JPWO2005050479A1 - 類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置 - Google Patents

類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置 Download PDF

Info

Publication number
JPWO2005050479A1
JPWO2005050479A1 JP2005515594A JP2005515594A JPWO2005050479A1 JP WO2005050479 A1 JPWO2005050479 A1 JP WO2005050479A1 JP 2005515594 A JP2005515594 A JP 2005515594A JP 2005515594 A JP2005515594 A JP 2005515594A JP WO2005050479 A1 JPWO2005050479 A1 JP WO2005050479A1
Authority
JP
Japan
Prior art keywords
pattern
class
particle size
similar
map
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
Application number
JP2005515594A
Other languages
English (en)
Other versions
JP4521490B2 (ja
Inventor
浩巳 片岡
浩巳 片岡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kochi University NUC
A&T Corp
Original Assignee
Kochi University NUC
A&T Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kochi University NUC, A&T Corp filed Critical Kochi University NUC
Publication of JPWO2005050479A1 publication Critical patent/JPWO2005050479A1/ja
Application granted granted Critical
Publication of JP4521490B2 publication Critical patent/JP4521490B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • 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
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/016—White blood cells
    • 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
    • G01N2015/1477—Multiparameters
    • 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
    • G01N2015/1486—Counting the 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
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1488—Methods for deciding
    • 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
    • G01N2015/1493—Particle size

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Biotechnology (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

複数の細胞成分分画を含む白血球粒度パターンにおいて、ＥＭアルゴリズムを用いた混合密度近似を行うことで各成分を分離し、さらに、各分画の特徴パラメータをクラスタリングすることで、目的の細胞群の分布パターンに注目した類似検索を行って、白血球の細胞成分ごと、あるいは、各細胞成分の組み合わせという総合的な視点で高精度な類似検索を可能とするアルゴリズムを開発し、診断に有用な情報を提供する。

