WO2022004198A1 - 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム - Google Patents

病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム Download PDF

Info

Publication number
WO2022004198A1
WO2022004198A1 PCT/JP2021/019793 JP2021019793W WO2022004198A1 WO 2022004198 A1 WO2022004198 A1 WO 2022004198A1 JP 2021019793 W JP2021019793 W JP 2021019793W WO 2022004198 A1 WO2022004198 A1 WO 2022004198A1
Authority
WO
WIPO (PCT)
Prior art keywords
region
pathological diagnosis
evaluation information
fibrosis
fibrotic
Prior art date
Application number
PCT/JP2021/019793
Other languages
English (en)
French (fr)
Inventor
俊弼 富永
Original Assignee
富士フイルム株式会社
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 富士フイルム株式会社 filed Critical 富士フイルム株式会社
Priority to JP2022533741A priority Critical patent/JP7436666B2/ja
Priority to CN202180045590.8A priority patent/CN115769073A/zh
Priority to EP21833599.0A priority patent/EP4177605A4/en
Publication of WO2022004198A1 publication Critical patent/WO2022004198A1/ja
Priority to US18/146,030 priority patent/US20230125525A1/en

Links

Images

Classifications

    • 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
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/08—Hepato-biliairy disorders other than hepatitis
    • G01N2800/085—Liver diseases, e.g. portal hypertension, fibrosis, cirrhosis, bilirubin
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the technology of the present disclosure relates to a pathological diagnosis support device, an operation method of the pathological diagnosis support device, and an operation program of the pathological diagnosis support device.
  • a pathologist observes a specimen collected from a living tissue under a microscope and visually evaluates the degree of fibrosis.
  • a pathologist observes a specimen collected from a living tissue under a microscope and visually evaluates the degree of fibrosis.
  • an evaluation method imposes a heavy burden on the pathologist.
  • the evaluation may change depending on the skill level of the pathologist.
  • Non-Patent Document 1 an image of a sample (hereinafter referred to as a sample image) is image-analyzed by a computer to detect a fibrotic region, and an area occupancy rate of the fibrotic region is derived for pathology.
  • a method of presenting to a user such as a doctor has been proposed.
  • Non-Patent Document 1 uses a specimen image of a specimen in which a fibrotic region is stained with a dye such as Sirius red. Then, the fibrous region is detected by comparing the pixel values of each RGB (Red, Green, Blue) color channel of the sample image with the threshold value set in advance by the user.
  • RGB Red, Green, Blue
  • the fibrotic region is not uniformly dyed in the same color by dyeing with a dye such as sirius red.
  • a dye such as sirius red.
  • the hue changes depending on the surrounding environment such as the density of the pigment or the temperature and humidity.
  • the hue changes depending on the device for taking the sample image. Therefore, the method of detecting the fibrotic region by a simple comparison between the pixel value of each RGB color channel of the sample image and the threshold value as in Non-Patent Document 1 has low detection accuracy of the fibrotic region.
  • the pathological diagnosis support device of the present disclosure includes at least one processor, in which the processor is a sample image of a sample of a living tissue stained with a dye, and pixels of a plurality of color channels.
  • the processor is a sample image having a value is acquired, and a fibrotic region of a living tissue is detected by comparing the ratio of the pixel values of two color channels among a plurality of color channels with a preset threshold value, and the detected fibrosis. Based on the chemical region, evaluation information indicating the degree of fibrosis of living tissue is derived, and the evaluation information is output.
  • the processor calculates the ratio of the pixel values of the two color channels corresponding to the two color regions having a relatively large difference in absorption rate in the absorption spectrum of the dye.
  • the processor derives the evaluation information separately for the perivascular region including the perimeter of the blood vessel passing through the living tissue and the non-perivascular region other than the perivascular region.
  • the specimen was taken from the liver, and the processor derives evaluation information separately for the pericentral vein region including the perimeter of the central vein passing through the liver and the non-vascular perivascular region.
  • the processor preferably derives numerical values for at least one of the area and length of the fibrotic region as evaluation information.
  • the processor performs compression processing on the acquired sample image and then detects the fibrotic region.
  • the method of operating the pathological diagnosis support device of the present disclosure is a sample image of a sample of a living tissue stained with a dye, an acquisition process for acquiring a sample image having pixel values of a plurality of color channels, and a plurality of colors.
  • the processor executes a derivation process for deriving evaluation information indicating the degree of fibrosis and an output process for outputting the evaluation information.
  • the operation program of the pathological diagnosis support device of the present disclosure is a sample image of a specimen of a living tissue stained with a dye, an acquisition process for acquiring a sample image having pixel values of a plurality of color channels, and a plurality of colors.
  • the processor is made to execute the derivation process for deriving the evaluation information indicating the degree of fibrosis and the output process for outputting the evaluation information.
  • a pathological diagnosis support device an operation method of the pathological diagnosis support device, and an operation program of the pathological diagnosis support device capable of improving the detection accuracy of the fibrotic region.
  • FIG. 29A is a diagram showing another example of the evaluation information of the third embodiment
  • FIG. 29A is an evaluation information including an area occupancy rate and a length ratio of a fibrotic region in the portal vein peripheral region
  • FIG. The evaluation information including the number of the number and the number of PC bridging is shown respectively.
  • the pathological diagnosis is performed, for example, through the following steps.
  • a biopsy needle 10 is pierced into the liver LV from outside the body of patient P, and an elongated sample 11 is collected from the liver LV.
  • the sample 11 is embedded in paraffin, it is sliced into a plurality of sections 12 by a microtome, and the sliced sections 12 are attached to the glass 13.
  • the paraffin is removed, the section 12 is stained with a dye, and the stained section 12 is covered with a cover glass 14 to complete the specimen 20.
  • Sirius Red is used as the dye.
  • the liver LV is an example of "living tissue" according to the technique of the present disclosure.
  • Each specimen 20 is set in an imaging device (not shown) such as a digital optical microscope and photographed.
  • the sample image 21 of each sample 20 thus obtained is input to the pathological diagnosis support device 25 as the sample image group 21G.
  • a patient ID (Identification Data) for uniquely identifying the patient P, a shooting date and time, and the like are attached to the sample image 21.
  • the sample image 21 is a full-color image.
  • the pixel value is, for example, a numerical value in the range of 0 to 255.
  • the sample image 21 shows the sample 20 including the section 12.
  • Section 12 has a vascular region 32 and a parenchymal region 33.
  • the vascular region 32 is a region of blood vessels passing through the liver LV, such as the portal vein and the central vein.
  • the vascular region 32 is hollow in section 12.
  • the parenchymal region 33 is a region in which hepatocytes of liver LV are present.
  • fibrotic regions 35 are present in places of the perivascular region 36, which is the region surrounding the blood vessel region 32, and the parenchymal region 33.
  • a fibrotic region 35 connecting the two blood vessels that is, crosslinkable fibrosis, is also seen so as to be surrounded by the frame 37 of the two-dot chain line.
  • Crosslinkable fibrosis is called PP bridging when the two blood vessels are both in the area of the portal vein and PC bridging when the two blood vessels are in the portal vein and the central vein.
  • the pathological diagnosis support device 25 is, for example, a desktop personal computer, and has a display 40 and an input device 41.
  • the input device 41 is a keyboard, a mouse, a touch panel, or the like.
  • the pathological diagnosis support device 25 analyzes the sample image 21 and detects the fibrotic region 35. Then, the evaluation information 71 (see FIG. 3 and the like) such as the area occupancy of the fibrosis region 35 is derived, and the evaluation information 71 is displayed on the display 40.
  • the computer constituting the pathological diagnosis support device 25 includes a storage device 45, a memory 46, a CPU (Central Processing Unit) 47, and a communication unit 48 in addition to the display 40 and the input device 41 described above. .. These are interconnected via a bus line 49.
  • a storage device 45 a memory 46, a CPU (Central Processing Unit) 47, and a communication unit 48 in addition to the display 40 and the input device 41 described above. ..
  • a CPU Central Processing Unit
  • the storage device 45 is a hard disk drive built in the computer constituting the pathological diagnosis support device 25, or connected via a cable or a network. Alternatively, the storage device 45 is a disk array in which a plurality of hard disk drives are connected. The storage device 45 stores control programs such as an operating system, various application programs, and various data associated with these programs. A solid state drive may be used instead of the hard disk drive.
  • the memory 46 is a work memory for the CPU 47 to execute a process.
  • the CPU 47 comprehensively controls each part of the computer by loading the program stored in the storage device 45 into the memory 46 and executing the processing according to the program.
  • the communication unit 48 is a network interface that controls transmission of various information via a network such as a LAN (Local Area Network).
  • the display 40 displays various screens.
  • the computer constituting the pathological diagnosis support device 25 receives input of an operation instruction from the input device 41 through various screens.
  • the operation program 55 is stored in the storage device 45 of the pathological diagnosis support device 25.
  • the operation program 55 is an application program for making the computer function as the pathological diagnosis support device 25. That is, the operation program 55 is an example of the "operation program of the pathological diagnosis support device" according to the technique of the present disclosure.
  • the storage device 45 also stores the sample image group 21G, the threshold value TH, and the like.
  • the CPU 47 of the computer constituting the pathological diagnosis support device 25 cooperates with the memory 46 and the like to read / write (hereinafter abbreviated as RW (Read Write)) control unit 60 and receive instructions. It functions as a unit 61, a detection unit 62, a derivation unit 63, and a display control unit 64.
  • the CPU 47 is an example of a "processor" according to the technique of the present disclosure.
  • the RW control unit 60 controls the storage of various data in the storage device 45 and the reading of various data in the storage device 45.
  • the RW control unit 60 receives the sample image group 21G transmitted from the photographing device and stores it in the storage device 45. Further, the RW control unit 60 reads out the sample image group 21G in which the user's instruction for image analysis via the input device 41 is received by the instruction reception unit 61 from the storage device 45, and the detection unit 62, the derivation unit 63, and the derivation unit 63. Output to the display control unit 64. That is, the RW control unit 60 is responsible for the "acquisition process" according to the technique of the present disclosure. The user gives an instruction for image analysis via the input device 41, for example, by inputting and designating the patient ID and the shooting date and time attached to the sample image 21.
  • the RW control unit 60 reads the threshold value TH from the storage device 45 and outputs it to the detection unit 62.
  • the instruction receiving unit 61 receives various instructions by the user via the input device 41.
  • the various instructions include the aforementioned image analysis instructions.
  • the detection unit 62 detects the fibrosis region 35 from each of the plurality of sample images 21 constituting the sample image group 21G based on the threshold value TH. That is, the detection unit 62 is responsible for the "detection process" according to the technique of the present disclosure.
  • the detection unit 62 outputs the detection result 70 of the fibrosis region 35 to the derivation unit 63 and the display control unit 64.
  • the derivation unit 63 derives evaluation information 71 indicating the degree of fibrosis of liver LV based on the detection result 70. That is, the out-licensing unit 63 is responsible for the "deriving process" according to the technique of the present disclosure.
  • the derivation unit 63 outputs the evaluation information 71 to the display control unit 64.
  • the display control unit 64 controls to display various screens on the display 40.
  • the various screens include an analysis result display screen 90 (see FIG. 12) showing the result of image analysis.
  • the display control unit 64 generates an analysis result display screen 90 based on the sample image group 21G, the detection result 70, and the evaluation information 71.
  • the detection unit 62 calculates the ratio PV_R / PV_G of the pixel value PV_G of the G channel corresponding to the G region and the pixel value PV_R of the R channel corresponding to the R region for each pixel 30 of the sample image 21.
  • the detection unit 62 logarithmically converts the ratio PV_R / PV_G into a log (PV_R / PV_G) in order to make the numerical value easy to handle by a computer (see FIG. 5). It should be noted that the ratio PV_G / PV_R may be calculated by reversing the denominator and the numerator instead of the ratio PV_R / PV_G.
  • the detection unit 62 compares the magnitude of the log (PV_R / PV_G) with the threshold value TH.
  • the detection unit 62 detects the pixel 30 whose log (PV_R / PV_G) is equal to or higher than the threshold value TH as the fibrosis region 35.
  • the detection unit 62 detects the pixel 30 whose log (PV_R / PV_G) is less than the threshold value TH as a non-fibrotic region.
  • the threshold value TH is a value empirically obtained from past findings.
  • the detection unit 62 outputs the binarized image 80 as the detection result 70.
  • the derivation unit 63 derives a numerical value relating to at least one of the area and the length of the fibrosis region 35 as the evaluation information 71. More specifically, the evaluation information 71 includes the area occupancy of the fibrotic region 35 and the length ratio of the fibrotic region 35.
  • the area occupancy of the fibrotic region 35 is a value obtained by dividing the area of the fibrotic region 35 by the area of the section 12.
  • the length ratio of the fibrotic region 35 is a value obtained by dividing the length of the fibrotic region 35 by the area of the section 12.
