WO2015098177A1 - 画像処理装置、プログラム、情報記憶媒体、及び画像処理方法 - Google Patents

画像処理装置、プログラム、情報記憶媒体、及び画像処理方法 Download PDF

Info

Publication number
WO2015098177A1
WO2015098177A1 PCT/JP2014/071596 JP2014071596W WO2015098177A1 WO 2015098177 A1 WO2015098177 A1 WO 2015098177A1 JP 2014071596 W JP2014071596 W JP 2014071596W WO 2015098177 A1 WO2015098177 A1 WO 2015098177A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
sample
specimen
image processing
detection
Prior art date
Application number
PCT/JP2014/071596
Other languages
English (en)
French (fr)
Inventor
尾崎　良太
英人 織田
加藤　典司
Original Assignee
富士ゼロックス株式会社
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 富士ゼロックス株式会社 filed Critical 富士ゼロックス株式会社
Priority to EP14873584.8A priority Critical patent/EP3088511B1/en
Priority to CN201480055887.2A priority patent/CN105612249B/zh
Publication of WO2015098177A1 publication Critical patent/WO2015098177A1/ja
Priority to US15/062,866 priority patent/US10169861B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
    • C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
    • 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
    • G01N2015/012—Red 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
    • G01N2015/1486—Counting the particles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Definitions