Description

本発明は、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを検索する類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置に関する。
例えば、フローサイトメトリーは白血球を好中球、リンパ球、単球、好酸球などに短時間で分類することが可能な検査である。フローサイトメトリーによって得られる白血球粒度データは、細胞の成熟度や疾患によってさまざま粒度パターンに分類することができる（非特許文献１参照）。
この検査は、日常のスクリーニング検査法として多くの施設で導入されているが、分類された数値データのみが利用され、分析装置内部で発生する白血球粒度データを臨床で診断に利用することはまれであった。これは、白血球粒度データが膨大なデータ量であり、外部の情報システムで取り扱うことができなかった点と、分析生データに対して視覚的な探索方法しか実施されておらず、科学的な手法で検討することが困難であったためである。
これに対し、本発明者らは、２次元ヒストグラムとして得られる白血球粒度データを用いて、自己組織化マップ（ＳＯＭ）によりクラスタリングを行う方法を開発した（非特許文献２〜４参照）。当該分類方法は、白血球粒度データをデータベースに記録し、データマイニングを適用して特徴的なパターンを抽出することにより、２次元ヒストグラムだけの情報では判断できなかった分類が可能となる。
従来の分類方法は、分析装置内部で各分画の谷間を境界とした分離方法で処理されており、各分画を１つの数値データとして診断に利用する方法が用いられていた。しかし、この方法では、複数のクラスターが近接した分布、たとえば、好中球に属する桿状核球と分葉核球、あるいは、正常細胞と幼弱球の分離ができないという問題があった。
巽典之、津田泉、田窪考行、他：自動白血球分類結果の実地診療への反映、ＨＯＲＩＢＡ Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔｓ、Ｎｏ．２０、ｐｐ．２３−２６、２０００． 片岡浩巳、井沖浩美、小西修、他：白血球粒度のデータマイニング支援システムの構築、日本臨床検査自動化学会誌、Ｖｏｌ２７，４、ｐｐ．５８３、２００２． 片岡浩巳、井沖浩美、小西修、他：白血球粒度のクラスタリングと３Ｄビジュアライゼーション、医療情報学 ２２ （Ｓｕｐｐｌ．）、 ｐｐ．２０９−２１０、２００２． 井沖浩美、片岡浩巳、川崎由夏、他：白血球粒度データによるアレルギー疾患領域のパターン分類、医療情報学 ２２ （Ｓｕｐｐｌ．）、 ｐｐ．２１１−２１２、 ２００２．
本発明は、上記に鑑みてなされたものであって、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを高精度に類似検索して、診断に有用な情報を提供することが可能な類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置を提供することを目的とする。
上述した課題を解決し、目的を達成するために、請求項１に係る発明は、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを検索する類似パターン検索装置であって、前記複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを選択し、前記複数のパターンに対してクラスタリングを行って作成されたクラスマップを記憶する記憶手段と、前記被検検体のパターンに含まれる成分分画に類似するクラスを前記クラスマップの中から選択する類似パターン検索手段と、を備えたことを特徴とする。
この請求項１にかかる発明によれば、複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを使用して、複数のパターンに対してクラスタリングを行ってクラスマップを作成し、被検検体のパターンに含まれる成分分画に類似するクラスをクラスマップの中から選択して高精度に類似検索を行う。
請求項２にかかる発明は、前記パターンは、１次元または多次元のパターンであることを特徴とする。この請求項２にかかる発明によれば、１次元または多次元のパターンを高精度に類似検索する。
請求項３にかかる発明は、前記パターンは、白血球粒度パターン、蛋白電気泳動波形、または血球ヒストグラムであることを特徴とする。この請求項３にかかる発明によれば、白血球粒度パターン、蛋白電気泳動波形、または血球ヒストグラムを高精度に類似検索する。
請求項４にかかる発明は、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを検索する類似パターン検索方法であって、前記複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを選択し、前記複数のパターンにクラスタリングを行ってクラスマップを作成するクラスマップ作成工程と、前記クラスマップ作成工程で作成されたクラスマップを記憶する記憶工程と、前記被検検体のパターンに含まれる成分分画に類似するクラスを前記クラスマップの中から選択する類似パターン検索工程と、を含むことを特徴とする。
この請求項４にかかる発明によれば、複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを使用して、複数のパターンに対してクラスタリングを行ってクラスマップを作成し、被検検体のパターンに含まれる成分分画に類似するクラスをクラスマップの中から選択して高精度に類似検索を行う。
請求項５にかかる発明は、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを検索する類似パターン検索方法をコンピュータに実行させるためのプログラムであって、前記複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを選択し、前記複数のパターンにクラスタリングを行ってクラスマップを作成するクラスマップ作成工程と、前記クラスマップ作成工程で作成されたクラスマップを記憶する記憶工程と、前記被検検体のパターンに含まれる成分分画に類似するクラスを前記クラスマップの中から選択する類似パターン検索工程と、をコンピュータに実行させることを特徴とする。
この請求項５にかかる発明によれば、複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを使用して、複数のパターンに対してクラスタリングを行ってクラスマップを作成し、被検検体のパターンに含まれる成分分画に類似するクラスをクラスマップの中から選択して、高精度に類似検索を行う。
