、ｍｉやｓｉから推定できる場合には、
そのクラスタへの帰属度を大きくとっている。
【００４５】他の単球、顆粒球、ゴースト、その他の粒
子のクラスタＣ２乃至Ｃ５に対する血球４２の帰属度も
同様にして求める。このような処理を領域Ａ０の全ての
血球に対して行い、全ての血球の各クラスタＣ１乃至Ｃ
５への帰属度を求める。
子のクラスタＣ２乃至Ｃ５に対する血球４２の帰属度も
同様にして求める。このような処理を領域Ａ０の全ての
血球に対して行い、全ての血球の各クラスタＣ１乃至Ｃ
５への帰属度を求める。
【００４６】このようにして領域Ａ０の各血球の各クラ
スタＣ１乃至Ｃ５への帰属度を求めたので、全ての血球
は、各クラスタＣ１乃至Ｃ５にその帰属度に応じた割合
で所属している。従って、その重みを考慮して、各クラ
スタＣ１乃至Ｃ５の重み付き重心の計算を行う（ステッ
プＳ８）。この重み付き重心は、例えばリンパ球のクラ
スタＣ１の重心ＸＧ１１’、ＸＧ２１’の場合、数８、
数９によって求められる。
スタＣ１乃至Ｃ５への帰属度を求めたので、全ての血球
は、各クラスタＣ１乃至Ｃ５にその帰属度に応じた割合
で所属している。従って、その重みを考慮して、各クラ
スタＣ１乃至Ｃ５の重み付き重心の計算を行う（ステッ
プＳ８）。この重み付き重心は、例えばリンパ球のクラ
スタＣ１の重心ＸＧ１１’、ＸＧ２１’の場合、数８、
数９によって求められる。
【００４７】
【数８】
【数９】
【００４８】ここで、ｉは分布データＦ（ｘ１、ｘ２）
における直流成分におけるチャンネル、ｊは同高周波成
分におけるチャンネル、Ｕｉｊ(1) は、ｉ、ｊにおいて
指定される基本要素におけるクラスタ１に対する帰属
度、Ｎｉｊは、基本要素ｉ、ｊにおける血球数である。
他のクラスタについても、同様にして重み付き重心がそ
れぞれ求められる。
における直流成分におけるチャンネル、ｊは同高周波成
分におけるチャンネル、Ｕｉｊ(1) は、ｉ、ｊにおいて
指定される基本要素におけるクラスタ１に対する帰属
度、Ｎｉｊは、基本要素ｉ、ｊにおける血球数である。
他のクラスタについても、同様にして重み付き重心がそ
れぞれ求められる。
【００４９】このようにして各クラスタの重み付き重心
を求めた後、ステップＳ４において求めた各クラスタの
初期重心のうち対応するものと比較し、その変化量が所
定量、例えば０であるか判断する（ステップＳ１０）。
もし、どのクラスタにおいても変化量が０でなければ、
まだ各血球の各クラスタへの重心位置までの距離が確定
されてなく、各血球の各クラスタへの帰属度が一意的に
決定されていないことになる。
を求めた後、ステップＳ４において求めた各クラスタの
初期重心のうち対応するものと比較し、その変化量が所
定量、例えば０であるか判断する（ステップＳ１０）。
もし、どのクラスタにおいても変化量が０でなければ、
まだ各血球の各クラスタへの重心位置までの距離が確定
されてなく、各血球の各クラスタへの帰属度が一意的に
決定されていないことになる。
【００５０】そのような場合、今回求めた各クラスタの
重み付き重心の位置を各クラスタの初期重心の位置に置
き換えて、ステップＳ６、Ｓ８、Ｓ１０を繰り返す。即
ち、各クラスタの重み付き重心の位置までの距離を求
め、この距離と推定血球数と推定分散とに基づいて各ク
ラスタへの帰属度を求め、これら新たな各クラスタの重
み付き重心位置と先の各クラスタの重み付き重心位置と
の変化量が所定であるか判断し、再び所定量未満でなけ
れば、今回求めた各クラスタの重み付き重心位置を初期
重心位置としてステップＳ６、Ｓ８、Ｓ１０を繰り返
す。
重み付き重心の位置を各クラスタの初期重心の位置に置
き換えて、ステップＳ６、Ｓ８、Ｓ１０を繰り返す。即
ち、各クラスタの重み付き重心の位置までの距離を求
め、この距離と推定血球数と推定分散とに基づいて各ク
ラスタへの帰属度を求め、これら新たな各クラスタの重
み付き重心位置と先の各クラスタの重み付き重心位置と
の変化量が所定であるか判断し、再び所定量未満でなけ
れば、今回求めた各クラスタの重み付き重心位置を初期
重心位置としてステップＳ６、Ｓ８、Ｓ１０を繰り返
す。
【００５１】但し、予め定めた回数だけステップＳ６、
Ｓ８、Ｓ１０を繰り返しても、所定量にならない場合を
考慮して、ステップＳ１０の判断がノーの場合、ステッ
プＳ６、Ｓ８、Ｓ１０の実行回数が所定回数か判断し
（ステップＳ１２）、所定回数になった場合、解析不能
表示を表示装置２２に行い（ステップＳ１４）、処理を
終了する。
Ｓ８、Ｓ１０を繰り返しても、所定量にならない場合を
考慮して、ステップＳ１０の判断がノーの場合、ステッ
プＳ６、Ｓ８、Ｓ１０の実行回数が所定回数か判断し
（ステップＳ１２）、所定回数になった場合、解析不能
表示を表示装置２２に行い（ステップＳ１４）、処理を
終了する。
【００５２】各クラスタＣ１乃至Ｃ５への重心の変化が
いずれも所定量となると、各血球の各クラスタＣ１乃至
Ｃ５への最終的な帰属が決定されたので、これに基づい
て各クラスタの血球数を決定する（ステップＳ１６）。
この最終的な帰属の決定方法としては２つある。
いずれも所定量となると、各血球の各クラスタＣ１乃至
Ｃ５への最終的な帰属が決定されたので、これに基づい
て各クラスタの血球数を決定する（ステップＳ１６）。
この最終的な帰属の決定方法としては２つある。
【００５３】そのうちの１つは、各血球の帰属は、最終
的に得られた帰属度のうち、最大の値を示すクラスタへ
帰属するとするものである。例えば、或る基本要素に１
０個の血球があり、これら血球のリンパ球のクラスタＣ
１に対する帰属度が０．９５、単球のクラスタＣ２に対
する帰属度が０．０３、顆粒球のクラスタに対する帰属
度が０．０２、ゴーストのクラスタＣ４に対する帰属度
及びその他の粒子のクラスタＣ５に対する帰属度が共に
０とすると、これら１０個の血球は、最大の帰属度を示
すリンパ球のクラスタＣ１に属するとする。このような
帰属の決定は、帰属度の特定のクラスタ、この場合、リ
ンパ球のクラスタＣ１への帰属度が大きく、各クラスタ
