图像解析方法、装置、存储介质和深度学习算法生成方法制造方法及图纸

本发明专利技术一目的在于提供一种用于更高精度地识别解析用图像所含有的数个细胞的各自的形态的图像解析方法。使用具有神经网络结构的深度学习算法解析细胞的形态的图像解析方法，将包含解析对象细胞相关信息的解析数据输入至所述深度学习算法（60，61），并通过所述深度学习算法（60，61）算出所述解析对象细胞归属于所述一定细胞群下属的数个细胞的形态分类中的每一项的概率，通过该方法来解析图像。

Image analysis method, device, storage medium and deep learning algorithm generation method

An object of the invention is to provide an image analysis method for identifying the respective morphology of several cells contained in an image for analysis with higher accuracy. An image analysis method for analyzing cell morphology using a deep learning algorithm with a neural network structure is used to input the analysis data containing the information related to the analysis object cell into the deep learning algorithm (60, 61), and through the deep learning algorithm (60, 61), the morphological classification of the analysis object cell belonging to several cells under a certain cell group is calculated The probability of each term, through this method to analyze the image.

【技术实现步骤摘要】
图像解析方法、装置、存储介质和深度学习算法生成方法
本专利技术涉及解析细胞形态的图像解析方法、装置、存储介质和深度学习算法的生成方法。
技术介绍
专利文献1公开了用于处理显微镜图像的细胞识别系统。所述细胞识别系统中，使用机器训练技法训练的模型将获取的图像内的像素和细胞、细胞边界、背景及其等同物中的一项或更多相关联。机器训练技法使用的是随机森林决策树技法。现有技术文献专利文献专利文献1：日本特表2016-534709号。
技术实现思路
专利技术要解决的技术问题细胞检查中，通常检查者通过显微镜观察来观察细胞，并从形态学上鉴定细胞的种类、特征。但是同系的细胞具有相似的形态，因此为了能从形态学上识别细胞就需要观察许多细胞标本并提高识别技能。要识别患病时出现的异常细胞时尤其要求熟练度。比如，像初期的骨髓增生异常综合征那样异常细胞的出现频率小的情况下也会有技能不充分的检查者注意不到异常细胞等风险。另外，检查者1天能观察的标本枚数是有限的，1天观察超过100枚也会对检查者造成负担。流式的自动血细胞分类装置等也能实现增加细胞检查的处理件数。但是，从流式的自动血细胞分类装置得到的信息有限，很难识别母细胞（blast）、早幼粒细胞、巨大血小板等出现频率低的血细胞。如专利文献1所述的方法所示，现在也已知使用机器训练技法（也叫机器学习）识别细胞的方法。但是需要用户制作用于训练机器学习模型的训练数据，为生成模型需要花费巨大的劳动力。另外现状是由于是用户制作训练数据，因此能制作的训练数据的数目有限，机器学习模型的解析的精度、通用化性能还存在问题。另外，专利文献1所述的方法是在显微镜图像中识别细胞部分和非细胞部分的方法。因此无法识别每个细胞的种类及其包含何种异常表现等。本专利技术一目的在于提供一种用于更高精度地识别解析用图像所含有的数个细胞的各自的形态的图像解析方法。解决技术问题的技术手段本专利技术一实施方式涉及图像解析方法。所述图像解析方法中，将解析数据（80）输入具有神经网络结构的深度学习算法（60，61）中，所述解析数据由解析对象细胞的图像生成且包含所述解析对象细胞相关信息；通过所述深度学习算法计算所述解析对象细胞属于一定细胞群下属的数个细胞的形态学分类中每一项的概率。通过本实施方式，即使检查者不进行显微镜观察，也能求得所述解析对象细胞归属于一定细胞群下属的数个细胞的形态学分类中的每一项的概率并解析图像。优选技术方案为：所述图像解析方法基于计算出的所述概率识别所述解析对象细胞所属的所述形态学分类。通过本实施方式，即使检查者不进行显微镜观察也能识别解析对象细胞和哪一形态学分类相吻合。优选技术方案为：所述一定细胞群是血中细胞的群。通过本实施方式，即使检查者不进行显微镜观察也能进行血细胞的形态学分类。优选技术方案为：所述一定细胞群是属于一定细胞系的细胞的群。更优选技术方案为：所述一定细胞系是造血系统。通过本实施方式，即使检查者不进行显微镜观察也能进行属于相同细胞系的细胞的形态学分类。优选技术方案为：每一形态学分类表明细胞的种类。更优选技术方案为：形态学分类包含如下：包括分叶核中性粒细胞和杆状核中性粒细胞在内的中性粒细胞、晚幼粒细胞、中幼粒细胞、早幼粒细胞、母细胞、淋巴细胞、浆细胞、异型淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞、成红细胞、巨大血小板、血小板凝集和巨核细胞。根据本实施方式也能识别具有相似形态的同系列的细胞。优选技术方案为：每一形态学分类表明细胞的异常表现，更优选技术方案为：所述形态学分类包含从下述项目构成的群选择的至少一种细胞：核形态异常、空泡的存在、颗粒形态异常、颗粒分布异常、异常颗粒的存在、细胞的大小异常、包含体的存在和裸核。根据本实施方式也能识别呈现异常表现的细胞。所述实施方式中，所述细胞的形态的相关数据是形态学分类中细胞的种类的相关数据和形态学分类中细胞的特征的相关数据。通过本实施方式能输出形态学的细胞的种类和细胞的特征。优选技术方案为：所述实施方式中，所述深度学习算法包含：第1算法，算出所述解析对象细胞归属于一定细胞群下属的数个细胞的第1形态学分类中的每一项的概率；第2算法，算出所述解析对象细胞归属于一定细胞群下属的数个细胞的第2形态学分类中的每一项的概率。比如，所述第1形态学分类是所述解析对象细胞的种类，所述第2形态学分类是所述解析对象细胞的异常表现。这样一来能更加提高具有相似形态的细胞的识别精度。所述实施方式中，所述解析数据（80）是由拍摄到的被染色的血中细胞的图像生成的。更优选技术方案为：所述染色从赖特氏染色、吉姆萨染色、瑞士吉姆萨染色和梅吉姆萨染色选择。这样一来，能进行和一直以来进行的显微镜下的观察同样的识别。所述解析数据（80）和训练数据（75）包含解析对象图像和训练用图像的亮度的相关信息和至少2种色相的相关信息。这样一来能提高识别精度。本专利技术其他实施方式涉及图像解析装置（200）。所述图像解析装置（200）具备：处理部（10），将解析数据（80）输入具有神经网络结构的深度学习算法（60，61），所述解析数据由解析对象细胞的图像生成且包含所述解析对象细胞的相关信息，通过所述深度学习算法计算所述解析对象细胞属于一定细胞群下属的数个细胞的形态学分类中每一项的概率。优选技术方案为：每一形态学分类是所述解析对象细胞的种类的识别。另外优选技术方案为：每一形态学分类是所述解析对象细胞的异常表现的识别。本专利技术其他实施方式涉及存储介质，该存储介质为存储由处理器执行的程序的非暂时性计算机可读存储介质。所述程序使计算机（200）执行如下处理：将解析数据（80）输入具有神经网络结构的深度学习算法（60，61），所述解析数据（80）由解析对象细胞的图像生成并且包含所述解析对象细胞的相关信息，通过所述深度学习算法计算所述解析对象细胞属于一定细胞群下属的数个细胞的形态学分类的每一项的概率。本专利技术其他实施方式涉及已完成训练的深度学习算法（60，61）生成方法。本实施方式将包含细胞相关信息的训练数据输入至神经网络（50，51）的输入层（50a，51a），并将标签值作为输出层（50b，51b）输入，该标签值和一定细胞群下属的数个细胞的每一形态学分类相关联。优选技术方案为：每一形态学分类表明细胞的种类或细胞的异常表现。通过使用图像解析装置（200）、已完成训练的深度学习算法（60，61）能不受检查者的技能影响地识别形态学的细胞的种类和细胞的特征。专利技术效果能识别解析用图像所含有的数个细胞各自的形态。结果是能进行不受检查者的技能影响的细胞检查。附图说明图1表示本专利技术的概要的图；图2为训练数据的生成步骤、第1深度学习算法和第2深度学习算法的训练步骤的例子的示意图；图3表示标签值的例子；图4为解析数据的生成步骤、使用深度学习算法的细胞识别步骤的例子的示意图；图5为图像解析系统1的结构例的概略的示图；图6表本文档来自技高网...

【技术保护点】
1.一种图像解析方法，包括以下步骤：/n将解析数据输入具有神经网络结构的深度学习算法中，所述解析数据由解析对象细胞的图像生成且包含所述解析对象细胞相关信息；/n通过所述深度学习算法计算所述解析对象细胞属于一定细胞群下属的数个细胞的形态学分类中每一项的概率。/n

【技术特征摘要】
20180510 JP 2018-0917761.一种图像解析方法，包括以下步骤：
将解析数据输入具有神经网络结构的深度学习算法中，所述解析数据由解析对象细胞的图像生成且包含所述解析对象细胞相关信息；
通过所述深度学习算法计算所述解析对象细胞属于一定细胞群下属的数个细胞的形态学分类中每一项的概率。


2.根据权利要求1所述的图像解析方法，还包括以下步骤：
基于计算出的所述概率识别所述解析对象细胞所属的所述形态学分类。


3.根据权利要求1所述的图像解析方法，其特征在于：
所述一定细胞群是血中细胞群。


4.根据权利要求1所述的图像解析方法，其特征在于：
所述一定细胞群是属于一定细胞系的细胞的群。


5.根据权利要求1所述的图像解析方法，其特征在于：
所述一定细胞系是造血系统。


6.根据权利要求1所述的图像解析方法，其特征在于：
每一形态学分类表明细胞的种类。


7.根据权利要求1所述的图像解析方法，其特征在于：
所述数个细胞包含从由下述项目组成的群中选择的数种细胞：分叶核中性粒细胞、杆状核中性粒细胞、晚幼粒细胞、中幼粒细胞、母细胞、淋巴细胞、异型淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞、成红细胞、巨大血小板、血小板凝集和巨核细胞。


8.根据权利要求1所述的图像解析方法，其特征在于：
每一形态学分类表明细胞的异常表现。


9.根据权利要求1所述的图像解析方法，其特征在于：
所述数个细胞的所述形态学分类包含从下述项目构成的群中选择的至少一种：核形态异常、空泡的存在、颗粒形态异常、颗粒分布异常、异常颗粒的存在、细胞的大小异常、包含体的存在和裸核。


10.根据权利要求1所述的图像解析方法，其特征在于：
所述深度学习算法，包括：
第1算法，用于算出所述解析对象细胞归属于一定细胞群下属的数个细胞的第1形态学分类中的每一项的概率；
第2算法，用于算出所述解析对象细胞归属于一定细胞群下属的数个细胞的第2形态...

【专利技术属性】
技术研发人员：大坂显通，田部阳子，木村考伸，
申请(专利权)人：学校法人顺天堂，希森美康株式会社，
类型：发明
国别省市：日本;JP