NO904341L

NO904341L - SYSTEM AND PROCEDURE FOR AUTOMATED NERVENET WORK-BASED CLASSIFICATION OF CYTOLOGICAL TESTS.

Info

Publication number: NO904341L
Application number: NO90904341A
Authority: NO
Inventors: Mark R Rutenberg
Original assignee: Neuromedical Systems Inc
Priority date: 1988-04-08
Filing date: 1990-10-05
Publication date: 1990-12-03
Also published as: NO904341D0

Abstract

Et automatisert sorteringssystem og en fremgangsmåte for klassifisering av cytologiske prøver hvor et nervenettverk (15) utnyttes ved utførelse av klassifiseringsfunksjonen. Systemet omfatter også et automatisert mikroskop (11) og tilhrende bildebehandlingskret-ser (13, 14).An automated sorting system and a method for classifying cytological samples where a neural network (15) is utilized when performing the classification function. The system also comprises an automated microscope (11) and associated image processing circuits (13, 14).

Description

Teknisk områdeTechnical area

Oppfinnelsen angår generelt celleklassifisering, og mer spesielt anvendelse av nervenettverk og/eller neurodatamaskiner for økning av hastigheten og nøyaktigheten av celleklassifisering. The invention generally relates to cell classification, and more particularly to the use of neural networks and/or neurocomputers to increase the speed and accuracy of cell classification.

Bakgrunn for oppfinnelsenBackground for the invention

Det cervikale, mikroskopiske påsmøringspreparat (Pap-prøven) er den eneste massesorterende, cytologiske undersøkelse som krever visuell inspeksjon av praktisk talt hver celle på preparatglasset. Prøven lider av en høy falsk, negativ prosent (negative rate) på grunn av den kjedsommelighet og tretthet som er knyttet til dens någjeldende, manuelle utførelsesmåte. Celleklassifisering utføres typisk på "akkord"-basis av "cyto-teknikere" som er ansatt ved patologiske laboratorier, og i noen tilfeller av lønnede teknikere. På grunn av den klart livs-truende natur av problemet med den falske negative prosent, med dets resulterende mulighet for udiagnostisert halskreft, overveier den Amerikanske Kreftforening (the American Cancer Society.) å fordoble hyppigheten av anbefalte mikroskopiske Pap-påsmøringspreparater. Dette vil imidlertid sikkert overbelaste en allerede overbebyrdet cervikal sorteringsindustri, da stadig færre personer er villige til å gå inn på det kjedsommelige og stressende område med manuell klassifisering av cervikale påsmøringspreparater. En anbefaling fra den Amerikanske Kreftforening om å øke Pap-påsmøringspreparathyppigheten kan bare tjene til å øke den falske negative prosent ved å redusere den mengde tid som brukes på manuell undersøkelse av hvert preparatglass. En grundig manuell undersøkelse burde ta ikke mindre enn femten minutter pr. preparatglass, selv om en cytotekniker, særlig en sådan under en stor arbeidsbyrde, kan bruke mindre enn halvparten av denne tid. Det Amerikanske Patologkollegium (College of American Pathology) er fullt klar over dette problem og ville raskt slutte seg til en automatisert løsning for sortering av cervikale påsmøringspreparater. The cervical microscopic smear preparation (Pap test) is the only mass-sorting cytological examination that requires visual inspection of virtually every cell on the slide. The test suffers from a high false negative rate due to the tedium and fatigue associated with its current manual method of execution. Cell classification is typically performed on a "piece rate" basis by "cyto-technicians" employed by pathology laboratories, and in some cases by salaried technicians. Because of the clearly life-threatening nature of the false negative rate problem, with its resulting potential for undiagnosed throat cancer, the American Cancer Society is considering doubling the frequency of recommended microscopic Pap smears. However, this will certainly overload an already overburdened cervical sorting industry, as fewer and fewer people are willing to enter the tedious and stressful area of manual classification of cervical smear preparations. A recommendation by the American Cancer Society to increase Pap smear preparation frequency may only serve to increase the false negative rate by reducing the amount of time spent manually examining each slide. A thorough manual examination should take no less than fifteen minutes per slide, although a cytotechnician, especially one under a heavy workload, may spend less than half this time. The College of American Pathology is fully aware of this problem and would quickly agree to an automated solution for sorting cervical smear preparations.

På grunn av det klare kommersielle potensial for automatisert analyse av cervikale påsmøringspreparater, er flere forsøk med dette formål blitt gjort i den kjente teknikk. Disse forsøk har vist seg å være mislykkede da de utelukkende har stolt på gjenkjennelsesteknologi etter klassisk mønster (geometrisk, syntaktisk, sjablonbasert, statistisk), eller mønstergjenkjen-nelse basert på kunstig intelligens (AI = artificial intelli-gence), dvs. regelbaserte ekspertsystemer. Det finnes imidlertid ingen klar algoritme eller noe komplett og eksplisitt sett av regler ved hjelp av hvilken/hvilket den menneskelige cytotekniker eller patolog kan benytte sin erfaring til å kombinere et stort antall særtrekk for å foreta en klassifisering på skikket (gestalt) måte. Klassifisering av cervikale påsmøringspreparater er derfor en utmerket applikasjon for nervenettverksbasert mønstergjenkjennelse. Due to the clear commercial potential for automated analysis of cervical smear preparations, several attempts with this purpose have been made in the prior art. These attempts have proven to be unsuccessful as they have relied exclusively on recognition technology based on classical patterns (geometric, syntactic, template-based, statistical), or pattern recognition based on artificial intelligence (AI = artificial intelligence), i.e. rule-based expert systems. However, there is no clear algorithm or any complete and explicit set of rules by means of which the human cytotechnician or pathologist can use his experience to combine a large number of features to make a classification in the proper (gestalt) way. Classification of cervical smear preparations is therefore an excellent application for neural network-based pattern recognition.

Et eksempel på begrensningene i den kjente teknikk kan finnes i 1987-referansen med tittelen "Automated Cervical Screen Classi-fication" av Tien m.fl. som skal identifiseres nærmere nedenfor. An example of the limitations of the prior art can be found in the 1987 reference entitled "Automated Cervical Screen Classification" by Tien et al. which will be identified in more detail below.