Ｃ１乃至Ｃ５の分離が良い場合に適している。
的に得られた帰属度のうち、最大の値を示すクラスタへ
帰属するとするものである。例えば、或る基本要素に１
０個の血球があり、これら血球のリンパ球のクラスタＣ
１に対する帰属度が０．９５、単球のクラスタＣ２に対
する帰属度が０．０３、顆粒球のクラスタに対する帰属
度が０．０２、ゴーストのクラスタＣ４に対する帰属度
及びその他の粒子のクラスタＣ５に対する帰属度が共に
０とすると、これら１０個の血球は、最大の帰属度を示
すリンパ球のクラスタＣ１に属するとする。このような
帰属の決定は、帰属度の特定のクラスタ、この場合、リ
ンパ球のクラスタＣ１への帰属度が大きく、各クラスタ
Ｃ１乃至Ｃ５の分離が良い場合に適している。
【００５４】もう１つの決定方法は、各血球の帰属は、
最終的に得られた帰属度に応じて確率的に分配するもの
である。例えば、或る基本要素に血球が１０個存在し、
これら血球のリンパ球に対するクラスタＣ１への帰属度
が０、２、単球のクラスタＣ２への帰属度が０．５、顆
粒球のクラスタＣ３への帰属度が０．３、ゴーストへの
クラスタＣ４、その他の粒子のクラスタＣ５への帰属度
が共に０であるとすると、各クラスタＣ１乃至Ｃ５への
帰属度は、ゴースト、その他の粒子に対するクラスタＣ
４、Ｃ５を除いて、比較的接近している。即ち、この基
本要素におけるリンパ球、単球、顆粒球のクラスタの分
布パターンは重なりあっている。このような場合に、最
大の帰属度の単球に、この基本要素の全ての血球を割り
当てると、誤差が大きくなる。
最終的に得られた帰属度に応じて確率的に分配するもの
である。例えば、或る基本要素に血球が１０個存在し、
これら血球のリンパ球に対するクラスタＣ１への帰属度
が０、２、単球のクラスタＣ２への帰属度が０．５、顆
粒球のクラスタＣ３への帰属度が０．３、ゴーストへの
クラスタＣ４、その他の粒子のクラスタＣ５への帰属度
が共に０であるとすると、各クラスタＣ１乃至Ｃ５への
帰属度は、ゴースト、その他の粒子に対するクラスタＣ
４、Ｃ５を除いて、比較的接近している。即ち、この基
本要素におけるリンパ球、単球、顆粒球のクラスタの分
布パターンは重なりあっている。このような場合に、最
大の帰属度の単球に、この基本要素の全ての血球を割り
当てると、誤差が大きくなる。
【００５５】そこで、この１０個の血球を各クラスタＣ
１乃至Ｃ５への帰属度に応じて割り当てると、単球には
５個、リンパ球には２個、顆粒球には３個、ゴーストに
は０個、その他の粒子には０個を割り当てることにな
り、誤差が少なく、複数のクラスタの分布パターンが重
なりあっている場合に有効である。
１乃至Ｃ５への帰属度に応じて割り当てると、単球には
５個、リンパ球には２個、顆粒球には３個、ゴーストに
は０個、その他の粒子には０個を割り当てることにな
り、誤差が少なく、複数のクラスタの分布パターンが重
なりあっている場合に有効である。
【００５６】このように各クラスタへの帰属を上記２つ
のいずれの方法において行うかは、対象となる分布パタ
ーンの性質に応じて定める。
のいずれの方法において行うかは、対象となる分布パタ
ーンの性質に応じて定める。
【００５７】このようにして、各血球の最終的な帰属度
を定め、これを利用して各クラスタＣ１乃至Ｃ５に属す
る血球の数を計数する。
を定め、これを利用して各クラスタＣ１乃至Ｃ５に属す
る血球の数を計数する。
【００５８】さらに、この実施例では、各クラスタの最
終的な重心位置、分布の広がり（最終的に設定した楕円
の長径及び短径）等を計算するので、これらを利用し
て、正常でない分布パターン（例えば病気を持つ患者の
血液を検査した場合、健康な人の血液を検査した場合の
各クラスタＣ１乃至Ｃ３の重心位置、分布の広がりとは
異なったものとなる。）であるか否かの判定を行うこと
ができる。
終的な重心位置、分布の広がり（最終的に設定した楕円
の長径及び短径）等を計算するので、これらを利用し
て、正常でない分布パターン（例えば病気を持つ患者の
血液を検査した場合、健康な人の血液を検査した場合の
各クラスタＣ１乃至Ｃ３の重心位置、分布の広がりとは
異なったものとなる。）であるか否かの判定を行うこと
ができる。
【００５９】解析装置２０に市販されている３２ビット
のパーソナルコンピュータを用いて、実際にこの実施例
を実行した場合の結果を説明する。図９は、正常な検体
のスキャッタグラム、図１０、図１１は異常検体のスキ
ャッタグラムである。図９乃至図１１における（ａ）
は、分類する前の分布データＦ（ｘ１、ｘ２）を表して
おり、同（ｂ）は、分類後の分布データである。なお、
図９乃至図１１において、符号４６はリンパ球のクラス
タＣ１、同４８は単球のクラスタＣ２、同５０は顆粒球
のクラスタＣ３、同５２はゴーストのクラスタＣ４、同
５４はその他の粒子のクラスタＣ５である。この実施例
によれば、正常検体も異常検体も、共に正しく分類でき
ている。
のパーソナルコンピュータを用いて、実際にこの実施例
を実行した場合の結果を説明する。図９は、正常な検体
のスキャッタグラム、図１０、図１１は異常検体のスキ
ャッタグラムである。図９乃至図１１における（ａ）
は、分類する前の分布データＦ（ｘ１、ｘ２）を表して
おり、同（ｂ）は、分類後の分布データである。なお、
図９乃至図１１において、符号４６はリンパ球のクラス
タＣ１、同４８は単球のクラスタＣ２、同５０は顆粒球
のクラスタＣ３、同５２はゴーストのクラスタＣ４、同
５４はその他の粒子のクラスタＣ５である。この実施例
によれば、正常検体も異常検体も、共に正しく分類でき
ている。
【００６０】表１は、図８乃至図１０の（ａ）に示した
分布データＦ（ｘ１、ｘ２）に対して、ニューラルネッ
トワーク２４によって推定された重心位置と、その後の
クラスタリング処理により最終的に定まった重心位置と
を示している。両者はかなり近い値である。これによっ
て、ニューラルネットワーク２４による推定の有用性が
分かる。
分布データＦ（ｘ１、ｘ２）に対して、ニューラルネッ
トワーク２４によって推定された重心位置と、その後の
クラスタリング処理により最終的に定まった重心位置と
を示している。両者はかなり近い値である。これによっ
て、ニューラルネットワーク２４による推定の有用性が
分かる。
【００６１】
【表１】
【００６２】表２は、ニューラルネットワーク２４によ
って推定された分散と、その後のクラスタリング処理に
より最終的に定まった分散とを示している。推定された
分散と最終的に定まった分散とでは若干の乖離が見られ
るが、最終に定まった分散をほぼ推定している。
って推定された分散と、その後のクラスタリング処理に
より最終的に定まった分散とを示している。推定された
分散と最終的に定まった分散とでは若干の乖離が見られ
るが、最終に定まった分散をほぼ推定している。
【００６３】
【表２】
【００６４】表３は、ニューラルネットワーク２４によ
る推定を用いた場合と、用いなかった場合とにおけるク
ラスタリング処理による最終的な重心位置の算出のため
になされた重心位置の演算回数を示している。正常検体
の場合には、ニューラルネットワーク２４を用いた場合
と用いなかった場合とでは、差は見られなかったが、異
常検体の場合には、ニューラルネットワーク２４によっ
て推定した方が、速やかに演算が収束しており、しかも
異常検体３（図１１に分布データを示したもの）を対象
とした場合、推定なしでは良好な解析結果が得られなか
った。
る推定を用いた場合と、用いなかった場合とにおけるク
ラスタリング処理による最終的な重心位置の算出のため
になされた重心位置の演算回数を示している。正常検体
の場合には、ニューラルネットワーク２４を用いた場合
と用いなかった場合とでは、差は見られなかったが、異
常検体の場合には、ニューラルネットワーク２４によっ
て推定した方が、速やかに演算が収束しており、しかも
異常検体３（図１１に分布データを示したもの）を対象
とした場合、推定なしでは良好な解析結果が得られなか
った。
【００６５】
【表３】
【００６６】上記の実施例では、血球の分類、計数に本
発明を実施したが、血球に限ったものではなく、他の粒
子の分類、計数にも本発明を実施することができる。ま
た、他の粒子を分類、計数する場合には、各クラスタの
重心位置から各粒子までの距離を求める場合、この実施
例とは異なり、ユークリッド距離を用いることができる
場合もある。
発明を実施したが、血球に限ったものではなく、他の粒
子の分類、計数にも本発明を実施することができる。ま
た、他の粒子を分類、計数する場合には、各クラスタの
重心位置から各粒子までの距離を求める場合、この実施
例とは異なり、ユークリッド距離を用いることができる
場合もある。
【００６７】また、血球の検出には、この実施例で使用
したようなインピーダンスの変化を利用するもの以外
に、フローサイトメータによって１つ１つの粒子に対し
て散乱光や各種蛍光信号を得るものを使用することもで
きる。
したようなインピーダンスの変化を利用するもの以外
に、フローサイトメータによって１つ１つの粒子に対し
て散乱光や各種蛍光信号を得るものを使用することもで
きる。
【００６８】さらに、上記の実施例では、各血球の特徴
パラメータは、２次元としたが、必ずしも２次元である
必要はなく、３次元以上とすることもできる。さらに、
上記の実施例で用いたニューラルネットワーク２４で
は、出力層におけるニューロン間を結合しなかったが、
カテゴリーの数が多い場合には、出力層のニューロン間
に抑制性の結合を加え、特定のニューロンが興奮すれ
ば、その近傍のニューロンが抑制されるようなメカニズ
ムとしてもよい。
パラメータは、２次元としたが、必ずしも２次元である
必要はなく、３次元以上とすることもできる。さらに、
上記の実施例で用いたニューラルネットワーク２４で
は、出力層におけるニューロン間を結合しなかったが、
カテゴリーの数が多い場合には、出力層のニューロン間
に抑制性の結合を加え、特定のニューロンが興奮すれ
ば、その近傍のニューロンが抑制されるようなメカニズ
ムとしてもよい。
【００６９】また、上記の実施例では、その他の粒子の
カテゴリーに対応するニューロンを１つだけ設けたが、
その他の粒子として、異なる種類のものが複数発生する
可能性がある場合には、その他の粒子として複数のニュ
ーロンを設けてもよい。また、上記の実施例では、ニュ
ーラルネットワークにおいて重心位置と、粒子数と、そ
の分散とを用いたが、最低限度、重心位置の推定のみを
用いてもよい。また、重心位置の推定と、粒子数の推定
とを用いてもよいし、重心位置の推定と、粒子の分散の
推定とを用いてもよい。
カテゴリーに対応するニューロンを１つだけ設けたが、
その他の粒子として、異なる種類のものが複数発生する
可能性がある場合には、その他の粒子として複数のニュ
ーロンを設けてもよい。また、上記の実施例では、ニュ
ーラルネットワークにおいて重心位置と、粒子数と、そ
の分散とを用いたが、最低限度、重心位置の推定のみを
用いてもよい。また、重心位置の推定と、粒子数の推定
とを用いてもよいし、重心位置の推定と、粒子の分散の
推定とを用いてもよい。
【００７０】
【発明の効果】以上述べたように、この発明によれば、
ニューラルネットワークによって分布データの各粒子の
重心位置を推定し、この重心位置を用いてクラスタリン
グを行っているので、クラスタリングに要する時間を短
縮することができる。また、このニューラルネットワー
クは、教師なしの学習ベクトル量子化法を用いたもので
あるので、教師データを必要としない。特に、重心位置
の推定に加えて、粒子数の推定値、及び（または）粒子
の分散の推定値も、クラスタリングに用いた場合には、
異常な分布やパターンや複雑な分布パターンに対してク
ラスタリングした場合でも、良好な分類結果を得られ
る。また、ニューラルネットワークの出力層の出力が、
分布データの特徴を表しているので、それを各種の異常
判定に利用することができる。
ニューラルネットワークによって分布データの各粒子の
重心位置を推定し、この重心位置を用いてクラスタリン
グを行っているので、クラスタリングに要する時間を短
縮することができる。また、このニューラルネットワー
クは、教師なしの学習ベクトル量子化法を用いたもので
あるので、教師データを必要としない。特に、重心位置
の推定に加えて、粒子数の推定値、及び（または）粒子
の分散の推定値も、クラスタリングに用いた場合には、
異常な分布やパターンや複雑な分布パターンに対してク
ラスタリングした場合でも、良好な分類結果を得られ
る。また、ニューラルネットワークの出力層の出力が、
分布データの特徴を表しているので、それを各種の異常
判定に利用することができる。
【図１】本発明による粒子分析装置の１実施例の主要部
の詳細なブロック図である。
の詳細なブロック図である。
【図２】同実施例のブロック図である。
【図３】同実施例における血球の検出の説明図である。
【図４】同実施例において使用する分布データを示す図
である。
である。
【図５】同実施例において使用するニューラルネットワ
ークの構成図である。
ークの構成図である。
【図６】同実施例における粒子計数を説明するフローチ
ャートである。
ャートである。
【図７】同実施例における領域分割の説明図である。
【図８】同実施例における検出された粒子の重心までの
距離を求める方法の説明図である。
距離を求める方法の説明図である。
【図９】同実施例における正常な血球の分布データとこ
れを分類した結果を示す図である。
れを分類した結果を示す図である。
【図１０】同実施例における異常な血球の一例の分布デ
ータとこれを分類した結果を示す図である。
ータとこれを分類した結果を示す図である。
【図１１】同実施例における異常な血球の他の例の分布
データとこれを分類した結果を示す図である。
データとこれを分類した結果を示す図である。
１０ 血球検出器 ２０ 解析装置 ２１ 表示装置 ２２ データ変換手段 ２４ ニューラルネットワーク ４０ クラスタリング手段
Claims (8)
- 【請求項１】 複数の粒子をそれぞれ測定することによ
り、粒子個々に複数のパラメータからなる測定データを
順次得て、これら測定データを上記各パラメータを基に
分布データに変換する工程と、 上記パラメータの数に応じた数のニューロンにより構成
された入力層を有し、予想されるカテゴリー数に対応し
た数のニューロンにより構成された出力層を有するニュ
ーラルネットワークに、上記測定データを順次入力し、
教師なしの学習ベクトル量子化法を行い、少なくとも上
記各カテゴリーに対応するクラスタごとにその重心ベク
トル情報を有するクラスタ情報を推定する工程と、 上記推定工程によって得られたクラスタ情報を用いて、
上記分布データをクラスタリングする工程と、を具備す
る粒子分析方法。 - 【請求項２】 請求項１記載の粒子分析方法において、
上記推定工程で上記重心ベクトル情報の他に、上記粒子
の粒子数を推定し、上記クラスタリング工程が、上記推
定重心ベクトル情報と上記粒子の推定粒子数とを用い
て、上記分布データをクラスタリングすることを特徴と
する粒子分析方法。 - 【請求項３】 請求項１記載の粒子分析方法において、
上記推定工程で上記重心ベクトル情報の他に、上記粒子
の分散情報を推定し、上記クラスタリング工程が、上記
推定重心ベクトル情報と上記推定分散情報とを用いて、
上記分布データをクラスタリングすることを特徴とする
粒子分析方法。 - 【請求項４】 請求項１記載の粒子分析方法において、
上記推定工程で上記重心ベクトル情報の他に、上記粒子
の粒子数及び分散情報を推定し、上記クラスタリング工
程が、上記推定重心ベクトル情報、上記粒子の推定粒子
数及び推定分散情報を用いて上記分布データをクラスタ
リングすることを特徴とする粒子分析方法。 - 【請求項５】 複数の粒子が供給され、この粒子が通過
するごとに、粒子個々に複数のパラメータからなる測定
データを生成する粒子検出手段と、上記各測定データを
上記複数のパラメータを基に分布データに変換する手段
と、 上記パラメータの数に応じた数のニューロンにより構成
された入力層を有し、予想されるカテゴリー数に対応し
た数のニューロンにより構成された出力層を有し、上記
測定データを順次入力し、教師なしの学習ベクトル量子
化法を行い、少なくとも上記各カテゴリーに対応するク
ラスタごとにその重心ベクトル情報を有するクラスタ情
報を推定するニューラルネットワークと、 このニューラルネットワークから得られた上記クラスタ
情報を用いて、上記分布データをクラスタリングするク
ラスタリング手段と、を具備する粒子分析装置。 - 【請求項６】 請求項５記載の粒子分析装置において、
上記ニューラルネットワークが、上記推定重心ベクトル
情報以外に、上記粒子の推定分散情報を出力し、上記ク
ラスタリング手段が、上記推定重心ベクトル情報及び上
記推定分散情報を用いて上記分布データをクラスタリン
グすることを特徴とする粒子分析装置。 - 【請求項７】 請求項５記載の粒子分析装置において、
上記ニューラルネットワークが、上記推定重心ベクトル
情報以外に、上記粒子の推定粒子数も出力し、上記クラ
スタリング手段が、上記推定重心ベクトル情報及び上記
推定粒子数を用いて上記分布データをクラスタリングす
ることを特徴とする粒子分析装置。 - 【請求項８】 請求項５記載の粒子分析装置において、
上記ニューラルネットワークが、上記重心ベクトル情報
以外に、上記粒子の推定粒子数及び推定分散情報を出力
し、上記クラスタリング手段が、上記重心ベクトル情
報、上記推定粒子数及び上記推定分散情報を用いて上記
分布データをクラスタリングすることを特徴とする粒子
分析装置。
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18626592A JP3165247B2 (ja) | 1992-06-19 | 1992-06-19 | 粒子分析方法及び装置 |
| AU39809/93A AU648466B2 (en) | 1992-06-19 | 1993-05-26 | Method and device for analyzing particles |
| EP93304472A EP0575091B1 (en) | 1992-06-19 | 1993-06-09 | Method and device for analyzing particles |
| DE69327615T DE69327615T2 (de) | 1992-06-19 | 1993-06-09 | Verfahren und Vorrichtung zur Partikelanalyse |
| CA002098785A CA2098785A1 (en) | 1992-06-19 | 1993-06-18 | Method and device for analyzing particles |
| US08/368,053 US5703959A (en) | 1992-06-19 | 1995-01-03 | Method and device for analyzing particles |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18626592A JP3165247B2 (ja) | 1992-06-19 | 1992-06-19 | 粒子分析方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH063252A true JPH063252A (ja) | 1994-01-11 |
| JP3165247B2 JP3165247B2 (ja) | 2001-05-14 |
Family
ID=16185263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18626592A Expired - Fee Related JP3165247B2 (ja) | 1992-06-19 | 1992-06-19 | 粒子分析方法及び装置 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US5703959A (ja) |
| EP (1) | EP0575091B1 (ja) |
| JP (1) | JP3165247B2 (ja) |
| AU (1) | AU648466B2 (ja) |
| CA (1) | CA2098785A1 (ja) |
| DE (1) | DE69327615T2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10191062A (ja) * | 1996-11-08 | 1998-07-21 | Seiko Epson Corp | カラー画像の黒点および白点の検出システムおよび方法 |
| US6979570B2 (en) | 2001-07-26 | 2005-12-27 | Sysmex Corporation | Particle analyzer and particle analyzing method |
| JPWO2006087854A1 (ja) * | 2004-11-25 | 2008-08-07 | シャープ株式会社 | 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム |
| JP2010122137A (ja) * | 2008-11-21 | 2010-06-03 | Kochi Univ | 血球分析装置、血球分析方法及びコンピュータプログラム |
| WO2021039158A1 (ja) * | 2019-08-23 | 2021-03-04 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム及び情報処理システム |
| JP2021526641A (ja) * | 2018-06-05 | 2021-10-07 | クロノス ヘルス， インク． | 液体移動を制御し、生体試料を分析するためのデバイス、カートリッジ、およびセンサ |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0644414B1 (en) * | 1993-08-19 | 2001-11-21 | Hitachi, Ltd. | Classification and examination device of particles in fluid |
| EP0660104A3 (en) * | 1993-12-27 | 1995-08-09 | Hitachi Ltd | Device for examining sediments in the urine. |
| JP3050046B2 (ja) * | 1994-07-18 | 2000-06-05 | 株式会社日立製作所 | 粒子自動分類システム |
| AU3490695A (en) * | 1994-09-20 | 1996-04-09 | Neopath, Inc. | Cytological slide scoring apparatus |
| FR2733596B1 (fr) * | 1995-04-28 | 1997-07-18 | Hycel Groupe Lisabio | Procede et dispositif d'identification de particules |
| FR2754346B1 (fr) * | 1996-10-07 | 1999-02-05 | Hycel Groupe Lisabio | Procede d'identification de groupes de particules et dispositif d'identification correspondant |
| JP3817091B2 (ja) * | 1999-07-02 | 2006-08-30 | テルモ株式会社 | 細胞数測定装置 |
| US6631211B1 (en) * | 1999-07-08 | 2003-10-07 | Perkinelmer Las, Inc. | Interactive system for analyzing scatter plots |
| US6633669B1 (en) * | 1999-10-21 | 2003-10-14 | 3M Innovative Properties Company | Autogrid analysis |
| US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
| JP4708605B2 (ja) * | 2000-07-24 | 2011-06-22 | シスメックス株式会社 | 粒子分析装置とその粒子分画方法 |
| US6793642B2 (en) * | 2001-05-07 | 2004-09-21 | Biomed Solutions, Llc | Flow cytometer |
| US6525325B1 (en) * | 2001-03-21 | 2003-02-25 | The United States Of America As Represented By The Secretary Of The Navy | System for quantifying the hydrocarbon content of aqueous media |
| WO2002092161A1 (en) * | 2001-05-10 | 2002-11-21 | Biophan, Llc | Miniaturized particle analyzer |
| US7129095B2 (en) * | 2002-03-29 | 2006-10-31 | Smiths Detection Inc. | Method and system for using a weighted response |
| US7324694B2 (en) * | 2003-05-23 | 2008-01-29 | International Remote Imaging Systems, Inc. | Fluid sample analysis using class weights |
| JP3861157B2 (ja) * | 2004-02-27 | 2006-12-20 | 国立大学法人広島大学 | 参照データ最適化装置とパターン認識システム |
| GB2421307A (en) * | 2004-11-19 | 2006-06-21 | Hull And East Yorkshire Hospit | Identifying an adenocarcinoma in a cell sample |
| US7523117B2 (en) * | 2005-05-04 | 2009-04-21 | West Virginia University Research Corporation | Method for data clustering and classification by a graph theory model—network partition into high density subgraphs |
| DE102009033927B4 (de) * | 2009-07-20 | 2011-07-28 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., 80686 | Vorrichtung und Verfahren zum Lokalisieren eines validen Bereiches eines Blutausstriches |
| US10289802B2 (en) | 2010-12-27 | 2019-05-14 | The Board Of Trustees Of The Leland Stanford Junior University | Spanning-tree progression analysis of density-normalized events (SPADE) |
| BR112013032938B1 (pt) * | 2011-09-16 | 2021-06-29 | Ave Science & Technology Co., Ltd | Dispositivo e métodos para realizar análise morfológica para eritrócitos |
| CN108463208B (zh) | 2015-12-30 | 2021-12-07 | 高露洁-棕榄公司 | 口腔护理组合物 |
| EP3380065B1 (en) | 2015-12-30 | 2020-05-13 | Colgate-Palmolive Company | Personal care compositions |
| CA3009800C (en) | 2015-12-30 | 2024-01-16 | Colgate-Palmolive Company | Personal care composition comprising tin fluoride and pyrophosphate |
| CN109069391B (zh) | 2015-12-30 | 2022-02-11 | 高露洁-棕榄公司 | 口腔护理组合物 |
| CN106021852B (zh) * | 2016-05-06 | 2018-11-06 | 鼎泰生物科技（海南）有限公司 | 基于密度聚类算法的血糖数据异常值计算方法和装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4097845A (en) * | 1976-11-01 | 1978-06-27 | Rush-Presbyterian-St. Luke's Medical Center | Method of and an apparatus for automatic classification of red blood cells |
| US4661913A (en) * | 1984-09-11 | 1987-04-28 | Becton, Dickinson And Company | Apparatus and method for the detection and classification of articles using flow cytometry techniques |
| US4791355A (en) * | 1986-10-21 | 1988-12-13 | Coulter Electronics Inc. | Particle analyzer for measuring the resistance and reactance of a particle |
| US4965725B1 (en) * | 1988-04-08 | 1996-05-07 | Neuromedical Systems Inc | Neural network based automated cytological specimen classification system and method |
| JPH03131756A (ja) * | 1989-10-18 | 1991-06-05 | Hitachi Ltd | 血球自動分類装置 |
| US5255346A (en) * | 1989-12-28 | 1993-10-19 | U S West Advanced Technologies, Inc. | Method and apparatus for design of a vector quantizer |
| ES2102518T3 (es) * | 1991-08-28 | 1997-08-01 | Becton Dickinson Co | Motor de atraccion por gravitacion para el agrupamiento autoadaptativo de corrientes de datos n-dimensionales. |
| JP3076118B2 (ja) * | 1991-11-27 | 2000-08-14 | シスメックス株式会社 | 粒子計数方法 |
-
1992
- 1992-06-19 JP JP18626592A patent/JP3165247B2/ja not_active Expired - Fee Related
-
1993
- 1993-05-26 AU AU39809/93A patent/AU648466B2/en not_active Ceased
- 1993-06-09 EP EP93304472A patent/EP0575091B1/en not_active Expired - Lifetime
- 1993-06-09 DE DE69327615T patent/DE69327615T2/de not_active Expired - Lifetime
- 1993-06-18 CA CA002098785A patent/CA2098785A1/en not_active Abandoned
-
1995
- 1995-01-03 US US08/368,053 patent/US5703959A/en not_active Expired - Lifetime
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10191062A (ja) * | 1996-11-08 | 1998-07-21 | Seiko Epson Corp | カラー画像の黒点および白点の検出システムおよび方法 |
| US6979570B2 (en) | 2001-07-26 | 2005-12-27 | Sysmex Corporation | Particle analyzer and particle analyzing method |
| JPWO2006087854A1 (ja) * | 2004-11-25 | 2008-08-07 | シャープ株式会社 | 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム |
| JP4550882B2 (ja) * | 2004-11-25 | 2010-09-22 | シャープ株式会社 | 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム |
| JP2010122137A (ja) * | 2008-11-21 | 2010-06-03 | Kochi Univ | 血球分析装置、血球分析方法及びコンピュータプログラム |
| JP2021526641A (ja) * | 2018-06-05 | 2021-10-07 | クロノス ヘルス， インク． | 液体移動を制御し、生体試料を分析するためのデバイス、カートリッジ、およびセンサ |
| WO2021039158A1 (ja) * | 2019-08-23 | 2021-03-04 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム及び情報処理システム |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0575091A3 (en) | 1994-08-24 |
| EP0575091B1 (en) | 2000-01-19 |
| AU648466B2 (en) | 1994-04-21 |
| JP3165247B2 (ja) | 2001-05-14 |
| CA2098785A1 (en) | 1993-12-20 |
| AU3980993A (en) | 1993-12-23 |
| DE69327615T2 (de) | 2000-08-03 |
| EP0575091A2 (en) | 1993-12-22 |
| US5703959A (en) | 1997-12-30 |
| DE69327615D1 (de) | 2000-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3165247B2 (ja) | 粒子分析方法及び装置 | |
| JP3076118B2 (ja) | 粒子計数方法 | |
| EP0336608B1 (en) | Neural network based automated cytological specimen classification system and method | |
| EP3731140A1 (en) | Method, apparatus, and computer program for supporting disease analysis, and method, apparatus, and program for training computer algorithm | |
| US4661913A (en) | Apparatus and method for the detection and classification of articles using flow cytometry techniques | |
| US7697764B2 (en) | Similar pattern searching apparatus, method of similar pattern searching, program for similar pattern searching, and fractionation apparatus | |
| US6330350B1 (en) | Method and apparatus for automatically recognizing blood cells | |
| Vijayarani et al. | An efficient clustering algorithm for predicting diseases from hemogram blood test samples | |
| US20060263833A1 (en) | System, method, and article for detecting abnormal cells using multi-dimensional analysis | |
| CN107389536B (zh) | 基于密度-距离中心算法的流式细胞粒子分类计数方法 | |
| US11639936B2 (en) | System, method, and article for detecting abnormal cells using multi-dimensional analysis | |
| CN110674846A (zh) | 基于遗传算法和k-means聚类的不平衡数据集过采样方法 | |
| JPH06201569A (ja) | 粒子分析装置及び方法 | |
| Zhang et al. | An improved MAHAKIL oversampling method for imbalanced dataset classification | |
| CN113270191A (zh) | 一种数据校正及分类方法及存储介质 | |
| Kothari et al. | Neural network analysis of flow cytometry immunophenotype data | |
| Harun et al. | Automated classification of blasts in acute leukemia blood samples using HMLP network | |
| CN116130105A (zh) | 一种基于神经网络的健康风险预测方法 | |
| JP2002107287A (ja) | 粒子分析装置とその粒子分画方法 | |
| RU2819348C1 (ru) | Способ графовой нейросетевой классификации на отсутствие или наличие большого депрессивного расстройства по данным фмрт | |
| Maguire et al. | Computer-assisted diagnosis of hematological malignancies using a pattern representation of flow cytometry data | |
| CN103425991B (zh) | 对视频中的目标进行分类的方法和装置 | |
| Harun et al. | Classification of acute luekemia using HMLP network trained by genetic algorithm | |
| Sari et al. | Information System for Analysis of the Need of Doctors Using K-Means Clustering and Chi-Square Test | |
| Eskiizmirliler et al. | A hybrid intelligent diagnostic system based on neural networks and image analysis techniques in the field of automated cytogenetics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20010220 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |