JP2021076586A - ***形成の自動評価のための方法およびシステム - Google Patents
***形成の自動評価のための方法およびシステム Download PDFInfo
- Publication number
- JP2021076586A JP2021076586A JP2020155487A JP2020155487A JP2021076586A JP 2021076586 A JP2021076586 A JP 2021076586A JP 2020155487 A JP2020155487 A JP 2020155487A JP 2020155487 A JP2020155487 A JP 2020155487A JP 2021076586 A JP2021076586 A JP 2021076586A
- Authority
- JP
- Japan
- Prior art keywords
- tissue specimen
- electronic device
- seminiferous tubule
- testicular tissue
- spermatogenesis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 230000021595 spermatogenesis Effects 0.000 title claims description 71
- 210000002863 seminiferous tubule Anatomy 0.000 claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 210000001550 testis Anatomy 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000002381 testicular Effects 0.000 claims description 43
- 210000004602 germ cell Anatomy 0.000 claims description 37
- 230000011218 segmentation Effects 0.000 claims description 34
- 210000004027 cell Anatomy 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000010186 staining Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 239000012188 paraffin wax Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 2
- 239000011521 glass Substances 0.000 claims description 2
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 claims description 2
- 239000002184 metal Substances 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 230000002547 anomalous effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 231100000419 toxicity Toxicity 0.000 abstract description 7
- 230000001988 toxicity Effects 0.000 abstract description 7
- 238000012800 visualization Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 210000005132 reproductive cell Anatomy 0.000 abstract 2
- 238000009509 drug development Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 50
- 238000013136 deep learning model Methods 0.000 description 21
- 230000015654 memory Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 210000005239 tubule Anatomy 0.000 description 8
- 230000001850 reproductive effect Effects 0.000 description 7
- 230000000920 spermatogeneic effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000008187 granular material Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 101001038970 Apis mellifera Larval-specific very high density lipoprotein Proteins 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 101001060519 Pacifastacus leniusculus Fibrinogen Proteins 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 210000000717 sertoli cell Anatomy 0.000 description 2
- 231100000041 toxicology testing Toxicity 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282693 Cercopithecidae Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000003651 basophil Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 210000002332 leydig cell Anatomy 0.000 description 1
- 230000021121 meiosis Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- KHIWWQKSHDUIBK-UHFFFAOYSA-N periodic acid Chemical compound OI(=O)(=O)=O KHIWWQKSHDUIBK-UHFFFAOYSA-N 0.000 description 1
- 231100000683 possible toxicity Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000002110 toxicologic effect Effects 0.000 description 1
- 231100000027 toxicology Toxicity 0.000 description 1
- 210000003934 vacuole Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/36—Embedding or analogous mounting of samples
