JP3445799B2 - パターン認識装置及びパターン認識方法 - Google Patents

Description

【発明の詳細な説明】 技術分野 本発明はコンピュータを利用したパターン認識技術に
係り，特に尿中の粒子を分類する尿沈渣検査装置に好適
なパターン認識方法及び装置に適用でき，個体差の大き
い対象を個体差によらず精度良く分類するパターン認識
装置及びパターン認識方法に関する。

背景技術 尿沈渣検査とは尿中に含まれる血球や組織細胞等の固
形成分を調べ，成分の種類とその量を報告する検査であ
る。従来，この検査では，一定量の尿を遠心分離し得ら
れた沈渣成分を染色し，プレパラート上に標本としてと
った後，検査技師が顕微鏡観察して実行していた。各成
分は形状，染色性等の特徴により分類される。尿沈渣検
査を自動的に行なう技術として尿中の固形成分を静止画
像として撮影する方法が，例えば特表昭57−500995号公
報，特開昭63−94156号公報，特開平５−296915号公報
に記載されている。これらの技術では，サンプル試料を
特別な形状の流路（フローセル）に通し，試料中の粒子
を幅広の撮像領域中に流し，試料中に固形成分が検出さ
れた時にフラッシュランプを点灯して，尿中の固形成分
の拡大像を静止画像として撮影している。静止画像とし
て撮影された沈渣成分を自動分類するには，画像上で沈
渣成分の領域と背景領域とを分離した後，沈渣成分領域
での画像特徴量を求め，これらの特徴量に基き分類す
る。画像特徴量としては面積，周囲長，平均色濃度等が
用いられる。画像上で固形成分の領域を背景領域から分
離する技術としては，例えば特開平１−119765号公報に
血球像の領域分割法に関する記載があり，濃度ヒストグ
ラムにより求めた閾値を用いて色彩空間で画像の領域を
分割している。画像特徴量から対象の分類を行なう技術
としては，例えば特公昭58−29872号公報，特開平３−1
31756号公報に血球像の分類に関する記載がある。特公
昭58−29872号公報では画像特徴量をもとに，統計的識
別関数を多段階に組み合わせた識別論理又は枝別れ識別
論理を用いている。特開平３−131756号公報では認識論
理として階層型ネットワークを用いている。

発明の開示 尿沈渣では検体毎の個体差が大きく，同一のクラスに
分類されるべき対象でも，検体によって形状，染色性等
が大きく異なり，自動分類を行なう上で個体差が大きな
問題となる。例えば尿中の血球は，尿のpH,比重，浸透
圧により，大きさ，形状が変化する。通常，白血球は赤
血球に比べ大きいため，赤血球と白血球を誤分類するこ
とは無いが,pH,比重，浸透圧等の条件により，検体によ
っては白血球が萎縮し赤血球と誤分類する場合がある。
人間が目視により分類を行なう場合には，まず，検体全
体を見て確実に白血球と判断できる典型的な対象を分類
し，その検体については白血球が全体的に小さめである
と判断したり，変形している白血球が多い等の検体全体
の傾向を把握した上で，分類が困難な対象を分類する。
例えば，赤血球と間違えそうな小さな白血球であって
も，その検体の典型的な白血球が全体的に小さめであ
り，かつ赤血球が出現していなければ白血球に分類す
る。そのため，提示されたパターンのみからそのパター
ンの属する分類クラスを決定する従来のパターン認識方
法では，検体毎の個体差の影響を除去できず，例えば特
異的に小さめの白血球が出現するような検体については
分類精度が低下するという問題があった。本発明の目的
は，同じクラスに分類されるべき対象でも個体（検体）
により異なった特徴を示す対象のパターン認識におい
て，個体差による対象の誤分類を減らすパターン認識を
提供することにある。

本発明のパターン認識装置の第１の構成は，複数の入
力パターンより構成される一組の入力サンプルを入力と
し，一組の入力サンプル中の各入力パターンをこの入力
パターンの属する分類クラスに分類するとともにこの分
類の結果の信頼性を評価し，信頼性の高い分類結果が得
られた入力パターンについては認識可能であるとしてこ
の入力パターンの属する分類クラスを出力する第１のパ
ターン認識手段と，この第１のパターン認識手段により
得られた分類結果の信頼性が低いと評価され認識が保留
された一組のサンプル中の入力パターンを記憶する第１
の記憶手段と，第１のパターン認識手段により得られた
分類結果の信頼性が高いと評価され認識可能な一組のサ
ンプル中の入力パターン及び第１のパターン認識手段に
より出力された入力パターンの属する分類クラスを記憶
する第２の記憶手段と，この第２の記憶手段に記憶され
た入力パターン及びこの入力パターンの属する分類クラ
スとを学習標本として構築され，第１の記憶手段に記憶
された入力パターンを入力し，この入力パターンの属す
る分類クラスを出力する第２のパターン認識手段と，第
２の記憶手段に記憶された入力パターン及びこの入力パ
ターンの属する分類クラスとを学習標本として第２のパ
ターン認識手段を構築するパターン認識方法構築手段と
からなることに特徴がある。

本発明のパターン認識装置の第２の構成は上記第１の
構成において，基準パターン認識方法記憶手段を有し，
パターン認識方法構築手段が第２のパターン認識方法を
構築する前に，基準パターン認識方法記憶手段の内容を
用いて第２のパターン認識手段を初期化することに特徴
がある。

本発明のパターン認識装置の第３の構成は，複数の入
力パターンより構成される一組の入力サンプルが入力さ
れる前に初期状態に設定され，この一組の入力サンプル
中の各入力パターンをこの入力パターンの属する分類ク
ラスに分類するとともに，この分類の結果の信頼性を評
価し，信頼性の高い分類結果が得られた入力パターンに
ついては認識可能であるとしてこの入力パターンの属す
る分類クラスを出力するパターン認識手段と，このパタ
ーン認識手段により得られた分類結果の信頼性が低いと
評価され認識が保留された一組のサンプル中の入力パタ
ーンを記憶する第１の記憶手段と，パターン認識手段に
より得られた分類結果の信頼性が高いと評価され認識可
能な一組のサンプル中の入力パターン及びパターン認識
手段により出力されたこの入力パターンの属する分類ク
ラスを記憶する第２の記憶手段と，この第２の記憶手段
に記憶された入力パターン及びこの入力パターンの属す
る分類クラスを学習標本としてパターン認識手段を最適
化するパターン認識方法調整手段と，パターン認識手段
の初期状態を記憶する基準パターン認識方法記憶手段と
を有し，パターン認識方法調整手段によりパターン認識
手段を最適化した後，第１の記憶手段に記憶された入力
パターンをパターン認識手段に入力し，この入力パター
ンの属する分類クラスを出力することに特徴がある。

本発明のパターン認識装置の第４の構成は，複数の入
力パターンより構成される一組の入力サンプルを記憶す
る入力パターン記憶手段と，パターン認識を行うニュー
ラルネットワークと，このニューラルネットワークの出
力値より入力されたパターンに対するパターン認識結果
の信頼性を評価する信頼性評価手段と，ニューラルネッ
トワークの初期状態における層数，各層の素子数，各素
子間の結合重み値を記憶する初期重み値記憶手段と，ニ
ューラルネットワークの学習を行うニューラルネットワ
ーク学習手段と，パターン認識結果記憶手段とを有し，
一組の入力サンプルを構成する複数のパターンをパター
ン記憶手段に記憶すると共に初期重み値記憶手段の内容
に従いニューラルネットワークを初期化した後，（１）
パターン記憶手段に記憶されたパターンを一個ずつニュ
ーラルネットワークに入力しパターン認識を行ない，
（２）認識結果をパターン認識結果記憶手段に記憶し，
（３）信頼性評価手段によりこのニューラルネットワー
クの出力値を用いて入力パターンに対するパターン認識
結果の信頼性を評価し，（４）信頼性が高いと評価され
た入力パターンについてはこの入力パターンに対する認
識結果を教師データとしてニューラルネットワーク学習
手段によりニューラルネットワークの学習を行う処理
を，パターン記憶手段に記憶された全ての入力パターン
について行ない，全てのパターンに対するニューラルネ
ットワークによるパターン認識の信頼性が高いと評価さ
れるか，又は所定の回数に達するまで上記（１）〜
（４）の処理を繰り返した後に，パターン認識結果記憶
手段に記憶されたパターン認識結果を出力することに特
徴がある。

本発明のパターン認識装置の第５の構成は，複数の入
力パターンより構成される一組の入力サンプルを入力と
し，この一組の入力サンプル中の各入力パターンをこの
入力パターンの属する分類クラスに分類するとともに，
この分類の結果の信頼性を評価し，信頼性の高い分類結
果が得られた入力パターンについては認識可能であると
してこの入力パターンの属する分類クラスを出力し，得
られた分類結果の信頼性が低い入力パターンについては
認識を保留し，この入力パターンが分類されるべき分類
クラスの第１候補と第２候補とを出力するパターン認識
手段と，このパターン認識手段により得られた分類結果
の信頼性が低いと評価され認識が保留された一組のサン
プル中の入力パターンが分類されるべき分類クラスの第
１候補と第２候補とを記憶する記憶手段と，このパター
ン認識手段により得られた分類結果の信頼性が高く認識
可能であるとされ分類クラスが出力された対象が何個あ
ったかを各分類クラスごとにカウントするカウンタと，
このカウンタの内容及び記憶手段に記憶された分類結果
の信頼性が低いと評価され認識が保留された入力パター
ンに対する分類クラスの第１候補と第２候補を用いこの
入力パターンの分類クラスを決定する推論手段とを有す
ることに特徴がある。

本発明は，例えば，尿沈渣検査用パターン認識装置に
おいて，尿試料一検体毎に，まず，信頼性の高い分類結
果の得られる対象のみを分類し，分類された対象をもと
に，例えば全体的に小さめの白血球が多い等，その検体
における対象の傾向を反映したパターン認識論理を新た
に構築した後，この認識論理を用いて信頼性の高い分類
結果の得られなかった対象を分類する。対象の傾向を反
映したパターン認識論理を構築するためには，まず，一
度パターン認識を行ない，得られた認識結果の信頼性を
評価し，認識結果の信頼性が高い対象とその分類結果を
学習サンプルとしてパターン認識論理を再構成する。本
発明では，装置が正確に分類できた対象を用いて認識論
理の再構成を行ない，人間を介さずに自動的に認識論理
の最適化ができる。

特に尿沈渣検査の場合には，一検体中，全ての分類項
目にわたって対象が出現することは希であり，通常は病
気や障害の種類により特定の分類項目の対象が出現する
ルールが決まっているので，例えば赤血球が白血球か判
別しにくい対象が現れた時には，他にどのような対象が
出現しているかを調べ，他に典型的な白血球が多数見ら
れ，赤血球が一つもないときには，対象は白血球である
可能性が高い。また，各種対象の出現個数の間には統計
的な相関があることが経験的に知られている。例えば円
柱が出現する時には尿細管に障害が起こっている可能性
が高く，沈渣中に尿細管上皮細胞が出現する確率が高
い。従って，尿細管上皮細胞か白血球か判別が困難な対
象が出現した時に，他に円柱が出現しており典型的な白
血球が無ければ，対象は尿細管上皮細胞である可能性が
高いといったルールがある。パターン認識により信頼性
の高い認識結果の得られなかった対象については，上記
のようなルールを用いて再分類を行ない分類の精度を高
くできる。

図面の簡単な説明 第１図は本発明の第１の実施例の構成を示す図，第２
図は本発明の第２の実施例の構成を示す図，第３図は本
発明の第３の実施例の構成を示す図，第４図は本発明を
用いた尿沈渣検査装置の構成を示す図，第５図は本発明
を用いた尿沈渣検査装置の画像処理装置の構成を示す
図，第６図は本発明の実施例で用いるニューラルネット
ワークの構成を示す図，第７図は本発明の第１の実施例
の処理フローを示す図，第８図は本発明の第２の実施例
の処理フローを示す図，第９図は本発明の第３の実施例
の処理フローを示す図，第10図は本発明の第４の実施例
の構成を示す図，第11図は本発明の第４の実施例の処理
フローを示す図，第12図は本発明の第５の実施例の構成
を示す図，第13図は本発明の第５の実施例の処理フロー
を示す図，第14図は本発明における，ニューラルネット
ワークを用いたパターン認識方法構築手段の処理フロー
の例を示す図，第15図，第16図，第17図は本発明の第４
の実施例による分類結果と人間の目視による分類結果と
の一致率と，ニューラルネットワークのみを用いた従来
の自動分類結果と人間の目視による分類結果との一致率
の比較結果を示す図である。

発明を実施するための最良の形態 本発明を詳細に説明するために，以下，添付の図面に
従ってこれを説明する。以下，本発明を尿沈渣検査装置
に応用した実施例を詳細に説明する。第４図は本発明を
応用した尿沈渣検査装置の画像入力及び画像処理系の構
成を示す。この装置では，フローセル100を用い,CCDカ
ラーテレビカメラ500とパルスランプ300との間に幅広で
厚さの薄い扁平な尿試料の流れを作る。フローセル100
により形成される尿試料の流れに，半導体レーザー910
からレンズ920を通してレーザー光が照射され，粒子検
出器930により固形成分の通過を検出し，検出信号に同
期してパルスランプ300が照射される。パルスランプ300
の照射は瞬間的に行われ，対物レンズ400により拡大さ
れる尿中の固形成分像をCCDカラーテレビカメラ500を用
いて静止画像として撮影できる。得られた画像は画像処
理装置600に転送され，画像中に存在する固形成分が分
類され,1つの検体中に含まれる沈渣成分の種類とその出
現頻度がカウントされる。カウントされた結果は出力装
置700を通じて操作者に報告される。出力装置700として
はプリンタが用いられる。第５図に画像処理装置600の
詳細な構成を示す。CCDカラーテレビカメラ500より入力
されるアナログ画像信号は,A/D変換器610によりデジタ
ルデータに変換され領域分割部620に送られる。領域分
割部620は，画像を背景領域と沈渣成分を含む対象領域
とに分割する。特徴量計算部630では領域分割部620で分
割された対象領域の特徴量を計算する。画像中に複数の
対象領域が存在する時には，各対象領域について特徴量
を計算する。特徴量としては，例えば対象領域の面積，
周囲長，平均色濃度等を用いる。パターン認識部640に
は特徴量計算部630で求められた各対象領域の特徴量が
入力され，特徴量に基づいて対象かどのような成分であ
るかの認識を行ない分類する。カウント部650は，分類
すべきクラスと同数のカウンタを持ち，パターン認識部
640により対象が分類される毎に分類された項目に対応
したカウンタの値を増加する。一つの検体について測定
が終了すると，カウンタの内容が単位体積中の個数に換
算され，出力装置700に転送され出力される。各カウン
タの値は一検体の測定が終了する毎に０にリセットされ
る。パターン認識部640には本発明によるパターン認識
装置が用いられる。以下，パターン認識部640の構成に
ついて詳細に説明する。

（第１の実施例） 第１図はパターン認識部640の第１の実施例の構成を
示し，第７図はパターン認識部640での処理フローを示
す。特徴量計算部630により求められた画像特徴量は，
第１のパターン認識手段110に入力され（ステップS10
0），対象画像の特徴量を用いて対象画像についてパタ
ーン認識を行ない（ステップS105），ステップS110で得
られた認識結果の信頼性を評価した後，信頼性が高いと
判断された場合には，対象の属する分類クラスを出力す
る。第１のパターン認識手段としては，例えば第６図に
示すニューラルネットワーク800を用いる。ニューラル
ネットワーク800は，入力層810,出力層830,及び複数の
中間層820により構成される。第６図では,p個の特徴量
を用いてｒ個のクラスへの分類を行なう,q層の中間層を
持つニューラルネットワークの構成を示している。入力
層810は特徴量と同数の素子を持ち，各素子に特定の特
徴量が入力される。出力層830は分類するクラスと同数
の素子を持ち，各素子は特定のクラスに対応している。
尿沈渣検査装置の場合，クラスとしては，例えば赤血
球，白血球，上皮細胞等が用いられる。中間層820は１
又は複数の層から構成され各層は複数の素子を持つ。入
力層810は入力された値を中間層820の第１層の各素子に
出力する。中間層820及び出力層830の各素子は，前段の
層の各素子の出力の荷重和をシグモイド関数と呼ばれる
有界な単調増加関数の入力として，シグモイド関数によ
り計算される値を出力する。中間層820と出力層830の各
素子で行なう計算を式（１）に示す。

ｚ＝ｆ（Σw_ix_i−θ） …（１） 式（Ｉ）において，Σはｉ＝１〜ｎについて行ない,zは
次層への出力値,x_iは前層のｉ番目の素子の出力値,w_iは
重み値,nは前層の素子数，θは閾値,fはシグモイド関数
である。シグモイド関数の例を式（２）に示す。

ｆ（ｘ）＝1/｛１−exp（−ｘ）｝ …（２） 第１のパターン認識手段110で用いるニューラルネット
ワーク800は予め学習サンプルを用いて学習しておく。
学習時には各クラスに属する画像の特徴量をなるべく多
く用意し，ある画像の特徴量を入力したとき，その画像
が属するクラスに対応する出力層830の素子の出力が1,
出力層830の他の素子の出力が０になるように学習を行
なう。例えばクラス１に属する画像から計算される特徴
量１〜ｐを各々対応する入力層810の素子に入力し，出
力層830のクラス１に対応する素子の出力を1,クラス２
〜ｒに対応する素子の出力を０とする教師データを与
え，教師データと実際の出力値との差が小さくなるよう
に学習を行なう。ニューラルネットワークの学習法とし
て，バックプロパゲーション法（例えば，「ニューロコ
ンピュータの基礎」，コロナ社,pp.60−65（1990））を
使用できる。このニューラルネットワークを用いて未知
サンプルを分類するには，ある対象画像の特徴量を入力
層810の対応する入力素子に各々入力し，出力層830の各
出力素子のうち，最大値を出力する出力素子に対応する
分類クラスを分類結果として出力する。この時，入力さ
れた対象画像の特徴量が学習サンプルとして用いた画像
に近いときには最大出力値が１に近く，他の出力素子の
出力値は０に近い値となるが，入力された画像が学習サ
ンプルに用いた画像と大きく異なる場合には，最大出力
値が０に近い値であったり，最大出力値が１に近い値で
あっても,2番目に大きな出力値も１に近い値となること
がある。また,2種類のクラスの中間的な特徴を備えた対
象が出現した時には，その２種類のクラスの各々に対応
する２つの出力素子が同程度の値を出力する。例えば赤
血球と間違えやすい小さめの白血球や，白血球と間違え
やすい大きめの赤血球が出現し，その画像特徴量を入力
した場合には，赤血球に対応する出力素子と白血球に対
応する出力素子が同程度の出力値（例えば0.3）を出力
する。最大出力値が１に近く，その他の出力値が０に近
い時には，入力された対象画像の認識結果の信頼性は高
く，それ以外の時には認識結果の信頼性は低いと判断で
きる。例えば最大出力値をa1,2番目に大きい出力値をa2
とした時，最大出力値a1に閾値t1,最大出力値と２番目
に大きい出力値との差（a1−a2）に閾値t2を定め,a1＞t
1かつ（a1−a2）＞t2の時には，入力された対象画像の
認識結果の信頼性は高く，認識可能と判断して最大値と
出力する出力素子に対応する分類クラスを分類結果とし
て出力し，それ以外の時には認識結果の信頼性は低いと
判断し，認識保留とする。