  • the present invention relates to an image processing apparatus, a program, an information storage medium, and an image processing method.
  • a determination target region is set based on a nucleus candidate region extracted from a microscopic image of a sample, using maternal blood as a specimen and nucleated red blood cells in the mother blood as target cells. It is determined whether or not the target cell is included.
  • An object of the present invention is to provide an image processing apparatus, a program, an information storage medium, and an image processing method capable of setting processing parameters for detecting target cells from a target sample according to the characteristics of the target sample. .
  • the invention according to claim 1 is an estimation means for estimating the number of target cells contained in the target sample based on the characteristics of the target sample, and the target sample based on the estimated target cell number.
  • An image processing apparatus including setting means for setting a detection parameter related to a process of detecting the target cell from a captured image.
  • the invention according to claim 2 is characterized in that the detection parameter is information for determining whether or not the target cell is included in each of a plurality of specimens generated from the target specimen, the imaging Including information for determining a setting condition of a determination target region for determining whether or not the target cell region is included in an image, and the detection for a captured image of a specimen to be detected based on the detection parameter.
  • the image processing apparatus further comprising a determination unit that determines whether or not the target cell is included in a determination target region set based on a parameter.
  • the invention according to claim 3 is predetermined based on the number of target cells estimated by the estimating means and the number of target cells per sample calculated based on the number of the plurality of samples generated from the target specimen.
  • Determining means for determining the number of specimens containing target cells equal to or greater than a threshold value, and selecting means for selecting the number of specimens determined by the determining means from among the plurality of specimens, the setting means comprising: The image processing apparatus according to claim 2, wherein the detection parameter is set based on information on a specimen selected by the selection unit.
  • the setting unit is configured to determine the determination target as the difference between the threshold value and the product of the number of samples determined by the determination unit and the calculated number of target cells per sample decreases.
  • the invention according to claim 5 is a difficulty level of calculating a detection difficulty level indicating a difficulty level of detecting the number of target cells contained in the sample based on the thickness of the sample, the brightness of the sample, and the concentration of the sample.
  • the invention according to claim 6 is the image processing apparatus according to claim 5, wherein the setting means sets the setting condition such that the determination target area is set to be larger as the detection difficulty level is higher.
  • the difficulty level calculation means calculates the detection difficulty level as the uniformity of the thickness of the sample is higher, and the detection level is lower as the brightness of the nucleus included in the sample is lower.
  • the image processing apparatus according to claim 5, wherein the degree of difficulty is calculated to be low, and the degree of detection difficulty is calculated to be higher as the proportion of pixels that are thinner than a predetermined density included in the sample is higher.
  • the determination unit when there are a plurality of determination target regions that are determined to include the target cell and at least partially overlap each other, the determination unit is most likely to include the target cell.
  • the invention according to claim 9 is characterized in that the specimen is maternal blood, the target cell is nucleated red blood cells, and the characteristics of the specimen include at least one of maternal age, medical history, and gestational age, A reference nucleated red blood cell count per unit blood volume is determined for each classification based on the characteristics of the specimen, and the estimating means determines the reference nucleated red blood cell count determined for the classification according to the characteristics of the target specimen.
  • the image processing apparatus according to claim 1, wherein the number of nucleated red blood cells contained in the target sample is estimated based on the blood volume of the target sample.
  • the invention according to claim 10 is an estimation means for estimating the number of target cells contained in the target sample based on characteristics of the target sample, and the target sample based on the estimated target cell number. It is a program for causing a computer to function as setting means for setting detection parameters relating to processing for detecting the target cell from a captured image.
  • the number of samples to be processed among a plurality of samples generated from the target sample and the determination target region set for each sample are estimated for the target sample. Can be set according to the number of cells.
  • the number of regions to be determined is increased so that detection escape occurs. Can be suppressed.
  • the parameter of the process for detecting the target cell from the target specimen can be set according to the difficulty level of detecting the target cell from the specimen to be processed.
  • the number of regions to be determined can be increased to suppress detection escape.
  • the number of nucleated red blood cells contained in the target maternal blood can be estimated with higher accuracy than in the case where the present configuration is not provided.
  • FIG. 1 shows a system configuration example of an image processing system 1 according to the present embodiment.
  • the image processing system 1 includes an optical microscope 10, an image processing device 20, an input device 50, and a display device 60.
  • the image processing device 20, the optical microscope 10, the input device 50, and the display device 60 are the same. Connected for data communication.
  • the optical microscope 10 images a sample on a slide glass 11 placed on a sample stage with a CCD camera 14 via an optical system such as an objective lens 12.
  • the optical microscope 10 includes a focusing mechanism 13 that changes the distance between the slide glass 11 and the objective lens 12, and images the sample on the slide glass 11 at a plurality of different focal lengths.
  • a sample obtained by applying maternal blood to the slide glass 11 and performing May-Giemsa staining is used as the sample.
  • fetal nucleated red blood cells (NRBCs) in the maternal blood are stained blue-violet.
  • NRBCs are referred to as target cells.
  • the image processing apparatus 20 acquires a captured image captured by the optical microscope 10 and detects target cells from the acquired captured image. For example, the image processing device 20 sets a score (for example, probability) indicating the possibility that the target cell is included in the determination target region set in the captured image captured by the optical microscope 10, as a target cell identification condition. It is good also as judging based on the discriminator who learned. Details of the target cell detection process performed in the image processing apparatus 20 will be described later.
  • a score for example, probability
  • the input device 50 is a device such as a keyboard or a mouse, for example, and inputs an operation received from the user to the image processing device 20.
  • the image processing device 20 uses the information of the image area designated by the user using the input device 50 as the positive example of the target cell, the negative example, or other image characteristics of the specific cell. It is good also as acquiring as learning information for learning, and making a discriminator learn the identification condition (identification parameter) of a target cell based on learning information.
  • the display device 60 is, for example, a liquid crystal display device 60 or the like, and displays a screen based on a result of processing by the image processing device 20.
  • the display device 60 displays a captured image captured by the optical microscope 10, a target cell detection result by the image processing device 20, and the like.
  • FIG. 2 is a functional block diagram illustrating an example of functions provided in the image processing apparatus 20.
  • the image processing apparatus 20 includes a sample information acquisition unit 21, a sample feature information storage unit 22, a target cell number estimation unit 23, a captured image acquisition unit 24, a sample feature extraction unit 25, and a detection difficulty level determination.
  • Unit 26 detection target sample setting unit 27, detection parameter setting unit 28, nucleus candidate region extraction unit 29, determination target region setting unit 30, image feature generation unit 31, target cell determination unit 32, target cell region setting unit 33, target A cell region integration unit 34 and a determination result output unit 35 are provided.
  • the functions of the above-described units included in the image processing apparatus 20 are as follows.
  • the image processing apparatus 20 is a computer including a control unit such as a CPU, a storage unit such as a memory, and an input / output unit that transmits and receives data to and from an external device. It may be realized by reading and executing a program stored in a readable information storage medium.
  • the program may be supplied to the image processing apparatus 20 by an information storage medium such as an optical disk, a magnetic disk, a magnetic tape, a magneto-optical disk, a flash memory, or the image processing apparatus via a data communication network such as the Internet. 20 may be supplied.
  • a data communication network such as the Internet.
  • the specimen information acquisition unit 21 acquires information (specimen information) of a specimen (maternal) to be examined.
  • the sample information acquisition unit 21 may acquire sample information based on data input via the input device 50.
  • the sample information may include the age, medical history, number of gestation weeks, etc. of the person who is the subject to be examined who has collected maternal blood.
  • the specimen feature information storage unit 22 stores information used when estimating the target cells contained in the specimen based on the specimen characteristics.
  • the specimen feature information storage unit 22 may store, for example, the number of target cells per unit blood volume for each classification with respect to the classification according to the characteristics of the specimen.
  • the image processing apparatus 20 generates a feature vector for each sample based on each information of age, medical history, and gestational age, and performs clustering, and target cells per unit blood volume measured in advance for the samples belonging to each cluster.
  • a representative value (for example, average value) of the number of (nucleated red blood cells) may be stored in association with the specimen feature information storage unit 22 as the number of representative nucleated red blood cells.
  • the specimen feature information storage unit 22 may store a table or a mathematical formula that defines the relationship between the age, medical history, number of gestation weeks, and the corresponding nucleated red blood cell count.
  • the target cell number estimation unit 23 determines the sample based on the sample information (information indicating the characteristics of the sample) acquired by the sample information acquisition unit 21 and the information stored in the sample feature information storage unit 22. Estimate the number of target cells involved. For example, the target cell number estimation unit 23 obtains the classification corresponding to the sample information acquired by the sample information acquisition unit 21 from the sample based on the representative target cell number stored in the sample feature information storage unit 22. Estimate the number of target cells contained in the sample (maternal blood). For example, the target cell number estimation unit 23 determines the number of nucleated red blood cells per unit blood volume stored in the sample feature information storage unit 22 and the blood of the sample for the classification corresponding to the sample information acquired by the sample information acquisition unit 21. The estimated target cell number may be obtained by multiplying by the amount.
  • the method for estimating the number of target cells is not limited to the above.
  • the specimen feature information storage unit 22 stores in advance the specimen feature vector and the target cell number in association with one or more specimens, and the target cell number estimation unit 23 is stored in the specimen feature information storage unit 22.
  • the feature vector that is similar to the feature vector of the target sample (for example, the closest distance between the feature vectors) is identified, and the number of target cells associated with the identified feature vector is determined It may be the target cell number of the specimen.
  • the captured image acquisition unit 24 acquires a captured image obtained by imaging a sample (maternal blood) on a slide glass obtained from a specimen. For example, the captured image acquisition unit 24 acquires a captured image obtained by capturing a sample (maternal blood) from the optical microscope 102 using the CCD camera 5 provided in the optical microscope 102. In addition, the captured image acquisition unit 24 acquires a captured image and is determined as a target sample when a detection target flag set for the target sample is true (T) based on a detection parameter described later. If the detection target flag is false (F), the captured image may not be acquired.
  • the sample feature extraction unit 25 extracts the features of the target sample.
  • the specimen features include information indicating the preparation state of the specimen.
  • the specimen feature extraction unit 25 uses the specimen thickness as a specimen feature such as the uniformity of the thickness of the specimen generated from the specimen, the degree of staining of the cell nucleus, and the white blood cell content rate. It may be extracted.
  • the sample feature extraction unit 25 may extract the sample feature for each of all or a part of the samples generated from the target sample (for example, limited to the sample to be detected).
  • the specimen feature extraction unit 25 measures, for example, the uniformity (A) of the thickness of the specimen, the depth from the surface of the specimen to the slide glass with respect to a plurality of points of the specimen with the optical microscope 10, and It may be calculated as the reciprocal of the variance value of the depth.
  • the specimen feature extraction unit 25 divides the predetermined threshold value by the average luminance value of the specimen captured image (which may be captured by the optical microscope 10) for the staining degree (B) of the specimen nucleus. That is, it may be calculated as a threshold value / average luminance value), or may be calculated as a ratio of pixels having a luminance value lower than a predetermined threshold value in a sample captured image.
  • the specimen feature extraction unit 25 calculates the white blood cell content (C) of the specimen as a ratio of pixels having a lighter color than a predetermined density in the specimen image (which may be captured by the optical microscope 10). It may be calculated.
  • A0 is a reference value of the uniformity of the thickness of the specimen
  • B0 is a staining degree of the cell nucleus of the specimen.
  • the reference value C0 may be a reference value for the white blood cell content of the specimen.
  • Df w1 ⁇ A0 / A + w2 ⁇ B0 / B + w3 ⁇ C / C0 (1)
  • the detection difficulty level Df is calculated to be low as the value of the sample thickness uniformity A increases, and is calculated to be low as the value of the staining degree B of the cell nucleus of the sample increases. The higher the value of the white blood cell content C of the sample, the higher the value.
  • the detection difficulty level determination unit 26 may correct the detection difficulty level Df calculated by the above equation (1) so that it takes a value from 0 to 1. For example, the detection difficulty level determination unit 26 may set the value to 0 when Df is lower than the lower limit threshold, and to 1 when Df is higher than the upper limit threshold (for example, a value greater than 1).
  • the detection target specimen setting unit 27 is based on at least one of the estimated target cell number (Cb) estimated by the target cell number estimation unit 23 or the detection difficulty level (Df) determined by the detection difficulty level determination unit 26.
  • a sample to be detected is set from among a plurality of samples generated from the target sample.
  • Cb the number of detection target cells per specimen
  • the detection target specimen setting unit 27 determines an integer X satisfying a ⁇ X ⁇ Z as the detection target specimen number, and Cb
  • ⁇ Z the number of detection target samples may be determined as N (all samples).
  • the detection target specimen setting unit 27 selects a specimen having the number of detection target specimens from the N specimens generated from the specimen (for example, in order of identification number, generation date and time), and detects the selected specimen.
  • the target flag may be set to true (T), and the detection target flag of the unselected sample may be set to false (F).
  • the detection target sample setting unit 27 sets a sample to be detected based on the detection difficulty level calculated by the detection difficulty level determination unit 26, for example, a plurality of samples generated from the target sample Among them, a sample having a detection difficulty level equal to or less than a threshold may be set as a detection target.
  • the detection parameter setting unit 28 sets detection parameters to be used at the time of detection processing for a specimen generated from a sample. For example, the detection parameter setting unit 28 sets the detection parameter based on at least one of the detection target sample set by the detection target sample setting unit 27 and the detection difficulty level determined by the detection difficulty level determination unit 26. .
  • the detection parameter includes a detection target flag indicating whether or not a sample detection target is appropriate, a nuclear candidate region parameter indicating a condition of an image region to be extracted as a nuclear candidate region from a sample captured image, and a determination target region set for a sample captured image It is good also as including the determination object area
  • FIG. 3 shows an example of a detection parameter management table that stores detection parameters set by the detection parameter setting unit 28.
  • the detection parameter management table includes a sample ID for identifying a sample, a sample ID for identifying each of a plurality of samples obtained from the sample, and detection indicating whether or not each sample is a detection target.
  • the target flag, nucleus candidate region parameter, and determination target region parameter are stored in association with each other.
  • the nucleus candidate region parameters include the color range of the target pixel to be extracted as the nucleus candidate region and the threshold value for the number of connected pixels.
  • the determination target region parameter includes the step width indicating the shift amount between pixels serving as the base point of the determination target region in the nucleus candidate region, and the minimum size for the determination target region of multiple sizes set for the pixel serving as the base point of the determination target region.
  • the number of nucleus candidate areas and determination target areas to be set is larger than the number of nucleus candidate areas and determination target areas extracted and set by the detection parameter in Li), at least one of margin Y and detection difficulty Df
  • the level may be determined based on the value, and the detection parameter may be set based on the determined level.
  • the detection parameter setting unit 28 may determine a margin range for each of M levels and determine the level based on which level range the calculated Y belongs to. Further, for example, the detection parameter setting unit 28 may determine a detection difficulty range for each of the M levels and determine the level based on which level range the calculated Df belongs to. . Further, for example, the detection parameter setting unit 28 determines a range of the sum of the margin and the detection difficulty for each of the M levels, and to which level range the sum of the calculated Y and Df belongs. The level may be determined based on.
  • the detection parameter setting unit 28 may set different detection parameters for each sample based on the detection difficulty calculated for each sample for each sample set by the detection target sample setting unit 27.
  • the nuclear candidate region extraction unit 29 is based on the nuclear candidate region parameters set by the detection parameter setting unit 28 for the sample from the captured images acquired by the captured image acquisition unit 24 for the sample to be processed. Extract regions.
  • the nucleus candidate area extraction unit 29 binarizes pixels included in the color range included in the nucleus candidate area parameters as black pixels and pixels not included in the color range as white pixels, and connects adjacent black pixels.
  • connected pixel groups that are equal to or more than the number of connected pixel groups included in the nucleus candidate region parameters may be extracted as nucleus candidate regions.
  • the determination target region setting unit 30 extracts the determination target region parameter set by the detection parameter setting unit 28 for the sample and the nuclear candidate region extraction for the captured image acquired by the captured image acquisition unit 24 for the sample to be processed. Based on the nuclear candidate region extracted by the unit 29, a determination target region that is a determination target of the presence or absence of the target cell is set. For example, the determination target region setting unit 30 determines, for each of one or more pixels included in the nucleus candidate region extracted by the nucleus candidate region extraction unit 29, a rectangular region having the pixel as the center (or base point). Set as the target area.
  • the determination target region setting unit 30 steps the pixels in the nucleus candidate region serving as the base point of the determination target region.
  • the determination target area may be sequentially set by sequentially moving by the width.
  • the determination target region setting unit 30 relates to one pixel serving as a base point of the determination target region, and determines the size of the determination target region based on the maximum magnification and the magnification level included in the determination target region parameter set for the processing target sample. It is possible to set a plurality of determination target areas of different sizes by changing the number from 1 to the maximum magnification over the number of stages determined in the magnification stage.
  • the image feature generation unit 31 generates an image feature amount of the determination target region set by the determination target region setting unit 30.
