WO2022201416A1 - 検査支援装置、検査支援方法、および記録媒体 - Google Patents

検査支援装置、検査支援方法、および記録媒体 Download PDF

Info

Publication number
WO2022201416A1
WO2022201416A1 PCT/JP2021/012496 JP2021012496W WO2022201416A1 WO 2022201416 A1 WO2022201416 A1 WO 2022201416A1 JP 2021012496 W JP2021012496 W JP 2021012496W WO 2022201416 A1 WO2022201416 A1 WO 2022201416A1
Authority
WO
WIPO (PCT)
Prior art keywords
region
area
inspection
content ratio
tumor cell
Prior art date
Application number
PCT/JP2021/012496
Other languages
English (en)
French (fr)
Inventor
彩香 天川
真貴 佐野
ヤティン ジョシ
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US18/267,585 priority Critical patent/US20240037736A1/en
Priority to PCT/JP2021/012496 priority patent/WO2022201416A1/ja
Priority to JP2023508303A priority patent/JPWO2022201416A5/ja
Publication of WO2022201416A1 publication Critical patent/WO2022201416A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Definitions

  • the present invention relates to an examination support device, an examination support method, and a recording medium, and more particularly to an examination support device, an examination support method, and a recording medium for assisting tumor examination using pathological specimens.
  • a device with a laser irradiation device connected to a microscope is used to acquire the target cell population for genetic testing of somatic cells.
  • tissue slices are attached to special slides, stained, and then lasered along the contours of the examination area while viewing the tissue sections under a microscope. Thereby, the cell population in the inspection area can be separated from the tissue and collected. This is an example of a technique called dissection.
  • Related technology uses digitized pathological images to support diagnosis and diagnosis.
  • pathological tissue is automatically identified using a high-magnification pathological image and a low-magnification pathological image.
  • This technology is an example of digital pathology.
  • Patent Document 2 describes identifying the state of cells or tissues in pathological images and visualizing the identification results using a learning model obtained by machine-learning a large number of pathological image samples.
  • the present invention has been made in view of the above problems, and its purpose is to provide a technique for proposing an examination area suitable for dissection in genetic testing of somatic cells.
  • An examination support apparatus includes acquisition means for acquiring image data of a pathological specimen; estimation means for estimating a tumor cell content ratio for each unit area in a region of interest in the image data of the pathological specimen; The apparatus includes determination means for determining an inspection area within the attention area based on the tumor cell content ratio within the attention area, and output means for outputting information indicating the inspection area.
  • image data of a pathological specimen is acquired, a tumor cell content ratio for each unit area in a region of interest in the image data of the pathological specimen is estimated, and the tumor cell content ratio in the region of interest is estimated.
  • An inspection area within the attention area is determined based on the tumor cell content ratio, and information indicating the inspection area is output.
  • a non-temporary storage medium includes a process of acquiring image data of a pathological specimen, a process of estimating a tumor cell content ratio for each unit area in a region of interest in the image data of the pathological specimen, recording a program for causing a computer to execute a process of determining an inspection area within the attention area based on the tumor cell content ratio within the attention area and a process of outputting information indicating the inspection area;
  • an examination region suitable for dissection in genetic testing of somatic cells it is possible to propose an examination region suitable for dissection in genetic testing of somatic cells.
  • FIG. 4 is a diagram showing an example of data transmission and reception within a system including a pathologist's terminal and a server;
  • FIG. 4 is a diagram schematically showing an example of image data of a pathological specimen;
  • FIG. It is an example showing one screen of a terminal of a pathologist, and information indicating the tumor cell content ratio for each unit area is added to one image data of a pathological specimen.
  • the examination area within the attention area is illustrated by lines.
  • FIG. 4 is a diagram schematically showing a unit area containing normal cells and tumor cells; 1 is a block diagram showing the configuration of an examination support device according to Embodiment 1;
  • FIG. 4 is a flow chart showing the operation of the examination support apparatus according to Embodiment 1;
  • 1 is a diagram showing an example of a hardware configuration of an examination support apparatus according to Embodiment 1;
  • FIG. 1 is a diagram schematically showing an example of system configuration.
  • the system 1 includes a laboratory technician's scanner 100 , a pathologist's terminal 200 , and a server 300 .
  • the laboratory technician creates a pathological specimen of cell tissue that is the target of genetic testing.
  • a laboratory technician uses the scanner 100 to create scan data of a pathological specimen.
  • the laboratory technician transmits the created scan data of the pathological specimen to the terminal 200 of the pathologist.
  • the pathologist creates image data of the pathological specimen to be transmitted to the server 300 by processing the scan data of the pathological specimen received by the terminal 200 . For example, a pathologist determines regions of interest that are likely to contain a high proportion of tumor cells.
  • the pathologist annotates the region of interest.
  • a pathologist may use common image editing software to add markings to regions of interest that are believed to contain a high proportion of tumor cells.
  • a pathologist uses general image editing software running on the terminal 200 to input dots or lines so as to surround a region of interest on the image data of the pathological specimen.
  • the pathologist may acquire the pathological specimen itself prepared by the laboratory technician, draw dots or lines on the pathological specimen with a marker or the like, and then scan the pathological specimen using the scanner 100 .
  • the pathologist's terminal 200 transmits the image data of the pathological specimen thus created to the server 300 .
  • FIG. 2 schematically shows an example of image data of a pathological specimen.
  • dots indicating regions of interest are added to dark-colored portions.
  • the examination technician designates the region of interest.
  • the region of interest does not necessarily have to be designated. If the region of interest is not specified, the term “region of interest” in the following description will be read as the entire image data of the pathological specimen.
  • the server 300 includes an examination support device 10 (FIG. 6) according to Embodiment 1, which will be described later. As will be described in detail in the first embodiment, the examination support apparatus 10 determines an examination region within the region of interest by analyzing the image data of the pathological specimen.