第１のパターン認識手段110により認識結果の信頼性
が高く，認識可能であるとして分類結果が出力された対
象については，認識可能データ記憶手段130に対象の画
像特徴量と分類結果を記憶する（ステップS120）ととも
に，分類結果を出力し（ステップS140），認識結果の信
頼性が低く，認識保留であると判断された対象について
は，認識保留データ記憶手段120に対象の画像特徴量を
記憶する（ステップS130）。ステップS150で一検体分の
全ての対象について，第１のパターン認識手段110によ
る分類を行なったか否かを判定し，残りの対象が存在す
る時にはステップS100以降の処理を繰り返し，一検体分
の全ての対象について処理が終了した場合にはステップ
S160に処理を移す。ステップS160ではパターン認識方法
構築手段140により第２のパターン認識手段150を構築す
る。第２のパターン認識手段150としては，例えばニュ
ーラルネットワークを用いる。この時用いるニューラル
ネットワークの構造は，第１のパターン認識手段110と
して用いたニューラルネットワークと必ずしも同じ構成
である必要は無い。第２のパターン認識手段150として
ニューラルネットワークを用いる場合には，パターン認
識方法構築手段140として前述のバックプロパゲーショ
ンアルゴリズムを用いる。この時の学習サンプルとして
は認識可能データ記憶手段に記憶された画像特徴量と分
類結果を用いる。

第14図に第２のパターン認識手段150としてニューラ
ルネットワークを用いた場合の，パターン認識方法構築
手段140の処理フローの例を示す。ステップS600及びス
テップS610で，各々学習回数のカウント値と誤差の累積
値を０にセットする。次にステップS620で認識可能デー
タ記憶手段130に記憶された画像特徴量と認識結果を一
組読み出し，読み出された認識結果から，教師データを
生成する（ステップS630）。具体的には，認識の結果得
られた分類クラスに対応する出力素子1,それ以外の素子
に0,となる教師データを作る。ステップS640では，第２
のパターン認識手段150として用いるニューラルネット
ワークの入力素子に，ステップS620で読み出した特徴量
をセットし，出力素子にステップS630で生成した教師デ
ータをセットする。そしてステップS650でバックプロパ
ゲーションアルゴリズムを用い，ニューラルネットワー
クの出力値と教師データとの差が小さくなるように学習
を行ない，各素子間の結合重み値を変更する。この時，
各出力素子の実際の出力値と，教師データとの差の２乗
和を計算し，誤差の累積値に加算する（ステップS66
0）。第７図におけるステップS105で第１の認識手段110
であるニューラルネットワークにより，対象のパターン
認識を行なった時には，最大出力値は１より小さい値
（例えば0.8）であっても，ステップS650での学習時に
は，最大出力値が１になるような教師データを与え学習
を行ない，検体の個体差の影響を除去するようにニュー
ラルネットワークの各素子間の重み値を最適化できる。
ステップS670では，まだ学習に用いていない認識可能デ
ータがあるか否かを判定し，またデータがある場合には
残りのデータについてステップS620以降の処理を繰り返
す。全ての認識可能データについて一通りステップS620
〜ステップS660までの処理を終了した時には，ステップ
S680で学習回数を一回カウントする。更にステップS690
で２乗誤差の累積値を学習に用いたデータの数で平均し
た後閾値と比較し，平均２乗誤差が予め設定した閾値よ
り小さい時には学習処理を終了し，誤差が閾値より大き
い時にはステップS700で学習回数が所定の回数に達した
か否かを判定する。ステップS700で学習回数が所定の回
数に達した場合には学習処理を終了し，所定の回数に未
達の場合にはステップS610以下の処理を繰り返す。

第７図において，ステップS160でパターン認識方法構
築手段140により，第２のパターン認識手段150が構築さ
れた後，認識保留データ記憶手段120に記憶された対象
の画像特徴量を，第２のパターン認識手段150に入力し
（ステップS170），分類を行なう。第２のパターン認識
手段150としてニューラルネットワークを用いる場合に
は，入力層の各素子に分類対象の画像特徴量を入力し，
各出力素子の出力値を計算した後，最大値を出力する出
力素子に対応する分類クラスを対象の分類結果として出
力する（ステップS180）。ステップS190では認識保留デ
ータ記憶手段120に記憶された一検体分の全てのデータ
についてステップS170以降の処理を行なったか否か判定
し，残りのデータがなければその検体に関する処理を終
了し，残りのデータがある時にはステップS170以降の処
理を繰り返す。以上，一検体について処理が終了した
後，別の検体についてステップS100以下の処理を繰り返
す。

（第２の実施例） 第２図は，第５図におけるパターン認識部640の第２
の実施例の構成を示し，第８図はその処理フローを示
す。第１のパターン認識手段210,認識保留データ記憶手
段220,認識可能データ記憶手段230は，各々第１図に示
す第１の実施例における第１のパターン認識手段110,認
識保留データ記憶手段120,認識可能データ記憶手段130
と全く同じ動作をする。即ち，対象画像の特徴量を第１
のパターン認識手段に入力し（ステップS200），パター
ン認識を行ない（ステップS205），得られた認識結果の
信頼性を評価する（ステップS210）。信頼性が高いと判
定された場合には，認識可能であるとし認識可能データ
記憶手段230に対象の画像特徴量と分類結果を記憶して
（ステップS220），分類結果を出力し（ステップS24
0），信頼性が低いと判定された場合には，認識保留で
あるとし認識保留データ記憶手段220に対象の画像特徴
量を記憶する（ステップS230）。一検体分の対象につい
て第１のパターン認識手段210による分類を行なった後
（ステップS250），基準パターン認識方法記憶手段260
の記憶内容を用いて第２のパターン認識手段250を初期
化する（ステップS255）。例えば第２のパターン認識手
段250としてニューラルネットワークを用いる場合，標
準的な学習サンプルを用いて学習が行われたニューラル
ネットワークの層数，各層の素子数，各素子間の結合重
み値等のニューラルネットワークの構造を記述するデー
タを予め基準パターン認識方法記憶手段260に記憶して
おき，そのデータに従い，第２のパターン認識手段250
を基準となる初期状態に設定する。第２のパターン認識
手段250としてニューラルネットワークを用いる場合に
は，第14図のフローに示した第１の実施例においてパタ
ーン認識方法構築手段140が第２のパターン認識手段150
を構築するのと同じく，パターン認識方法構築手段240
はバックプロパゲーション法を用いて第２のパターン認
識手段250の学習を行なう（ステップS260）。基準パタ
ーン認識方法記憶手段260の内容に従い，予め第２のパ
ターン認識手段250を基準となる状態に初期化してお
き，第１の実施例に比べ少ない学習回数で第２のパター
ン認識手段250を構築できることが第２の実施例の特徴
である。ステップS270,ステップS280,ステップS290は，
各々第１の実施例のステップS170,ステップS180,ステッ
プS190と同じ処理を行なう。以上，一検体についての処
理を終了した後，別の検体についてステップS200以下の
処理を繰り返す。

（第３の実施例） 第３図は，第５図におけるパターン認識部640の第３
の実施例の構成を示し，第９図はその処理フローを示
す。第３の実施例では，基準パターン認識方法記憶手段
350に記憶されている内容に基づき，パターン認識手段3
10を初期化する（ステップS300）。基準パターン認識方
法記憶手段350には，予め標準的な学習サンプル用いて
構築されたパターン認識論理を記憶しておく。例えばパ
ターン認識手段310としてニューラルネットワークを用
いる場合には，前述のように予め多数の学習パターンを
用いてニューラルネットワークの学習を行ない，得られ
たニューラルネットワークの層数，各層の素子数，各素
子間の結合重み値等の情報を基準パターン認識方法記憶
手段350に記憶しておき，一検体の処理の開始時に，そ
の記憶内容に従いパターン認識手段310であるニューラ
ルネットワークの初期化を行なう。初期化終了後に処理
を開始し，対象画像の画像特徴量をパターン認識手段31
0に入力し（ステップS310），パターン認識を行ない
（ステップS315），ステップS320で，得られた認識結果
の信頼性を評価する。信頼性が高く認識可能である時に
は，対象の画像特徴量と分類結果を認識可能データ記憶
手段330に記憶し（ステップS330），分類結果を出力す
る（ステップS350）。信頼性が低く認識保留である時に
は，認識保留データ記憶手段320に対象の画像特徴量を
記憶する（ステップS340）。パターン認識手段310とし
てニューラルネットワークを用いる場合には，パターン
認識及び認識結果の信頼性評価は第１の実施例における
第１のパターン認識手段110と同じ方法を用いる。一つ
の対象について上記処理の終了時ステップS360で，一検
体分の全ての対象について処理が終了したか否かを判定
し，まだ残りの対象がある時には残りの対象について再
びステップS310以下の処理を繰り返す。残りの対象がな
い時には処理をステップS370に移し，認識可能データ記
憶手段330に記憶された画像特徴量と認識結果とを学習
データとし，パターン認識方法調整手段340により，パ
ターン認識方法310の内容を改める。パターン認識方法3
10としてニューラルネットワークを用いる場合には，第
14図のフローに示す第１の実施例におけるパターン認識
方法構築手段140と同様に，認識可能データ記憶手段330
の内容を学習サンプルとしてニューラルネットワークの
学習を行なう。