-
- 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
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
- G01N2001/2873—Cutting or cleaving
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Epidemiology (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Medicinal Chemistry (AREA)
- Biophysics (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
【課題】精細管の検出および***形成サイクルの異なるステージへの分類の、複雑かつ困難で、主観的なものになり得る手動評価を排除し、より良好な可視化を提供する。【解決手段】***形成の自動評価のための方法およびシステムを提供する。薬物開発および安全性評価研究における精巣毒性、人工知能／ディープラーニング法を使用する精細管のステージ分類による***形成の自動評価に関する。精巣組織標本を分析することにより精細管を検出する工程７０４、および、精細管をマッピングし、生殖細胞を検出し、セグメント化する工程７０６，７０８を含む。さらに、セグメント化された生殖細胞に基づき、精細管を正常カテゴリーおよび異常カテゴリーにカテゴリー化する工程７１２をさらに含む。方法は、毒性分析のために、精細管の分類に基づき、精巣組織標本を正常カテゴリーおよび異常カテゴリーにカテゴリー化する工程をさらに含む。【選択図】図７
Description
（関連出願の相互参照）
本出願は、２０１９年９月１６日に出願されたインド仮出願２０１９２１０３７２２３号（その内容は、参照により本明細書に組み込まれる）に基づき、その恩典を得る。
本出願は、２０１９年９月１６日に出願されたインド仮出願２０１９２１０３７２２３号（その内容は、参照により本明細書に組み込まれる）に基づき、その恩典を得る。
（技術分野）
本明細書で開示される実施形態は、***形成を評価することに関し、より特定的には、精細管のステージ分類による***形成の自動評価に関する。
本明細書で開示される実施形態は、***形成を評価することに関し、より特定的には、精細管のステージ分類による***形成の自動評価に関する。
一般に、雄生殖機能の毒性学研究は、***数低下および生殖障害、不妊症、などの増加の報告の増加のために、関心の高まりを受けている。雄生殖機能への毒性効果（ｔｏｘｏｌｏｇｉｃａｌ ｅｆｆｅｃｔ）は、***形成の妨害を特定することにより検出することができ、この場合、***形成は始原生殖細胞からの***産生を伴う。
精巣組織は***形成サイクルの認識を用いて検査することができ、***形成におけるわずかな妨害の特定が確保される。精巣／精巣組織の病理組織学的検査は、雄生殖機能に対する毒性効果（ｔｏｘｏｌｏｇｉｃａｌ ｅｆｆｅｃｔ）を検出するために実施することができる。病理組織学的検査は、***形成におけるわずかな妨害の高感度の初期指標として機能する。
従来の病理組織学的検査は、精巣組織から精細管（円柱セルトリ細胞により構成され、***形成細胞により取り囲まれ得る）を検出し、検出された精細管を***形成サイクルの異なるステージに分類することを含むことができ、これを使用して***形成におけるわずかな妨害を特定することができる。
しかしながら、精細管の検出および***形成サイクルの異なるステージへの分類は手動評価を含む可能性があり、これは、複雑で困難な作業となり得る。また、精巣組織学の複雑さ、様々な生殖細胞の密接なつながり、および隣接ステージ間の特徴の重なりは、手動評価を困難で時間のかかるものとしている。さらに、手動評価は、病理学者の専門知識に依存し、非常に主観的なものになり得る。
加えて、従来の病理組織学的検査では、***形成サイクルのステージ分類中での組織学的特徴のより良好な可視化および評価のために、標準Ｈ＆Ｅ（ヘマトキシリンおよびエオシン）染色スライドに加えて、ＰＡＳ（過ヨウ素酸シッフ）染色スライドなどの追加の染色スライドが必要とされる。
本明細書における実施形態の主目的は、精細管のステージ分類による***形成の自動評価のための方法およびシステムを開示することである。
本明細書における実施形態の別の目的は、自動的に***形成を評価するために、人工知能（ＡＩ）／ディープラーニング法を使用するための方法およびシステムを開示することである。
本明細書における実施形態の別の目的は、自動的に***形成を評価するために、ヘマトキシリンおよびエオシン（Ｈ＆Ｅ）で染色された精巣組織標本を使用するための方法およびシステムを開示することである。
本明細書における実施形態の別の目的は、Ｈ＆Ｅで染色された精巣組織標本から精細管を検出し、精細管を、生殖細胞のセグメンテーションに基づいて***形成サイクルのそれぞれのステージに分類するための方法およびシステムを開示することである。
本明細書における実施形態の別の目的は、ステージおよび形態学的な特徴に基づき、精細管を正常カテゴリーおよび異常カテゴリーの少なくとも１つにカテゴリー化するための方法およびシステムを開示することである。
本明細書における実施形態の別の目的は、毒性分析のための精細管のカテゴリー化に基づき、精巣組織標本を正常カテゴリーおよび異常カテゴリーにカテゴリー化するための方法およびシステムを開示することである。
本明細書における実施形態のこれらのおよび他の態様は、下記記載および添付の図面と共に考慮すると、よりよく、認識され、理解されるであろう。しかしながら、下記記載は、少なくとも１つの実施形態およびその多くの具体的詳細を示しているが、例として提供されたものであり、制限するものではないことが理解されるべきである。多くの変更および改変は、その精神から逸脱せずに、本明細書における実施形態の範囲内で行うことができ、本明細書における実施形態はそのような改変を全て含む。
本明細書における実施形態は添付の図面において示されており、図面を通して、同様の参照文字は、様々な図面における対応部分を示す。本明細書における実施形態は、下記記載から、図面を参照すると、よりよく理解されるであろう。
本明細書における実施形態ならびにその様々な特徴および有利な詳細は、添付の図面に示され、下記説明に詳述される非限定的な実施形態を参照して、より詳しく説明される。よく知られた構成要素および処理技術の説明は、本明細書における実施形態を不必要に分かりにくくすることのないように省略する。本明細書で使用される実施例は、本明細書における実施形態が実施され得る方法の理解を促進し、さらに、当業者が本明細書における実施形態を実施することができるようにすることを意図するにすぎない。したがって、実施例は、本明細書における実施形態の範囲を制限するものと解釈されるべきではない。
本明細書における実施形態は、精細管のステージ分類による***形成の自動評価のための方法およびシステムを開示する。本明細書における実施形態は、***形成の評価のために人工知能（ＡＩ）／ディープラーニング法を使用するための方法およびシステムを開示する。本明細書における実施形態は、***形成の評価に基づく毒性分析のための方法およびシステムを開示する。以下、図面、より特定的には、図１Ａから１０について説明すると、同様の参照文字は、図を通して一貫して対応する特徴を示し、実施形態が示されている。
