專利名稱：診斷成像支持設(shè)備、診斷成像支持方法和存儲介質(zhì)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及進(jìn)行病理學(xué)評估的診斷成像支持設(shè)備、診斷成像支持方法和存儲介質(zhì)，并且更特別地涉及能夠通過簡單處理實現(xiàn)高精度病理學(xué)評估的診斷成像支持設(shè)備、診斷成像支持方法和存儲介質(zhì)。
背景技術(shù)：
一種設(shè)備，獲取在顯微鏡切片上的樣品組織的圖像，并根據(jù)所獲取的圖像進(jìn)行病理學(xué)診斷(例如，參見PTL 1)。此外，在該設(shè)備中，進(jìn)行從粗到細(xì)的病理學(xué)診斷(粗到細(xì))， 其中使用低放大率圖像進(jìn)行初步分析，并且針對低放大率圖像中應(yīng)當(dāng)特別觀察的部分，利用高放大率圖像進(jìn)行進(jìn)一步分析。引用列表專利文獻(xiàn)PTL 1 =PCT專利申請國際公開No. 2000-501184的
公開日語譯文

發(fā)明內(nèi)容
技術(shù)問題然而，在PTL 1中指出的設(shè)備中，例如，在獲取低放大率圖像之后，需要調(diào)整顯微鏡的焦距和光圈以及獲取高放大率圖像，因而該處理可能效率低。為了解決這種問題做出了本發(fā)明，并且本發(fā)明的主要目的在于提供能夠進(jìn)行高效且高精度的病理學(xué)評估的診斷成像支持設(shè)備、診斷成像支持方法和存儲介質(zhì)。解決問題的技術(shù)方案為了實現(xiàn)上述目的的本發(fā)明的示例性方面是一種診斷成像支持設(shè)備，該診斷成像支持設(shè)備包括圖像數(shù)據(jù)獲取裝置，其獲取樣品組織的高放大率的圖像數(shù)據(jù)；圖像分類裝置，其從通過圖像數(shù)據(jù)獲取裝置獲取的高放大率的圖像數(shù)據(jù)來生成低放大率的圖像數(shù)據(jù)， 并通過多個病理組織的每個圖像數(shù)據(jù)模式來將所生成的低放大率的圖像數(shù)據(jù)分類成組；以及圖像評估裝置，其評估高放大率的圖像數(shù)據(jù)是否為所分類的組的病理組織，該高放大率的圖像數(shù)據(jù)為通過圖像分類裝置分類的低放大率的圖像數(shù)據(jù)的基礎(chǔ)。此外，為了實現(xiàn)上述目的的本發(fā)明的另一示例性方面可以是一種診斷成像支持方法，該診斷成像支持方法包括獲取樣品組織的高放大率的圖像數(shù)據(jù)；從所獲取的高放大率的圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)，并通過多個樣品組織的每個圖像數(shù)據(jù)模式來將所生成的低放大率的圖像數(shù)據(jù)分類成組；以及評估高放大率的圖像數(shù)據(jù)是否為所分類的組的病理組織，該高放大率的圖像數(shù)據(jù)為所分類的低放大率的圖像數(shù)據(jù)的基礎(chǔ)。此外，為了實現(xiàn)上述目的的本發(fā)明的另一示例性方面可以是一種存儲介質(zhì)，該存儲介質(zhì)存儲使得計算機執(zhí)行以下處理的程序獲取樣品組織的高放大率的圖像數(shù)據(jù)；從所獲取的高放大率的圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)，并通過多個病理組織的每個圖像數(shù)據(jù)模式來將所生成的低放大率的圖像數(shù)據(jù)分類成組；以及評估高放大率的圖像數(shù)據(jù)是否為所分類的組的病理組織，該高放大率的圖像數(shù)據(jù)為所分類的低放大率的圖像數(shù)據(jù)的基礎(chǔ)。發(fā)明的有益效果根據(jù)本發(fā)明，可以提供能夠進(jìn)行高效且高精度的病理學(xué)評估的診斷成像支持設(shè)備、診斷成像支持方法和存儲介質(zhì)。


