System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
【】本专利技术涉及图像解析方法、装置、程序及学习完了深层学习算法的制造方法。更具体而言,涉及含对于组织或细胞的图像的任意的位置而生成显示细胞核的区域的数据的图像解析方法。
技术介绍
0、
技术介绍
1、在专利文献1中公开了在病理组织图像中将组织像分类为正常、良性肿瘤、前癌状态及癌状态的4个组,判断的图像诊断支援装置。图像分类手段从图像数据提取注视区域,算出显示注视区域的特征的特征量,基于算出的特征量而进行组的分类。特征量是在细胞核中的每单位面积的块的密度、块面积的密度、块的面积、块的粗度,及块的长度等。图像判断手段学习这样的特征量和判断结果的关系,基于学习完了的学习参数而进行判断。学习使用支持向量机等的学习算法而执行机械学习。
2、【现有技术文献】
3、【专利文献】
4、【专利文献1】特开2010-203949号公报
5、【专利技术的概要】
6、【专利技术要解决的课题】
7、在确定诊断是否是恶性肿瘤时,进行使用病理组织标本的病理组织学诊断。另外,病理组织学诊断作为用于手术中确定含恶性肿瘤的组织的切除部位的术中迅速诊断进行也不少。术中迅速诊断是在手术中在切开患者的患部的状态下等待,将肿瘤是否是恶性,切除的组织的断端是否残留有肿瘤,是否有淋巴节转移等的判断由病理组织学诊断进行。由术中迅速诊断的结果决定等待的患者的其后的手术的方向性。
8、病理组织学诊断是医师、特别病理医由显微镜等观察组织标本而进行诊断,但为了使可由组织标本的观察进行正确
9、病理医的不足是严重的,病理医不足的结果,患者的恶性肿瘤的确定诊断延迟,治疗开始延迟,或者还危惧不等待确定诊断而开始治疗的状态。另外,由于通常的组织学诊断和术中迅速诊断的两方集中在少的病理医,一人的病理医的业务量变得庞大,病理医自身的劳务状态也成为问题。但是,目前还未见到此问题的解除策。
10、从而,装置变得可支持病理组织学诊断,特别是其诊断越接近由人的眼的判断,越被认为大贡献于病理医不足的解除、及病理医的劳务状态的改善。
11、在装置支持病理组织学诊断的点,在记载在上述的专利文献1的专利技术中,基于由机械学习的图像解析而进行标本组织的病理判断。在此方法中,有将特征量用人的手制成的必要。在将特征量用人的手制成的方法中,有该人的力量给图像解析的性能大影响的问题。
12、例如,在使用显微镜的组织学诊断或细胞学诊断中,观察对象之一是细胞核的状态,从细胞核1个1个大小或形态、以及多个细胞核的序列状态等,区别良性肿瘤和恶性肿瘤。因此,在病理组织学诊断中,可高精度地提取细胞核的是非常地重要的,变得组织学诊断及细胞学诊断的基础。
13、本专利技术旨在提供对于组织或细胞的图像而生成显示细胞核的区域的数据的图像解析方法。
14、【用于解决课题的手段】
15、本专利技术的一实施方式是图像解析方法。在此一实施方式中,图像解析方法是使用神经网络结构的深层学习算法(60)而解析组织或细胞的图像的图像解析方法,其从含解析对象的组织或细胞的解析对象图像(78)生成解析用数据(80)(s21至s23)、向深层学习算法(60)输入解析用数据(80)(s24)、由深层学习算法(60)生成显示解析对象图像(78)中的细胞核的区域的数据(82、83)(s25至s28)。由此,对于组织或细胞的图像的任意的位置而生成显示细胞核的区域的数据变得可能。
16、解析对象图像是组织学诊断用标本的图像,解析对象图像(78)优选含由1个原色构成的色相,或含组合2个以上的原色的色相(r、g、b)。
17、解析对象图像是细胞学诊断用标本的图像,解析对象图像(78)优选含由1个原色构成的色相,或含组合2个以上的原色的色相(r、g、b)。
18、示细胞核的区域的数据(82、83)优选为用于区别提示细胞核的区域和其以外的区域的数据。
19、示细胞核的区域的数据(82、83)优选为表示细胞核的区域和其以外的区域的边界的数据。
20、深层学习算法(60)优选判断解析对象图像(78)内的任意的位置是否是细胞核的区域。
21、优选对于1个解析对象图像(78)而针对每个指定像素数的区域生成多个解析用数据(80)。由此,使神经网络(60)的判别精度提升变得可能。
22、针对每个以指定的像素作为中心而含周边的像素的指定像素数的区域生成解析用数据(80),深层学习算法(60)优选对于输入的解析用数据(80)对于指定像素生成显示细胞核的区域与否的标签。由此,使神经网络(60)的判别精度提升变得可能。
