CN105612249A - 图像处理装置、程序、信息存储介质和图像处理方法 - Google Patents
图像处理装置、程序、信息存储介质和图像处理方法 Download PDFInfo
- Publication number
- CN105612249A CN105612249A CN201480055887.2A CN201480055887A CN105612249A CN 105612249 A CN105612249 A CN 105612249A CN 201480055887 A CN201480055887 A CN 201480055887A CN 105612249 A CN105612249 A CN 105612249A
- Authority
- CN
- China
- Prior art keywords
- sample
- target cell
- image processing
- detects
- unit
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims description 10
- 238000003672 processing method Methods 0.000 title claims description 5
- 210000004027 cell Anatomy 0.000 claims description 208
- 210000004369 blood Anatomy 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 12
- 210000003924 normoblast Anatomy 0.000 claims description 12
- 230000008774 maternal effect Effects 0.000 claims description 11
- 230000017531 blood circulation Effects 0.000 claims description 10
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 210000003743 erythrocyte Anatomy 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000000034 method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 239000011162 core material Substances 0.000 description 43
- 238000000605 extraction Methods 0.000 description 17
- 230000010354 integration Effects 0.000 description 16
- 239000000284 extract Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010186 staining Methods 0.000 description 5
- 238000012758 nuclear staining Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
-
- 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
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
- G01N2015/012—Red blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1486—Counting the particles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Hematology (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Urology & Nephrology (AREA)
- Biophysics (AREA)
- Dispersion Chemistry (AREA)
- Ecology (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像处理装置(20),其包括基于对象试样的特征来推算对象试样中包含的目标细胞数的目标细胞数推算部(23);和基于推算的目标细胞数来设定与在所述对象试样的捕获图像中检出目标细胞的处理有关的检出参数的检出参数设定部(28)。
Description
技术领域
本发明涉及一种图像处理装置、程序、信息存储介质和图像处理方法。
背景技术
例如,在专利文献1中,母体血液用作试样,并且母体血液中的有核红细胞用作目标细胞。基于从试样的显微图像中提取的有核候选物区域,设定判定对象区域,并判定所设定的判定对象区域中是否包含目标细胞。
引用清单
专利文献
专利文献1:日本特开2012-254042号公报
发明内容
技术问题
本发明的一个目的在于提供一种图像处理装置、程序、信息存储介质和图像处理方法,它们能够根据对象试样的特征设定对象试样中目标细胞的检出处理参数。
技术方案
权利要求1的发明是一种图像处理装置,其包括:基于对象试样的特征来推算所述对象试样中包含的目标细胞数的推算单元;和基于推算的目标细胞数来设定与在所述对象试样的捕获图像中检出目标细胞的处理有关的检出参数的设定单元。
权利要求2的发明是如权利要求1所述的图像处理装置,其中,所述检出参数包括定义由对象试样生成的多个样品各自是否用作检出是否包含目标细胞的检出对象的信息,和定义用于设定判定对象区域的条件的信息,所述判定对象区域用于判定所述捕获的图像中是否包含所述目标细胞区域。图像处理装置进一步包括判定单元,所述判定单元用于对基于所述检出参数而用作检出对象的样品的捕获图像判定基于所述检出参数设定的判定对象区域中是否包含所述目标细胞。
权利要求3的发明是如权利要求2所述的图像处理装置,其进一步包括:确定单元,其用于基于由推算单元推算出的目标细胞数和根据从所述对象试样生成的多个样品的数量而计算出的每个样品的目标细胞数,而确定包含数量大于或等于预定阈值的目标细胞的样品数量;和选择单元,其用于从所述多个样品中选择出由所述确定单元确定了数量的样品。上述设定单元基于由所述选择单元选择出的样品的信息来设定所述检出参数。
权利要求4的发明是如权利要求3所述的图像处理装置,其中,所述设定单元将设定条件设定成,随着所述阈值相对于由所述确定单元确定出的样品的数量与所计算出的每个样品的目标细胞数的乘积的差减少,设定更多的所述判定对象区域。
权利要求5的发明是如权利要求2~4中任一项所述的图像处理装置,其进一步包括检出困难度计算单元,其用于基于所述样品的厚度、所述样品的亮度和所述样品的浓度而计算检出困难度,所述检出困难度指示检出所述样品中包含的目标细胞数的困难度。所述设定单元基于所计算出的检出困难度来设定所述检出参数。
权利要求6的发明是如权利要求5所述的图像处理装置,其中,所述设定单元将所述设定条件设定成,随着所述检出困难度越高,设定越多的所述判定对象区域。
权利要求7的发明是如权利要求5或6所述的图像处理装置,其中,所述检出困难度计算单元,随着所述样品的厚度均匀性越高将所述检出困难度计算得越低,随着所述样品中包含的核的亮度越低将所述检出困难度计算得越低,并随着所述样品中包含的比预定浓度淡的像素比例越高将所述检出困难度计算得越高。
权利要求8的发明是如权利要求2~7中任一项所述的图像处理装置,其进一步包括整合单元,其用于在存在经判定为包括所述目标细胞且至少部分彼此重叠的多个判定对象区域的情况下,将所述多个判定对象区域整合到由所述判定单元判定最有可能包括所述目标细胞的判定对象区域。
权利要求9的发明是如权利要求1~8中任一项所述的图像处理装置,其中,所述试样是母体血液;所述目标细胞是有核红细胞;所述试样的特征包括母体的年龄、病史和妊娠周数中的至少一个;基于所述试样的特征对各个类别定义每单位血液量的基准的有核红细胞数;以及推算单元基于根据所述对象试样的特征对某一类别定义的基准的有核红细胞数和所述对象试样的血液量,推算所述对象试样中包含的有核红细胞数。