圖1是根據(jù)本發(fā)明示例性實施方式的診斷成像支持設(shè)備的功能框圖；圖2是示出根據(jù)本發(fā)明示例性實施方式的診斷成像支持設(shè)備的示意性系統(tǒng)配置的框圖；圖3是示出通過圖像分類單元從低放大率圖像數(shù)據(jù)中提取的關(guān)注區(qū)域的例子的視圖；圖4是示出低放大率的HE染色圖像中的導(dǎo)管部分的例子的視圖，該導(dǎo)管部分為藍(lán)紫色、具有恒定厚度并且是圓形或流線區(qū)域；圖5是示出通過圖像分類單元從低放大率圖像數(shù)據(jù)的關(guān)注區(qū)域中提取的核聚集體的例子的視圖；圖6是示出使用根據(jù)本發(fā)明示例性實施方式的診斷成像支持設(shè)備的診斷成像支持方法的流程的流程圖；圖7是示出通過根據(jù)本發(fā)明示例性實施方式的診斷成像支持設(shè)備的圖像評估單元進(jìn)行的學(xué)習(xí)處理流程的例子的流程圖；以及圖8是示出通過根據(jù)本發(fā)明示例性實施方式的診斷成像支持設(shè)備的圖像評估單元進(jìn)行的學(xué)習(xí)處理流程的例子的流程圖。
具體實施例方式以下參照附圖描述本發(fā)明的示例性實施方式。圖1是根據(jù)本發(fā)明示例性實施方式的診斷成像支持設(shè)備的功能框圖。根據(jù)本示例性實施方式的診斷成像支持設(shè)備10包括圖像數(shù)據(jù)獲取裝置1，其獲取樣品組織的高放大率的圖像數(shù)據(jù)；圖像分類裝置2，其從通過圖像數(shù)據(jù)獲取裝置1獲取的高放大率的圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)，并通過多個病理組織的圖像數(shù)據(jù)模式來將所生成的低放大率的圖像數(shù)據(jù)分類成組。然后，可以高效且高速地通過多個病理組織的圖像數(shù)據(jù)模式將低放大率圖像數(shù)據(jù)分類成組并進(jìn)行細(xì)化。此外，診斷成像支持設(shè)備10設(shè)置有圖像評估裝置5，該圖像評估裝置5評估高放大率的圖像數(shù)據(jù)是否為所分類的組的病理組織，該高放大率的圖像數(shù)據(jù)為通過圖像分類裝置 2分類的低放大率的圖像數(shù)據(jù)的基礎(chǔ)。相應(yīng)地，可以高精度地評估通過圖像分類裝置2分類和細(xì)化的高放大率圖像數(shù)據(jù)是否為所分類的組的病理組織。因此，可以進(jìn)行高效且高精度的病理學(xué)評估。圖2是示出根據(jù)本發(fā)明示例性實施方式的診斷成像支持設(shè)備的概括性示意系統(tǒng)配置的框圖。根據(jù)本示例性實施方式的診斷成像支持設(shè)備10設(shè)置有圖像數(shù)據(jù)獲取單元1、 圖像分類單元2、數(shù)據(jù)庫3、學(xué)習(xí)數(shù)據(jù)庫4、圖像評估單元5和輸出設(shè)備6。針對圖像數(shù)據(jù)獲取單元(圖像數(shù)據(jù)獲取裝置)1，使用例如可以獲取樣品組織的高放大率圖像數(shù)據(jù)(以下稱為高放大率圖像數(shù)據(jù))的圖像掃描儀設(shè)備等。圖像掃描儀設(shè)備1例如采用染色乳腺病理切片并生成整個樣品組織的高放大率圖像數(shù)據(jù)。圖像數(shù)據(jù)獲取單元 1將生成的高放大率圖像數(shù)據(jù)輸出給圖像分類單元2和數(shù)據(jù)庫3。數(shù)據(jù)庫3存儲用于通過多個病理組織的每個圖像數(shù)據(jù)模式將稍后描述的樣品組織的低放大率圖像數(shù)據(jù)分類成組的圖像數(shù)據(jù)模式信息。該圖像數(shù)據(jù)模式信息包括諸如參數(shù)、評分函數(shù)和概率函數(shù)等的數(shù)值信息以便執(zhí)行組的分類。此外，數(shù)據(jù)庫3存儲從圖像數(shù)據(jù)獲取單元1輸出的高放大率圖像數(shù)據(jù)。注意，可以將諸如存儲器設(shè)備、磁盤單元、光盤設(shè)備等的任意存儲設(shè)備用于數(shù)據(jù)庫3和學(xué)習(xí)數(shù)據(jù)庫4。此外，盡管數(shù)據(jù)庫3和學(xué)習(xí)數(shù)據(jù)庫4被配置為不同存儲設(shè)備，但并不限于此，它們可以配置為單一存儲設(shè)備。此外，盡管多個病理組織的圖像數(shù)據(jù)模式被分類為正常、良性腫瘤、癌前狀態(tài)、癌狀態(tài)等，但并不限于此，而是可以采用任意分類方法。例如，多個病理組織的圖像數(shù)據(jù)模式可以分類為四組乳腺病理圖像數(shù)據(jù)模式，包括(a)組1 正?；蛄夹约?xì)胞核萎縮類型，(b) 組2 正?；蛄夹约?xì)胞核擴(kuò)張類型；(c)組3 非浸潤性癌前狀態(tài)，諸如DCIS(導(dǎo)管原位癌) 和 LCIS (小葉原位癌)(參見 http://www. breastcancer. org/)，以及(d)組 4:包括 IDC (浸潤性導(dǎo)管癌)和ILC(浸潤性小葉癌)的浸潤性癌狀態(tài)。