JPH04318460A - 血液細胞分析装置 - Google Patents
血液細胞分析装置Info
- Publication number
- JPH04318460A JPH04318460A JP8499091A JP8499091A JPH04318460A JP H04318460 A JPH04318460 A JP H04318460A JP 8499091 A JP8499091 A JP 8499091A JP 8499091 A JP8499091 A JP 8499091A JP H04318460 A JPH04318460 A JP H04318460A
- Authority
- JP
- Japan
- Prior art keywords
- mdm
- color tone
- blood cell
- blood
- recognition algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】この発明は、血液像より特徴パラ
メータを抽出して、この特徴パラメータを所定のアルゴ
リズムに適用して血液を識別分類する血液細胞分析装置
に関する。
メータを抽出して、この特徴パラメータを所定のアルゴ
リズムに適用して血液を識別分類する血液細胞分析装置
に関する。
【０００２】
【従来の技術】一般に、臨床検査において、血液像分析
検査を自動処理するための装置が種々開発されている。 これらの装置のうちで白血球の分類のアルゴリズムとし
てパターン認識を用いる装置において、その認識のため
のアルゴリズムがさらに数多く開発されている。例えば
その代表的なものは、識別関数などの統計処理による認
識アルゴリズム、枝分かれ論理による認識アルゴリズム
、ファジイ（ＦＵＺＺＹ）理論による認識アルゴリズム
等である。従来の血液細胞分析装置では、これらの認識
アルゴリズムのいずれか１つを採用していた。
検査を自動処理するための装置が種々開発されている。 これらの装置のうちで白血球の分類のアルゴリズムとし
てパターン認識を用いる装置において、その認識のため
のアルゴリズムがさらに数多く開発されている。例えば
その代表的なものは、識別関数などの統計処理による認
識アルゴリズム、枝分かれ論理による認識アルゴリズム
、ファジイ（ＦＵＺＺＹ）理論による認識アルゴリズム
等である。従来の血液細胞分析装置では、これらの認識
アルゴリズムのいずれか１つを採用していた。
【０００３】
【発明が解決しようとする課題】上記した認識アルゴリ
ズムは、いずれも一長一短がある。統計処理による認識
アルゴリズムでは、環境の変化に対する標本の変動に対
応できない、微妙な認識の調整がしづらい、あいまいな
血球間（リンパ球−単球−異型リンパ球、幼若球相互）
の認識の判断に問題が残る等の短所がある。また、枝分
かれ論理による認識アルゴリズムでは、専門家の知識を
論理に組み込みやすい、論理の構築・変更が容易、単一
の特徴量での判断に有効、特徴量間に明らかな有意差が
あるとき有効等の長所の反面、特徴量間の差があいまい
なときの判断に問題が残るという短所がある。また、フ
ァジイ理論による認識アルゴリズムでは、人のノウハウ
を入れたルールをつくりやすい、複数の特徴量から総合
判断が可能、特徴量の差があいまいなときに有効等の長
所の反面、実数計算処理を多く必要とするため、処理時
間が長くなり、特徴量間に有意差があるときなどには不
向きである。そのため、いずれか１つの認識アルゴリズ
ムを採用する従来装置では、識別精度をある程度以上に
上げるには限界があるという問題があった。
ズムは、いずれも一長一短がある。統計処理による認識
アルゴリズムでは、環境の変化に対する標本の変動に対
応できない、微妙な認識の調整がしづらい、あいまいな
血球間（リンパ球−単球−異型リンパ球、幼若球相互）
の認識の判断に問題が残る等の短所がある。また、枝分
かれ論理による認識アルゴリズムでは、専門家の知識を
論理に組み込みやすい、論理の構築・変更が容易、単一
の特徴量での判断に有効、特徴量間に明らかな有意差が
あるとき有効等の長所の反面、特徴量間の差があいまい
なときの判断に問題が残るという短所がある。また、フ
ァジイ理論による認識アルゴリズムでは、人のノウハウ
を入れたルールをつくりやすい、複数の特徴量から総合
判断が可能、特徴量の差があいまいなときに有効等の長
所の反面、実数計算処理を多く必要とするため、処理時
間が長くなり、特徴量間に有意差があるときなどには不
向きである。そのため、いずれか１つの認識アルゴリズ
ムを採用する従来装置では、識別精度をある程度以上に
上げるには限界があるという問題があった。