Bakgrunnsreferanser av interesse er følgende:Background references of interest are the following:

David E. Rumelhart og James L. McClelland: "Parallel Distributed Processing", MIT Press, 1986, årgang 1; D. Tien m.fl.: "Automated Cervical Smear Classifica-tion", Proceedings of the IEEE/Ninth Annual Conference of the Engineering in Medicine and Biology Society, 1987, s. 1457-1458; David E. Rumelhart and James L. McClelland: "Parallel Distributed Processing", MIT Press, 1986, Volume 1; D. Tien et al.: "Automated Cervical Smear Classifica-tion", Proceedings of the IEEE/Ninth Annual Conference of the Engineering in Medicine and Biology Society, 1987, pp. 1457-1458;

Robert Hecht-Nielsen: "Neurocomputing: Picking the Human Brain", IEEE Spectrum, mars 1988, s. 36-41; og Robert Hecht-Nielsen: "Neurocomputing: Picking the Human Brain", IEEE Spectrum, March 1988, pp. 36-41; and

Richard P. Lippmann: "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, april 1987, s. 4-22. Richard P. Lippmann: "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, April 1987, pp. 4-22.

Kort sammendrag av oppfinnelsenBrief summary of the invention

Det er derfor et hovedformål med oppfinnelsen å tilveiebringe et automatisert system og en fremgangsmåte for klassifisering av cytologiske prøver i kategorier, for eksempel kategorier av diagnostisk signifikans. It is therefore a main purpose of the invention to provide an automated system and a method for classifying cytological samples into categories, for example categories of diagnostic significance.

Kort angitt omfatter oppfinnelsen et innledende sorteringsapparat (engelsk: classifier) (iblant omtalt som primært sorteringsapparat) for på foreløpig måte å klassifisere en cytologisk prøve, og et etterfølgende sorteringsapparat (iblant omtalt som sekundært sorteringsapparat) for å klassifisere de deler av den cytologiske prøve som er utvalgt av det innledende sorteringsapparat for etterfølgende klassifisering, hvor det etterfølgende sorteringsapparat inneholder en neurodatamaskin eller et nervenettverk. Briefly stated, the invention comprises an initial sorting device (English: classifier) (sometimes referred to as a primary sorting device) for provisionally classifying a cytological sample, and a subsequent sorting device (sometimes referred to as a secondary sorting device) for classifying the parts of the cytological sample that is selected by the initial sorter for subsequent classification, where the subsequent sorter contains a neurocomputer or a neural network.

I én utførelse kan det primære sorteringsapparat omfatte et kommersielt tilgjengelig, automatisert mikroskop i form av et standard cytologimikroskop med et videokamera eller en CCD-oppstilling, med mikroskoptrinnet styrt for automatisert avsøkning av et preparatglass. Bilder fra kameraet digitaliseres og utmates til det sekundære sorteringsapparat i form av et datamaskinsystem. Datamaskinsystemet omfatter et nervenettverk slik det skal defineres nedenfor, og som også er vist i flere av de her angitte referanser, som benyttes ved utførelsen av cellebilde-identifisering og klassifisering i grupper av diagnostisk interesse. I en alternativ utførelse kan det primære sorteringsapparat omfatte et nervenettverk. Andre alternative utførelser er også vist og beskrevet nedenfor. In one embodiment, the primary sorting apparatus may comprise a commercially available, automated microscope in the form of a standard cytology microscope with a video camera or a CCD array, with the microscope stage controlled for automated scanning of a slide. Images from the camera are digitized and output to the secondary sorting device in the form of a computer system. The computer system comprises a neural network as will be defined below, and which is also shown in several of the references given here, which is used in the performance of cell image identification and classification into groups of diagnostic interest. In an alternative embodiment, the primary sorting apparatus may comprise a neural network. Other alternative embodiments are also shown and described below.

Det er et ytterligere formål med oppfinnelsen at den utfører sin klassifisering av en gruppe av prøver innenfor den tidsperiode som typisk går med for denne oppgave ved omhyggelig manuell sortering (dvs. ca. 15 minutter pr. prøve). It is a further object of the invention that it performs its classification of a group of samples within the time period typically required for this task by careful manual sorting (ie about 15 minutes per sample).

Det er et ytterligere formål med oppfinnelsen at den utfører sin klassifisering på cytologiske prøver som inneholder de antall og typer av objekter som er forskjellige fra enkeltlag av celler av interesse som typisk finnes i cervikale, mikroskopiske påsmøringspreparater (f.eks. klumper av celler, overlap-pende celler, etterlatenskaper, leukocytter, bakterier, slim). It is a further object of the invention to perform its classification on cytological specimens containing the numbers and types of objects different from single layers of cells of interest typically found in cervical microscopic smear preparations (eg, clumps of cells, overlap -dependent cells, residues, leukocytes, bacteria, mucus).

Det er et ytterligere formål med oppfinnelsen å utføre den ovennevnte klassifisering på cervikale, mikroskopiske påsmøringspreparater for oppdagelse av før-ondartede og ondartede celler. It is a further object of the invention to perform the above classification on cervical microscopic smear preparations for the detection of pre-malignant and malignant cells.

Det er et ytterligere formål med oppfinnelsen at den skal utføre sin klassifisering med mindre falske, negative feilprosenter enn det som typisk forekommer ved konvensjonell, manuell sortering av cervikale, mikroskopiske påsmøringsprepara-ter . It is a further purpose of the invention that it should carry out its classification with less false, negative error rates than what typically occurs with conventional, manual sorting of cervical, microscopic smear preparations.

En fordel med det cytologiske klassifiseringssystem ifølge den foreliggende oppfinnelse er at klassifisering av cytologiske prøver i medisinsk signifikante, diagnostiske kategorier vil være mer pålitelig, dvs. med lavere falske, negative feilprosenter. An advantage of the cytological classification system according to the present invention is that classification of cytological samples into medically significant, diagnostic categories will be more reliable, i.e. with lower false negative error rates.

En ytterligere fordel med det cytologiske klassifiseringssystem ifølge oppfinnelsen er at det ikke trenger noen modifikasjon av den prosedyre ved hjelp av hvilken celleprøver oppnås fra pasienten. A further advantage of the cytological classification system according to the invention is that it does not need any modification of the procedure by means of which cell samples are obtained from the patient.

En ytterligere fordel med det cytologiske klassifiseringssystem ifølge oppfinnelsen er at det vil tillate pålitelig klassifisering innenfor behandlingstidsbegrensninger som tillater økonomisk gjennomførbar drift. A further advantage of the cytological classification system according to the invention is that it will allow reliable classification within processing time constraints that allow economically feasible operation.

Disse og andre formål, fordeler og særtrekk ved oppfinnelsen vil bli åpenbare for fagfolk på området etter å ha lest den etterfølgende, nærmere beskrivelse av den foretrukne utførelse. These and other objects, advantages and features of the invention will become apparent to those skilled in the art after reading the following, more detailed description of the preferred embodiment.