請求項６にかかる発明は、複数の白血球粒度パターンを含む集団の中から、被検検体の白血球粒度パターンと類似性の高いパターンを持つ白血球粒度パターンを検索する類似パターン検索装置であって、前記白血球粒度パターンは、複数の細胞成分分画を含み、実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング手段と、前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、前記各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第１の混合分布モデルパラメータを決定する第１のパラメータ決定手段と、前記各白血球粒度パターンについて、前記第１の混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、前記各白血球粒度パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第２の混合分布モデルパラメータを決定する第２のパラメータ決定手段と、前記各白血球粒度パターンについて、前記第２の混合分布モデルパラメータに自己組織化マップを適用してクラスタリングを行い、２次クラスマップを作成する２次クラスタリング手段と、前記２次クラスマップに含まれる各クラス間におけるすべての組合せの類似距離を計算し、クラスの組合せと当該クラス間の類似距離とを対応させたクラス間距離マスターを作成するクラス間距離マスター作成手段と、前記２次クラスマップと前記クラス間距離マスターを記憶する記憶手段と、被検検体の白血球粒度パターンに含まれる各細胞成分分画に属するクラスを前記２次クラスマップの中から決定するクラス決定手段と、および、前記クラス決定手段で決定されたクラスとの類似距離が所定の閾値以下であるクラスを前記クラス間距離マスターの中から類似クラスとして検出し、当該類似クラスに含まれる白血球粒度パターンを、前記被検検体の白血球粒度パターンと類似性の高いパターンとして判定する類似パターン検索手段と、を備えたことを特徴とする。
この請求項６にかかる発明によれば、自己組織化マップを適用して決定した初期値を用いてＥＭアルゴリズムにより白血球粒度の各成分を分離し、自己組織化マップを用いて再びクラスタリングを行うことにより、２次クラスマップおよびクラス間距離マスターを構築する。
請求項７にかかる発明は、複数の白血球粒度パターンを含む集団の中から、被検検体の白血球粒度パターンと類似性の高いパターンを持つ白血球粒度パターンを検索する類似パターン検索方法であって、前記白血球粒度パターンは、複数の細胞成分分画を含み、実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング工程と、前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、前記各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第１の混合分布モデルパラメータを決定する第１のパラメータ決定工程と、前記各白血球粒度パターンについて、前記第１の混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、前記各白血球粒度パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第２の混合分布モデルパラメータを決定する第２のパラメータ決定工程と、前記各白血球粒度パターンについて、前記第２の混合分布モデルパラメータに自己組織化マップを適用してクラスタリングを行い、２次クラスマップを作成する２次クラスタリング工程と、前記２次クラスマップに含まれる各クラス間におけるすべての組合せの類似距離を計算し、各クラスの組合せと当該クラス間の類似距離とを対応させたクラス間距離マスターを作成するクラス間距離マスター作成工程、前記２次クラスマップと前記クラス間距離マスターを記憶する記憶工程と、被検検体の白血球粒度パターンに含まれる各細胞成分分画に属するクラスを前記２次クラスマップの中から決定するクラス決定工程と、前記クラス決定工程で決定されたクラスとの類似距離が所定の閾値以下であるクラスを前記クラス間距離マスターの中から類似クラスとして検出し、当該類似クラスに含まれる白血球粒度パターンを、前記被検検体の白血球粒度パターンと類似性の高いパターンとして判定する類似パターン検索工程と、を備えたことを特徴とする。
この請求項７にかかる発明によれば、自己組織化マップを適用して決定した初期値を用いてＥＭアルゴリズムにより白血球粒度の各成分を分離し、自己組織化マップを用いて再びクラスタリングを行うことにより、２次クラスマップおよびクラス間距離マスターを構築する。
請求項８にかかる発明は、複数の白血球粒度パターンを含む集団の中から、被検検体の白血球粒度パターンと類似性の高いパターンを持つ白血球粒度パターンを検索する類似パターン検索方法をコンピュータに実行させるプログラムであって、前記白血球粒度パターンは、複数の細胞成分分画を含み、実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング工程と、前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、前記各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第１の混合分布モデルパラメータを決定する第１のパラメータ決定工程と、前記各白血球粒度パターンについて、前記第１の混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、前記各白血球粒度パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第２の混合分布モデルパラメータを決定する第２のパラメータ決定工程と、前記各白血球粒度パターンについて、前記第２の混合分布モデルパラメータに自己組織化マップを適用してクラスタリングを行い、２次クラスマップを作成する２次クラスタリング工程と、前記２次クラスマップに含まれる各クラス間におけるすべての組合せの類似距離を計算し、各クラスの組合せと当該クラス間の類似距離とを対応させたクラス間距離マスターを作成するクラス間距離マスター作成工程と、前記２次クラスマップと前記クラス間距離マスターを記憶する記憶工程と、被検検体の白血球粒度パターンに含まれる各細胞成分分画に属するクラスを前記２次クラスマップの中から決定するクラス決定工程と、前記クラス決定工程で決定されたクラスとの類似距離が所定の閾値以下であるクラスを前記クラス間距離マスターの中から類似クラスとして検出し、当該類似クラスに含まれる白血球粒度パターンを、前記被検検体の白血球粒度パターンと類似性の高いパターンとして判定する類似パターン検索工程と、をコンピュータに実行させることを特徴とする。
この請求項８にかかる発明によれば、自己組織化マップを適用して決定した初期値を用いてＥＭアルゴリズムにより白血球粒度の各成分を分離し、自己組織化マップを用いて再びクラスタリングを行うことにより、２次クラスマップおよびクラス間距離マスターを構築する。
請求項９にかかる発明は、複数の細胞成分分画を含む白血球粒度パターンにおいて各細胞成分分画を分離する細胞成分分画分離装置であって、実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング手段と、前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分分画の平均値、分散および密度からなる混合分布モデルパラメータを決定するパラメータ決定手段と、および前記各白血球粒度パターンについて、前記混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、各白血球粒度パターンに含まれる各細胞成分の分画を分離する分画分離手段とを備えたことを特徴とする。