図１Ａは電子装置１００を示し、ここで、電子装置は、本明細書で開示される実施形態により、***形成を自動的に評価することができる。電子装置１００の例は、限定はされないが、携帯電話、スマートフォン、タブレット、ハンドヘルド装置、ファブレット、ラップトップ、コンピュータ、ウェアラブルコンピューティングデバイス、医療機器、モノのインターネット（ＩｏＴ）装置などとすることができる。電子装置１００はまた、特殊用途コンピューティングシステムとすることができ、例えば、限定はされないが、サーバー、クラウド、マルチプロセッサシステム、マイクロプロセッサベースのプログラム可能な家電、ネットワークコンピュータ、ミニコンピュータ、メインフレームコンピュータ、などである。電子装置１００はまた、データベース（図示せず）と結合されたサーバーとすることができる。サーバーはスタンドアローンのサーバー、またはクラウド上のサーバーであってもよい。電子装置１００はまた、クラウド・コンピューティングプラットフォームとすることができ、これは、異なる地理的場所に位置するユーザー装置（医師／病理学者、ユーザー／患者、などにより使用される装置）に接続することができ、***形成の評価についての情報が提供される。本明細書で言及される電子装置１００は、***形成の自動評価を実施するように構成することができ、これから、雄生殖機能についての毒性効果（ｔｏｘｏｌｏｇｉｃａｌ ｅｆｆｅｃｔ）を検出することができる。***形成は精細胞発生のプロセスとすることができる。
電子装置１００はプロセッサ１０２、メモリ１０４、通信インタフェース１０６、入力／出力（Ｉ／Ｏ）モジュール１０８、およびディスプレイ１１０を含む。一実施形態では、電子装置１００は、少なくとも１つの画像センサ、少なくとも１つのカメラ、少なくとも１つのスキャナ、など（図示せず）を含む。一実施形態では、電子装置１００は、通信ネットワーク（図示せず）を使用して、外部的に、少なくとも１つの画像センサ、少なくとも１つのカメラ、少なくとも１つのスキャナ、などの少なくとも１つに接続されてもよい。通信ネットワークの例は、インターネット、有線ネットワーク（ローカルエリア・ネットワーク（ＬＡＮ）、イーサネットなど）、無線ネットワーク（Ｗｉ−Ｆｉネットワーク、セルラーネットワーク、Ｗｉ−Ｆｉホットスポット、ブルートゥース、ジグビーなど）などとすることができるが、これらに限定されない。電子装置１００はまた、***形成の評価を実施するために必要とされる情報にアクセスするために、通信ネットワークを使用して、少なくとも１つの外部エンティティ、例えば、限定はされないが、サーバー、外部データベース、などに接続され得る。
プロセッサ１０２は、単一プロセッサ、複数のプロセッサ、複数の均一または不均一コア、異なる種の多重中央処理装置（ＣＰＵ）、マイクロコントローラ、特別な媒体、および他のアクセラレータの少なくとも１つとすることができる。さらに、複数の処理装置１０２が単一チップまたは複数のチップ上に配置されてもよい。
プロセッサ１０２は、***形成の自動評価を実施するように構成することができる。一実施形態では、プロセッサ１０２は、精細管を***形成サイクル／***形成プロセスのステージに分類することにより、***形成の評価を実施することができる。
***形成の評価のために、精巣組織標本を得ることができる。本明細書における一実施例では、精巣組織は、ヒト、ラット、マウス、サル、イヌ、および任意の他の生物の少なくとも１つから得ることができる。ステージの番号は生物と共に変動し得ることに注意すべきである。得られた精巣組織標本はガラススライド上に載置することができる。その後、得られた、載置精巣組織標本を脱水させ、好適な材料に包埋することができる。本明細書における一実施形態では、脱水された組織は融解パラフィンワックスに包埋することができる。次いで、包埋脱水組織は、薄い組織片に切断される。本明細書における一実施形態では、脱水された、包埋精巣組織は好適なマウント上に載置し、薄い組織片に切断することができる。本明細書における一実施例では、脱水された、包埋精巣組織からのブロックがミクロトーム上に載置され、薄い組織片に切断される。その後、組織片をスライドに貼り付けてもよい。組織片をスライドに付着させた後、組織を包埋するために使用された材料は好適な手段（例えば、溶媒）を使用して除去される。包埋するために使用された材料から組織を除去した後、組織片は再水和される。一実施形態では、再水和された組織片は染色することができる。本明細書における一実施形態では、再水和された組織片はヘマトキシリンおよびエオシン（Ｈ＆Ｅ）染色および過ヨウ素酸シッフ（ＰＡＳ）染色の少なくとも１つで染色することができる。一実施例では、Ｈ＆Ｅ染色が使用されることを考慮されたい。この場合、ヘマトキシリンが金属塩または媒染剤と混合され、組織片上に適用され、エオシンで対比染色される。過剰な染料は、染色された組織片から、弱酸溶液を使用して除去される。
得られた組織片を使用する***形成の評価のために、プロセッサ１０２は、染色された組織片／切片を有するスライドの媒体（例えば、画像、ビデオ、など）を得る。一実施形態では、プロセッサ１０２は、電子装置１００内に存在する画像センサ、カメラ、などを用いて染色された組織片／切片の媒体を得る。一実施形態では、プロセッサ１０２は、画像センサ、カメラ、デジタル全側面イメージスキャナ、などの、外部接続された少なくとも１つを用いて染色された組織片／切片の媒体を得る。
プロセッサ１０２は、精細管のステージ分類による***形成の評価のために、媒体を分析することができる。一実施形態では、プロセッサ１０２は、染色された組織片／切片を（媒体から）分析するために、少なくとも１つの方法／技術／モデル、例えば、人工知能（ＡＩ）モデル、ディープラーニングモデル、などを使用することができる。本明細書における実施形態は、***形成の評価のためにディープラーニングモデルを考慮することをさらに説明しているが、任意の他のニューラルネットワーク／機械学習モデルを考慮することができることは当業者に明らかなはずである。
一実施形態では、ディープラーニングモデルは、物体の検出、セグメンテーション、および分類の１つ以上を達成できるモデルとすることができる（本明細書における一実施例では、物体は精細管とすることができる）。さらに、ディープラーニングモデルは、入力媒体において異なるクラスのセマンティックセグメンテーションを達成することができる。***形成の評価のために使用されるディープラーニングモデル例が図１Ｂに示される。一実施形態では、ディープラーニングモデルはエンコーダーサブシステム／層、およびデコーダーサブシステム／層を含み、抽出した特徴に基づいて推論する。エンコーダーサブシステムは、３層のインセプションモジュールを含む。インセプションモジュール例が図１Ｃに示される。エンコーダーサブシステムは、ゼロパディングの初期層、続いて、畳み込み層を含む。ゼロパディング層は、パディングパラメータにより、元の媒体サイズを増加させる。例えば、サイズ２のパディングパラメータは入力媒体の幅および高さを４だけ増加させる。畳み込み層は行列の乗算、続いて、加算である。この層では、フィルタ行列が入力媒体と乗ぜられ、この場合、フィルタ行列のサイズは、入力媒体サイズ以下である。畳み込み層の出力は媒体とすることができ、入力媒体のサイズの半分である。畳み込み層の出力は、ダウンサンプリングのために最大プーリングブロック／層に送り込むことができる。最大プーリング層は入力媒体からウィンドウに関する（ｗｉｎｄｏｗ−ｗｉｓｅ）最大画素値を得る。例えば、サイズ２×２のウィンドウは、入力媒体からの２×２部分行列を、それらの２×２部分行列の画素からの最大画素値に置き換える。よって、出力媒体のサイズは入力媒体サイズの半分となる。最大プーリング層に続いて、短いスキップコネクションと共にインセプションモジュール（図１Ｃに図示）が存在できる。インセプションモジュールに続いて、連続畳み込み層およびドロップアウト層が存在してもよい。ドロップアウト層は媒体画素値を、ユーザーにより規定されたドロップアウト率に基づき無作為に無効にする。さらに、最大プーリング層およびインセプションモジュール、ならびに畳み込みおよびドロップアウト層のプロセスは繰り返すことができ、エンコーダーサブシステムから出力が導出される。本明細書における一実施例では、最大プーリング層およびインセプションモジュール、ならびに、畳み込みおよびドロップアウト層のプロセスは、３回繰り返すことができる。