权利要求10的发明是使计算机作为如下单元而发挥功能的程序:基于对象试样的特征来推算所述对象试样中包含的目标细胞数的推算单元;和基于目标细胞的推算数来设定与检出所述对象试样的捕获图像中的目标细胞的处理有关的检出参数的设定单元。
发明的有益效果
根据权利要求1~10中所述的发明,能够根据对象试样的特征设定检出对象试样中的目标细胞的处理参数。
根据权利要求2所述的发明,能够根据对对象试样推算出的目标细胞推算数设定用作在从对象试样生成的多个样品中作为处理对象的样品数和对于各个样品设定的判定对象区域。
根据权利要求3所述的发明,能够在用作处理对象的样品中做出选择以包括数量大于或等于阈值的目标细胞。
根据权利要求4所述的第四发明,当用作处理对象的样品中包含的目标细胞数与所述阈值之间的差较小时,将增大用作判定对象的区域数,由此防止检出逃避的出现。
根据权利要求5所述的发明,能够根据检出用作处理对象的试样中的目标细胞的困难度来设定检出对象试样中的目标细胞的处理参数。
根据权利要求6所述的发明,当检出用作处理对象的试样中的目标细胞时的困难度较高时,增大用作判定对象的区域数,由此防止检出逃避的出现。
根据权利要求7所述的发明,与不提供本发明构成的情况相比,能够精确地计算出检出用作处理对象的试样中的目标细胞时的困难度。
根据权利要求8所述的发明,与不整合多个判定对象区域的情况相比,能够基于对同一对象的多个判定对象区域的判定结果获得精确的判定结果。
根据权利要求9所述的发明,与不提供本发明构成的情况下相比,能够精确地推算目标母体血液中包含的有核红细胞数。
附图说明
图1是示出了一个实施方式的图像处理***的示例性***构成的图示。
图2是示出了图像处理装置中包括的功能实例的功能框图。
图3是示出了检出参数管理表的实例的图示。
图4是描绘了目标细胞候选区域的示例性整合的图示。
图5是第一实例的处理的流程图。
图6是计算检出困难度的处理的流程图。
图7是检出目标细胞的处理的流程图。
图8是整合目标细胞区域的处理的流程图。
图9是第二实例的处理的流程图。
图10是第三实例的处理的流程图。
具体实施方式
下面,将参照附图描述用于实施本发明的实施方式(下文称为实施方式)。
1.***构成描述
图1示出了本实施方式的图像处理***1的示例性***构成。如图1所示,图像处理***1包括光学显微镜10、图像处理装置20、输入设备50和显示设备60。图像处理装置20与光学显微镜10、输入设备50和显示设备60连接,从而能够数据通信。
光学显微镜10利用CCD相机14经由如物镜12等光学***捕获放置在工作台上的载玻片11上试料的图像。光学显微镜10包括改变载玻片11和物镜12之间的距离的聚焦机构13,并且光学显微镜10被配置为以不同的聚焦距离捕获载玻片11上试料的图像。在本实施方式中,将母体血液涂布在载玻片11上,并用May-Giemsa染色,将其用作试料。这将母体血液中的胚胎有核红细胞(NRBC)染成蓝紫色。
下面将NRBC称为目标细胞。
图像处理装置20获得由光学显微镜10捕获的捕获图像,并检出所得捕获图像中的目标细胞。例如,基于已经学习辨别目标细胞的条件的辨别器,图像处理装置20可以判定指示由光学显微镜10捕获的捕获图像中设定的判定对象区域中包含目标细胞的可能性的评分(如可能性)。注意,利用图像处理装置20进行的目标细胞的检出处理将在下文详细描述。
输入设备50是诸如键盘或鼠标等设备,并将来自用户的可接受的操作输入至图像处理装置20。例如,对于在显示设备60上显示的图像,图像处理装置20由用户使用输入设备50获得指定图像区域的信息,作为用于学习目标细胞的正例和反例或其他特定细胞的图像特征的学习信息,并可以使辨别器学习基于该学习信息来辨别目标细胞的条件(辨别参数)。
显示设备60例如是液晶显示设备60,并基于图像处理装置20进行的处理结果而显示在屏幕上。例如,显示设备60显示由光学显微镜10捕获的捕获图像或图像处理装置20检出目标细胞的结果等。
2.图像显示装置20包括的功能描述
接下来,将描述本实施方式的图像显示装置20包括的功能。
图2是示出了图像处理装置20中包括的功能实例的功能框图。如图2所示,图像处理装置20包括试样信息获取部21、试样特征信息记忆部22、目标细胞数推算部23、捕获图像获取部24、样品特征提取部25、检出困难度判定部26、检出对象样品设定部27、检出参数设定部28、核候选区域提取部29、判定对象区域设定部30、图像特征生成部31、目标细胞判定部32、目标细胞区域设定部33、目标细胞区域整合部34和判定结果输出部35。
图像处理装置20中包括的上述部件的功能可以由图像处理装置20读取和执行在计算机可读信息存储介质中存储的程序而实现,该图像处理装置20是包括CPU等控制单元、内存等存储单元和从外部设备接收数据或将数据传输至外部设备的输入-输出单元的计算机。注意,可通过诸如光盘、磁盘、磁带、磁光盘或闪存等信息存储介质来将程序提供给图像处理装置20,或者可通过如互联网等数据传输网络将程序提供给图像处理装置20。下面,将详细描述图像处理装置20中包括的各部件的功能。
试样信息获取部21获取用作测试对象的试样(母体)的信息(试样信息)。例如,试样信息获取部21可以基于输入设备50输入的数据获取试样信息。例如,试样信息可以包括作为从其采集母体血液的受试对象的人的年龄、病史或妊娠周数等。
试样特征信息记忆部22存储用于基于试样的特征来推算试样中包含的目标细胞的信息。例如,关于根据试样特征的类别而言,试样特征信息记忆部22可以例如存储根据各个类别而定的每单位血液量的目标细胞数。例如,图像处理装置20可基于各个信息项(即年龄、病史和妊娠周数)对各个试样生成并集群特征矢量,并且可以在试样特征信息记忆部22中关联地存储属于各个集群的试样的每单位血液量的目标细胞(有核红细胞)数的预测量代表性值(如平均值)。另外,试样特征信息记忆部22可以存储定义了年龄、病史和妊娠周数与相应的有核红细胞数之间的关系的表或等式。
目标细胞数推算部23基于由试样信息获取部21获取的与试样有关的试样信息(表示试样特征的信息)和试样特征信息记忆部22中存储的信息推算试样中包含的目标细胞数。例如,对于与由试样信息获取部21获取的试样信息相对应的类别而言,目标细胞数推算部23基于在试样特征信息记忆部22中存储的代表性目标细胞数推算从试样获得的试料(母体血液)中包含的目标细胞数。例如,对于与由试样信息获取部21获取的试样信息相对应的类别而言,目标细胞数推算部23可通过用在试样特征信息记忆部22中存储的每单位血液量的有核红细胞数乘以试料的血液量来获得所推算的目标细胞数。
另外,目标细胞数的推算方法不受上文所述的限制。例如,试样特征信息记忆部22可对于一个或多个试样预先彼此关联地存储该试样的特征矢量和目标细胞数。目标细胞数推算部23鉴别出与在试样特征信息记忆部22中存储的试样特征矢量中的对象试样的特征矢量相似的特征矢量(例如,特征矢量之间的距离最短),并可以将与鉴别出的特征矢量关联的目标细胞数视为对象试样中的目标细胞数。
捕获图像获取部24获取载玻片上的从试样获得的试料(母体血液)的捕获图像。例如,捕获图像获取部24从光学显微镜102获取用在光学显微镜102中包括的CCD相机5捕获的试料(母体血液)的捕获图像。另外,捕获图像获取部24在对对象试样定义的检出目标标志为真(T)时,可基于后述的检出参数获得捕获图像,并且在对对象试样定义的检出目标标志为假(F)时,不能获得捕获图像。
样品特征提取部25提取对象样品的特征。样品的特征包括指示样品的生成状态的信息。例如,样品特征提取部25可以提取作为样品特征的由试样生成的样品的厚度均匀性、细胞核的染色强度和白细胞的百分比含量等。样品特征提取部25可以提取由对象试样生成的全部或部分样品各自的样品特征(由此样品不限于用作检出目标的那些)。
样品特征提取部25可以例如通过使用光学显微镜10在样品的多个点处测量样品的表面至载玻片的深度,并获得所测量深度的方差的倒数来计算样品的厚度均匀性(A)。
样品特征提取部25可以例如将样品中的细胞核的染色强度(B)计算为通过使预定阈值除以样品的捕获图像(可用光学显微镜10捕获)的平均亮度值而获得的值(即,阈值/平均亮度值),或计算为样品的捕获图像中的亮度值低于预定阈值的像素的比例。
样品特征提取部25可以例如将样品中白细胞的百分比含量(C)计算为样品的捕获图像(可用光学显微镜10捕获)中的颜色浅于预定浓度的像素的比例。
检出困难度判定部26基于由样品特征提取部25提取的样品特征来判定在检出样品中目标细胞时的困难度(Df)。例如,检出困难度判定部26可通过使用以下等式(1),基于由样品特征提取部25提取出的样品的厚度均匀性A、样品中细胞核的染色强度B和样品中白细胞的百分含量C来计算样品的检出困难度Df。注意,w1、w2和w3可以是满足w1+w2+w3=1且大于或等于0的预定系数;A0可以是样品的厚度均匀性的基准值;B0可以是样品中细胞核的染色强度的基准值;且C0可以是样品中白细胞的百分比含量的基准值。