この請求項９にかかる発明によれば、ＥＭアルゴリズムの初期値の決定に自己組織化マップ（ＳＯＭ）を適用する。
本発明（請求項１）にかかる類似パターン検索装置は、複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを使用して、複数のパターンに対してクラスタリングを行ってクラスマップを作成し、被検検体のパターンに含まれる成分分画に類似するクラスをクラスマップの中から選択しているため、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを高精度に類似検索して、診断に有用な情報を提供することができるという効果を奏する。
本発明（請求項２）にかかる類似パターン検索装置は、前記パターンとして、１次元または多次元のパターンを使用することとしたので、１次元または多次元の被検検体のパターンと類似度の高いパターンを高精度に類似検索することができるという効果を奏する。
本発明（請求項３）にかかる類似パターン検索装置は、前記パターンとして、白血球粒度パターン、蛋白電気泳動波形、または血球ヒストグラムであることとしたので、白血球粒度パターン、蛋白電気泳動波形、または血球ヒストグラムのパターンと類似度の高いパターンを高精度に類似検索することができるという効果を奏する。
本発明（請求項４）にかかる類似パターン検索方法は、複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを使用して、複数のパターンに対してクラスタリングを行ってクラスマップを作成し、被検検体のパターンに含まれる成分分画に類似するクラスをクラスマップの中から選択しているため、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを高精度に類似検索して、診断に有用な情報を提供することができるという効果を奏する。
本発明（請求項５）にかかる類似パターン検索プログラムは、複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを使用して、複数のパターンに対してクラスタリングを行ってクラスマップを作成し、被検検体のパターンに含まれる成分分画に類似するクラスをクラスマップの中から選択しているため、複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを高精度に類似検索して、診断に有用な情報を提供することができるという効果を奏する。
本発明（請求項６）にかかる類似パターン検索装置は、自己組織化マップを適用して決定した初期値を用いてＥＭアルゴリズムにより白血球粒度の各成分を分離し、自己組織化マップを用いて再びクラスタリングを行うことにより、２次クラスマップおよびクラス間距離マスターを構築するため、検索対象の類似性を自由に選択できるという効果を奏する。
従来は、２次元ヒストグラムの粒度データを直接用いてＳＯＭによりクラスタリングを行っていたため、白血球の個々の成分に注目した部分的な類似性に注目した類似検索を行うことができなかった。本発明によれば、ＥＭアルゴリズムを用いた混合密度近似を行うことで各成分を分離し、さらに、各分画の特徴パラメータをクラスタリングすることで、目的の細胞群の分布パターンに注目した類似検索を可能とするものである。
また、本発明（請求項７）にかかる類似パターン検索方法は、自己組織化マップを適用して決定した初期値を用いてＥＭアルゴリズムにより白血球粒度の各成分を分離し、自己組織化マップを用いて再びクラスタリングを行うことにより、２次クラスマップおよびクラス間距離マスターを構築するため、検索対象の類似性を自由に選択できるという効果を奏する。
また、本発明（請求項８）にかかる類似パターン検索プログラムは、自己組織化マップを適用して決定した初期値を用いてＥＭアルゴリズムにより白血球粒度の各成分を分離し、自己組織化マップを用いて再びクラスタリングを行うことにより、２次クラスマップおよびクラス間距離マスターを構築するため、検索対象の類似性を自由に選択できるという効果を奏する。
また、本発明（請求項９）にかかる分画分離装置は、ＥＭアルゴリズムの初期値の決定に自己組織化マップ（ＳＯＭ）を適用するため、周辺尤度の局所的最大値への収束問題を解決できるという効果を奏する。
図１は、本実施の形態にかかる類似パターン検索装置１の構成を示すブロック図である。 図２は、本実施の形態にかかる類似パターン検索装置１によって行われる処理のフローチャートである。 図３は、ＳＯＭにより１次クラスタリングを行った結果得られた１次クラスマップの一例を示す図である。 図４は、もとの粒度データの２次元ヒストグラム（上図）、および、得られた混合分布パラメータを用いて各分画成分を合成して再描画を行ったモデル化された２次元ヒストグラム（下図）である。 図５は、ＥＭアルゴリズムにより得られた個々の混合分布モデルパラメータをＳＯＭでクラスタリングした結果得られた２次クラスマップの一例を示す図である。 図６は、好中球領域に分布する桿状核球と分葉核球の分布を示す図である。 図７は、Ｃｌａｓｓ３５１を基準とした分葉核球の分布の拡大図である。 図８は、好酸球のＣｌａｓｓ８０１を基準とした各クラスの距離をプロットした図である。 図９は、蛋白電気泳動波形についてＳＯＭにより１次クラスタリングを行った結果得られた１次クラスマップの一例を示す図である。 図１０は、血球ヒストグラムについてＳＯＭにより１次クラスタリングを行った結果得られた１次クラスマップの一例を示す図である。 図１１は、本発明の一実施例を示す図である。
符号の説明
１ 類似パターン検索装置
１１ １次クラスタリング部
１２ 第１のパラメータ決定部
１３ 第２のパラメータ決定部
１４ ２次クラスタリング部
１５ クラス間距離マスター作成部
１６ メモリ
１７ クラス決定部
１８ 類似パターン検索部
２ 分析装置
３ 外部入出力装置
以下、この発明に係る類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置について、図面を参照しつつ詳細に説明する。なお、この実施形態によりこの発明が限定されるものではない。また、下記実施形態における構成要素には、当業者が容易に想定できるものまたは実質的に同一のものが含まれる。以下の実施形態では、白血球粒度パターンを例示して説明するが、本発明はこれに限られるものではない。
本発明者らは、鋭意研究の結果、白血球粒度パターンに含まれる各細胞成分について、ＥＭアルゴリズムを用いた混合密度近似を行うことで各成分を分離し、さらに、各分画の特徴パラメータをクラスタリングすることで、目的の細胞群の分布パターンに注目した類似検索を可能にできることを見いだし、この知見に基づいて本発明を完成させるに至った。
一般的にＥＭアルゴリズムは、収束点が初期条件に強く依存し、周辺尤度の局所的最大値を回避できない場合が存在する問題を抱えている。つまり、初期値によっては、低品質の局所解に収束するという現象がある。本発明では、この問題に対し、あらかじめ全体の白血球粒度データをＳＯＭによりクラスタリングした結果をもとに、各クラスの初期値を求め周辺尤度の局所的最大値への収束問題を解決するものである。本発明では、白血球の細胞成分ごと、あるいは、各成分の組み合わせという総合的な視点で高速な類似検索を可能とするアルゴリズムを開発し、診断に有用な情報を提供する。