デコーダーサブシステムはデコンボリューション層を含み、ここで、デコンボリューション層の出力は、同様の解像度で、エンコーダーサブシステムの出力と連結（concatenate）される。デコンボリューション層は、好適な方法、例えば、限定はされないが、最近傍法、転置畳み込み法、などを用いて、媒体入力のサイズをアップサンプリング／増加する。デコンボリューション層は、入力媒体のサイズをアップサンプリングファクターによりアップサンプリングする。連結出力（concatenation output）に続いて、ＲｅｓＮｅｔ−ボトルネックモジュールが存在してもよい。ＲｅｓＮｅｔ−ボトルネックモジュールの一例が図１ｄに示される。ＲｅｓＮｅｔ−ボトルネックモジュールは、２つの畳み込み層を含み、この場合、各畳み込み層の入力の残差（短いスキップコネクションであってもよい）が、畳み込み層の出力に加算されてもよい。これにより、確実に、エンコーダーサブシステムの特性が後の層で利用可能となり、そのため、エンコーダーおよびデコーダーサブシステムの出力が、元の入力から逸脱しないようにすることができる。ＲｅｓＮｅｔ−ボトルネックモジュールの出力に続いて、１×１畳み込みブロックが存在することができ、特徴次元が低減され、過学習問題が最小に抑えられる。１×１畳み込みブロックのプロセスは、デコーダーサブシステムにおける複数の層に対して繰り返すことができ、デコーダーサブシステムにおける最終出力層は１×１畳み込みブロックを有さない。一実施例では、１×１畳み込みブロックのプロセスは、デコーダーサブシステムにおける５つの層に対して繰り返すことができ、デコーダーサブシステムにおける最終出力層は１×１畳み込みブロックを有さない。
プロセッサ１０２は染色された組織片／切片の媒体を、ディープラーニングモデルを使用して分析し、精細管を検出する。多数の画像のデータを訓練する複数のラベルを使用して、Ｕ−Ｎｅｔに基づくディープラーニングモデルを訓練することにより、ここで、１つのラベルが細管内部の領域に付与され、別のラベルが細管の周囲に付与され、別のラベルが細管の外側の領域に付与される。このデータはさらに、訓練および妥当性確認データセットに分けられ、ここで、訓練データは、ディープラーニングモデルを訓練するために使用され、妥当性確認データセットは、学習済みディープラーニングモデルを確認するために使用される。本明細書における一実施例では、Ｕ−Ｎｅｔに基づくディープラーニングモデルを、１５００画像のデータを訓練する３つのラベルを使用して訓練することにより、ここで、１つのラベルが細管内部の領域に付与され、別のラベルが細管の周囲に付与され、第３のラベルが細管の外側の領域に付与される。このデータは、訓練および妥当性確認データセットにさらに分けられ、訓練データがディープラーニングモデルを訓練するために使用され、妥当性確認データセットが学習済みディープラーニングモデルを確認するために使用される。本明細書における一実施例では、プロセッサ１０２は、１０×倍率で５１２×５１２タイル上で訓練されるディープラーニングモデルを使用する。
プロセッサ１０２は、より高い倍率へのマッピングによる、生殖細胞の正確な検出およびセグメンテーションのために、検出された精細管をマッピングする。本明細書における一実施例では、プロセッサ１０２は検出された精細管を生殖細胞の正確なセグメンテーションのために、１０×から４０×倍率にマッピングする。１０×解像度の１つのタイルは、１０×解像度で存在する同じ画素情報を表す、４０×解像度の４つのタイルに対応する。このように、その特定の細管に対応する１０×解像度で存在するタイルが決定される。次いで、対応するタイルが４０×解像度で抽出される。生殖細胞の例は、限定はされないが、伸張***細胞、***細胞、円形***細胞、残余小体、減数***体、精原細胞、または任意の他の関連マーカーとすることができる。一実施形態では、プロセッサ１０２は、生殖細胞を検出するために、ディープラーニングモデルのバイナリクラスセグメンテーションモデル、マルチクラス（セマンティック）セグメンテーションモデル、などの少なくとも１つを使用する。本明細書における一実施例では、バイナリクラスディープラーニングに基づくモデルが、伸張***細胞をセグメント化するために使用され、ｓａ ６クラスディープラーニングに基づくモデルが、ステージ１−９および１４の円形***細胞、ステージ１０の円形***細胞、精原細胞、減数***体および太糸期をセグメント化するために使用される。プロセッサ１０２はまた、セグメント化された生殖細胞および個々の精細管上に重ねられた他の関連特徴の増強された可視化を表示する。
生殖細胞がセグメント化されるとすぐに、プロセッサ１０２は、検出された精細管を***形成サイクル／***形成プロセスのそれぞれのステージに分類するためのステージ分類を実施するためにセグメント化された生殖細胞を使用する。個々の細管に存在する生殖細胞が最初に特定される。次いで、各細管に対応して、２８次元の特徴ベクトルが、その中に存在する様々な生殖細胞のサイズ、位置および数に基づいて特徴を抽出することにより形成される。一実施形態では、プロセッサ１０２はディープラーニングモデルのランダムフォレスト分類指標を使用し、検出された精細管を少なくとも１つのステージに分類する。ランダムフォレスト分類指標にしたがい、プロセッサ１０２は各ステージと関連する特有の特徴／ステージ属性を使用して、検出された精細管を***形成サイクルのそれぞれのステージに分類する。ステージ分類属性の例は、限定はされないが、伸張***細胞頭部束化／位置、***細胞、残余小体、などとすることができる。本明細書における一実施例では、検出された精細管は、各ステージと関連する特有の特徴／ステージ属性および検出された精細管の検出されたステージ分類属性に基づき、１４ステージの少なくとも１つに分類することができる。
プロセッサ１０２はさらに、ステージおよび形態学的パラメータに基づき、検出された精細管を正常カテゴリーおよび異常カテゴリーに分類する。異常カテゴリーに存在する細管のパラメータの例は変性細管、巨細胞、セルトリ細胞空胞化、などである。本明細書における実施形態は、任意の機械学習に基づくマルチクラスモデルを適用して、ステージを特定することができる。本明細書における一実施形態では、精細管の分類に基づき、プロセッサ１０２はステージ度数分布表を生成させ、表は、正常カテゴリーの精細管を異常カテゴリーの精細管と比較する。本明細書における一実施形態では、プロセッサ１０２は事前生成されたステージ度数分布表をフェッチすることができる。ステージ度数分布表はそれぞれのステージ番号に対応するステージ度数を列挙する。ステージ度数は、その特定のステージにおける細管の数を精巣中の分析される細管の総数により割ることにより計算される。
プロセッサ１０２はまた、正常および異常カテゴリーへの精細管の分類および生成されたステージ度数分布表に基づき、得られた精巣組織標本を正常カテゴリーおよび異常カテゴリーに分類するように構成することができる。この分類は前臨床薬物毒性学試験において重要であり、この場合、新規薬物と関連する毒性が動物組織に対して試験される。投与後動物において異常が起これば、薬物は失敗と考えることができる。