Det skal her bemerkes at de foran angitte, publiserte artikler spesielt innlemmes ved referanse. It should be noted here that the aforementioned published articles are specifically incorporated by reference.

Videre skal det her bemerkes at oppfinnelsen i den foreliggende beskrivelse er beskrevet i hovedsaken med hensyn til klassifisering av cytologiske prøver i form av et cervikalt, påsmurt mikroskopisk preparat, f.eks. slik det typisk gjøres i forbindelse med en Pap-prøve. Det vil imidlertid innses at dette bare er ett eksempel på anvendelsen av prinsippene for oppfinnelsen som er beregnet for anvendelse for klassifisering av mange andre cytologiske prøver. Furthermore, it should be noted here that the invention in the present description is described in the main matter with regard to the classification of cytological samples in the form of a cervical smeared microscopic preparation, e.g. as is typically done in connection with a Pap test. However, it will be appreciated that this is only one example of the application of the principles of the invention which are intended for use in the classification of many other cytological samples.

Kort beskrivelse av tegningeneBrief description of the drawings

På de vedlagte tegninger viser fig. 1 et blokkskjerna av en nervenettverksbasert, automatisert innretning for sortering av cytologiske prøver i overensstemmelse med oppfinnelsen, fig. 2 viser en representasjon av et trelags nervenettverk av den type som benyttes i den foretrukne utførelse, fig. 3 viser et blokkskjerna av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen, fig. 4 viser et blokkskjerna av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen, fig. 5 viser et blokkskjerna av en alternativ utførelse av den automatiserte soteringsinnretning ifølge oppfinnelsen, fig- 6 viser et blokkskjema av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen, og fig. 7 viser et blokkskjema av en alternativ utførelse av den automatiserte sorteringsinnretning ifølge oppfinnelsen. In the attached drawings, fig. 1 a block core of a neural network-based, automated device for sorting cytological samples in accordance with the invention, fig. 2 shows a representation of a three-layer neural network of the type used in the preferred embodiment, fig. 3 shows a block core of an alternative embodiment of the automated sorting device according to the invention, fig. 4 shows a block core of an alternative embodiment of the automated sorting device according to the invention, fig. 5 shows a block core of an alternative embodiment of the automated sorting device according to the invention, fig. 6 shows a block diagram of an alternative embodiment of the automated sorting device according to the invention, and fig. 7 shows a block diagram of an alternative embodiment of the automated sorting device according to the invention.

Beskrivelse av de foretrukne og alternative utførelser Description of the preferred and alternative designs

Fig. 1 viser en nervenettverksbasert, automatisert sorteringsinnretning for cytologiske prøver ifølge oppfinnelsen, og som er generelt betegnet med henvisningstallet 10. Klassifiserings- eller sorteringsinnretningen 10 omfatter et automatisert mikroskop 11, et videokamera eller en CCD-anordning 12, en bildedigitalisator 13, og klassifiseringstrinn 14, 15 og 16. Fig. 1 shows a neural network-based, automated sorting device for cytological samples according to the invention, which is generally denoted by the reference number 10. The classification or sorting device 10 comprises an automated microscope 11, a video camera or a CCD device 12, an image digitizer 13, and classification steps 14, 15 and 16.

Det automatiserte mikroskop 11 utfører relativ beve-gelse av mikroskopobjektivet og prøven, og "videokameraet eller CCD-anordningen 12 oppnår et bilde av et bestemt parti av den cytologiske prøve. Bildet digitaliseres av bildedigitalisatoren 13, og informasjonen fra denne koples til sorteringsapparatet eller sorteringsinnretningen 14. I den foretrukne utførelse er sorteringsinnretningen 14 en kommersielt tilgjengelig, statistisk sorteringsinnretning (classifier) som identifiserer cellekjerner av interesse ved måling av deres integrerte optiske tetthet (kjerneflekktetthet). Dette er summen av bildeelement-gråver-diene for objektet, korrigert for optiske feil. Sammenliknet med normale celler har ondartede celler en tendens til å ha en større, tettere flekkdannende kjerne. The automated microscope 11 performs relative movement of the microscope objective and the sample, and the video camera or CCD device 12 obtains an image of a specific part of the cytological sample. The image is digitized by the image digitizer 13, and the information from this is connected to the sorting apparatus or sorting device 14 In the preferred embodiment, the sorter 14 is a commercially available statistical classifier that identifies cell nuclei of interest by measuring their integrated optical density (nucleus speckle density). This is the sum of the pixel gray values of the object, corrected for optical errors. Compared to normal cells, malignant cells tend to have a larger, more densely speckled nucleus.

Objekter som passerer sorteringsinnretningen 14, består av før-ondartede og ondartede eller maligne celler, men omfatter også andre objekter med høy, integrert optisk tetthet, såsom celleklumper, brokker, leukocytter og slim. Oppgaven til den sekundære sorteringsinnretning 15 er å skjelne før-ondartede og ondartede celler fra disse andre objekter. Objects passing the sorting device 14 consist of pre-malignant and malignant or malignant cells, but also include other objects with high integrated optical density, such as cell clumps, hernias, leukocytes and mucus. The task of the secondary sorting device 15 is to distinguish pre-malignant and malignant cells from these other objects.

Et nervenettverk benyttes for å realisere den sekundære sorteringsinnretning 15. Nærmere beskrivelser av konstruksjonen og virkemåten av nervenettverk som er egnet for realisering av den sekundære sorteringsinnretning 15, kan finnes i de her angitte referanser. En kort beskrivelse av denne informasjon er gitt nedenfor. A neural network is used to realize the secondary sorting device 15. Further descriptions of the construction and operation of neural networks that are suitable for realizing the secondary sorting device 15 can be found in the references indicated here. A brief description of this information is given below.

Basert på de data som oppnås av den primære sorteringsinnretning for den cytologiske prøve, benyttes den sekundære sorteringsinnretning til å kontrollere spesielle områder av prøven som for eksempel er fastslått å kreve ytterligere sortering eller klassifisering. Sådan ytterligere undersøkelse ved hjelp av den sekundære sorteringsinnretning kan utføres ved å stole på de allerede oppnådde, digitaliserte bildedata for de utvalgte områder av prøven, eller ved å ta ytterligere data ved hjelp av komponentene 11-13, eller ved hjelp av annet kommersielt tilgjengelig, optisk eller annet utstyr som ville tilveiebringe akseptable data for benyttelse- og analyse av den sekundære sorteringsinnretning 15. Based on the data obtained by the primary sorting device for the cytological sample, the secondary sorting device is used to control particular areas of the sample which, for example, have been determined to require further sorting or classification. Such further examination by means of the secondary sorting device can be carried out by relying on the already obtained, digitized image data for the selected areas of the sample, or by taking additional data by means of components 11-13, or by means of other commercially available, optical or other equipment that would provide acceptable data for use and analysis of the secondary sorting device 15.