【０００４】この発明は、上記問題点に着目してなされ
たものであって、複数の認識アルゴリズムを併用するこ
とにより、より識別精度の良い血液細胞分析装置を提供
することを目的としている。
たものであって、複数の認識アルゴリズムを併用するこ
とにより、より識別精度の良い血液細胞分析装置を提供
することを目的としている。
【０００５】
【課題を解決するための手段及び作用】この発明の血液
細胞分析装置は、血液像より特徴パラメータを抽出する
パラメータ抽出手段と、抽出された複数のパラメータを
順次判定基準値と比較して枝分かれ論理により、血液細
胞を識別する第１の識別手段と、前記複数のパラメータ
を入力として所定のファジイルールによりファジイ推論
を実行し、血液細胞を識別する第２の識別手段を備えて
いる。
細胞分析装置は、血液像より特徴パラメータを抽出する
パラメータ抽出手段と、抽出された複数のパラメータを
順次判定基準値と比較して枝分かれ論理により、血液細
胞を識別する第１の識別手段と、前記複数のパラメータ
を入力として所定のファジイルールによりファジイ推論
を実行し、血液細胞を識別する第２の識別手段を備えて
いる。
【０００６】この血液細胞分析装置では、例えば単一の
特徴量で判断しやすい白血球は枝分かれ論理による認識
アルゴリズムにより第１の識別手段で高速に識別分類を
行い、特徴量があいまいな白血球はいくつかの特徴量を
入力としてファジイ推論を実行し、第２の識別手段で識
別分類する。
特徴量で判断しやすい白血球は枝分かれ論理による認識
アルゴリズムにより第１の識別手段で高速に識別分類を
行い、特徴量があいまいな白血球はいくつかの特徴量を
入力としてファジイ推論を実行し、第２の識別手段で識
別分類する。
【０００７】
【実施例】以下、実施例により、この発明をさらに詳細
に説明する。図１は、この発明が実施される血液細胞分
析装置のブロック図である。この血液細胞分析装置は、
標本カセット１の標本がオートフィーダ２によって装脱
着される自動顕微鏡３と、この自動顕微鏡３の像をハー
フミラー４ａ、４ｂ、４ｃを介して撮像する写真撮影装
置５と、同じくカラーＴＶカメラ６と、撮像されたカラ
ー画像をディジタル信号に変換するＡ／Ｄ変換器７と、
ディジタル画像を記憶する画像メモリ８と、ディジタル
画像より認識のための特徴パラメータを抽出する特徴抽
出プロセッサ９と、識別分類を実行する認識プログラム
１０と、種々の制御動作を実行するＣＰＵ１１と、調整
用の信号を検出するセンサ１２、１３と、ＷＢＣ検出部
１４と、オートフォーカス１５と、フォーカス駆動回路
１６と、ステージ駆動回路１７と、オートフィーダコン
トローラ１８と、さらにＶＴＲ１９と、ＲＧＢモニタ２
０と、キーボード２１と、プリンタ２２とを備えている
。また、外部のホストコンピュータ２３が接続されてい
る。
に説明する。図１は、この発明が実施される血液細胞分
析装置のブロック図である。この血液細胞分析装置は、
標本カセット１の標本がオートフィーダ２によって装脱
着される自動顕微鏡３と、この自動顕微鏡３の像をハー
フミラー４ａ、４ｂ、４ｃを介して撮像する写真撮影装
置５と、同じくカラーＴＶカメラ６と、撮像されたカラ
ー画像をディジタル信号に変換するＡ／Ｄ変換器７と、
ディジタル画像を記憶する画像メモリ８と、ディジタル
画像より認識のための特徴パラメータを抽出する特徴抽
出プロセッサ９と、識別分類を実行する認識プログラム
１０と、種々の制御動作を実行するＣＰＵ１１と、調整
用の信号を検出するセンサ１２、１３と、ＷＢＣ検出部
１４と、オートフォーカス１５と、フォーカス駆動回路
１６と、ステージ駆動回路１７と、オートフィーダコン
トローラ１８と、さらにＶＴＲ１９と、ＲＧＢモニタ２
０と、キーボード２１と、プリンタ２２とを備えている
。また、外部のホストコンピュータ２３が接続されてい
る。
【０００８】認識プログラム１０には枝分かれによる認
識アルゴリズムと、ファジイ理論による認識アルゴリズ
ムが格納されている。そして、血球識別を行う場合には
、図２に概略フロー図を示すように、先ず血液像から特
徴パラメータを抽出し（ＳＴ１）、この特徴パラメータ
により先ず枝分かれ論理による認識アルゴリズムにより
識別分類を行う（ＳＴ２、ＳＴ３）。例えば単一の特徴
量で判断しやすい血球等はこの認識アルゴリズムによっ
て識別分類される。次に枝分かれ論理による認識アルゴ
リズムでは識別分類されなかった血球についてファジイ
理論による認識アルゴリズムにより識別分類される（Ｓ
Ｔ４、ＳＴ５）。例えば特徴量があいまいで枝分かれ論
理による認識アルゴリズムでは識別分類が困難であった
血球等がこの認識アルゴリズムにより識別分類される。 このようにして、枝分かれ論理による認識アルゴリズム