23、神经网络(60)的输入层(60a)的节点数优选对应于解析用数据(80)的指定像素数和组合的原色的数的积。由此,使神经网络(60)的判别精度提升变得可能。
24、标本是被染色的标本,解析对象图像(78)优选为将被染色的标本在显微镜的明场下进行摄像的图像。
25、在深层学习算法(60)的学习中使用的训练数据(74)是将对于从个体采集的组织试样的标本或从个体采集的含细胞的试样的标本实施明场观察用染色而调制的标本的染色像在显微镜的明场下进行摄像的明场图像(70)、及将对应于标本的,或者对相同的标本实施荧光核染色而调制的标本的染色像在荧光显微镜的荧光观察下进行摄像的细胞核的荧光图像(71),其优选基于荧光图像(71)的标本内的位置对应于取得的明场图像(70)的标本内的位置的荧光图像(71)而生成。
26、明场观察用染色优选在核染色中使用苏木精。
27、标本是组织试样的标本时,明场观察用染色是苏木精-曙红染色,标本是含细胞的试样的标本时,明场观察用染色优选为papanicolaou染色。
28、训练数据(74)优选含从明场图像(70)及荧光图像(71)提取的表示细胞核的区域的标签值。由此,使神经网络(50)学习表示细胞核的区域的标签值变得可能。
29、训练数据(74)优选每个明场图像(70)的像素含标签值。由此,使神经网络(50)学习表示细胞核的区域的标签值变得可能。
30、优选在明场图像(70)中的指定像素数的每区域生成训练数据(74)。由此,使神经网络(50)以高的精度学习显示细胞核的区域的标签值变得可能。
31、深层学习算法(60)优选将解析用数据(80)分类为显示解析对象图像(78)中所含的细胞核的区域的类。由此,对于含解析对象的组织图像或细胞的图像的任意的位置而分类为细胞核的区域和此外的区域变得可能。
32、神经网络(60)的输出层(60b)优选为以soft max函数作为活化函数的节点。由此,神经网络(60)将含解析对象的组织图像或细胞的图像的任意的位置分类为有限个类变得可能。
33、深层学习算法(60)优选在每次输入解析用数本文档来自技高网...
【技术保护点】
1.生成对组织或细胞的图像进行解析的神经网络结构的深层学习算法的计算机程序产品,其能使计算机执行:
2.权利要求1所述的计算机程序产品,其中所述第2训练数据是为了区别所述细胞核的区域和其以外的区域而二值化的数据。
3.权利要求2所述的计算机程序产品,其中所述第2训练数据通过将所述第2训练用图像的各像素的色浓度值与指定的阈值比较而生成。
4.权利要求1所述的计算机程序产品,其中所述第1训练数据是显示所述第1训练用图像的各像素的色浓度值的数据。
5.权利要求1所述的计算机程序产品,其能使所述计算机还执行:
6.权利要求5所述的计算机程序产品,其中
7.权利要求1所述的计算机程序产品,其中所述学习步骤包括使所述深层学习算法学习以指定的像素数切出所述第1训练数据及所述第2训练数据的多个数据的步骤。
8.权利要求1所述的计算机程序产品,其能使所述计算机还执行:
9.权利要求8所述的计算机程序产品,其中所述解析对象图像是在明场下拍摄从个体采集的组织试样的标本或含从个体采集的细胞的试样的标本的明场图
10.权利要求1所述的计算机程序产品,其中所述神经网络结构是卷积神经网络。
11.权利要求1所述的计算机程序产品,其中所述第1训练用图像及所述第2训练用图像是组织学诊断用的图像。
12.权利要求1所述的计算机程序产品,其中所述第1训练用图像及所述第2训练用图像是细胞学诊断用的图像。
...【技术特征摘要】
1.生成对组织或细胞的图像进行解析的神经网络结构的深层学习算法的计算机程序产品,其能使计算机执行:
2.权利要求1所述的计算机程序产品,其中所述第2训练数据是为了区别所述细胞核的区域和其以外的区域而二值化的数据。
3.权利要求2所述的计算机程序产品,其中所述第2训练数据通过将所述第2训练用图像的各像素的色浓度值与指定的阈值比较而生成。
4.权利要求1所述的计算机程序产品,其中所述第1训练数据是显示所述第1训练用图像的各像素的色浓度值的数据。
5.权利要求1所述的计算机程序产品,其能使所述计算机还执行:
6.权利要求5所述的计算机程序产品,其中
7.权利要求1所述的计算机程序产品,其...
【专利技术属性】
技术研发人员:关口阳介,袴田和巳,相原祐希,山田浩平,增本佳那子,K·亚恩,
申请(专利权)人:希森美康株式会社,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。