その後，認識保留データ記憶手段320に記憶された画
像特徴量をパターン認識手段310に入力し（ステップS38
0），分類結果を出力する（ステップS390）。ステップS
395では，認識保留データ記憶手段に記憶された検体の
全てのデータについて処理が終了したか否かを判定し，
残りの対象が存在する場合には，残りの対象についてス
テップS380以下の処理を繰り返す。全てのデータについ
て処理が終了した場合にはその検体についての処理を終
了する。第３の実施例では，認識可能対象と認識保留対
象との分離と，認識保留対象の再分類を，同一のパター
ン認識手段を用いて行ない，装置の構成，又は処理ソフ
トウェアの構成を簡単にでき，認識保留対象を再分類す
るためにパターン認識方法を調整するのに要する処理時
間（学習時間）を短縮できる。以上，パターン認識手段
としてニューラルネットワークを用いる場合を例にと
り，第１〜第３の実施例を述べたが，本発明で用いられ
るパターン認識手段はニューラルネットワークに限定さ
れるものでは無い。第１の実施例における第１のパター
ン認識手段110,及び第２の実施例における第１のパター
ン認識手段210としては，認識結果の信頼性を評価し信
頼性の高い場合には分類結果を出力できるパターン認識
手段であれば良く，統計的決定理論に基づくパターン認
識方法を用いても良い。統計的決定理論に基づくパター
ン認識方法では，決定が極めて不確かな場合には分類結
果を出力しない「識別拒否（リジェクト）」（例えば
「認識工学」，コロナ社,pp.36−38（1993））をできる
が，リジェクトされた対象を認識結果の信頼性の低い対
象，リジェクトされず認識結果が出力された対象を認識
結果の信頼性が高い対象とできる。

また，第１の実施例における第２のパターン認識手段
150,及び第２の実施例における第２のパターン認識手段
250には，第１のパターン認識手段により信頼性の高い
認識結果が得られた対象の特徴量と認識結果とを学習サ
ンプルとして構築されるパターン認識方法であればどの
ような方法を用いても良く，例えば統計的決定理論に基
づくパターン認識方法を使用できる。統計的決定理論を
用いる場合には，各分類クラス毎にそのクラスに属する
パターンの特徴量空間における確率分布のパラメータ
（平均，共分散行列等）を用いた識別関数を用意し，各
識別関数に特徴量を入力した時に，最大値を出力する識
別関数に対応する分類クラスを分類結果として出力す
る。この場合には第１の実施例におけるパターン認識方
法構築手段140,第２の実施例におけるパターン認識方法
構築手段240は，各々認識可能データ記憶手段130,230に
記憶されたデータを用いて各クラス毎の特徴量の標本統
計量（標本平均，標本共分散行列等）を計算し，得られ
た統計量を確率分布パラメータの推定値として識別関数
を変更する。また，第２の実施例における基準パターン
認識方法記憶手段260には，予め多数の学習サンプルを
用いて求めておいた各クラス別の確率分布パラメータを
記憶しておく。同様に，第３の実施例におけるパターン
認識手段310としても統計的決定理論に基づくパターン
認識方法を使用できる。

（第４の実施例） パターン認識にニューラルネットワークを用いる場合
には，第４の実施例に述べる構成も可能である。第10図
に第４の実施例の構成図を，第11図にその処理フローを
示す。予め多数の学習サンプルを用いてニューラルネッ
トワークを学習しておき，学習の結果得られたニューラ
ルネットワークの層数，各層の素子数，各素子間の結合
重み値を基準重み値記憶手段430に記憶しておく。第４
の実施例では，ステップS400において基準重み値記憶手
段430に記憶された層数，各層の素子数，各素子間の結
合重み値により，ニューラルネットワーク440を初期化
し，ステップS405で一検体分の全ての対象画像の特徴量
を特徴量記憶手段410に記憶する。次に最初の対象画像
の画像特徴量を特徴量記憶手段410より読み出し（ステ
ップS410），ニューラルネットワーク440に入力する
（ステップS420）。ニューラルネットワーク440は，最
大出力値を出力する出力素子に対応する分類クラスを分
類結果として出力し（ステップS425），更に各出力素子
の出力値を信頼性評価手段450に入力する。信頼性評価
手段450は，ニューラルネットワーク440の出力値から得
られた分類結果の信頼性を評価する（ステップS430）。
第１の実施例の第７図のステップS110と同様に，ニュー
ラルネットワークの最大出力値，及び最大出力値と２番
目に大きな出力値との差の各々に閾値を設ける事によ
り，分類結果の信頼性を評価できる。認識結果の信頼性
が高い時には対象の画像特徴量を入力し，ニューラルネ
ットワーク440により出力された，対象の分類結果に対
応する出力素子に1,それ以外の出力素子に0,の教師デー
タを与え，ニューラルネットワーク学習手段420がバッ
クプロパゲーションアルゴリズムを起動し，その対象に
関し学習を行なう（ステップS440）。学習は一回のみ，
又は複数回繰り返し行なっても良い。ステップS425でニ
ューラルネットワーク440により，対象のパターン認識
を行なった時には，最大出力値は１より小さい値（例え
ば0.8）であっても，ステップS440での学習時には，最
大出力値が１になるような教師データを与え，学習を行
ない，検体の個体差の影響を除去するようにニューラル
ネットワーク440の各素子間の重み値を最適化できる。
バックプロパゲーションアルゴリズムは，入力層から出
力層への前向き計算を行なった後，出力層から入力層へ
の後ろ向き計算を行なう必要があるが，パターン認識
（ステップS425）の際に，既に前向き計算を行なってい
るので，ここでは後ろ向き計算のみを行なえばよく，学
習時間を短縮できる。ニューラルネットワーク学習手段
420には，バックプロパゲーションアルゴリズムが起動
された回数が記憶される。

その後，ステップS425で得られたパターン認識結果を
分類結果記憶手段460に記憶する（ステップS450）。既
に対象の分類結果が記憶されている時には，以前の分類
結果に上書きする。ステップS430において認識の信頼性
が低いと判断された時には，ニューラルネットワーク44
0の学習は行なわず処理をステップS450に移し，分類結
果を分類結果記憶手段460に記憶する。次にステップS46
0で，特徴量記憶手段410に記憶された一検体分の全ての
対象についてステップS420以下の処理が終了したか否か
を調べ，残りの対象がある時にはステップS470で次の対
象の画像特徴量を読み出し，ステップS420以下の処理を
繰り返す。ステップS460で，全ての対象について処理が
終了したと判断した時には，ニューラルネットワーク学
習手段420に記憶されたバックプロパゲーションアルゴ
リズム起動回数から，検体中に認識結果の信頼性が低い
対象が存在するかどうかを判断し（ステップS480），認
識結果の信頼性が低い対象が存在しない時には，分類結
果記憶手段460に記憶された分類結果を出力し（ステッ
プS495），その検体についての処理を終了する。認識結
果の信頼性が低い対象が存在する時には，さらにステッ
プS490においてステップS410以下のニューラルネットワ
ーク440の学習を含む処理が何回行われたかを調べ，所
定の回数に達した時には処理をステップS495に移し，分
類結果記憶手段460に記憶された分類結果を出力し，そ
の検体についての処理を終了する。ステップS490におい
てステップS410以下の処理が所定の回数に達していない
時には，ステップS410以下の処理を繰り返し行なう。ス
テップS490における処理回数のカウントはニューラルネ
ットワーク学習手段420が行なう。第４の実施例は，第
３の実施例と同様に典型的な対象と非典型的な対象のパ
ターン認識を，同一のニューラルネットワークを用いて
行なうが，個々の対象について認識を行ない，典型的な
対象であった時にはただちに学習を行なう，という処理
をループにして繰り返す事により，ループの回数が増え
るにつれて典型対象として分類される対象が増え，学習
がより早く収束する特徴がある。

例えば尿沈渣検査装置に第４の実施例を応用した場
合，ステップS490における所定の回数（一検体あたりの
最大学習回数）を10回程度に設定して本発明の効果が確
認できた。同一の対象画像を人間が目視により分類した
結果と，パターン認識により自動分類した結果が一致す
る割合（一致率）を909検体分の40434枚の画像について
調べた結果次の結果を得た。52枚の対象画像から成るあ
る検体Ａでは，第15図に示すように，本発明を用いず，
ニューラルネットワークのみを用いて分類を行なった時
には，赤血球の一致率が75.7％であった検体が，本発明
を用いた場合，赤血球の一致率が89.7％に向上した。14
3枚の対象画像からなる別の検体Ｂでは，第16図に示す
ように，ニューラルネットワークのみを用いて分類を行
なった時には白血球の一致率が78.9％であったが，本発
明を用いた場合，白血球の一致率が97.2％に向上した。
このように，他の検体及び他の項目についても一致率が
向上し，全検体についてまとめた結果は第17図に示すよ
うに，特に赤血球，白血球，細菌の一致率が大幅に向上
した。