這里，圖像分類單元(圖像分類裝置)2針對各組病理組織圖像數(shù)據(jù)模式預(yù)先計算細(xì)胞核的特征值θ i(i是特征值類型值)，諸如乳腺導(dǎo)管病理低放大率圖像數(shù)據(jù)。這里，細(xì)胞核的特征值θ i是細(xì)胞核中每單位面積的塊密度(數(shù)目/單位面積)、塊面積密度(塊面積/單位面積)、塊面積、塊厚度、塊長度等的平均值和方差值。例如，細(xì)胞核的塊面積密度的平均值可以為Q1，塊面積的平均值可以為θ 2，塊厚度的平均值可以為θ 3，以及塊長度的平均值可以為θ4。注意，存在這樣的趨勢計算的特征值θ i針對每個組在統(tǒng)計學(xué)上是不同的。因此， 圖像分類單元2預(yù)先準(zhǔn)備屬于每個組的低放大率圖像數(shù)據(jù)，從該低放大率圖像數(shù)據(jù)提取細(xì)胞核的塊，并計算其特征值9it)然后，圖像分類單元2定義每個組的評分函數(shù)Sn(Qi)，并將其存儲到數(shù)據(jù)庫3。這里，η為組數(shù)，并且在上述例子(a)至(d)中，由于分類成四組，所以n=l至4。例如，當(dāng)特征值91屬于組3(11 = 3)時，評分函數(shù)s3( θ》將為1，其余評分函數(shù)"(θ》、S2(Qi)和S^ei)將分別為0。圖像分類單元2從通過圖像數(shù)據(jù)獲取單元1獲取的高放大率圖像數(shù)據(jù)生成低放大率圖像數(shù)據(jù)，并通過多個病理組織的圖像數(shù)據(jù)模式將所生成的低放大率圖像數(shù)據(jù)分類成組。圖像分類單元2首先從來自圖像數(shù)據(jù)獲取單元1的高放大率圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)(以下稱為低放大率圖像數(shù)據(jù))。注意，圖像分類單元2通過對高放大率圖像數(shù)據(jù)進(jìn)行縮減像素采樣(downsampling)等可以容易地生成低放大率圖像數(shù)據(jù)。此外，圖像分類單元2從所生成的低放大率圖像數(shù)據(jù)提取關(guān)注區(qū)域(圖3)。這里，關(guān)注區(qū)域(ROI =Region of Interest)是其中細(xì)胞核密度大于或等于預(yù)定值并具有高密度的矩形面積，然而并不限于此，而是可以設(shè)定為將要仔細(xì)觀察的任意區(qū)域。例如，關(guān)注區(qū)域可以是通過使用預(yù)定形狀(諸如特定面積的矩形形狀)將整個樣品組織劃分成多個區(qū)域而獲取的區(qū)域，其中細(xì)胞核密度在所劃分的多個區(qū)域中較高。如至此所述，當(dāng)不需要診斷整個樣品組織時，可以通過代替處理低放大率圖像數(shù)據(jù)的整個樣品組織，而僅處理提取的關(guān)注區(qū)域來執(zhí)行更高效的處理。
6
此外，圖像分類單元2從所生成的低放大率圖像數(shù)據(jù)的關(guān)注區(qū)域提取例如核聚集體。在該核聚集體的提取中，圖像分類單元2基于細(xì)胞核染色從低放大率圖像數(shù)據(jù)生成單色圖像數(shù)據(jù)。這里，例如在蘇木素-伊紅(HE)染色圖像的情況中，存在其中細(xì)胞核的部分染成藍(lán)紫色并且細(xì)胞質(zhì)的部分染成紅紫色的特性。因此，在低放大率的HE染色圖像中，導(dǎo)管部分是為藍(lán)紫色的且具有恒定厚度的圓形區(qū)域或者條紋區(qū)域(圖4)。此外，由于HE染色圖像用紅色和藍(lán)色進(jìn)行了雙染色，所以它的顏色包括從藍(lán)紫色經(jīng)由紫色到紅紫色以及白色 (未染色的顏色)。因此，為了提取藍(lán)紫色區(qū)域，優(yōu)選使用便于R識別的氰色、品紅色和上述色調(diào)。此外，圖像分類單元2可以針對使用這些所產(chǎn)生的顏色要素的單色圖像使用邊緣提取濾波器。注意到，由于該邊緣提取濾波器目的在于提取核聚集體而不是細(xì)胞核本身，所以優(yōu)選的是卷積(convolve)使得模糊的濾波器的濾波器(諸如高斯濾波器)，以及邊緣濾波器。作為這種邊緣提取濾波器，例如可以使用高斯-拉普拉斯濾波器、Gabor小波濾波器寸。圖像分類單元2從如上所述的低放大率圖像數(shù)據(jù)的關(guān)注區(qū)域提取核聚集體(圖 5)，并針對提取的核聚集體計算特征值θ 0此外，圖像分類單元2從數(shù)據(jù)庫3讀取每個組 η的評分函數(shù)sn( θ J，并使用下式(1)計算每個組η的評分函數(shù)的總數(shù)Τη。Tn=^iei)(1)‘