とファジイ理論による認識アルゴリズムの２種の認識ア
ルゴリズムを併用工夫することにより、両方の長所をい
かした白血球の識別分類を行うことができ、白血球の識
別分類の精度の大幅な向上を図ることができる。
識アルゴリズムと、ファジイ理論による認識アルゴリズ
ムが格納されている。そして、血球識別を行う場合には
、図２に概略フロー図を示すように、先ず血液像から特
徴パラメータを抽出し（ＳＴ１）、この特徴パラメータ
により先ず枝分かれ論理による認識アルゴリズムにより
識別分類を行う（ＳＴ２、ＳＴ３）。例えば単一の特徴
量で判断しやすい血球等はこの認識アルゴリズムによっ
て識別分類される。次に枝分かれ論理による認識アルゴ
リズムでは識別分類されなかった血球についてファジイ
理論による認識アルゴリズムにより識別分類される（Ｓ
Ｔ４、ＳＴ５）。例えば特徴量があいまいで枝分かれ論
理による認識アルゴリズムでは識別分類が困難であった
血球等がこの認識アルゴリズムにより識別分類される。 このようにして、枝分かれ論理による認識アルゴリズム
とファジイ理論による認識アルゴリズムの２種の認識ア
ルゴリズムを併用工夫することにより、両方の長所をい
かした白血球の識別分類を行うことができ、白血球の識
別分類の精度の大幅な向上を図ることができる。
【０００９】次に、枝分かれ論理による認識アルゴリズ
ムの一例を図３に示すフロー図により説明する。血球の
特徴パラメータを抽出した（ＳＴ１）後、その血球の色
調Ｇが判断基準値α以下か否か判定し（ＳＴ２１）、以
下でなければ、色調Ｒが判断基準値β以下かを判定する
（ＳＴ２２）。そして、この判定の結果、以下であれば
、血球Ｅと分類する（ＳＴ２３）。一方、ＳＴ２１で色
調Ｇが判断基準値α以下であれば、次の色調Ｒが判断基
準値β以上であるか否か判定し（ＳＴ２４）、判定ＹＥ
Ｓであれば、さらに形状が判断基準値γ以上であるか否
かを判定し（ＳＴ２５）、判定ＹＥＳであれば、血球Ａ
と分類する（ＳＴ２６）。その他の血球分類については
図示を省略しているが、同様の考え方で順次枝分かれ論
理により、識別分類することができる。
ムの一例を図３に示すフロー図により説明する。血球の
特徴パラメータを抽出した（ＳＴ１）後、その血球の色
調Ｇが判断基準値α以下か否か判定し（ＳＴ２１）、以
下でなければ、色調Ｒが判断基準値β以下かを判定する
（ＳＴ２２）。そして、この判定の結果、以下であれば
、血球Ｅと分類する（ＳＴ２３）。一方、ＳＴ２１で色
調Ｇが判断基準値α以下であれば、次の色調Ｒが判断基
準値β以上であるか否か判定し（ＳＴ２４）、判定ＹＥ
Ｓであれば、さらに形状が判断基準値γ以上であるか否
かを判定し（ＳＴ２５）、判定ＹＥＳであれば、血球Ａ
と分類する（ＳＴ２６）。その他の血球分類については
図示を省略しているが、同様の考え方で順次枝分かれ論
理により、識別分類することができる。
【００１０】図９に、血球の特徴パラメータである色調
Ｇと色調Ｒの特徴パラメータ空間における血球別の分布
を示している。この図より血球Ａや血球Ｅの特徴パラメ
ータは、明らかに他の血球の特徴パラメータと差がある
。このような血球は上記した枝分かれ論理による認識ア
ルゴリズムにより精度よく血球の識別分類を行うことが
できる。一方、血球Ｂ、Ｃ、Ｄは特徴パラメータの分布
上、相互に特徴パラメータが重なっており、図１０に示
す、他の特徴パラメータである形状と面積を組み合わせ
ても、枝分かれ論理による認識アルゴリズムでは精度良
く識別分類することは不可能である。そこで血球Ｂ、Ｃ
、Ｄについてはファジイ理論による認識アルゴリズムに
より、色調Ｇ、色調Ｒ、面積、形状の特徴パラメータを
併せて総合判断を行い、精度良く血球の識別分類を行う
。
Ｇと色調Ｒの特徴パラメータ空間における血球別の分布
を示している。この図より血球Ａや血球Ｅの特徴パラメ
ータは、明らかに他の血球の特徴パラメータと差がある
。このような血球は上記した枝分かれ論理による認識ア
ルゴリズムにより精度よく血球の識別分類を行うことが
できる。一方、血球Ｂ、Ｃ、Ｄは特徴パラメータの分布
上、相互に特徴パラメータが重なっており、図１０に示
す、他の特徴パラメータである形状と面積を組み合わせ
ても、枝分かれ論理による認識アルゴリズムでは精度良
く識別分類することは不可能である。そこで血球Ｂ、Ｃ
、Ｄについてはファジイ理論による認識アルゴリズムに
より、色調Ｇ、色調Ｒ、面積、形状の特徴パラメータを
併せて総合判断を行い、精度良く血球の識別分類を行う
。
【００１１】次に、ファジイ理論による認識アルゴリズ
ムの一例を説明する。図１の認識プログラム１０にはフ