  • the derivation unit 63 detects a region (hereinafter referred to as a section region) 82 of each section 12 of the plurality of sample images 21 constituting the sample image group 21G (step ST10). For example, the derivation unit 63 determines that the portion where the difference between the pixel values of the two adjacent pixels 30 is equal to or greater than the threshold value is the boundary between the section 12 and the glass 13 outside the section 12, and detects the inside of the boundary as the section region 82. ..
  • the derivation unit 63 derives the area of the section 12 reflected in each sample image 21 by counting the number of pixels of the pixels 30 existing in the section area 82 of each sample image 21 (step ST11). Further, the derivation unit 63 derives the area of the fibrosis region 35 by counting the number of pixels of the pixels 30 existing in the fibrosis region 35 of each binarized image 80 corresponding to each sample image 21 (step). ST12).
  • the derivation unit 63 exists in the section region 82 of each sample image 21 counted in step ST11 the number of pixels of the pixels 30 existing in the fibrous region 35 of each binarized image 80 counted in step ST12. By dividing by the number of pixels of the pixel 30, the area occupancy of the fibrous region 35 is derived (step ST13).
  • Steps ST10 and ST11 show a procedure for deriving the length ratio of the fibrosis region 35 in the deriving unit 63.
  • Steps ST10 and ST11 are the same as the procedure for deriving the area occupancy of the fibrotic region 35 shown in FIGS. 8 and 9.
  • the derivation unit 63 After deriving the area of the intercept 12 reflected in each sample image 21 in step ST11, the derivation unit 63 performs a thinning process on the fibrotic region 35 of each binarized image 80 corresponding to each sample image 21 (.
  • Step ST20 The thinning process is a process of converting the fibrotic region 35 into a line 83 having a width of 1 pixel passing through the center of the width of the fibrotic region 35.
  • the derivation unit 63 derives the length of the fibrosis region 35 by counting the number of pixels of the pixel 30 of the fibrosis region 35 after the thinning process, that is, the number of pixels of the pixels 30 constituting the line 83. (Step ST21). At this time, as shown in the frame 84A of the alternate long and short dash line, the out-licensing unit 63 counts the number of pixels of the pixels 30 connected vertically, horizontally, and diagonally as 1. Alternatively, as shown in the frame 84B of the alternate long and short dash line, the derivation unit 63 sets the number of pixels of the pixels 30 connected vertically and horizontally among the pixels 30 constituting the line 83 to 1, and the number of pixels of the pixels 30 diagonally connected. Is counted as ⁇ 2. As for the length of the fibrotic region 35, the method shown in the frame 84B is more accurate.
  • the derivation unit 63 counts the number of pixels of the pixels 30 of the fibrosis region 35 after the thinning process counted in step ST21, and the pixels of the pixels 30 existing in the section region 82 of each sample image 21 counted in step ST11. By dividing by a number, the length ratio of the fibrotic region 35 is derived (step ST22).
  • FIG. 12 shows an analysis result display screen 90 displayed on the display 40 under the control of the display control unit 64.
  • a sample image 21 in which the fibrosis region 35 detected by the detection unit 62 is filled with blue is displayed.
  • the display of the sample image 21 can be switched by operating the frame back button 91A and the frame advance button 91B.
  • Evaluation information 71 is displayed at the bottom of the analysis result display screen 90. That is, the display control unit 64 is responsible for the "output processing" according to the technique of the present disclosure.
  • a confirmation button 92 is provided next to the evaluation information 71.
  • the display control unit 64 turns off the display of the analysis result display screen 90.
  • the sample image 21 in which the fibrosis region 35 is color-coded and the evaluation information 71 can be stored in the storage device 45 according to the user's instruction.
  • the CPU 47 of the pathological diagnosis support device 25 includes a RW control unit 60, an instruction reception unit 61, a detection unit 62, and a derivation unit. It functions as 63 and a display control unit 64.
  • the RW control unit 60 reads out the sample image group 21G instructed by the user to analyze the image from the storage device 45 (step ST100).
  • the sample image group 21G is output from the RW control unit 60 to the detection unit 62, the derivation unit 63, and the display control unit 64. Further, the RW control unit 60 reads out the threshold value TH from the storage device 45 and outputs the threshold value TH to the detection unit 62.
  • step ST100 is an example of "acquisition processing" according to the technique of the present disclosure.
  • the ratio PV_R / PV_G of the pixel value PV_G of the G channel and the pixel value PV_R of the R channel is calculated for each pixel 30 of the sample image 21 (step ST110).
  • the magnitude of the logarithmic log (PV_R / PV_G) of the ratio PV_R / PV_G and the threshold value TH is compared.
  • step ST120 the pixel 30 whose log (PV_R / PV_G) is equal to or higher than the threshold value TH is detected as the fibrotic region 35, and the pixel 30 whose log (PV_R / PV_G) is less than the threshold value TH is detected as the non-fibrotic region (step ST120).
  • the detection unit 62 generates the binarized image 80 shown in FIG. 6 as the detection result 70 of the fibrosis region 35.
  • the detection result 70 is output from the detection unit 62 to the derivation unit 63 and the display control unit 64.
  • step ST120 is an example of "detection processing" according to the technique of the present disclosure.
  • the derivation unit 63 derives the area occupancy of the fibrosis region 35 and the length ratio of the fibrosis region 35 as evaluation information 71 (step ST130).
  • the evaluation information 71 is output from the derivation unit 63 to the display control unit 64.
  • step ST130 is an example of the "derivation process" according to the technique of the present disclosure.
  • step ST140 Under the control of the display control unit 64, the analysis result display screen 90 shown in FIG. 12 is displayed on the display 40 (step ST140). As a result, the fibrosis region 35 and the evaluation information 71 are presented to the user. The user grasps the degree of fibrosis of the liver LV of the patient P to be diagnosed by the analysis result display screen 90. Note that step ST140 is an example of "output processing" according to the technique of the present disclosure.
  • the pathological diagnosis support device 25 includes a RW control unit 60, a detection unit 62, a derivation unit 63, and a display control unit 64.
  • the RW control unit 60 acquires a sample image 21 showing a sample 20 of the liver LV stained with Sirius Red by reading it from the storage device 45.
  • the detection unit 62 compares the ratio PV_R / PV_G of the pixel values PV_G and PV_R of the G channel and the R channel among the three RGB color channels of the sample image 21 with the preset threshold value TH, and determines the liver LV.
  • the fibrotic region 35 of the liver is detected.
  • the derivation unit 63 derives the evaluation information 71 indicating the degree of fibrosis of the liver LV based on the detected fibrosis region 35.
  • the display control unit 64 outputs the evaluation information 71 by displaying the analysis result display screen 90 including the evaluation information 71 on the display 40.
  • the ratio PV_R / PV_G is more robust than the pixel values PV_G and PV_R itself with respect to changes in dyeing hue due to differences in the density of Sirius red, the surrounding environment, the imaging device of the sample image 21, and the like. Therefore, it is possible to improve the detection accuracy of the fibrotic region 35. For this reason, the fibrotic region 35, which has been interrupted and detected due to the low detection accuracy of the fibrotic region 35, although it is actually crosslinked fibrosis, is surely regarded as crosslinkable fibrosis. Can be done.
  • the detection unit 62 calculates the ratio PV_R / PV_G of the pixel values PV_G and PV_R of the G channel and the R channel corresponding to the G region and the R region where the difference in absorption rate is relatively large in the absorption spectrum 75 of Sirius Red. Therefore, the dynamic range of the ratio can be widened, and the detection accuracy of the fibrosis region 35 can be further improved.
  • the derivation unit 63 is a numerical value relating to at least one of the area and the length of the fibrosis region 35, specifically, the area occupancy ratio of the fibrosis region 35 and the length ratio of the fibrosis region 35. Is derived. Therefore, the degree of fibrosis of liver LV can be objectively evaluated. When the numerical value regarding the length of the fibrotic region 35 is relatively large, it can be estimated that fibrosis has progressed to a relatively wide range of the liver LV.
  • the pigment is not limited to the exemplified Sirius Red.
  • iron hematoxylin, ponsoxylysine, fuchsin acid, and aniline blue used for Masson's trichrome staining may be used.
  • the dye used for Masson's trichrome staining as shown in the absorption spectrum 95 of FIG. 14, the absorption rate in the G region is relatively high, and the absorption rate in the B region and the R region is relatively low. .. Further, there is almost no difference in the absorption rates of the B region and the R region.
  • the detection unit 62 has the ratio PV_B / PV_G of the pixel value PV_B of the B channel corresponding to the B region and the pixel value PV_G of the G channel corresponding to the G region, and the pixels of the G channel corresponding to the G region.
  • the ratio PV_R / PV_G of the value PV_G and the pixel value PV_R of the R channel corresponding to the R region is calculated for each pixel 30 of the sample image 21.
  • the detection unit 62 logarithmically converts the ratio PV_B / PV_G into a log (PV_B / PV_G), and logarithmically converts the ratio PV_R / PV_G into a log (PV_R / PV_G) (see FIG. 15).
  • the ratio PV_G / PV_B and the ratio PV_G / PV_R may be calculated.
  • the detection unit 62 compares the magnitude of the log (PV_B / PV_G) with the first threshold value TH1. Further, the detection unit 62 compares the magnitude of the log (PV_R / PV_G) with the second threshold value TH2. The detection unit 62 detects pixels 30 having a log (PV_B / PV_G) of the first threshold value TH1 or higher and a log (PV_R / PV_G) of the second threshold value TH2 or higher as the fibrosis region 35.
  • the detection unit 62 detects the pixel 30 whose log (PV_B / PV_G) is less than the first threshold value TH1 or whose log (PV_R / PV_G) is less than the second threshold value TH2 as a non-fibrotic region.
  • the first threshold value TH1 and the second threshold value TH2 are values empirically obtained from past findings, as in the case of the threshold value TH.
  • the ratio of the pixel values of the two color channels calculated to detect the fibrosis region 35 is not limited to one type.
  • the pixel 30 having a log (PV_B / PV_G) of less than the first threshold value TH1 and a log (PV_R / PV_G) of less than the second threshold value TH2 is detected as a non-fibrotic region, and the log (PV_B / PV_G) is the first.
  • a pixel 30 having a threshold value TH1 or higher or a log (PV_R / PV_G) of a second threshold value TH2 or higher may be detected as the fibrous region 35.
  • the evaluation information 71 is not limited to the area occupancy rate of the fibrosis region 35 exemplified above and the length ratio of the fibrosis region 35.
  • the area occupancy of the fibrosis region 35 is changed to five levels indicating the degree of fibrosis with reference to Table 97 shown in FIG. 16, and the level is derived as evaluation information 101 (see FIG. 17). You may.
  • the levels corresponding to the range of the area occupancy of the fibrotic region 35 are registered. For example, when the area occupancy of the fibrotic region 35 is 0% or more and less than 5%, level 0 is registered, when it is 20% or more and less than 30%, level 3 is registered, and when it is 30% or more, level 4 is registered.
  • the table 97 is stored in the storage device 45, is read out by the RW control unit 60, and is output to the derivation unit 63.
  • FIG. 17 shows an analysis result display screen 100 in which a level indicating the degree of fibrosis is displayed as evaluation information 101.
  • the stage of a known fibrosis evaluation index such as the new Inuyama classification and the METAVIR score may be derived and output as the evaluation information 106.
  • Each stage of the new Inuyama classification and the METAVIR score is derived from an estimation formula that solves the stage, for example, using the area occupancy rate of the fibrosis region 35 and the length ratio of the fibrosis region 35 as parameters.
  • NAS Non-Alcoholic Fatty Liver Disease; non-alcoholic fatty liver disease activity score
  • the like may be derived and output as evaluation information.
  • the evaluation information 113 is derived separately for the perivascular region 36 and the non-perivascular region 115 other than the perivascular region 36.
  • the CPU of the pathological diagnosis support device of the second embodiment is in addition to the respective units 60 to 64 of the first embodiment (in FIG. 19, the derivation unit 63 and the display control unit 64 are not shown).
  • the extraction unit 110 extracts the perivascular region 36 and the non-perivascular region 115 from each specimen image 21 constituting the specimen image group 21G by using the machine learning model 111.
  • the machine learning model 111 is a convolutional neural network such as U-Net (U-Shaped Neural Network), SegNet, ResNet (Residal Network), and DenseNet (Densely Connected Convolutional Network).
  • the machine learning model 111 is stored in the storage device 45, is read out by the RW control unit 60, and is output to the extraction unit 110.
  • the machine learning model 111 uses the sample image 21 as an input image, and as shown in FIG. 20, for example, a binarized image in which the pixel 30 in the perivascular region 36 is replaced with white and the pixel 30 in the non-perivascular region 115 is replaced with black. This is a model to be used as an output image.
  • the machine learning model 111 extracts a region surrounding the blood vessel region 32, for example, a region having a width of about 20 pixels, as the blood vessel peripheral region 36. Further, the machine learning model 111 extracts the pixels 30 of the section 12 other than the pixels 30 extracted as the perivascular region 36 as the non-perivascular region 115. Therefore, the non-perivascular region 115 includes the vascular region 32 and most of the parenchymal region 33.
  • the machine learning model 111 is learned by using a plurality of pairs of a sample image 21 for learning and a correct answer image in which the blood vessel peripheral region 36 of the sample image 21 for learning is designated by the user.
  • the extraction unit 110 extracts a binarized image in which the pixel 30 of the blood vessel peripheral region 36 is replaced with white and the pixel 30 of the non-blood vessel peripheral region 115 is replaced with black as the extraction result 112, and the extraction unit 63 and the display control unit 64. Output to.
  • the derivation unit 63 uses the area occupancy rate of the fibrosis region 35 in the perivascular region 36 and the perivascular region 36 as evaluation information 113.
  • the length ratio of the fibrotic region 35 in the above is derived.
  • the derivation unit 63 derives the area occupancy rate of the fibrotic region 35 in the non-vascular peripheral region 115 and the length ratio of the fibrotic region 35 in the non-vascular peripheral region 115 as the evaluation information 113.