Et nervenettverk er et i høy grad parallellfordelt system med topologien til et rettet eller styrt diagram (directed graph). Knutepunktene i nervenettverk omtales vanligvis som "behandlingselementer" eller "neuroner", mens bindeleddene er generelt kjent som "sammenkoplinger". Hvert behandlingselement aksepterer flere innganger og genererer et eneste utgangssignal som forgrener seg til flere kopier som på sin side fordeles til de andre behandlingselementer som inngangssignaler. Informasjon lagres i styrken av forbindelsene som er kjent som vekter eller vekttall. På asynkron måte beregner hvert behandlingselement summen av produktene av vekttallet for hver inngangsledning multiplisert med signalnivået (vanligvis 0 eller 1) på denne inngangsledning. Dersom summen av produktene overskrider en forinnstilt aktiveringsterskel, innstilles utgangen fra behand-lingselementet på 1, og dersom den er mindre, innstilles den på 0. Læring oppnås ved justering av verdiene av vekttallene. A neural network is a highly parallel distributed system with the topology of a directed graph. The nodes in neural networks are usually referred to as "processing elements" or "neurons", while the links are generally known as "interconnections". Each processing element accepts multiple inputs and generates a single output signal that branches into multiple copies which in turn are distributed to the other processing elements as input signals. Information is stored in the strength of the compounds known as weights or weight numbers. Asynchronously, each processing element calculates the sum of the products of the weight number for each input line multiplied by the signal level (typically 0 or 1) on that input line. If the sum of the products exceeds a preset activation threshold, the output from the processing element is set to 1, and if it is less, it is set to 0. Learning is achieved by adjusting the values of the weight numbers.

For den foreliggende oppfinnelse oppnås den foretrukne utførelse ved utnyttelse av et trelags nervenettverk av den type som er beskrevet i Lippmann-referansen som en "flerlags-persep-tron" og er beskrevet nærmere i Kapittel 8 i Rumelhart-referansen. Andre typer av nervenettverksystemer kan også benyttes. For the present invention, the preferred embodiment is achieved by utilizing a three-layer neural network of the type described in the Lippmann reference as a "multi-layer perceptron" and is described in more detail in Chapter 8 of the Rumelhart reference. Other types of neural network systems can also be used.

Et trelags nervenettverk består av et inngangslag, et utgangslag og et mellomliggende, skjult lag. Det mellomliggende lag er nødvendig for å tillate indre representasjon av mønstre inne i nettverket. Slik som vist av Minsky og Papert i deres bok fra 1969 med tittelen "Perceptrons" (MIT Press), er enkle tolags, assosiative nettverk begrensede med hensyn til de typer av problemer som de kan løse. Et tolags nettverk med bare "inngangs"- og "utgangs"-behandlingselementer kan bare representere kartlegginger i hvilke like inngangsmønstre fører til like utgangsmønstre. Hver gang det virkelige ordproblem ikke er av denne type, kreves et trelags nettverk. Det er blitt vist at med et tilstrekkelig stort, skjult lag kan et trelags nervenettverk alltid finne en representasjon som vil kartlegge hvilket som helst inngangsmønster til hvilket som helst ønsket utgangsmøns-ter. Et generisk trelags nervenettverk av denne type som benyttes i den foretrukne utførelse, er vist på fig. 2. A three-layer neural network consists of an input layer, an output layer and an intermediate, hidden layer. The intermediate layer is necessary to allow internal representation of patterns within the network. As shown by Minsky and Papert in their 1969 book entitled "Perceptrons" (MIT Press), simple two-layer associative networks are limited in the types of problems they can solve. A two-layer network with only "input" and "output" processing elements can only represent mappings in which equal input patterns lead to equal output patterns. Whenever the real word problem is not of this type, a three-layer network is required. It has been shown that with a sufficiently large hidden layer, a three-layer neural network can always find a representation that will map any input pattern to any desired output pattern. A generic three-layer neural network of this type used in the preferred embodiment is shown in fig. 2.