ァジイルールメモリと、ファジイ推論を実行するプログ
ラムが記憶されており、特徴抽出プロセッサ９で抽出さ
れた特徴量として色調Ｇ、色調Ｒ、面積及び形状を入力
としてファジイ推論部に入力してファジイルールにした
がい、推論を実行し、推論結果として、ある血球らしさ
を出力し、血球の識別を行う。
ムの一例を説明する。図１の認識プログラム１０にはフ
ァジイルールメモリと、ファジイ推論を実行するプログ
ラムが記憶されており、特徴抽出プロセッサ９で抽出さ
れた特徴量として色調Ｇ、色調Ｒ、面積及び形状を入力
としてファジイ推論部に入力してファジイルールにした
がい、推論を実行し、推論結果として、ある血球らしさ
を出力し、血球の識別を行う。
【００１２】入力としてファジイ推論部に加えられる特
徴量色調Ｇのメンバシップ関数例を図４に、特徴量色調
Ｒのメンバシップ関数例を図５に、特徴量面積のメンバ
シップ関数例を図６に、さらに特徴量形状のメンバシッ
プ関数例を図７にそれぞれ示している。また、ファジイ
推論の結果出力としての血球らしさのメンバシップ関数
例を図８に示している。なお図４〜図８において、ＳＭ
Ｌは「小さい」、ＭＤＭは「中位い」、ＬＡＧは「大き
い」を示している。
徴量色調Ｇのメンバシップ関数例を図４に、特徴量色調
Ｒのメンバシップ関数例を図５に、特徴量面積のメンバ
シップ関数例を図６に、さらに特徴量形状のメンバシッ
プ関数例を図７にそれぞれ示している。また、ファジイ
推論の結果出力としての血球らしさのメンバシップ関数
例を図８に示している。なお図４〜図８において、ＳＭ
Ｌは「小さい」、ＭＤＭは「中位い」、ＬＡＧは「大き
い」を示している。
【００１３】また、認識プログラム１０内のファジイル
ールメモリには、次に示す白血球認識論理のルールが格
納されている。 ＜
白血球の認識論理１＞■ｉｆ（もし）色調Ｒ＝ＭＤＭ＆
色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＭＤＭ ｔｈ
ｅｎ（であるなら）血球Ｂ＝ＬＡＧ■ｉｆ
色調Ｒ＝ＬＡＧ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆
面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ 色調Ｒ＝ＳＭ
Ｌ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＭＤＭ
ｔｈｅｎ 血球Ｂ＝ＭＤＭ
■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＬＡ
Ｇ＆形状＝ＭＤＭ＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ
色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＳＭＬ＆形状＝ＭＤＭ
＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＳＭＬ■ｉｆ 色調Ｒ＝Ｍ
ＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝ＬＡＧ＆面積＝ＭＤＭ
ｔｈｅｎ 血球Ｂ＝ＳＭ
Ｌ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝Ｍ
ＤＭ＆形状＝ＳＭＬ＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ
色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤ
Ｍ＆面積＝ＬＡＧ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ 色調Ｒ＝
ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＳＭＬ
ｔｈｅｎ 血球Ｂ＝Ｍ
ＤＭ
＜白血球の認識論理２＞■ｉｆ 色調Ｒ＝ＭＤＭ＆
色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＳＭＬ ｔｈ
ｅｎ 血球Ｃ＝ＬＡＧ ■ｉｆ 色調Ｒ＝ＬＡＧ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＬＡＧ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＳＭＬ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｌ
ＡＧ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＬＡＧ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ＜
白血球の認識論理３＞■ｉｆ 色調Ｒ＝ＳＭＬ＆色調
Ｇ＝ＭＤＭ＆形状＝ＳＭＬ＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｄ＝ＬＡＧ ■ｉｆ 色調Ｒ＝ＬＡＧ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＬＡＧ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＳＭＬ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｌ
ＡＧ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＬＡＧ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｄ＝ＭＤＭ 今、上記ファジイ推論による認識アルゴリズムを実行し
、例えばファジイ推論部への各入力が、色調Ｒ：ＭＤＭ
＝“１”、色調Ｇ：ＭＤＭ＝“１”、形状：ＭＤＭ＝“
１”、面積：ＭＤＭ＝“１”であると、これは極端な例
であるが、上記白血球の認識論理１のルール■より血球
Ｂ：ＬＡＧ＝“１”となり、血球Ｂである度合が非常に
高いことになる。いずれにしても、色調Ｒ、色調Ｇ、形
状及び面積の４つの特徴量のメンバシップ値を入力とし
て上記認識論理１、２、３にルール適用することにより
、特徴量の分布では重なり合う、血球Ｂ、Ｃ、Ｄを識別
分類することができる。
ールメモリには、次に示す白血球認識論理のルールが格
納されている。 ＜
白血球の認識論理１＞■ｉｆ（もし）色調Ｒ＝ＭＤＭ＆
色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＭＤＭ ｔｈ
ｅｎ（であるなら）血球Ｂ＝ＬＡＧ■ｉｆ
色調Ｒ＝ＬＡＧ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆
面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ 色調Ｒ＝ＳＭ
Ｌ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＭＤＭ
ｔｈｅｎ 血球Ｂ＝ＭＤＭ
■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＬＡ
Ｇ＆形状＝ＭＤＭ＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ
色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＳＭＬ＆形状＝ＭＤＭ
＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＳＭＬ■ｉｆ 色調Ｒ＝Ｍ
ＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝ＬＡＧ＆面積＝ＭＤＭ
ｔｈｅｎ 血球Ｂ＝ＳＭ
Ｌ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝Ｍ
ＤＭ＆形状＝ＳＭＬ＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ
色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤ
Ｍ＆面積＝ＬＡＧ ｔｈｅｎ
血球Ｂ＝ＭＤＭ■ｉｆ 色調Ｒ＝
ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＳＭＬ
ｔｈｅｎ 血球Ｂ＝Ｍ
ＤＭ
＜白血球の認識論理２＞■ｉｆ 色調Ｒ＝ＭＤＭ＆
色調Ｇ＝ＭＤＭ＆形状＝ＭＤＭ＆面積＝ＳＭＬ ｔｈ
ｅｎ 血球Ｃ＝ＬＡＧ ■ｉｆ 色調Ｒ＝ＬＡＧ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＬＡＧ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＳＭＬ＆形状＝Ｍ
ＤＭ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｌ
ＡＧ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＬＡＧ ｔｈｅｎ 血球Ｃ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｃ＝ＭＤＭ ＜