  • the area occupancy of the fibrous region 35 in the perivascular region 36 is determined by counting the number of pixels of the pixels 30 existing in the fibrous region 35 in the perivascular region 36 in step ST12 shown in FIGS. 8 and 9. It is derived by dividing by the number of pixels of the pixels 30 existing in the section region 82 of each sample image 21 counted in step ST11.
  • the length ratio of the fibrotic region 35 in the perivascular region 36 counts the number of pixels 30 of the fibrotic region 35 in the perivascular region 36 after the thinning treatment in step ST21 shown in FIGS. 10 and 11. This is derived by dividing by the number of pixels of the pixels 30 existing in the section region 82 of each sample image 21 counted in step ST11.
  • the area occupancy of the fibrotic region 35 in the non-perivascular region 115 and the length ratio of the fibrotic region 35 in the non-perivascular region 115 are the same.
  • the display control unit 64 displays the analysis result display screen 120 shown in FIG. 21 on the display 40.
  • the fibrotic region 35 in the perivascular region 36 is, for example, green
  • the fibrotic region 35 in the non-perivascular region 115 is, for example, blue.
  • the filled specimen image 21 is displayed. Further, as the evaluation information 113, the area occupancy rate and the length ratio of the fibrotic region 35 in the perivascular region 36 and the area occupancy ratio and the length ratio of the fibrotic region 35 in the non-vascular peripheral region 115 are displayed.
  • the evaluation information 71 is derived separately for the perivascular region 36 and the non-perivascular region 115. Therefore, it is possible to distinguish and evaluate the pathological conditions of the disease in which the progress of fibrosis is mainly observed in the perivascular region 36 and the disease in which the progress of fibrosis is mainly observed in the non-vascular region 115.
  • the perivascular region 36 is apt to develop fibrosis due to the influence of the drug. Therefore, if the evaluation information 71 is derived separately for the perivascular region 36 and the non-perivascular region 115 as in the second embodiment, the degree of fibrosis excluding the influence of the drug can be evaluated.
  • the fibrotic region 35 in the perivascular region 36 and the fibrotic region 35 in the non-perivascular region 115 are color-coded and used as evaluation information 113 in the perivascular region 36.
  • the area occupancy and length ratio of the fibrotic region 35 and the area occupancy and length ratio of the fibrotic region 35 in the non-vascular peripheral region 115 are displayed, but are not limited to this.
  • the analysis result display screen 125 shown in FIG. 23 only the fibrosis region 35 in the perivascular region 36 is painted in green, for example (see also FIG. 24 which is an enlarged view of the frame 126), and the fibrosis region in the perivascular region 36 is also shown.
  • Only the area occupancy rate and the length rate of 35 may be displayed as the evaluation information 127.
  • only the fibrotic region 35 in the non-vascular region 115 is filled with, for example, blue, and the area occupancy and length of the fibrotic region 35 in the non-vascular region 115. Only the rate may be displayed as evaluation information.
  • the display mode shown in FIG. 21, the display mode shown in FIG. 23, and the display mode opposite to the case of FIG. 23 may be switchably configured.
  • the perivascular region 36 may be extracted without using the machine learning model 111.
  • a blood vessel region 32 is extracted using a well-known image recognition technique, and a region surrounding the extracted blood vessel region 32, for example, a region having a width of 20 pixels is extracted as a blood vessel peripheral region 36.
  • the user may be allowed to specify the perivascular region 36.
  • the evaluation information 133 is derived separately for the central vein peripheral region 36C including the periphery of the central vein passing through the liver LV and the non-vascular peripheral region 115.
  • the extraction unit 130 of the third embodiment uses the machine learning model 131 to form the central vein peri-region 36C, the portal vein peri-region 36P, and the portal vein perimeter region 36P from each specimen image 21 constituting the specimen image group 21G.
  • the non-vascular area 115 is extracted.
  • the machine learning model 131 is a convolutional neural network such as U-Net, similar to the machine learning model 111 of the second embodiment.
  • the machine learning model 131 is stored in the storage device 45, is read out by the RW control unit 60, and is output to the extraction unit 130.
  • the machine learning model 131 uses the sample image 21 as an input image, and as shown in FIG. 26, for example, a binarized image in which the pixel 30 in the central vein peripheral region 36C is replaced with white and the pixel 30 in the non-vascular peripheral region 115 is replaced with black. Is a model whose output image is.
  • the machine learning model 131 extracts a region surrounding the region 32C of the central vein, for example, a region having a width of about 20 pixels, as the region around the central vein 36C. Similarly, the machine learning model 131 extracts a region surrounding the portal vein region 32P, for example, a region having a width of about 20 pixels, as the portal vein peripheral region 36P. Further, the machine learning model 131 extracts the pixels 30 of the section 12 other than the pixels 30 extracted as the central vein peripheral region 36C and the portal vein peripheral region 36P as the non-vascular peripheral region 115. The machine learning model 131 uses a plurality of pairs of a sample image 21 for learning and a correct image in which the central vein peripheral region 36C and the portal vein peripheral region 36P of the sample image 21 for learning are designated by the user. Be learned.
  • the extraction unit 130 uses the binarized image in which the pixel 30 in the central vein peripheral region 36C is replaced with white and the pixel 30 in the non-blood vessel peripheral region 115 is replaced with black as the extraction result 132, and the derivation unit 63 and the display control unit. Output to 64.
  • the derivation unit 63 Based on the extraction result 132 from the extraction unit 130 and the detection result 70 from the detection unit 62, the derivation unit 63 provides evaluation information 133 such as the area occupancy rate of the fibrosis region 35 in the peripheral vein region 36C and the circumference of the central vein. The length ratio of the fibrotic region 35 in the region 36C is derived. Further, the derivation unit 63 derives the area occupancy rate of the fibrotic region 35 in the non-vascular peripheral region 115 and the length ratio of the fibrotic region 35 in the non-vascular peripheral region 115 as evaluation information 133.
  • the area occupancy of the fibrous region 35 in the central vein peripheral region 36C is determined by counting the number of pixels of the pixels 30 existing in the fibrous region 35 in the central vein peripheral region 36C in step ST12 shown in FIGS. 8 and 9. This is derived by dividing by the number of pixels of the pixels 30 existing in the section region 82 of each sample image 21 counted in step ST11.
  • the length ratio of the fibrotic region 35 in the central vein peripheral region 36C counts the number of pixels 30 of the fibrotic region 35 in the fibrotic region 36 after the thinning treatment in step ST21 shown in FIGS. 10 and 11. Then, this is derived by dividing by the number of pixels of the pixels 30 existing in the section region 82 of each sample image 21 counted in step ST11.
  • the display control unit 64 displays the analysis result display screen 140 shown in FIG. 27 on the display 40.
  • the fibrotic region 35 in the central vein peripheral region 36C is, for example, green
  • the fibrotic region 35 in the non-vascular peripheral region 115 is, for example, blue.
  • the sample image 21 filled with is displayed. Further, as the evaluation information 133, the area occupancy rate and the length ratio of the fibrotic region 35 in the central vein peripheral region 36C and the area occupancy ratio and the length ratio of the fibrotic region 35 in the non-vascular peripheral region 115 are displayed.
  • the evaluation information 71 is derived separately for the central vein peripheral region 36C and the non-vascular peripheral region 115. Therefore, it is possible to correctly evaluate the pathological condition of a disease such as non-alcoholic steatohepatitis (NASH: Non-Alcoholic Steatohepatitis) in which fibrosis progresses from the central venous peri-region 36C toward the non-vascular peri-vessel region 115.
  • NASH Non-alcoholic steatohepatitis
  • the fibrotic region 35 in the peripheral vein region 36C is painted in green, for example, and only the area occupancy rate and the length ratio of the fibrotic region 35 in the peripheral peripheral region 36C are evaluated. May be displayed as.
  • This display mode and the display mode shown in FIG. 27 may be configured to be switchable. Further, the region around the central vein 36C may be extracted without using the machine learning model 111 by having the user specify the region around the central vein 36C.
  • the evaluation information 142 shown in FIG. 29A not only the area occupancy rate and length rate of the fibrotic region 35 in the central vein peripheral region 36C, but also the area occupancy rate and length of the fibrotic region 35 in the portal vein peripheral region 36P.
  • the rate may be derived.
  • the number of cross-linking fibrosis between the portal veins that is, PP bridging
  • the number of cross-linking fibrosis between the portal vein and the central vein that is, the number of CC bridging. It may be derived.
  • the CPU of the pathological diagnosis support device of the fourth embodiment functions as a compression unit 150 in addition to each unit 60 to 64 of the first embodiment (not shown in FIG. 30 except for the detection unit 62).
  • the sample image group 21G read from the storage device 45 by the RW control unit 60 is input to the compression unit 150.
  • the compression unit 150 performs a compression process on each of the plurality of sample images 21 constituting the sample image group 21G.
  • the compression unit 150 outputs the sample image group 21G after the compression process to the detection unit 62.
  • the detection unit 62 detects the fibrosis region 35 from the compressed sample image 21, and outputs the detection result 70 to the derivation unit 63 and the like.
  • the sample image 21 acquired by the RW control unit 60 is compressed by the compression unit 150, and then the fibrosis region 35 is detected by the detection unit 62. Therefore, the processing load can be reduced as compared with the case where the fibrosis region 35 is detected from the full-size specimen image 21.
  • the sample 20 collected from the liver LV of the patient P is exemplified, but the present invention is not limited to this.
  • it may be a sample 156 prepared from a sample 155 collected from the lung LG of patient P using a biopsy needle 10. Further, it may be a specimen collected from the skin, breast, stomach, large intestine and the like.
  • the color channel of the pixel value of the sample image 21 is not limited to the illustrated RGB color channel. It may be a four-color channel of CMYG (Cyan, Magenta, Yellow, Green).
  • the output form of evaluation information is not limited to the form displayed on the analysis result display screen.
  • the evaluation information may be printed out on a paper medium, or the evaluation information data file may be transmitted and output by e-mail or the like.
  • the hardware configuration of the computer that constitutes the pathological diagnosis support device can be modified in various ways. It is also possible to configure the pathological diagnosis support device with a plurality of computers separated as hardware for the purpose of improving processing capacity and reliability. For example, the functions of the RW control unit 60 and the instruction reception unit 61, and the functions of the detection unit 62, the derivation unit 63, and the display control unit 64 are distributed to two computers. In this case, the pathological diagnosis support device is configured by two computers.
  • the hardware configuration of the computer of the pathological diagnosis support device can be appropriately changed according to the required performance such as processing capacity, safety, and reliability.
  • application programs such as the operation program 55 can be duplicated or distributed and stored in multiple storage devices for the purpose of ensuring safety and reliability. be.
  • a processing unit that executes various processes such as an RW control unit 60, an instruction receiving unit 61, a detection unit 62, a derivation unit 63, a display control unit 64, an extraction unit 110, 130, and a compression unit 150.
  • various processors processors shown below can be used.
  • the CPU 47 which is a general-purpose processor that executes software (operation program 55) and functions as various processing units, after manufacturing an FPGA (Field Programgable Gate Array) or the like.
  • Dedicated processor with a circuit configuration specially designed to execute specific processing such as programmable logic device (PLD), ASIC (Application Specific Integrated Circuit), which is a processor whose circuit configuration can be changed. Includes electrical circuits and the like.
  • One processing unit may be composed of one of these various processors, or may be a combination of two or more processors of the same type or different types (for example, a combination of a plurality of FPGAs and / or a CPU). It may be configured in combination with FPGA). Further, a plurality of processing units may be configured by one processor.
  • one processor is configured by a combination of one or more CPUs and software, as represented by a computer such as a client and a server.
  • the processor functions as a plurality of processing units.
  • SoC System On Chip
  • SoC system On Chip
  • the various processing units are configured by using one or more of the above-mentioned various processors as a hardware-like structure.
  • an electric circuit in which circuit elements such as semiconductor elements are combined can be used.
  • the technique of the present disclosure can be appropriately combined with the various embodiments described above and various modifications. Further, it is of course not limited to each of the above embodiments, and various configurations can be adopted as long as they do not deviate from the gist. Further, the technique of the present disclosure extends to a storage medium for storing the program non-temporarily in addition to the program.
  • a and / or B is synonymous with "at least one of A and B". That is, “A and / or B” means that it may be A alone, B alone, or a combination of A and B. Further, in the present specification, when three or more matters are connected and expressed by "and / or", the same concept as “A and / or B" is applied.
  • Pathological diagnosis support device 10 Biopsy needle 11, 155 Specimen 12 Section 13 Glass 14 Cover glass 20, 156 Specimen 21 Specimen image 21G Specimen image group 25 Pathological diagnosis support device 30 pixels 31 Table 32 Vascular region 32C Central vein region 32P Portal vein region 33 Parenchymal region 35 Fibrotic region 36 Perivascular region 36C Perivascular region 36P Periportal vein region 37, 84A, 84B, 121, 126, 141 Frame 40 Display 41 Input device 45 Storage device 46 Memory 47 CPU (processor) 48 Communication unit 49 Bus line 55 Operation program (operation program of pathological diagnosis support device) 60 Read / write control unit (RW control unit) 61 Instruction reception unit 62 Detection unit 63 Derivation unit 64 Display control unit 70 Detection result 71, 101, 106, 113, 127, 133, 142, 143 Evaluation information 75, 95 Absorption spectrum 80 Binary image 82 Section area 83 Line 90 , 100, 105, 120, 125, 140 Analysis result display screen