Df=w1·A0/A+w2·B0/B+w3·C/C0(1)
根据上述等式(1),随着样品的厚度均匀性A的值变大,计算出检出困难度Df变小;随着样品中细胞核的染色强度B的值变大,计算出检出困难度Df变小;且随着样品中白细胞的百分含量C的值变大,计算出检出困难度Df变大。注意,检出困难度判定部26可以校正由上述等式(1)算出的检出困难度Df,以采用0~1的值。例如,当Df小于下限阈值时,检出困难度判定单元26的Df可以是0,且当Df大于上限阈值(例如大于1的值)时,检出困难度判定单元26的Df可以是1。
检出对象样品设定部27基于由目标细胞数推算部23推算的目标细胞的推算数(Cb)和由检出困难度判定部26判定的检出困难度(Df)中的至少一个,在由对象试样生成的多个样品中设定用作检出目标的样品。
检出对象样品设定部27例如通过使对对象试样推算的目标细胞的推算数(Cb)除以由试料生成的样品数(N)而计算每个样品的目标细胞数(a=Cb/N)。此处,当Cb>Z(目标细胞的必要数(Z))时,检出对象样品设定部27将满足X≥Z的整数Z判定为用作检出目标的样品数,且当Cb≤Z时,检出对象样品设定部27将用作检出目标的样品数判定为N(全部样品)。检出对象样品设定部27可以从由试料生成的N个样品中选择出数量等于用作检出目标的样品数的样品(例如,以标识号的顺序或以生成日期和时间的顺序),并可以将所选择样品的检出目标标志设定为真(T),将未选择样品的检出目标标志设定为假(F)。
另外,在基于由检出困难度判定部26计算出的检出困难度来设定用作检出目标的样品的情况下,检出对象样品设定部27可以例如将由对象试样生成的多个样品中的检出困难度低于或等于阈值的样品设定为检出目标。
检出参数设定部28设定在对由试料生成的样品进行检出处理时使用的检出参数。例如,检出参数设定部28基于由检出对象样品设定部27设定的检出对象样品和由检出困难度判定单元26判定的检出困难度中的至少一个来设定检出参数。例如,检出参数可以包括指示样品是否用作检出目标的检出目标标志、指示从样品的捕获图像中提取出作为核候选区域的图像区域条件的核候选区域参数以及指示为样品的捕获图像设定判定对象区域的设定条件的判定对象区域参数。
图3示出了存储由检出参数设定部28设定的检出参数的检出参数管理表的实例。如图3所示,检出参数管理表关联地存储了用于识别试样的试样ID、用于识别由试样获得的多个样品中的每一个的样品ID、指示各个样品是否用作检出目标的检出目标标志、核候选区域参数和判定对象区域参数。注意,核候选区域参数包括提取为核候选区域的目标像素的颜色范围和相连像素数的阈值。另外,判定对象区域参数包括指示用作核候选区域中的判定对象区域的基点的像素之间的漂移量的步进宽度、与对用作判定对象区域的基点的像素设定的多种尺寸的判定对象区域有关的指示最小判定对象区域和最大判定对象区域之间的尺寸比的最大倍率,以及指示从最小判定对象区域至最大判定对象区域执行的倍率等级数的倍率水平。
检出参数设定部28可以基于裕度(margin)Y(其是由检出对象样品设定部27设定的用作检出目标的样品数X与每个样品的目标细胞数a的乘积与目标细胞的必要数Z的差值(Y=a·X-Z))和由检出困难度判定部26判定的检出困难度Df中的至少一个来设定检出参数。更具体而言,检出参数设定部28可以预先判定M个等级(L1~LM,M是大于或等于2的整数)各自的检出参数(注意,对于同一图像,Li+1时根据检出参数提取/设定的核候选区域和判定对象区域的数量大于Li时根据检出参数提取/设定的核候选区域和判定对象区域的数量),基于裕度Y和检出困难度Df中的至少一个的数值判定等级,并基于所判定的等级设定检出参数。例如,检出参数设定部28可以预先对M等级各自定义裕度范围,并可以基于以上计算出的Y所属的等级范围来判定等级。作为选择,例如,检出参数设定部28可以预先对M等级各自定义检出困难度范围,并可以基于以上计算出的Df所属的等级范围来判定等级。作为选择,例如,检出参数设定部28可以预先对M等级各自定义所述裕度和检出困难度之和的范围,并可以基于以上计算出的Y和Df之和所属的等级范围来判定等级。
注意,对由检出对象样品设定部27设定的各个样品而言,检出参数设定部28可基于对各个样品计算出的检出困难度而设定对各个样品不同的检出参数。
核候选区域提取部29基于由检出参数设定部28对样品设定的核候选区域参数,从对用作处理对象的样品由捕获图像获取部24获取的捕获图像中提取出核候选区域。例如,核候选区域提取部29可以通过将核候选区域参数中包含的颜色范围内包括的像素视为黑色像素而将未包括在该颜色范围内的像素视为白色像素,来进行二值化,并可在相关联的邻近黑色像素的关联像素组中提取作为核候选区域的具有数量大于或等于在核候选区域参数中包含的相关联像素组的数量的相关联像素的关联像素组。
判定对象区域设定部30基于由检出参数设定部28对样品设定的判定对象区域参数和由核候选区域提取部29提取的核候选区域,对由捕获图像获取部24获取的用作处理对象的样品的捕获图像设定进行是否存在目标细胞的判定的判定对象区域。例如,判定对象区域设定部30对由核候选区域提取部29提取的核候选区域中包含的一个或多个像素各自设定围绕该像素(或以用作基点的该像素为基准)的矩形区域作为判定对象区域。此处,判定对象区域设定部30可通过基于对用作处理对象的样品设定的判定对象区域参数中包含的步进宽度(漂移量)而顺次将处于核候选区域中并用作判定对象区域的基点的像素移动所述步进宽度来顺次设定判定对象区域。另外,关于用作判定对象区域的基点的像素,判定对象区域设定部30可以通过基于对用作处理对象的样品设定的判定对象区域参数中包含的最大倍率和倍率等级而在由倍率等级定义的等级数内将判定对象区域的尺寸从1改变至最大倍率,来设定不同尺寸的判定对象区域。
图像特征生成部31生成由判定对象区域设定部30设定的判定对象区域的图像特征量。例如,图像特征生成部31可以计算出判定对象区域的HOG特征量,并获得作为图像特征量的HOG特征量。下面,将具体描述计算两种类型的HOG特征量的处理。
图像特征生成部31获得判定对象区域中各个像素的亮度梯度取向和亮度梯度幅值,将目标图像分割为各自具有X个单元格(cells)的Y个区段,从各个区段中包含的各个单元格的亮度梯度取向和亮度梯度幅值获得取向梯度([第一梯度取向值、第二梯度取向值……和第九梯度取向值])的直方图,并在区段单元中进行归一化,从而使其均方差变成1。图像特征生成部31获得通过组合各个区段中的取向梯度的上述归一化直方图而得出的值X×9,并获得通过组合目标图像中的全部区段而得出的值Y×X×9,并将其作为判定对象区域的HOG特征量。
另外,图像特征生成部31获得判定对象区域中各个像素的亮度梯度取向和亮度梯度幅值,将目标图像分割为各自具有X个单元格的Y个区段,并从各个区段中包含的各个单元格的亮度梯度取向和亮度梯度幅值获得取向梯度([第一梯度取向值、第二梯度取向值……和第十八梯度取向值])的直方图。图像特征生成部31获得通过组合各个区段中的取向梯度的上述直方图而得出的值X×18,并获得通过组合目标图像中的全部区段而得出的值Y×X×18,并将其作为判定对象区域的Cell-HOG特征量。
目标细胞判定部32基于判定对象区域的图像特征量对判定对象区域中包含目标细胞的可能性(可靠性)进行判定。例如,可以事先使辨别器学习基于示出目标细胞的图像区域的图像特征量来辨别目标细胞的条件(辨别参数),并且可以获得由辨别器获得的判定对象区域的图像特征量的辨别结果。注意,可以使用AdaBoost或SVM(支持矢量机)等作为辨别器。辨别器基于判定对象区域的图像特征量输出指示判定对象区域中包含目标细胞的可能性(可靠性)的分数。例如,辨别器可以在判定对象区域中包含的细胞为目标细胞时输出具有正值的分数,并可以在细胞不是目标细胞时输出具有负值的分数。
基于由目标细胞判定部32对判定对象区域获得的判定结果,目标细胞区域设定部33设定包括目标细胞的候选区域(目标细胞区域)。例如,目标细胞区域设定部33可以在由辨别器输出的可靠性大于或等于0时将判定目标区域设定为目标细胞候选区域。
目标细胞区域整合部34在由目标细胞区域设定部33设定的候选区域中将至少部分彼此重叠的候选区域整合至一个区域。例如,当多个候选区域彼此重叠时,目标细胞区域整合部34可以将该多个候选区域整合为这些区域中的一个(例如,可靠性最大的区域)。此处,目标细胞区域整合部34可以在多个候选区域是从同一核候选区域设定的判定对象区域时判定这些区域彼此重叠,或者,可以在多个候选区域的重叠部分大于或等于预定阈值时判定该多个候选区域彼此重叠。另外,关于整合候选区域,目标细胞区域整合部34可以仅留下可靠性最高的候选区域,或者可以具有包含全部重叠候选区域的区域作为整合候选区域。另外,目标细胞区域整合部34可以通过增大已经整合的候选区域的可靠性来获得整合候选区域的可靠性,或者可以通过使可靠性乘以重叠候选区域的数量来获得整合候选区域的可靠性。