Flere vesentlige særtrekk ved nervenettverksarkitek-turer skjelner disse fra tidligere kjente metoder for implemente-ring av sorteringsinnretningen 15. 1. Der er liten eller ingen administrativ eller utøvende funksjon. Det finnes bare meget enkle enheter som hver utfører sin beregning med sum av produkter. Hvert behandlings-elements oppgave er således begrenset til å motta inngangssigna-lene fra sine naboer, og som en funksjon av disse inngangssignaler å beregne en utgangsverdi som det sender til sine naboer. Hvert behandlingselement utfører denne beregning periodisk, i parallell med, men ikke synkronisert med, aktivitetene til hvilken som helst av dets naboer. 2. All kunnskap ligger i forbindelsene. Bare meget kortsiktig lagring kan forekomme i tilstandene til behandlingselementene. All langsiktig lagring er representert ved verdiene av forbindelsesstyrkene eller "vekttallene" mellom behandlingselementene. Det er de regler som etablerer disse vekttall og modifiserer dem for læring, som primært skjelner én nervenett-verksmodell fra en annen. All kunnskap er således implisitt representert i styrkene av forbindelsesvekttallene, i stedet for eksplisitt representert i tilstandene til behandlingselementene. 3. Til forskjell fra algoritme-datamaskiner og ekspertsystemer er målet med nervenettverkslæring ikke formule-ringen av en algoritme eller et sett med eksplisitte regler. Under læring er et nervenettverk selvorganiserende for å etablere det globale sett av vekttall som vil resultere i at dets utgangsverdi for en gitt inngangsverdi mest nøyaktig svarer til det som det får vite er den riktige utgangsverdi for denne inngangsverdi. Det er denne adaptive ervervelse av forbindelses-styrker som tillater et nervenettverk å oppføre seg som om det kjente til reglene. Konvensjonelle datamaskiner utmerket seg ved anvendelser hvor kunnskapen lettvint kan fremstilles i en eksplisitt algoritme eller et eksplisitt og komplett sett av regler. Der hvor dette ikke er tilfelle, støter konvensjonelle datamaskiner på store vanskeligheter. Selv om konvensjonelle datamaskiner kan utføre en algoritme mye raskere enn noe menneske, utfordres de for å måle seg med menneskelig yteevne ved ikke-algoritmiske oppgaver, såsom mønstergjenkjennelse, klassifisering av nærmeste nabo, og å komme til den optimale løsning når de står overfor flere samtidige tvangsmidler. Dersom mønstre i N eksemplarer skal avsøkes for å klassifisere et ukjent inngangs-mønster, kan et algoritmesystem utføre denne oppgave på en tid av omtrent størrelsesorden N. I et nervenettverk er alle kandidatsignaturer samtidig representert av det globale sett av forbindelsesvekttall i hele systemet. Et nervenettverk kommer således automatisk til den nærmeste nabo til det tvetydige inngangssignal på en tid av størrelsesorden 1 i motsetning til en tid av størrelsesorden N. Several significant features of neural network architectures distinguish these from previously known methods for implementing the sorting device 15. 1. There is little or no administrative or executive function. There are only very simple units that each perform their calculation with a sum of products. Each processing element's task is thus limited to receiving the input signals from its neighbours, and as a function of these input signals to calculate an output value which it sends to its neighbours. Each processing element performs this computation periodically, in parallel with, but not synchronized with, the activities of any of its neighbors. 2. All knowledge lies in the connections. Only very short-term storage can occur in the states of the processing elements. All long-term storage is represented by the values of the connection strengths or "weight numbers" between the treatment elements. It is the rules that establish these weights and modify them for learning that primarily distinguish one neural network model from another. All knowledge is thus implicitly represented in the strengths of the connection weight numbers, rather than explicitly represented in the states of the processing elements. 3. Unlike algorithmic computers and expert systems, the goal of neural network learning is not the formulation of an algorithm or a set of explicit rules. During learning, a neural network self-organizes to establish the global set of weights that will result in its output value for a given input value most accurately corresponding to what it learns is the correct output value for that input value. It is this adaptive acquisition of connection strengths that allows a neural network to behave as if it knew the rules. Conventional computers excelled in applications where the knowledge could easily be presented in an explicit algorithm or an explicit and complete set of rules. Where this is not the case, conventional computers run into major difficulties. Although conventional computers can execute an algorithm much faster than any human, they are challenged to match human performance in non-algorithmic tasks such as pattern recognition, nearest neighbor classification, and arriving at the optimal solution when faced with multiple concurrent coercive measures. If patterns in N copies are to be scanned to classify an unknown input pattern, an algorithmic system can perform this task in a time of approximately the order of magnitude N. In a neural network, all candidate signatures are simultaneously represented by the global set of connection weight numbers in the entire system. A neural network thus automatically arrives at the nearest neighbor of the ambiguous input signal in a time of the order of 1 as opposed to a time of the order of N.

For den foreliggende oppfinnelse oppnås den foretrukne utførelse ved utnyttelse av et trelags tilbakeforplantningsnett-verk som beskrevet i Rumelhart-referansen, som nervenettverk for sorteringsinnretningstrinnet 15. Tilbakeforplantning (backpropa-gation) er nærmere beskrevet i Rumelhart-referansen. Kort beskrevet virker denne på følgende måte: Under nett-trening forplantes feil (dvs. differansen mellom det riktige utgangssignal for et eksemplar-inngangssignal og det aktuelle nett-utgangssignal for dette utgangssignal) bakover fra utgangslaget til det midtre lag og deretter til inngangslaget. Disse feil blir i hvert lag utnyttet av treningsalgoritmen til å justere eller forandre sammenkoplingsvekttallene, slik at en fremtidig presentasjon av eksemplar-mønsteret vil resultere i den riktige utgangskategori. Etter nett-treningen, under fremovermatingsmodusen, klassifiseres ukjente inngangsmønstre ved hjelp av nervenettverket til den eksemplarkategori som mest nøyaktig likner på denne. Utgangssignalet fra nervenettverks-sorteringsinnretningen 15 indikerer tilstedeværelse eller fravær av før-ondartede eller ondartede celler. Beliggenheten av cellene på inngangs-preparatglasset oppnås ut fra X-Y-planposisjonskoordina-ter som utmates kontinuerlig av det automatiserte mikroskop. Denne posisjonsinformasjon utmates til en skriver eller video-skjerm 17 sammen med diagnose- og pasientidentifikasjonsinforma-sjon, slik at klassifikasjonen kan gjennomgås av en patolog. For the present invention, the preferred embodiment is achieved by utilizing a three-layer backpropagation network as described in the Rumelhart reference, as neural network for the sorting device step 15. Backpropagation is described in more detail in the Rumelhart reference. Briefly described, this works in the following way: During network training, errors (i.e. the difference between the correct output signal for an exemplar input signal and the current network output signal for this output signal) are propagated backwards from the output layer to the middle layer and then to the input layer. These errors are in each layer exploited by the training algorithm to adjust or change the connection weight numbers, so that a future presentation of the exemplar pattern will result in the correct output category. After the online training, during the feed-forward mode, unknown input patterns are classified by the neural network into the exemplar category that most closely resembles it. The output signal from the neural network sorting device 15 indicates the presence or absence of pre-malignant or malignant cells. The location of the cells on the input specimen slide is obtained from X-Y plane position coordinates which are output continuously by the automated microscope. This position information is output to a printer or video screen 17 together with diagnosis and patient identification information, so that the classification can be reviewed by a pathologist.

I den foretrukne utførelse etterliknes parallellstruk-turen i nervenettverket ved utførelse med direkte-forbundet (pipelined) seriebehandling, slik det utføres av ett av de kommersielt tilgjengelige neurodatamaskin-akseleratorkort. Virkemåten av disse neurodatamaskiner er omtalt i den angitte Spectrum-referanse. Nervenettverket er fortrinnsvis en "Delta"- prosessor som er en kommersielt tilgjengelig neurodatamaskin fra Science Applications International Corp. (SAIC) (se ovennevnte Hecht-Nielsen-referanse) som har demonstrert en vedvarende behandlingshastighet på IO<7>sammenkoplinger/sekund i fremovermatingsmodusen (dvs. ikke-trenings-modusen). For et typisk cervikalt, påsmurt mikroskopisk preparat som inneholder 100 000 celler, vil 1-2% av cellene eller omtrent 1500 bilder kreve behandling av sorteringsinnretningen 15. Som et eksempel på de datahastigheter som fremkommer, anta at et bilde på 50 x 50 bildeelementer etter datakompresjon blir behandlet av sorteringsinnretningen 15. Inngangslaget for nervenettverket består derfor av 2500 behandlingselementer eller "neuroner". Det midtre lag består av ca. 25% av inngangslaget, eller 625 neuroner. In the preferred embodiment, the parallel structure in the neural network is mimicked by implementation with direct-connected (pipelined) serial processing, as performed by one of the commercially available neurocomputer accelerator cards. The operation of these neurocomputers is discussed in the specified Spectrum reference. The neural network is preferably a "Delta" processor which is a commercially available neurocomputer from Science Applications International Corp. (SAIC) (see Hecht-Nielsen reference above) which has demonstrated a sustained processing rate of IO<7>connections/second in the feed-forward mode (ie, the non-training mode). For a typical cervical smear microscope slide containing 100,000 cells, 1-2% of the cells or approximately 1,500 images will require processing by the sorter 15. As an example of the resulting data rates, assume that an image of 50 x 50 pixels after data compression is processed by the sorting device 15. The input layer for the neural network therefore consists of 2500 processing elements or "neurons". The middle layer consists of approx. 25% of the input layer, or 625 neurons.