  • the server 300 transmits information indicating the determined examination area to the terminal 200 of the pathologist. For example, the server 300 may add a line indicating an examination area proposed to the pathologist on the image data of the pathological specimen (FIG. 4).
  • the pathologist's terminal 200 displays the information indicating the inspection area received from the server 300 .
  • the detailed configuration and operation of the examination support device 10 included in the server 300 will be described in the first embodiment.
  • FIG. 3 is an example showing one screen of the terminal 200 of the pathologist.
  • FIG. 3 shows the tumor cell content ratio for each unit area in the pathological specimen. More specifically, in FIG. 3, the size of the tumor cell content ratio for each unit area in the region of interest is represented by a pattern on one image data of the pathological specimen. In FIG. 3, the tumor cell content rate for each unit area is classified by 10%.
  • a unit area is an area within one rectangle when one image data of a pathological specimen is divided into rectangles having a certain size.
  • a unit area is sufficiently large compared to the size of one cell. Therefore, a large number of cells and/or tumor cells are present in each unit area.
  • the ratio of tumor cells in one unit area of interest is referred to as the tumor cell content ratio. That is, the tumor cell content ratio is the ratio of the number of tumor cells to the total number of cells and tumor cells contained in one unit area of interest.
  • the inspection region within the region of interest is illustrated by lines on the image data of the pathological specimen shown in FIG.
  • the line of the inspection area in the image data of the pathological image shown in FIG. 4 is an example of the information indicating the inspection area described above.
  • the tumor cell content ratio is the ratio of tumor cells in a unit area.
  • Embodiment 1 will be described with reference to FIGS. 6 and 7.
  • FIG. 1 the “tumor cell content ratio” means the ratio of tumor cells to all cells contained in a region of interest (unit region).
  • FIG. 6 is a block diagram showing the configuration of the examination support device 10. As shown in FIG. As shown in FIG. 6, the examination support apparatus 10 includes an acquisition unit 11, an estimation unit 12, a determination unit 13, and an output unit .
  • the acquisition unit 11 acquires image data of pathological specimens.
  • Acquisition unit 11 is an example of acquisition means.
  • the acquisition unit 11 acquires image data of a pathological specimen transmitted from the pathologist's terminal 200 (FIG. 1) to the server 300 (FIG. 1).
  • the acquiring unit 11 outputs the acquired image data of the pathological specimen to the estimating unit 12 .
  • the estimation unit 12 estimates the tumor cell content ratio for each unit area in the region of interest in the image data of the pathological specimen.
  • a region of interest is a region judged by a pathologist to contain a higher percentage of tumor cells than normal cells on the image data of the pathological specimen.
  • the estimation unit 12 identifies the region of interest based on dots (FIG. 2) on the image data added by image editing software operating on the terminal 200 of the pathologist.
  • the estimating unit 12 may set, as a region of interest, an area surrounded by lines formed by connecting adjacent (that is, closest) dots with lines.
  • the estimating unit 12 estimates the tumor cell content ratio for each unit region in the region of interest in the image data using a discriminator that has undergone machine learning of cell features. For example, the estimation unit 12 estimates the tumor cell content ratio in each unit area using a neural network that has learned models such as tumor cells. Here, the estimation unit 12 may estimate the tumor cell content ratio using the related technology described in Patent Document 2.
  • the estimation unit 12 outputs to the determination unit 13 information indicating the tumor cell content ratio for each unit area in the region of interest in the image data.
  • the determination unit 13 determines the inspection region within the region of interest based on the tumor cell content ratio for each unit region within the region of interest.
  • the determination unit 13 is an example of determination means.
  • the determination unit 13 determines the inspection area within the attention area such that the total average of the tumor cell content ratios of all unit areas included in the inspection area is greater than or equal to the first threshold. In one specific example, the determination unit 13 determines the inspection area within the attention area such that the total average of the tumor cell content ratios of all unit areas included in the inspection area is 30% or more.
  • the first threshold may be arbitrarily determined.
  • the determination unit 13 determines the inspection area within the attention area such that the sum average of the indices of all unit areas included in the inspection area is equal to or greater than the second threshold.
  • the “index” here represents the size of the tumor cell content ratio of the unit area.
  • the unit areas are distinguished by rank according to the tumor cell content ratio. Specifically, the unit area is divided into six ranks of "0-10%”, “10-20%”, “20-30%”, “30-40%”, “40-50%”, and "50-100%”. I know. “ ⁇ %” represents tumor cell content. In this example, the rank according to the tumor cell content ratio of the unit area corresponds to the index of the unit area.
  • the determination unit 13 may determine the inspection area within the attention area so that the total average of the indices of all unit areas included in the inspection area is 4 or higher in six stages.
  • the second threshold may be arbitrarily determined independently of the first threshold.
  • the determination unit 13 sets a second condition regarding the area size of the inspection region and a first condition regarding the outline shape of the inspection region, in addition to the first condition regarding the tumor cell content ratio in the region of interest.
  • An inspection area is determined based on at least one of three conditions.
  • the second condition is that the area of the inspection region exceeds the first lower limit.
  • the third condition is that the outline of the inspection area should be a smooth curve.
  • the second condition and the third condition are not limited to these.
  • the determining unit 13 outputs information indicating the inspection area within the attention area to the output unit 14 .
  • the output unit 14 outputs information indicating the inspection area.
  • the output unit 14 is an example of output means.