プロセッサ１０２はさらに、得られた精巣組織標本に存在する分子または化学物質を、精巣組織標本の分類に基づいて正常および異常に分類するように構成することができる。プロセッサ１０２はさらに、定量化されたパラメータに基づく報告を生成する。報告は、例えば、限定はされないが、細管の各々の詳細な分析、１４ステージの度数マップ、異常、個々の細管上に重なるステージの可視化（複数可）、などの情報を含む。
メモリ１０４は染色された組織片の得られた媒体、ステージ度数分布表、分類、などの少なくとも１つを保存する。メモリ１０４はまた、***形成の自動評価を実施するためにプロセッサ１０２上で実行することができるプログラムコード／命令を保存してもよい。さらに、メモリ１０４は１つ以上のコンピュータ可読記憶媒体を含んでもよい。メモリ１０４は、不揮発性記憶素子を含んでもよい。そのような不揮発性記憶素子の例としては、磁気ハードディスク、光ディスク、フロッピーディスク、フラッシュメモリ、または電気的プログラム可能メモリ（ＥＰＲＯＭ）もしくは電気的消去可能およびプログラム可能（ＥＥＰＲＯＭ）メモリの形態が挙げられる。加えて、メモリ１０４は、いくつかの実施例では、非一時的記憶媒体と考えることができる。「非一時的」という用語は、記憶媒体は、搬送波または伝播信号で具現化されないということを示し得る。しかしながら、「非一時的」という用語は、メモリ１０４は可動ではないことを意味すると解釈されるべきではない。いくつかの実施例では、メモリ１０４は、メモリよりも大量の情報を保存するように構成することができる。ある一定の実施例では、非一時的記憶媒体は、時間と共に変化する可能性があるデータを保存し得る（例えば、ランダムアクセスメモリ（ＲＡＭ）またはキャッシュにおいて）。
通信インタフェース１０６は、電子装置１００が、少なくとも１つの外部エンティティ（例えば、サーバー、外部データベース、ユーザー装置、画像センサ／スキャナ、など）と、通信ネットワークを使用して接続できるように構成することができる。
Ｉ／Ｏモジュール１０８は、電子装置１００が、染色された組織片の媒体を獲得するための画像センサ、スキャナ、カメラ、などの少なくとも１つと接続できるように構成することができる。
ディスプレイ１１０は、検出された精細管の増強された可視化および関連ステージなどを表示するように構成することができる。
図１は電子装置１００の例示的なブロックを示すが、他の実施形態はこれに制限されないことが理解されるべきである。他の実施形態では、電子装置１００は、より少ない、またはより多い数のブロックを含んでもよい。さらに、ブロックのラベルまたは名称は、説明のためだけに使用され、本明細書における実施形態の範囲を制限しない。１つ以上のブロックは一緒に合わせられ、電子装置１００において同じまたは実質的に同様の機能を実施することができる。
図２Ａは、本明細書で開示される実施形態による***形成の自動評価を示す図例である。本明細書における実施形態により、電子装置１００は、雄生殖機能に関する毒性学分析のために、***形成の自動評価を実施することができる。図２Ａに示されるように、電子装置１００は、***形成の自動評価を実施するために、ＡＩモデル、ディープラーニングモデル、コンピュータビジョン（ＣＶ）技術、などの少なくとも１つを使用することができる。電子装置１００は、ユーザーインタフェース（ＵＩ）／ディスプレイ１１０を使用して、***形成の増強された可視化をさらに表示し得る。
図２Ｂに示されるように、***形成の自動評価により、パラメータ、例えば、細管、内腔、細胞質、などについての即時出力、***形成細胞質の評価に関連する情報を提供する複数の報告の生成、生殖細胞の効率的な検出および計数、ステージ度数分布表の作成、より短い毒性分析期間、などを提供することができる。
図３は、本明細書で開示される実施形態による、***形成の自動評価のための電子装置例１００を示す。本明細書における実施形態により、電子装置１００は、精細管による***形成の自動評価を実施することができるようになる。電子装置１００は精巣組織標本を得る。電子装置１００は、ディープラーニングモデル、ＡＩモデル、などの少なくとも１つを使用して、得られた精巣組織標本を分析し、精細管を検出する。精細管例は図４に示される。
電子装置１００は検出された精細管をマッピングし、生殖細胞をセグメント化する。セグメント化された生殖細胞は、伸張***細胞、***細胞、円形***細胞、残余小体、減数***体、精原細胞、好塩基顆粒／残余小体、太糸期または任意の他の関連マーカーの少なくとも１つとすることができる。本明細書における一実施例では、円形***細胞のセグメンテーション、内腔領域を有する好塩基顆粒／残余小体のセグメンテーション、太糸期のセグメンテーション、伸張***細胞のセグメンテーション、減数***体セグメンテーションが図５Ａ−５Ｅに示される。
セグメント化された生殖細胞に基づき、電子装置１００は個々の精細管を、セグメント化された生殖細胞に基づき、***形成サイクルのそれぞれのステージに分類する。電子装置１００は、図６Ａに示されるランダムフォレスト分類指標に基づき、個々の精細管をそれぞれのステージに分類することができる。ランダムフォレスト分類指標にしたがい、電子装置１００は、特有の特徴およびステージ分類属性を使用する。ステージ分類属性の例は、限定はされないが、伸張***細胞頭部束化／位置、***細胞、残余小体、などとすることができる。本明細書における一実施例では、各ステージと関連する特有の特徴／ステージ分類属性は図６Ｂに示される。本明細書における一実施例では、電子装置１００は個々の精細管を図６Ｃに示される１４ステージに分類する。
電子装置１００は精細管を、個々の精細管のそれぞれのステージへの分類およびセグメント化された生殖細胞に基づき、正常カテゴリーおよび異常カテゴリーにさらに分類する。電子装置１００は、さらに、正常カテゴリーの精細管を異常カテゴリーの精細管と比較するために、ステージ度数分布表を生成させる。本明細書における一実施例では、ステージ度数分布表／マップが図６Ｄに示される。
精細管が正常カテゴリーおよび異常カテゴリーに分類されるとすぐに、電子装置１００は、ステージ分類判断基準を使用して、得られた精巣組織標本を正常カテゴリーおよび異常カテゴリーに分類する。ステージ分類判断基準の例は、限定はされないが、生殖細胞のセグメンテーションの有無（円形***細胞のセグメンテーション、内腔領域を有する好塩基顆粒／残余小体のセグメンテーション、太糸期のセグメンテーション、伸張***細胞のセグメンテーション、減数***体のセグメンテーション、など）、混合ステージについての統計的意味における多数決原理（異常または再較正の必要性）、ステージ／標準度数分布表／マップを用いた再較正、異なる判断基準を合わせるための決定ツリーに基づく論理、などとすることができる。本明細書における一実施例では、ステージ分類判断基準は図６Ｅに示される。
図６Ｆに示されるように、精巣組織標本のステージ分類は前臨床状況における組織毒性の正確な評価につながり得る。電子装置１００は精細管／内腔のサイズ／形状を特定しながら、ステージ分類を実施する。さらに、電子装置１００は、ある領域についての生殖細胞の有無、およびあるステージについての生殖細胞の損失を検出する。その後、電子装置１００は得られた精巣全体における空胞の存在、およびライディッヒ細胞数を検出する。細胞の数に基づき、電子装置１００は、標準度数マップからの主な逸脱を決定することができ、ここで、標準度数マップからの主な逸脱は、毒性の可能性を示す。