(Antallet av utgangsneuroner er lik antallet av diagnostiske kategorier av interesse. Dette lille tall påvirker ikke i vesentlig grad denne beregning.) Antallet av sammenkoplinger er således (2500)-(625) eller omtrent 1,5 x 10<6>. Ved en behandlingshastighet på IO<7>sammenkoplinger/sekund vil behandlingen ved hjelp av sorteringsinnretningen 15 av de 1500 bilder som sendes til denne av sorteringsinnretningen 14, ta mindre enn fire minutter. For tiden tilgjengelige utførelser av sorteringsinnretningen 14 arbeider med en hastighet på 50 000 celler/minutt (kfr. Tien m.fl.-referansen). Idet sorteringsinnretningen 14 arbeider med en hastighet på 50 000 celler/minutt, adderes de fire minutter som forbrukes av sorteringsinnretningen 15, til de to minutter som brukes av sorteringsinnretningen 14, slik at det medgår totalt seks minutter for å analysere de 100 000 cellebil-der på preparatglasset. Slik som foran omtalt, tar en nøyaktig, manuell analyse av et cervikalt, påsmurt mikroskopisk preparat omtrent 15 minutter pr. preparatglass. Tidligere kjente, automatiserte forsøk som benytter en ikke-nervenettverksutførelse av sorteringsinnretningen 15, krever over én time pr. preparatglass. Dette eksempel er ikke på noen måte ment å begrense den virkelige utforming av den foreliggende oppfinnelse, men snarere å demonstrere at den er i stand til å oppnå formålet med behandling av cervikale, påsmurte mikroskopiske preparater og andre cytologiske prøver innenfor den tidsperiode som kreves for kommersielt gjennomførbar drift. (The number of output neurons is equal to the number of diagnostic categories of interest. This small number does not significantly affect this calculation.) Thus, the number of connections is (2500)-(625) or about 1.5 x 10<6>. At a processing speed of 10 connections/second, the processing by the sorting device 15 of the 1500 images sent to it by the sorting device 14 will take less than four minutes. Currently available versions of the sorting device 14 work at a speed of 50,000 cells/minute (cf. the Tien et al. reference). As the sorting device 14 works at a speed of 50,000 cells/minute, the four minutes consumed by the sorting device 15 are added to the two minutes used by the sorting device 14, so that a total of six minutes are included to analyze the 100,000 cell images on the specimen slide. As mentioned above, an accurate, manual analysis of a cervical, smeared microscopic preparation takes approximately 15 minutes per preparation glass. Previously known, automated experiments using a non-neural network implementation of the sorting device 15 require over one hour per preparation glass. This example is not intended in any way to limit the actual design of the present invention, but rather to demonstrate that it is capable of achieving the purpose of processing cervical smear microscopic slides and other cytological specimens within the time period required for commercial feasible operation.

I den foretrukne utførelse er den primære sorterings innretning 14 begrenset til vurdering av cellekjernen, mens den sekundære sorteringsinnretning 15 vurderer både kjernen og dens omgivende cytoplastma. Forholdet mellom kjernen og cytoplasmaet er en viktig indikator for klassifisering av før-ondartede og ondartede celler. I en alternativ utførelse er både sorteringsinnretningen 14 og sorteringsinnretningen 15 begrenset til vurdering av cellekjernene. In the preferred embodiment, the primary sorting device 14 is limited to assessing the cell nucleus, while the secondary sorting device 15 assesses both the nucleus and its surrounding cytoplasm. The ratio between the nucleus and the cytoplasm is an important indicator for the classification of pre-malignant and malignant cells. In an alternative embodiment, both the sorting device 14 and the sorting device 15 are limited to assessing the cell nuclei.

Utgangsinformasjon fra den sekundære sorteringsinnretning 15 dirigeres til en utgangsmonitor og skriver 17 som kan indikere mange forskjellige informasjoner, deriblant, hvilket er viktig, hvorvidt noen celler synes å være ondartede eller før-ondartede, synes å kreve ytterligere undersøkelse, etc. Fig. 3 viser en alternativ utførelse i hvilken et ytterligere nervenettverks-sorteringsinnretningstrinn 16 er tilføyd for å forbehandle preparatglasset for store områder av kunstgjort materiale (artifactual material), dvs. annet materiale enn enkeltlagceller av interesse. Dette omfatter klumper av celler, brokker, slim, leukocytter, etc. Posisjonsinformasjon som oppnås ved denne førsortering, lagres for bruk av resten av klassifiserings- eller sorteringssystemet. Informasjonen fra sorteringsinnretningstrinnet 16 utnyttes til å begrense den behandling som kreves av sorteringsinnretningen 15. Sorteringsinnretningstrinnet 14 kan ignorere alt materiale innenfor de områder som er avgrenset av de posisjonskoordinater som utmates av sorteringsinnretningen 16. Dette vil resultere i at mindre informasjon sendes for behandling av sorteringsinnretningen 15. En diagnose utføres derfor på grunnlag av klassifisering av bare de celler som ligger utenfor disse områder. Dersom en utilstrekkelig prøve av celler ligger utenfor disse områder for en gyldig diagnose, vil denne informasjon bli utmatet på enheten 17 som en "utilstrekkelig celleprøve". Fig. 4 viser en alternativ utførelse hvor bildene innenfor de områder som er identifisert av sorteringsinnretningen 16, ikke ignoreres, men i stedet behandles av en separat sorteringsinnretning 18 som arbeider i parallell med sorteringsinnretningen 15. Treningen av nervenettet som utgjør sorteringsinnretningen 18, er tilegnet til skjelning av før-ondartede og ondartede celler fra det nevnte kunstgjorte materiale. Fig. 5 viser en alternativ utførelse hvor en ytter ligere ikke-nervenett-klassifisering av kjerne-morfologiske komponenter, eksklusive integrert optisk tetthet, er plassert mellom sorteringsinnretningen 14 og sorteringsinnretningen 15. Denne klassifisering utføres av en sorteringsinnretning 19. Output information from the secondary sorting device 15 is directed to an output monitor and printer 17 which can indicate many different pieces of information, including, importantly, whether any cells appear to be malignant or pre-malignant, appear to require further investigation, etc. Fig. 3 shows an alternative embodiment in which a further neural network sorting device step 16 is added to pre-treat the slide for large areas of artifactual material, i.e. material other than single layer cells of interest. This includes clumps of cells, hernias, mucus, leukocytes, etc. Positional information obtained by this pre-sorting is stored for use by the rest of the classification or sorting system. The information from the sorting device stage 16 is utilized to limit the processing required by the sorting device 15. The sorting device stage 14 can ignore all material within the areas delimited by the position coordinates output by the sorting device 16. This will result in less information being sent for processing by the sorting device 15 A diagnosis is therefore carried out on the basis of the classification of only the cells that lie outside these areas. If an insufficient sample of cells lies outside these ranges for a valid diagnosis, this information will be output on the unit 17 as an "insufficient cell sample". Fig. 4 shows an alternative embodiment where the images within the areas identified by the sorting device 16 are not ignored, but are instead processed by a separate sorting device 18 which works in parallel with the sorting device 15. The training of the neural network that makes up the sorting device 18 is dedicated to distinguishing pre-malignant and malignant cells from said artificial material. Fig. 5 shows an alternative embodiment where a further non-neural network classification of core morphological components, exclusive of integrated optical density, is placed between the sorting device 14 and the sorting device 15. This classification is performed by a sorting device 19.