  • the output unit 14 receives information indicating an inspection region within the region of interest from the determination unit 13 . Then, the output unit 14 outputs information indicating the inspection region to the pathologist's terminal 200 (FIG. 1) via a local network or the Internet. In one example, the output unit 14 outputs the image data of the pathological specimen indicating the tumor cell content ratio for each unit area in the region of interest to the terminal 200 of the pathologist. The output unit 14 adds a line indicating the inspection area to the output image data (FIG. 4). In this example, the line indicating the inspection area added on the image data of the pathological specimen corresponds to the information indicating the inspection area. Alternatively, the output unit 14 may transmit information indicating the examination area to the terminal 200 of the pathologist via a wireless or wired network, and cause the terminal 200 to display an image of the examination area illustrated in FIG. good.
  • FIG. 7 is a flow chart showing the flow of execution count processing by each unit of the examination support apparatus 10 .
  • the acquisition unit 11 acquires the image data (FIG. 2) of the pathological specimen (S1). Acquisition unit 11 outputs the image data of the pathological specimen to estimation unit 12 .
  • the estimation unit 12 estimates the tumor cell content ratio for each unit area in the region of interest in the image data of the pathological specimen (S2).
  • the estimation unit 12 outputs information indicating the tumor cell content ratio in the region of interest to the determination unit 13 .
  • the determining unit 13 determines an inspection region within the region of interest based on the tumor cell content ratio (Fig. 3) for each unit region within the region of interest (S3).
  • the determination unit 13 outputs information indicating the inspection area to the output unit 14 .
  • the output unit 14 outputs information indicating the inspection area (S4).
  • the output unit 14 causes the screen of the pathologist's terminal to display the information indicating the examination region. For example, as shown in FIG. 4, the output unit 14 causes the pathologist's terminal to display a screen in which the examination region is illustrated by lines in the image data of the pathological specimen.
  • the acquisition unit 11 acquires image data of a pathological specimen.
  • the estimation unit 12 estimates the tumor cell content ratio for each unit area in the region of interest in the image data of the pathological specimen.
  • the determination unit 13 determines an inspection region within the region of interest based on the tumor cell content ratio for each unit region within the region of interest.
  • the output unit 14 outputs information indicating the inspection area.
  • the inspection region to be output is determined based on the tumor cell content ratio for each unit region within the region of interest. Generally, the higher the tumor cell content within the examination area, the more suitable the examination area is for dissection. Therefore, in genetic testing of somatic cells, it is possible to propose a testing region suitable for dissection.
  • FIG. 8 is a block diagram showing an example of the hardware configuration of the information processing device 900. As shown in FIG. 8
  • the information processing device 900 includes the following configuration as an example.
  • a program 904 that implements the function of each component is stored in advance in, for example, the storage device 905 or the ROM 902, and is loaded into the RAM 903 and executed by the CPU 901 as necessary.
  • the program 904 may be supplied to the CPU 901 via the communication network 909 or may be stored in the recording medium 906 in advance, and the drive device 907 may read the program and supply it to the CPU 901 .
  • the inspection support device 10 described in the first embodiment is implemented as hardware. Therefore, the same effects as those described in the above embodiment can be obtained.
  • Appendix 1 Acquisition means for acquiring image data of a pathological specimen; estimating means for estimating a tumor cell content ratio for each unit region in the region of interest in the image data of the pathological specimen; determining means for determining an inspection region within the region of interest based on the tumor cell content ratio within the region of interest; and an output means for outputting information indicating the inspection area.
  • the determining means is The examination support apparatus according to appendix 1, wherein the examination region is determined based on a first condition regarding a tumor cell content ratio in the examination region.
  • the determining means is The examination support according to appendix 2, wherein the examination region is determined such that an average of indices based on the tumor cell content ratio in the examination region exceeds a first threshold according to the first condition.
  • Device
  • the determining means is In addition to the first condition, the inspection area is determined based on at least one of a second condition regarding the size of the area of the inspection area and a third condition regarding the contour shape of the inspection area.
  • the examination support device according to appendix 2 or 3, characterized by:
  • the estimation means is 5.
  • the examination support apparatus according to any one of Appendices 1 to 4, wherein an index is calculated based on a tumor cell content ratio in the region of interest.
  • the output means is 6.
  • the examination support apparatus according to any one of appendices 1 to 5, wherein a tumor cell content ratio for each unit area in the attention area is displayed on the image.
  • the acquisition means acquires image data of the pathological specimen to which information indicating the attention area is added, 7.
  • the examination support apparatus according to any one of appendices 1 to 6, wherein the output means outputs information indicating the attention area together with information indicating the examination area.
  • Appendix 8 The examination according to any one of Appendices 1 to 7, wherein the estimation means estimates a tumor cell content ratio for each unit area in the attention area using a neural network that has learned a tumor model. support equipment.
  • Appendix 9 The examination support apparatus according to appendix 7, wherein the information indicating the attention area is attached by an annotation.
  • (Appendix 12) Acquire image data of pathological specimens, estimating the tumor cell content ratio for each unit region in the region of interest in the image data of the pathological specimen; determining an inspection region within the region of interest based on the tumor cell content ratio within the region of interest; An inspection support method for outputting information indicating the inspection area.
  • (Appendix 13) a process of acquiring image data of a pathological specimen; a process of estimating a tumor cell content ratio for each unit area in a region of interest in the image data of the pathological specimen; a process of determining an inspection region within the region of interest based on the tumor cell content ratio within the region of interest;
  • a non-temporary recording medium recording a program for causing a computer to execute a process of outputting information indicating the inspection area.