  • the image feature generation unit 31 may calculate the HOG feature amount of the determination target region and obtain the HOG feature amount as the image feature amount.
  • the calculation processing of the two types of HOG feature values will be specifically described.
  • the image feature generation unit 31 obtains the luminance gradient direction and the luminance gradient intensity for each pixel in the determination target region, divides the target image into Y blocks composed of X cells, and for each cell constituting each block.
  • a luminance gradient direction histogram ([value of the first gradient direction, value of the second gradient direction,..., Value of the ninth gradient direction]) is obtained from the luminance gradient direction and the luminance gradient intensity. Normalization is performed in units of blocks so that Then, the image feature generation unit 31 uses X ⁇ 9 values created by combining the normalized luminance gradient direction histograms in the blocks as block feature amounts, and further combines all the blocks in the target image.
  • the created Y ⁇ X ⁇ 9 values are used as the HOG feature values of the determination target region.
  • the image feature generation unit 31 obtains the luminance gradient direction and the luminance gradient intensity for each pixel in the determination target region, divides the target image into Y blocks composed of X cells, and configures the cells constituting each block.
  • a luminance gradient direction histogram [value of the first gradient direction, value of the second gradient direction,..., Value of the eighteenth gradient direction]) is obtained from the luminance gradient direction and the luminance gradient intensity.
  • the image feature generation unit 31 uses X ⁇ 18 values created by combining the above-described luminance gradient direction histograms in the blocks as block feature amounts, and further combines all the blocks in the target image.
  • Y ⁇ X ⁇ 18 values are set as the Cell-HOG feature value of the determination target region.
  • the target cell determination unit 32 determines the possibility (reliability) that the target cell is included in the determination target region based on the image feature amount of the determination target region. For example, the discriminator learns the target cell identification condition (identification parameter) based on the image feature amount of the image region in which the target cell is previously projected, and the discrimination result of the image feature amount of the determination target region by the discriminator is obtained. As good as For the discriminator, AdaBoost, SVM (support vector machine) or the like may be used.
  • the discriminator outputs a score (reliability) indicating the possibility that the target cell is included in the determination target region based on the image feature amount of the determination target region. For example, the discriminator may output a positive score if the cell included in the determination target region is a target cell, and a negative score if the cell is not a target cell.
  • the target cell region setting unit 33 sets a candidate region (target cell region) including the target cell based on the determination result by the target cell determination unit 32 for the determination target region. For example, the target cell region setting unit 33 may set a target cell candidate region if the reliability output by the discriminator in the determination target region is 0 or more.
  • the target cell region integration unit 34 integrates candidate regions at least partially overlapping each other among candidate regions set by the target cell region setting unit 33. For example, when the plurality of candidate regions overlap each other, the target cell region integration unit 34 may integrate the plurality of candidate regions into one of them (for example, the region with the highest reliability). Here, the target cell region integration unit 34 may determine that the plurality of candidate regions overlap if they are determination target regions set from the same nucleus candidate region, or a predetermined threshold value among the plurality of candidate regions. If the above areas overlap each other, it may be determined that a plurality of candidate regions overlap.
  • the target cell region integration unit 34 may leave only the candidate region with the highest reliability as the candidate region after integration, or the region including all of the overlapping candidate regions as a candidate region after integration It is good. Further, the target cell region integration unit 34 may add the reliability of the integrated candidate region to the reliability of the candidate region after integration, or a candidate that overlaps the reliability of the candidate region after integration. The product of the number of regions may be used as the reliability of the candidate region after integration.
  • FIG. 4 shows a diagram for explaining an example of integration of target cell candidate regions.
  • a nuclear candidate region 70 is included in the captured image I, and two target cell regions 71 and 72 that are partially overlapped with each other are set on the nuclear candidate region 70.
  • the target cell region integration unit 34 assigns the target cell region 72 to the target cell region 71 having the maximum score among the target cell regions 71 and 72. It is good also as integrating and adding the score of the target cell area
  • the determination result output unit 35 outputs information on candidate regions integrated by the target cell region integration unit 34 as detection results of target cells for the sample. For example, the determination result output unit 35 may cause the display device 60 to display a display screen for rearranging the candidate regions integrated by the target cell region integration unit 34 based on the reliability and displaying the list. Note that the determination result output unit 35 may not include candidate regions for which the reliability is designated or less than a predetermined threshold in the list display.
  • the image processing device 20 sets the number of samples (N (N is an integer equal to or greater than 1)) generated from the target sample based on the data input from the input device 50.
  • information on the target sample (sample information) is acquired (S102).
  • the specimen information may include at least one of information on age, medical history, and number of weeks of pregnancy.
  • the image processing apparatus 20 estimates the number of target cells (a) contained in the target sample based on the sample information acquired in S102 (S103). For example, the image processing apparatus 20 identifies the classification to which the sample information acquired in S102 belongs, and represents the number of representative target cells (reference target cell number) per unit blood predetermined for the identified classification and the sample to be the specimen. The estimated target cell number contained in the specimen may be calculated based on the blood volume.
  • the image processing apparatus 20 calculates the target cell number (b) per sample based on the target cell number (a) calculated in S103 and the sample number (N) set in S101 (S104). Then, the image processing apparatus 20 calculates the number of detection target samples (d) that is equal to or greater than the number of necessary cells (c) required for detection based on the number of target cells (b) per sample calculated in S104. Determine (S105).
  • the image processing apparatus 20 selects and determines a sample to be processed of the number of detection target samples (d) determined in S105 from a plurality of samples generated from the target sample (S106).
  • the image processing apparatus 20 executes a process of calculating a detection difficulty level indicating a difficulty level of detecting the target cell from the sample to be processed determined in S106 (S107).
  • the details of the detection difficulty level calculation process will be described with reference to the flowchart shown in FIG.
  • the image processing apparatus 20 initializes the variable i to 1 (S201), and measures the depth (A) of the sample Si (S202). For example, the depth from the surface of the sample Si to the slide glass may be measured with the optical microscope 10 for a plurality of points of the sample Si.
  • the image processing apparatus 20 acquires a captured image obtained by imaging the sample Si with the optical microscope 10 (S203), and acquires the staining degree (B) of the sample Si based on the acquired captured image (S204). For example, the image processing apparatus 20 calculates the staining degree (B) of the cell nucleus of the sample Si as a value obtained by dividing a predetermined threshold by the average luminance value of the captured image of the sample Si (that is, the threshold / average luminance value). Alternatively, it may be calculated as a ratio of pixels having a luminance value lower than a predetermined threshold in the captured image of the sample Si.
  • the image processing apparatus 20 acquires the white blood cell ratio (C) in the specimen Si based on the captured image acquired in S203 (S205). For example, the image processing apparatus 20 may calculate the white blood cell ratio (C) of the sample Si as the ratio of pixels lighter than a predetermined density in the captured image of the sample Si.
  • the image processing apparatus 20 detects target cells from the specimen Si based on the dispersion value of the depth (A), the staining degree (B) of the sample, and the white blood cell ratio (C) based on the above-described equation (1).
  • the difficulty level Df (Dfi) is calculated (S206).
  • the image processing device 20 detects the detection difficulty level Df calculated in S107 and the processing target determined in S106.
  • a detection parameter is set based on at least one of the sample information (S108).
  • the detection parameter includes a detection target flag indicating whether the sample detection target is true, a nuclear candidate region parameter indicating a condition of an image region extracted as a nuclear candidate region from the sample, and a determination target region setting condition set for the sample image. It is good also as including the judgment object field parameter shown.
  • the image processing apparatus 20 sets the detection target flag based on the information of the sample to be processed determined in S106, and detects the nuclear candidate region parameter and the determination target region parameter calculated for the sample Si. It may be set based on the difficulty level Dfi.
  • the image processing apparatus 20 executes a process of detecting the target cell from the specimen based on the detection parameter set in S108 (S109). The details of the target cell detection process will be described based on the flowchart shown in FIG.
  • the image processing apparatus 20 initializes the values of variables i, j, and k to 1 (S301), and determines whether or not the sample Si for the target sample is a detection target. (S302). For example, the image processing apparatus 20 may determine that the detection target flag of the sample Si is true (T), and determines that the detection target flag is false (F).
  • the image processing apparatus 20 causes the optical microscope 10 to image the sample Si, for example, and acquires the captured image Ti of the sample Si (S303).
  • the image processing apparatus 20 extracts nucleus candidate areas (Ai1 to AiM) from the captured image Ti based on the nucleus candidate area parameters included in the detection parameters set for the sample Si (S304).
  • M is the number of nucleus candidate regions included in the captured image Ti.
  • the extraction of the nuclear candidate region may be executed by the nuclear candidate region extracting unit 29 described above.
  • the image processing device 20 sets the determination target regions (Bij1 to BijL) for the nucleus candidate regions Aij extracted from the captured image Ti based on the determination target region parameters included in the detection parameters set for the sample Si. (S305). Note that L is the number of determination target regions set for the nucleus candidate region Aij, and the determination target region setting may be executed by the determination target region setting unit 30 described above.
  • the image processing apparatus 20 calculates the image feature amount Vijk of the determination target region Bijk (S306). Note that the calculation of the image feature amount may be executed by the image feature generation unit 31 described above.
  • the image processing apparatus 20 calculates a score Pijk indicating the possibility that the target cell is included in the determination target region Bijk based on the image feature amount Vijk calculated in S306 (S307).
  • the image processing apparatus 20 sets the determination target region Bijk as the target cell region (S309).
  • the image processing apparatus 20 determines whether or not the variable k has reached L (S310). If k has not reached L (S310: N), k is incremented (1 is added to k) (S311), and the process returns to S306. If the variable k has reached L in S310 (S310: Y), the image processing apparatus 20 determines whether the variable j has reached M (S312).
  • the image processing apparatus 20 increments j (adds 1 to j), initializes k to 1 (S313), and proceeds to S305.
  • the image processing apparatus 20 executes the integration process of the target cell region set for the sample Si (S314).
  • the details of the integration process of the target cell region will be described based on the flowchart shown in FIG.
  • the image processing device 20 assigns a processed flag to each target cell region set for the captured image Ti of the specimen Si (S401). Note that the processed flag is a true / false value, the processed flag is true (T), the unprocessed flag is false (F), and the initial value of the processed flag assigned in S401 is false (F). .
  • the image processing apparatus 20 selects one target cell region whose processed flag value is unprocessed (S402).
  • the target cell region selected in S402 is assumed to be As.
  • the image processing apparatus 20 extracts another target cell region that overlaps the target cell region As selected in S402 from the target cell regions set for the captured image Ti (S403). Then, the image processing apparatus 20 selects a target cell region having the maximum score from the target cell regions extracted in S403 (S404).
  • the target cell region selected in S404 is referred to as At.
  • the image processing apparatus 20 integrates the target cell region extracted in S403 into the target cell region As (S406). ), The score of another target cell region to be integrated is added to the score of the target cell region As (S407). For example, the target cell region integrated with respect to the target cell region As may be deleted or updated to an integrated state. Then, the image processing apparatus 20 updates the processed flag of each of the target cell region As and the other target cell region integrated with the target cell region As to true (T) (S408).
  • the image processing apparatus 20 integrates the target cell region As into the target cell region At (S409). Then, the score of the target cell region As is added to the score of the target cell region At (S410). Then, the image processing apparatus 20 updates the processed flag of the target cell region As to true (T) (S411).
  • the image processing apparatus 20 returns to S402 when an unprocessed target cell region remains after S408 or S411 (S412: Y), and when an unprocessed target cell region does not remain (S412). : N), finish the integration process of the target cells, and return.
  • the image processing apparatus 20 finishes the integration process of the target cell region set for the sample Si, if the variable i has not reached d (the number of detection target samples or the total number of samples) (S315: N), i Is incremented (added by 1), j and k are initialized to 1 (S316), and the process returns to S302.
  • the image processing apparatus 20 returns when the variable i reaches d in S315 (S315: Y).
  • the image processing apparatus 20 increments (adds 1) i when the sample Si is not a detection target (S302: N) and the variable i has not reached d (S317: N).
  • j and k are initialized to 1 (S316), and the process returns to S302.
  • the process returns.
  • the target cell area information is output based on the target cell area after the integration for each specimen (S110). finish.
  • the image processing device 20 may sort the target cell regions in descending order of the score of the integrated target cell region for each specimen and display the target cell regions on the display device 60.
  • the detection process is performed based on the estimated number of target cells included in the sample to be processed and the difficulty level of detecting the target cells from the sample to be processed. You can set parameters to use.
  • the image processing apparatus 20 for example, based on data input from the input device 50, the number of specimens generated from the target specimen (N (N is an integer equal to or greater than 1)).
  • N is an integer equal to or greater than 1.
  • Is set (S501), and information on the target sample (sample information) is acquired (S502).
  • the specimen information may include at least one of information on age, medical history, and number of weeks of pregnancy.
  • the image processing apparatus 20 estimates the number of target cells (a) contained in the target sample based on the sample information acquired in S502 (S503). For example, the image processing apparatus 20 identifies the classification to which the specimen information acquired in S502 belongs, and based on the representative target cell number per unit blood that is predetermined for the identified classification and the blood volume of the sample serving as the specimen. The estimated number of target cells contained in the specimen may be calculated.
  • the image processing apparatus 20 calculates the target cell number (b) per sample based on the target cell number (a) calculated in S503 and the sample number (N) set in S501 (S504). Then, the image processing apparatus 20 calculates the number of detection target samples (d) that is equal to or greater than the necessary number of cells (c) required for detection based on the number of target cells (b) per sample calculated in S504. Determine (S505).
  • the image processing apparatus 20 selects and determines a sample to be processed for the number of detection target samples (d) determined in S505 from a plurality of samples generated from the target sample (S506).
  • the image processing apparatus 20 sets detection parameters based on the information about the sample to be processed determined in S506 and the number of target cells per sample (b) calculated in S504 (S507).
  • the detection parameter includes a detection target flag indicating whether the sample detection target is true, a nuclear candidate region parameter indicating a condition of an image region extracted as a nuclear candidate region from the sample, and a determination target region setting condition set for the sample image. It is good also as including the judgment object field parameter shown.
  • the image processing apparatus 20 sets the detection target flag based on the information of the processing target specimen determined in S506, and the nuclear candidate area parameter and the determination target area parameter include the number of detection target specimens ( It may be set based on a margin (b ⁇ dc) obtained by subtracting the necessary number of cells (c) from b ⁇ d obtained by multiplying d) and the number of target cells per sample.
  • the image processing apparatus 20 executes a process of detecting the target cell from the specimen based on the detection parameter set in S507 (S508).
  • the details of the target cell detection process are as shown in the flowchart shown in FIG. 7 and are the same as those in the first embodiment, and thus the description thereof is omitted here.
  • the image processing apparatus 20 After completing the target cell detection process for each of the samples to be processed, the image processing apparatus 20 outputs information on the target cell region based on the integrated target cell region for each sample (S509). The process ends.
  • the image processing apparatus for example, based on data input from the input device 50, the number of samples generated from the target sample (N (N is an integer equal to or greater than 1)). Is set (S601).
  • the image processing apparatus 20 determines a sample to be processed from a plurality of samples generated from the target specimen (S602). For example, the image processing apparatus 20 may set all of a plurality of samples generated from the target sample as processing targets, or determine a sample to be processed based on the detection difficulty level Df calculated for the target sample. It is good as well. For example, the image processing apparatus 20 determines the ratio according to the range of detection difficulty (specifically, increases the ratio as the detection difficulty increases), and the ratio corresponding to the detection difficulty Df and all samples. Determine the number of samples to be processed based on the product with the number (specifically, the obtained product may be rounded up to an integer), and determine the sample to be processed based on the determined number of samples It is good to do. Here, the number of samples to be processed is represented by d.
  • the image processing apparatus 20 executes a process of calculating a detection difficulty level indicating a difficulty level of detecting a target cell from a sample to be processed (S603).
  • the details of the detection difficulty level calculation process are as shown in the flowchart of FIG. 6 and are the same as those in the first embodiment, and are not described here.
  • the detection parameter includes a detection target flag indicating whether the sample detection target is true, a nuclear candidate region parameter indicating a condition of an image region extracted as a nuclear candidate region from the sample, and a determination target region setting condition set for the sample image. It is good also as including the judgment object field parameter shown.
  • the image processing apparatus 20 sets, for example, the detection target flag based on the information of the processing target specimen determined in S603, and the nuclear candidate area parameter and the determination target area parameter calculated for the specimen Si. It may be set based on the difficulty level Dfi.
  • the image processing apparatus 20 executes a process for detecting the target cell from the sample based on the detection parameter set in S604 (S605).
  • the details of the target cell detection process are as shown in the flowchart of FIG. 7 and are the same as those in the first embodiment, so that the description thereof is omitted here.
  • the image processing apparatus 20 After completing the target cell detection process for each of the samples to be processed, the image processing apparatus 20 outputs information on the target cell region based on the integrated target cell region for each sample (S606). The process ends.
  • the parameters used for the detection process can be set based on the difficulty level of detecting the target cell from the sample to be processed.
  • the present invention is not limited to the above embodiment.
  • the target cell regions may be displayed in the order of scores without integrating the target cell regions.
  • the image processing apparatus 20 is not limited to acquiring a captured image of the sample from the optical microscope 10 and may acquire a captured image of the sample from another computer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Hematology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Ecology (AREA)
  • Biophysics (AREA)
  • Dispersion Chemistry (AREA)
  • Urology & Nephrology (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