白血球の認識論理３＞■ｉｆ 色調Ｒ＝ＳＭＬ＆色調
Ｇ＝ＭＤＭ＆形状＝ＳＭＬ＆面積＝ＭＤＭ ｔｈｅｎ
血球Ｄ＝ＬＡＧ ■ｉｆ 色調Ｒ＝ＬＡＧ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＭＤＭ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＬＡＧ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＳＭＬ＆形状＝Ｓ
ＭＬ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｌ
ＡＧ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＳＭＬ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｍ
ＤＭ＆面積＝ＭＤＭ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＬＡＧ ｔｈｅｎ 血球Ｄ＝ＭＤＭ ■ｉｆ 色調Ｒ＝ＳＭＬ＆色調Ｇ＝ＭＤＭ＆形状＝Ｓ
ＭＬ＆面積＝ＳＭＬ ｔｈｅｎ 血球Ｄ＝ＭＤＭ 今、上記ファジイ推論による認識アルゴリズムを実行し
、例えばファジイ推論部への各入力が、色調Ｒ：ＭＤＭ
＝“１”、色調Ｇ：ＭＤＭ＝“１”、形状：ＭＤＭ＝“
１”、面積：ＭＤＭ＝“１”であると、これは極端な例
であるが、上記白血球の認識論理１のルール■より血球
Ｂ：ＬＡＧ＝“１”となり、血球Ｂである度合が非常に
高いことになる。いずれにしても、色調Ｒ、色調Ｇ、形
状及び面積の４つの特徴量のメンバシップ値を入力とし
て上記認識論理１、２、３にルール適用することにより
、特徴量の分布では重なり合う、血球Ｂ、Ｃ、Ｄを識別
分類することができる。
【００１４】以上のようにして、特徴パラメータの分布
により、枝分かれ論理による認識アルゴリズムとファジ
イ理論による認識アルゴリズムのどちらの認識アルゴリ
ズムを使用するかを決定する。なお、上記実施例では、
枝分かれ論理による認識アルゴリズムで識別分類できな
かった血球のみをファジイ理論による認識アルゴリズム
で識別分類する構成をとったが、全ての血球を両方の認
識アルゴリズムで識別分類する構成をとってもよい（図
示せず）。また、図１１に示すように、並列処理により
、同時に両方の認識アルゴリズムで識別分類するように
してもよい。
により、枝分かれ論理による認識アルゴリズムとファジ
イ理論による認識アルゴリズムのどちらの認識アルゴリ
ズムを使用するかを決定する。なお、上記実施例では、
枝分かれ論理による認識アルゴリズムで識別分類できな
かった血球のみをファジイ理論による認識アルゴリズム
で識別分類する構成をとったが、全ての血球を両方の認
識アルゴリズムで識別分類する構成をとってもよい（図
示せず）。また、図１１に示すように、並列処理により
、同時に両方の認識アルゴリズムで識別分類するように
してもよい。
【００１５】
【発明の効果】この発明によれば枝分かれ論理による認
識アルゴリズムと、ファジイ理論による認識アルゴリズ
ムを併用するものであるから、ファジイ理論による認識
アルゴリズムの特長である、人のノウハウを入れたルー
ルをつくりやすい、複数の特徴量から総合判断が可能、
特徴量間の差があいまいなときに有効等の長所と、枝分
かれ論理による認識アルゴリズムの特長である、専門家
の知識を論理に組み込みやすい、論理の構築・変更が容
易、単一の特徴量での判断に有効、特徴量間に明らかな
有意差があるとき有効、処理時間がはやい等の長所の、
両法の長所をいかした白血球の識別分類を行うことがで
き、白血球の識別分類の精度の大幅な向上を図ることが
できるという効果が得られる。
識アルゴリズムと、ファジイ理論による認識アルゴリズ
ムを併用するものであるから、ファジイ理論による認識
アルゴリズムの特長である、人のノウハウを入れたルー
ルをつくりやすい、複数の特徴量から総合判断が可能、
特徴量間の差があいまいなときに有効等の長所と、枝分
かれ論理による認識アルゴリズムの特長である、専門家
の知識を論理に組み込みやすい、論理の構築・変更が容
易、単一の特徴量での判断に有効、特徴量間に明らかな
有意差があるとき有効、処理時間がはやい等の長所の、
両法の長所をいかした白血球の識別分類を行うことがで
き、白血球の識別分類の精度の大幅な向上を図ることが
できるという効果が得られる。
【図１】この発明が実施される血液細胞分析装置のブロ
ック図である。
ック図である。
【図２】同実施例血液細胞分析装置の概略動作を説明す
るためのフロー図である。