Abstract

体細胞の遺伝子検査において、ダイセクションに適した検査領域を提案する技術を提供する。取得部（１１）は、病理標本の画像データを取得し、推定部（１２）は、病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定し、決定部（１３）は、注目領域内における単位領域ごとの腫瘍細胞含有割合に基づいて、注目領域内における検査領域を決定し、出力部（１４）は、検査領域を示す情報を出力する。

Description

検査支援装置、検査支援方法、および記録媒体
　本発明は、検査支援装置、検査支援方法、および記録媒体に関し、特に、病理標本を用いた腫瘍の検査を補助する検査支援装置、検査支援方法、および記録媒体に関する。
　体細胞の遺伝子検査の対象とする細胞集団を取得するために、顕微鏡にレーザー照射装置が接続された機器が使用される。一つの手法では、薄切りにした組織を専用のスライドに貼り付けて染色した後、顕微鏡で組織の切片を観察しながら、検査領域の輪郭に沿ってレーザーを照射する。これにより、検査領域内の細胞集団を組織から切り離して回収することができる。これはダイセクション（解離）と呼ばれる技術の一例である。
　関連する技術では、デジタル化した病理画像を用いて、診断や診断の支援を行う。例えば、特許文献１に記載の関連する技術では、高倍率の病理画像及び低倍率の病理画像を用いて、病理組織を自動識別する。この技術は、デジタルパソロジーの一例である。
　特許文献２には、多数の病理画像のサンプルを機械学習した学習モデルを用いて、病理画像における細胞または組織の状態を識別し、その識別結果を可視化することが記載されている。
特開２０１０－２０３９４９号公報 特開２０１８－０４４８０６号公報
　精確な遺伝子検査のため、腫瘍細胞の含有割合が高い検査領域を組織から選択することが要求される。しかしながら、病理医にとって、腫瘍細胞の含有割合が高い検査領域を適切に判断することは困難である。また、不慣れな病理医には、検査領域内の細胞集団を手動で正確にダイセクション（解離）することができない場合がある。
　本発明は、上記の課題に鑑みてなされたものであり、その目的は、体細胞の遺伝子検査において、ダイセクションに適した検査領域を提案する技術を提供することにある。
　本発明の一態様に係わる検査支援装置は、病理標本の画像データを取得する取得手段と、前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する推定手段と、前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定する決定手段と、前記検査領域を示す情報を出力する出力手段とを備えている。
　本発明の一態様に係わる検査支援方法では、病理標本の画像データを取得し、前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定し、前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定し、前記検査領域を示す情報を出力する。
　本発明の一態様に係わる一時的でない記憶媒体は、病理標本の画像データを取得する処理と、前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する処理と、前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定する処理と、前記検査領域を示す情報を出力する処理とをコンピュータに実行させるためのプログラムを記録している。
　本発明の一態様によれば、体細胞の遺伝子検査において、ダイセクションに適した検査領域を提案することができる。
病理医の端末およびサーバを備えたシステム内におけるデータの送受信の一例を示す図である。 病理標本の画像データの一例を模式的に示す図である。 病理医の端末の一画面を示す例であり、病理標本の一画像データ上に、単位領域ごとの腫瘍細胞含有割合を示す情報が付加されている。 図３に示す病理標本の画像データ上に、注目領域内における検査領域が、線で図示されている。 正常な細胞及び腫瘍細胞を含む単位領域を模式的に示す図である。 実施形態１に係わる検査支援装置の構成を示すブロック図である。 実施形態１に係わる検査支援装置の動作を示すフローチャートである。 実施形態１に係わる検査支援装置のハードウェア構成の一例を示す図である。
　図面を参照して、本発明の実施形態について説明する。
　（システム１）
　図１を参照して、後述する実施形態１に係わる検査支援装置１０が適用されるシステム１の構成の一例を説明する。図１は、システムの構成の一例を概略的に示す図である。
　図１に示すように、システム１は、検査技師のスキャナ１００、病理医の端末２００、および、サーバ３００を備えている。
　検査技師は、遺伝子検査の対象となる細胞組織の病理標本を作成する。検査技師は、スキャナ１００を用いて、病理標本のスキャンデータを作成する。検査技師は、作成した病理標本のスキャンデータを、病理医の端末２００へ送信する。
　病理医は、端末２００が受信した病理標本のスキャンデータを加工することによって、サーバ３００へ送信する病理標本の画像データを作成する。例えば、病理医は、腫瘍細胞含有割合が高いと考えられる注目領域を判断する。
　病理医は、注目領域のアノテーションを行う。例えば、病理医は、一般的な画像編集ソフトウェアを用いて、腫瘍細胞含有割合が高いと考えられる注目領域にマーキングを付加してもよい。例えば、病理医は、端末２００上で動作する一般的な画像編集ソフトウェアを用いて、病理標本の画像データ上の注目領域を囲むように、ドット又は線を入力する。あるいは、病理医は、検査技師が作成した病理標本そのものを取得して、病理標本上にマジック等でドット又は線を描いたのち、スキャナ１００を用いて、病理標本をスキャンしてもよい。病理医の端末２００は、このようにして作成された病理標本の画像データを、サーバ３００へ送信する。
　図２は、病理標本の画像データの一例を模式的に示す。図２に示す病理標本の画像データ上において、色が濃い部分には、注目領域を示すドットが付加されている。ここでは、検査技師が注目領域を指定する場合について説明した。しかしながら、注目領域は必ずしも指定される必要がない。注目領域が指定されない場合、以下の説明において、「注目領域」は、病理標本の画像データの全体と読み替えられる。
　サーバ３００は、後述する実施形態１に係わる検査支援装置１０（図６）を備えている。実施形態１において詳述するように、検査支援装置１０は、病理標本の画像データを分析することによって、注目領域内における検査領域を決定する。
　サーバ３００は、決定した検査領域を示す情報を、病理医の端末２００へ送信する。例えば、サーバ３００は、病理標本の画像データ上に、病理医に提案する検査領域を示す線を付加してもよい（図４）。
　病理医の端末２００は、サーバ３００から受信した、検査領域を示す情報を表示する。なお、サーバ３００が備えた検査支援装置１０の詳細な構成及び動作については、実施形態１において説明する。