（第５の実施例） 第12図は，第５図におけるパターン認識部640の第５
の実施例の構成を示し，第13図はその処理フローを示
す。第５の実施例では，パターン認識手段510に画像特
徴量を入力し（ステップS500），パターン認識を行ない
（ステップS505），得られた認識結果の信頼性を評価し
て信頼性が低い時には認識保留，信頼性が高い時には認
識可能とする（ステップS510）。認識可能である時には
分類結果を出力する（ステップS520）。ステップS510に
おいて認識保留と判断された時には，対象の分類クラス
の第１候補と第２候補とを分類保留データ記憶手段520
に記憶し（ステップS530），処理をステップS550に移
す。例えばパターン認識手段としてニューラルネットワ
ークを用いる場合には，第１の実施例の第７図のステッ
プS110の説明で述べた方法と同様に，ニューラルネット
ワークの最大出力値，及び最大出力値と２番目に大きな
出力値との差の各々に閾値を設ける事により，認識の信
頼性を評価できる。認識保留である時には，最大出力値
を出力する出力素子に対応する分類クラスを，対象の分
類の第１候補,2番目に大きな値を出力する出力素子に対
応する分類クラスを分類の第２候補として出力する。パ
ターン認識手段510として統計的決定理論に基づくパタ
ーン認識方法を用いる場合には，前述の識別拒否（リジ
ェクト）された対象を，認識の信頼性の低い認識保留対
象，リジェクトされず認識結果が出力された対象を認識
の信頼性の高い認識可能対象とする。統計的決定理論に
基づくパターン認識方法では，通常，各分類クラスに対
応する識別関数を用い，最大値を出力する識別関数に対
応する分類クラスを認識結果として出力するので，認識
保留と判別された対象については，最大値を出力する識
別関数に対応する分類クラスを分類の第１候補,2番目に
大きな値を出力する識別関数に対応するクラスを分類の
第２候補とする。カウンタ530は，各分類クラスに含ま
れる対象が各々何個ずつ出現したかをカウントする。ス
テップS520で認識可能対象の分類結果が出力された時に
は，カウンタ530によりその分類クラスのカウント数を
増加する（ステップS540）。ステップS550では一検体中
の全ての対象画像についてステップS500以下の処理が終
了したか否かを判断し，終了していない時には残りの対
象画像についてステップS500以下の処理を繰り返し，終
了した時には処理ステップS560に移す。ステップS560で
はカウンタ530の内容を推論手段540に入力する。ステッ
プS570では，認識保留データ記憶手段520に記憶された
認識保留対象の分類の第１候補と第２候補を推論手段54
0に入力し，推論手段540はステップS560で入力されたカ
ウンタの内容を用い認識保留対象の分類結果を決定し，
出力する（ステップS580）。

尿沈渣検査では，一検体中全ての分類項目にわたって
対象が出現することは希であり，通常は病気や障害の種
類により特定の分類項目の対象が出現するルールが決ま
っている。例えば第１候補が赤血球であり，第２候補が
白血球であるような分類保留対象が出現した時には，分
類可能対象の出現状況を調べ，もし，検体中に赤血球が
一個も検出されておらず，白血球が多数検出されていた
時には，分類保留対象も白血球である可能性が高いと判
断できる。また各種対象の出現個数の間には統計的な相
関があることが経験的に知られている。例えば円柱が出
現する時には尿細管に障害が起こっている可能性が高
く，沈渣中に尿細管上皮細胞が出現する確率が高い。白
血球が出現している時には感染症が疑われるため，沈渣
中に細菌が出現する確率が高いといったルールがある。
例えば第１候補が尿細管上皮細胞，第２候補が白血球で
ある分類保留対象が存在する時，硝子円柱が分類可能と
して検出されており，白血球が検出されていなければ分
類保留対象は尿細管上皮である可能性が高い。第１候補
が無晶性塩類，第２候補が細菌である分類保留対象が存
在する時に，分類可能対象として白血球が検出されてお
り，無晶性塩類が検出されていなければ，分類保留対象
は細菌である可能性が高い。推論手段540では，これら
の例で示されるようなルールに従い，カウンタ530の内
容を用い，分類保留対象の分類結果を第１候補と第２候
補から選び，出力する。ステップS590では，検体中の全
ての分類保留対象についてステップS570以下の処理が終
了したか否かを判断し，終了していない時には残りの分
類保留対象についてステップS570以下の処理を繰り返
し，終了した時にはその検体についての処理を終了す
る。

以上，尿沈渣検査装置への応用を例にとり実施例を説
明したが，本発明の応用範囲は尿沈渣検査装置に限定さ
れるものではない。文字認識，音声認識等，個体差のあ
るパターンを認識する際に，自動的に個体差の影響を除
去し最適な認識論理を再構成して，精度の高いパターン
認識を実現する。

本発明では，一度パターン認識を行なった後，認識結
果の信頼性が高い対象の情報を用いて信頼性の低い対象
の再分類を行ない，個体差による対象の誤分類を減少さ
せて，自動的に個体差の影響を除去し精度の高いパター
ン認識が実現できる。例えば，尿沈渣検査で出現する対
象は，個体差が大きく同一の項目に分類されるべき対象
でも，検体により変化に富んだ形態，色調を示し，対象
単体を見ただけでは分類が困難な場合がある。従来のパ
ターン認識技術では，対象画像一枚より得られる情報か
ら，対象が何であるかを決定していたため，上記のよう
な対象を正確に分類することは困難であったが，本発明
を適用すればこのような対象も高い精度で分類できる。

フロントページの続き (56)参考文献 特開 平９−204520（ＪＰ，Ａ) 特開 平９−91430（ＪＰ，Ａ) 特開 平８−221380（ＪＰ，Ａ) 特開 平７−113738（ＪＰ，Ａ) 尿検査のシステム化に適した尿沈渣の 分析装置，日立評論，日本，1997年10 月，第79巻第10号，ｐｐ．15−18 フィードバック学習を用いた尿沈渣画 像の適応的自動分類，電子情報通信学会 論文誌，日本，2000年 １月，Ｖｏｌ. Ｊ83−Ｄ−ＩＩ Ｎｏ．１，ｐｐ．237 −244 Ｄ−７−25 階層型ニューラルネット ワークを用いた尿沈渣画像の自動分類, 1997年電子情報通信学会全国大会，日 本，1997年 ９月，ｐ．63 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06T 7/00 - 7/60 G01N 15/00 - 15/14 G01N 33/48 - 33/493

Claims (26)

(57)【特許請求の範囲】
1. 【請求項１】入力された複数のパターンを，該パターン
   の属する分類クラスに分類して分類結果の信頼性を評価
   して，前記信頼性の高い前記分類結果が得られた前記パ
   ターンを認識可能であるとして前記パターンの属する分
   類クラスを出力する第１のパターン認識手段（110）
   と，該第１のパターン認識手段により前記信頼性が低い
   と評価され認識が保留された前記パターンを記憶する第
   １の記憶手段（120）と，前記第１のパターン認識手段
   により前記信頼性が高いと評価された前記パターンと前
   記第１のパターン認識手段により出力された前記分類ク
   ラスとを記憶する第２の記憶手段（130）と，該第２の
   記憶手段に記憶された前記パターンと前記分類クラスと
   を学習標本とし，前記第１の記憶手段に記憶された前記
   パターンを入力して，前記パターンの属する前記分類ク
   ラスを出力する第２のパターン認識手段（150）と，前
   記第２の記憶手段に記憶された前記パターンと前記分類
   クラスとを学習標本として前記第２のパターン認識手段
   を構築するパターン認識方法構築手段（140）とを有す
   ることを特徴とするパターン認識装置。
2. 【請求項２】請求の範囲第１項記載のパターン認識装置
   において，前記第２のパターン認識手段の初期状態を記
   憶する基準パターン認識方法記憶手段（260）を有し，
   前記パターン認識方法構築手段が前記第２のパターン認
   識方法を構築する前に，前記基準パターン認識方法記憶
   手段の内容を用いて前記第２のパターン認識手段を初期
   化することを特徴とするパターン認識装置。
3. 【請求項３】請求の範囲第１項記載のパターン認識装置
   において，前記第２のパターン認識手段がニューラルネ
   ットワークであり，前記パターン認識方法構築手段がニ
   ューラルネットワーク学習手段であることを特徴とする
   パターン認識装置。
4. 【請求項４】請求の範囲第２項記載のパターン認識装置
   において，前記第２のパターン認識手段がニューラルネ
   ットワークであり，前記基準パターン認識方法記憶手段
   に前記ニューラルネットワークの層数，各層の素子数，
   各素子間の結合重み値が記憶されることを特徴とするパ
   ターン認識装置。
5. 【請求項５】複数のパターンが入力される前に初期状態
   に設定され，前記パターンを前記パターンの属する分類
   クラスに分類して分類の結果の信頼性を評価して，前記
   信頼性の高い分類結果が得られた前記パターンを認識可
   能であるとして前記パターンの属する分類クラスを出力
   するパターン認識手段（310）と，該パターン認識手段
   により前記信頼性が低いと評価され認識が保留された前
   記パターンを記憶する第１の記憶手段（320）と，前記
   パターン認識手段により前記信頼性が高いと評価された
   前記パターンと前記パターン認識手段により出力された
   前記分類クラスとを記憶する第２の記憶手段（330）
   と，該第２の記憶手段に記憶された前記パターンと前記
   分類クラスとを学習標本として前記パターン認識手段を
   最適化するパターン認識方法調整手段（340）と，前記
   パターン認識手段の初期状態を記憶する基準パターン認
   識方法記憶手段（350）とを有し，前記パターン認識方
   法調整手段により前記パターン認識手段を最適化した後
   に，前記第１の記憶手段に記憶された前記パターンを前
   記パターン認識手段に入力して，前記パターンの属する
   分類クラスを出力することを特徴とするパターン認識装
   置。
6. 【請求項６】請求の範囲第５項記載のパターン認識装置
   において，前記パターン認識手段がニューラルネットワ
   ークであることを特徴とするパターン認識装置。
7. 【請求項７】請求の範囲第５項記載のパターン認識装置
   において，前記パターン認識手段がニューラルネットワ
   ークであり，前記基準パターン認識方法記憶手段に前記
   ニューラルネットワークの層数，各層の素子数，各素子
   間の結合重み値が記憶され，前記パターン認識方法調整
   手段がニューラルネットワーク学習手段であることを特
   徴とするパターン認識装置。
8. 【請求項８】複数のパターンを記憶するパターン記憶手
   段（410）と，パターン認識を行なうニューラルネット
   ワーク（440）と，該ニューラルネットワークの出力値
   より前記パターンのパターン認識結果の信頼性を評価す
   る信頼性評価手段（450）と，前記ニューラルネットワ
   ークの初期状態における層数，各層の素子数，各素子の
   結合重み値を記憶する初期重み値記憶手段（430）と，
   前記ニューラルネットワークの学習を行なうニューラル
   ネットワーク学習手段（420）と，前記パターン認識結
   果を記憶するパターン認識結果記憶手段（460）とを有
   し，前記複数のパターンを前記パターン記憶手段に記憶
   し（S405），前記初期重み値記憶手段の内容に従い前記
   ニューラルネットワークを初期化（S400）した後に，
   （ａ）前記パターン記憶手段に記憶された前記パターン
   を前記ニューラルネットワークに入力してパターン認識
   を行ない（S410,S420,S425,S470），（ｂ）前記パター
   ン認識結果を前記パターン認識結果記憶手段に記憶し
   （S450），（ｃ）前記信頼性評価手段により前記ニュー
   ラルネットワークの出力値を用いて前記パターンの前記
   パターン認識結果の信頼性を評価し（S430），（ｄ）前
   記信頼性が高いと評価された前記パターンについて前記
   パターンの前記パターン認識結果を教師データとして前
   記ニューラルネットワーク学習手段により前記ニューラ
   ルネットワークの学習を行なう処理（S440）を，前記パ
   ターン記憶手段に記憶された全ての前記パターンについ
   て行ない（S460,S470），前記ニューラルネットワーク
   により全ての前記パターンの前記パターン認識結果の信
   頼性が高いと評価されるか，又は所定の回数に達するま
   で前記（ａ）から前記（ｄ）の処理を繰り返した後に
   （S480,S490），前記パターン認識結果記憶手段に記憶
   された前記パターン認識結果を出力することを特徴とす
   るパターン認識装置。
9. 【請求項９】入力された複数のパターンを，該パターン
   の属する分類クラスに分類して，分類結果の信頼性を評
   価して，前記信頼性の高い前記分類結果が得られた前記
   パターンについて認識可能であるとして前記分類クラス
   を出力し，前記信頼性が低い前記パターンについて認識
   を保留し，前記パターンが分類されるべき前記分類クラ
   スの第１候補と第２候補とを出力するパターン認識手段
   （510）と，前記第１候補と第２候補とを記憶する記憶
   手段（520）と，前記パターン認識手段により前記分類
   クラスが出力された対象の数を各分類クラス毎にカウン
   トするカウンタ（530）と，該カウンタの内容と前記記
   憶手段に記憶された前記第１候補と前記第２候補とを用
   い前記パターンの前記分類クラスを決定する推論手段
   （540）とを有することを特徴とするパターン認識装
   置。
10. 【請求項１０】複数のパターンを，該パターンの属する
    分類クラスに分類して分類結果の信頼性を評価して，前
    記信頼性の高い前記分類結果が得られた前記パターンを
    認識可能であるとして前記パターンの属する分類クラス
    を得る第１のパターン認識を行なう第１の工程（S105,S
    110）と，該第１の工程により前記信頼性が低いと評価
    され認識が保留された前記パターンを第１の記憶手段に
    記憶する第２の工程（S130）と，前記第１の工程により
    前記信頼性が高いと評価された前記パターンと前記分類
    クラスとを第２の記憶手段に記憶する第３の工程（S12
    0）と，該第２の記憶手段に記憶された前記パターンと
    前記分類クラスとを学習標本とし，前記第１の記憶手段
    に記憶された前記パターンから，前記パターンの属する
    前記分類クラスを得る第２のパターン認識を行なう第４
    の工程（S170,S180）と，前記第２の記憶手段に記憶さ
    れた前記パターンと前記分類クラスとを学習標本として
    前記第２のパターン認識を構築する第５の工程（S160）
    とを有することを特徴とするパターン認識方法。
11. 【請求項１１】複数のパターンが入力される前に初期状
    態に設定され，前記パターンの属する分類クラスに分類
    して分類の結果の信頼性を評価して，前記信頼性の高い
    分類結果が得られた前記パターンを認識可能であるとし
    て前記パターンの属する分類クラスを得る第１の工程
    （S300,S310,S315,S320）と，該第１の工程により前記
    信頼性が低いと評価され認識が保留された前記パターン
    を第１の記憶手段に記憶する第２の工程（S340）と，前
    記第１の工程により前記信頼性が高いと評価された前記
    パターンと前記第１の工程で得た前記分類クラスとを第
    ２の記憶手段に記憶する第３の工程（S330）と，該第２
    の記憶手段に記憶された前記パターンと前記分類クラス
    とを学習標本として前記第１の工程を最適化する第４の
    工程（S370）と，前記第４の工程で前記第１の工程を最
    適化した後に，前記第１の記憶手段に記憶された前記パ
    ターンを用いて，前記パターンの属する分類クラスを求
    める第５の工程（S380,S390）とを有することを特徴と
    するパターン認識方法。
12. 【請求項１２】複数のパターンを記憶手段に記憶し，ニ
    ューラルネットワークの層数，各層の素子数，各素子の
    結合重み値を初期化する第１の工程（S400,S405）と，
    前記ニューラルネットワークにより前記パターンのパタ
    ーン認識結果を得る第２の工程（S420,S425）と，前記
    ニューラルネットワークの出力値より前記パターンの前
    記パターン認識結果の信頼性を評価する第３の工程（S4
    30）と，前記ニューラルネットワークの学習を行なう第
    ４の工程（S440）と，前記パターン認識結果をパターン
    認識結果記憶手段に記憶する第５の工程（S450）とを有
    し，（ａ）前記記憶手段に記憶された前記パターンを前
    記ニューラルネットワークに入力する工程及び前記第２
    の工程の処理と（S410,S420,S425,S470），（ｂ）前記
    第５の工程の処理と，（ｃ）前記第３の工程の処理と，
    （ｄ）前記信頼性が高いと評価された前記パターンの前
    記パターン認識結果を教師データとして前記ニューラル
    ネットワークの学習を行なう前記第４の工程による処理
    とを，前記パターン記憶手段に記憶された全ての前記パ
    ターンについて行ない（S460），前記ニューラルネット
    ワークにより全ての前記パターンの前記パターン認識結
    果の信頼性が高いと評価されるか，又は所定の回数の達
    するまで前記（ａ）から前記（ｄ）の処理を繰り返した
    後に（S480,S490），前記パターン認識結果記憶手段に
    記憶された前記パターン認識結果を出力することを特徴
    とするパターン認識方法。
13. 【請求項１３】入力された複数のパターンを，該パター
    ンの属する分類クラスに分類して，分類結果の信頼性を
    評価して，前記信頼性の高い前記分類結果が得られた前
    記パターンについて認識可能であるとして前記分類クラ
    スを得て，前記信頼性が低い前記パターンについて認識
    を保留し，前記パターンが分類されるべき前記分類クラ
    スの第１候補と第２候補とを得る第１の工程（S500,S50
    5,S510,S520）と，前記第１の工程で得た前記分類クラ
    スの対象の数を各分類クラス毎にカウントし，前記第１
    の工程で得た第１候補と第２候補とを記憶手段に記憶す
    る第２の工程（S530,S540）と，前記第２の工程でカウ
    ントされた数と前記記憶手段に記憶された前記第１候補
    と前記第２候補とを用い前記パターンの前記分類クラス
    を決定する第３の工程（S560,S570,S580）とを有するこ
    とを特徴とするパターン認識方法。
14. 【請求項１４】尿試料の偏平な流れを形成するフローセ
    ル（100）と，該フローセルに照射するレーザー光（91
    0,920）と，前記フローセルを流れる固形成分の通過を
    検出する粒子検出器（930）と，該粒子検出器による前
    記固形成分の通過の検出信号に同期して前記フローセル
    に光を照射するパルスランプ（300）と，前記固形成分
    の像を静止画像として撮影するカラーテレビカメラ（50
    0）と，前記静止画像の中の前記固形成分を分類して，
    前記尿試料の中の沈渣成分の種類とその出現頻度を計測
    する画像処理装置（600）と，前記沈渣成分の種類と前
    記出現頻度を出力する出力装置（700）とを具備する尿
    沈渣検査装置であり，前記画像処理装置が，前記カラー
    テレビカメラからのアナログ画像信号をデジタル画像デ
    ータに変換するA/D変換器（610）と，前記デジタル画像
    データを背景領域と前記沈渣成分を含む対象領域とに分
    割する領域分割部（620）と，前記対象領域の特徴量を
    計算する特徴量計算部（630）と，前記特徴量のパター
    ンを入力として前記沈渣成分の認識を行ない分類項目に
    分類するパターン認識部（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数するカウンタ（65
    0）とを有する尿沈渣検査装置において，前記パターン
    認識部（640）が，入力された複数の前記パターンを，
    前記パターンの属する分類クラスに分類して分類結果の
    信頼性を評価して，前記信頼性の高い前記分類結果が得
    られた前記パターンを認識可能であるとして前記パター
    ンの属する分類クラスを出力する第１のパターン認識部
    （110）と，該第１のパターン認識部により前記信頼性
    が低いと評価され認識が保留された前記パターンを記憶
    する第１の記憶部（120）と，前記第１のパターン認識
    部により前記信頼性が高いと評価された前記パターンと
    前記第１のパターン認識部により出力された前記分類ク
    ラスとを記憶する第２の記憶部（130）と，該第２の記
    憶部に記憶された前記パターンと前記分類クラスとを学
    習標本とし，前記第１の記憶部に記憶された前記パター
    ンを入力して，前記パターンの属する前記分類クラスを
    出力する第２のパターン認識部（150）と，前記第２の
    記憶部に記憶された前記パターンと前記分類クラスとを
    学習標本として前記第２のパターン認識部を構築するパ
    ターン認識方法構築部（140）とを有することを特徴と
    する尿沈渣検査装置。
15. 【請求項１５】請求の範囲第14項記載の尿沈渣検査装置
    において，前記第２のパターン認識部の初期状態を記憶
    する基準パターン認識方法記憶部（260）を有し，前記
    パターン認識方法構築部が前記第２のパターン認識方法
    を構築する前に，前記基準パターン認識方法記憶部の内
    容を用いて前記第２のパターン認識部を初期化すること
    を特徴とする尿沈渣検査装置。
16. 【請求項１６】請求の範囲第14項記載の尿沈渣検査装置
    において，前記第２のパターン認識部がニューラルネッ
    トワークであり，前記パターン認識方法構築部がニュー
    ラルネットワーク学習手段であることを特徴とする尿沈
    渣検査装置。
17. 【請求項１７】請求の範囲第15項記載の尿沈渣検査装置
    において，前記第２のパターン認識部がニューラルネッ
    トワークであり，前記基準パターン認識方法記憶部に前
    記ニューラルネットワークの層数，各層の素子数，各素
    子間の結合重み値が記憶されることを特徴とする尿沈渣
    検査装置。
18. 【請求項１８】尿試料の偏平な流れを形成するフローセ
    ル（100）と，該フローセルに照射するレーザー光（91
    0,920）と，前記フローセルを流れる固形成分の通過を
    検出する粒子検出器（930）と，該粒子検出器による前
    記固形成分の通過の検出信号に同期して前記フローセル
    に光を照射するパルスランプ（300）と，前記固形成分
    の像を静止画像として撮影するカラーテレビカメラ（50
    0）と，前記静止画像の中の前記固形成分を分類して，
    前記尿試料の中の沈渣成分の種類とその出現頻度を計測
    する画像処理装置（600）と，前記沈渣成分の種類と前
    記出現頻度を出力する出力装置（700）とを具備する尿
    沈渣検査装置であり，前記画像処理装置が，前記カラー
    テレビカメラからのアナログ画像信号をデジタル画像デ
    ータに変換するA/D変換器（610）と，前記デジタル画像
    データを背景領域と前記沈渣成分を含む対象領域とに分
    割する領域分割部（620）と，前記対象領域の特徴量を
    計算する特徴量計算部（630）と，前記特徴量のパター
    ンを入力として前記沈渣成分の認識を行ない分類項目に
    分類するパターン認識部（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数するカウンタ（65
    0）とを有する尿沈渣検査装置において，前記パターン
    認識部（640）が，複数の前記パターンが入力される前
    に初期状態に設定され，前記パターンを前記パターンの
    属する分類クラスに分類して分類の結果の信頼性を評価
    して，前記信頼性の高い分類結果が得られた前記パター
    ンを認識可能であるとして前記パターンの属する分類ク
    ラスを出力する第１のパターン認識部（310）と，該第
    １のパターン認識部により前記信頼性が低いと評価され
    認識が保留された前記パターンを記憶する第１の記憶部
    （320）と，前記第１のパターン認識部により前記信頼
    性が高いと評価された前記パターンと前記第１のパター
    ン認識部により出力された前記分類クラスとを記憶する
    第２の記憶部（330）と，該第２の記憶部に記憶された
    前記パターンと前記分類クラスとを学習標本として前記
    第１のパターン認識部を最適化するパターン認識方法調
    整部（340）と，前記第１のパターン認識部の初期状態
    を記憶する基準パターン認識方法記憶部（350）とを有
    し，前記パターン認識方法調整部により前記第１のパタ
    ーン認識部を最適化した後に，前記第１の記憶部に記憶
    された前記パターンを前記第１のパターン認識部に入力
    して，前記パターンの属する分類クラスを出力すること
    を特徴とする尿沈渣検査装置。
19. 【請求項１９】請求の範囲第18項記載の尿沈渣検査装置
    において，前記第１のパターン認識部がニューラルネッ
    トワークであることを特徴とする尿沈渣検査装置。
20. 【請求項２０】請求の範囲第18項記載の尿沈渣検査装置
    において，前記第１のパターン認識部がニューラルネッ
    トワークであり，前記基準パターン認識方法記憶部に前
    記ニューラルネットワークの層数，各層の素子数，各素
    子間の結合重み値が記憶され，前記パターン認識方法調
    整部がニューラルネットワーク学習手段であることを特
    徴とする尿沈渣検査装置。
21. 【請求項２１】尿試料の偏平な流れを形成するフローセ
    ル（100）と，該フローセルに照射するレーザー光（91
    0,920）と，前記フローセルを流れる固形成分の通過を
    検出する粒子検出器（930）と，該粒子検出器による前
    記固形成分の通過の検出信号に同期して前記フローセル
    に光を照射するパルスランプ（300）と，前記固形成分
    の像を静止画像として撮影するカラーテレビカメラ（50
    0）と，前記静止画像の中の前記固形成分を分類して，
    前記尿試料の中の沈渣成分の種類とその出現頻度を計測
    する画像処理装置（600）と，前記沈渣成分の種類と前
    記出現頻度を出力する出力装置（700）とを具備する尿
    沈渣検査装置であり，前記画像処理装置が，前記カラー
    テレビカメラからのアナログ画像信号をデジタル画像デ
    ータに変換するA/D変換器（610）と，前記デジタル画像
    データを背景領域と前記沈渣成分を含む対象領域とに分
    割する領域分割部（620）と，前記対象領域の特徴量を
    計算する特徴量計算部（630）と，前記特徴量のパター
    ンを入力として前記沈渣成分の認識を行ない分類項目に
    分類するパターン認識部（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数するカウンタ（65
    0）とを有する尿沈渣検査装置において，前記パターン
    認識部（640）が，複数のパターンを記憶するパターン
    記憶部（410）と，パターン認識を行なうニューラルネ
    ットワーク（440）と，該ニューラルネットワークの出
    力値より前記パターンのパターン認識結果の信頼性を評
    価する信頼性評価部（450）と，前記ニューラルネット
    ワークの初期状態における層数，各層の素子数，各素子
    の結合重み値を記憶する初期重み値記憶部（430）と，
    前記ニューラルネットワークの学習を行なうニューラル
    ネットワーク学習手段（420）と，前記パターン認識結
    果を記憶するパターン認識結果記憶部（460）とを有
    し，複数の前記パターンをパターン記憶部に記憶し（S4
    05），前記初期重み値記憶部の内容に従い前記ニューラ
    ルネットワークを初期化（S400）した後に，（ａ）前記
    パターン記憶部に記憶された前記パターンを前記ニュー
    ラルネットワークに入力してパターン認識を行なう（S4
    10,S420,S425,S470），（ｂ）前記パターン認識結果を
    前記パターン認識結果記憶部に記憶し（S450），（ｃ）
    前記信頼性評価部により前記ニューラルネットワークの
    出力値を用いて前記パターンの前記パターン認識結果の
    信頼性を評価し（S430），（ｄ）前記信頼性が高いと評
    価された前記パターンについて前記パターンの前記パタ
    ーン認識結果を教師データとして前記ニューラルネット
    ワーク学習手段により前記ニューラルネットワークの学
    習を行なう処理を（S440），前記パターン記憶部に記憶
    された全ての前記パターンについて行なう（S460），前
    記ニューラルネットワークにより全ての前記パターンの
    前記パターン認識結果の信頼性が高いと評価されるか，
    又は所定の回数に達するまで前記（ａ）から前記（ｄ）
    の処理を繰り返した後に（S480,S490），前記パターン
    認識結果記憶部に記憶された前記パターン認識結果を出
    力することを特徴とする尿沈渣結果装置。
22. 【請求項２２】尿試料の偏平な流れを形成するフローセ
    ル（100）と，該フローセルに照射するレーザー光（91
    0,920）と，前記フローセルを流れる固形成分の通過を
    検出する粒子検出器（930）と，該粒子検出器による前
    記固形成分の通過の検出信号に同期して前記フローセル
    に光を照射するパルスランプ（300）と，前記固形成分
    の像を静止画像として撮影するカラーテレビカメラ（50
    0）と，前記静止画像の中の前記固形成分を分類して，
    前記尿試料の中の沈渣成分の種類とその出現頻度を計測
    する画像処理装置（600）と，前記沈渣成分の種類と前
    記出現頻度を出力する出力装置（700）とを具備する尿
    沈渣検査装置であり，前記画像処理装置が，前記カラー
    テレビカメラからのアナログ画像信号をデジタル画像デ
    ータに変換するA/D変換器（610）と，前記デジタル画像
    データを背景領域と前記沈渣成分を含む対象領域とに分
    割する領域分割部（620）と，前記対象領域の特徴量を
    計算する特徴量計算部（630）と，前記特徴量のパター
    ンを入力として前記沈渣成分の認識を行ない分類項目に
    分類するパターン認識部（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数するカウンタ（65
    0）とを有する尿沈渣検査装置において，前記パターン
    認識部（640）が，入力された複数の前記パターンを，
    該パターンの属する分類クラスに分類して，分類結果の
    信頼性を評価して，前記信頼性の高い前記分類結果が得
    られた前記パターンについて認識可能であるとして前記
    分類クラスを出力し，前記信頼性が低い前記パターンに
    ついて認識を保留し，前記パターンが分類されるべき前
    記分類クラスの第１候補と第２候補とを出力する第１の
    パターン認識部（510）と，前記第１候補と第２候補と
    を記憶する記憶部（520）と，前記第１のパターン認識
    部により前記分類クラスが出力された対象の数を各分類
    クラス毎にカウントするカウンタ（530）と，該カウン
    タの内容と前記記憶部に記憶された前記第１候補と前記
    第２候補とを用い前記パターンの前記分類クラスを決定
    する推論手段（540）とを有することを特徴とする尿沈
    渣検査装置。
23. 【請求項２３】フローセルの中に尿試料の偏平な流れを
    形成する工程（100）と，前記フローセルにレーザー光
    を照射する工程（910,920）と，前記フローセルを流れ
    る固形成分の通過を検出する工程（930）と，前記固形
    成分の通過の検出に同期して前記フローセルにパルスラ
    ンプ光を照射する工程（300）と，前記固形成分の像を
    静止画像としてカラーテレビカメラにより撮影する工程
    （500）と，前記静止画像の中の前記固形成分を分類し
    て，前記尿試料の中の沈渣成分の種類とその出現頻度を
    計測する画像処理を行なう工程（600）と，前記沈渣成
    分の種類と前記出現頻度を出力する工程（700）とを具
    備する尿沈渣検査方法であり，前記画像処理工程が，前
    記カラーテレビカメラからのアナログ画像信号をデジタ
    ル画像データに変換する工程（610）と，前記デジタル
    画像データを背景領域と前記沈渣成分を含む対象領域と
    に分割する工程（620）と，前記対象領域の特徴量を計
    算する工程（630）と，前記特徴量のパターンを入力と
    して前記沈渣成分の認識を行ない分類項目に分類するパ
    ターン認識を行なう工程（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数する工程（650）と
    を有する尿沈渣検査方法において，複数の前記パターン
    を，前記パターンの属する分類クラスに分類して分類結
    果の信頼性を評価して，前記信頼性の高い前記分類結果
    が得られた前記パターンを認識可能であるとして前記パ
    ターンの属する分類クラスを得る第１のパターン認識を
    行なう第１の工程（S105,S110）と，該第１の工程によ
    り前記信頼性が低いと評価され認識が保留された前記パ
    ターンを第１の記憶部に記憶する第２の工程（S130）
    と，前記第１の工程により前記信頼性が高いと評価され
    た前記パターンと前記分類クラスとを第２の記憶部に記
    憶する第３の工程（S120）と，該第２の記憶部に記憶さ
    れた前記パターンと前記分類クラスとを学習標本とし，
    前記第１の記憶部に記憶された前記パターンから，前記
    パターンの属する前記分類クラスを得る第２のパターン
    認識を行なう第４の工程（S170,S180）と，前記第２の
    記憶部に記憶された前記パターンと前記分類クラスとを
    学習標本として前記第２のパターン認識を構築する第５
    の工程（S160）とを有することを特徴とする尿沈渣検査
    方法。
24. 【請求項２４】フローセルの中に尿試料の偏平な流れを
    形成する工程（100）と，前記フローセルにレーザー光
    を照射する工程（910,920）と，前記フローセルを流れ
    る固形成分の通過を検出する工程（930）と，前記固形
    成分の通過の検出に同期して前記フローセルにパルスラ
    ンプ光を照射する工程（300）と，前記固形成分の像を
    静止画像としてカラーテレビカメラにより撮影する工程
    （500）と，前記静止画像の中の前記固形成分を分類し
    て，前記尿試料の中の沈渣成分の種類とその出現頻度を
    計測する画像処理を行なう工程（600）と，前記沈渣成
    分の種類と前記出現頻度を出力する工程（700）とを具
    備する尿沈渣検査方法であり，前記画像処理工程が，前
    記カラーテレビカメラからのアナログ画像信号をデジタ
    ル画像データに変換する工程（610）と，前記デジタル
    画像データを背景領域と前記沈渣成分を含む対象領域と
    に分割する工程（620）と，前記対象領域の特徴量を計
    算する工程（630）と，前記特徴量のパターンを入力と
    して前記沈渣成分の認識を行ない分類項目に分類するパ
    ターン認識を行なう工程（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数する工程（650）と
    を有する尿沈渣検査方法において，前記パターン認識を
    行なう工程が，複数の前記パターンが入力される前に初
    期状態に設定され，前記パターンの属する分類クラスに
    分類して分類の結果の信頼性を評価して，前記信頼性の
    高い分類結果が得られた前記パターンを認識可能である
    として前記パターンの属する分類クラスを得る第１の工
    程（S300,S310,S315,S320）と，該第１の工程により前
    記信頼性が低いと評価され認識が保留された前記パター
    ンを第１の記憶部に記憶する第２の工程（S340）と，前
    記第１の工程により前記信頼性が高いと評価された前記
    パターンと前記第１の工程で得た前記分類クラスとを第
    ２の記憶部に記憶する第３の工程（S330）と，該第２の
    記憶部に記憶された前記パターンと前記分類クラスとを
    学習標本として前記第１の工程を最適化する第４の工程
    （S370）と，前記第４の工程で前記第１の工程を最適化
    した後に，前記第１の記憶部に記憶された前記パターン
    を用いて，前記パターンの属する分類クラスを求める第
    ５の工程（S380,S390）とを有することを特徴とする尿
    沈渣検査方法。
25. 【請求項２５】フローセルの中に尿試料の偏平な流れを
    形成する工程（100）と，前記フローセルにレーザー光
    を照射する工程（910,920）と，前記フローセルを流れ
    る固形成分の通過を検出する工程（930）と，前記固形
    成分の通過の検出に同期して前記フローセルにパルスラ
    ンプ光を照射する工程（300）と，前記固形成分の像を
    静止画像としてカラーテレビカメラにより撮影する工程
    （500）と，前記静止画像の中の前記固形成分を分類し
    て，前記尿試料の中の沈渣成分の種類とその出現頻度を
    計測する画像処理を行なう工程（600）と，前記沈渣成
    分の種類と前記出現頻度を出力する工程（700）とを具
    備する尿沈渣検査方法であり，前記画像処理工程が，前
    記カラーテレビカメラからのアナログ画像信号をデジタ
    ル画像データに変換する工程（610）と，前記デジタル
    画像データを背景領域と前記沈渣成分を含む対象領域と
    に分割する工程（620）と，前記対象領域の特徴量を計
    算する工程（630）と，前記特徴量のパターンを入力と
    して前記沈渣成分の認識を行ない分類項目に分類するパ
    ターン認識を行なう工程（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数する工程（650）と
    を有する尿沈渣検査方法において，前記パターン認識を
    行なう工程が，複数の前記パターンを記憶部に記憶し，
    ニューラルネットワークの層数，各層の素子数，各素子
    の結合重み値を初期化する第１の工程（S400,S405）
    と，前記ニューラルネットワークにより前記パターンの
    パターン認識結果を得る第２の工程（S420,S425）と，
    前記ニューラルネットワークの出力値より前記パターン
    の前記パターン認識結果の信頼性を評価する第３の工程
    （S430）と，前記ニューラルネットワークの学習を行な
    う第４の工程（S440）と，前記パターン認識結果をパタ
    ーン認識結果記憶部に記憶する第５の工程（S450）とを
    有し，（ａ）前記記憶部に記憶された前記パターンを前
    記ニューラルネットワークに入力する工程及び前記第２
    の工程の処理と（S410,S420,S425,S470），（ｂ）前記
    第５の工程の処理と，（ｃ）前記第３の工程の処理と，
    （ｄ）前記信頼性が高いと評価された前記パターンの前
    記パターン認識結果を教師データとして前記ニューラル
    ネットワークの学習を行なう前記第４の工程による処理
    とを，前記記憶部に記憶された全ての前記パターンにつ
    いて行ない（S460），前記ニューラルネットワークによ
    り全ての前記パターンの前記パターン認識結果の信頼性
    が高いと評価されるか，又は所定の回数に達するまで前
    記（ａ）から前記（ｄ）の処理を繰り返した後に（S48
    0,S490），前記パターン認識結果記憶部に記憶された前
    記パターン認識結果を出力することを特徴とする尿沈渣
    検査方法。
26. 【請求項２６】フローセルの中に尿試料の偏平な流れを
    形成する工程（100）と，前記フローセルにレーザー光
    を照射する工程（910,920）と，前記フローセルを流れ
    る固形成分の通過を検出する工程（930）と，前記固形
    成分の通過の検出に同期して前記フローセルにパルスラ
    ンプ光を照射する工程（300）と，前記固形成分の像を
    静止画像としてカラーテレビカメラにより撮影する工程
    （500）と，前記静止画像の中の前記固形成分を分類し
    て，前記尿試料の中の沈渣成分の種類とその出現頻度を
    計測する画像処理を行なう工程（600）と，前記沈渣成
    分の種類と前記出現頻度を出力する工程（700）とを具
    備する尿沈渣検査方法であり，前記画像処理工程が，前
    記カラーテレビカメラからのアナログ画像信号をデジタ
    ル画像データに変換する工程（610）と，前記デジタル
    画像データを背景領域と前記沈渣成分を含む対象領域と
    に分割する工程（620）と，前記対象領域の特徴量を計
    算する工程（630）と，前記特徴量のパターンを入力と
    して前記沈渣成分の認識を行ない分類項目に分類するパ
    ターン認識を行なう工程（640）と，前記分類項目毎に
    分類された前記沈渣成分の数を計数する工程（650）と
    を有する尿沈渣検査方法において，前記パターン認識を
    行なう工程が，入力された前記複数のパターンを，前記
    パターンの属する分類クラスに分類して，分類結果の信
    頼性を評価して，前記信頼性の高い前記分類結果が得ら
    れた前記パターンについて認識可能であるとして前記分
    類クラスを得て，前記信頼性が低い前記パターンについ
    て認識を保留し，前記パターンが分類されるべき前記分
    類クラスの第１候補と第２候補とを得る第１の工程（S5
    00,S515,S510,S520）と，前記第１の工程で得た前記分
    類クラスの対象の数を各分類クラス毎にカウントし，前
    記第１の工程で得た第１候補と第２候補とを記憶部に記
    憶する第２の工程（S530,S540）と，前記第２の工程で
    カウントされた数と前記記憶部に記憶された前記第１候
    補と前記第２候補とを用い前記パターンの前記分類クラ
    スを決定する第３の工程（S560,S570,S580）とを有する
    ことを特徴とする尿沈渣検査方法。