るためのフロー図である。
【図３】同実施例血液細胞分析装置の枝分かれ論理によ
る認識アルゴリズムを説明するためのフロー図である。
る認識アルゴリズムを説明するためのフロー図である。
【図４】同実施例血液細胞分析装置のファジイ理論によ
る認識アルゴリズムを説明するための入力としての特徴
量色調Ｇのメンバシップ関数を示す図である。
る認識アルゴリズムを説明するための入力としての特徴
量色調Ｇのメンバシップ関数を示す図である。
【図５】同入力としての特徴量色調Ｒのメンパシップ関
数を示す図である。
数を示す図である。
【図６】同入力としての特徴量面積のメンバシップ関数
を示す図である。
を示す図である。
【図７】同入力としての特徴量形状のメンバシップ関数
を示す図である。
を示す図である。
【図８】同実施例血液細胞分析装置のファジイ理論によ
る認識アルゴリズムを説明するための出力としての血液
らしさのメンバシップ関数を示す図である。
る認識アルゴリズムを説明するための出力としての血液
らしさのメンバシップ関数を示す図である。
【図９】血球の色調Ｇと色調Ｒの特徴パラメータ空間に
おける分布を示す図である。
おける分布を示す図である。
【図１０】血球の面積と形状の特徴パラメータ空間にお
ける分布を示す図である。
ける分布を示す図である。
【図１１】図２に代わる他の概略動作を示すフロー図で
ある。
ある。
Claims (1)
- 【請求項１】血液像より特徴パラメータを抽出するパラ
メータ抽出手段と、抽出された複数のパラメータを順次
判定基準値と比較して枝分かれ論理により、血液細胞を
識別する第１の識別手段と、前記複数のパラメータを入
力として所定のファジイルールによりファジイ推論を実
行し、血液細胞を識別する第２の識別手段とを備え、前
記第１と第２の識別手段を併用して血液細胞の識別分類
を行うようにしたことを特徴とする血液細胞分析装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8499091A JPH04318460A (ja) | 1991-04-17 | 1991-04-17 | 血液細胞分析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8499091A JPH04318460A (ja) | 1991-04-17 | 1991-04-17 | 血液細胞分析装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04318460A true JPH04318460A (ja) | 1992-11-10 |
Family
ID=13846068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8499091A Pending JPH04318460A (ja) | 1991-04-17 | 1991-04-17 | 血液細胞分析装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04318460A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT501944A1 (de) * | 2005-06-15 | 2006-12-15 | Tissuegnostics Gmbh | Verfahren zum segmentieren von leukozyten |
| WO2011004568A1 (ja) * | 2009-07-08 | 2011-01-13 | 株式会社ニコン | 受精卵観察の画像処理方法、画像処理プログラム及び画像処理装置、並びに受精卵の製造方法 |
-
1991
- 1991-04-17 JP JP8499091A patent/JPH04318460A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT501944A1 (de) * | 2005-06-15 | 2006-12-15 | Tissuegnostics Gmbh | Verfahren zum segmentieren von leukozyten |
| WO2011004568A1 (ja) * | 2009-07-08 | 2011-01-13 | 株式会社ニコン | 受精卵観察の画像処理方法、画像処理プログラム及び画像処理装置、並びに受精卵の製造方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4965725A (en) | Neural network based automated cytological specimen classification system and method | |