　図３は、病理医の端末２００の一画面を示す例である。図３は、病理標本における単位領域ごとの腫瘍細胞含有割合を示している。より詳細には、図３では、病理標本の一画像データ上に、注目領域内における単位領域ごとの腫瘍細胞含有割合の大きさが、パターンで表現されている。図３では、単位領域ごとの腫瘍細胞含有割合が１０％ごとに分類されている。単位領域は、病理標本の一画像データを、一定の大きさを有する矩形に分割したときの、１つの矩形内の領域である。単位領域は、１つの細胞の大きさと比して十分に大きい。そのため、単位領域内には、多数の細胞及び／または腫瘍細胞が存在している。以下では、着目する１つの単位領域における腫瘍細胞の比率を腫瘍細胞含有割合と呼ぶ。すなわち、腫瘍細胞含有割合は、着目する１つの単位領域に含まれる細胞及び腫瘍細胞の合計数に対する腫瘍細胞の数の比率である。
　図４では、図３に示す病理標本の画像データ上に、注目領域内における検査領域が線で図示されている。図４に示す病理画像の画像データにおける検査領域の線は、上述した検査領域を示す情報の一例である。
　（腫瘍細胞含有割合の計算方法の説明）
　図５を参照して、腫瘍細胞含有割合の計算方法を説明する。腫瘍細胞含有割合は、単位領域に占める腫瘍細胞の比率である。図５は、単位領域内にある正常な細胞及び腫瘍細胞を模式的に示す。図５に示す例では、単位領域に含まれる７つの細胞のうち、５つが腫瘍細胞であるから、腫瘍細胞含有割合は、約７１％（＝５／７×１００）である。
　〔実施形態１〕
　図６から図７を参照して、実施形態１について説明する。本実施形態１において、「腫瘍細胞含有割合」は、着目する領域（単位領域）に含まれる細胞の全体に占める腫瘍細胞の比率を意味する。
　（検査支援装置１０）
　図６を参して、本実施形態１に係わる検査支援装置１０が備えた構成要素について説明する。図６は、検査支援装置１０の構成を示すブロック図である。図６に示すように、検査支援装置１０は、取得部１１、推定部１２、決定部１３、および出力部１４を備えている。
　取得部１１は、病理標本の画像データを取得する。取得部１１は、取得手段の一例である。一例では、取得部１１は、病理医の端末２００（図１）からサーバ３００（図１）へ送信された病理標本の画像データを取得する。取得部１１は、取得した病理標本の画像データを、推定部１２へ出力する。
　推定部１２は、病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する。注目領域とは、病理標本の画像データ上において、正常な細胞と比して、腫瘍細胞の含有割合が高いと病理医が判断した領域である。一例では、推定部１２は、病理医の端末２００上で動作する画像編集ソフトによって付加された画像データ上のドット（図２）に基づいて、注目領域を特定する。この場合、推定部１２は、隣接する（つまり最も近傍にある）ドット同士を線でつないでゆくことによってできる線で囲まれた領域を、注目領域としてもよい。
　さらに、推定部１２は、細胞の特徴を機械学習した識別器を用いて、画像データ中の注目領域における単位領域ごとに、腫瘍細胞含有割合を推定する。例えば、推定部１２は、腫瘍細胞等のモデルを学習したニューラルネットワークを用いて、各単位領域における腫瘍細胞含有割合を推定する。ここでは、推定部１２は、特許文献２に記載された関連する技術を用いて、腫瘍細胞含有割合を推定してもよい。
　推定部１２は、画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を示す情報を、決定部１３へ出力する。
　決定部１３は、注目領域内における単位領域ごとの腫瘍細胞含有割合に基づいて、注目領域内における検査領域を決定する。決定部１３は、決定手段の一例である。
　一例では、決定部１３は、検査領域に含まれる全ての単位領域の腫瘍細胞含有割合の総和平均が第１の閾値以上になるように、注目領域内における検査領域を決定する。一つの具体例では、決定部１３は、検査領域に含まれる全ての単位領域の腫瘍細胞含有割合の総和平均が３０％以上になるように、注目領域内における検査領域を決定する。ただし、第１の閾値は任意に定められてよい。
　別の一例では、決定部１３は、検査領域に含まれる全ての単位領域の指標の総和平均が、第２の閾値以上になるように、注目領域内における検査領域を決定する。ここでの「指標」は、単位領域の腫瘍細胞含有割合の大きさを表す。
　図３を参照して、指標の一例を説明する。図３に示す例では、単位領域は、腫瘍細胞含有割合の大きさに応じたランクにより、区別されている。具体的には、単位領域は、「０～１０％」「１０～２０％」「２０～３０％」「３０～４０％」「４０～５０％」「５０～１００％」の６つのランクに分かれている。「～％」は、腫瘍細胞含有割合を表す。この例では、単位領域の腫瘍細胞含有割合に応じたランクが、単位領域の指標に相当する。
　一つの具体例では、決定部１３は、検査領域に含まれる全ての単位領域の指標の総和平均が、６段階の４以上になるように、注目領域内における検査領域を決定してよい。ただし、第２の閾値は、第１の閾値とは独立に、任意に定められてよい。
　一変形例では、決定部１３は、注目領域内における腫瘍細胞含有割合に関する第１の条件に加えて、検査領域の面積の大きさに関する第２の条件、および、検査領域の輪郭の形状に関する第３の条件のうちの少なくとも一方に基づいて、検査領域を決定する。
　例えば、第２の条件は、検査領域の面積が第１の下限値を上回ることである。また、第３の条件は、検査領域の輪郭が滑かな曲線であることである。ただし、第２の条件および第３の条件はこれらに限られない。
　決定部１３は、注目領域内における検査領域を示す情報を、出力部１４へ出力する。
　出力部１４は、検査領域を示す情報を出力する。出力部１４は、出力手段の一例である。
　一例では、出力部１４は、決定部１３から、注目領域内における検査領域を示す情報を受信する。そして、出力部１４は、ローカルネットワークまたはインターネットを介して、病理医の端末２００（図１）へ、検査領域を示す情報を出力する。一例では、出力部１４は、注目領域内における単位領域ごとの腫瘍細胞含有割合を示した病理標本の画像データを、病理医の端末２００へ出力する。出力部１４は、この出力する画像データ上に、検査領域を示す線を付加する（図４）。この例では、病理標本の画像データ上に付加された検査領域を示す線が、検査領域を示す情報に相当する。あるいは、出力部１４は、無線または有線ネットワークを介して、病理医の端末２００に、検査領域を示す情報を送信し、端末２００に図４に例示する検査領域の画像を表示させるようにしてもよい。
　（検査支援装置１０の動作）
　図７を参照して、本実施形態１に係わる検査支援装置１０の動作を説明する。図７は、検査支援装置１０の各部が実行数処理の流れを示すフローチャートである。
　図７に示すように、取得部１１は、病理標本の画像データ（図２）を取得する（Ｓ１）。取得部１１は、病理標本の画像データを、推定部１２へ出力する。
　推定部１２は、病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する（Ｓ２）。推定部１２は、注目領域における腫瘍細胞含有割合を示す情報を、決定部１３へ出力する。