　画像処理装置２０は、対象の検体の特徴に基づいて、対象の検体に含まれる標的細胞数を推定する標的細胞数推定部２３と、推定された標的細胞数に基づいて、対象の検体の撮像画像から標的細胞を検出する処理に関する検出パラメータを設定する検出パラメータ設定部２８を有する。

Description

画像処理装置、プログラム、情報記憶媒体、及び画像処理方法
　本発明は、画像処理装置、プログラム、情報記憶媒体、及び画像処理方法に関する。
　例えば、特許文献１では、母体血を検体、母体血中の有核赤血球を標的細胞として、検体の顕微鏡画像から抽出される核候補領域に基づいて判定対象領域を設定し、設定した判定対象領域に標的細胞が含まれるか否かを判定している。
特開２０１２－２５４０４２号公報
　本発明の目的は、対象の検体から標的細胞を検出する処理のパラメータを、対象の検体の特徴に応じて設定できる画像処理装置、プログラム、情報記憶媒体、及び画像処理方法を提供することにある。
　請求項１に係る発明は、対象の検体の特徴に基づいて、該対象の検体に含まれる標的細胞数を推定する推定手段と、前記推定された標的細胞数に基づいて、前記対象の検体の撮像画像から前記標的細胞を検出する処理に関する検出パラメータを設定する設定手段と、を含む画像処理装置である。
　請求項２に係る発明は、前記検出パラメータは、前記対象の検体から生成される複数の標本のそれぞれについて前記標的細胞が含まれているかを検出する対象とするか否かを定める情報、前記撮像画像において前記標的細胞領域が含まれているか否かを判定する判定対象領域の設定条件を定める情報を含み、前記検出パラメータに基づいて検出の対象とされた標本の撮像画像に対して、該検出パラメータに基づいて設定した判定対象領域に前記標的細胞が含まれるか否かを判定する判定手段を含む請求項１に記載の画像処理装置である。
　請求項３に係る発明は、前記推定手段により推定された標的細胞数と、前記対象の検体から生成される複数の標本の数に基づき算出した１標本当たりの標的細胞数に基づいて、予め定められた閾値以上の標的細胞が含まれる標本の数を決定する決定手段と、前記決定手段により決定した数の標本を前記複数の標本の中から選択する選択手段と、を含み、前記設定手段は、前記選択手段により選択された標本の情報に基づいて前記検出パラメータを設定する請求項２に記載の画像処理装置である。
　請求項４に係る発明は、前記設定手段は、前記決定手段により決定した標本の数と、前記算出した１標本当たりの標的細胞数との積に対する前記閾値の差が小さくなるにつれて、前記判定対象領域が多く設定されるように前記設定条件を設定する請求項３に記載の画像処理装置である。
　請求項５に係る発明は、前記標本の厚さ、該標本の輝度、該標本の濃度に基づいて、該標本に含まれる標的細胞数を検出する難易度を示す検出難易度を算出する難易度算出手段を含み、前記設定手段は、前記算出された検出難易度に基づいて前記検出パラメータを設定する請求項２乃至４のいずれかに記載の画像処理装置である。
　請求項６に係る発明は、前記設定手段は、前記検出難易度が高い程、前記判定対象領域が多く設定されるように前記設定条件を設定する請求項５に記載の画像処理装置である。
　請求項７に係る発明は、前記難易度算出手段は、前記標本の厚さの均一性が高い程、前記検出難易度を低く算出し、前記標本に含まれる核の輝度が低い程、前記検出難易度を低く算出し、前記標本に含まれる予め定めた濃度よりも薄い画素の割合が高い程、前記検出難易度を高く算出する請求項５又は６に記載の画像処理装置である。
　請求項８に係る発明は、前記標的細胞が含まれると判定された互いに少なくとも一部が重なる複数の判定対象領域がある場合に、前記判定手段により前記標的細胞が含まれる可能性が最も高いと判定された判定対象領域に該複数の判定対象領域を統合する統合手段を含む請求項２乃至７のいずれかに記載の画像処理装置である。
　請求項９に係る発明は、前記検体は母体血であり、前記標的細胞は、有核赤血球であり、前記検体の特徴は、母体の年齢、病歴、妊娠週数の少なくともいずれかを含み、前記検体の特徴に基づく分類ごとに単位血液量当たりの基準の有核赤血球数が定められており、前記推定手段は、前記対象の検体の特徴に応じた分類について定められた基準の有核赤血球数と、該対象の検体の血液量に基づいて、該対象の検体に含まれる有核赤血球数を推定する請求項１乃至８のいずれかに記載の画像処理装置である。
　請求項１０に係る発明は、対象の検体の特徴に基づいて、該対象の検体に含まれる標的細胞数を推定する推定手段と、前記推定された標的細胞数に基づいて、前記対象の検体の撮像画像から前記標的細胞を検出する処理に関する検出パラメータを設定する設定手段としてコンピュータを機能させるためのプログラムである。
　請求項１及び１０に記載の発明によれば、対象の検体から標的細胞を検出する処理のパラメータを、対象の検体の特徴に応じて設定できる。
　請求項２に記載の発明によれば、対象の検体から生成した複数の標本のうち処理対象とする標本の数と、各標本について設定する判定対象領域とを、対象の検体について推定される標的細胞数に応じて設定できる。
　請求項３に記載の発明によれば、処理対象とする標本に閾値以上の標的細胞が含まれるように選択できる。
　請求項４に記載の発明によれば、処理対象とする標本の中に含まれる標的細胞の数と閾値との差が小さい場合には判定対象とする領域数を増やして、検出逃れの発生を抑制できる。
　請求項５に記載の発明によれば、対象の検体から標的細胞を検出する処理のパラメータを、処理対象とする検体から標的細胞を検出することの難易度に応じて設定できる。
　請求項６に記載の発明によれば、処理対象とする検体から標的細胞を検出することの難易度が高い場合には判定対象とする領域数を増やして、検出逃れの発生を抑制できる。
　請求項７に記載の発明によれば、本構成を有さない場合と比較して、処理対象とする検体から標的細胞を検出することの難易度を精度良く算出できる。
　請求項８に記載の発明によれば、複数の判定対象領域を統合しない場合と比較して、同一対象についての複数の判定対象領域の判定結果に基づく精度の良い判定結果を得ることができる。
　請求項９に記載の発明によれば、本構成を有さない場合と比較して、対象の母体血に含まれる有核赤血球の数を精度良く推定できる。
本実施形態に係る画像処理システムのシステム構成例を示す図である。 画像処理装置が備える機能の一例を示す機能ブロック図である。 検出パラメータ管理テーブルの一例を示す図である。 標的細胞候補領域の統合例を説明する図である。 第１の実施例に係る処理のフロー図である。 検出難易度の算出処理のフロー図である。 標的細胞の検出処理のフロー図である。 標的細胞領域の統合処理のフロー図である。 第２の実施例に係る処理のフロー図である。 第３の実施例に係る処理のフロー図である。
　以下、本発明を実施するための実施の形態（以下、実施形態という）を、図面に従って説明する。
［１．システム構成の説明］
　図１には、本実施形態に係る画像処理システム１のシステム構成例を示した。図１に示されるように画像処理システム１は、光学顕微鏡１０、画像処理装置２０、入力装置５０、表示装置６０を含み、画像処理装置２０と光学顕微鏡１０、入力装置５０及び表示装置６０とはデータ通信可能に接続されている。
　光学顕微鏡１０は、試料台に配置されたスライドグラス１１上の試料を、対物レンズ１２等の光学系を介してＣＣＤカメラ１４で撮像する。光学顕微鏡１０には、スライドグラス１１と対物レンズ１２との距離を変化させる焦準機構１３を備えており、スライドグラス１１上の試料を複数の異なる焦点距離で撮像するようになっている。本実施形態では、試料には、母体血をスライドグラス１１に塗布し、メイ・ギムザ染色を施したものを用いる。これにより、母体血中の胎児由来有核赤血球（ＮＲＢＣｓ）が青紫色に染色される。
以下、ＮＲＢＣｓを標的細胞と称する。
　画像処理装置２０は、光学顕微鏡１０により撮像された撮像画像を取得するとともに、当該取得した撮像画像の中から標的細胞を検出する。例えば、画像処理装置２０は、光学顕微鏡１０により撮像された撮像画像の中に設定した判定対象領域に、標的細胞が含まれている可能性を示すスコア（例えば確率）を、標的細胞の識別条件を学習した識別器に基づき判定することとしてよい。なお、画像処理装置２０において行われる標的細胞の検出処理の詳細については後述する。
　入力装置５０は、例えばキーボードやマウス等のデバイスであり、ユーザから受け付けた操作を画像処理装置２０に入力する。例えば、画像処理装置２０は、表示装置６０に表示された画像に対し、ユーザが入力装置５０によって指定した画像領域の情報を標的細胞の正例、負例、又は他の特定細胞の画像特徴を学習するための学習情報として取得し、学習情報に基づいて標的細胞の識別条件（識別パラメータ）を識別器に学習させることとしてよい。
　表示装置６０は、例えば液晶表示装置６０等であり、画像処理装置２０による処理の結果に基づいて画面を表示する。例えば、表示装置６０には、光学顕微鏡１０で撮像された撮像画像や、画像処理装置２０による標的細胞の検出結果等が表示される。
［２．画像処理装置２０が備える機能の説明］
　次に、本実施形態に係る画像処理装置２０に備えられる機能について説明する。
　図２には、画像処理装置２０が備える機能の一例を示す機能ブロック図を示した。図２に示されるように、画像処理装置２０は、検体情報取得部２１、検体特徴情報記憶部２２、標的細胞数推定部２３、撮像画像取得部２４、標本特徴抽出部２５、検出難易度判定部２６、検出対象標本設定部２７、検出パラメータ設定部２８、核候補領域抽出部２９、判定対象領域設定部３０、画像特徴生成部３１、標的細胞判定部３２、標的細胞領域設定部３３、標的細胞領域統合部３４、判定結果出力部３５を備える。
　画像処理装置２０に備えられる上記の各部の機能は、ＣＰＵ等の制御手段、メモリ等の記憶手段、外部デバイスとデータを送受信する入出力手段等を備えたコンピュータである画像処理装置２０が、コンピュータ読み取り可能な情報記憶媒体に格納されたプログラムを読み込み実行することで実現されるものとしてよい。なお、プログラムは光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等の情報記憶媒体によって画像処理装置２０に供給されることとしてもよいし、インターネット等のデータ通信網を介して画像処理装置２０に供給されることとしてもよい。以下、画像処理装置２０が備える各部の機能の詳細について説明する。
　検体情報取得部２１は、検査対象とする検体（母体）の情報（検体情報）を取得する。例えば、検体情報取得部２１は、入力装置５０を介して入力されたデータに基づいて、検体情報を取得することとしてよい。例えば、検体情報には、母体血を採取した被検査対象である人の年齢、病歴、妊娠週数等を含むこととしてよい。
　検体特徴情報記憶部２２は、検体の特徴に基づいて、検体に含まれる標的細胞を推定する際に用いる情報を記憶する。例えば、検体特徴情報記憶部２２は、検体の特徴に応じた分類に対して、例えば分類ごとの単位血液量当たりの標的細胞数を記憶することとしてよい。例えば、画像処理装置２０は、年齢、病歴、妊娠週数の各情報に基づいて検体ごとの特徴ベクトルを生成してクラスタリングし、各クラスタに属する検体について予め測定された単位血液量当たりの標的細胞（有核赤血球）数の代表値（例えば平均値）を代表有核赤血球数として検体特徴情報記憶部２２に関連付けて記憶することとしてよい。また、検体特徴情報記憶部２２には、年齢、病歴、妊娠週数と、対応する有核赤血球数との関係を定めたテーブルや数式が記憶されることとしてもよい。