图4是描述目标细胞候选区域的示例性整合的图示。如图4所示,捕获图像I包括核候选区域70。对于核候选区域70而言,设定彼此部分重叠的两个目标细胞区域71和72。如果目标细胞区域71的评分为30且目标细胞区域72的评分为10,则目标细胞区域整合部34可以将目标细胞区域72整合至目标区域71和72中评分最大的目标细胞区域71,将目标细胞区域72的评分加至目标细胞区域71的评分上,并更新评分。
判定结果输出部35将由目标细胞区域整合部34整合的候选区域的信息输出为试料的目标细胞检出结果。例如,判定结果输出部35在显示设备60上显示以下显示画面,所述显示画面显示了由目标细胞区域整合部34整合的候选区域,其将根据可靠性分类(sort)并显示在列表中。注意,判定结果输出部35在显示列表中可以不包括可靠性小于规定或预定的阈值的候选区域。
3.示例性处理
接下来,将基于图5~10详细描述在本发明实施方式的图像处理***1中进行的示例性处理。
3-1.第一实施例
首先,将基于图5~8所示的流程图详细描述图像处理***1执行的第一实施例的处理。
3-1-1(1).主处理(1)
如图5所示,基于输入设备50输入的数据,图像处理装置20设定由对象试样生成的样品数(N,N为大于或等于1的整数)(S101),并获得对象试样的信息(试样信息)(S102)。此处,试样信息可以包括年龄、病史和妊娠周数信息中的至少一种。
接下来,基于S102中获得的试样信息,图像处理装置20对对象试样中包含的目标细胞数(a)进行推算(S103)。例如,图像处理装置20可以识别S102中获得的试样信息所属的类别,并基于为所识别的类别而预定的每单位血液的目标细胞的代表数(基准目标细胞数)和用作试样的试料的血液量,可以计算出试样中包含的目标细胞的推算数。
基于S103中计算出的目标细胞数(a)和S101中设定的样品数(N),图像处理装置20计算出每个样品的目标细胞数(b)(S104)。基于S104中计算出的每个样品的目标细胞数(b),图像处理装置20判定等于或大于检出所需的必要细胞数(c)的检出对象样品数(d)(S105)。
此处,图像处理装置20从由对象试样生成的多个样品中选择并判定用作其数量为S105中判定的检出对象样品数(d)的处理对象的样品(S106)。
接下来,图像处理装置20执行计算检出困难度的处理(S107),该检出困难度指示用作S106中判定的处理对象的各个样品中目标细胞的检出困难度。将基于图6所示的流程图详细描述检出困难度的计算处理。
3-1-2.检出困难度的计算处理
如图6所示,图像处理装置20将变量i初始化为1(S201),并测量样品Si的深度(A)(S202)。例如,通过使用光学显微镜10可以在样品Si的多个点处测量样品Si的表面至载玻片的深度。
接下来,图像处理装置20获得使用光学显微镜10捕获的样品Si的捕获图像(S203),并基于所获得的捕获图像获得样品Si的染色强度(B)(S204)。例如,图像处理装置20可以将样品Si中细胞核的染色强度(B)计算为通过使预定阈值除以样品Si的捕获图像的平均亮度值获得的值(即,阈值/平均亮度值),或计算为样品的捕获图像中亮度值低于预定阈值的像素比例。
进一步,基于S203中获得的捕获图像,图像处理装置20获得样品Si中白细胞的比例(C)(S205)。例如,图像处理装置20可以将样品Si中白细胞的比例(C)计算为样品Si的捕获图像中颜色浅于预定浓度的像素的比例。
图像处理装置20基于例如上述等式(1)并基于深度(A)的方差、试料的染色强度(B)和白细胞的比例(C)来计算检出样品Si中目标细胞的检出困难度Df(Dfi)(S206)。
此处,当变量i未达到d时(S207:N),图像处理装置20增大变量i(加1)(S208)并返回S202;并且,当变量i达到d时(S207:Y),图像处理装置20返回。接下来,回到图5中的流程图,将继续给出说明。
3-1-1(2).主处理(2)
如图5所示,在完成对用作处理对象的样品中的目标细胞的检出困难度Df的计算后,图像处理装置20基于S107中计算出的检出困难度和在S106中判定的用作处理对象的各个样品的信息中的至少一个设定检出参数(S108)。例如,检出参数可以包括指示样品是否用作检出目标的检出目标标志、指示从样品中提取出作为核候选区域的图像区域条件的核候选区域参数以及指示对样品的图像设定的判定对象区域的设定条件的判定对象区域参数。此处,图像处理装置20可以例如基于S106中判定的用作处理对象的各个样品的信息来设定检出目标标志,并可基于对样品Si计算出的检出困难度Dfi来设定核候选区域参数和判定对象区域参数。
基于S108中设定的检出参数,图像处理装置20执行检出试样中的目标细胞的处理(S109)。目标细胞的检出处理将基于图7所示的流程图详细描述。
3-1-3.目标细胞的检出处理
如图7所示,图像处理装置20将变量i、j和k的值初始化为1(S301),并判定对象试样的样品Si是否为检出目标(S302)。例如,图像处理装置20在样品Si的检出目标标志为真(T)可以判定样品Si为检出目标,并在检出目标标志为假(F)时可以判定样品Si不是检出目标。
当样品Si是检出目标时(S302:Y),图像处理装置20使例如光学显微镜10捕获样品Si的图像,并获得样品Si的捕获图像Ti(S303)。
接下来,图像处理装置20基于对样品Si设定的检出参数中包含的核候选区域参数,从捕获图像Ti提取核候选区域(Ai1~AiM)(S304)。注意,M是捕获图像Ti中包含的核候选区域数。注意,核候选区域的提取可以用上述核候选区域提取部29提取出。
图像处理装置20基于对样品Si设定的检出参数中包含的判定对象区域参数,对从捕获图像Ti中提出的核候选区域Aij设定判定对象区域(Bij1~BijL)。注意,L是对核候选区域Aij设定的判定对象区域数,并且判定对象区域的设定可以用上述判定对象区域设定部30执行。
图像处理装置20计算判定对象区域Bijk的图像特征量Vijk(S306)。注意,图像特征量的计算可以用上述图像特征生成部31执行。
基于S306中计算出的图像特征量Vijk,图像处理装置20计算指示判定对象区域Bijk中包含目标细胞的可能性的评分Pijk(S307)。
此处,当S307中计算出的评分Pijk大于或等于阈值Th时(S308:Y),图像处理装置20将判定对象区域Bijk设定为目标细胞区域(S309)。
在S309后或在S307中计算的评分Pijk小于阈值Th时(S308:N),图像处理装置20判定变量k是否已经达到L(S310),并且当变量k未达到L时(S310:N),图像处理装置20增大k(k加1)(S311),并返回S306。作为选择,当S310中变量k达到L时(S310:Y),图像处理装置20判定变量j是否已经达到M(S312)。
当S312中变量j未达到M时(S312:N),图像处理装置20增大j(j加1),使k初始化为1(S313),并返回S305。作为选择,当S312中变量j达到M时(S312:Y),图像处理装置20执行对样品Si设定的目标细胞区域的整合处理(S314)。此处,目标细胞区域的整合处理将基于图8示出的流程图详细描述。
3-1-4.目标细胞区域的整合处理
如图8所示,图像处理装置20对样品Si的捕获图像Ti设定的各个目标细胞区域赋予处理标志(S401)。注意,处理标志是真/假值。假设已处理的是真(T)而未处理的是假(F),并且S401中赋予的处理标志的初始值为假(F)。
接下来,图像处理装置20选择处理标志值指示未处理的一个目标细胞区域(S402)。下面,S402中选择的目标细胞区域将称为As。
图像处理装置20从对捕获图像Ti设定的目标细胞区域中提取出与S402中选择的目标细胞区域As重叠的其他目标细胞区域(S403)。图像处理装置20从S403中提取出的目标细胞区域中选择具有最大评分的目标细胞区域(S404)。下面,将S404中选择的目标细胞区域称为At。
当目标细胞区域As的评分大于或等于目标细胞区域At的评分时(S405:Y),图像处理装置20将S403中提取出的目标细胞区域整合至目标细胞区域As(S406),并将要整合的该其他目标细胞区域的评分加至目标细胞区域As的评分上(S407)。例如,可以删除整合至目标细胞区域As的目标细胞区域,或者可以将整合至目标细胞区域As的目标细胞区域的状态更新为已整合。图像处理装置20将目标细胞区域As和整合至该目标细胞区域As的其他目标区域中各自的处理标志更新为真(T)(S408)。