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Quality & Reliability (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Geometry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Biotechnology (AREA)
  • Cell Biology (AREA)
  • Microbiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

線維化領域の検出精度を高めることが可能な病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラムを提供する。病理診断支援装置のＲＷ制御部は、シリウスレッドで染色された肝臓の標本を写した標本画像を、ストレージデバイスから読み出すことで取得する。検出部は、標本画像のＲＧＢの３色の色チャンネルのうちのＧチャンネルおよびＲチャンネルの画素値の比と、予め設定された閾値との比較により、肝臓の線維化領域を検出する。導出部は、検出した線維化領域に基づいて、肝臓の線維化の程度を表す評価情報を導出する。表示制御部は、評価情報を含む解析結果表示画面をディスプレイに表示することで、評価情報を出力する。

Description

病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム
　本開示の技術は、病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラムに関する。
　病理診断において、癌等の疾患のリスクに繋がる生体組織の線維化の程度を評価することが行われている。従来は、生体組織から採取した標本を病理医が顕微鏡で観察して、線維化の程度を目視で評価していた。しかし、こうした評価方法では病理医の負担が大きかった。また、病理医の熟練度等によって評価が変わってしまうことがあった。
　そこで、例えば非特許文献１のように、標本を写した画像（以下、標本画像という）をコンピュータで画像解析して線維化領域を検出し、線維化領域の面積占有率等を導出して病理医等のユーザに提示する方法が提案されている。非特許文献１では、シリウスレッド等の色素で線維化領域が染色された標本の標本画像を用いている。そして、当該標本画像のＲＧＢ（Ｒｅｄ、Ｇｒｅｅｎ、Ｂｌｕｅ）の各色チャンネルの画素値と、予めユーザが設定した閾値との比較により、線維化領域を検出している。
Ｖｉｎｃｅｎｚａ　Ｃａｌｖａｒｕｓｏ他、「Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｌｉｖｅｒ　Ｃｏｌｌａｇｅｎ：Ｒｅｌａｔｉｏｎｓｈｉｐ　ｔｏ　ｉｓｈａｋ　ｓｃｏｒｉｎｇ　ａｎｄ　ｈｅｐａｔｉｃ　ｖｅｎｏｕｓ　ｐｒｅｓｓｕｒｅ　Ｇｒａｄｉｅｎ」、２００９年４月発行、ＨＥＰＡＴＯＬＯＧＹ（４９）、Ｐ１２３６－１２４４
　線維化領域は、シリウスレッド等の色素による染色によって、一様に同じ色に染まる訳ではない。例えば色素の濃度、あるいは温湿度といった周囲環境によって色合いは変わる。また、標本画像の撮影装置の違いによっても、色合いは変わる。したがって、非特許文献１のように、標本画像のＲＧＢ各色チャンネルの画素値と閾値との単純な比較によって線維化領域を検出する方法は、線維化領域の検出精度が低かった。
　本開示の技術は、線維化領域の検出精度を高めることが可能な病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラムを提供することを目的とする。
　上記目的を達成するために、本開示の病理診断支援装置は、少なくとも１つのプロセッサを備え、プロセッサは、色素で染色された生体組織の標本を写した標本画像であり、複数の色チャンネルの画素値を有する標本画像を取得し、複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、生体組織の線維化領域を検出し、検出した線維化領域に基づいて、生体組織の線維化の程度を表す評価情報を導出し、評価情報を出力する。
　プロセッサは、色素の吸収スペクトルにおいて、吸収率の差が相対的に大きい２つの色領域に対応する２つの色チャンネルの画素値の比を算出することが好ましい。
　プロセッサは、生体組織を通る血管の周囲を含む血管周囲領域と、血管周囲領域以外の非血管周囲領域とに分けて評価情報を導出することが好ましい。
　標本は肝臓から採取されたものであり、プロセッサは、肝臓を通る中心静脈の周囲を含む中心静脈周囲領域と、非血管周囲領域とに分けて評価情報を導出する。
　プロセッサは、評価情報として、線維化領域の面積および長さのうちの少なくともいずれかに関する数値を導出することが好ましい。
　プロセッサは、取得した標本画像に対して圧縮処理を施した後、線維化領域の検出を行うことが好ましい。
　本開示の病理診断支援装置の作動方法は、色素で染色された生体組織の標本を写した標本画像であり、複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、生体組織の線維化領域を検出する検出処理と、検出した線維化領域に基づいて、生体組織の線維化の程度を表す評価情報を導出する導出処理と、評価情報を出力する出力処理と、をプロセッサが実行する。
　本開示の病理診断支援装置の作動プログラムは、色素で染色された生体組織の標本を写した標本画像であり、複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、生体組織の線維化領域を検出する検出処理と、検出した線維化領域に基づいて、生体組織の線維化の程度を表す評価情報を導出する導出処理と、評価情報を出力する出力処理と、をプロセッサに実行させる。
　本開示の技術によれば、線維化領域の検出精度を高めることが可能な病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラムを提供することができる。
病理診断の工程、標本画像、および病理診断支援装置を示す図である。 病理診断支援装置を構成するコンピュータを示すブロック図である。 病理診断支援装置のＣＰＵの処理部を示すブロック図である。 シリウスレッドの吸収スペクトルに応じた、検出部の処理を示す図である。 シリウスレッドで染色した場合の検出部の処理を示す図である。 検出結果を示す図である。 評価情報を示す図である。 線維化領域の面積占有率を導出する手順を示すフローチャートである。 線維化領域の面積占有率を導出する手順を示す図である。 線維化領域の長さ率を導出する手順を示すフローチャートである。 線維化領域の長さ率を導出する手順を示す図である。 解析結果表示画面を示す図である。 病理診断支援装置の処理手順を示すフローチャートである。 マッソン・トリクローム染色に用いられる色素の吸収スペクトルに応じた、検出部の処理を示す図である。 マッソン・トリクローム染色の場合の検出部の処理を示す図である。 線維化領域の面積占有率の範囲に対応する線維化の程度を表すレベルが登録されたテーブルを示す図である。 解析結果表示画面の別の例を示す図である。 解析結果表示画面の別の例を示す図である。 第２実施形態の処理部を示す図である。 機械学習モデルによって、血管周囲領域および非血管周囲領域を抽出する様子を示す図である。 第２実施形態の解析結果表示画面を示す図である。 図２１に示す解析結果表示画面に表示される標本画像の拡大図である。 第２実施形態の解析結果表示画面の別の例を示す図である。 図２３に示す解析結果表示画面に表示される標本画像の拡大図である。 第３実施形態の処理部を示す図である。 機械学習モデルによって、中心静脈周囲領域、門脈周囲領域、および非血管周囲領域を抽出する様子を示す図である。 第３実施形態の解析結果表示画面を示す図である。 図２７に示す解析結果表示画面に表示される標本画像の拡大図である。 第３実施形態の評価情報の別の例を示す図であり、図２９Ａは、門脈周囲領域における線維化領域の面積占有率と長さ率を含む評価情報、図２９Ｂは、Ｐ－Ｐ　ｂｒｉｄｇｉｎｇの本数、およびＰ－Ｃ　ｂｒｉｄｇｉｎｇの本数を含む評価情報をそれぞれ示す。 第４実施形態の処理部を示す図である。 患者の肺から採取した標本を示す図である。
　［第１実施形態］
　図１において、病理診断は、例えば以下の工程を経て行われる。まず、超音波観測装置（図示省略）の監視下において、患者Ｐの体外から肝臓ＬＶに生検針１０を刺して、肝臓ＬＶから細長の検体１１を採取する。そして、検体１１をパラフィンに包埋した後、ミクロトームによって複数枚の切片１２にスライスし、スライスした切片１２をガラス１３に貼り付ける。その後、パラフィンを脱して切片１２を色素で染色し、染色後の切片１２をカバーガラス１４で覆って、標本２０を完成させる。本例では、色素としてシリウスレッドが用いられる。なお、肝臓ＬＶは、本開示の技術に係る「生体組織」の一例である。
　各標本２０は、デジタル光学顕微鏡等の撮影装置（図示省略）にセットされて撮影される。これにより得られた各標本２０の標本画像２１は、標本画像群２１Ｇとして病理診断支援装置２５に入力される。標本画像２１には、患者Ｐを一意に識別するための患者ＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　Ｄａｔａ）、撮影日時等が付される。
　標本画像２１の画素３０には、表３１に示すように、ＲＧＢの３色の各色チャンネルの画素値が割り当てられている。このため標本画像２１はフルカラー画像である。画素値は例えば０～２５５の範囲の数値である。
　標本画像２１には、切片１２を含む標本２０が写されている。切片１２は、血管領域３２および実質領域３３を有する。血管領域３２は、門脈、中心静脈といった、肝臓ＬＶを通る血管の領域である。血管領域３２は、切片１２においては空洞となっている。実質領域３３は、肝臓ＬＶの肝細胞が存在する領域である。
　シリウスレッドは、線維化領域３５（より詳しくは膠原線維の領域）を赤く染色する。図１に例示する標本画像２１においては、血管領域３２の周囲の領域である血管周囲領域３６、および実質領域３３の所々に、線維化領域３５が存在している。また、二点鎖線の枠３７で囲むように、２つの血管の間を繋ぐ線維化領域３５、すなわち架橋性線維化も見られる。架橋性線維化は、２つの血管がともに門脈の領域であった場合はＰ－Ｐ　ｂｒｉｄｇｉｎｇ、２つの血管が門脈と中心静脈であった場合はＰ－Ｃ　ｂｒｉｄｇｉｎｇと呼ばれる。
　病理診断支援装置２５は、例えばデスクトップ型のパーソナルコンピュータであり、ディスプレイ４０および入力デバイス４１を有する。入力デバイス４１は、キーボード、マウス、タッチパネル等である。病理診断支援装置２５は、標本画像２１を画像解析して線維化領域３５を検出する。そして、線維化領域３５の面積占有率といった評価情報７１（図３等参照）を導出し、評価情報７１をディスプレイ４０に表示する。
　図２において、病理診断支援装置２５を構成するコンピュータは、前述のディスプレイ４０と入力デバイス４１に加えて、ストレージデバイス４５、メモリ４６、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）４７、および通信部４８を備えている。これらはバスライン４９を介して相互接続されている。
　ストレージデバイス４５は、病理診断支援装置２５を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージデバイス４５は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージデバイス４５には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。なお、ハードディスクドライブに代えてソリッドステートドライブを用いてもよい。
　メモリ４６は、ＣＰＵ４７が処理を実行するためのワークメモリである。ＣＰＵ４７は、ストレージデバイス４５に記憶されたプログラムをメモリ４６へロードして、プログラムにしたがった処理を実行することにより、コンピュータの各部を統括的に制御する。