図７は、本明細書で開示される実施形態による、***形成の自動評価のための方法を示す図例である。電子装置１００は染色された組織片の媒体を得る（工程７０２で）。電子装置１００は、染色された組織片の媒体を分析することにより、精細管を検出し、セグメント化する（工程７０４で）。電子装置１００は（工程７０６で）、より低い倍率からより高い倍率に、精細管のセグメンテーションをマッピングする。電子装置１００は、セグメント化された精細管から生殖細胞を検出し、セグメント化する（工程７０８で）。生殖細胞は、円形***細胞のセグメンテーション、内腔領域を有する好塩基顆粒／残余小体のセグメンテーション、太糸期のセグメンテーション、伸張***細胞のセグメンテーション、減数***体のセグメンテーション、などの少なくとも１つにセグメント化することができる。電子装置１００は、精細管を、セグメント化された生殖細胞に基づくランダムフォレスト分類指標を使用して、それぞれのステージに分類する（工程７１０で）。電子装置１００はさらに、精細管のそれぞれのステージへの分類および形態学的な特徴／パラメータに基づき、精細管を正常カテゴリーおよび異常カテゴリーにカテゴリー化する（工程７１２で）。電子装置１００は、雄生殖機能に対する毒性効果（ｔｏｘｏｌｏｇｉｃａｌ ｅｆｆｅｃｔ）を検出するために、得られた精巣組織標本を正常カテゴリーおよび異常カテゴリーに分類する（工程７１４で）。方法７００における様々な行為は、提示した順で、異なる順で、または同時に実施され得る。さらに、いくつかの実施形態では、図７に列挙されるいくつかの行為は省略してもよい。
図８は、本明細書で開示される実施形態による、自動***形成ステージ分類の結果を示す図例である。
図９は、本明細書で開示される実施形態による、自動ステージ分類に基づき生成されたステージ度数分布マップと専門の病理学者により生成されたステージ度数分布マップの比較を示すグラフ例である。
図１０は、本明細書で開示される実施形態による、自動***形成ステージ分類から得られた平均正解率および平均精度を示す表例である。
本明細書における実施形態は、精細管のステージ分類により***形成を評価するための分析補助を提供する。
本明細書における実施形態は、精細管の自動ステージ分類による、***形成の正確で、再現性のある、より速い評価を提供し、これにより、専門病理学者の必要性が排除される。
本明細書における実施形態は、余分な染色組織片／切片、例えば、過ヨウ素酸シッフ（ＰＡＳ）染色組織片、などを必要とせずに、***形成の自動評価を促進する。
本明細書における実施形態は、自動的に、ディープラーニング／人工知能法を使用して、精細管を検出し、異なるステージ／クラスに分類する。
本明細書における実施形態は検出された精細管の増強された可視化および関連ステージを提供する。
本明細書における実施形態は、異常に気づくステージの自動評価を実施し、精細管を正常カテゴリーおよび異常カテゴリーに分類する。
本明細書における実施形態は、精巣組織標本および分子／化学物質の自動評価を実施し、精巣組織標本および分子／化学物質を正常カテゴリーおよび異常カテゴリーに分類する。
本明細書で開示される実施形態は、少なくとも１つのハードウェア装置上で動作し、ネットワーク管理機能を実行し、ネットワーク要素を制御する少なくとも１つのソフトウェアプログラムにより実行することができる。図１に示されるネットワーク要素は、ハードウェア装置、またはハードウェア装置とソフトウェアモジュールの組み合わせの少なくとも１つとすることができるブロックを含む。
本明細書で開示される実施形態は、***形成の自動評価のための方法およびシステムを開示する。そのため、保護の範囲はそのようなプログラムにまで拡張され、その中にメッセージを有するコンピュータ可読手段に加えて、そのようなコンピュータ可読記憶手段は、プログラムが、サーバーまたはモバイル機器または任意の好適なプログラム可能な装置上で動作する場合、方法の１つ以上の工程の実行のためのプログラムコード手段を含むことが理解される。方法は少なくとも１つの実施形態において、例えば超高速集積回路ハードウェア記述言語（ＶＨＤＬ）、別のプログラム言語で書かれたソフトウェアプログラムにより、またはこれと共に実行され、または、少なくとも１つのハードウェア装置上で実行される１つ以上のＶＨＤＬまたはいくつかのソフトウェアモジュールにより実行される。ハードウェア装置は、プログラムすることができる任意の種類の携帯装置とすることができる。装置はまた、例えば、ＡＳＩＣのような、例えば、ハードウェア手段、またはハードウェアおよびソフトウェア手段の組み合わせ、例えば、ＡＳＩＣおよびＦＰＧＡ、または、その中に配置されたソフトウェアモジュールを有する少なくとも１つのマイクロプロセッサおよび少なくとも１つのメモリとすることができる手段を含み得る。本明細書で記載される方法実施形態は部分的にハードウェアで、部分的にソフトウェアで実行することができる。あるいは、発明は、異なるハードウェア装置上で、例えば、複数のＣＰＵを使用して実行することができる。
特定の実施形態の前記記載は、本明細書における実施形態の一般的性質をそのように完全に明らかにするので、他のものは、現在の知識を適用することにより、一般概念から逸脱せずに、そのような特定の実施形態を容易に改変し、および／または様々な適用に適合させることができ、そのため、そのような適合および改変は、開示された実施形態の等価物の意味および範囲内に包含されるべきであり、そのように意図される。本明細書で採用される表現または専門用語は、説明目的のためのものであり、制限することを目的としないことが理解されるべきである。そのため、本明細書における実施形態は実施形態の観点から記載されているが、当業者であれば、本明細書における実施形態は、本明細書で記載される実施形態の精神および範囲内で改変して実施することができることを認識するであろう。
Claims (14)
- 精巣組織標本の***形成の自動評価を実施するための方法であって、
電子装置（１００）により、染色された精巣組織標本の載置切片の媒体を分析し、少なくとも１つの精細管を検出する工程、
前記電子装置（１００）により、前記検出された少なくとも１つの精細管をより高い倍率レベルにマッピングすることにより、前記染色された精巣組織標本の前記載置切片の前記媒体において少なくとも１つの生殖細胞のセグメンテーションを実施する工程、
前記電子装置（１００）により、前記検出された少なくとも１つの精細管を、セグメント化された前記少なくとも１つの生殖細胞を使用してステージ分類を実施することにより、***形成サイクル／***形成プロセスの少なくとも１つのステージに分類する工程、
前記電子装置（１００）により、前記検出された少なくとも１つの精細管が分類される前記ステージおよび精巣組織と関連する少なくとも１つの形態学的パラメータに基づき、前記検出された少なくとも１つの精細管を正常カテゴリーおよび異常カテゴリーの少なくとも１つに分類する工程、ならびに
前記電子装置（１００）により、前記少なくとも１つの精細管の少なくとも１つの正常カテゴリーおよび少なくとも１つの異常カテゴリーへの分類およびステージ度数分布表に基づき、前記精巣組織標本を正常カテゴリーおよび異常カテゴリーの少なくとも１つに分類する工程、
を含む、方法。 - 前記精巣組織標本をガラススライド上に載置する工程、
前記載置された精巣組織標本を脱水する工程、
前記脱水された載置された精巣組織標本を融解パラフィンワックスに包埋する工程、
前記包埋された脱水された載置された精巣組織標本を少なくとも１つの切片に切断する工程、
前記融解パラフィンワックスを、前記包埋された脱水された載置された精巣組織標本の前記少なくとも１つの切片から除去する工程、
前記脱水された載置された精巣組織標本の前記少なくとも１つの切片を再水和する工程、および
前記再水和された載置された精巣組織標本の前記少なくとも１つの切片を染色する工程、
を含む、請求項１に記載の方法。 - 前記包埋された脱水された載置された精巣組織標本を切断する工程は、
前記包埋された脱水された載置された精巣組織標本からのブロックをミクロトーム上に載置する工程、および
前記載置されたブロックから少なくとも１つの組織切片を切断する工程、
を含む、請求項２に記載の方法。 - 前記再水和された載置された精巣組織標本の前記少なくとも１つの切片はヘマトキシリンおよびエオシン（Ｈ＆Ｅ）染色で染色され、
ヘマトキシリンを金属塩または媒染剤と混合する工程、
前記混合されたヘマトキシリンを組織片上に適用する工程、
前記組織片をエオシンで対比染色する工程、および
過剰な染料を前記染色された組織片から弱酸溶液を用いて除去する工程、
を含む、請求項２に記載の方法。 - 前記少なくとも１つの生殖細胞は、バイナリクラスセグメンテーションモデル、およびマルチクラス（セマンティック）セグメンテーションモデルの少なくとも１つを用いて検出される、請求項１に記載の方法。
- 前記生殖細胞は、伸張***細胞、***細胞、円形***細胞、残余小体、減数***体、および精原細胞の少なくとも１つである、請求項１に記載の方法。
- ランダムフォレスト分類指標は、前記検出された少なくとも１つの精細管を、各ステージと関連する少なくとも１つの特有の特徴を使用して、***形成サイクルの少なくとも１つのステージに分類する、請求項１に記載の方法。
- 前記得られた精巣組織標本に存在する分子または化学物質は、前記精巣組織標本の前記分類に基づき、正常カテゴリーおよび異常カテゴリーの少なくとも１つに分類される、請求項１に記載の方法。
- 前記ステージ度数分布表は、正常カテゴリーの少なくとも１つの精細管を異常カテゴリーの少なくとも１つの精細管と比較する、請求項１に記載の方法。
- 染色された精巣組織標本の載置切片の媒体を分析し、少なくとも１つの精細管を検出し、
前記検出された少なくとも１つの精細管をより高い倍率レベルにマッピングすることにより、前記染色された精巣組織標本の前記載置切片の前記媒体における少なくとも１つの生殖細胞のセグメンテーションを実施し、
前記検出された少なくとも１つの精細管を、セグメント化された前記少なくとも１つの生殖細胞を使用してステージ分類を実施することにより、***形成サイクル／***形成プロセスの少なくとも１つのステージに分類し、
前記少なくとも１つの検出された精細管を、前記検出された少なくとも１つの精細管が分類された前記ステージおよび精巣組織と関連する少なくとも１つの形態学的パラメータに基づき、正常カテゴリーおよび異常カテゴリーの少なくとも１つに分類し、ならびに
前記精巣組織標本を、前記少なくとも１つの精細管の少なくとも１つの正常カテゴリーおよび少なくとも１つの異常カテゴリーへの分類およびステージ度数分布表に基づき、正常カテゴリーおよび異常カテゴリーの少なくとも１つに分類するように構成された電子装置（１００）。 - 前記電子装置は
載置された精巣組織標本を脱水し、
前記脱水された載置された精巣組織標本を融解パラフィンワックスに包埋し、
前記包埋された脱水された載置された精巣組織標本を少なくとも１つの切片に切断し、
前記融解パラフィンワックスを、前記包埋された脱水された載置された精巣組織標本の前記少なくとも１つの切片から除去し、
前記脱水された載置された精巣組織標本の前記少なくとも１つの切片を再水和し、および
前記再水和された載置された精巣組織標本の前記少なくとも１つの切片を染色するように構成される、請求項１０に記載の電子装置。 - 前記電子装置は、バイナリクラスセグメンテーションモデル、およびマルチクラス（セマンティック）セグメンテーションモデルの少なくとも１つを使用して、前記少なくとも１つの生殖細胞を検出するように構成され、前記生殖細胞は、伸張***細胞、***細胞、円形***細胞、残余小体、減数***体、および精原細胞の少なくとも１つである、請求項１０に記載の電子装置。
- 前記電子装置は、ランダムフォレスト分類指標を使用して、前記検出された少なくとも１つの精細管を、各ステージと関連する少なくとも１つの特有の特徴を使用して、***形成サイクルの少なくとも１つのステージに分類するように構成される、請求項１０に記載の電子装置。
- 前記電子装置は、前記得られた精巣組織標本に存在する分子または化学物質を、前記精巣組織標本の前記分類に基づき、正常カテゴリーおよび異常カテゴリーの少なくとも１つに分類するように構成される、請求項１０に記載の電子装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201921037223 | 2019-09-16 | ||
| IN201921037223 | 2019-09-16 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021076586A true JP2021076586A (ja) | 2021-05-20 |
Family
ID=72665028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020155487A Pending JP2021076586A (ja) | 2019-09-16 | 2020-09-16 | ***形成の自動評価のための方法およびシステム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11847817B2 (ja) |
| EP (1) | EP3792828B1 (ja) |
| JP (1) | JP2021076586A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023248958A1 (ja) * | 2022-06-24 | 2023-12-28 | 株式会社エビデント | 顕微鏡システム、投影ユニット、選別支援方法、及び、記録媒体 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114112570A (zh) * | 2021-11-12 | 2022-03-01 | 吉林市国科医工科技发展有限公司 | 一种基于Diff-Quick染色方法的全自动***制片机构 |
| CN114240938B (zh) * | 2022-02-24 | 2022-05-27 | 浙江大学 | 一种h&e染色切片图像中异常组织的分割方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060212953A1 (en) * | 2002-05-28 | 2006-09-21 | Chawnshang Chang | Tr2, tr4, tr2/tr4 double knockouts and uses thereof |
| WO2009059327A2 (en) * | 2007-11-02 | 2009-05-07 | University Of Southern California (Usc) | Compositions and methods comprising biomarkers of sperm quality, semen quality and fertility |
| CN102308212A (zh) * | 2008-12-04 | 2012-01-04 | 加利福尼亚大学董事会 | 用于确定***癌诊断和预后的材料和方法 |
-
2020
- 2020-09-16 EP EP20196364.2A patent/EP3792828B1/en active Active
- 2020-09-16 US US17/022,089 patent/US11847817B2/en active Active
- 2020-09-16 JP JP2020155487A patent/JP2021076586A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023248958A1 (ja) * | 2022-06-24 | 2023-12-28 | 株式会社エビデント | 顕微鏡システム、投影ユニット、選別支援方法、及び、記録媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3792828C0 (en) | 2023-07-26 |
| EP3792828B1 (en) | 2023-07-26 |
| US20210080450A1 (en) | 2021-03-18 |
| US11847817B2 (en) | 2023-12-19 |
| EP3792828A1 (en) | 2021-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Akintayo et al. | A deep learning framework to discern and count microscopic nematode eggs | |
| Esgario et al. | An app to assist farmers in the identification of diseases and pests of coffee leaves using deep learning | |
| Godinez et al. | A multi-scale convolutional neural network for phenotyping high-content cellular images | |
| JP2021076586A (ja) | ***形成の自動評価のための方法およびシステム | |
| Marzahl et al. | Deep learning-based quantification of pulmonary hemosiderophages in cytology slides | |
| Kouzehkanan et al. | A large dataset of white blood cells containing cell locations and types, along with segmented nuclei and cytoplasm | |
| Mander et al. | Classification of grass pollen through the quantitative analysis of surface ornamentation and texture | |
| Dutagaci et al. | ROSE-X: an annotated data set for evaluation of 3D plant organ segmentation methods | |
| WO2018104819A1 (en) | A method and system for evaluating quality of semen sample | |
| Bakker et al. | Morphologically constrained and data informed cell segmentation of budding yeast | |
| Shamir | Assessing the efficacy of low‐level image content descriptors for computer‐based fluorescence microscopy image analysis | |
| Narisetti et al. | Fully-automated root image analysis (faRIA) | |
| Toda et al. | DeepStomata: facial recognition technology for automated stomatal aperture measurement | |
| Liang et al. | StomataScorer: a portable and high‐throughput leaf stomata trait scorer combined with deep learning and an improved CV model | |
| Hong et al. | Deep learning method for comet segmentation and comet assay image analysis | |
| Nowak et al. | A network-based framework for shape analysis enables accurate characterization of leaf epidermal cells | |
| Bergler et al. | FIN-PRINT a fully-automated multi-stage deep-learning-based framework for the individual recognition of killer whales | |
| de Santos‐Sierra et al. | Graph‐based unsupervised segmentation algorithm for cultured neuronal networks' structure characterization and modeling | |
| dos Santos et al. | Automated nuclei segmentation on dysplastic oral tissues using cnn | |
| Davaasuren et al. | Automated 3D segmentation of guard cells enables volumetric analysis of stomatal biomechanics | |
| Voon et al. | Evaluating the effectiveness of stain normalization techniques in automated grading of invasive ductal carcinoma histopathological images | |
| Almadhoun et al. | Automated recognition of urinary microscopic solid particles | |
| Wang et al. | Spatial topology of organelle is a new breast cancer cell classifier | |
| Yu et al. | Avocado ripeness classification using graph neural network | |
| Maheswari et al. | Intelligent yield estimation for tomato crop using SegNet with VGG19 architecture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210114 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210322 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230314 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240206 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240430 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240618 |