作为选择,当目标细胞区域As的评分小于目标细胞区域At的评分时(S405:N),图像处理装置20将目标细胞区域As整合至目标细胞区域At(S409),并将目标细胞区域As的评分加至目标细胞区域At的评分上(S410)。图像处理装置20将目标细胞区域As的处理标志更新为真(T)(S411)。
当在S408或S411后仍存在未处理的目标细胞区域时(S412:Y),图像处理装置20返回S402。当不存在未处理的目标细胞区域时(S412:N),图像处理装置20终止目标细胞的整合处理并返回。
此处,回看图7,将继续给出描述。对样品Si设定的目标细胞区域的整合处理完成后,当变量i未达到d(检出对象样品数或全部样品数)时(S315:N),图像处理装置20增大i(加1),将j和k初始化为1(S316),并返回S302。作为选择,当在S315中变量i达到d时(S315:Y),图像处理装置20返回。
作为选择,当在S302中样品Si不是检出样品(S302:N)且变量i未达到d时(S317:N),图像处理装置20增大i(加1),将j和k初始化为1(S316),并返回S302;并且,当变量i达到d时(S317:Y),图像处理装置20返回。
3-1-1(3).主处理(3)
此处,回看图5的流程图,将继续给出描述。在检出用作处理对象的各个试样中的目标细胞的处理完成后,图像处理装置20基于各个试样的整合目标细胞区域输出目标细胞区域的信息(S110),并终止该处理。例如,对于各个试样而言,图像处理装置20可以按目标细胞区域的评分降序将整合细胞区域分类,并可以在显示设备60上显示分类的目标细胞区域。
根据上述第一实施例的处理,用于检出处理的参数可以基于用作处理对象的试样中包含的目标细胞的推算数和用作处理对象的试样中目标细胞的检出困难度来设定。
3-2.第二实施例
接下来,基于图9所示的流程图,将详细描述图像处理***1执行的第二实施例的处理。第二实施例与第一实施例的不同点在于,不使用检出困难度设定检出参数。
如图9所示,基于输入设备50输入的数据,图像处理装置20设定由对象试样生成的样品数(N,N为大于或等于1的整数)(S501),并获得对象试样的信息(试样信息)(S502)。此处,试样信息可以包括年龄、病史和妊娠周数信息中的至少一种。
接下来,基于S502中获得的试样信息,图像处理装置20对对象试样中包含的目标细胞数(a)进行推算(S503)。例如,图像处理装置20可以识别S502中获得的试样信息所属的类别,并基于所识别的类别而预定的每单位血液的目标细胞的代表数和用作试样的试料的血液量,可以计算出试样中包含的推算目标细胞数。
基于S503中计算出的目标细胞数(a)和S501中设定的样品数(N),图像处理装置20计算出每个样品的目标细胞数(b)(S504)。基于S504中计算出的每个样品的目标细胞数(b),图像处理装置20判定等于或大于检出所需的必要细胞数(c)的检出对象样品数(d)(S505)。
此处,图像处理装置20从由对象试样生成的多个样品中选择并判定用作其数量为S505判定的检出对象样品数(d)的处理对象的样品(S506)。
接下来,图像处理装置20基于S506中判定的用作处理对象的各个样品的信息和S504中计算出的每个样品的目标细胞数(b)设定检出参数(S507)。例如,检出参数可以包括指示样品是否用作检出目标的检出目标标志、指示从样品中作为核候选区域而提取出的图像区域条件的核候选区域参数,和指示对样品图像设定的判定对象区域的设定条件的判定对象区域参数。此处,图像处理装置20可以例如基于S506中判定的用作处理对象的各个样品的信息设定检出目标标志,并基于通过从b·d中减去必要细胞数(c)而得到的裕度(b·d-c)来设定核候选区域参数和判定对象区域参数,该b·d是检出对象样品数(d)与每个样品的目标细胞数(c)的乘积。
基于S507中设定的检出参数,图像处理装置20执行检出试样中的目标细胞的处理(S508)。目标细胞的检出处理如图7中所示的流程图所描绘并与第一实施例相同,在此省略其描述。
用作处理对象的各试样中目标细胞的检出处理完成后,图像处理装置20基于各个试样的整合目标细胞区域输出目标细胞区域的信息(S509),并终止该处理。
根据上述第二实施例的处理,可以基于用作处理对象的试样中包含的推算的目标细胞数设定用于检出处理的参数。
3-3.第三实施例
接下来,基于图10所示的流程图,将详细描述图像处理***1执行的第三实施例的处理。第三实施例与第一实施例的不同点在于,不使用对对象试样推算出的目标细胞数而设定检出参数。
如图10所示,基于输入设备50输入的数据,图像处理装置20设定由对象试样生成的样品数(N,N为大于或等于1的整数)(S601)。
此处,图像处理装置20从由对象试样生成的多个样品中判定用作处理对象的样品(S602)。例如,图像处理装置20可以将从对象试样中生成的全部样品当作处理对象,或者可以基于对对象试样计算出的检出困难度Df判定用作处理对象的样品。例如,图像处理装置20可根据检出困难度范围定义比例(具体而言,困难度越高,比例越高),基于与检出困难度相对应的比例与全部样品数的乘积(具体而言,所获得的乘积可以四舍五入取整)来判定用作处理对象的样品数,并基于所判定的样品数来判定用作处理对象的样品。此处,用作处理对象的样品数表示为d。
接下来,图像处理装置20执行计算检出困难度的处理,该检出困难度指示用作处理对象的各个样品中的目标细胞的检出困难度(S603)。目标细胞的检出处理如图6所示的流程图所示并与第一实施例相同,此处将省略其描述。
接下来,对于用作处理对象的样品Si(i=1~d),图像处理装置20基于S603中计算出的检出困难度Dfi设定样品Si的检出参数。例如,检出参数可以包括指示样品是否用作检出目标的检出目标标志、指示从样品中作为核候选区域而提取出的图像区域条件的核候选区域参数,和指示对样品图像设定的判定对象区域的设定条件的判定对象区域参数。此处,图像处理装置20可以例如基于S603中判定的用作处理对象的各个样品的信息设定检出目标标志,并且可以基于对样品Si计算出的检出困难度Dfi设定核候选区域参数和判定对象区域参数。
基于S604中设定的检出参数,图像处理装置20执行检出试样中的目标细胞的处理(S605)。目标细胞的检出处理如图7所示的流程图所示并与第一实施例相同,此处将省略其描述。
用作处理对象的各试样中目标细胞的检出处理完成后,图像处理装置20基于各个试样的整合目标细胞区域输出目标细胞区域的信息(S606),并终止该处理。
根据上述第三实施例的处理,可以基于用作处理对象的试样中的目标细胞的检出困难度设定用于检出处理的参数。
本发明不应理解为受限于上述实施方式。例如,不整合目标细胞区域,以评分的顺序来显示目标细胞区域而也是没问题的。另外,图像处理装置20不应理解为受限于由光学显微镜10获得试样的捕获图像的情况,并且图像处理20可以由另一计算机获得试样的捕获图像。
Claims (12)
1.一种图像处理装置,其包括:
推算单元,所述推算单元基于对象试样的特征来推算所述对象试样中包含的目标细胞数;和
设定单元,所述设定单元基于推算的目标细胞数来设定与在所述对象试样的捕获图像中检出所述目标细胞的处理有关的检出参数。
2.如权利要求1所述的图像处理装置,
其中,所述检出参数包括定义由所述对象试样生成的多个样品各自是否用作检出是否包含所述目标细胞的检出对象的信息,和
定义用于设定判定对象区域的条件的信息,所述判定对象区域用于判定所述捕获图像中是否包含所述目标细胞区域,并且
其中,所述图像处理装置进一步包括判定单元,所述判定单元用于对基于所述检出参数而用作检出对象的样品的捕获图像判定基于所述检出参数设定的判定对象区域中是否包含所述目标细胞。
3.如权利要求2所述的图像处理装置,其进一步包括:
确定单元,其用于基于由所述推算单元推算出的目标细胞数和根据从所述对象试样生成的多个样品的数量而计算出的每个样品的目标细胞数,而确定包含数量大于或等于预定阈值的目标细胞的样品数量;和
选择单元,其用于从所述多个样品中选择出由所述确定单元确定了数量的样品,
其中,所述设定单元基于由所述选择单元选择出的样品的信息来设定所述检出参数。
4.如权利要求3所述的图像处理装置,
其中,所述设定单元将设定条件设定成,随着所述阈值相对于由所述确定单元确定出的样品的数量与所计算出的每个样品的目标细胞数的乘积的差减小,设定更多的所述判定对象区域。
5.如权利要求2~4中任一项所述的图像处理装置,其进一步包括:
检出困难度计算单元,其用于基于所述样品的厚度、所述样品的亮度和所述样品的浓度而计算检出困难度,所述检出困难度指示检出所述样品中包含的目标细胞数的困难度,
其中,所述设定单元基于所计算出的检出困难度来设定所述检出参数。
6.如权利要求5所述的图像处理装置,
其中,所述设定单元将所述设定条件设定成,随着所述检出困难度越高,设定越多的所述判定对象区域。
7.如权利要求5或6所述的图像处理装置,
其中,所述检出困难度计算单元,随着所述样品的厚度均匀性越高将所述检出困难度计算得越低,随着所述样品中包含的核的亮度越低将所述检出困难度计算得越低,并且
随着所述样品中包含的比预定浓度淡的像素比例越高,将所述检出困难度计算得越高。
8.如权利要求2~7中任一项所述的图像处理装置,其进一步包括:
整合单元,其用于在存在经判定为包括所述目标细胞且至少部分彼此重叠的多个判定对象区域的情况下,将所述多个判定对象区域整合到由所述判定单元判定为最有可能包括所述目标细胞的判定对象区域。
9.如权利要求1~8中任一项所述的图像处理装置,
其中,所述试样是母体血液,
其中,所述目标细胞是有核红细胞,
其中,所述试样的特征包括母体的年龄、病史和妊娠周数中的至少一个,
其中,基于所述试样的特征对各个类别定义每单位血液量的基准的有核红细胞数,以及
其中,所述推算单元基于根据所述对象试样的特征对某一类别定义的基准的有核红细胞数和所述对象试样的血液量,推算所述对象试样中包含的有核红细胞数。
10.一种程序,其使计算机作为如下单元而发挥功能:
基于对象试样的特征来推算所述对象试样中包含的目标细胞数的推算单元;和
基于所推算的目标细胞数来设定与检出所述对象试样的捕获图像中的所述目标细胞的处理有关的检出参数的设定单元。
11.一种信息存储介质,其上记录有用于使计算机作为如下单元而发挥功能的程序:
基于对象试样的特征来推算所述对象试样中包含的目标细胞数的推算单元;和
基于所推算的目标细胞数来设定与检出所述对象试样的捕获图像中的目标细胞的处理有关的检出参数的设定单元。
12.一种图像处理方法,其包括:
基于对象试样的特征来推算所述对象试样中包含的目标细胞数的推算步骤;和
基于所推算的目标细胞数来设定与检出所述对象试样的捕获图像中的目标细胞的处理有关的检出参数的设定步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013271140A JP6194791B2 (ja) | 2013-12-27 | 2013-12-27 | 画像処理装置及びプログラム |
JP2013-271140 | 2013-12-27 | ||
PCT/JP2014/071596 WO2015098177A1 (ja) | 2013-12-27 | 2014-08-19 | 画像処理装置、プログラム、情報記憶媒体、及び画像処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105612249A true CN105612249A (zh) | 2016-05-25 |
CN105612249B CN105612249B (zh) | 2017-12-19 |
Family
ID=53478066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480055887.2A Expired - Fee Related CN105612249B (zh) | 2013-12-27 | 2014-08-19 | 图像处理装置、程序、信息存储介质和图像处理方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10169861B2 (zh) |
EP (1) | EP3088511B1 (zh) |
JP (1) | JP6194791B2 (zh) |
CN (1) | CN105612249B (zh) |
WO (1) | WO2015098177A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9522396B2 (en) | 2010-12-29 | 2016-12-20 | S.D. Sight Diagnostics Ltd. | Apparatus and method for automatic detection of pathogens |
CN104169719B (zh) | 2011-12-29 | 2017-03-08 | 思迪赛特诊断有限公司 | 用于检测生物样品中病原体的方法和*** |
EP2999988A4 (en) | 2013-05-23 | 2017-01-11 | S.D. Sight Diagnostics Ltd. | Method and system for imaging a cell sample |
IL227276A0 (en) | 2013-07-01 | 2014-03-06 | Parasight Ltd | A method and system for obtaining a monolayer of cells, for use specifically for diagnosis |
WO2015029032A1 (en) | 2013-08-26 | 2015-03-05 | Parasight Ltd. | Digital microscopy systems, methods and computer program products |
CN107077732B (zh) | 2014-08-27 | 2020-11-24 | 思迪赛特诊断有限公司 | 用于对数字显微镜计算聚焦变化的***及方法 |
EP3859425B1 (en) | 2015-09-17 | 2024-04-17 | S.D. Sight Diagnostics Ltd. | Methods and apparatus for detecting an entity in a bodily sample |
CA3018536A1 (en) | 2016-03-30 | 2017-10-05 | S.D. Sight Diagnostics Ltd | Distinguishing between blood sample components |
EP3455610B1 (en) | 2016-05-11 | 2023-01-04 | S.D. Sight Diagnostics Ltd. | Sample carrier for optical measurements |
AU2017263807B2 (en) | 2016-05-11 | 2023-02-02 | S.D. Sight Diagnostics Ltd | Performing optical measurements on a sample |
JP6938270B2 (ja) * | 2017-08-09 | 2021-09-22 | キヤノン株式会社 | 情報処理装置および情報処理方法 |
US11004209B2 (en) * | 2017-10-26 | 2021-05-11 | Qualcomm Incorporated | Methods and systems for applying complex object detection in a video analytics system |
EP3710810B1 (en) | 2017-11-14 | 2023-09-06 | S.D. Sight Diagnostics Ltd. | Sample carrier for optical measurements |
JP7337557B2 (ja) * | 2019-06-14 | 2023-09-04 | キヤノン株式会社 | 情報処理装置、システム、情報処理方法及びプログラム |
WO2022201881A1 (ja) * | 2021-03-25 | 2022-09-29 | 日本電気株式会社 | スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999045385A1 (en) * | 1998-03-07 | 1999-09-10 | Levine, Robert, A. | Apparatus for analyzing substantially undiluted samples of biologic fluids |