　通信部４８は、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等のネットワークを介した各種情報の伝送制御を行うネットワークインターフェースである。ディスプレイ４０は各種画面を表示する。病理診断支援装置２５を構成するコンピュータは、各種画面を通じて、入力デバイス４１からの操作指示の入力を受け付ける。
　図３において、病理診断支援装置２５のストレージデバイス４５には、作動プログラム５５が記憶されている。作動プログラム５５は、コンピュータを病理診断支援装置２５として機能させるためのアプリケーションプログラムである。すなわち、作動プログラム５５は、本開示の技術に係る「病理診断支援装置の作動プログラム」の一例である。ストレージデバイス４５には、標本画像群２１Ｇおよび閾値ＴＨ等も記憶される。
　作動プログラム５５が起動されると、病理診断支援装置２５を構成するコンピュータのＣＰＵ４７は、メモリ４６等と協働して、リードライト（以下、ＲＷ（Ｒｅａｄ　Ｗｒｉｔｅ）と略す）制御部６０、指示受付部６１、検出部６２、導出部６３、および表示制御部６４として機能する。ＣＰＵ４７は、本開示の技術に係る「プロセッサ」の一例である。
　ＲＷ制御部６０は、ストレージデバイス４５への各種データの記憶、およびストレージデバイス４５内の各種データの読み出しを制御する。例えばＲＷ制御部６０は、撮影装置から送信された標本画像群２１Ｇを受け取り、ストレージデバイス４５に記憶する。また、ＲＷ制御部６０は、入力デバイス４１を介したユーザによる画像解析の指示が指示受付部６１にて受け付けられた標本画像群２１Ｇをストレージデバイス４５から読み出し、検出部６２、導出部６３、および表示制御部６４に出力する。すなわち、ＲＷ制御部６０は、本開示の技術に係る「取得処理」を担う。なお、入力デバイス４１を介したユーザによる画像解析の指示は、例えば標本画像２１に付された患者ＩＤおよび撮影日時を入力指定することで行われる。
　さらに、ＲＷ制御部６０は、閾値ＴＨをストレージデバイス４５から読み出し、検出部６２に出力する。
　指示受付部６１は、入力デバイス４１を介したユーザによる様々な指示を受け付ける。様々な指示には、前述の画像解析の指示が含まれる。
　検出部６２は、閾値ＴＨに基づいて、標本画像群２１Ｇを構成する複数枚の標本画像２１の各々から、線維化領域３５を検出する。すなわち、検出部６２は、本開示の技術に係る「検出処理」を担う。検出部６２は、線維化領域３５の検出結果７０を導出部６３および表示制御部６４に出力する。
　導出部６３は、検出結果７０に基づいて、肝臓ＬＶの線維化の程度を表す評価情報７１を導出する。すなわち、導出部６３は、本開示の技術に係る「導出処理」を担う。導出部６３は、評価情報７１を表示制御部６４に出力する。
　表示制御部６４は、ディスプレイ４０に各種画面を表示する制御を行う。各種画面には、画像解析の結果を表す解析結果表示画面９０（図１２参照）が含まれる。表示制御部６４は、標本画像群２１Ｇ、検出結果７０、および評価情報７１に基づいて、解析結果表示画面９０を生成する。
　図４において、シリウスレッドの吸収スペクトル７５は、Ｇ領域の吸収率が最も高く、次いでＢ領域、Ｒ領域の順に吸収率が低くなっている。このためシリウスレッドの吸収スペクトル７５においては、Ｂ領域およびＧ領域、Ｂ領域およびＲ領域よりも、Ｇ領域およびＲ領域のほうが、吸収率の差が相対的に大きい。したがって検出部６２は、Ｇ領域に対応するＧチャンネルの画素値ＰＶ＿Ｇと、Ｒ領域に対応するＲチャンネルの画素値ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇを、標本画像２１の画素３０毎に算出する。検出部６２は、コンピュータで扱いやすい数値とするため、比ＰＶ＿Ｒ／ＰＶ＿Ｇを対数変換し、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）とする（図５参照）。なお、比ＰＶ＿Ｒ／ＰＶ＿Ｇではなく、分母と分子を逆にした比ＰＶ＿Ｇ／ＰＶ＿Ｒを算出してもよい。
　図５に示すように、検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）と閾値ＴＨとの大小を比較する。検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ以上の画素３０を、線維化領域３５として検出する。一方、検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ未満の画素３０を、非線維化領域として検出する。閾値ＴＨは、過去の知見から経験的に求められた値である。
　図６に示すように、検出部６２は、二値化画像８０を検出結果７０として出力する。二値化画像８０は、線維化領域３５として検出した画素３０を白（各色チャンネルの画素値＝２５５）、非線維化領域として検出した画素３０を黒（各色チャンネルの画素値＝０）に置換した画像である。
　図７に示すように、導出部６３は、評価情報７１として、線維化領域３５の面積および長さのうちの少なくともいずれかに関する数値を導出する。より詳しくは、評価情報７１は、線維化領域３５の面積占有率、および線維化領域３５の長さ率を含む。線維化領域３５の面積占有率は、線維化領域３５の面積を切片１２の面積で除算した値である。線維化領域３５の長さ率は、線維化領域３５の長さを切片１２の面積で除算した値である。
　図８および図９は、導出部６３において線維化領域３５の面積占有率を導出する手順を示す。まず、導出部６３は、標本画像群２１Ｇを構成する複数枚の標本画像２１の各々の切片１２の領域（以下、切片領域という）８２を検出する（ステップＳＴ１０）。導出部６３は、例えば、隣接する２つの画素３０の画素値の差が閾値以上の部分を、切片１２とその外側のガラス１３との境界と判断し、境界の内側を切片領域８２として検出する。
　次いで、導出部６３は、各標本画像２１の切片領域８２に存在する画素３０の画素数を計数することで、各標本画像２１に写る切片１２の面積を導出する（ステップＳＴ１１）。また、導出部６３は、各標本画像２１に対応する各二値化画像８０の線維化領域３５に存在する画素３０の画素数を計数することで、線維化領域３５の面積を導出する（ステップＳＴ１２）。
　最後に、導出部６３は、ステップＳＴ１２で計数した各二値化画像８０の線維化領域３５に存在する画素３０の画素数を、ステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで、線維化領域３５の面積占有率を導出する（ステップＳＴ１３）。
　図９は、各標本画像２１の切片領域８２に存在する画素３０の画素数が１０００００、各二値化画像８０の線維化領域３５に存在する画素３０の画素数が２２０００であった場合を例示している。この場合、線維化領域３５の面積占有率は、（２２０００／１０００００）×１００＝２２％となる。
　図１０および図１１は、導出部６３において線維化領域３５の長さ率を導出する手順を示す。ステップＳＴ１０、ステップＳＴ１１までは、図８および図９で示した線維化領域３５の面積占有率を導出する手順と同じである。ステップＳＴ１１において各標本画像２１に写る切片１２の面積を導出した後、導出部６３は、各標本画像２１に対応する各二値化画像８０の線維化領域３５に対して細線化処理を施す（ステップＳＴ２０）。細線化処理は、線維化領域３５を、線維化領域３５の幅の中心を通る幅１画素の線８３に変換する処理である。
　次いで、導出部６３は、細線化処理後の線維化領域３５の画素３０の画素数、すなわち線８３を構成する画素３０の画素数を計数することで、線維化領域３５の長さを導出する（ステップＳＴ２１）。この際、導出部６３は、二点鎖線の枠８４Ａに示すように、上下左右、および斜めに繋がった画素３０の画素数を全て１と計数する。あるいは、導出部６３は、二点鎖線の枠８４Ｂに示すように、線８３を構成する画素３０のうち、上下左右に繋がった画素３０の画素数を１、斜めに繋がった画素３０の画素数を√２と計数する。線維化領域３５の長さとしては、枠８４Ｂで示した方法のほうがより正確である。
　最後に、導出部６３は、ステップＳＴ２１で計数した細線化処理後の線維化領域３５の画素３０の画素数を、ステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで、線維化領域３５の長さ率を導出する（ステップＳＴ２２）。
　図１１は、各標本画像２１の切片領域８２に存在する画素３０の画素数が図９の場合と同じ１０００００、細線化処理後の線維化領域３５の画素３０の画素数が１４０００であった場合を例示している。この場合、線維化領域３５の長さ率は、（１４０００／１０００００）×１００＝１４％となる。
　図１２は、表示制御部６４の制御の下、ディスプレイ４０に表示される解析結果表示画面９０を示す。解析結果表示画面９０には、検出部６２で検出された線維化領域３５が例えば青色で塗り潰された標本画像２１が表示される。標本画像２１は、コマ戻しボタン９１Ａおよびコマ送りボタン９１Ｂを操作することで表示を切り替えることが可能である。
　解析結果表示画面９０の下部には、評価情報７１が表示される。すなわち、表示制御部６４は、本開示の技術に係る「出力処理」を担う。
　評価情報７１の横には、確認ボタン９２が設けられている。確認ボタン９２が選択された場合、表示制御部６４は、解析結果表示画面９０の表示を消す。なお、線維化領域３５が色分けされた標本画像２１、および評価情報７１は、ユーザの指示に応じて、ストレージデバイス４５に記憶させることが可能である。
　次に、上記構成による作用について、図１３のフローチャートを参照して説明する。まず、病理診断支援装置２５において作動プログラム５５が起動されると、図３で示したように、病理診断支援装置２５のＣＰＵ４７は、ＲＷ制御部６０、指示受付部６１、検出部６２、導出部６３、および表示制御部６４として機能される。
　ＲＷ制御部６０により、ストレージデバイス４５から、ユーザにより画像解析の指示がされた標本画像群２１Ｇが読み出される（ステップＳＴ１００）。標本画像群２１Ｇは、ＲＷ制御部６０から検出部６２、導出部６３、および表示制御部６４に出力される。また、ＲＷ制御部６０により、ストレージデバイス４５から閾値ＴＨが読み出され、検出部６２に出力される。なお、ステップＳＴ１００は、本開示の技術に係る「取得処理」の一例である。
　図４で示したように、検出部６２において、標本画像２１の画素３０毎に、Ｇチャンネルの画素値ＰＶ＿ＧとＲチャンネルの画素値ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇが算出される（ステップＳＴ１１０）。次いで、図５で示したように、比ＰＶ＿Ｒ／ＰＶ＿Ｇの対数ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）と閾値ＴＨとの大小が比較される。そして、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ以上の画素３０が線維化領域３５として検出され、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が閾値ＴＨ未満の画素３０が非線維化領域として検出される（ステップＳＴ１２０）。検出部６２により、図６で示した二値化画像８０が線維化領域３５の検出結果７０として生成される。検出結果７０は、検出部６２から導出部６３および表示制御部６４に出力される。なお、ステップＳＴ１２０は、本開示の技術に係る「検出処理」の一例である。
　図７～図１１で示したように、導出部６３によって、線維化領域３５の面積占有率、および線維化領域３５の長さ率が評価情報７１として導出される（ステップＳＴ１３０）。評価情報７１は、導出部６３から表示制御部６４に出力される。なお、ステップＳＴ１３０は、本開示の技術に係る「導出処理」の一例である。
　表示制御部６４の制御の下、図１２で示した解析結果表示画面９０がディスプレイ４０に表示される（ステップＳＴ１４０）。これにより線維化領域３５および評価情報７１がユーザに提示される。ユーザは、解析結果表示画面９０によって、病理診断の対象の患者Ｐの肝臓ＬＶの線維化の程度を把握する。なお、ステップＳＴ１４０は、本開示の技術に係る「出力処理」の一例である。