　標的細胞数推定部２３は、検体情報取得部２１により取得された検体に関する検体情報（検体の特徴を表す情報）と、検体特徴情報記憶部２２に記憶される情報とに基づいて、当該検体に含まれる標的細胞数を推定する。例えば、標的細胞数推定部２３は、検体情報取得部２１により取得された検体情報に対応する分類について、検体特徴情報記憶部２２に記憶される代表標的細胞数に基づいて、検体から得られた試料（母体血）に含まれる標的細胞数を推定する。例えば、標的細胞数推定部２３は、検体情報取得部２１により取得された検体情報に対応する分類について、検体特徴情報記憶部２２に記憶される単位血液量当たりの有核赤血球数と試料の血液量とを乗じることで推定標的細胞数を得ることとしてよい。
　また、標的細胞数の推定方法は上記に限られない。例えば、検体特徴情報記憶部２２は、予め１以上の検体について、検体の特徴ベクトルと標的細胞数を関連付けて記憶しておき、標的細胞数推定部２３は、検体特徴情報記憶部２２に記憶される検体の特徴ベクトルの中から、対象の検体の特徴ベクトルと類似する（例えば最も特徴ベクトル間の距離が近い）特徴ベクトルを特定し、特定した特徴ベクトルに関連付けられている標的細胞数を対象の検体の標的細胞数としてもよい。
　撮像画像取得部２４は、検体から得られたスライドグラス上の試料（母体血）を撮像した撮像画像を取得する。例えば、撮像画像取得部２４は、光学顕微鏡１０２に備えられたＣＣＤカメラ５より試料（母体血）を撮像した撮像画像を光学顕微鏡１０２から取得する。また、撮像画像取得部２４は、後述する検出パラメータに基づいて、対象の検体に定められた検出対象フラグが真（Ｔ）である場合には、撮像画像を取得し、対象の検体に定められた検出対象フラグが偽（Ｆ）である場合には、撮像画像を取得しないこととしてよい。
　標本特徴抽出部２５は、対象の標本の特徴を抽出する。標本の特徴は、標本の作成状態を示す情報を含み、例えば、標本特徴抽出部２５は、検体から生成した標本の厚さの均一性、細胞核の染色度合い、白血球の含有率等を標本特徴として抽出することとしてよい。標本特徴抽出部２５は、対象の検体から生成した標本の全て又は一部（例えば検出対象とする標本に限定する等）の標本のそれぞれについて標本特徴を抽出することとしてよい。
　標本特徴抽出部２５は、例えば、標本の厚さの均一性（Ａ）を、標本の複数の点に関して、標本の表面からスライドグラスまでの深度を光学顕微鏡１０で測定し、測定された複数の深度の分散値の逆数として算出することとしてよい。
　標本特徴抽出部２５は、例えば、標本の細胞核の染色度合い（Ｂ）を、標本の撮像画像（光学顕微鏡１０で撮像することとしてよい）の平均輝度値で、予め定めた閾値を除した値（すなわち、閾値／平均輝度値）として算出してもよいし、標本の撮像画像において、予め定めた閾値よりも輝度値が低い画素の割合として算出してもよい。
　標本特徴抽出部２５は、例えば、標本の白血球の含有率（Ｃ）を、標本の撮像画像（光学顕微鏡１０で撮像することとしてよい）における、予め定めた濃度よりも薄い色の画素の割合として算出してもよい。
　検出難易度判定部２６は、標本特徴抽出部２５により抽出された標本特徴に基づいて、標本から標的細胞を検出する難易度（Ｄｆ）を判定する。例えば、検出難易度判定部２６は、標本についての検出難易度Ｄｆを、標本特徴抽出部２５で抽出された標本の厚さの均一性Ａ、標本の細胞核の染色度合いＢ、標本の白血球の含有率Ｃに基づいて、以下の式（１）により算出することとしてよい。なお、ｗ１，ｗ２，ｗ３は、ｗ１＋ｗ２＋ｗ３＝１を満たす、それぞれ０以上の予め定められた係数としてよく、Ａ０は、標本の厚さの均一性の基準値、Ｂ０は、標本の細胞核の染色度合いの基準値、Ｃ０は、標本の白血球の含有率の基準値としてよい。
Ｄｆ＝ｗ１・Ａ０／Ａ＋ｗ２・Ｂ０／Ｂ＋ｗ３・Ｃ／Ｃ０　（１）
　上式（１）によれば、検出難易度Ｄｆは、標本の厚さの均一性Ａの値が大きくなるにつれ低く算出され、標本の細胞核の染色度合いＢの値が大きくなるにつれ低く算出され、標本の白血球の含有率Ｃの値が大きくなるにつれ高く算出される。なお、検出難易度判定部２６は、上式（１）により算出された検出難易度Ｄｆが０から１までの値を取るように補正してもよい。例えば、検出難易度判定部２６は、Ｄｆが下限閾値より低い場合には０に、Ｄｆが上限閾値（例えば１より大きい値）よりも大きい場合には１とすることとしてもよい。
　検出対象標本設定部２７は、標的細胞数推定部２３により推定された推定標的細胞数（Ｃｂ）、又は検出難易度判定部２６により判定された検出難易度（Ｄｆ）の少なくともいずれかに基づいて、対象の検体から生成する複数の標本のうち検出対象とする標本を設定する。
　検出対象標本設定部２７は、例えば、対象の検体について推定された推定標的細胞数（Ｃｂ）を試料から生成する標本数（Ｎ）で除して、１標本当たりの標的細胞数（ａ＝Ｃｂ／Ｎ）を算出する。ここで、検出対象標本設定部２７は、必要標的細胞数（Ｚ）に対して、Ｃｂ＞Ｚである場合には、ａ・Ｘ≧Ｚとなる整数Ｘを検出対象標本数に決定し、Ｃｂ≦Ｚである場合には、検出対象標本数をＮ（全標本）に決定することとしてよい。そして、検出対象標本設定部２７は、試料から生成したＮ個の標本の中から、検出対象標本数の標本を選択して（例えば、識別番号順、生成日時順等）、選択した標本の検出対象フラグを真（Ｔ）に、選択しなかった標本の検出対象フラグを偽（Ｆ）に設定することとしてよい。
　また、検出対象標本設定部２７は、検出難易度判定部２６により算出された検出難易度に基づいて検出対象とする標本を設定する場合には、例えば、対象の検体から生成された複数の標本のうち検出難易度が閾値以下の標本を検出対象に設定することとしてもよい。
　検出パラメータ設定部２８は、試料から生成した標本について検出処理時に利用する検出パラメータを設定する。例えば、検出パラメータ設定部２８は、検出対象標本設定部２７により設定された検出対象標本と、検出難易度判定部２６により判定された検出難易度との少なくとも一方に基づいて、検出パラメータを設定する。例えば、検出パラメータは、標本の検出対象の当否を示す検出対象フラグ、標本の撮像画像から核候補領域として抽出する画像領域の条件を示す核候補領域パラメータ、標本の撮像画像について設定する判定対象領域の設定条件を示す判定対象領域パラメータを含むこととしてよい。
　図３には、検出パラメータ設定部２８により設定される検出パラメータを格納する検出パラメータ管理テーブルの一例を示した。図３に示されるように、検出パラメータ管理テーブルには、検体を識別する検体ＩＤ、検体から得た複数の標本のそれぞれを識別する標本ＩＤ、各標本を検出対象とするか否かを示す検出対象フラグ、核候補領域パラメータ、判定対象領域パラメータが関連付けて記憶される。なお、核候補領域パラメータには、核候補領域として抽出する対象画素の色範囲と、連結画素数の閾値が含む。また、判定対象領域パラメータには、核候補領域において判定対象領域の基点とする画素間のシフト量を示すステップ幅、判定対象領域の基点とする画素について設定する複数サイズの判定対象領域に関し、最小の判定対象領域と最大の判定対象領域とのサイズ比を示す最大倍率、最小の判定対象領域と最大の判定対象領域間までに何段階の拡大を実行するかを示す倍率段階を含む。
　検出パラメータ設定部２８は、例えば、検出対象標本設定部２７で設定した検出対象標本数Ｘと１標本当たりの標的細胞数ａの積と、必要標的細胞数Ｚとの差である余裕度Ｙ（Ｙ＝ａ・Ｘ－Ｚ）と、検出難易度判定部２６により判定された検出難易度Ｄｆとの少なくとも一方に基づいて、検出パラメータを設定することとしてよい。より具体的には、検出パラメータ設定部２８は、Ｍ（Ｍは２以上の整数）段階のレベル（Ｌ１～ＬＭ）ごとに検出パラメータを定めておき（ただし同一画像についてＬｉ＋１における検出パラメータにより抽出・設定される核候補領域と判定対象領域の数が、Ｌｉにおける検出パラメータにより抽出・設定される核候補領域と判定対象領域の数よりも多い）、余裕度Ｙと検出難易度Ｄｆの少なくとも一方の値に基づいてレベルを決定し、決定したレベルに基づいて検出パラメータを設定することとしてよい。例えば、検出パラメータ設定部２８は、Ｍ段階のレベルごとに余裕度の範囲を定めておき、上記計算されたＹがどのレベルの範囲に属するかに基づいてレベルを決定してもよい。また、例えば、検出パラメータ設定部２８は、Ｍ段階のレベルごとに検出難易度の範囲を定めておき、上記計算されたＤｆがどのレベルの範囲に属するかに基づいてレベルを決定してもよい。また、例えば、検出パラメータ設定部２８は、Ｍ段階のレベルごとに余裕度と検出難易度の和の範囲を定めておき、上記計算されたＹとＤｆの和がどのレベルの範囲に属するかに基づいてレベルを決定してもよい。
　なお、検出パラメータ設定部２８は、検出対象標本設定部２７で設定した標本のそれぞれについて、それぞれの標本について算出された検出難易度に基づいて標本ごとに異なる検出パラメータを設定することとしてよい。
　核候補領域抽出部２９は、処理対象の標本について撮像画像取得部２４により取得された撮像画像の中から、当該標本について検出パラメータ設定部２８により設定された核候補領域パラメータに基づいて、核候補領域を抽出する。例えば、核候補領域抽出部２９は、核候補領域パラメータに含まれる色範囲に含まれる画素を黒画素、色範囲に含まれない画素を白画素として二値化し、隣り合う黒画素を連結した連結画素群のうち、核候補領域パラメータに含まれる連結画素群の数以上の連結画素群を、核候補領域として抽出することとしてよい。
　判定対象領域設定部３０は、処理対象の標本について撮像画像取得部２４により取得された撮像画像に対して、当該標本について検出パラメータ設定部２８により設定された判定対象領域パラメータと、核候補領域抽出部２９により抽出された核候補領域とに基づいて、標的細胞の有無の判定対象とする判定対象領域を設定する。例えば、判定対象領域設定部３０は、核候補領域抽出部２９により抽出された核候補領域に含まれる１以上の画素のそれぞれに対して、当該画素を中心（又は基点）とする矩形領域を判定対象領域として設定する。ここで、判定対象領域設定部３０は、処理対象の標本について設定された判定対象領域パラメータに含まれるステップ幅（シフト量）に基づき、判定対象領域の基点となる核候補領域内の画素をステップ幅だけ順次移動させて、判定対象領域を順次設定することとしてよい。また、判定対象領域設定部３０は、判定対象領域の基点となる１つの画素に関し、処理対象の標本について設定された判定対象領域パラメータに含まれる最大倍率と倍率段階に基づき、判定対象領域のサイズを１～最大倍率まで、倍率段階で定められた段階数に渡って変化させて複数の異なるサイズの判定対象領域を設定することとしてよい。
　画像特徴生成部３１は、判定対象領域設定部３０により設定された判定対象領域の画像特徴量を生成する。例えば、画像特徴生成部３１は、判定対象領域のＨＯＧ特徴量を算出し、ＨＯＧ特徴量を画像特徴量として得ることとしてよい。以下、二種のＨＯＧ特徴量の算出処理について具体的に説明する。