　決定部１３は、注目領域内における単位領域ごとの腫瘍細胞含有割合（図３）に基づいて、注目領域内における検査領域を決定する（Ｓ３）。決定部１３は、検査領域を示す情報を出力部１４へ出力する。
　出力部１４は、検査領域を示す情報を出力する（Ｓ４）。出力部１４は、検査領域を示す情報を、病理医の端末の画面に表示させる。一例では、出力部１４は、図４に示すように、病理標本の画像データにおいて、検査領域を線で図示した画面を、病理医の端末に表示させる。
　以上で、検査支援装置１０の動作は終了する。
　（本実施形態の効果）
　本実施形態の構成によれば、取得部１１は、病理標本の画像データを取得する。推定部１２は、病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する。決定部１３は、注目領域内における単位領域ごとの腫瘍細胞含有割合に基づいて、注目領域内における検査領域を決定する。出力部１４は、検査領域を示す情報を出力する。出力される検査領域は、注目領域内における単位領域ごとの腫瘍細胞含有割合に基づいて決定されている。検査領域内における腫瘍細胞含有割合が高いほど、一般的に、検査領域はダイセクションに適しているといえる。したがって、体細胞の遺伝子検査において、ダイセクションに適した検査領域を提案することができる。
　（ハードウェア構成について）
　前記実施形態１で説明した検査支援装置１０の各構成要素は、機能単位のブロックを示している。これらの構成要素の一部又は全部は、例えば図８に示すような情報処理装置９００により実現される。図８は、情報処理装置９００のハードウェア構成の一例を示すブロック図である。
　図８に示すように、情報処理装置９００は、一例として、以下のような構成を含む。
　　・ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）９０１
　　・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）９０２
　　・ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）９０３
　　・ＲＡＭ９０３にロードされるプログラム９０４
　　・プログラム９０４を格納する記憶装置９０５
　　・記録媒体９０６の読み書きを行うドライブ装置９０７
　　・通信ネットワーク９０９と接続する通信インタフェース９０８
　　・データの入出力を行う入出力インタフェース９１０
　　・各構成要素を接続するバス９１１
　前記実施形態１で説明した検査支援装置１０の各構成要素は、これらの機能を実現するプログラム９０４をＣＰＵ９０１が読み込んで実行することで実現される。各構成要素の機能を実現するプログラム９０４は、例えば、予め記憶装置９０５やＲＯＭ９０２に格納されており、必要に応じてＣＰＵ９０１がＲＡＭ９０３にロードして実行される。なお、プログラム９０４は、通信ネットワーク９０９を介してＣＰＵ９０１に供給されてもよいし、予め記録媒体９０６に格納されており、ドライブ装置９０７が当該プログラムを読み出してＣＰＵ９０１に供給してもよい。
　上記の構成によれば、前記実施形態１において説明した検査支援装置１０が、ハードウェアとして実現される。したがって、前記実施形態において説明した効果と同様の効果を奏することができる。
　以上、実施形態（及び実施例）を参照して本願発明を説明したが、本願発明は上記実施形態（及び実施例）に限定されるものではない。上記実施形態（及び実施例）の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
　〔付記〕
　　（付記１）
　病理標本の画像データを取得する取得手段と、
　前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する推定手段と、
　前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定する決定手段と、
　前記検査領域を示す情報を出力する出力手段と
を備えた検査支援装置。
　　（付記２）
　前記決定手段は、
　前記検査領域内における腫瘍細胞含有割合に関する第１の条件に基づいて、前記検査領域を決定する
　ことを特徴とする付記１に記載の検査支援装置。
　　（付記３）
　前記決定手段は、
　前記検査領域内における腫瘍細胞含有割合に基づく指標の平均が、前記第１の条件にしたがう第１の閾値を超えるように、前記検査領域を決定する
　ことを特徴とする付記２に記載の検査支援装置。
　　（付記４）
　前記決定手段は、
　前記第１の条件に加えて、前記検査領域の面積の大きさに関する第２の条件、および、前記検査領域の輪郭の形状に関する第３の条件のうちの少なくとも一方に基づいて、前記検査領域を決定する
　ことを特徴とする付記２または３に記載の検査支援装置。
　　（付記５）
　前記推定手段は、
　前記注目領域内における腫瘍細胞含有割合に基づく指標を算出する
　ことを特徴とする付記１から４のいずれか１項に記載の検査支援装置。
　　（付記６）
　前記出力手段は、
　前記画像上に、前記注目領域内における単位領域ごとの腫瘍細胞含有割合を表示する
　ことを特徴とする付記１から５のいずれか１項に記載の検査支援装置。
　　（付記７）
　前記取得手段は、前記注目領域を示す情報を付与された前記病理標本の画像データを取得し、
　前記出力手段は、前記検査領域を示す情報とともに、前記注目領域を示す情報も出力する
　ことを特徴とする付記１から６のいずれか１項に記載の検査支援装置。
　（付記８）
　前記推定手段は、腫瘍のモデルを学習したニューラルネットワークを用いて、前記注目領域における単位領域ごとの腫瘍細胞含有割合を推定する
　ことを特徴とする付記１から７のいずれか１項に記載の検査支援装置。
　　（付記９）
　前記注目領域を示す情報は、アノテーションによって付与される
　ことを特徴とする付記７に記載の検査支援装置。
　　（付記１０）
　前記第２の条件は、前記検査領域の面積が第２の閾値を上回ることである
　ことを特徴とする付記４に記載の検査支援装置。
　　（付記１１）
　前記第３の条件は、前記検査領域の輪郭が滑かな曲線であることである
　ことを特徴とする付記４に記載の検査支援装置。
　　（付記１２）
　病理標本の画像データを取得し、
　前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定し、
　前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定し、
　前記検査領域を示す情報を出力する
検査支援方法。
　　（付記１３）
　病理標本の画像データを取得する処理と、
　前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する処理と、
　前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定する処理と、
　前記検査領域を示す情報を出力する処理と
をコンピュータに実行させるためのプログラムを記録した、一時的でない記録媒体。
　　１０　検査支援装置
　　１１　取得部
　　１２　推定部
　　１３　決定部
　　１４　出力部