i圖像分類單元2選擇具有評分函數(shù)的最大總數(shù)Tn的組η作為低放大率圖像數(shù)據(jù)所屬的組η。此外，圖像分類單元2將作為低放大率圖像數(shù)據(jù)的基礎(chǔ)的高放大率圖像數(shù)據(jù)和關(guān)注區(qū)域與所選組η相關(guān)聯(lián)，并將其存儲到數(shù)據(jù)庫3。如上所述，作為前面的步驟，圖像分類單元2使用低放大率圖像數(shù)據(jù)進(jìn)行上述組的分類。然后，盡管分類準(zhǔn)確度不一定高，但可以高速進(jìn)行許多組的分類，由此使得高效地細(xì)化樣品組織的病理。然后，如稍后所述，作為整個診斷成像支持設(shè)備10，通過圖像評估單元5在細(xì)化的組內(nèi)進(jìn)行高精度病理學(xué)評估，可以進(jìn)行高效且高精度的病理學(xué)評估。圖像評估單元(圖像評估裝置)5對高放大率圖像數(shù)據(jù)是否為所分類的組的病理組織進(jìn)行高精度病理學(xué)評估，其中該高放大率圖像數(shù)據(jù)為通過圖像分類單元2分類的低放大率圖像數(shù)據(jù)的基礎(chǔ)。圖像評估單元5首先從數(shù)據(jù)庫3讀取高放大率圖像數(shù)據(jù)(其為低放大率圖像數(shù)據(jù)的基礎(chǔ))以及關(guān)注區(qū)域。然后，圖像評估單元5根據(jù)讀取的高放大率圖像數(shù)據(jù)和關(guān)注區(qū)域從高放大率圖像數(shù)據(jù)中提取關(guān)注區(qū)域。如上所述，圖像評估單元5可以容易地從數(shù)據(jù)庫3獲取高放大率圖像數(shù)據(jù)和關(guān)注區(qū)域，而無需進(jìn)行特殊處理，并且可以高效地進(jìn)行稍后描述的病理學(xué)評估處理。此外，圖像評估單元5針對從高放大率圖像數(shù)據(jù)的關(guān)注區(qū)域提取的核聚集體計算ROI高放大率特征值S31，...，和S3n。這里，高放大率圖像數(shù)據(jù)包括許多不同于低放大率圖像數(shù)據(jù)的信息，包括可以清楚地對細(xì)胞核進(jìn)行分類。此外，例如，由于諸如細(xì)胞核的大小和圓度以及長短軸比之類的特征值對于癌癥的病理學(xué)評估是重要的，所以這些特征值優(yōu)選地包括在ROI高放大率特征值 S31,...和 S3n 中。學(xué)習(xí)數(shù)據(jù)庫4存儲已經(jīng)進(jìn)行病理學(xué)評估的高放大率圖像數(shù)據(jù)的高放大率特征值 S41，...和S4n，以及在稍后描述的學(xué)習(xí)圖像評估單元5時使用的學(xué)習(xí)參數(shù)S51，...和S5n。這里，已經(jīng)進(jìn)行病理學(xué)評估的高放大率圖像數(shù)據(jù)(以下稱為已評估的圖像)指示已經(jīng)對它是否是每個組的病理組織進(jìn)行評估的高放大率圖像。另一方面，未評估它是否是每個組的病理組織的高放大率圖像應(yīng)稱為未評估的圖像。注意到，ROI高放大率特征值S31，...和S3n以及高放大率特征值S41，...和 S^應(yīng)是同一種類。此外，上述已評估的圖像例如需要兩個種類，即屬于組η的已評估的圖像(正例)和不屬于組η、但會容易導(dǎo)致錯誤評估的已評估的圖像(反例)，并且將這些圖像數(shù)據(jù)預(yù)先準(zhǔn)備并存儲到學(xué)習(xí)數(shù)據(jù)庫4。此外，圖像評估單元5還可以使用已評估的圖像的ROI高放大率特征值S31，...和S3n及其病理學(xué)評估結(jié)果S61，...和S6n更新學(xué)習(xí)參數(shù) S51,...禾口 S5n。圖像評估單元5具有病理學(xué)評估的機器學(xué)習(xí)功能，并且以兩種模式操作，這兩種模式為建立(學(xué)習(xí))模式和執(zhí)行(標(biāo)識)模式。圖像評估單元5例如使用諸如神經(jīng)網(wǎng)絡(luò)、 支持向量機(SVM :Support Vector Machine)之類的任意學(xué)習(xí)算法來執(zhí)行機器學(xué)習(xí)。