JPH10197522A - 病理組織診断支援装置 - Google Patents
病理組織診断支援装置Info
- Publication number
- JPH10197522A JPH10197522A JP9004696A JP469697A JPH10197522A JP H10197522 A JPH10197522 A JP H10197522A JP 9004696 A JP9004696 A JP 9004696A JP 469697 A JP469697 A JP 469697A JP H10197522 A JPH10197522 A JP H10197522A
- Authority
- JP
- Japan
- Prior art keywords
- fitness
- category
- feature
- image
- tissue
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Hematology (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Urology & Nephrology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
(57)【要約】
【課題】 短時間で且つ高精度の診断を要求される病理
組織診断に関し、病理医の熟練度に左右されない支援装
置を提供することにある。 【解決手段】 生体組織の組織画像から画像の特徴を特
徴量として定量的に表わし、病理組織学的特徴に基づい
てあらかじめ設定された診断カテゴリーを適合度算出カ
テゴリーとして上記組織画像の特徴量が上記適合度算出
カテゴリーに適合する程度を算出し、適合度の高い適合
度算出カテゴリー名を表示する。
組織診断に関し、病理医の熟練度に左右されない支援装
置を提供することにある。 【解決手段】 生体組織の組織画像から画像の特徴を特
徴量として定量的に表わし、病理組織学的特徴に基づい
てあらかじめ設定された診断カテゴリーを適合度算出カ
テゴリーとして上記組織画像の特徴量が上記適合度算出
カテゴリーに適合する程度を算出し、適合度の高い適合
度算出カテゴリー名を表示する。
Description
【０００１】
【発明の属する技術分野】本発明は、病理組織診断を支
援する装置に関するものである。
援する装置に関するものである。
【０００２】
【従来の技術】病理組織診断とは、生体組織を顕微鏡で
観察し疾病の種類を診断するものである。組織標本を作
製するために生体を傷つけなければならないという欠点
があるが、細胞診などの他の診断法と比べて精度の高い
診断法である。従って、通常は細胞診やレントゲンなど
の他の診断法により疑わしいと診断され、診断名を確定
する必要がある場合や、手術により切り取った部位の疾
病を診断するためなどに行われる。しかし、現在のとこ
ろ病理組織診断を支援する装置は無い。病理組織診断に
近い診断法としては細胞診がある。これは、生体の細胞
を観察し、疾病の有無や種類を診断するもので、精度は
病理組織診断に比べて低いものの、生体をほとんど傷つ
ける必要がないという特長を持つ。そこで、例えば子宮
癌の集団検診など、大量の人間から疾病を持つ可能性の
高い人間を見つけるために用いられている。
観察し疾病の種類を診断するものである。組織標本を作
製するために生体を傷つけなければならないという欠点
があるが、細胞診などの他の診断法と比べて精度の高い
診断法である。従って、通常は細胞診やレントゲンなど
の他の診断法により疑わしいと診断され、診断名を確定
する必要がある場合や、手術により切り取った部位の疾
病を診断するためなどに行われる。しかし、現在のとこ
ろ病理組織診断を支援する装置は無い。病理組織診断に
近い診断法としては細胞診がある。これは、生体の細胞
を観察し、疾病の有無や種類を診断するもので、精度は
病理組織診断に比べて低いものの、生体をほとんど傷つ
ける必要がないという特長を持つ。そこで、例えば子宮
癌の集団検診など、大量の人間から疾病を持つ可能性の
高い人間を見つけるために用いられている。
【０００３】この細胞診に関しては、例えば特公平６−
５２２６３号公報に記載されたように、診断を支援する
装置がある。これは、検体を自動的にスクリーニング
し、明らかに正常と判定した検体については目視検査を
行わないことで、医師による目視検査を必要とする検体
数を減らし、分析効率と信頼性を向上させるものであ
る。しかし、病理組織診断の場合は、異常な組織の疾病
の種類を診断するために行われるため、大量の検体から
正常な検体をスクリーニングするために開発された従来
の技術を用いることはできない。また、個々の細胞の特
徴を抽出して判定する従来の判定手法も、診断において
組織の構造的特徴が重要な病理組織診断には利用できな
い。
５２２６３号公報に記載されたように、診断を支援する
装置がある。これは、検体を自動的にスクリーニング
し、明らかに正常と判定した検体については目視検査を
行わないことで、医師による目視検査を必要とする検体
数を減らし、分析効率と信頼性を向上させるものであ
る。しかし、病理組織診断の場合は、異常な組織の疾病
の種類を診断するために行われるため、大量の検体から
正常な検体をスクリーニングするために開発された従来
の技術を用いることはできない。また、個々の細胞の特
徴を抽出して判定する従来の判定手法も、診断において
組織の構造的特徴が重要な病理組織診断には利用できな
い。
【０００４】次に、従来の病理医による病理組織診断の
方法について説明する。病理医は、検体から切り出され
ヘマトキシリン・エオジンなどにより染色され作製され
た標本を顕微鏡にセットし、組織を観察する。病理医
は、組織の病理組織学的特徴を元にして診断を下すが、
診断すべき疾病の種類は乳腺の場合に限っても３０種類
以上あり、それらの特徴をすべて記憶し、即座に診断を
下すことは困難である。そこで、通常は、鑑別診断法に
ついて解説されている本の中から、観察した組織に類似
した病理組織学的特徴を持つ画像が症例として掲載され
ている箇所を探し、その鑑別診断法を参考にして診断を
下している。
方法について説明する。病理医は、検体から切り出され
ヘマトキシリン・エオジンなどにより染色され作製され
た標本を顕微鏡にセットし、組織を観察する。病理医
は、組織の病理組織学的特徴を元にして診断を下すが、
診断すべき疾病の種類は乳腺の場合に限っても３０種類
以上あり、それらの特徴をすべて記憶し、即座に診断を