　以上説明したように、病理診断支援装置２５は、ＲＷ制御部６０と、検出部６２と、導出部６３と、表示制御部６４とを備える。ＲＷ制御部６０は、シリウスレッドで染色された肝臓ＬＶの標本２０を写した標本画像２１を、ストレージデバイス４５から読み出すことで取得する。検出部６２は、標本画像２１のＲＧＢの３色の色チャンネルのうちのＧチャンネルおよびＲチャンネルの画素値ＰＶ＿Ｇ、ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇと、予め設定された閾値ＴＨとの比較により、肝臓ＬＶの線維化領域３５を検出する。導出部６３は、検出した線維化領域３５に基づいて、肝臓ＬＶの線維化の程度を表す評価情報７１を導出する。表示制御部６４は、評価情報７１を含む解析結果表示画面９０をディスプレイ４０に表示することで、評価情報７１を出力する。
　比ＰＶ＿Ｒ／ＰＶ＿Ｇは、画素値ＰＶ＿Ｇ、ＰＶ＿Ｒそのものよりも、シリウスレッドの濃度、周囲環境、標本画像２１の撮影装置の違い等による染色の色合いの変化に対するロバスト性が高い。したがって、線維化領域３５の検出精度を高めることが可能となる。このため、従来、実際は架橋性線維化しているにも関わらず、線維化領域３５の検出精度が低いがために途切れて検出されていた線維化領域３５を、確実に架橋性線維化として捉えることができる。
　検出部６２は、シリウスレッドの吸収スペクトル７５において、吸収率の差が相対的に大きいＧ領域およびＲ領域に対応するＧチャンネルおよびＲチャンネルの画素値ＰＶ＿Ｇ、ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇを算出する。このため、比のダイナミックレンジを広くとることができ、線維化領域３５の検出精度をより高めることが可能となる。
　導出部６３は、評価情報７１として、線維化領域３５の面積および長さのうちの少なくともいずれかに関する数値、具体的には線維化領域３５の面積占有率、および線維化領域３５の長さ率を導出する。このため、肝臓ＬＶの線維化の程度を客観的に評価することができる。線維化領域３５の長さに関する数値が比較的大きい場合は、肝臓ＬＶの比較的広い範囲に線維化が進展していると推定することができる。
　色素は例示のシリウスレッドに限らない。例えばマッソン・トリクローム染色に用いられる鉄ヘマトキシリン、ポンソーキシリジン、酸フクシン、アニリン青でもよい。マッソン・トリクローム染色に用いられる色素の場合、図１４の吸収スペクトル９５に示すように、Ｇ領域の吸収率が相対的に高く、Ｂ領域、Ｒ領域の吸収率が相対的に低くなっている。また、Ｂ領域、Ｒ領域の吸収率にはほとんど差がない。このためマッソン・トリクローム染色に用いられる色素の吸収スペクトル９５においては、Ｂ領域およびＲ領域よりも、Ｂ領域およびＧ領域、Ｇ領域およびＲ領域のほうが、吸収率の差が相対的に大きい。したがってこの場合、検出部６２は、Ｂ領域に対応するＢチャンネルの画素値ＰＶ＿Ｂと、Ｇ領域に対応するＧチャンネルの画素値ＰＶ＿Ｇの比ＰＶ＿Ｂ／ＰＶ＿Ｇ、並びに、Ｇ領域に対応するＧチャンネルの画素値ＰＶ＿Ｇと、Ｒ領域に対応するＲチャンネルの画素値ＰＶ＿Ｒの比ＰＶ＿Ｒ／ＰＶ＿Ｇを、標本画像２１の画素３０毎に算出する。検出部６２は、比ＰＶ＿Ｂ／ＰＶ＿Ｇを対数変換し、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）とし、比ＰＶ＿Ｒ／ＰＶ＿Ｇを対数変換し、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）とする（図１５参照）。なお、比ＰＶ＿Ｇ／ＰＶ＿Ｂおよび比ＰＶ＿Ｇ／ＰＶ＿Ｒを算出してもよい。
　図１５に示すように、検出部６２は、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）と第１閾値ＴＨ１との大小を比較する。また、検出部６２は、ｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）と第２閾値ＴＨ２との大小を比較する。検出部６２は、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１以上、かつｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２以上の画素３０を、線維化領域３５として検出する。一方、検出部６２は、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１未満、またはｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２未満の画素３０を、非線維化領域として検出する。第１閾値ＴＨ１および第２閾値ＴＨ２は、閾値ＴＨと同様に、過去の知見から経験的に求められた値である。
　このように、線維化領域３５を検出するために算出する２つの色チャンネルの画素値の比は、１種類に限らない。なお、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１未満、かつｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２未満の画素３０を、非線維化領域として検出し、ｌｏｇ（ＰＶ＿Ｂ／ＰＶ＿Ｇ）が第１閾値ＴＨ１以上、またはｌｏｇ（ＰＶ＿Ｒ／ＰＶ＿Ｇ）が第２閾値ＴＨ２以上の画素３０を、線維化領域３５として検出してもよい。
　評価情報７１としては、上記で例示した線維化領域３５の面積占有率、および線維化領域３５の長さ率に限らない。例えば線維化領域３５の面積占有率を、図１６に示すテーブル９７を参照して、線維化の程度を表す５段階のレベルに変更し、当該レベルを評価情報１０１（図１７参照）として導出してもよい。テーブル９７には、線維化領域３５の面積占有率の範囲に対応するレベルが登録されている。例えば線維化領域３５の面積占有率が０％以上５％未満の場合はレベル０、２０％以上３０％未満の場合はレベル３、３０％以上の場合はレベル４が登録されている。テーブル９７はストレージデバイス４５に記憶されており、ＲＷ制御部６０により読み出されて導出部６３に出力される。
　図１７は、評価情報１０１として線維化の程度を表すレベルが表示された解析結果表示画面１００を示す。
　また、図１８に示す解析結果表示画面１０５のように、新犬山分類、ＭＥＴＡＶＩＲスコアといった既知の線維化評価指標のステージを評価情報１０６として導出、出力してもよい。新犬山分類、ＭＥＴＡＶＩＲスコアの各ステージは、例えば、線維化領域３５の面積占有率、および線維化領域３５の長さ率をパラメータとし、ステージを解とする推定式から導出する。なお、この他にも、ＮＡＳ（ＮＡＦＬＤ（Ｎｏｎ－Ａｌｃｏｈｏｌｉｃ　Ｆａｔｔｙ　Ｌｉｖｅｒ　Ｄｉｓｅａｓｅ；非アルコール性脂肪性肝疾患）　ａｃｔｉｖｉｔｙ　ｓｃｏｒｅ）等を評価情報として導出、出力してもよい。
　［第２実施形態］
　図１９～図２２に示す第２実施形態では、血管周囲領域３６と、血管周囲領域３６以外の非血管周囲領域１１５とに分けて評価情報１１３を導出する。
　図１９に示すように、第２実施形態の病理診断支援装置のＣＰＵは、上記第１実施形態の各部６０～６４（図１９では導出部６３および表示制御部６４以外は図示省略）に加えて、抽出部１１０として機能する。抽出部１１０は、標本画像群２１Ｇを構成する各標本画像２１から、機械学習モデル１１１を用いて血管周囲領域３６および非血管周囲領域１１５を抽出する。
　機械学習モデル１１１は、例えばＵ－Ｎｅｔ（Ｕ－Ｓｈａｐｅｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、ＳｅｇＮｅｔ、ＲｅｓＮｅｔ（Ｒｅｓｉｄｕａｌ　Ｎｅｔｗｏｒｋ）、ＤｅｎｓｅＮｅｔ（Ｄｅｎｓｅｌｙ　Ｃｏｎｎｅｃｔｅｄ　Ｃｏｎｖｏｌｕｓｉｏｎａｌ　Ｎｅｔｗｏｒｋ）といった畳み込みニューラルネットワークである。機械学習モデル１１１はストレージデバイス４５に記憶されており、ＲＷ制御部６０により読み出されて抽出部１１０に出力される。機械学習モデル１１１は、標本画像２１を入力画像とし、例えば図２０に示すように、血管周囲領域３６の画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を出力画像とするモデルである。機械学習モデル１１１は、血管領域３２の周囲を取り囲む、例えば幅２０画素程度の領域を、血管周囲領域３６として抽出する。また、機械学習モデル１１１は、血管周囲領域３６として抽出した画素３０以外の切片１２の画素３０を、非血管周囲領域１１５として抽出する。このため、非血管周囲領域１１５は、血管領域３２と、実質領域３３の大部分とを含む。機械学習モデル１１１は、学習用の標本画像２１と、当該学習用の標本画像２１の血管周囲領域３６がユーザの手で指定された正解画像との組を複数用いて学習される。
　図１９において、抽出部１１０は、血管周囲領域３６の画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を、抽出結果１１２として導出部６３および表示制御部６４に出力する。導出部６３は、抽出部１１０からの抽出結果１１２および検出部６２からの検出結果７０に基づいて、評価情報１１３として、血管周囲領域３６における線維化領域３５の面積占有率、および血管周囲領域３６における線維化領域３５の長さ率を導出する。また、導出部６３は、評価情報１１３として、非血管周囲領域１１５における線維化領域３５の面積占有率、および非血管周囲領域１１５における線維化領域３５の長さ率を導出する。
　血管周囲領域３６における線維化領域３５の面積占有率は、図８および図９で示したステップＳＴ１２において、血管周囲領域３６における線維化領域３５に存在する画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。血管周囲領域３６における線維化領域３５の長さ率は、図１０および図１１で示したステップＳＴ２１において、細線化処理後の血管周囲領域３６における線維化領域３５の画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。非血管周囲領域１１５における線維化領域３５の面積占有率、および非血管周囲領域１１５における線維化領域３５の長さ率も同様である。
　表示制御部６４は、図２１に示す解析結果表示画面１２０をディスプレイ４０に表示する。解析結果表示画面１２０には、枠１２１の拡大図である図２２にも示すように、血管周囲領域３６における線維化領域３５が例えば緑色、非血管周囲領域１１５における線維化領域３５が例えば青色で塗り潰された標本画像２１が表示される。また、評価情報１１３として、血管周囲領域３６における線維化領域３５の面積占有率と長さ率、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率が表示される。
　このように、第２実施形態では、血管周囲領域３６と非血管周囲領域１１５とに分けて評価情報７１を導出する。このため、主に血管周囲領域３６における線維化の進展が見られる疾患と、主に非血管周囲領域１１５における線維化の進展が見られる疾患のそれぞれの病態を区別して評価することができる。
　ラット等を用いた臨床実験においては、四塩化炭素等の薬剤を注入してわざと脂肪肝を引き起こしている。このため、血管周囲領域３６は、どうしても薬剤の影響で線維化が進展しやすい。したがって、本第２実施形態のように血管周囲領域３６と非血管周囲領域１１５とに分けて評価情報７１を導出すれば、薬剤の影響を排除した線維化の程度を評価することができる。
　なお、図２１で示した解析結果表示画面１２０においては、血管周囲領域３６における線維化領域３５と非血管周囲領域１１５における線維化領域３５とを色分けし、評価情報１１３として、血管周囲領域３６における線維化領域３５の面積占有率と長さ率、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率を表示しているが、これに限らない。図２３に示す解析結果表示画面１２５のように、血管周囲領域３６における線維化領域３５のみを例えば緑色で塗り潰し（枠１２６の拡大図である図２４も参照）、血管周囲領域３６における線維化領域３５の面積占有率と長さ率のみを評価情報１２７として表示してもよい。あるいは、図示は省略するが、図２３の場合とは逆に、非血管周囲領域１１５における線維化領域３５のみを例えば青色で塗り潰し、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率のみを評価情報として表示してもよい。図２１で示した表示態様、図２３で示した表示態様、および図２３の場合とは逆の表示態様を、切り替え可能に構成してもよい。