圖像評估單元5在建立模式中使用存儲到學(xué)習(xí)數(shù)據(jù)庫4中的已評估的圖像的高放大率特征值S41，...和S^來執(zhí)行機器學(xué)習(xí)功能。然后，圖像評估單元5生成學(xué)習(xí)參數(shù) S51，...和S5n作為該機器學(xué)習(xí)結(jié)果。注意到，在該機器學(xué)習(xí)中，當(dāng)使用神經(jīng)網(wǎng)絡(luò)時，生成判別函數(shù)的權(quán)重作為學(xué)習(xí)參數(shù)S51，...和S5n。另一方面，當(dāng)使用SVM時，生成用于標(biāo)識的超平面系數(shù)。此外，圖像評估單元5可以使用圖像分類單元2的分類結(jié)果來執(zhí)行上述機器學(xué)習(xí)功能。圖像評估單元5將所生成的學(xué)習(xí)參數(shù)S51，...和S5n存儲到學(xué)習(xí)數(shù)據(jù)庫4。注意到，如上所述，作為在前的步驟，圖像分類單元2將低放大率圖像高效且高速地分類成組， 并且執(zhí)行細(xì)化。然后當(dāng)圖像評估單元5使用高放大率圖像數(shù)據(jù)進(jìn)行上述機器學(xué)習(xí)時可以減少學(xué)習(xí)處理量并且可以縮短其處理時間。而且，在執(zhí)行建立模式之后，圖像評估單元5執(zhí)行執(zhí)行模式使得對未評估的圖像的ROI高放大率特征值S31，...和S3n進(jìn)行評估。當(dāng)執(zhí)行該執(zhí)行模式時，圖像評估單元5 從學(xué)習(xí)數(shù)據(jù)庫4中讀取建立模式中生成的學(xué)習(xí)參數(shù)S51，...和S5n。然后，圖像評估單元 5使用學(xué)習(xí)參數(shù)S51，...和S5n對未評估的圖像的ROI高放大率特征值S31，...和S3n進(jìn)行病理學(xué)評估。在該病理學(xué)評估中，圖像評估單元5高精度地評估未評估的圖像(其為高放大率圖像數(shù)據(jù))是否為病理組織或該組(兩次分類)。如至此所述的，首先作為在前的步驟，圖像分類單元2將低放大率圖像數(shù)據(jù)高效且高速地分類成組，并且執(zhí)行細(xì)化，之后，使用組內(nèi)具有細(xì)化病理等的高放大率圖像數(shù)據(jù)進(jìn)行高精度病理學(xué)評估。因此，作為整個診斷成像支持設(shè)備10，高效且高精度的病理學(xué)評估是可能的。圖像評估單元5向輸出設(shè)備6輸出病理學(xué)評估結(jié)果S61，...，和S6n。輸出設(shè)備6 進(jìn)行輸出，諸如顯示和打印病理學(xué)評估結(jié)果S61，...，和S6n。輸出設(shè)備6輸出例如正?；蛄夹约?xì)胞核萎縮類型(組1)、正?；蛄夹约?xì)胞核擴(kuò)張類型(組2、、非浸潤性癌前狀態(tài)(組 3)、浸潤性癌狀態(tài)(組4)等作為病理學(xué)評估結(jié)果S61，...，和S6n。此外，將諸如液晶顯示器設(shè)備和打印機設(shè)備之類的顯示設(shè)備用于輸出設(shè)備6。注意到，在上面未評估的圖像的ROI高放大率特征值S31，...，和S3n的病理學(xué)評估之后，圖像評估單元5可以再次執(zhí)行建立模式，進(jìn)行附加學(xué)習(xí)并向?qū)W習(xí)參數(shù)S51，...，和
8S5n反映病理學(xué)評估結(jié)果S61，...，和S6n。在這種情況下，圖像評估單元5使用ROI高放大率特征值S31，...，和S3n和病理學(xué)評估結(jié)果S61，...，和S6n更新學(xué)習(xí)參數(shù)S51，...，和 S5n。而且，利用包括執(zhí)行控制處理的CPU(中央處理單元)11、由CPU 11執(zhí)行的計算程序等、臨時存儲處理數(shù)據(jù)等的RAM(隨機訪問存儲器)13的微計算機14(圖6)，將診斷成像支持設(shè)備10配置為硬件。此外，圖像分類單元2和圖像評估單元5可以例如通過存儲到 ROM 12并由CPU 11執(zhí)行的程序?qū)崿F(xiàn)。接下來，詳細(xì)說明使用根據(jù)本示例性實施方式的診斷成像支持設(shè)備10的診斷成像支持方法。圖7是示出使用根據(jù)本示例性實施方式的診斷成像支持設(shè)備的診斷成像支持方法的流程的流程圖。