　画像特徴生成部３１は、判定対象領域内の画素ごとに輝度勾配方向と輝度勾配強度を求め、対象画像をＸ個のセルから成るＹ個のブロックに分割し、各ブロックを構成するセルごとに輝度勾配方向と輝度勾配強度から輝度勾配方向ヒストグラム（［第１勾配方向の値，第２勾配方向の値，・・・，第９勾配方向の値］）を求め、これらの２乗平均が１になるようにブロック単位で正規化を行う。そして、画像特徴生成部３１は、上記正規化した輝度勾配方向ヒストグラムをブロック内で結合して作成したＸ×９個の値をブロックの特徴量とし、さらに対象画像内のブロックをすべて結合して作成したＹ×Ｘ×９個の値を判定対象領域のＨＯＧ特徴量とする。
　また、画像特徴生成部３１は、判定対象領域内の画素ごとに輝度勾配方向と輝度勾配強度を求め、対象画像をＸ個のセルから成るＹ個のブロックに分割し、各ブロックを構成するセルごとに輝度勾配方向と輝度勾配強度から輝度勾配方向ヒストグラム（［第１勾配方向の値，第２勾配方向の値，・・・，第１８勾配方向の値］）を求める。そして、画像特徴生成部３１は、上記の輝度勾配方向ヒストグラムをブロック内で結合して作成したＸ×１８個の値をブロックの特徴量とし、さらに対象画像内のブロックをすべて結合して作成したＹ×Ｘ×１８個の値を判定対象領域のＣｅｌｌ－ＨＯＧ特徴量とする。
　標的細胞判定部３２は、判定対象領域の画像特徴量に基づいて、判定対象領域に標的細胞が含まれる可能性（信頼度）を判定する。例えば、予め標的細胞が写し出された画像領域の画像特徴量に基づいて標的細胞の識別条件（識別パラメータ）を識別器に学習させ、識別器による判定対象領域の画像特徴量の識別結果を得ることとしてよい。なお、識別器には、ＡｄａＢｏｏｓｔやＳＶＭ（サポートベクタマシン）等を利用することとしてよい。識別器は、判定対象領域の画像特徴量に基づいて、判定対象領域に標的細胞が含まれる可能性を示すスコア（信頼度）を出力する。例えば、識別器は、判定対象領域に含まれる細胞が標的細胞であれば正の値のスコアを、標的細胞でなければ負の値のスコアを出力することとしてよい。
　標的細胞領域設定部３３は、判定対象領域についての標的細胞判定部３２による判定結果に基づいて、標的細胞が含まれる候補領域（標的細胞領域）を設定する。例えば、標的細胞領域設定部３３は、判定対象領域のうち識別器により出力された信頼度が０以上であれば標的細胞の候補領域に設定することとしてよい。
　標的細胞領域統合部３４は、標的細胞領域設定部３３により設定された候補領域のうち、互いに少なくとも一部が重なる候補領域を１つに統合する。例えば、標的細胞領域統合部３４は、複数の候補領域が互いに重なっている場合は、複数の候補領域をそのうちの１つ（例えば信頼度が最大の領域）に統合することとしてよい。ここで、標的細胞領域統合部３４は、複数の候補領域が同じ核候補領域から設定した判定対象領域であれば重なっていると判断してもよいし、複数の候補領域のうち予め定めた閾値以上の面積が互いに重なっていれば複数の候補領域が重なっていると判断してもよい。また、標的細胞領域統合部３４は、統合後の候補領域は信頼度が一番高い候補領域のみを残してもよいし、重なっている複数の候補領域のすべてを含む領域を統合後の候補領域としてもよい。また、標的細胞領域統合部３４は、統合後の候補領域の信頼度には、統合された候補領域の信頼度を加算してもよいし、統合後の候補領域の信頼度に重なっている候補領域の数をかけたものを、統合後の候補領域の信頼度としてもよい。
　図４には、標的細胞候補領域の統合例を説明する図を示した。図４に示されるように、撮像画像Ｉの中に核候補領域７０が含まれており、核候補領域７０に対して互いに一部が重なる２つの標的細胞領域７１，７２が設定され、標的細胞領域７１についてスコアが３０、標的細胞領域７２についてスコアが１０であったとすると、標的細胞領域統合部３４は、標的細胞領域７１，７２のうちスコアが最大の標的細胞領域７１に標的細胞領域７２を統合し、標的細胞領域７１のスコアに標的細胞領域７２のスコアを加算して更新することとしてよい。
　判定結果出力部３５は、標的細胞領域統合部３４により統合した候補領域の情報を、試料についての標的細胞の検出結果として出力する。例えば、判定結果出力部３５は、標的細胞領域統合部３４により統合された候補領域を、その信頼度に基づいて並び替えてリスト表示する表示画面を表示装置６０に表示させることとしてよい。なお、判定結果出力部３５は、信頼度が指定された又は予め定められた閾値未満の候補領域については、リスト表示に含めないようにすることとしてよい。
［３．処理の例示］
　次に、図５乃至図１０に基づいて、本実施形態に係る画像処理システム１において行われる処理の一例について詳細に説明する。
［３－１．第１の実施例］
　まず、図５～図８に示したフロー図に基づき、画像処理システム１により実行される第１の実施例に係る処理の詳細について説明する。
［３－１－１（１）．メイン処理（１）］
　図５に示されるように、画像処理装置２０は、入力装置５０から入力されたデータに基づいて、対象の検体から生成した標本の数（Ｎ（Ｎは１以上の整数）とする）を設定するとともに（Ｓ１０１）、対象の検体の情報（検体情報）を取得する（Ｓ１０２）。ここで、検体情報には、年齢、病歴、妊娠週数の情報の少なくともいずれかを含むこととしてよい。
　次に、画像処理装置２０は、Ｓ１０２で取得した検体情報に基づいて、対象の検体に含まれる標的細胞数（ａ）を推定する（Ｓ１０３）。例えば、画像処理装置２０は、Ｓ１０２で取得した検体情報が属する分類を特定し、特定した分類について予め定められた単位血液当たりの代表標的細胞数（基準標的細胞数）と、検体となる試料の血液量とに基づいて、検体に含有される推定標的細胞数を算出することとしてよい。
　画像処理装置２０は、Ｓ１０３で算出した標的細胞数（ａ）と、Ｓ１０１で設定した標本数（Ｎ）とに基づいて、１標本当たりの標的細胞数（ｂ）を算出する（Ｓ１０４）。そして、画像処理装置２０は、Ｓ１０４で算出した１標本当たりの標的細胞数（ｂ）に基づいて、検出に必要とされる必要細胞数（ｃ）以上となる、検出対象標本数（ｄ）を決定する（Ｓ１０５）。
　ここで、画像処理装置２０は、Ｓ１０５で決定した検出対象標本数（ｄ）の処理対象とする標本を、対象の検体から生成された複数の標本の中から選択して決定する（Ｓ１０６）。
　次に、画像処理装置２０は、Ｓ１０６で決定した処理対象とする標本から標的細胞を検出する難易度を示す検出難易度を算出する処理を実行する（Ｓ１０７）。検出難易度の算出処理の詳細については、図６に示したフロー図に基づき説明する。
［３－１－２．検出難易度の算出処理］
　図６に示されるように、画像処理装置２０は、変数ｉを１に初期化して（Ｓ２０１）、標本Ｓｉの深度（Ａ）を測定する（Ｓ２０２）。例えば、標本Ｓｉの複数の点に関して、標本Ｓｉの表面からスライドグラスまでの深度を光学顕微鏡１０で測定することとしてよい。
　次に、画像処理装置２０は、標本Ｓｉを光学顕微鏡１０により撮像した撮像画像を取得し（Ｓ２０３）、取得した撮像画像に基づいて、標本Ｓｉの染色度（Ｂ）を取得する（Ｓ２０４）。例えば、画像処理装置２０は、標本Ｓｉの細胞核の染色度合い（Ｂ）を、標本Ｓｉの撮像画像の平均輝度値で、予め定めた閾値を除した値（すなわち、閾値／平均輝度値）として算出してもよいし、標本Ｓｉの撮像画像において、予め定めた閾値よりも輝度値が低い画素の割合として算出してもよい。
　さらに、画像処理装置２０は、Ｓ２０３で取得した撮像画像に基づいて、標本Ｓｉ中の白血球の割合（Ｃ）を取得する（Ｓ２０５）。例えば、画像処理装置２０は、標本Ｓｉの白血球の割合（Ｃ）を、標本Ｓｉの撮像画像における、予め定めた濃度よりも薄い色の画素の割合として算出してよい。
　画像処理装置２０は、例えば、上述した式（１）に基づいて、深度（Ａ）の分散値、試料の染色度（Ｂ）、白血球割合（Ｃ）に基づいて、標本Ｓｉから標的細胞の検出難易度Ｄｆ（Ｄｆｉ）を算出する（Ｓ２０６）。
　ここで、画像処理装置２０は、変数ｉがｄに達していない場合には（Ｓ２０７：Ｎ）、変数ｉをインクリメント（１加算）して（Ｓ２０８）、Ｓ２０２に戻り、変数ｉがｄに達している場合には（Ｓ２０７：Ｙ）、リターンする。次に、図５のフロー図に戻り説明を続ける。
［３－１－１（２）．メイン処理（２）］
　図５に示されるように、画像処理装置２０は、処理対象の標本について標的細胞の検出難易度Ｄｆの算出を終えると、Ｓ１０７で算出された検出難易度Ｄｆと、Ｓ１０６で決定した処理対象の標本の情報との少なくとも１つに基づいて、検出パラメータを設定する（Ｓ１０８）。例えば、検出パラメータは、標本の検出対象の当否を示す検出対象フラグ、標本から核候補領域として抽出する画像領域の条件を示す核候補領域パラメータ、標本の画像について設定する判定対象領域の設定条件を示す判定対象領域パラメータを含むこととしてよい。ここで、画像処理装置２０は、例えば、検出対象フラグについては、Ｓ１０６で決定した処理対象の標本の情報に基づいて設定し、核候補領域パラメータと判定対象領域パラメータについては標本Ｓｉについて算出した検出難易度Ｄｆｉに基づいて設定することとしてよい。
　画像処理装置２０は、Ｓ１０８で設定した検出パラメータに基づいて、検体から標的細胞を検出する処理を実行する（Ｓ１０９）。標的細胞の検出処理の詳細については、図７に示したフロー図に基づき説明する。
［３－１－３．標的細胞の検出処理］
　図７に示されるように、画像処理装置２０は、変数ｉ，ｊ，ｋの値をそれぞれ１に初期化して（Ｓ３０１）、対象の検体についての標本Ｓｉが検出対象であるか否かを判断する（Ｓ３０２）。例えば、画像処理装置２０は、標本Ｓｉの検出対象フラグが真（Ｔ）であれば検出対象と判断し、偽（Ｆ）であれば検出対象でないと判断することとしてよい。
　画像処理装置２０は、標本Ｓｉが検出対象である場合には（Ｓ３０２：Ｙ）、例えば光学顕微鏡１０に標本Ｓｉを撮像させて、標本Ｓｉの撮像画像Ｔｉを取得する（Ｓ３０３）。
　次に、画像処理装置２０は、標本Ｓｉについて設定された検出パラメータに含まれる核候補領域パラメータに基づいて、撮像画像Ｔｉから核候補領域（Ａｉ１～ＡｉＭ）を抽出する（Ｓ３０４）。なお、Ｍは撮像画像Ｔｉに含まれる核候補領域の数である。なお、核候補領域の抽出は、上述した核候補領域抽出部２９により実行することとしてよい。
　画像処理装置２０は、標本Ｓｉについて設定された検出パラメータに含まれる判定対象領域パラメータに基づいて、撮像画像Ｔｉから抽出した核候補領域Ａｉｊに対して、判定対象領域（Ｂｉｊ１～ＢｉｊＬ）を設定する（Ｓ３０５）。なお、Ｌは核候補領域Ａｉｊについて設定される判定対象領域の数であり、判定対象領域の設定は、上述した判定対象領域設定部３０により実行することとしてよい。
　画像処理装置２０は、判定対象領域Ｂｉｊｋの画像特徴量Ｖｉｊｋを算出する（Ｓ３０６）。なお、画像特徴量の算出は、上述した画像特徴生成部３１により実行することとしてよい。
　画像処理装置２０は、Ｓ３０６で算出した画像特徴量Ｖｉｊｋに基づいて、判定対象領域Ｂｉｊｋに標的細胞が含まれる可能性を示すスコアＰｉｊｋを算出する（Ｓ３０７）。
　ここで、画像処理装置２０は、Ｓ３０７で算出したスコアＰｉｊｋが閾値Ｔｈ以上であれば（Ｓ３０８：Ｙ）、判定対象領域Ｂｉｊｋを標的細胞領域に設定する（Ｓ３０９）。