　機械学習モデル１１１を用いることなく、血管周囲領域３６を抽出してもよい。例えば周知の画像認識技術を用いて血管領域３２を抽出し、抽出した血管領域３２の周囲を取り囲む、例えば幅２０画素の領域を血管周囲領域３６として抽出する。あるいは、ユーザに血管周囲領域３６を指定させてもよい。
　［第３実施形態］
　図２５～図２８に示す第３実施形態では、肝臓ＬＶを通る中心静脈の周囲を含む中心静脈周囲領域３６Ｃと、非血管周囲領域１１５とに分けて評価情報１３３を導出する。
　図２５に示すように、第３実施形態の抽出部１３０は、標本画像群２１Ｇを構成する各標本画像２１から、機械学習モデル１３１を用いて中心静脈周囲領域３６Ｃ、門脈周囲領域３６Ｐ、および非血管周囲領域１１５を抽出する。
　機械学習モデル１３１は、上記第２実施形態の機械学習モデル１１１と同様に、Ｕ－Ｎｅｔ等の畳み込みニューラルネットワークである。機械学習モデル１３１はストレージデバイス４５に記憶されており、ＲＷ制御部６０により読み出されて抽出部１３０に出力される。機械学習モデル１３１は、標本画像２１を入力画像とし、例えば図２６に示すように、中心静脈周囲領域３６Ｃの画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を出力画像とするモデルである。機械学習モデル１３１は、中心静脈の領域３２Ｃの周囲を取り囲む、例えば幅２０画素程度の領域を、中心静脈周囲領域３６Ｃとして抽出する。同様に、機械学習モデル１３１は、門脈の領域３２Ｐの周囲を取り囲む、例えば幅２０画素程度の領域を、門脈周囲領域３６Ｐとして抽出する。また、機械学習モデル１３１は、中心静脈周囲領域３６Ｃおよび門脈周囲領域３６Ｐとして抽出した画素３０以外の切片１２の画素３０を、非血管周囲領域１１５として抽出する。機械学習モデル１３１は、学習用の標本画像２１と、当該学習用の標本画像２１の中心静脈周囲領域３６Ｃおよび門脈周囲領域３６Ｐがユーザの手で指定された正解画像との組を複数用いて学習される。
　図２５において、抽出部１３０は、中心静脈周囲領域３６Ｃの画素３０を白、非血管周囲領域１１５の画素３０を黒に置換した二値化画像を、抽出結果１３２として導出部６３および表示制御部６４に出力する。導出部６３は、抽出部１３０からの抽出結果１３２および検出部６２からの検出結果７０に基づいて、評価情報１３３として、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率、および中心静脈周囲領域３６Ｃにおける線維化領域３５の長さ率を導出する。また、導出部６３は、評価情報１３３として、非血管周囲領域１１５における線維化領域３５の面積占有率、および非血管周囲領域１１５における線維化領域３５の長さ率を導出する。
　中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率は、図８および図９で示したステップＳＴ１２において、中心静脈周囲領域３６Ｃにおける線維化領域３５に存在する画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。中心静脈周囲領域３６Ｃにおける線維化領域３５の長さ率は、図１０および図１１で示したステップＳＴ２１において、細線化処理後の血管周囲領域３６における線維化領域３５の画素３０の画素数を計数し、これをステップＳＴ１１で計数した各標本画像２１の切片領域８２に存在する画素３０の画素数で除算することで導出する。
　表示制御部６４は、図２７に示す解析結果表示画面１４０をディスプレイ４０に表示する。解析結果表示画面１４０には、枠１４１の拡大図である図２８にも示すように、中心静脈周囲領域３６Ｃにおける線維化領域３５が例えば緑色、非血管周囲領域１１５における線維化領域３５が例えば青色で塗り潰された標本画像２１が表示される。また、評価情報１３３として、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率と長さ率、非血管周囲領域１１５における線維化領域３５の面積占有率と長さ率が表示される。
　このように、第３実施形態では、中心静脈周囲領域３６Ｃと非血管周囲領域１１５とに分けて評価情報７１を導出する。このため、非アルコール性脂肪肝炎（ＮＡＳＨ：Ｎｏｎ－Ａｌｃｏｈｏｌｉｃ　Ｓｔｅａｔｏｈｅｐａｔｉｔｉｓ）のような、中心静脈周囲領域３６Ｃから非血管周囲領域１１５に向けて線維化が進展する疾患の病態を正しく評価することができる。
　なお、上記第２実施形態と同様に、中心静脈周囲領域３６Ｃにおける線維化領域３５のみを例えば緑色で塗り潰し、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率と長さ率のみを評価情報として表示してもよい。この表示態様と、図２７で示した表示態様とを、切り替え可能に構成してもよい。また、ユーザに中心静脈周囲領域３６Ｃを指定させる等して、機械学習モデル１１１を用いることなく、中心静脈周囲領域３６Ｃを抽出してもよい。
　図２９Ａに示す評価情報１４２のように、中心静脈周囲領域３６Ｃにおける線維化領域３５の面積占有率と長さ率だけでなく、門脈周囲領域３６Ｐにおける線維化領域３５の面積占有率と長さ率を導出してもよい。また、図２９Ｂに示す評価情報１４３のように、門脈間の架橋性線維化、すなわちＰ－Ｐ　ｂｒｉｄｇｉｎｇの本数、門脈と中心静脈間の架橋性線維化、すなわちＰ－Ｃ　ｂｒｉｄｇｉｎｇの本数を導出してもよい。
　［第４実施形態］
　図３０に示す第４実施形態では、標本画像２１に対して圧縮処理を施した後、線維化領域３５の検出を行う。
　図３０において、第４実施形態の病理診断支援装置のＣＰＵは、上記第１実施形態の各部６０～６４（図３０では検出部６２以外は図示省略）に加えて、圧縮部１５０として機能する。圧縮部１５０には、ＲＷ制御部６０がストレージデバイス４５から読み出した標本画像群２１Ｇが入力される。圧縮部１５０は、標本画像群２１Ｇを構成する複数枚の標本画像２１の各々に対して圧縮処理を施す。圧縮部１５０は、圧縮処理後の標本画像群２１Ｇを検出部６２に出力する。検出部６２は、圧縮処理された標本画像２１から線維化領域３５を検出し、検出結果７０を導出部６３等に出力する。
　このように、第４実施形態では、ＲＷ制御部６０において取得した標本画像２１に対して、圧縮部１５０で圧縮処理を施した後、検出部６２において線維化領域３５の検出を行う。このため、フルサイズの標本画像２１から線維化領域３５を検出する場合と比べて、処理負荷を軽減することができる。
　上記各実施形態では、患者Ｐの肝臓ＬＶから採取した標本２０を例示したが、これに限らない。例えば図３１に示すように、患者Ｐの肺ＬＧから生検針１０を用いて採取した検体１５５から作製した標本１５６であってもよい。また、皮膚、乳房、胃、大腸等から採取した標本であってもよい。
　標本画像２１の画素値の色チャンネルは、例示のＲＧＢ色チャンネルに限らない。ＣＭＹＧ（Ｃｙａｎ、Ｍａｇｅｎｔａ、Ｙｅｌｌｏｗ、Ｇｒｅｅｎ）の４色の色チャンネルであってもよい。
　評価情報の出力形態としては、解析結果表示画面で表示する形態に限らない。評価情報を紙媒体に印刷出力してもよいし、評価情報のデータファイルを電子メール等で送信出力してもよい。
　病理診断支援装置を構成するコンピュータのハードウェア構成は種々の変形が可能である。病理診断支援装置を、処理能力および信頼性の向上を目的として、ハードウェアとして分離された複数台のコンピュータで構成することも可能である。例えば、ＲＷ制御部６０および指示受付部６１の機能と、検出部６２、導出部６３、および表示制御部６４の機能とを、２台のコンピュータに分散して担わせる。この場合は２台のコンピュータで病理診断支援装置を構成する。
　このように、病理診断支援装置のコンピュータのハードウェア構成は、処理能力、安全性、信頼性等の要求される性能に応じて適宜変更することができる。さらに、ハードウェアに限らず、作動プログラム５５等のアプリケーションプログラムについても、安全性および信頼性の確保を目的として、二重化したり、あるいは、複数のストレージデバイスに分散して格納することももちろん可能である。
　上記各実施形態において、例えば、ＲＷ制御部６０、指示受付部６１、検出部６２、導出部６３、表示制御部６４、抽出部１１０、１３０、および圧縮部１５０といった各種の処理を実行する処理部（Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）のハードウェア的な構造としては、次に示す各種のプロセッサ（Ｐｒｏｃｅｓｓｏｒ）を用いることができる。各種のプロセッサには、上述したように、ソフトウェア（作動プログラム５５）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ４７に加えて、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ:ＰＬＤ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
　１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、および／または、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
　複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（Ｓｙｓｔｅｍ　Ｏｎ　Ｃｈｉｐ:ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
　さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）を用いることができる。
　本開示の技術は、上述の種々の実施形態と種々の変形例を適宜組み合わせることも可能である。また、上記各実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。
　以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。
　本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。
　本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
１０　生検針
１１、１５５　検体
１２　切片
１３　ガラス
１４　カバーガラス
２０、１５６　標本
２１　標本画像
２１Ｇ　標本画像群
２５　病理診断支援装置
３０　画素
３１　表
３２　血管領域
３２Ｃ　中心静脈の領域
３２Ｐ　門脈の領域
３３　実質領域
３５　線維化領域
３６　血管周囲領域
３６Ｃ　中心静脈周囲領域
３６Ｐ　門脈周囲領域
３７、８４Ａ、８４Ｂ、１２１、１２６、１４１　枠
４０　ディスプレイ
４１　入力デバイス
４５　ストレージデバイス
４６　メモリ
４７　ＣＰＵ（プロセッサ）
４８　通信部
４９　バスライン
５５　作動プログラム（病理診断支援装置の作動プログラム）
６０　リードライト制御部（ＲＷ制御部）
６１　指示受付部
６２　検出部
６３　導出部
６４　表示制御部
７０　検出結果
７１、１０１、１０６、１１３、１２７、１３３、１４２、１４３　評価情報
７５、９５　吸収スペクトル
８０　二値化画像
８２　切片領域
８３　線
９０、１００、１０５、１２０、１２５、１４０　解析結果表示画面
９１Ａ　コマ戻しボタン
９１Ｂ　コマ送りボタン
９２　確認ボタン
９７　テーブル
１１０、１３０　抽出部
１１１、１３１　機械学習モデル
１１２、１３２　抽出結果
１１５　非血管周囲領域
１５０　圧縮部
ＬＧ　肺
ＬＶ　肝臓
Ｐ　患者
ＰＶ　画素値
ＳＴ１０、ＳＴ１１、ＳＴ１２、ＳＴ１３、ＳＴ２０、ＳＴ２１、ＳＴ２２、ＳＴ１１０
　ステップ
ＳＴ１００　ステップ（取得処理）
ＳＴ１２０　ステップ（検出処理）
ＳＴ１３０　ステップ（導出処理）
ＳＴ１４０　ステップ（出力処理）
ＴＨ　閾値
ＴＨ１、ＴＨ２　第１閾値、第２閾値