圖像數(shù)據(jù)獲取單元1例如采用染色乳腺病理切片，生成整個樣品組織的圖像數(shù)據(jù) (步驟S101)，并將其輸出給圖像分類單元2和數(shù)據(jù)庫3。接下來，圖像分類單元2對來自圖像數(shù)據(jù)獲取單元1的高放大率圖像數(shù)據(jù)進(jìn)行縮減像素采樣等，并生成低放大率圖像數(shù)據(jù) (步驟。之后，圖像分類單元2從所生成的低放大率圖像數(shù)據(jù)提取關(guān)注區(qū)域，在該關(guān)注區(qū)域中細(xì)胞核密度變得大于或等于特定值(步驟S103)。圖像分類單元2從所生成的低放大率圖像數(shù)據(jù)的關(guān)注區(qū)域中提取核聚集體(步驟 S104)。接下來，圖像分類單元2針對從低放大率圖像數(shù)據(jù)的關(guān)注區(qū)域中提取的核聚集體計算特征值θ i (步驟。而且，圖像分類單元2從數(shù)據(jù)庫3讀取每個組η的評分函數(shù) Sn(Oi),并且使用下式(1)計算每個組η的評分函數(shù)的總數(shù)Τη。圖像分類單元2選擇具有評分函數(shù)的最大總數(shù)Tn的組η作為低放大率圖像數(shù)據(jù)所屬的組η (步驟S107)。然后，圖像分類單元2將高放大率圖像數(shù)據(jù)(其為低放大率圖像數(shù)據(jù)的基礎(chǔ))和關(guān)注區(qū)域與所選組η 相關(guān)聯(lián)，并將其存儲到數(shù)據(jù)庫3。圖像評估單元5根據(jù)組η的高放大率圖像數(shù)據(jù)和存儲到數(shù)據(jù)庫3的關(guān)注區(qū)域，從高放大率圖像數(shù)據(jù)中提取關(guān)注區(qū)域(步驟S108)。接下來，圖像分類單元2針對從低放大率圖像數(shù)據(jù)的關(guān)注區(qū)域中提取的核聚集體計算ROI高放大率特征值S31，...，和S3n(步驟S109)。圖像評估單元5執(zhí)行執(zhí)行模式并從學(xué)習(xí)數(shù)據(jù)庫4讀取學(xué)習(xí)參數(shù)S51，...，和S5n(步驟S110)。然后，圖像評估單元5使用這些學(xué)習(xí)參數(shù)S51，...，和S5n對ROI高放大率特征值S31，...，和S3n進(jìn)行病理學(xué)評估(步驟S111)，并從輸出設(shè)備6輸出病理學(xué)評估結(jié)果(步驟S112)。接下來，詳細(xì)描述根據(jù)本示例性實施方式的診斷成像支持設(shè)備的圖像評估單元5 執(zhí)行的學(xué)習(xí)處理流程。圖8是示出根據(jù)本示例性實施方式的診斷成像支持設(shè)備的圖像評估單元執(zhí)行的學(xué)習(xí)處理流程的例子的流程圖。當(dāng)執(zhí)行建立模式(步驟S201)時，圖像評估單元5從學(xué)習(xí)數(shù)據(jù)庫4讀取已評估的圖像的高放大率特征值S41，...，和S4n(步驟S2(^)。然后，圖像評估單元5使用讀取的高放大率特征值S41，...，和Mn執(zhí)行機器學(xué)習(xí)功能，生成學(xué)習(xí)參數(shù)S51，...，和S5n(步驟 S203)，并將所生成的學(xué)習(xí)參數(shù)S51，...，和S5n存儲到學(xué)習(xí)數(shù)據(jù)庫4。之后，圖像評估單元5執(zhí)行執(zhí)行模式(步驟S204)，并從學(xué)習(xí)數(shù)據(jù)庫4中讀取在建立模式中生成的學(xué)習(xí)參數(shù)S51，...，和S5n (步驟S2(^)。然后，圖像評估單元5使用這些學(xué)習(xí)參數(shù)S51，...，和S5n對未評估的圖像的ROI高放大率特征值S31，...，和S3n進(jìn)行病理學(xué)評估(步驟S206)。而且，圖像評估單元5再次執(zhí)行建立模式(步驟S207)，使用ROI高放大率特征值 S31，...，和S3n和病理學(xué)評估結(jié)果S61，...，和S6n執(zhí)行機器學(xué)習(xí)功能，并更新學(xué)習(xí)數(shù)據(jù)庫 4的學(xué)習(xí)參數(shù)S51，· · ·，和S5n(步驟S208)。注意到，盡管從(步驟S207)到(步驟S208) 的上述處理的執(zhí)行是任意的，但通過進(jìn)行這些處理，上述病理學(xué)評估準(zhǔn)確度進(jìn)一步提高。