下すことは困難である。そこで、通常は、鑑別診断法に
ついて解説されている本の中から、観察した組織に類似
した病理組織学的特徴を持つ画像が症例として掲載され
ている箇所を探し、その鑑別診断法を参考にして診断を
下している。
【０００５】
【発明が解決しようとする課題】このように、従来は病
理医が記憶と経験に基づいて、参考書籍の中から、類似
した病理組織学的特徴を持つ画像が症例として掲載され
ている箇所を探し出し、その箇所を参考として診断を下
しているため、正しい箇所を探すのに時間がかかり、ま
た誤った箇所を参考にした場合に誤診につながってしま
うなど、病理医の熟練度により診断結果の信頼度が大き
く異なってしまうという問題点があった。
理医が記憶と経験に基づいて、参考書籍の中から、類似
した病理組織学的特徴を持つ画像が症例として掲載され
ている箇所を探し出し、その箇所を参考として診断を下
しているため、正しい箇所を探すのに時間がかかり、ま
た誤った箇所を参考にした場合に誤診につながってしま
うなど、病理医の熟練度により診断結果の信頼度が大き
く異なってしまうという問題点があった。
【０００６】本発明は係る問題点を解決するために、診
断時間を短縮し、診断精度を向上できる病理組織診断支
援装置を提供することにある。
断時間を短縮し、診断精度を向上できる病理組織診断支
援装置を提供することにある。
【０００７】
【課題を解決するための手段】この発明に係る病理組織
診断支援装置は、生体組織の組織画像から画像の特徴を
特徴量として定量的に表わす特徴量抽出手段と、病理組
織学的特徴に基づいてあらかじめ設定された診断カテゴ
リーを適合度算出カテゴリーとして上記組織画像の特徴
量が上記適合度算出カテゴリーに適合する程度を算出す
る適合度算出手段と、適合度の高い適合度算出カテゴリ
ー名を表示する適合度表示手段とを備えたことを特徴と
するものである。
診断支援装置は、生体組織の組織画像から画像の特徴を
特徴量として定量的に表わす特徴量抽出手段と、病理組
織学的特徴に基づいてあらかじめ設定された診断カテゴ
リーを適合度算出カテゴリーとして上記組織画像の特徴
量が上記適合度算出カテゴリーに適合する程度を算出す
る適合度算出手段と、適合度の高い適合度算出カテゴリ
ー名を表示する適合度表示手段とを備えたことを特徴と
するものである。
【０００８】また、この病理組織診断支援装置は、一つ
の診断カテゴリーを一つの適合度算出カテゴリーとした
ことを特徴とするものである。
の診断カテゴリーを一つの適合度算出カテゴリーとした
ことを特徴とするものである。
【０００９】また、この病理組織診断支援装置は、類似
した病理組織学的特徴を持つ診断カテゴリーをまとめて
適合度算出カテゴリーとしたことを特徴とするものであ
る。
した病理組織学的特徴を持つ診断カテゴリーをまとめて
適合度算出カテゴリーとしたことを特徴とするものであ
る。
【００１０】また、この病理組織診断支援装置は、特徴
量として、核領域の数、面積、形状、円形度、色、色
度、腔隙領域の数、面積、形状、円形度、間質領域の
数、面積、形状、円形度、色、色度、管腔領域の数、面
積、形状、円形度、画像のテクスチャ、ウエーブレット
変換値を用いて算出される特徴量、上皮細胞が筋上皮細
胞を伴う２層構造を示す程度、線維化の程度、乳頭状パ
ターンの有無、ふるい状パターンの有無、壊死物質の有
無、充実性パターンの有無、画像の色あるいは色度を用
いて算出される特徴量の少なくとも一つを用いることを
特徴とするものである。
量として、核領域の数、面積、形状、円形度、色、色
度、腔隙領域の数、面積、形状、円形度、間質領域の
数、面積、形状、円形度、色、色度、管腔領域の数、面
積、形状、円形度、画像のテクスチャ、ウエーブレット
変換値を用いて算出される特徴量、上皮細胞が筋上皮細
胞を伴う２層構造を示す程度、線維化の程度、乳頭状パ
ターンの有無、ふるい状パターンの有無、壊死物質の有
無、充実性パターンの有無、画像の色あるいは色度を用
いて算出される特徴量の少なくとも一つを用いることを
特徴とするものである。
【００１１】また、この病理組織診断支援装置は、適合
度算出手段としてニューラルネットワークを用い、各適
合度算出カテゴリーに出力ニューロンを割り当て、特徴
量を入力とし、学習に用いる組織画像に対して予め決め
られた適合度を教師信号として、各適合度算出カテゴリ
ーに割り当てられたニューロンが教師信号と同じ値を出
力するように学習し、学習後のニューラルネットワーク
に診断しようとする組織画像から抽出された特徴量を入
力し、出力ニューロンの出力値を適合度とすることを特
徴とするものである。
度算出手段としてニューラルネットワークを用い、各適
合度算出カテゴリーに出力ニューロンを割り当て、特徴
量を入力とし、学習に用いる組織画像に対して予め決め
られた適合度を教師信号として、各適合度算出カテゴリ
ーに割り当てられたニューロンが教師信号と同じ値を出
力するように学習し、学習後のニューラルネットワーク
に診断しようとする組織画像から抽出された特徴量を入
力し、出力ニューロンの出力値を適合度とすることを特
徴とするものである。
【００１２】
【発明の実施の形態】次に、本発明に係る病理組織診断
支援装置の実施の形態を、乳腺腫瘍の病理組織診断の支
援装置の場合について説明する。図１は、この発明の実
施の形態である病理組織診断支援装置を示すブロック図
であり、この図において、１は乳腺腫瘍の組織標本、２
は顕微鏡、３はカメラ、４は画像取込回路、５は計算
機、６はハードディスク、７はメモリ、８はプロセッ
サ、９は表示装置、１０はキーボードである。図２は、
図１に示した病理組織診断支援装置における処理手順を
示すフローチャートである。
支援装置の実施の形態を、乳腺腫瘍の病理組織診断の支
援装置の場合について説明する。図１は、この発明の実
施の形態である病理組織診断支援装置を示すブロック図
であり、この図において、１は乳腺腫瘍の組織標本、２
は顕微鏡、３はカメラ、４は画像取込回路、５は計算
機、６はハードディスク、７はメモリ、８はプロセッ
サ、９は表示装置、１０はキーボードである。図２は、
図１に示した病理組織診断支援装置における処理手順を
示すフローチャートである。
【００１３】次に、図１の病理組織診断支援装置を用い
た場合の処理手順を、図２のフローチャートに従い説明
する。ヘマトキシリン・エオジン染色された乳腺腫瘍の
組織標本１は顕微鏡２およびカメラ３を用いて拡大して
撮影され、画像取込回路４によりＡ／Ｄ変換されてデジ
タル画像としてハードディスク６に保存される。（ステ
ップＳＴ１）
た場合の処理手順を、図２のフローチャートに従い説明
する。ヘマトキシリン・エオジン染色された乳腺腫瘍の
組織標本１は顕微鏡２およびカメラ３を用いて拡大して
撮影され、画像取込回路４によりＡ／Ｄ変換されてデジ
タル画像としてハードディスク６に保存される。（ステ
ップＳＴ１）
【００１４】続いて、撮影されハードディスク６に保存
された組織画像の病理組織学的特徴量が計算機５により
計算される。この病理組織学的特徴量には、例えば核領
域の数、面積、形状、円形度、色、色度、腔隙領域の
数、面積、形状、円形度、間質領域の数、面積、形状、
円形度、色、色度、管腔領域の数、面積、形状、円形
度、画像のテクスチャ、ウエーブレット変換値を用いて
算出される特徴量、上皮細胞が筋上皮細胞を伴う２層構
造を示す程度、線維化の程度、乳頭状パターンの有無、
ふるい状パターンの有無、壊死物質の有無、充実性パタ
ーンの有無、画像の色あるいは色度を用いて算出される
特徴量など様々なものがある。（ステップＳＴ２）
された組織画像の病理組織学的特徴量が計算機５により
計算される。この病理組織学的特徴量には、例えば核領
域の数、面積、形状、円形度、色、色度、腔隙領域の
数、面積、形状、円形度、間質領域の数、面積、形状、
円形度、色、色度、管腔領域の数、面積、形状、円形
度、画像のテクスチャ、ウエーブレット変換値を用いて
算出される特徴量、上皮細胞が筋上皮細胞を伴う２層構
造を示す程度、線維化の程度、乳頭状パターンの有無、
ふるい状パターンの有無、壊死物質の有無、充実性パタ
ーンの有無、画像の色あるいは色度を用いて算出される
特徴量など様々なものがある。（ステップＳＴ２）
【００１５】次に、計算された特徴量を元に、メモリ７
内にプログラムされている適合度算出手順に従って、計
算機５を用いて、各適合度算出カテゴリーごとにその組
織画像がその適合度算出カテゴリーに適合する程度を表
す適合度が計算される。（ステップＳＴ３）
内にプログラムされている適合度算出手順に従って、計
算機５を用いて、各適合度算出カテゴリーごとにその組
織画像がその適合度算出カテゴリーに適合する程度を表
す適合度が計算される。（ステップＳＴ３）
【００１６】適合度算出カテゴリーとしては、例えば、
類似した病理組織学的特徴を持つ診断カテゴリーをまと
めて一つの適合度算出カテゴリーとする。乳腺腫瘍の場
合、例えば、硬癌の一般的な病理組織学的特徴は、癌胞
巣が間質結合織の増生を伴って周囲組織に放射状、ある
いはけば立ったように浸潤している特徴を示す。一方、
硬化性腺症の一般的な病理組織学的特徴は、線維性間質
が増生し、間質成分に圧排され迂曲変形した乳管成分が
多くみられるというもので、一見したところ硬癌に類似
している。そこで、両者をまとめ、「硬癌パターン」と
いう同じ適合度算出カテゴリーに属するとする。一方、
管内性線維腺腫の示す一般的な病理組織学的特徴は、線
維成分が上皮成分をおおうように増殖し、管腔が樹枝状
列隙状となっていることである。病理組織学的にこれと
類似した特徴を持つものは他に無いため、これは単独で
管内性線維腺腫パターンという一つの適合度算出カテゴ
リーとする。以上のようにして、予め決定した各適合度
算出カテゴリーごとに適合度が算出され、算出された適
合度は、適合度算出カテゴリー名と共に表示装置に表示
される。（ステップＳＴ４）
類似した病理組織学的特徴を持つ診断カテゴリーをまと
めて一つの適合度算出カテゴリーとする。乳腺腫瘍の場
合、例えば、硬癌の一般的な病理組織学的特徴は、癌胞
巣が間質結合織の増生を伴って周囲組織に放射状、ある
いはけば立ったように浸潤している特徴を示す。一方、
硬化性腺症の一般的な病理組織学的特徴は、線維性間質
が増生し、間質成分に圧排され迂曲変形した乳管成分が
多くみられるというもので、一見したところ硬癌に類似
している。そこで、両者をまとめ、「硬癌パターン」と
いう同じ適合度算出カテゴリーに属するとする。一方、
管内性線維腺腫の示す一般的な病理組織学的特徴は、線
維成分が上皮成分をおおうように増殖し、管腔が樹枝状
列隙状となっていることである。病理組織学的にこれと
類似した特徴を持つものは他に無いため、これは単独で
管内性線維腺腫パターンという一つの適合度算出カテゴ
リーとする。以上のようにして、予め決定した各適合度
算出カテゴリーごとに適合度が算出され、算出された適
合度は、適合度算出カテゴリー名と共に表示装置に表示
される。（ステップＳＴ４）
【００１７】病理医は、表示された適合度を参考にして
適合する可能性の高い適合度算出カテゴリーを判断し、
その適合度算出カテゴリーに関して予め作成した病理組
織鑑別法を参考として、その組織標本の診断カテゴリー
名を決定する。（ステップＳＴ５）
適合する可能性の高い適合度算出カテゴリーを判断し、
その適合度算出カテゴリーに関して予め作成した病理組
織鑑別法を参考として、その組織標本の診断カテゴリー
名を決定する。（ステップＳＴ５）
【００１８】なお、上述の実施の形態における適合度の
算出を、ニューラルネットワークを用いて行っても良
い。その場合の別の実施の形態について説明する。ま
ず、図１に示す病理組織診断支援装置を用いて、学習デ
ータを作成し学習を実行する場合の手順を、図３に示す
フローチャートに従って説明する。ヘマトキシリン・エ
オジン染色された乳腺腫瘍の組織標本１は顕微鏡２およ
びカメラ３を用いて拡大して撮影され、画像取込回路４
によりＡ／Ｄ変換されてデジタル画像としてハードディ
スク６に保存される。（ステップＳＴ１１）
算出を、ニューラルネットワークを用いて行っても良
い。その場合の別の実施の形態について説明する。ま
ず、図１に示す病理組織診断支援装置を用いて、学習デ
ータを作成し学習を実行する場合の手順を、図３に示す
フローチャートに従って説明する。ヘマトキシリン・エ
オジン染色された乳腺腫瘍の組織標本１は顕微鏡２およ
びカメラ３を用いて拡大して撮影され、画像取込回路４
によりＡ／Ｄ変換されてデジタル画像としてハードディ
スク６に保存される。（ステップＳＴ１１）
【００１９】次に、ハードディスク６に保存された組織
画像の病理組織学的特徴量が計算機５により計算され、
メモリ７に保存される。この病理組織学的特徴量には、
例えば核領域の数、面積、形状、円形度、色、色度、腔
隙領域の数、面積、形状、円形度、間質領域の数、面
積、形状、円形度、色、色度、管腔領域の数、面積、形
状、円形度、画像のテクスチャ、ウエーブレット変換値
を用いて算出される特徴量、上皮細胞が筋上皮細胞を伴