US20020110928A1 (en) * | 2001-01-12 | 2002-08-15 | Kanji Yahiro | Evaluation apparatus for biological samples, evaluation method for the same, and storage medium storing computer programs for executing the same evaluation method |
EP1414231A1 (en) * | 2002-10-15 | 2004-04-28 | Xerox Corporation | Imaging apparatus and method |
JP2004248619A (ja) * | 2003-02-21 | 2004-09-09 | Haruo Takabayashi | 標的細胞自動探索システム |
US20050163359A1 (en) * | 2002-11-07 | 2005-07-28 | Fujitsu Limited | Method for supporting cell image analysis |
US20080241848A1 (en) * | 1998-05-09 | 2008-10-02 | Ikonisys, Inc. | Methods for prenatal diagnosis of aneuploidy |
US20080260206A1 (en) * | 2005-05-30 | 2008-10-23 | Olympus Corporation | Image processing apparatus and computer program product |
US20090141960A1 (en) * | 2006-06-07 | 2009-06-04 | Olympus Corporation | Image processing apparatus and computer program product |
US20100232674A1 (en) * | 2009-03-16 | 2010-09-16 | Olympus Corporation | Cell-image analyzing apparatus |
US20100267059A1 (en) * | 2009-04-20 | 2010-10-21 | Jacobson James W | Immunodeficiency screening at point of care |
CN101949819A (zh) * | 2010-09-16 | 2011-01-19 | 北京优纳科技有限公司 | 一种基于图像识别的细胞计数方法 |
JP2011177063A (ja) * | 2010-02-26 | 2011-09-15 | Hitachi Plant Technologies Ltd | 細胞計測方法および装置 |
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和*** |
US20120314092A1 (en) * | 2011-05-31 | 2012-12-13 | Bio-Rad Laboratories, Inc. | Cell counting systems and methods |
JP2013027368A (ja) * | 2011-07-29 | 2013-02-07 | Nikon Corp | 培養情報処理装置、培養状態評価装置、細胞培養方法およびプログラム |
CN103218804A (zh) * | 2011-12-21 | 2013-07-24 | 富士施乐株式会社 | 图像处理装置、图像处理方法和图像处理*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6215892B1 (en) | 1995-11-30 | 2001-04-10 | Chromavision Medical Systems, Inc. | Method and apparatus for automated image analysis of biological specimens |
JP2003504627A (ja) * | 1999-07-13 | 2003-02-04 | クロマビジョン メディカル システムズ インコーポレイテッド | 生物試料中の物体の自動検出 |
US6320174B1 (en) * | 1999-11-16 | 2001-11-20 | Ikonisys Inc. | Composing microscope |
EP1122661A1 (en) * | 2000-01-31 | 2001-08-08 | Brainpower S.A. | Improvements relating to data distribution |
EP2042853B1 (en) * | 2006-07-12 | 2014-04-23 | Toyobo Co., Ltd. | Analyzer and use thereof |
JP2008124885A (ja) * | 2006-11-14 | 2008-05-29 | Sony Corp | 撮像システム、撮像方法 |
WO2011004854A1 (ja) * | 2009-07-08 | 2011-01-13 | 株式会社ニコン | 細胞ピッキング支援装置、表示装置、及び培養容器 |
JP5413408B2 (ja) | 2011-06-09 | 2014-02-12 | 富士ゼロックス株式会社 | 画像処理装置、プログラム及び画像処理システム |
JP5413501B1 (ja) * | 2012-12-07 | 2014-02-12 | 富士ゼロックス株式会社 | 画像処理装置、画像処理システム及びプログラム |
JP6156137B2 (ja) * | 2013-12-27 | 2017-07-05 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
-
2013
- 2013-12-27 JP JP2013271140A patent/JP6194791B2/ja not_active Expired - Fee Related
-
2014
- 2014-08-19 WO PCT/JP2014/071596 patent/WO2015098177A1/ja active Application Filing
- 2014-08-19 CN CN201480055887.2A patent/CN105612249B/zh not_active Expired - Fee Related
- 2014-08-19 EP EP14873584.8A patent/EP3088511B1/en active Active
-
2016
- 2016-03-07 US US15/062,866 patent/US10169861B2/en not_active Expired - Fee Related
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999045385A1 (en) * | 1998-03-07 | 1999-09-10 | Levine, Robert, A. | Apparatus for analyzing substantially undiluted samples of biologic fluids |
US20080241848A1 (en) * | 1998-05-09 | 2008-10-02 | Ikonisys, Inc. | Methods for prenatal diagnosis of aneuploidy |
US20020110928A1 (en) * | 2001-01-12 | 2002-08-15 | Kanji Yahiro | Evaluation apparatus for biological samples, evaluation method for the same, and storage medium storing computer programs for executing the same evaluation method |
EP1414231A1 (en) * | 2002-10-15 | 2004-04-28 | Xerox Corporation | Imaging apparatus and method |