如上所述，在根據(jù)本示例性實施方式的診斷成像支持設(shè)備10中，圖像分類單元2 從通過圖像數(shù)據(jù)獲取單元1獲取的高放大率圖像數(shù)據(jù)生成低放大率圖像數(shù)據(jù)，并通過多個病理組織的圖像數(shù)據(jù)模式將所生成的低放大率圖像數(shù)據(jù)分類成組。然后，可以高效且高速地將低放大率圖像數(shù)據(jù)分類成組，并執(zhí)行疾病狀況的細(xì)化。此外，圖像評估單元5高精度地評估通過圖像分類單元2分類和細(xì)化的高放大率圖像是否為所分類的組的病理組織。因此，可以進(jìn)行高效且高精度的病理學(xué)評估。本發(fā)明不限于上述示例性實施方式，而是可以在不脫離其范圍的情況下進(jìn)行適當(dāng)修改。例如，盡管在上述示例性實施方式中，圖像分類單元2使用評分函數(shù)(θ》選擇低放大率圖像數(shù)據(jù)所屬的組n，但并不限于此，可以使用例如概率函數(shù)ρη( θ J (特征值θ i的概率分布)來選擇低放大率圖像數(shù)據(jù)所屬的組η。在這種情況下，例如，當(dāng)組η = 1至4并且特征值θ i屬于組3 (η =3)時，其為0 < ρη( θ J < 1，概率函數(shù)ρ3( θ J將為最大，并且總數(shù)將為 Kp1(Oi)V(Qi)V(Qi)V(Qi) = 1)。注意到，該概率？11^》的值可以通過貝葉斯理論(Bayes’ theorem)與該概率一起計算，以在假設(shè)先驗概率時獲取針對不同范疇的值θ 而且，圖像分類單元2使用下式(2)計算與互補概率信息量對應(yīng)的-log(1. 0-ρη( θ i))的總數(shù)Γ。然后，圖像分類單元2選擇其中總數(shù)In將為最大的組η作為低放大率圖像數(shù)據(jù)所屬的組η。如上所述，為了避免通過元素集合的概率比較接近零的小值而使用互補概率，并且可以進(jìn)行高效的計算。
權(quán)利要求
1.一種診斷成像支持設(shè)備，包括圖像數(shù)據(jù)獲取裝置，其獲取樣品組織的高放大率的圖像數(shù)據(jù)；圖像分類裝置，其從通過所述圖像數(shù)據(jù)獲取裝置獲取的所述高放大率的圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)，并通過多個病理組織的每個圖像數(shù)據(jù)模式來將所生成的低放大率的圖像數(shù)據(jù)分類成組；以及圖像評估裝置，其評估所述高放大率的圖像數(shù)據(jù)是否為所分類的組的病理組織，所述高放大率的圖像數(shù)據(jù)為通過所述圖像分類裝置分類的低放大率的圖像數(shù)據(jù)的基礎(chǔ)。
2.根據(jù)權(quán)利要求1所述的診斷成像支持設(shè)備，其中所述圖像分類裝置從所生成的低放大率的圖像數(shù)據(jù)中提取關(guān)注區(qū)域，計算指示所述關(guān)注區(qū)域的特征的特征值，并根據(jù)所計算的特征值進(jìn)行組的分類。
3.根據(jù)權(quán)利要求2所述的診斷成像支持設(shè)備，其中所述圖像分類裝置根據(jù)所述特征值和評分函數(shù)計算針對每個所述組的評分函數(shù)的總數(shù)，并利用所述評分函數(shù)的最大總數(shù)來將所述低放大率的圖像數(shù)據(jù)分類成組。
4.根據(jù)權(quán)利要求2所述的診斷成像支持設(shè)備，其中所述圖像分類裝置根據(jù)所述特征值的概率分布對所述低放大率的圖像數(shù)據(jù)進(jìn)行分類。
5.根據(jù)權(quán)利要求1至4之一所述的診斷成像支持設(shè)備，其中所述圖像評估裝置從所述高放大率的圖像數(shù)據(jù)中提取所述關(guān)注區(qū)域，計算指示所述關(guān)注區(qū)域的特征的所述特征值， 并根據(jù)所計算的特征值進(jìn)行所述評估。
6.根據(jù)權(quán)利要求5所述的診斷成像支持設(shè)備，其中所述圖像評估裝置包括學(xué)習(xí)模式和執(zhí)行模式，所述學(xué)習(xí)模式學(xué)習(xí)所述特征值與評估結(jié)果之間的關(guān)系以設(shè)定學(xué)習(xí)參數(shù)，所述執(zhí)行模式根據(jù)所述學(xué)習(xí)參數(shù)進(jìn)行所述評估。