Claims (13)

  1. 　病理標本の画像データを取得する取得手段と、
    　前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する推定手段と、
    　前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定する決定手段と、
    　前記検査領域を示す情報を出力する出力手段と
    を備えた検査支援装置。
  2. 　前記決定手段は、
    　前記検査領域内における腫瘍細胞含有割合に関する第１の条件に基づいて、前記検査領域を決定する
    　ことを特徴とする請求項１に記載の検査支援装置。
  3. 　前記決定手段は、
    　前記検査領域内における腫瘍細胞含有割合に基づく指標の平均が、前記第１の条件にしたがう第１の閾値を超えるように、前記検査領域を決定する
    　ことを特徴とする請求項２に記載の検査支援装置。
  4. 　前記決定手段は、
    　前記第１の条件に加えて、前記検査領域の面積の大きさに関する第２の条件、および、前記検査領域の輪郭の形状に関する第３の条件のうちの少なくとも一方に基づいて、前記検査領域を決定する
    　ことを特徴とする請求項２または３に記載の検査支援装置。
  5. 　前記推定手段は、
    　前記注目領域内における腫瘍細胞含有割合に基づく指標を算出する
    　ことを特徴とする請求項１から４のいずれか１項に記載の検査支援装置。
  6. 　前記出力手段は、
    　前記画像上に、前記注目領域内における単位領域ごとの腫瘍細胞含有割合を表示する
    　ことを特徴とする請求項１から５のいずれか１項に記載の検査支援装置。
  7. 　前記取得手段は、前記注目領域を示す情報を付与された前記病理標本の画像データを取得し、
    　前記出力手段は、前記検査領域を示す情報とともに、前記注目領域を示す情報も出力する
    　ことを特徴とする請求項１から６のいずれか１項に記載の検査支援装置。
  8. 　前記推定手段は、腫瘍のモデルを学習したニューラルネットワークを用いて、前記注目領域における単位領域ごとの腫瘍細胞含有割合を推定する
    　ことを特徴とする請求項１から７のいずれか１項に記載の検査支援装置。
  9. 　前記注目領域を示す情報は、アノテーションによって付与される
    　ことを特徴とする請求項７に記載の検査支援装置。
  10. 　前記第２の条件は、前記検査領域の面積が第１の下限値を上回ることである
    　ことを特徴とする請求項４に記載の検査支援装置。
  11. 　前記第３の条件は、前記検査領域の輪郭が滑かな曲線であることである
    　ことを特徴とする請求項４に記載の検査支援装置。
  12. 　病理標本の画像データを取得し、
    　前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定し、
    　前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定し、
    　前記検査領域を示す情報を出力する
    検査支援方法。
  13. 　病理標本の画像データを取得する処理と、
    　前記病理標本の画像データ中の注目領域における単位領域ごとの腫瘍細胞含有割合を推定する処理と、
    　前記注目領域内における前記腫瘍細胞含有割合に基づいて、前記注目領域内における検査領域を決定する処理と、
    　前記検査領域を示す情報を出力する処理と
    をコンピュータに実行させるためのプログラムを記録した、一時的でない記録媒体。
PCT/JP2021/012496 2021-03-25 2021-03-25 検査支援装置、検査支援方法、および記録媒体 WO2022201416A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/267,585 US20240037736A1 (en) 2021-03-25 2021-03-25 Inspection assistance device, inspection assistance method, and recording medium
PCT/JP2021/012496 WO2022201416A1 (ja) 2021-03-25 2021-03-25 検査支援装置、検査支援方法、および記録媒体
JP2023508303A JPWO2022201416A5 (ja) 2021-03-25 検査支援装置、検査支援方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/012496 WO2022201416A1 (ja) 2021-03-25 2021-03-25 検査支援装置、検査支援方法、および記録媒体

Publications (1)

Publication Number Publication Date
WO2022201416A1 true WO2022201416A1 (ja) 2022-09-29

Family

ID=83395457

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/012496 WO2022201416A1 (ja) 2021-03-25 2021-03-25 検査支援装置、検査支援方法、および記録媒体

Country Status (2)