Fig. 6 viser en alternativ utførelse hvor en kommersielt tilgjengelig SAIC-neurodatamaskin er optimalisert for fremovermatings-behandling 20. Ved hjelp av utelatelse av læringsmoduskapasitet er alle neurodatamaskinfunksjoner tilegnet til fremovermatingsdrift. Læring fullføres på en separat, umodifisert neurodatamaskin som inneholder både lærings- og fremovermatingsfunksjonene. Fig. 6 shows an alternative embodiment where a commercially available SAIC neurocomputer is optimized for feedforward processing 20. By omitting learning mode capability, all neurocomputer functions are dedicated to feedforward operation. Learning is completed on a separate, unmodified neurocomputer that contains both the learning and feedforward functions.

Etter fullførelsen av læring overføres de endelige sammenkoplingsvekttall til den optimaliserte fremovermatings-neurodatamaskin 20. Tilegnelse av neurodatamaskinen 20 til fremovermatingsmodusen resulterer i en vedvarende fremovermatings-driftshastighet på IO<8>sammenkoplinger pr. sekund sammenliknet med 10<7>sammenkoplinger pr. sekund for det ikke-optimaliserte kort som leveres i handelen. Det optimaliserte fremovermatings-nervenettverk 20 utnyttes til å utføre funksjo-nene til sorteringsinnretningene 14 og 16 på fig. 1, 3, 4 og 5. Ved å utnytte nervenett-sorteringsinnretningen 20 til å utføre funksjonen til den statistiske sorteringsinnretning 14, vil celler av interesse, som ikke nødvendigvis er ondartede halscel-ler, og som derfor ikke overskrider den integrerte, optiske tetthetsterskel til sorteringsinnretningen 14, likevel bli oppdaget. Et eksempel ville være oppdagelse av endometriale celler som, selv om de ikke nødvendigvis indikerer cervikal ondartethet, indikerer uterin ondartethet når de finnes i det mikroskopiske Pap-påsmøringspreparat til en post-menopause-pasient. After the completion of learning, the final connection weight numbers are transferred to the optimized feedforward neurocomputer 20. Assigning the neurocomputer 20 to the feedforward mode results in a sustained feedforward operating rate of 10<8>connections per second. second compared to 10<7> connections per second for the non-optimized card supplied in the trade. The optimized feed forward neural network 20 is utilized to perform the functions of the sorting devices 14 and 16 of FIG. 1, 3, 4 and 5. By utilizing the neural network sorter 20 to perform the function of the statistical sorter 14, cells of interest, which are not necessarily malignant neck cells, and therefore do not exceed the integrated optical density threshold of the sorting device 14, nevertheless be detected. An example would be the detection of endometrial cells which, although not necessarily indicative of cervical malignancy, indicate uterine malignancy when found in the microscopic Pap smear preparation of a post-menopausal patient.