| JP3130628B2 (ja) | 粒子判定装置 | |
| US5911002A (en) | Pattern recognition system | |
| US6947586B2 (en) | Multi-neural net imaging apparatus and method | |
| CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
| US5715182A (en) | Device for the classification and examination of particles in fluid | |
| US8385649B2 (en) | Information processing apparatus and method for detecting object in image data | |
| US5745601A (en) | Robustness of classification measurement apparatus and method | |
| HK1003583B (en) | Neural network based automated cytological specimen classification system and method | |
| US6950554B2 (en) | Learning type image classification apparatus, method thereof and processing recording medium on which processing program is recorded | |
| US6549661B1 (en) | Pattern recognition apparatus and pattern recognition method | |
| EP0663094A1 (en) | Method and apparatus for identifying an object using an ordered sequence of boundary pixel parameters | |
| CN104854620A (zh) | 图像处理装置、图像处理系统和程序 | |
| JP3050046B2 (ja) | 粒子自動分類システム | |
| Khosrosereshki et al. | A fuzzy based classifier for diagnosis of acute lymphoblastic leukemia using blood smear image processing | |
| Africa et al. | Development of a urine strip analyzer using artificial neural network using an android phone | |
| EP1395953A1 (en) | Classification of photos with sepia tones | |
| US4850024A (en) | Method and apparatus for classifying white blood cells | |
| JPH08315144A (ja) | パターン分類装置及びそのパターン分類方法 | |
| RU2308745C1 (ru) | Способ микроскопического исследования образца, содержащего микрообъекты с разнородными зонами | |
| EP1301894B1 (en) | Multi-neural net imaging apparatus and method | |
| JP3338625B2 (ja) | 物体識別装置 | |
| JPH04316169A (ja) | 血液細胞分析装置 | |
| Dasi et al. | Leukocyte Disorder Detection and White Blood Cell Subtype Classification Using CNN | |
| Anagnostopoulos et al. | A probabilistic neural network for face detection on segmented skin areas based on fuzzy rules |