以下に、本発明の実施形態について説明する。図１は、本実施の形態にかかる類似パターン検索装置１の構成を示すブロック図である。本実施の形態にかかる類似パターン検索装置１は、１次クラスタリング部１１、第１のパラメータ決定部１２、第２のパラメータ決定部１３、２次クラスタリング部１４、クラス間距離マスター作成部１５、メモリ１６、クラス決定部１７、および類似パターン検索部１８を備えている。
本発明は、ＥＭアルゴリズムを用いた混合密度近似を行うことで各成分を分離し、さらに、各分画の特徴パラメータをクラスタリングすることで、目的の細胞群の分布パターンに注目した類似検索を可能とすることを特徴とする。
ＥＭアルゴリズムはＥｘｐｅｃｔａｔｉｏｎ ｓｔｅｐ（Ｅ−ｓｔｅｐ）とＭａｘｉｍｉｚａｔｉｏｎ ｓｔｅｐ（Ｍ−ｓｔｅｐ）の２つの処理アルゴリズムから構成され、これらの操作を収束するまで繰り返してパラメータを更新することによって、最尤推定量の極大点を得ることができる。Ｅ−ｓｔｅｐは、対数尤度の条件付期待値を計算し、Ｍ−ｓｔｅｐは、条件付期待値を最大化する処理が行われる。
本実施の形態で用いたデータセットと近似モデルは、
データタイプ：２次元ヒストグラム
モデル：正規混合モデル
パラメータ：平均、分散、密度
である。
一般的にＥＭアルゴリズムは、収束点が初期条件に強く依存し、周辺尤度の局所的最大値を回避できない場合が存在する問題を抱えている。つまり、初期値によっては、低品質の局所解に収束するという現象がある。本発明では、この問題に対し、あらかじめ全体の白血球粒度データをＳＯＭによりクラスタリングした結果をもとに、各クラスの初期値を求め周辺尤度の局所的最大値への収束問題を解決するものである。
分析装置２で測定した白血球粒度の２次元ヒストグラムデータは、類似パターン検索装置１に送信され、メモリ１６に格納される。
１次クラスタリング部１１は、実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成するものである。
第１のパラメータ決定部１２は、１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、前記各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第１の混合分布モデルパラメータを決定するものである。
第２のパラメータ決定部１３は、実測した各白血球粒度パターンについて、前記第１の混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、前記各白血球粒度パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第２の混合分布モデルパラメータを決定するものである。
２次クラスタリング部１４は、第２の混合分布モデルパラメータに自己組織化マップを適用してクラスタリングを行い、２次クラスマップを作成するものである。なお、ここでは、自己組織化マップを使用することとしたが、Ｋ−ｍｅａｎクラスタリング等を使用することにしてもよい。
クラス間距離マスター作成部１５は、２次クラスマップに含まれる各クラス間におけるすべての組合せの類似距離を計算し、クラスの組合せと当該クラス間の類似距離とを対応させたクラス間距離マスターを作成するものである。
メモリ１６は、分析装置２で測定した白血球粒度の２次元ヒストグラムデータ、２次クラスタリング部１４で作成した２次クラスマップデータ、クラス間距離マスター作成部１５で作成したクラス間距離マスターデータ等のデータを記憶するものである。
クラス決定部１７は、被検検体の白血球粒度パターンに含まれる各細胞成分分画に属するクラスを前記２次クラスマップの中から決定するものである。
類似パターン検索部１８は、クラス決定工程で決定されたクラスとの類似距離が所定の閾値以下であるクラスを前記クラス間距離マスターの中から類似クラスとして検出し、当該類似クラスに含まれる白血球粒度パターンを、前記被検検体の白血球粒度パターンと類似性の高いパターンとして判定するものである。ここでは、類似度を判定する場合に、クラス間距離を使用することとしたが、類似度の評価基準（クラスタ評価基準）はこれに限られるものではなく、クラスタ重心からの距離、クラスタ内距離等を使用することにしてもよい。
外部入出力装置２は、ユーザによって入力された各種パラメータや類似パターンの検索条件等を類似パターン検索装置１に送信する。また、類似パターン検索装置１でヒットした類似パターンを画面上に出力する。
図２に本実施の形態にかかる類似パターン検索装置１によって行われる処理のフローチャートを示す。なお、以下の説明では、処理の具体例として、自動血球計数装置ＰＥＮＴＲＡ１２０（堀場製作所）により分析された一般患者検体８，８００件のＬＭＮＥチャンネルの２次元ヒストグラム１２８＊１２８、８ｂｉｔ／検体のデータを処理するケースに沿って説明を行う。
（１）初期値決定のための１次マップの作成
分析装置２から出力された２次元ヒストグラムデータを近傍８点の平滑化処理を行ったデータに関して、入力層１２８＊１２８（１６，３８４ニューロン）、競合層１２＊１２（ユニット）のＳＯＭでクラスタリングを行い、得られた１４４種類のパターンを１次クラスマップとした。ＳＯＭの学習パラメータは、近傍距離４、学習率０．３とした。さらに、この１次クラスマップの個々のパターンについて、４＊４の１６分割した領域を設定し、それぞれの２次元ヒストグラムの重心を求め、その重心を初期値として、ＥＭアルゴリズムにより混合モデルの分離を行った。各分画の分布モデルは正規分布と仮定して計算を行った。さらに、得られた混合分布モデルパラメータ（成分数、各成分の平均値、分散、密度）を人為的に調整し一時的なパラメータを決定した。
（２）ＥＭアルゴリズムによる混合分布近似
ＥＭアルゴリズムによる混合分布近似については、「データ学習アルゴリズム」（渡辺澄夫、共立出版、２００１．）およびＩｇｏｒ Ｖ． Ｃａｄｅｚ， Ｓｃｏｔｔ Ｇａｆｆｎｅｙ， Ｐａｄｈｒａｉｃ Ｓｍｙｔｈ ： Ａ Ｇｅｎｅｒａｌ Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｃｌｕｓｔｅｒｉｎｇ Ｉｎｄｉｖｉｄｕａｌｓ ａｎｄ Ｏｂｊｅｃｔｓ， Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ， ｐｐ１４０−１４９ ，２０００．等に記載の手法を用いて実施することができる。
具体的には、各検体の２次元ヒストグラムデータに対して、１次マップに最も類似したクラスを検索し、そのクラスの混合分布モデルパラメータのパラメータを使ってＥＭアルゴリズムを実行し粒度成分を分離した。全ての被検粒度データについて同じ処理を実行し個別の混合分布モデルパラメータを計算した。
（３）混合分布パラメータを入力としたＳＯＭによる２次マップの作成混合分布パラメータを入力としたＳＯＭによる２次マップの作成については、Ｔｏｍ Ｈｅｓｋｅｓ ： Ｓｅｌｆ−ｏｒｇａｎｉｚｉｎｇ ｍａｐｓ， ｖｅｃｔｏｒ ｑｕａｎｔｉｚａｔｉｏｎ， ａｎｄ ｍｉｘｔｕｒｅ ｍｏｄｅｌｉｎｇ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， １２： ｐｐ１２９９− １３０５， ２００１． 等に記載の手法を用いて実施することができる。