Som et eksempel på de datahastigheter som kommer som et resultat av utførelsen på fig. 6, anta utvendige preparatglass-dimensjoner på 15 mm x 45 mm, eller et totalt preparatglassareal på 675 x IO<6>um<2>. Nervenettverket 20 behandler et skyvevindu over dette område for analyse. Dette vindu har dimensjoner på 20 pm x 20 um, eller et areal på 400 um<2>. Det finnes derfor 1,5 x 10<6>av disse vinduer på preparatglasset på 15 mm x 45 mm. For den primære klassifiseringsfunksjon som utføres av nervenettet 20, er en oppløsning på 1 um/bildeelement tilstrekkelig til å detektere disse objekter som må sendes til den sekundære nervenettverks-sorteringsinnretning 15 for ytterligere analyse. Inngangsmønsteret for det bildevindu som analyseres av sorteringsinnretningen 20, er derfor 20 x 20 bildeelementer eller 400 neuroner til inngangslaget i nervenettet 20. Det midtre lag består av omtrent 25% av inngangslaget eller 100 neuroner. (Slik som omtalt ovenfor i forbindelse med datahastighetsberegningen for sorteringsinnretningen 15, er antallet av utgangslagneuroner lite og påvirker ikke i vesentlig grad de oppnådde resultater.) Antallet av sammenkoplinger i sorteringsinnretningen 20 er således omtrent (400)-(100) eller 40 x 10<3>. Ved en behandlingshastighet på IO<8>sammenkoplinger pr. sekund vil hvert bilde fra skyveyinduet ta 400 us for å klassifiseres av nervenettet 20. I et preparatglass på 15 mm x 45 mm finnes det 1,5 x IO<6>av vinduene på 400 um<2>som krever klassifisering av nervenettet 20. Total klassifiseringstid for nervenettet 20 er derfor (1,5 x 10<6>)-(400 x IO"<6>) = 600 sekunder eller ti minutter. Dersom disse ti minutter adderes til de tilnærmet fire minutter som kreves for den sekundære nervenett-sorteringsinnretning 15, fremkommer en totaltid på 14 minutter pr. preparatglass. Dette eksempel er ikke på noen måte ment å begrense den aktuelle utforming av oppfinnelsen, men i stedet å demonstrere at den er i stand til å oppnå formålet med behandling av cervikale, påsmurte mikroskopiske preparater og andre cytologiske prøver innenfor den tidsperiode som er nødvendig for kommersielt gjennomførbar drift. As an example of the data rates resulting from the embodiment of FIG. 6, assume external slide dimensions of 15 mm x 45 mm, or a total slide area of 675 x 10<6>um<2>. The neural network 20 processes a sliding window over this area for analysis. This window has dimensions of 20 pm x 20 um, or an area of 400 um<2>. There are therefore 1.5 x 10<6> of these windows on the specimen slide of 15 mm x 45 mm. For the primary classification function performed by the neural network 20, a resolution of 1 µm/picture element is sufficient to detect these objects which must be sent to the secondary neural network sorter 15 for further analysis. The input pattern for the image window analyzed by the sorting device 20 is therefore 20 x 20 image elements or 400 neurons to the input layer of the neural network 20. The middle layer consists of approximately 25% of the input layer or 100 neurons. (As discussed above in connection with the data rate calculation for the sorting device 15, the number of output layer neurons is small and does not significantly affect the results obtained.) The number of interconnections in the sorting device 20 is thus approximately (400)-(100) or 40 x 10< 3>. At a processing speed of IO<8>connections per second, each image from the sliding window will take 400 us to be classified by the neural network 20. In a 15 mm x 45 mm slide, there are 1.5 x IO<6>of the 400 um<2>windows that require classification by the neural network 20. Total classification time for the neural network 20 is therefore (1.5 x 10<6>)-(400 x IO"<6>) = 600 seconds or ten minutes. If these ten minutes are added to the approximately four minutes required for the secondary neural network -sorting device 15, a total time of 14 minutes per preparation slide appears. This example is not intended in any way to limit the current design of the invention, but instead to demonstrate that it is capable of achieving the purpose of treating cervical, smeared microscopic preparations and other cytological samples within the time period necessary for commercially viable operation.

Databehandlingshastigheten kan også økes ved å benytte parallellbehandling. For eksempel kan flere kommersielt tilgjengelige neurodatamaskiner fra SAIC koples for å utføre parallellbehandling av data, og således øke den totale opera-sjonshastighet for den sorteringsinnretning som benytter disse. Data processing speed can also be increased by using parallel processing. For example, several commercially available neurocomputers from SAIC can be connected to perform parallel processing of data, and thus increase the total operating speed of the sorting device that uses these.

Fig. 7 viser en alternativ utførelse hvor den primære nervenett-sorteringsinnretning 20 utnyttes i forbindelse med, i stedet for som en erstatning for, morfologisk klassifisering og områdeklassifisering. Ved å tilegne sorteringsinnretningen 20 til deteksjonen av de få celletyper som er av interesse, men som ikke kan detekteres ved hjelp av andre midler, minimeres den oppløsning som kreves for sorteringsinnretningen 20. Fig. 7 shows an alternative embodiment where the primary neural network sorter 20 is utilized in conjunction with, rather than as a substitute for, morphological classification and area classification. By dedicating the sorter 20 to the detection of the few cell types that are of interest but cannot be detected by other means, the resolution required for the sorter 20 is minimized.

Selv om den foreliggende oppfinnelse er blitt beskrevet på grunnlag av den for tiden foretrukne utførelse, må man være klar over at denne beskrivelse ikke må tolkes som begrensende. Forskjellige endringer og modifikasjoner vil uten tvil bli åpenbare for fagfolk på området etter å ha lest den foregående beskrivelse. Det er følgelig meningen at de etterfølgende krav må tolkes som om de dekker alle endringer og modifikasjoner som faller innenfor oppfinnelsens sanne ånd og ramme. Although the present invention has been described on the basis of the currently preferred embodiment, it must be understood that this description must not be interpreted as limiting. Various changes and modifications will no doubt be apparent to those skilled in the art after reading the foregoing description. Accordingly, it is intended that the following claims be construed as covering all changes and modifications falling within the true spirit and scope of the invention.

Claims

1. Automated sorting device for cytological samples, CHARACTERIZED IN THAT it comprises a) an automated microscope, b) a video camera or one charge-coupled device, c) an image digitizer, d) a primary statistical sorting device for the detection of objects in a cytological sample that exceed an integrated optical threshold density, and e) a secondary sorting device based on a neural network for the detection of pre-malignant or malignant cells among the objects identified by the primary sorting device,

2. Automated sorting device according to claim 1, CHARACTERIZED IN THAT it further comprises a pre-sorting neural network sorting device for recognition and classification of general areas within a sample containing material other than a cell single layer.

3. Automated sorting device according to claim 2, CHARACTERIZED IN THAT the output signal from the pre-sorting sorting device is used to exclude the mentioned, identified areas from analysis by the secondary sorting device.

4. Automated sorting device according to claim 2, CHARACTERIZED IN THAT the output signal from the pre-sorting sorting device is used to modify the secondary classification of images found within the areas of the sample identified by the pre-sorting sorting device.

5. Automated sorting device according to claim 1, CHARACTERIZED IN that the primary, statistical sorting device is limited to assessment of the cell nucleus, while the secondary sorting device assesses both the cell nucleus and its surrounding cytoplasm.

6. Automated sorting device according to claim 1, CHARACTERIZED IN THAT both the primary statistical sorting device and the secondary sorting device are limited to assessment of the cell nucleus.

7. Automated sorting device according to claim 1, CHARACTERIZED BY the fact that it further comprises a device for performing a further non-neural network classification of nuclear morphological components in addition to integrated optical density, the device being connected between the primary and the secondary sorting device.

8. Automated sorting device for cytological samples, CHARACTERIZED BY comprising a low-resolution neural network for performing primary classification of a cytological sample, a high-resolution neural network for performing secondary classification, and a device for interconnecting the low- and high-resolution neural networks to transfer data representing places of interest from the former to the latter.

9th; Procedure for classifying cytological samples, CHARACTERIZED IN that one primarily classifies a sample using a first sorting device to determine places of interest, and secondarily classifies these places of interest using a neural network.

10. Method according to claim 9, CHARACTERIZED IN THAT the primary classification comprises the use of a video camera or a charge-coupled device (CCD) to obtain images of the sample, a digitizer to digitize these images, and a detector for integrated optical density.

11. Method according to claim 9, CHARACTERIZED IN THAT the primary classification comprises the use of a neural network.