Country Link
US (1) US20240037736A1 (ja)
WO (1) WO2022201416A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10500205A (ja) * 1994-03-01 1998-01-06 ガバメント オブ ザ ユナイテッド ステイツ，レプレゼンティッド バイ ザ セクレタリー オブ ザ デパートメント オブ ヘルス アンド ヒューマン サービスィズ 顕微鏡視覚化による細胞の隔離
JP2015533086A (ja) * 2012-10-03 2015-11-19 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 組み合わされた試料検査
JP2018511036A (ja) * 2015-01-31 2018-04-19 エフ．ホフマン−ラ ロシュ アーゲーＦ． Ｈｏｆｆｍａｎｎ−Ｌａ Ｒｏｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ メソダイセクションのためのシステムおよび方法
WO2019069446A1 (ja) * 2017-10-06 2019-04-11 株式会社ニコン 画像処理装置、画像処理方法及び画像処理プログラム
WO2019199392A1 (en) * 2018-04-12 2019-10-17 Google Llc Augmented reality microscope for pathology with overlay of quantitative biomarker data
JP2020504349A (ja) * 2016-10-21 2020-02-06 ナントミクス，エルエルシー デジタル病理組織診断及び顕微解剖
US20200211189A1 (en) * 2018-12-31 2020-07-02 Tempus Labs, Inc. Artificial intelligence segmentation of tissue images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10500205A (ja) * 1994-03-01 1998-01-06 ガバメント オブ ザ ユナイテッド ステイツ，レプレゼンティッド バイ ザ セクレタリー オブ ザ デパートメント オブ ヘルス アンド ヒューマン サービスィズ 顕微鏡視覚化による細胞の隔離
JP2015533086A (ja) * 2012-10-03 2015-11-19 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 組み合わされた試料検査
JP2018511036A (ja) * 2015-01-31 2018-04-19 エフ．ホフマン−ラ ロシュ アーゲーＦ． Ｈｏｆｆｍａｎｎ−Ｌａ Ｒｏｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ メソダイセクションのためのシステムおよび方法
JP2020504349A (ja) * 2016-10-21 2020-02-06 ナントミクス，エルエルシー デジタル病理組織診断及び顕微解剖
WO2019069446A1 (ja) * 2017-10-06 2019-04-11 株式会社ニコン 画像処理装置、画像処理方法及び画像処理プログラム
WO2019199392A1 (en) * 2018-04-12 2019-10-17 Google Llc Augmented reality microscope for pathology with overlay of quantitative biomarker data
US20200211189A1 (en) * 2018-12-31 2020-07-02 Tempus Labs, Inc. Artificial intelligence segmentation of tissue images

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
COSATTO, ERIC ET AL.: "A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting", PROCEEDINGS OF SPIE, vol. 11603, 15 February 2021 (2021-02-15), pages 1160308, XP060139108, DOI: 10.1117/12.2581108 *
COUDRAY, NICOLAS ET AL.: "Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning", NATURE MEDICINE, vol. 24, 2018, pages 1559 - 1567, XP036608997, DOI: 10.1038/s41591-018-0177-5 *
FU, YU ET AL.: "Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis", NATURE CANCER, vol. 1, August 2020 (2020-08-01), pages 800 - 810, XP055932862, DOI: 10.1038/s43018-020-0085-8 *
NAYLOR, PETER ET AL.: "Segmentation of Nuclei in Histopathology Images by Deep Regression of the Distance Map", IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 38, no. 2, February 2019 (2019-02-01), pages 448 - 459, XP011707502, DOI: 10.1109/TMI.2018.2865709 *
SHABBEER BASHA S H; GHOSH SOUMEN; KISHAN BABU KANCHARAGUNTA; RAM DUBEY SHIV; PULABAIGARI VISWANATH; MUKHERJEE SNEHASIS: "RCCNet: An Efficient Convolutional Neural Network for Histological Routine Colon Cancer Nuclei Classification", 2018 15TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION, ROBOTICS AND VISION (ICARCV), IEEE, 18 November 2018 (2018-11-18), pages 1222 - 1227, XP033480711, DOI: 10.1109/ICARCV.2018.8581147 *

Also Published As

Publication number Publication date
JPWO2022201416A1 (ja) 2022-09-29
US20240037736A1 (en) 2024-02-01

Similar Documents

Publication Publication Date Title
JP6086949B2 (ja) 色原体分離に基づく画像解析の方法
JP4071186B2 (ja) 生物標本内の関心対象を識別するための方法及びシステム
EP2544141A1 (en) Diagnostic information distribution device and pathology diagnosis system
US9014443B2 (en) Image diagnostic method, image diagnostic apparatus, and image diagnostic program
JP2019095853A (ja) 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法
EP3989160A1 (en) Pathological section image processing method, apparatus, system, and storage medium
CA3137860C (en) Systems and methods for processing images of slides to automatically prioritize the processed images of slides for digital pathology
US10395091B2 (en) Image processing apparatus, image processing method, and storage medium identifying cell candidate area
JP2005509140A (ja) ステイン吸収の物理学的モデルに基づいて組織学的標本におけるステインを検出および定量化する頑強な方法
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
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
US20180128734A1 (en) Image processing apparatus, image processing method, and image processing program
CN110246135B (zh) 卵泡监测方法、装置、系统及存储介质
JP2012073179A (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
CN110974306A (zh) 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统
JP2008020949A (ja) 画像処理装置および画像処理プログラム
KR20220062332A (ko) 디지털 병리학을 위한 슬라이드들의 이미지들을 처리하기 위한 시스템들 및 방법들
JP4864709B2 (ja) 分散プロット分布を用いてスライドの染色品質を決定するシステム
US11776115B2 (en) System and method for estimating a quantity of interest based on an image of a histological section
WO2022201416A1 (ja) 検査支援装置、検査支援方法、および記録媒体
JP7349425B2 (ja) 診断支援システム、診断支援方法及び診断支援プログラム
JP4897488B2 (ja) 分散プロット分布を用いてスライドを分類するシステム
US20200074628A1 (en) Image processing apparatus, imaging system, image processing method and computer readable recoding medium
JP2024504958A (ja) 組織検体画像の生成方法、及びこれを行うコンピューティングシステム
CN112036237A (zh) 染色体嵌合体识别判断方法、系统及染色体核型分析方法

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: 21933026

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18267585

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2023508303

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21933026

Country of ref document: EP

Kind code of ref document: A1