う２層構造を示す程度、線維化の程度、乳頭状パターン
の有無、ふるい状パターンの有無、壊死物質の有無、充
実性パターンの有無、画像の色あるいは色度を用いて算
出される特徴量など様々なものがある。（ステップＳＴ
１２）
画像の病理組織学的特徴量が計算機５により計算され、
メモリ７に保存される。この病理組織学的特徴量には、
例えば核領域の数、面積、形状、円形度、色、色度、腔
隙領域の数、面積、形状、円形度、間質領域の数、面
積、形状、円形度、色、色度、管腔領域の数、面積、形
状、円形度、画像のテクスチャ、ウエーブレット変換値
を用いて算出される特徴量、上皮細胞が筋上皮細胞を伴
う２層構造を示す程度、線維化の程度、乳頭状パターン
の有無、ふるい状パターンの有無、壊死物質の有無、充
実性パターンの有無、画像の色あるいは色度を用いて算
出される特徴量など様々なものがある。（ステップＳＴ
１２）
【００２０】次に、この組織画像の各適合度算出カテゴ
リーについての適合度が熟練した病理医により決定さ
れ、キーボード１０を用いて計算機５に入力され、メモ
リ７に保存される。（ステップＳＴ１３）
リーについての適合度が熟練した病理医により決定さ
れ、キーボード１０を用いて計算機５に入力され、メモ
リ７に保存される。（ステップＳＴ１３）
【００２１】次に、メモリ７に保存されている特徴量を
入力データ、各適合度算出カテゴリーについての適合度
を教師データとして組み合わせ、ハードディスク６に保
存することにより、各適合度算出カテゴリーについて学
習データが１つずつ作成される。（ステップＳＴ１４）
入力データ、各適合度算出カテゴリーについての適合度
を教師データとして組み合わせ、ハードディスク６に保
存することにより、各適合度算出カテゴリーについて学
習データが１つずつ作成される。（ステップＳＴ１４）
【００２２】上記ステップＳＴ１１からステップＳＴ１
４までの処理を多数の組織標本について繰り返し行うこ
とにより、各適合度算出カテゴリーごとに多数の学習デ
ータが作成される。（ステップＳＴ１５）
４までの処理を多数の組織標本について繰り返し行うこ
とにより、各適合度算出カテゴリーごとに多数の学習デ
ータが作成される。（ステップＳＴ１５）
【００２３】次に、各適合度算出カテゴリーごとにニュ
ーラルネットワークを一つずつ割り当てる。（ステップ
ＳＴ１６）
ーラルネットワークを一つずつ割り当てる。（ステップ
ＳＴ１６）
【００２４】ニューラルネットワークとしては、例えば
図４に示される階層型ニューラルネットワークを用い
る。図４において、１１は入力ニューロン、１２はかく
れニューロン、１３は出力ニューロン、１４はニューロ
ン間の配線である。入力ニューロンは、入力データの次
元数と同じ数とし、出力ニューロンは一個とする。ニュ
ーラルネットワークの各ニューロンは状態値を、ニュー
ロン間の配線は結合重みを持つが、それらはメモリ７上
の数値として表現されている。
図４に示される階層型ニューラルネットワークを用い
る。図４において、１１は入力ニューロン、１２はかく
れニューロン、１３は出力ニューロン、１４はニューロ
ン間の配線である。入力ニューロンは、入力データの次
元数と同じ数とし、出力ニューロンは一個とする。ニュ
ーラルネットワークの各ニューロンは状態値を、ニュー
ロン間の配線は結合重みを持つが、それらはメモリ７上
の数値として表現されている。
【００２５】次に、各適合度算出カテゴリーに割り当て
られたニューラルネットワークのそれぞれについて、ハ
ードディスク６に保存されている教師データを用い、メ
モリ７におかれた学習プログラムに従って学習が実行さ
れ、学習終了後のニューロン間の配線の結合重みがハー
ドディスク６に保存される。（ステップＳＴ１７） なお、学習則としては、例えば階層型ニューラルネット
ワークの一般的な学習則であるバックプロバゲーション
を用いる。
られたニューラルネットワークのそれぞれについて、ハ
ードディスク６に保存されている教師データを用い、メ
モリ７におかれた学習プログラムに従って学習が実行さ
れ、学習終了後のニューロン間の配線の結合重みがハー
ドディスク６に保存される。（ステップＳＴ１７） なお、学習則としては、例えば階層型ニューラルネット
ワークの一般的な学習則であるバックプロバゲーション
を用いる。
【００２６】ある適合度算出カテゴリーＸについて適合
度を算出する場合は、適合度算出カテゴリーＸに割り当
てられたニューラルネットワークの学習後の結合重みを
ハードディスク６からメモリ７に読み込み、ステップＳ
Ｔ２において計算された特徴量を入力データとしてニュ
ーラルネットワークの出力ニューロンの状態値を求め、
その値を適合度算出カテゴリーＸについての適合度とす
れば良い。なお、上記実施例では、全ての適合度算出カ
テゴリーについて、算出された適合度を表示している
が、適合度の高い一部の適合度算出カテゴリーについて
のみ適合度を表示しても良い。また、上記実施例では、
類似した病理組織学的特徴を持つ診断カテゴリーをまと
めて適合度算出カテゴリーとしているが、一つの診断カ
テゴリーを一つの適合度算出カテゴリーとしても良い。
度を算出する場合は、適合度算出カテゴリーＸに割り当
てられたニューラルネットワークの学習後の結合重みを
ハードディスク６からメモリ７に読み込み、ステップＳ
Ｔ２において計算された特徴量を入力データとしてニュ
ーラルネットワークの出力ニューロンの状態値を求め、
その値を適合度算出カテゴリーＸについての適合度とす
れば良い。なお、上記実施例では、全ての適合度算出カ
テゴリーについて、算出された適合度を表示している
が、適合度の高い一部の適合度算出カテゴリーについて
のみ適合度を表示しても良い。また、上記実施例では、
類似した病理組織学的特徴を持つ診断カテゴリーをまと
めて適合度算出カテゴリーとしているが、一つの診断カ
テゴリーを一つの適合度算出カテゴリーとしても良い。
【００２７】
【発明の効果】以上説明したように、本発明の病理組織
診断支援装置によれば、標本の画像が該当する可能性の
高い適合度算出カテゴリーが自動的に病理医に提示され
るので、病理医が短時間で確度の高い箇所の鑑別診断法
を参照でき、診断時間の短縮と信頼度を向上できる効果
がある。
診断支援装置によれば、標本の画像が該当する可能性の
高い適合度算出カテゴリーが自動的に病理医に提示され
るので、病理医が短時間で確度の高い箇所の鑑別診断法
を参照でき、診断時間の短縮と信頼度を向上できる効果
がある。
【００２８】また、一つの診断カテゴリーを一つの適合
度算出カテゴリーとすることにより、可能性の高い診断
カテゴリー名が自動的に解り、診断時間をさらに短縮し
信頼度を向上できる効果がある。
度算出カテゴリーとすることにより、可能性の高い診断
カテゴリー名が自動的に解り、診断時間をさらに短縮し
信頼度を向上できる効果がある。
【００２９】また、類似した病理組織学的特徴を持つ診
断カテゴリーをまとめて適合度算出カテゴリーとするこ
とにより、算出される適合度の信頼性を向上できると共
に、間違いやすい診断カテゴリーであることを病理医が
意識しながらその差違について詳細な検討ができるた
め、診断結果の信頼度をさらに向上できる効果がある。
断カテゴリーをまとめて適合度算出カテゴリーとするこ
とにより、算出される適合度の信頼性を向上できると共
に、間違いやすい診断カテゴリーであることを病理医が
意識しながらその差違について詳細な検討ができるた
め、診断結果の信頼度をさらに向上できる効果がある。
【００３０】また、特徴量として、核領域の数、面積、
形状、円形度、色、色度、腔隙領域の数、面積、形状、
円形度、間質領域の数、面積、形状、円形度、色、色
度、管腔領域の数、面積、形状、円形度、画像のテクス
チャ、ウエーブレット変換値を用いて算出される特徴
量、上皮細胞が筋上皮細胞を伴う２層構造を示す程度、
線維化の程度、乳頭状パターンの有無、ふるい状パター
ンの有無、壊死物質の有無、充実性パターンの有無、画
像の色あるいは色度を用いて算出される特徴量などの画
像の構造的特徴量を用いることにより、算出される適合
度の信頼性をさらに向上できる効果がある。
形状、円形度、色、色度、腔隙領域の数、面積、形状、
円形度、間質領域の数、面積、形状、円形度、色、色
度、管腔領域の数、面積、形状、円形度、画像のテクス
チャ、ウエーブレット変換値を用いて算出される特徴
量、上皮細胞が筋上皮細胞を伴う２層構造を示す程度、
線維化の程度、乳頭状パターンの有無、ふるい状パター
ンの有無、壊死物質の有無、充実性パターンの有無、画
像の色あるいは色度を用いて算出される特徴量などの画
像の構造的特徴量を用いることにより、算出される適合
度の信頼性をさらに向上できる効果がある。
【００３１】また、適合度の算出にニューラルネットワ
ークを用いることにより、学習データを用意するだけ
で、学習によって自動的に適合度を高精度で算出できる
ようになる。このため、適合度算出カテゴリーを変えた
場合でも、再度学習しなおすことにより適合度を算出で
きるようになり、適合度算出カテゴリーを利用者の好み
に応じて設定することができる効果がある。さらに、使
用した標本が増えるほど学習データが増えるため精度が
向上するという効果もある。
ークを用いることにより、学習データを用意するだけ
で、学習によって自動的に適合度を高精度で算出できる
ようになる。このため、適合度算出カテゴリーを変えた
場合でも、再度学習しなおすことにより適合度を算出で
きるようになり、適合度算出カテゴリーを利用者の好み
に応じて設定することができる効果がある。さらに、使
用した標本が増えるほど学習データが増えるため精度が
向上するという効果もある。
【図１】 本発明に係る病理組織診断支援装置の実施の
形態を示すブロック図である。
形態を示すブロック図である。
【図２】 図１に示す病理組織診断支援装置を用いた病
理組織診断の手順を示すフローチャートである。
理組織診断の手順を示すフローチャートである。
【図３】 図１の病理組織診断支援装置を用いて、学習
データを作成し学習を実行する場合の手順を示すフロー
チャートである。
データを作成し学習を実行する場合の手順を示すフロー
チャートである。
【図４】 本発明の実施の形態を示す階層型ニューラル
ネットワークの構成図である。
ネットワークの構成図である。
１ 乳腺腫瘍の組織標本、 ２ 顕微鏡、 ３ カメ
ラ、 ４ 画像取込回路、 ５ 計算機、 ６ ハード
ディスク、 ７ メモリ、 ８ プロセッサ、９ 表示
装置、 １０ キーボード、 １１ 入力ニューロン、
１２ かくれニューロン、 １３ 出力ニューロン、
１４ ニューロン間の配線
ラ、 ４ 画像取込回路、 ５ 計算機、 ６ ハード
ディスク、 ７ メモリ、 ８ プロセッサ、９ 表示
装置、 １０ キーボード、 １１ 入力ニューロン、
１２ かくれニューロン、 １３ 出力ニューロン、
１４ ニューロン間の配線
Claims (5)
- 【請求項１】 生体組織の画像から画像の特徴を特徴量
として定量的に表わす特徴量抽出手段と、病理組織学的
特徴に基づいてあらかじめ設定された診断カテゴリーを
適合度算出カテゴリーとして、上記画像の特徴量の上記
適合度算出カテゴリーに適合する程度を算出する適合度
算出手段と、適合度の高い適合度算出カテゴリー名を表
示する適合度表示手段とを備えたことを特徴とする病理
組織診断支援装置。 - 【請求項２】 一つの診断カテゴリーを一つの適合度算
出カテゴリーとしたことを特徴とする請求項１に記載の
病理組織診断支援装置。 - 【請求項３】 類似した病理組織学的特徴を持つ複数の
診断カテゴリーをまとめて適合度算出カテゴリーとした
ことを特徴とする請求項１に記載の病理組織診断支援装
置。 - 【請求項４】 特徴量として、核領域の数、面積、形
状、円形度、色、色度、腔隙領域の数、面積、形状、円
形度、間質領域の数、面積、形状、円形度、色、色度、
管腔領域の数、面積、形状、円形度、画像のテクスチ
ャ、ウエーブレット変換値を用いて算出される特徴量、
上皮細胞が筋上皮細胞を伴う２層構造を示す程度、線維
化の程度、乳頭状パターンの有無、ふるい状パターンの
有無、壊死物質の有無、充実性パターンの有無、画像の
色あるいは色度を用いて算出される特徴量の少なくとも
一つを用いたことを特徴とする請求項１乃至請求項３の
いずれかに記載の病理組織診断支援装置。 - 【請求項５】 適合度算出手段としてニューラルネット
ワークが用いられ、各適合度算出カテゴリーに出力ニュ
ーロンが割り当てられ、特徴量を入力とし、学習に用い
る組織画像に対して予め決められた適合度を教師信号と
して、各適合度算出カテゴリーに割り当てられたニュー
ロンが教師信号と同じ値を出力するように学習し、学習
後のニューラルネットワークに診断しようとする組織画
像から抽出された特徴量が入力され、出力ニューロンの
出力値が適合度とされていることを特徴とする請求項１
乃至請求項４のいずれかに記載の病理組織診断支援装
置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9004696A JPH10197522A (ja) | 1997-01-14 | 1997-01-14 | 病理組織診断支援装置 |
| KR1019980000404A KR100291149B1 (ko) | 1997-01-14 | 1998-01-09 | 병리조직진단지원장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9004696A JPH10197522A (ja) | 1997-01-14 | 1997-01-14 | 病理組織診断支援装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10197522A true JPH10197522A (ja) | 1998-07-31 |
Family
ID=11591061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9004696A Pending JPH10197522A (ja) | 1997-01-14 | 1997-01-14 | 病理組織診断支援装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JPH10197522A (ja) |
| KR (1) | KR100291149B1 (ja) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009115598A (ja) * | 2007-11-06 | 2009-05-28 | Nec Corp | 低分化癌検出モジュール、これを備えた病理画像診断支援装置、プログラムおよび記録媒体 |
| JP2009229203A (ja) * | 2008-03-21 | 2009-10-08 | Nec Corp | 病理画像診断装置、病理画像診断方法及びプログラム |
| US7693334B2 (en) | 2004-11-30 | 2010-04-06 | Nec Corporation | Pathological diagnosis support device, program, method, and system |
| WO2012043499A1 (ja) * | 2010-09-30 | 2012-04-05 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体 |
| JP2013507643A (ja) * | 2009-10-13 | 2013-03-04 | ザ・チャールズ・スターク・ドレイパ・ラボラトリー・インコーポレイテッド | エピジェネティックおよび非エピジェネティックベースの人工多能性幹細胞誘導への応用を含む細胞リプログラミング |
| 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 |
| WO2017095014A1 (ko) * | 2015-11-30 | 2017-06-08 | 임욱빈 | Dnn 학습을 이용한 세포이상 여부 진단시스템 및 그 진단관리 방법 |
| US9786047B2 (en) | 2011-05-18 | 2017-10-10 | Nec Corporation | Information processing system, method, and apparatus supporting a pathological diagnosis, and control method and control program thereof |
| WO2020166469A1 (ja) * | 2019-02-15 | 2020-08-20 | コニカミノルタ株式会社 | 情報提供方法、情報提供装置及びプログラム |
| EP3731140A1 (en) | 2019-04-26 | 2020-10-28 | Juntendo Educational Foundation | Method, apparatus, and computer program for supporting disease analysis, and method, apparatus, and program for training computer algorithm |
| JP2021513075A (ja) * | 2018-02-06 | 2021-05-20 | ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガンＴｈｅ Ｒｅｇｅｎｔｓ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｍｉｃｈｉｇａｎ | 光学組織像の分析及び遠隔読影のためのシステム及び方法 |
| WO2021132633A1 (ja) | 2019-12-26 | 2021-07-01 | 公益財団法人がん研究会 | Ａｉを用いた病理診断支援方法、及び支援装置 |
| US11093729B2 (en) | 2018-05-10 | 2021-08-17 | Juntendo Educational Foundation | Image analysis method, apparatus, non-transitory computer readable medium, and deep learning algorithm generation method |
| JP2021177327A (ja) * | 2020-05-08 | 2021-11-11 | アース環境サービス株式会社 | 異物の混入時期特定方法及びシステム |
| KR20220021805A (ko) * | 2020-08-14 | 2022-02-22 | 연세대학교 산학협력단 | 조직 검사 방법 및 조직 검사 장치 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102208613B1 (ko) | 2018-11-12 | 2021-01-28 | 라온프렌즈 주식회사 | 의료 이미지 처리 장치 |
-
1997
- 1997-01-14 JP JP9004696A patent/JPH10197522A/ja active Pending
-
1998
- 1998-01-09 KR KR1019980000404A patent/KR100291149B1/ko not_active Expired - Fee Related
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7693334B2 (en) | 2004-11-30 | 2010-04-06 | Nec Corporation | Pathological diagnosis support device, program, method, and system |
| JP2009115598A (ja) * | 2007-11-06 | 2009-05-28 | Nec Corp | 低分化癌検出モジュール、これを備えた病理画像診断支援装置、プログラムおよび記録媒体 |
| US8199998B2 (en) | 2007-11-06 | 2012-06-12 | Nec Corporation | Module for detecting poorly differentiated cancers and pathological image diagnosis support apparatus, program and recording medium including the same |
| JP2009229203A (ja) * | 2008-03-21 | 2009-10-08 | Nec Corp | 病理画像診断装置、病理画像診断方法及びプログラム |
| JP2013507643A (ja) * | 2009-10-13 | 2013-03-04 | ザ・チャールズ・スターク・ドレイパ・ラボラトリー・インコーポレイテッド | エピジェネティックおよび非エピジェネティックベースの人工多能性幹細胞誘導への応用を含む細胞リプログラミング |
| WO2012043499A1 (ja) * | 2010-09-30 | 2012-04-05 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体 |
| JP5630674B2 (ja) * | 2010-09-30 | 2014-11-26 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体 |
| US9704018B2 (en) | 2010-09-30 | 2017-07-11 | Nec Corporation | Information processing apparatus, information processing system, information processing method, program, and recording medium |
| US9786047B2 (en) | 2011-05-18 | 2017-10-10 | Nec Corporation | Information processing system, method, and apparatus supporting a pathological diagnosis, and control method and control program thereof |
| 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 |
| WO2017095014A1 (ko) * | 2015-11-30 | 2017-06-08 | 임욱빈 | Dnn 학습을 이용한 세포이상 여부 진단시스템 및 그 진단관리 방법 |
| US10679751B2 (en) | 2015-11-30 | 2020-06-09 | Wook-Bin IM | Cell abnormality diagnosis system using DNN learning, and diagnosis management method of the same |
| JP2021513075A (ja) * | 2018-02-06 | 2021-05-20 | ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガンＴｈｅ Ｒｅｇｅｎｔｓ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｍｉｃｈｉｇａｎ | 光学組織像の分析及び遠隔読影のためのシステム及び方法 |
| US11756675B2 (en) | 2018-02-06 | 2023-09-12 | The Regents Of The University Of Michigan | Systems and methods for analysis and remote interpretation of optical histologic images |
| US11830188B2 (en) | 2018-05-10 | 2023-11-28 | Sysmex Corporation | Image analysis method, apparatus, non-transitory computer readable medium, and deep learning algorithm generation method |
| US12272061B2 (en) | 2018-05-10 | 2025-04-08 | Juntendo Educational Foundation | Image analysis method, apparatus, non-transitory computer readable medium, and deep learning algorithm generation method |
| US11093729B2 (en) | 2018-05-10 | 2021-08-17 | Juntendo Educational Foundation | Image analysis method, apparatus, non-transitory computer readable medium, and deep learning algorithm generation method |
| WO2020166469A1 (ja) * | 2019-02-15 | 2020-08-20 | コニカミノルタ株式会社 | 情報提供方法、情報提供装置及びプログラム |
| JPWO2020166469A1 (ja) * | 2019-02-15 | 2021-12-16 | コニカミノルタ株式会社 | 情報提供方法、情報提供装置及びプログラム |
| US12175660B2 (en) | 2019-02-15 | 2024-12-24 | Konica Minolta, Inc. | Method, device, and program for obtaining information from tissue sections for pathological diagnosis support |
| EP3731140A1 (en) | 2019-04-26 | 2020-10-28 | Juntendo Educational Foundation | Method, apparatus, and computer program for supporting disease analysis, and method, apparatus, and program for training computer algorithm |
| US11978198B2 (en) | 2019-04-26 | 2024-05-07 | Juntendo Educational Foundation | Method, apparatus, and computer program for supporting disease analysis, and method, apparatus, and program for training computer algorithm |
| KR20220119447A (ko) | 2019-12-26 | 2022-08-29 | 고에키자이단호진 간겐큐카이 | Ai를 이용한 병리 진단 지원 방법, 및 지원 장치 |
| WO2021132633A1 (ja) | 2019-12-26 | 2021-07-01 | 公益財団法人がん研究会 | Ａｉを用いた病理診断支援方法、及び支援装置 |
| US12205723B2 (en) | 2019-12-26 | 2025-01-21 | Japanese Foundation For Cancer Research | Pathological diagnosis assisting method using AI, and assisting device |
| JP2021177327A (ja) * | 2020-05-08 | 2021-11-11 | アース環境サービス株式会社 | 異物の混入時期特定方法及びシステム |
| KR20220021805A (ko) * | 2020-08-14 | 2022-02-22 | 연세대학교 산학협력단 | 조직 검사 방법 및 조직 검사 장치 |
| KR20240046124A (ko) * | 2020-08-14 | 2024-04-08 | 연세대학교 산학협력단 | 세침 흡인으로 추출된 조직의 양의 충분 여부를 실시간으로 판단하는 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR19980070439A (ko) | 1998-10-26 |
| KR100291149B1 (ko) | 2001-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mira et al. | Early diagnosis of oral cancer using image processing and Artificial intelligence. | |
| CN112070119B (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
| CN111214255B (zh) | 一种医学超声图像计算机辅助方法 | |
| JPH10197522A (ja) | 病理組織診断支援装置 | |
| AU670938B2 (en) | Method for identifying normal biomedical specimens | |
| US7027627B2 (en) | Medical decision support system and method | |
| CN112469340A (zh) | 具有用于引导式肝成像的人工神经网络的超声系统 | |
| CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| CN109872325B (zh) | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 | |
| JP2003225231A (ja) | 肺疾患検出のための方法及びシステム | |
| EP2116974B1 (en) | Statistics collection for lesion segmentation | |
| JP2010119850A (ja) | 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ | |
| KR101656582B1 (ko) | 갑상선암 자동 판별 방법 및 시스템 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN111583385B (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
| CN116523857B (zh) | 基于弥散张量图像的听力状态预测装置、方法 | |
| CN117541570A (zh) | 乳腺结节图像的处理方法、装置、计算机设备、及介质 | |
| CN120413069B (zh) | 一种基于聚类算法的教学用腮腺肿瘤增强模型构建方法 | |
| CN114202504B (zh) | 颈动脉超声自动多普勒方法、超声设备及存储介质 | |
| CN115984231A (zh) | 一种基于光学图像的癌症患者标本性质的辨别方法及应用 | |
| JP2007514464A (ja) | 画像の診断的評価を支援する装置及び方法 | |
| CN112927814A (zh) | 针对占位病变的体检推荐方法、装置、设备及存储介质 | |
| CN118505729A (zh) | 一种面向医学图像的图像分割及可解释性分析的方法及系统 | |
| CN112750530A (zh) | 一种模型的训练方法、终端设备和存储介质 | |
| CN117953301A (zh) | 一种基于图像联合机器学习方法的腹主动脉钙化分类方法 |