Claims (8)

  1. 　少なくとも１つのプロセッサを備え、
    　前記プロセッサは、
    　色素で染色された生体組織の標本を写した複数の色チャンネルの画素値を有する標本画像を取得し、
    　前記複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、前記生体組織の線維化領域を検出し、
    　検出した前記線維化領域に基づいて、前記生体組織の線維化の程度を表す評価情報を導出し、
    　前記評価情報を出力する、
    病理診断支援装置。
  2. 　前記プロセッサは、
    　前記色素の吸収スペクトルにおいて、吸収率の差が相対的に大きい２つの色領域に対応する２つの色チャンネルの画素値の比を算出する請求項１に記載の病理診断支援装置。
  3. 　前記プロセッサは、
    　前記生体組織を通る血管の周囲を含む血管周囲領域と、前記血管周囲領域以外の非血管周囲領域とに分けて前記評価情報を導出する請求項１または請求項２に記載の病理診断支援装置。
  4. 　前記標本は肝臓から採取されたものであり、
    　前記プロセッサは、前記肝臓を通る中心静脈の周囲を含む中心静脈周囲領域と、前記非血管周囲領域とに分けて前記評価情報を導出する請求項３に記載の病理診断支援装置。
  5. 　前記プロセッサは、
    　前記評価情報として、前記線維化領域の面積および長さのうちの少なくともいずれかに関する数値を導出する請求項１から請求項４のいずれか１項に記載の病理診断支援装置。
  6. 　前記プロセッサは、
    　取得した前記標本画像に対して圧縮処理を施した後、前記線維化領域の検出を行う請求項１から請求項５のいずれか１項に記載の病理診断支援装置。
  7. 　色素で染色された生体組織の標本を写した複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、
    　前記複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、前記生体組織の線維化領域を検出する検出処理と、
    　検出した前記線維化領域に基づいて、前記生体組織の線維化の程度を表す評価情報を導出する導出処理と、
    　前記評価情報を出力する出力処理と、
    をプロセッサが実行する病理診断支援装置の作動方法。
  8. 　色素で染色された生体組織の標本を写した複数の色チャンネルの画素値を有する標本画像を取得する取得処理と、
    　前記複数の色チャンネルのうちの２つの色チャンネルの画素値の比と、予め設定された閾値との比較により、前記生体組織の線維化領域を検出する検出処理と、
    　検出した前記線維化領域に基づいて、前記生体組織の線維化の程度を表す評価情報を導出する導出処理と、
    　前記評価情報を出力する出力処理と、
    をプロセッサに実行させる病理診断支援装置の作動プログラム。
PCT/JP2021/019793 2020-07-02 2021-05-25 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム WO2022004198A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022533741A JP7436666B2 (ja) 2020-07-02 2021-05-25 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム
CN202180045590.8A CN115769073A (zh) 2020-07-02 2021-05-25 病理诊断辅助装置、病理诊断辅助装置的工作方法、病理诊断辅助装置的工作程序
EP21833599.0A EP4177605A4 (en) 2020-07-02 2021-05-25 PATHOLOGICAL DIAGNOSTIC DEVICE, OPERATING METHOD FOR THE PATHOLOGICAL DIAGNOSTIC DEVICE AND OPERATING PROGRAM FOR THE PATHOLOGICAL DIAGNOSTIC DEVICE
US18/146,030 US20230125525A1 (en) 2020-07-02 2022-12-23 Pathological diagnosis support apparatus, operation method for pathological diagnosis support apparatus, and operation program for pathological diagnosis support apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-115065 2020-07-02
JP2020115065 2020-07-02

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/146,030 Continuation US20230125525A1 (en) 2020-07-02 2022-12-23 Pathological diagnosis support apparatus, operation method for pathological diagnosis support apparatus, and operation program for pathological diagnosis support apparatus

Publications (1)

Publication Number Publication Date
WO2022004198A1 true WO2022004198A1 (ja) 2022-01-06

Family

ID=79315908

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/019793 WO2022004198A1 (ja) 2020-07-02 2021-05-25 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム

Country Status (5)

Country Link
US (1) US20230125525A1 (ja)
EP (1) EP4177605A4 (ja)
JP (1) JP7436666B2 (ja)
CN (1) CN115769073A (ja)
WO (1) WO2022004198A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008215820A (ja) * 2007-02-28 2008-09-18 Tokyo Institute Of Technology スペクトルを用いた解析方法
JP2013113680A (ja) * 2011-11-28 2013-06-10 Keio Gijuku 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム
US20150339816A1 (en) * 2013-01-08 2015-11-26 Agency For Science, Technology And Research A method and system for assessing fibrosis in a tissue
WO2019044579A1 (ja) * 2017-08-31 2019-03-07 国立大学法人大阪大学 病理診断装置、画像処理方法及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2772882A1 (en) * 2013-03-01 2014-09-03 Universite D'angers Automatic measurement of lesions on medical images
EP2980753A1 (en) * 2014-08-01 2016-02-03 Centre Hospitalier Universitaire d'Angers Method for displaying easy-to-understand medical images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008215820A (ja) * 2007-02-28 2008-09-18 Tokyo Institute Of Technology スペクトルを用いた解析方法
JP2013113680A (ja) * 2011-11-28 2013-06-10 Keio Gijuku 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム
US20150339816A1 (en) * 2013-01-08 2015-11-26 Agency For Science, Technology And Research A method and system for assessing fibrosis in a tissue
WO2019044579A1 (ja) * 2017-08-31 2019-03-07 国立大学法人大阪大学 病理診断装置、画像処理方法及びプログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CALVARUSO, V. ET AL.: "Computer-assisted image analysis of liver collagen: Relationship to Ishak scoring and hepatic venous pressure gradient", HEPATOLOGY, vol. 49, no. 4, 2009, pages 1236 - 1244, XP055325291, DOI: 10.1002/hep.22745 *
See also references of EP4177605A4
VINCENZA CALVARUSO ET AL.: "Computer-Assisted Image Analysis of Liver Collagen: Relationship to Ishak Scoring and Hepatic Venous Pressure Gradient", HEPATOLOGY, no. 49, April 2009 (2009-04-01), pages 1236 - 1244, XP055325291, DOI: 10.1002/hep.22745

Also Published As

Publication number Publication date
CN115769073A (zh) 2023-03-07
EP4177605A4 (en) 2023-12-06
EP4177605A1 (en) 2023-05-10
JPWO2022004198A1 (ja) 2022-01-06
JP7436666B2 (ja) 2024-02-21
US20230125525A1 (en) 2023-04-27

Similar Documents

Publication Publication Date Title
US11937973B2 (en) Systems and media for automatically diagnosing thyroid nodules
Militello et al. A semi-automatic approach for epicardial adipose tissue segmentation and quantification on cardiac CT scans
US10165987B2 (en) Method for displaying medical images
JP5442542B2 (ja) 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体
JP2002165757A (ja) 診断支援装置
Di Leo et al. A software tool for the diagnosis of melanomas
US10748279B2 (en) Image processing apparatus, image processing method, and computer readable recording medium
Ebadi et al. Automated detection of pneumonia in lung ultrasound using deep video classification for COVID-19
Hatanaka et al. Improvement of automatic hemorrhage detection methods using brightness correction on fundus images
Hatanaka et al. CAD scheme to detect hemorrhages and exudates in ocular fundus images
Aibinu et al. Automatic diagnosis of diabetic retinopathy from fundus images using digital signal and image processing techniques
WO2022004198A1 (ja) 病理診断支援装置、病理診断支援装置の作動方法、病理診断支援装置の作動プログラム
Tolentino et al. Detection of circulatory diseases through fingernails using artificial neural network
US20230117179A1 (en) System and method for generating an indicator from an image of a histological section
KR102393661B1 (ko) 다중 영상 내시경 시스템, 그 영상 제공 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN110827255A (zh) 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统
Kollorz et al. Using power watersheds to segment benign thyroid nodules in ultrasound image data
JP2007236956A (ja) 内視鏡診断支援装置及び内視鏡画像処理方法
CN113038868A (zh) 医疗图像处理系统
CN108280832A (zh) 医学图像分析方法、医学图像分析系统以及存储介质
JP7092888B2 (ja) 医療画像処理システム及び学習方法
Patil et al. Implementation of segmentation of blood vessels in retinal images on FPGA
JP6786260B2 (ja) 超音波診断装置及び画像生成方法
Sowmiya et al. Survey or Review on the Deep Learning Techniques for Retinal Image Segmentation in Predicting/Diagnosing Diabetic Retinopathy
CN114209299B (zh) 一种基于ippg技术的人体生理参数检测通道选择的方法

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: 21833599

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022533741

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2021833599

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2021833599

Country of ref document: EP

Effective date: 20230202

NENP Non-entry into the national phase

Ref country code: DE