競合層３０＊３０（ユニット）、近傍距離１０、学習率０．３のＳＯＭを用いて、Ｘ平均値、Ｙ平均値、Ｘ共分散行列、Ｙ共分散行列、ＸＹ共分散行列、そして、密度の６個で構成された実数の混合分布モデルパラメータを入力層に加えクラスタリングを行った。このクラスタリング結果を２次マップとして類似検索に用いた。この時、各クラス間における全ての組み合わせの類似距離を求めておき、クラス間距離マスターに登録した。
（４）類似検索
被検検体の各分画に属するクラスを２次マップから求め、クラス間距離マスターを読み込み、検索の目的にあわせて閾値を決定し、その条件に一致するクラス群を検索した。閾値を可変することにより、検索の類似性の強度を自由に選択できるようにし、さらに、閾値に含まれる領域のクラス群について選言条件で検索することにより類似検索を実現した。各分画の総合的なパターンについての検索を行いたい場合は、それぞれの分画に属するクラスの連言により検索することとした。
図３にＳＯＭにより１次クラスタリングを行った結果を示す。１２＊１２の競合層の内部を表示したもので、白血球粒度の全体のパターンを１４４個にクラスタリングされた結果が得られた。
図４の上図は、もとの粒度データの２次元ヒストグラムを示し、＋が初期値、×がＥＭアルゴリズムにより最適尤度の探索が行われた経路と収束点を示す。図４の下図は、得られた混合分布パラメータを用いて各分画成分を合成して再描画を行ったモデル化された２次元ヒストグラムである。
図５は、ＥＭアルゴリズムにより得られた個々の混合分布モデルパラメータをＳＯＭでクラスタリングした結果を示す。赤で描画した楕円形の成分は、１成分の細胞の分画を示し、周囲に類似したパターンが配置された結果が得られた。それぞれの細胞群についてさまざまなパターンが存在していることが理解できる。ピンク色１はリンパ球、黄色２は単球、水色３で示す領域は好中球、紫色４は好酸球の分布結果が得られた。文字どおりのＬＭＮＥチャンネルの４つの細胞群がクラスタリングされた結果を得た。さらに、リンパ球の下部に分布した白色領域は血小板がマッピングされており、その他の白色部分と各細胞群の境界領域には異常細胞と考えられる分布がマッピングされた。図５と図６に示した細胞群は、左上の角をＣｌａｓｓ０とし、右下の角をＣｌａｓｓ８９９としたラスター方向のシーケンシャル番号で呼ぶことにした。
図６は、好中球領域に分布する桿状核球と分葉核球の分布を示す。顕微鏡による目視分類結果よりＣｌａｓｓ１２０は桿状核球がどのクラスよりも多いクラスで、Ｃｌａｓｓ３５１は、分葉核球が多い症例のクラスである。黄色３１（左）のグラディエーション領域は、核左方移動が著明な桿状核球が一番多く含まれる症例群であったＣｌａｓｓ１２０を中心とした類似距離のパターンを色の強度で表現した分布である。また、青色３２（右）のグラディエーション領域は、分葉核球が一番多かったＣｌａｓｓ３５１を中心としたパターンを示している。
図７は、Ｃｌａｓｓ３５１を基準とした分葉核球の分布を拡大した図である。幅広い範囲で類似検索を行いたい場合、赤線で囲んだ領域のクラスを対象に検索し、類似性が強い細胞の検索を行いたい場合は、緑線、あるいは、青線で囲まれた領域のクラスを検索することで検索対象の絞込みが可能となった。
図６で示した桿状核球（Ｃｌａｓｓ１２０）と分葉核球（Ｃｌａｓｓ３５１）との視覚的な境界面は、滑らかなグラディエーションで結合されており、類似性の境界が不明瞭であることを示している。これは、桿状核球と分葉核球が同じ好中球に属することから、細胞の分化度の視点から見た類似性がマップ上でクラスタリングができていることを示唆している。一方、Ｃｌａｓｓ３５１の分葉核球とリンパ球領域との境界はグラディエーションの少ない明瞭な境界面が観察され、これらの細胞群はマップ上で明確に分離できることを示している。図８は、好酸球のＣｌａｓｓ８０１を基準とした各クラスの距離をプロットした図である。縦軸は、Ｃｌａｓｓ８０１からの距離、横軸は、距離の少ない順にソートしたクラスである。距離が１以下は同じ好酸球が分布しており、距離の閾値を可変することで、検索対象の類似性を可変できることを示している。また、細胞ごとに階段状の曲線が得られ、好中球の分葉核球と桿状核球が単球で分断されている興味深い結果が得られた。これは、基準となる細胞によってさまざまなパターンとなる傾向があった。
白血球の各成分単独、あるいは、各成分を統合した類似性に関して、類似性の尺度を自由に可変できる類似検索システムを構築した。ＥＭアルゴリズムは、事前にＳＯＭによりクラスタリングしたパターンで初期値を決定することにより、正しい収束結果が得られた。また、臨床検査領域のフローサイトメトリーで桿状核球と分葉核球の分離は不可能であったが、本法を用いることで容易に分離することが可能となり、診断や治療に有用な情報を提供するシステムを構築することができた。
以上本発明にかかる一実施例について図面を参照して詳述してきたが、具体的な構成例はこの一実施例に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等があっても本発明に含まれる。
例えば、前述した一実施例においては、類似パターン検索装置１で白血球粒度パターンの類似性を検索することとしたが、本発明はこれに限られるものではなく、一次元の蛋白電気泳動波形や血球ヒストグラム等の被検検体パターンの類似性を検索することもでき、各種の被検検体パターンの類似性を検索することができる。また、被検検体パターンは、上述した白血球粒度パターンのような２次元の情報に限られるものではなく、１次元の情報や多次元の情報（時間軸を含む）についても適用可能である。図９は、類似パターン検索装置１で蛋白電気泳動波形についてＳＯＭにより１次クラスタリングを行った結果得られた１次クラスマップの一例を示す図である。図１０は類似パターン検索装置１で血球ヒストグラムについてＳＯＭにより１次クラスタリングを行った結果得られた１次クラスマップの一例を示す図である。
また、前述した一実施例においては、類似パラメータ検索装置１の機能を実現するためのプログラムを図１１に示したコンピュータ読み取り可能な記録媒体６０に記録して、この記録媒体６０に記録されたプログラムを同図に示したコンピュータ５０に読み込ませ、実行することにより各機能を実現してもよい。
同図に示したコンピュータ５０は、上記プログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）５１と、キーボード、マウス等の入力装置５２と、各種データを記憶するＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５３と、演算パラメータ等を記憶するＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５４と、記録媒体６０からプログラムを読み取る読取装置５５と、ディスプレイ、プリンタ等の出力装置５６とから構成されている。
ＣＰＵ５１は、読取装置５５を経由して記録媒体６０に記録されているプログラムを読み込んだ後、プログラムを実行することにより、前述した機能を実現する。なお、記録媒体６０としては、光ディスク、フレキシブルディスク、ハードディスク等が挙げられる。
以上のように、本発明にかかる類似パターン検索装置は、各成分を統合した類似性に関して、類似性の尺度を自由に可変できるため、診断や治療に有用な情報を提供することができる。