US20050163359A1 (en) * | 2002-11-07 | 2005-07-28 | Fujitsu Limited | Method for supporting cell image analysis |
JP2004248619A (ja) * | 2003-02-21 | 2004-09-09 | Haruo Takabayashi | 標的細胞自動探索システム |
US20080260206A1 (en) * | 2005-05-30 | 2008-10-23 | Olympus Corporation | Image processing apparatus and computer program product |
US20090141960A1 (en) * | 2006-06-07 | 2009-06-04 | Olympus Corporation | Image processing apparatus and computer program product |
US20100232674A1 (en) * | 2009-03-16 | 2010-09-16 | Olympus Corporation | Cell-image analyzing apparatus |
US20100267059A1 (en) * | 2009-04-20 | 2010-10-21 | Jacobson James W | Immunodeficiency screening at point of care |
JP2011177063A (ja) * | 2010-02-26 | 2011-09-15 | Hitachi Plant Technologies Ltd | 細胞計測方法および装置 |
CN101949819A (zh) * | 2010-09-16 | 2011-01-19 | 北京优纳科技有限公司 | 一种基于图像识别的细胞计数方法 |
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和*** |
US20120314092A1 (en) * | 2011-05-31 | 2012-12-13 | Bio-Rad Laboratories, Inc. | Cell counting systems and methods |
JP2013027368A (ja) * | 2011-07-29 | 2013-02-07 | Nikon Corp | 培養情報処理装置、培養状態評価装置、細胞培養方法およびプログラム |
CN103218804A (zh) * | 2011-12-21 | 2013-07-24 | 富士施乐株式会社 | 图像处理装置、图像处理方法和图像处理*** |
Non-Patent Citations (1)
Title |
---|
杨晓枫: "母体外周血液中胎儿有核红细胞的检测及比例与孕周的关系", 《医学检验》 * |
Also Published As
Publication number | Publication date |
---|---|
CN105612249B (zh) | 2017-12-19 |
US10169861B2 (en) | 2019-01-01 |
JP6194791B2 (ja) | 2017-09-13 |
WO2015098177A1 (ja) | 2015-07-02 |
JP2015123047A (ja) | 2015-07-06 |
EP3088511B1 (en) | 2020-12-30 |
US20160189378A1 (en) | 2016-06-30 |
EP3088511A4 (en) | 2017-09-13 |
EP3088511A1 (en) | 2016-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105612249A (zh) | 图像处理装置、程序、信息存储介质和图像处理方法 | |
AU2014237346B2 (en) | System and method for reviewing and analyzing cytological specimens | |
US20160042511A1 (en) | Tissue Object-Based Machine Learning System for Automated Scoring of Digital Whole Slides | |
CN105637343B (zh) | 检测控制装置、检测***、存储介质和检测控制方法 | |
JP5333570B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
CN101930533B (zh) | 在图像采集设备中进行天空检测的装置和方法 | |
EP3006551B1 (en) | Image processing device, image processing method, program, and storage medium | |
CN104487564A (zh) | 图像处理装置、程序、图像处理方法、计算机可读介质以及图像处理*** | |
CN109558833A (zh) | 一种人脸识别算法评测方法以及装置 | |
CN104854620A (zh) | 图像处理装置、图像处理***和程序 | |
CN109919135A (zh) | 基于深度学习的行为检测方法、装置 | |
CN109871762A (zh) | 一种人脸识别模型的评价方法和装置 | |
CN112631896A (zh) | 设备性能测试方法、装置、存储介质及电子设备 | |
EP3006550B1 (en) | Image processing device, image processing method, computer-implemented method and storage medium | |
CN105637344B (zh) | 图像处理设备、程序、存储介质和图像处理方法 | |
CN114494765B (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
Deng et al. | Automatic estimation of rice grain number based on a convolutional neural network | |
CN109934305A (zh) | 基于图像识别模型的图像识别方法及装置 | |
JP2006190291A (ja) | 遺伝子型データの分析方法及び装置 | |
KR102482573B1 (ko) | 딥러닝을 이용한 이미지 배경제거 및 수피 기반 수종 탐지 시스템 및 이를 이용한 수종 탐지 방법 | |
CN109918992A (zh) | 一种基于人脸考勤场景的模型评估方法、装置和计算机设备 | |
Zimmermann et al. | Image analysis for tissue phenomics | |
Dawkins et al. | Towards depth fusion into object detectors for improved benthic species classification | |
Junfeng et al. | Reevaluation of AATCC Test Method 66: Dynamic Measurement of Wrinkle Recovery | |
Mir et al. | Forecasting Anthracnose Severity Levels in Mango Leaf using Hybrid Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180428 Address after: Tokyo, Japan Patentee after: FUJIFILM Corp. Address before: Tokyo, Japan Patentee before: Fuji Xerox Co.,Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171219 Termination date: 20210819 |