　画像処理装置２０は、Ｓ３０９の後、又はＳ３０７で算出したスコアＰｉｊｋが閾値Ｔｈ未満である場合には（Ｓ３０８：Ｎ）、変数ｋがＬに達しているか否かを判断し（Ｓ３１０）、変数ｋがＬに達していない場合には（Ｓ３１０：Ｎ）、ｋをインクリメント（ｋに１加算）して（Ｓ３１１）、Ｓ３０６に戻る。また、画像処理装置２０は、Ｓ３１０において、変数ｋがＬに達している場合には（Ｓ３１０：Ｙ）、変数ｊがＭに達しているか否かを判断する（Ｓ３１２）。
　画像処理装置２０は、Ｓ３１２において変数ｊがＭに達してない場合には（Ｓ３１２：Ｎ）、ｊをインクリメント（ｊに１加算）するとともに、ｋを１に初期化して（Ｓ３１３）、Ｓ３０５に戻る。また、画像処理装置２０は、Ｓ３１２において変数ｊがＭに達している場合には（Ｓ３１２：Ｙ）、標本Ｓｉについて設定された標的細胞領域の統合処理を実行する（Ｓ３１４）。ここで、標的細胞領域の統合処理の詳細については図８に示したフロー図に基づき説明する。
［３－１－４．標的細胞領域の統合処理］
　図８に示されるように、画像処理装置２０は、標本Ｓｉの撮像画像Ｔｉについて設定したそれぞれの標的細胞領域に対して、処理済みフラグを付与する（Ｓ４０１）。なお、処理済みフラグは、真偽値であり、処理済みが真（Ｔ）、未処理が偽（Ｆ）とし、Ｓ４０１で付与される処理済みフラグの初期値は偽（Ｆ）であるとする。
　次に、画像処理装置２０は、処理済みフラグの値が未処理の標的細胞領域を１つ選択する（Ｓ４０２）。以下、Ｓ４０２で選択された標的細胞領域をＡｓとする。
　画像処理装置２０は、撮像画像Ｔｉについて設定した標的細胞領域の中から、Ｓ４０２で選択された標的細胞領域Ａｓと重なる他の標的細胞領域を抽出する（Ｓ４０３）。そして、画像処理装置２０は、Ｓ４０３で抽出した標的細胞領域のうち、最大のスコアを有する標的細胞領域を選択する（Ｓ４０４）。以下、Ｓ４０４で選択された標的細胞領域をＡｔとする。
　画像処理装置２０は、標的細胞領域Ａｓのスコアが標的細胞領域Ａｔのスコア以上である場合には（Ｓ４０５：Ｙ）、標的細胞領域ＡｓにＳ４０３で抽出された標的細胞領域を統合して（Ｓ４０６）、標的細胞領域Ａｓのスコアに、統合する他の標的細胞領域のスコアを加算する（Ｓ４０７）。例えば、標的細胞領域Ａｓに対して統合される標的細胞領域は削除することとしてもよいし、統合済みの状態に更新することとしてもよい。そして、画像処理装置２０は、標的細胞領域Ａｓと、標的細胞領域Ａｓに統合された他の標的細胞領域のそれぞれの処理済みフラグを真（Ｔ）に更新する（Ｓ４０８）。
　また、画像処理装置２０は、標的細胞領域Ａｓのスコアが標的細胞領域Ａｔのスコア未満である場合には（Ｓ４０５：Ｎ）、標的細胞領域Ａｓを、標的細胞領域Ａｔに統合して（Ｓ４０９）、標的細胞領域Ａｔのスコアに、標的細胞領域Ａｓのスコアを加算する（Ｓ４１０）。そして、画像処理装置２０は、標的細胞領域Ａｓの処理済みフラグを真（Ｔ）に更新する（Ｓ４１１）。
　画像処理装置２０は、Ｓ４０８又はＳ４１１の後に、未処理の標的細胞領域が残っている場合には（Ｓ４１２：Ｙ）、Ｓ４０２に戻り、未処理の標的細胞領域が残っていない場合には（Ｓ４１２：Ｎ）、標的細胞の統合処理を終えてリターンする。
　ここで、図７に戻り説明を続ける。画像処理装置２０は、標本Ｓｉについて設定された標的細胞領域の統合処理を終えると、変数ｉがｄ（検出対象標本数又は全標本数）に達していない場合には（Ｓ３１５：Ｎ）、ｉをインクリメント（１加算）するとともに、ｊ及びｋを１に初期化して（Ｓ３１６）、Ｓ３０２に戻る。また、画像処理装置２０は、Ｓ３１５において、変数ｉがｄに達している場合には（Ｓ３１５：Ｙ）、リターンする。
　また、画像処理装置２０は、Ｓ３０２において、標本Ｓｉが検出対象でない場合であって（Ｓ３０２：Ｎ）、変数ｉがｄに達していないときには（Ｓ３１７：Ｎ）、ｉをインクリメント（１加算）するとともに、ｊ及びｋを１に初期化して（Ｓ３１６）、Ｓ３０２に戻り、変数ｉがｄに達しているときには（Ｓ３１７：Ｙ）、リターンする。
［３－１－１（３）．メイン処理（３）］
　ここで、図５のフロー図に戻り説明を続ける。画像処理装置２０は、処理対象の検体のそれぞれについて標的細胞の検出処理を終えると、各検体について統合後の標的細胞領域に基づいて、標的細胞領域の情報を出力して（Ｓ１１０）、処理を終了する。例えば、画像処理装置２０は、検体ごとに、統合後の標的細胞領域のスコアが大きい順に標的細胞領域をソートして標的細胞領域を表示装置６０に表示させることとしてよい。
　以上説明した第１の実施例に係る処理によれば、処理対象とする検体に含まれる推定の標的細胞数と、処理対象とする検体から標的細胞を検出する難易度に基づいて、検出処理に利用するパラメータを設定できる。
［３－２．第２の実施例］
　次に、図９に示したフロー図に基づき、画像処理システム１により実行される第２の実施例に係る処理の詳細について説明する。第２の実施例においては、検出難易度を用いずに検出パラメータを設定する点で第１の実施例と異なっている。
　図９に示されるように、画像処理装置２０は、例えば、入力装置５０から入力されたデータに基づいて、対象の検体から生成した標本の数（Ｎ（Ｎは１以上の整数）とする）を設定するとともに（Ｓ５０１）、対象の検体の情報（検体情報）を取得する（Ｓ５０２）。ここで、検体情報には、年齢、病歴、妊娠週数の情報の少なくともいずれかを含むこととしてよい。
　次に、画像処理装置２０は、Ｓ５０２で取得した検体情報に基づいて、対象の検体に含まれる標的細胞数（ａ）を推定する（Ｓ５０３）。例えば、画像処理装置２０は、Ｓ５０２で取得した検体情報が属する分類を特定し、特定した分類について予め定められた単位血液当たりの代表標的細胞数と、検体となる試料の血液量とに基づいて、検体に含有される推定標的細胞数を算出することとしてよい。
　画像処理装置２０は、Ｓ５０３で算出した標的細胞数（ａ）と、Ｓ５０１で設定した標本数（Ｎ）とに基づいて、１標本当たりの標的細胞数（ｂ）を算出する（Ｓ５０４）。そして、画像処理装置２０は、Ｓ５０４で算出した１標本当たりの標的細胞数（ｂ）に基づいて、検出に必要とされる必要細胞数（ｃ）以上となる、検出対象標本数（ｄ）を決定する（Ｓ５０５）。
　ここで、画像処理装置２０は、Ｓ５０５で決定した検出対象標本数（ｄ）の処理対象とする標本を、対象の検体から生成された複数の標本の中から選択して決定する（Ｓ５０６）。
　次に、画像処理装置２０は、Ｓ５０６で決定した処理対象とする標本の情報と、Ｓ５０４で算出した１標本当たりの標的細胞数（ｂ）に基づいて、検出パラメータを設定する（Ｓ５０７）。例えば、検出パラメータは、標本の検出対象の当否を示す検出対象フラグ、標本から核候補領域として抽出する画像領域の条件を示す核候補領域パラメータ、標本の画像について設定する判定対象領域の設定条件を示す判定対象領域パラメータを含むこととしてよい。ここで、画像処理装置２０は、例えば、検出対象フラグについては、Ｓ５０６で決定した処理対象の標本の情報に基づいて設定し、核候補領域パラメータと判定対象領域パラメータについては、検出対象標本数（ｄ）と１標本当たりの標的細胞数を乗じたｂ・ｄから、必要細胞数（ｃ）を減じた余裕度（ｂ・ｄ－ｃ）に基づいて設定することとしてよい。
　画像処理装置２０は、Ｓ５０７で設定した検出パラメータに基づいて、検体から標的細胞を検出する処理を実行する（Ｓ５０８）。標的細胞の検出処理の詳細については、図７に示したフロー図に示した通りであり、第１の実施例と共通するためここでの説明は省略する。
　そして、画像処理装置２０は、処理対象の検体のそれぞれについて標的細胞の検出処理を終えると、各検体について統合後の標的細胞領域に基づいて、標的細胞領域の情報を出力して（Ｓ５０９）、処理を終了する。
　以上説明した第２の実施例に係る処理によれば、処理対象とする検体に含まれる推定の標的細胞数に基づいて、検出処理に利用するパラメータを設定できる。
［３－３．第３の実施例］
　次に、図１０に示したフロー図に基づき、画像処理システム１により実行される第３の実施例に係る処理の詳細について説明する。第３の実施例においては、対象の検体について推定される標的細胞数を用いずに検出パラメータを設定する点で第１の実施例と異なっている。
　図１０に示されるように、画像処理装置２０は、例えば、入力装置５０から入力されたデータに基づいて、対象の検体から生成した標本の数（Ｎ（Ｎは１以上の整数）とする）を設定する（Ｓ６０１）。
　ここで、画像処理装置２０は、対象の検体から生成された複数の標本の中から処理対象とする標本を決定する（Ｓ６０２）。例えば、画像処理装置２０は、対象の検体から生成された複数の標本の全てを処理対象としてもよいし、対象の検体について算出された検出難易度Ｄｆに基づいて処理対象とする標本を決定することとしてもよい。例えば、画像処理装置２０は、検出難易度の範囲に応じて割合を定めておき（具体的には、検出難易度が上がるにつれて割合を高くする）、検出難易度Ｄｆに対応する割合と全標本数との積に基づいて（具体的には得られた積を切り上げにより整数にすることとしてよい）、処理対象とする標本数を決定し、決定した標本数に基づいて処理対象の標本を決定することとしてよい。ここでは、処理対象とする標本数をｄで表す。
　次に、画像処理装置２０は、処理対象とする標本から標的細胞を検出する難易度を示す検出難易度を算出する処理を実行する（Ｓ６０３）。検出難易度の算出処理の詳細については、図６に示したフロー図の通りであり、第１の実施例と共通するためここでの説明は省略する。
　次に、画像処理装置２０は、処理対象とする標本Ｓｉ（ｉ＝１～ｄ）について、Ｓ６０３で算出された検出難易度Ｄｆｉに基づいて、標本Ｓｉの検出パラメータを設定する（Ｓ６０４）。例えば、検出パラメータは、標本の検出対象の当否を示す検出対象フラグ、標本から核候補領域として抽出する画像領域の条件を示す核候補領域パラメータ、標本の画像について設定する判定対象領域の設定条件を示す判定対象領域パラメータを含むこととしてよい。ここで、画像処理装置２０は、例えば、検出対象フラグについては、Ｓ６０３で決定した処理対象の標本の情報に基づいて設定し、核候補領域パラメータと判定対象領域パラメータについては標本Ｓｉについて算出した検出難易度Ｄｆｉに基づいて設定することとしてよい。
　画像処理装置２０は、Ｓ６０４で設定した検出パラメータに基づいて、検体から標的細胞を検出する処理を実行する（Ｓ６０５）。標的細胞の検出処理の詳細については、図７に示したフロー図の通りであり、第１の実施例と共通するためここでの説明は省略する。
　そして、画像処理装置２０は、処理対象の検体のそれぞれについて標的細胞の検出処理を終えると、各検体について統合後の標的細胞領域に基づいて、標的細胞領域の情報を出力して（Ｓ６０６）、処理を終了する。
　以上説明した第３の実施例に係る処理によれば、処理対象とする検体から標的細胞を検出する難易度に基づいて、検出処理に利用するパラメータを設定できる。
　本発明は上記の実施形態に限定されるものではない。例えば、標的細胞領域を統合せずに、標的細胞領域をスコアの順に表示させることとしても構わない。また、画像処理装置２０は、光学顕微鏡１０から検体の撮像画像を取得する場合に限らず、他のコンピュータから検体の撮像画像を取得することとしてもよい。
 