Claims (9)

  1. 複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを検索する類似パターン検索装置であって、
    前記複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを選択し、前記複数のパターンに対してクラスタリングを行って作成されたクラスマップを記憶する記憶手段と、
    前記被検検体のパターンに含まれる成分分画に類似するクラスを前記クラスマップの中から選択する類似パターン検索手段と、
    を備えたことを特徴とする類似パターン検索装置。
  2. 前記パターンは、１次元または多次元のパターンであることを特徴とする請求項１に記載の類似パターン検索装置。
  3. 前記パターンは、白血球粒度パターン、蛋白電気泳動波形、または血球ヒストグラムであることを特徴とする請求項２に記載の類似パターン検索装置。
  4. 複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを検索する類似パターン検索方法であって、
    前記複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを選択し、前記複数のパターンにクラスタリングを行ってクラスマップを作成するクラスマップ作成工程と、
    前記クラスマップ作成工程で作成されたクラスマップを記憶する記憶工程と、
    前記被検検体のパターンに含まれる成分分画に類似するクラスを前記クラスマップの中から選択する類似パターン検索工程と、
    を含むことを特徴とする類似パターン検索方法。
  5. 複数のパターンを含む集団の中から、被検検体のパターンと類似性の高いパターンを検索する類似パターン検索方法をコンピュータに実行させるためのプログラムであって、
    前記複数のパターンに各々含まれる複数の成分分画を特徴づけるモデルパラメータを選択し、前記複数のパターンにクラスタリングを行ってクラスマップを作成するクラスマップ作成工程と、
    前記クラスマップ作成工程で作成されたクラスマップを記憶する記憶工程と、
    前記被検検体のパターンに含まれる成分分画に類似するクラスを前記クラスマップの中から選択する類似パターン検索工程と、
    をコンピュータに実行させることを特徴とする類似パターン検索プログラム。
  6. 複数の白血球粒度パターンを含む集団の中から、被検検体の白血球粒度パターンと類似性の高いパターンを持つ白血球粒度パターンを検索する類似パターン検索装置であって、
    前記白血球粒度パターンは、複数の細胞成分分画を含み、
    実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング手段と、
    前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、前記各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第１の混合分布モデルパラメータを決定する第１のパラメータ決定手段と、
    前記各白血球粒度パターンについて、前記第１の混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、前記各白血球粒度パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第２の混合分布モデルパラメータを決定する第２のパラメータ決定手段と、
    前記各白血球粒度パターンについて、前記第２の混合分布モデルパラメータに自己組織化マップを適用してクラスタリングを行い、２次クラスマップを作成する２次クラスタリング手段と、
    前記２次クラスマップに含まれる各クラス間におけるすべての組合せの類似距離を計算し、クラスの組合せと当該クラス間の類似距離とを対応させたクラス間距離マスターを作成するクラス間距離マスター作成手段と、
    前記２次クラスマップと前記クラス間距離マスターを記憶する記憶手段と、
    被検検体の白血球粒度パターンに含まれる各細胞成分分画に属するクラスを前記２次クラスマップの中から決定するクラス決定手段と、
    前記クラス決定工程で決定されたクラスとの類似距離が所定の閾値以下であるクラスを前記クラス間距離マスターの中から類似クラスとして検出し、当該類似クラスに含まれる白血球粒度パターンを、前記被検検体の白血球粒度パターンと類似性の高いパターンとして判定する類似パターン検索手段と、
    を備えたことを特徴とする類似パターン検索装置。
  7. 複数の白血球粒度パターンを含む集団の中から、被検検体の白血球粒度パターンと類似性の高いパターンを持つ白血球粒度パターンを検索する類似パターン検索方法であって、
    前記白血球粒度パターンは、複数の細胞成分分画を含み、
    実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング工程と、
    前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、前記各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第１の混合分布モデルパラメータを決定する第１のパラメータ決定工程と、
    前記各白血球粒度パターンについて、前記第１の混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、前記各白血球粒度パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第２の混合分布モデルパラメータを決定する第２のパラメータ決定工程と、
    前記各白血球粒度パターンについて、前記第２の混合分布モデルパラメータに自己組織化マップを適用してクラスタリングを行い、２次クラスマップを作成する２次クラスタリング工程と、
    前記２次クラスマップに含まれる各クラス間におけるすべての組合せの類似距離を計算し、各クラスの組合せと当該クラス間の類似距離とを対応させたクラス間距離マスターを作成するクラス間距離マスター作成工程と、
    前記２次クラスマップと前記クラス間距離マスターを記憶する記憶工程と、
    被検検体の白血球粒度パターンに含まれる各細胞成分分画に属するクラスを前記２次クラスマップの中から決定するクラス決定工程と、
    前記クラス決定工程で決定されたクラスとの類似距離が所定の閾値以下であるクラスを前記クラス間距離マスターの中から類似クラスとして検出し、当該類似クラスに含まれる白血球粒度パターンを、前記被検検体の白血球粒度パターンと類似性の高いパターンとして判定する類似パターン検索工程と、
    を含むことを特徴とする類似パターン検索方法。
  8. 複数の白血球粒度パターンを含む集団の中から、被検検体の白血球粒度パターンと類似性の高いパターンを持つ白血球粒度パターンを検索する類似パターン検索方法をコンピュータに実行させるプログラムであって、
    前記白血球粒度パターンは、複数の細胞成分分画を含み、
    実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング工程と、
    前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、前記各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第１の混合分布モデルパラメータを決定する第１のパラメータ決定工程と、
    前記各白血球粒度パターンについて、前記第１の混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、前記各白血球粒度パターンに含まれる細胞成分の成分数、ならびに、各細胞成分の平均値、分散および密度からなる第２の混合分布モデルパラメータを決定する第２のパラメータ決定工程と、
    前記各白血球粒度パターンについて、前記第２の混合分布モデルパラメータに自己組織化マップを適用してクラスタリングを行い、２次クラスマップを作成する２次クラスタリング工程と、
    前記２次クラスマップに含まれる各クラス間におけるすべての組合せの類似距離を計算し、各クラスの組合せと当該クラス間の類似距離とを対応させたクラス間距離マスターを作成するクラス間距離マスター作成工程と、
    前記２次クラスマップと前記クラス間距離マスターを記憶する記憶工程と、
    被検検体の白血球粒度パターンに含まれる各細胞成分分画に属するクラスを前記２次クラスマップの中から決定するクラス決定工程と、
    前記クラス決定工程で決定されたクラスとの類似距離が所定の閾値以下であるクラスを前記クラス間距離マスターの中から類似クラスとして検出し、当該類似クラスに含まれる白血球粒度パターンを、前記被検検体の白血球粒度パターンと類似性の高いパターンとして判定する類似パターン検索工程と、
    をコンピュータに実行させることを特徴とする類似パターン検索プログラム。
  9. 複数の細胞成分分画を含む白血球粒度パターンにおいて各細胞成分分画を分離する細胞成分分画分離装置であって、
    実測して得られた複数の前記白血球粒度パターンに自己組織化マップを適用してクラスタリングを行い、１次クラスマップを作成する１次クラスタリング手段と、
    前記１次クラスマップに含まれる各パターンについて、所定の初期値を用いてＥＭアルゴリズムを実行することにより、各パターンに含まれる細胞成分の成分数、ならびに、各細胞成分分画の平均値、分散および密度からなる混合分布モデルパラメータを決定するパラメータ決定手段と、
    前記各白血球粒度パターンについて、前記混合分布モデルパラメータを初期値としてＥＭアルゴリズムを実行することにより、各白血球粒度パターンに含まれる各細胞成分の分画を分離する分画分離手段と、
    を備えたことを特徴とする分画分離装置。
JP2005515594A 2003-11-21 2004-11-12 類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置 Active JP4521490B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2003392845 2003-11-21
JP2003392845 2003-11-21
PCT/JP2004/016841 WO2005050479A1 (ja) 2003-11-21 2004-11-12 類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置

Publications (2)

Publication Number Publication Date
JPWO2005050479A1 true JPWO2005050479A1 (ja) 2007-06-14
JP4521490B2 JP4521490B2 (ja) 2010-08-11

Family

ID=34616468

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2005515594A Active JP4521490B2 (ja) 2003-11-21 2004-11-12 類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置

Country Status (4)

Country Link
US (1) US7697764B2 (ja)
EP (1) EP1686494A4 (ja)
JP (1) JP4521490B2 (ja)
WO (1) WO2005050479A1 (ja)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7299135B2 (en) 2005-11-10 2007-11-20 Idexx Laboratories, Inc. Methods for identifying discrete populations (e.g., clusters) of data within a flow cytometer multi-dimensional data set
EP1796009A3 (en) 2005-12-08 2007-08-22 Electronics and Telecommunications Research Institute System for and method of extracting and clustering information
JP4902378B2 (ja) * 2007-02-06 2012-03-21 日本放送協会 混合モデル初期値算出装置及び混合モデル初期値算出プログラム
JP4985480B2 (ja) * 2008-03-05 2012-07-25 国立大学法人山口大学 がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム
EP2105863B1 (en) * 2008-03-28 2017-09-13 Cytognos, S.L. Method and system for the automatic classification of events acquired by a flow cytometer
US8349256B2 (en) * 2008-11-21 2013-01-08 Sysmex Corporation Blood cell analyzer, blood cell analyzing method, and computer program product
JP5168658B2 (ja) * 2008-11-21 2013-03-21 国立大学法人高知大学 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
US8363922B2 (en) * 2009-02-12 2013-01-29 International Business Machines Corporation IC layout pattern matching and classification system and method
US9522396B2 (en) 2010-12-29 2016-12-20 S.D. Sight Diagnostics Ltd. Apparatus and method for automatic detection of pathogens
WO2012106677A2 (en) * 2011-02-03 2012-08-09 Voxeleron Llc Method and system for image analysis and interpretation
KR101648651B1 (ko) * 2011-11-29 2016-08-16 노키아 테크놀로지스 오와이 객체의 분류를 위한 방법, 장치 및 컴퓨터 프로그램 제품
CN104169719B (zh) 2011-12-29 2017-03-08 思迪赛特诊断有限公司 用于检测生物样品中病原体的方法和系统
HUE038285T2 (hu) * 2012-10-23 2018-10-29 Synaffix Bv Módosított antitest, antitest-konjugátum és eljárás ezek elõállítására
WO2014112567A1 (ja) * 2013-01-17 2014-07-24 国立大学法人 東京大学 細胞群分類装置及び、細胞群分類方法
EP2999988A4 (en) 2013-05-23 2017-01-11 S.D. Sight Diagnostics Ltd. Method and system for imaging a cell sample
IL227276A0 (en) 2013-07-01 2014-03-06 Parasight Ltd A method and system for obtaining a monolayer of cells, for use specifically for diagnosis
CN105659151B (zh) 2013-08-26 2018-06-29 思迪赛特诊断有限公司 数码显微系统与方法
EP3186778B1 (en) 2014-08-27 2023-01-11 S.D. Sight Diagnostics Ltd. System and method for calculating focus variation for a digital microscope
EP3859425B1 (en) 2015-09-17 2024-04-17 S.D. Sight Diagnostics Ltd. Methods and apparatus for detecting an entity in a bodily sample
EP3436864B1 (en) 2016-03-30 2021-04-28 S.D. Sight Diagnostics Ltd. Image processing device for identifying blood parasites
WO2017195208A1 (en) 2016-05-11 2017-11-16 S.D. Sight Diagnostics Ltd Performing optical measurements on a sample
WO2017195205A1 (en) 2016-05-11 2017-11-16 S.D. Sight Diagnostics Ltd Sample carrier for optical measurements
CN106644897A (zh) * 2016-10-14 2017-05-10 北京海岸鸿蒙标准物质技术有限责任公司 一种用于颗粒计数标准物质的计数装置
JP7214729B2 (ja) 2017-11-14 2023-01-30 エス．ディー．サイト ダイアグノスティクス リミテッド 光学測定用試料収容器
US20220076114A1 (en) * 2020-09-04 2022-03-10 NEC Laboratories Europe GmbH Modular-related methods for machine learning algorithms including continual learning algorithms

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6073356A (ja) * 1983-09-29 1985-04-25 Toa Medical Electronics Co Ltd 血液分析用試薬
JP4136017B2 (ja) * 1996-09-19 2008-08-20 シスメックス株式会社 粒子分析装置
WO2005008254A1 (ja) * 2003-07-18 2005-01-27 A & T Corporation 臨床検査分析装置、臨床検査分析方法およびその方法をコンピュータに実行させるプログラム
GB2411369B (en) 2004-02-27 2007-02-14 Dynamic Proc Solutions Ltd Cyclone assembly and method for increasing or decreasing flow capacity of a cyclone separator in use

Also Published As

Publication number Publication date
JP4521490B2 (ja) 2010-08-11
US7697764B2 (en) 2010-04-13
US20070133855A1 (en) 2007-06-14
WO2005050479A1 (ja) 2005-06-02
EP1686494A1 (en) 2006-08-02
EP1686494A4 (en) 2011-07-27

Similar Documents

Publication Publication Date Title
JP4521490B2 (ja) 類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置
KR102469620B1 (ko) 생물학적 입자의 분류 시스템 및 방법
Ghosh et al. Blood smear analyzer for white blood cell counting: a hybrid microscopic image analyzing technique
US7043500B2 (en) Subtractive clustering for use in analysis of data
US20120215487A1 (en) Methods and apparatus related to gate boundaries within a data space
US11639936B2 (en) System, method, and article for detecting abnormal cells using multi-dimensional analysis
CN106228554B (zh) 基于多属性约简的模糊粗糙集煤粉尘图像分割方法
CN111062296B (zh) 一种基于计算机的白细胞自动识别分类方法
US9183237B2 (en) Methods and apparatus related to gate boundaries within a data space
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
CN113658174B (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
US20150242676A1 (en) Method for the Supervised Classification of Cells Included in Microscopy Images
CN115270874A (zh) 一种基于密度估计的流式细胞分类和计数的方法和系统
US20220207895A1 (en) Cytometry data analysis
JPH0584544B2 (ja)
CN102144153A (zh) 用于分类、显示并探查生物数据的方法和装置
KR102633197B1 (ko) Fcs 데이터의 초입방체 형상 테이블을 기초로 초입방체 픽셀의 그라디언트 분석을 통해 자동으로 군집을 분석하는 장치 및 방법
Gelsema et al. Application of the method of multiple thresholding to white blood cell classification
Lin et al. Supervised Neural Networks for the Automatic Classification of Leukocytes in Blood Microscope Images
US20240212149A1 (en) System and method of classification of biological particles
Gholap et al. Content-based tissue image mining
Abdallah et al. Using Bayesian inference to measure the proximity of flow cytometry data
Sato et al. A new self-partition clustering method for robust identification of subsets with heterogeneous size and density and its clinical application to leukocyte differential counting
MATTON Automating flow cytometry data analysis using clustering techniques
Henriques-Pons et al. Multiparametric Color Tendency Analysis (MCTA): A Method to Analyze Several Flow Cytometry Labelings Simultaneously

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20060403

AA64 Notification of invalidation of claim of internal priority (with term)

Free format text: JAPANESE INTERMEDIATE CODE: A241764

Effective date: 20060725

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20060810

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20070810

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100119

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100205

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: 20100309

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20100316

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20070810

R150 Certificate of patent or registration of utility model

Ref document number: 4521490

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130604

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130604

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20160604

Year of fee payment: 6

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250