7.根據(jù)權(quán)利要求6所述的診斷成像支持設(shè)備，其中所述圖像評估裝置在執(zhí)行所述執(zhí)行模式之后再次執(zhí)行所述學(xué)習(xí)模式。
8.根據(jù)權(quán)利要求6或7所述的診斷成像支持設(shè)備，還包括學(xué)習(xí)數(shù)據(jù)庫，其存儲用于所述圖像評估裝置進(jìn)行所述學(xué)習(xí)的初始化數(shù)據(jù)以及所述學(xué)習(xí)參數(shù)。
9.根據(jù)權(quán)利要求1至8之一所述的診斷成像支持設(shè)備，其中通過所述多個病理組織的每個圖像數(shù)據(jù)模式分類的組包括正常、良性腫瘤、癌前狀態(tài)、癌狀態(tài)中的至少一個。
10.根據(jù)權(quán)利要求2至9之一所述的診斷成像支持設(shè)備，其中所述特征值至少為細(xì)胞核中每單位面積的塊密度、塊面積密度、塊面積、塊厚度和塊長度的平均值或方差值。
11.根據(jù)權(quán)利要求2至10之一所述的診斷成像支持設(shè)備，其中所述關(guān)注區(qū)域為其中細(xì)胞核密度大于或等于預(yù)定值的區(qū)域。
12.—種診斷成像支持方法，包括獲取樣品組織的高放大率的圖像數(shù)據(jù)；從所獲取的高放大率的圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)，并通過多個樣品組織的每個圖像數(shù)據(jù)模式來將所生成的低放大率的圖像數(shù)據(jù)分類成組；以及評估所述高放大率的圖像數(shù)據(jù)是否為所分類的組的病理組織，所述高放大率的圖像數(shù)據(jù)為所分類的低放大率的圖像數(shù)據(jù)的基礎(chǔ)。
13.根據(jù)權(quán)利要求12所述的診斷成像支持方法，還包括從所生成的低放大率的圖像數(shù)據(jù)提取關(guān)注區(qū)域，計算指示所述關(guān)注區(qū)域的特征的特征值，并根據(jù)所計算的特征值進(jìn)行組的分類。
14.根據(jù)權(quán)利要求13所述的診斷成像支持方法，還包括根據(jù)所述特征值以及評分函數(shù)計算每個所述組的評分函數(shù)的總數(shù)，并利用所述評分函數(shù)的最大總數(shù)將所述低放大率的圖像數(shù)據(jù)分類成組。
15.根據(jù)權(quán)利要求13所述的診斷成像支持方法，還包括根據(jù)所述特征值的概率分布對所述低放大率的圖像數(shù)據(jù)進(jìn)行分類。
16.根據(jù)權(quán)利要求12至15之一所述的診斷成像支持方法，還包括從所述高放大率的圖像中提取所述關(guān)注區(qū)域，計算指示所述關(guān)注區(qū)域的特征的所述特征值，并根據(jù)所計算的特征值進(jìn)行所述評估。
17.一種存儲介質(zhì)，存儲使得計算機執(zhí)行以下處理的程序獲取樣品組織的高放大率的圖像數(shù)據(jù)；從所獲取的高放大率的圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)，并通過多個病理組織的每個圖像數(shù)據(jù)模式來將所生成的低放大率的圖像數(shù)據(jù)分類成組；以及評估所述高放大率的圖像數(shù)據(jù)是否為所分類的組的病理組織，所述高放大率的圖像數(shù)據(jù)為所分類的低放大率的圖像數(shù)據(jù)的基礎(chǔ)。
全文摘要
一種診斷成像支持設(shè)備，具有圖像數(shù)據(jù)獲取單元，其獲取與樣品組織有關(guān)的高放大率的圖像數(shù)據(jù)；圖像分類單元，其從通過圖像數(shù)據(jù)獲取單元獲取的高放大率的圖像數(shù)據(jù)生成低放大率的圖像數(shù)據(jù)，并將所生成的低放大率的圖像數(shù)據(jù)分類成多個病理組織的每個圖像數(shù)據(jù)模式的組；以及圖像確定單元，其確定作為通過圖像分類單元分類的低放大率的圖像數(shù)據(jù)來源的高放大率的圖像數(shù)據(jù)是否與所分類的組中的病理組織有關(guān)。
文檔編號G01N15/14GK102341703SQ200980157829
公開日2012年2月1日 申請日期2009年12月25日 優(yōu)先權(quán)日2009年3月4日
發(fā)明者丸龜敦 申請人:日本電氣株式會社