 

Claims (12)

  1. 　対象の検体の特徴に基づいて、該対象の検体に含まれる標的細胞数を推定する推定手段と、
    　前記推定された標的細胞数に基づいて、前記対象の検体の撮像画像から前記標的細胞を検出する処理に関する検出パラメータを設定する設定手段と、を含む
    　画像処理装置。
  2. 　前記検出パラメータは、前記対象の検体から生成される複数の標本のそれぞれについて前記標的細胞が含まれているかを検出する対象とするか否かを定める情報と、
    　前記撮像画像において前記標的細胞領域が含まれているか否かを判定する判定対象領域の設定条件を定める情報と、を含み、
    　前記検出パラメータに基づいて検出の対象とされた標本の撮像画像に対して、該検出パラメータに基づいて設定した判定対象領域に前記標的細胞が含まれるか否かを判定する判定手段を含む
    　請求項１に記載の画像処理装置。
  3. 　前記推定手段により推定された標的細胞数と、前記対象の検体から生成される複数の標本の数に基づき算出した１標本当たりの標的細胞数と、に基づいて、予め定められた閾値以上の標的細胞が含まれる標本の数を決定する決定手段と、
    　前記決定手段により決定した数の標本を前記複数の標本の中から選択する選択手段と、を含み、
    　前記設定手段は、前記選択手段により選択された標本の情報に基づいて前記検出パラメータを設定する
    　請求項２に記載の画像処理装置。
  4. 　前記設定手段は、前記決定手段により決定した標本の数と、前記算出した１標本当たりの標的細胞数と、の積に対する前記閾値の差が小さくなるにつれて、前記判定対象領域が多く設定されるように前記設定条件を設定する
    　請求項３に記載の画像処理装置。
  5. 　前記標本の厚さ、該標本の輝度、該標本の濃度に基づいて、該標本に含まれる標的細胞数を検出する難易度を示す検出難易度を算出する難易度算出手段を含み、
    　前記設定手段は、前記算出された検出難易度に基づいて前記検出パラメータを設定する　請求項２乃至４のいずれかに記載の画像処理装置。
  6. 　前記設定手段は、前記検出難易度が高い程、前記判定対象領域が多く設定されるように前記設定条件を設定する
    　請求項５に記載の画像処理装置。
  7. 　前記難易度算出手段は、前記標本の厚さの均一性が高い程、前記検出難易度を低く算出し、前記標本に含まれる核の輝度が低い程、前記検出難易度を低く算出し、
    　前記標本に含まれる予め定めた濃度よりも薄い画素の割合が高い程、前記検出難易度を高く算出する
    　請求項５又は６に記載の画像処理装置。
  8. 　前記標的細胞が含まれると判定された互いに少なくとも一部が重なる複数の判定対象領域がある場合に、前記判定手段により前記標的細胞が含まれる可能性が最も高いと判定された判定対象領域に該複数の判定対象領域を統合する統合手段を含む
    　請求項２乃至７のいずれかに記載の画像処理装置。
  9. 　前記検体は母体血であり、
    　前記標的細胞は、有核赤血球であり、
    　前記検体の特徴は、母体の年齢、病歴、妊娠週数の少なくともいずれかを含み、
    　前記検体の特徴に基づく分類ごとに単位血液量当たりの基準の有核赤血球数が定められており、
    　前記推定手段は、前記対象の検体の特徴に応じた分類について定められた基準の有核赤血球数と、該対象の検体の血液量に基づいて、該対象の検体に含まれる有核赤血球数と、を推定する
    　請求項１乃至８のいずれかに記載の画像処理装置。
  10. 　対象の検体の特徴に基づいて、該対象の検体に含まれる標的細胞数を推定する推定手段と、
    　前記推定された標的細胞数に基づいて、前記対象の検体の撮像画像から前記標的細胞を検出する処理に関する検出パラメータを設定する設定手段と、
    　としてコンピュータを機能させるためのプログラム。
  11. 　対象の検体の特徴に基づいて、該対象の検体に含まれる標的細胞数を推定する推定手段と、
    　前記推定された標的細胞数に基づいて、前記対象の検体の撮像画像から前記標的細胞を検出する処理に関する検出パラメータを設定する設定手段と、
    　としてコンピュータを機能させるためのプログラムを記録した情報記憶媒体。
  12. 　対象の検体の特徴に基づいて、該対象の検体に含まれる標的細胞数を推定する推定ステップと、
    　前記推定された標的細胞数に基づいて、前記対象の検体の撮像画像から前記標的細胞を検出する処理に関する検出パラメータを設定する設定ステップと、を含む
    　画像処理方法。
PCT/JP2014/071596 2013-12-27 2014-08-19 画像処理装置、プログラム、情報記憶媒体、及び画像処理方法 WO2015098177A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP14873584.8A EP3088511B1 (en) 2013-12-27 2014-08-19 Image processing device, program, information storage medium, and image processing method
CN201480055887.2A CN105612249B (zh) 2013-12-27 2014-08-19 图像处理装置、程序、信息存储介质和图像处理方法
US15/062,866 US10169861B2 (en) 2013-12-27 2016-03-07 Image processing apparatus, non-transitory computer readable medium, and image processing method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013271140A JP6194791B2 (ja) 2013-12-27 2013-12-27 画像処理装置及びプログラム
JP2013-271140 2013-12-27

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/062,866 Continuation US10169861B2 (en) 2013-12-27 2016-03-07 Image processing apparatus, non-transitory computer readable medium, and image processing method

Publications (1)

Publication Number Publication Date
WO2015098177A1 true WO2015098177A1 (ja) 2015-07-02

Family

ID=53478066

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/071596 WO2015098177A1 (ja) 2013-12-27 2014-08-19 画像処理装置、プログラム、情報記憶媒体、及び画像処理方法

Country Status (5)

Country Link
US (1) US10169861B2 (ja)
EP (1) EP3088511B1 (ja)
JP (1) JP6194791B2 (ja)
CN (1) CN105612249B (ja)
WO (1) WO2015098177A1 (ja)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9522396B2 (en) 2010-12-29 2016-12-20 S.D. Sight Diagnostics Ltd. Apparatus and method for automatic detection of pathogens
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
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
WO2017195205A1 (en) 2016-05-11 2017-11-16 S.D. Sight Diagnostics Ltd Sample carrier for optical measurements
WO2017195208A1 (en) 2016-05-11 2017-11-16 S.D. Sight Diagnostics Ltd Performing optical measurements on a sample
JP6938270B2 (ja) * 2017-08-09 2021-09-22 キヤノン株式会社 情報処理装置および情報処理方法
US11004209B2 (en) * 2017-10-26 2021-05-11 Qualcomm Incorporated Methods and systems for applying complex object detection in a video analytics system
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
JP7337557B2 (ja) * 2019-06-14 2023-09-04 キヤノン株式会社 情報処理装置、システム、情報処理方法及びプログラム
WO2022201881A1 (ja) * 2021-03-25 2022-09-29 日本電気株式会社 スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002214228A (ja) * 2001-01-12 2002-07-31 Matsushita Electric Ind Co Ltd 生体試料の評価装置および評価方法
JP2003504627A (ja) * 1999-07-13 2003-02-04 クロマビジョン メディカル システムズ インコーポレイテッド 生物試料中の物体の自動検出
JP2010216920A (ja) * 2009-03-16 2010-09-30 Olympus Corp 細胞画像解析装置
JP2011177063A (ja) * 2010-02-26 2011-09-15 Hitachi Plant Technologies Ltd 細胞計測方法および装置
JP2012254042A (ja) 2011-06-09 2012-12-27 Fuji Xerox Co Ltd 画像処理装置、プログラム及び画像処理システム
JP2013027368A (ja) * 2011-07-29 2013-02-07 Nikon Corp 培養情報処理装置、培養状態評価装置、細胞培養方法およびプログラム

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2236268A1 (en) 1995-11-30 1997-06-05 Chromavision Medical Systems, Inc. Method and apparatus for automated image analysis of biological specimens
US6929953B1 (en) * 1998-03-07 2005-08-16 Robert A. Levine Apparatus for analyzing biologic fluids
US20080241848A1 (en) * 1998-05-09 2008-10-02 Ikonisys, Inc. Methods for prenatal diagnosis of aneuploidy
US6320174B1 (en) * 1999-11-16 2001-11-20 Ikonisys Inc. Composing microscope
EP1122661A1 (en) * 2000-01-31 2001-08-08 Brainpower S.A. Improvements relating to data distribution
US7113624B2 (en) * 2002-10-15 2006-09-26 Palo Alto Research Center Incorporated Imaging apparatus and method employing a large linear aperture
US7050613B2 (en) * 2002-11-07 2006-05-23 Fujitsu Limited Method for supporting cell image analysis
JP4346923B2 (ja) * 2003-02-21 2009-10-21 晴夫 高林 標的細胞自動探索システム
JP4515332B2 (ja) * 2005-05-30 2010-07-28 オリンパス株式会社 画像処理装置及び対象領域追跡プログラム
JP4921858B2 (ja) * 2006-06-07 2012-04-25 オリンパス株式会社 画像処理装置および画像処理プログラム
JP4911172B2 (ja) * 2006-07-12 2012-04-04 東洋紡績株式会社 分析装置及びその利用
JP2008124885A (ja) * 2006-11-14 2008-05-29 Sony Corp 撮像システム、撮像方法
US20100267059A1 (en) * 2009-04-20 2010-10-21 Jacobson James W Immunodeficiency screening at point of care
EP2453005B1 (en) * 2009-07-08 2019-09-04 Nikon Corporation Cell picking-assisting device
CN101949819B (zh) * 2010-09-16 2013-05-01 北京优纳科技有限公司 一种基于图像识别的细胞计数方法
CN102411715A (zh) * 2010-09-21 2012-04-11 张云超 有监督学习功能的细胞图像自动分类方法和系统
US9354155B2 (en) * 2011-05-31 2016-05-31 Bio-Rad Laboratories, Inc. Cell counting systems and methods
JP5333570B2 (ja) * 2011-12-21 2013-11-06 富士ゼロックス株式会社 画像処理装置、プログラム及び画像処理システム
JP5413501B1 (ja) * 2012-12-07 2014-02-12 富士ゼロックス株式会社 画像処理装置、画像処理システム及びプログラム
JP6156137B2 (ja) * 2013-12-27 2017-07-05 富士ゼロックス株式会社 画像処理装置及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003504627A (ja) * 1999-07-13 2003-02-04 クロマビジョン メディカル システムズ インコーポレイテッド 生物試料中の物体の自動検出
JP2002214228A (ja) * 2001-01-12 2002-07-31 Matsushita Electric Ind Co Ltd 生体試料の評価装置および評価方法
JP2010216920A (ja) * 2009-03-16 2010-09-30 Olympus Corp 細胞画像解析装置
JP2011177063A (ja) * 2010-02-26 2011-09-15 Hitachi Plant Technologies Ltd 細胞計測方法および装置
JP2012254042A (ja) 2011-06-09 2012-12-27 Fuji Xerox Co Ltd 画像処理装置、プログラム及び画像処理システム
JP2013027368A (ja) * 2011-07-29 2013-02-07 Nikon Corp 培養情報処理装置、培養状態評価装置、細胞培養方法およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3088511A4

Also Published As

Publication number Publication date
US20160189378A1 (en) 2016-06-30
JP2015123047A (ja) 2015-07-06
EP3088511A4 (en) 2017-09-13
CN105612249A (zh) 2016-05-25
EP3088511A1 (en) 2016-11-02
JP6194791B2 (ja) 2017-09-13
CN105612249B (zh) 2017-12-19
US10169861B2 (en) 2019-01-01
EP3088511B1 (en) 2020-12-30

Similar Documents

Publication Publication Date Title
JP6194791B2 (ja) 画像処理装置及びプログラム
US9704017B2 (en) Image processing device, program, image processing method, computer-readable medium, and image processing system
WO2014030380A1 (ja) 画像処理装置、プログラム、画像処理方法及びコンピュータ読み取り媒体並びに画像処理システム
US9684958B2 (en) Image processing device, program, image processing method, computer-readable medium, and image processing system
JP5333570B2 (ja) 画像処理装置、プログラム及び画像処理システム
JP6197659B2 (ja) 検出制御装置、プログラム及び検出システム
WO2014192184A1 (ja) 画像処理装置、画像処理方法、プログラム、及び記憶媒体
JP6070420B2 (ja) 画像処理装置及びプログラム
WO2014196097A1 (ja) 画像処理システム、画像処理装置、プログラム、記憶媒体及び画像処理方法
JP6156137B2 (ja) 画像処理装置及びプログラム
JP5907125B2 (ja) 画像処理装置、プログラム及び画像処理システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14873584

Country of ref document: EP

Kind code of ref document: A1

REEP Request for entry into the european phase

Ref document number: 2014873584

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2014873584

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE