辅助疾病分析的方法、装置及计算机程序、以及训练计算机算法的方法、装置及程序制造方法及图纸

本发明专利技术提供辅助疾病分析的方法、装置及计算机程序、以及训练计算机算法的方法、装置及程序。课题在于，基于各个细胞图像来识别疾病。通过用于辅助疾病分析的方法来解决课题，所述用于辅助疾病分析的方法包含：根据由采集自被检体的试样中所含的多个分析对象细胞取得的图像对各分析对象细胞的形态进行分类，基于该分类结果取得对应于所述试样的细胞形态分类的相关信息，基于所述细胞形态分类的相关信息并利用计算机算法分析所述被检体所存有的疾病。

【技术实现步骤摘要】
辅助疾病分析的方法、装置及计算机程序、以及训练计算机算法的方法、装置及程序
本专利技术涉及辅助疾病分析的方法、装置及计算机程序、以及训练用于辅助疾病分析的计算机算法的方法、装置、及程序。
技术介绍
专利文献1中记载了如下方法：将从组织图像提取的核区域的数量、面积、形状、圆形度、颜色、色度，腔隙区的数量、面积、形状、圆形度，间质区的数量、面积、形状、圆形度、颜色、色度，管腔区的数量、面积、形状、圆形度、图像纹理、使用小波变换值计算的特征量、上皮细胞显示为伴有肌上皮细胞的双层结构的程度、纤维化的程度、有无乳头状图案、有无筛状图案、有无坏死物、有无实质性图案、使用图像的颜色或色度计算的特征量输入神经网络，进行“硬癌图案”及“小管内纤维瘤图案”的病理组织的鉴别。现有技术文献专利文献专利文献1：日本特开平10-197522号
技术实现思路
专利技术要解决的课题虽然专利文献1公开了基于组织图像识别疾病的方案，但是并未公开基于各个细胞图像来识别疾病。本专利技术的课题之一在于，从各个细胞图像精度良好地识别疾病。用于解决课题的手段本专利技术涉及用于辅助疾病分析的方法。在上述方法中，根据由采集自被检体的试样中所含的多个分析对象细胞取得的图像，对各分析对象细胞的形态进行分类，基于该分类结果取得对应于上述试样的细胞形态分类的相关信息，基于上述细胞形态分类的相关信息并利用计算机算法分析上述被检体所存有的疾病。根据这些构成，可以基于各个细胞图像来识别疾病。优选地，在对上述各分析对象细胞的形态进行分类的工序中，对各分析对象细胞种类进行识别。更优选地，上述细胞形态分类的相关信息为每一细胞种类的细胞数的相关信息(64)。根据这些构成，可以基于各个细胞种类来识别疾病。优选地，在对上述各分析对象细胞的形态进行分类的工序中，对各分析对象细胞中的异常所见的种类进行识别。更优选地，上述细胞形态分类的相关信息为每一异常所见的种类的细胞数的相关信息(63)。根据这些构成，可以基于各个细胞中的异常所见的种类来识别疾病。在对上述各分析对象细胞的形态进行分类的工序中，对于各分析对象每一细胞种类，识别异常所见的种类。根据这些构成，可以基于各个细胞图像精度更良好地识别疾病。在对上述各分析对象细胞的形态进行分类的工序中，将包含各分析对象细胞的相关信息的分析数据输入具有神经网络结构的深度学习算法，利用上述深度学习算法对各分析对象细胞的形态进行分类。根据这些构成，可以精度更良好地识别疾病。上述计算机算法为机器学习算法，上述被检体所保有的疾病的分析通过将上述细胞形态分类的相关信息作为特征量输入机器学习算法(67)来进行。根据这些构成，可以精度更良好地识别疾病。机器学习算法(67)优选从树、回归、神经网络、贝叶斯、聚类、或集成学习中选择。更优选地，上述机器学习算法为梯度提升树。通过使用这些机器学习算法，可以更准确地识别疾病。在取得上述细胞形态分类的相关信息的工序中，求出各分析对象细胞属于多个细胞形态分类中的各类别的概率，计算上述细胞形态分类的每一种类的上述概率的总和，取得上述总和作为上述细胞形态分类的相关信息。根据这些构成，能够精度更高地进行疾病的识别。优选地，上述试样为血液试样。血液中的细胞反映各种疾病的病情，因此能够精度更高地进行疾病的识别。优选地，上述疾病为造血系统疾病。根据本专利技术，可以精度良好地识别造血系统疾病。上述造血系统疾病为再生障碍性贫血或骨髓增生异常综合症。根据本专利技术，可以精度良好地识别造血系统疾病。优选地，上述异常所见为选自核形态异常、颗粒异常、细胞大小异常、细胞畸形、细胞破坏、液泡(vacuole)、幼稚细胞、包涵体存在、杜勒小体、卫星现象、核网异常、花瓣样核、N/C比大、起泡样(bleb-like)、破碎(污溃；smudge)及毛样细胞样形态中的至少一种。对这些细胞评价这些异常所见，能够精度更高地进行疾病的识别。优选地，上述核形态异常包含选自分叶多、分叶少、伪佩尔格氏核异常、轮状核、球形核、椭圆形核、凋亡、聚核(polynuclearity)、核溃破、去核、裸核、核边缘不整齐、核碎片化、核内桥联、多核、裂核、核分裂及核仁异常中的至少一种。上述颗粒异常包含选自脱颗粒、颗粒分布异常、中毒性颗粒、奥尔小体、柴捆细胞、及伪Chediak-Higashi颗粒样颗粒中的至少一种。上述细胞大小异常包含巨大血小板。通过对这些异常所见进行评价，能够精度更高地进行疾病的识别。优选地，上述细胞种类包含选自嗜中性粒细胞、嗜酸性粒细胞、血小板、淋巴细胞、单核细胞、及嗜碱性粒细胞中的至少一种。通过对这些细胞种类进行评价，能够精度更高地进行疾病的识别。更优选地，上述细胞种类进一步包含选自晚幼粒细胞、髓细胞、早幼粒细胞、粒母细胞、浆细胞、非典型淋巴细胞、幼稚嗜酸性粒细胞、幼稚嗜碱性粒细胞、成红血细胞、及巨核细胞中的至少一种。通过在这些细胞范围内对这些细胞种类进行评价，能够精度更高地进行疾病的识别。本专利技术涉及用于辅助疾病分析的装置(200)。装置(200)具备处理部(20)，处理部(20)根据由采集自被检体的试样中所含的多个分析对象细胞取得的图像，对各分析对象细胞的形态进行分类，基于该分类结果取得对应于上述试样的细胞形态分类的相关信息，基于上述细胞形态分类的相关信息并利用计算机算法分析上述被检体所保有的疾病。本专利技术涉及用于辅助疾病分析的程序，其使计算机执行以下步骤：根据由采集自被检体的试样中所含的多个分析对象细胞取得的图像对各分析对象细胞的形态进行分类，基于该分类结果取得对应于上述试样的细胞形态分类的相关信息；和，基于上述细胞形态分类的相关信息并利用计算机算法分析上述被检体所存有的疾病。根据用于辅助疾病分析的装置或程序，能够进行高精度的疾病识别。本专利技术涉及用于辅助疾病分析的计算机算法的训练方法。上述训练方法包含：根据由采集自被检体的试样中所含的多个分析对象细胞取得的图像对各分析对象细胞的形态进行分类，基于该分类结果取得对应于上述试样的细胞形态分类的相关信息，将取得的上述细胞形态分类的相关信息作为第1训练数据、将上述被检体的疾病信息作为第2训练数据输入上述计算机算法。本专利技术涉及用于辅助疾病分析的计算机算法的训练装置(100)。训练装置(100)具备处理部(10)，处理部(10)根据由采集自被检体的试样中所含的多个分析对象细胞取得的图像对各分析对象细胞的形态进行分类，基于该分类结果取得对应于上述试样的细胞形态分类的相关信息，将取得的上述细胞形态分类的相关信息作为第1训练数据、将上述被检体的疾病信息(55)作为第2训练数据输入上述计算机算法。本专利技术涉及用于辅助疾病分析的计算机算法的训练程序。使计算机执行下述步骤：根据由采集自被检体的试样中所含的多个分析对象细胞取得的图像对各分析对象细胞的形态进行分类，基于该分类结果取得对应于上述试样的细胞形态分类的相关信息；将上述细胞形态分类的相关信息作为第1训练数据本文档来自技高网...

【技术保护点】
1.一种用于辅助疾病分析的方法，其包含：/n对由采集自被检体的试样中所含的多个分析对象细胞取得的图像中的各分析对象细胞的形态进行分类，基于该分类结果取得对应于所述试样的细胞形态分类的相关信息，/n基于所述细胞形态分类的相关信息，利用计算机算法分析所述被检体所存有的疾病。/n

【技术特征摘要】
20190426 JP 2019-0863631.一种用于辅助疾病分析的方法，其包含：
对由采集自被检体的试样中所含的多个分析对象细胞取得的图像中的各分析对象细胞的形态进行分类，基于该分类结果取得对应于所述试样的细胞形态分类的相关信息，
基于所述细胞形态分类的相关信息，利用计算机算法分析所述被检体所存有的疾病。


2.根据权利要求1所述的方法，其中，对所述各分析对象细胞的形态进行分类的工序中，对各分析对象细胞种类进行识别。


3.根据权利要求2所述的方法，其中，所述细胞形态分类的相关信息为每一细胞种类的细胞数的相关信息。


4.根据权利要求1或2所述的方法，其中，在对所述各分析对象细胞的形态进行分类的工序中，识别各分析对象细胞中的异常所见的种类。


5.根据权利要求4所述的方法，其中，所述细胞形态分类的相关信息为每一异常所见的种类的细胞数的相关信息。


6.根据权利要求1或2所述的方法，其中，在对所述各分析对象细胞的形态进行分类的工序中，对于各分析对象的每一细胞种类，识别异常所见的种类。


7.根据权利要求1至6中任一项所述的方法，其中，在对所述各分析对象细胞的形态进行分类的工序中，将包含各分析对象细胞的相关信息的分析数据输入具有神经网络结构的深度学习算法，利用所述深度学习算法对各分析对象细胞的形态进行分类。


8.根据权利要求1至7中任一项所述的方法，其中，所述计算机算法为机器学习算法，
所述被检体所存有的疾病的分析通过将所述细胞形态分类的相关信息作为特征量输入所述机器学习算法来进行。


9.根据权利要求8所述的方法，其中，所述机器学习算法选自树、回归、神经网络、贝叶斯、聚类或集成学习。


10.根据权利要求9所述的方法，其中，所述机器学习算法为梯度提升树。


11.根据权利要求1至10中任一项所述的方法，其中，在取得所述细胞形态分类的相关信息的工序中，求出各分析对象细胞属于多个细胞形态分类中的各类别的概率，计算所述细胞形态分类的每一种类的所述概率的总和，取得所述总和作为所述细胞形态分类的相关信息。


12.根据权利要求1至11中任一项所述的方法，其中，所述试样为血液试样。


13.根据权利要求1至12中任一项所述的方法，其中，所述疾病为造血系统疾病。


14.根据权利要求13所述的方法，其中，所述造血系统疾病为再生障碍性贫血或骨髓增生异常综合症。


15.根据权利要求4～6中任一项所述的方法，其中，所述异常所见包含选自核形态异常、颗粒异常、细胞大小异常、细胞畸形、细胞破坏、液泡、幼稚细胞、包涵体存在、杜勒小体、卫星现象、核网异常、花瓣样核、N/C比大、起泡样、破碎及毛样细胞样形态中的至少一种。


16.根据权利要求15所述的方法，其中，所述核形态异常包含选自分叶多、分叶少、伪佩尔格氏核异常、轮状核、球形核、椭圆形核、凋亡、聚核、核溃破、去核、裸核、核边缘不整齐、核碎...

【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