JPH04501325A - ニューラル・ネットワークを利用した自動細胞学的検体分類システム及び分類方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるため要約のデータは記録されません。

Description

【発明の詳細な説明】 ニューラル・ネットワークを利用した自動細胞学的検体分類システム及び分類方 法技術分野 本発明は、細胞分類法に係わり、特に細胞分類の速度と粘度とを増したニューラ ル・ネットワーク及び／又はニューロコンピューターに関する。

発明の背景 子宮頚部スミ−ｒ（パップテスト）は、事実上スライド上の全ての細胞を肉眼で 観察しなければならない、唯一のマススクリーニング細胞学的検査である。この テストは、現行のマニュアル操作での実施と組合わさって、その単調さと技術者 の疲労のため、高い偽陰性率を有している。細胞分類は、通常、病理学研究室で 雇用されでいる「細胞検査技師」や、場合によっては軸務技師によってｒｑｔ位 仕事」で実施されている。偽陰性の問題は、結果として子宮頚癌りして診断され ない可能性を有しており、その生命に対する脅威から、アメリカ癌学会は、その 推奨すべきパップスミアの二重検査を検討している。しかしながら、これは、単 調でストレスのたまり易いマニュアル子宮頚部スミア分類の分野へｖＪんで入っ てくる者をまずまず少なくするので、既に重い負荷のかか−７ている子宮頚部ス クリーニング産業に、間違いなく、負６１をかけ過ぎるこＬになるだろう。パッ プスミア回数を増加させるアメリカ癌学会の推奨は、それぞれのスライドのマニ ュアル検査に払える時間を減少させ、偽陰性率を高めることになるだけかもしれ ｔｌい。−貫したマニュアル検査を行うには、スライド一枚に付き、１５分以− Ｌを要する。特に重い負荷をかけられている細胞検査技師であれば、この時間の １４分より短いであろう。アメリカ病理学大学（（：ｏｌｌｅｇｅ　ｏｆ’　Ａ ｍｅｒｉｃａｎ　Ｉ’ａＬｈｏｌｏｇｙ）は、この問題によく気付いており、子 宮頚部スクリーニングの自動化によりこの問題を解決する方法を早急に取り入れ ている。

先行技術において、自動子宮頚部スミ−ｒ分析装置の供給を商業化する試みが成 されてきた。しかし、かれらは典型的なパターン認識技術（位相幾（ｉ４学的、 統語論的、及び統３！学的パターン認識技術、並びにテンプレートパターン認識 技術）またはパターン認識に基づいｔこ人］二知能（＾１）、例えば、法則に基 づくエキスパートシステムだけに頼ったので、その試みは失敗に終わった。いず れにしても、明確な演算法または工１算法も、また、それによって細胞検査技師 または病理学者がゲシュタルト法で分類を行う多数の特徴を関連付けるかれらの 経験を用いる明白な法則を用いることもない。それ故、子宮頚部スミア分類法は 、パターン認識に基づくニューラル・ネットワークのための優れた応用なのであ る。

以下に示したチェノ（Ｔｉｅｎ）らによる「自動化された子宮頚部スクリーン分 類法（Ａｕｔｏｍａｔｅｄ　Ｃｅｒｖｉｃａｌ　５ｃｒｅｅｎ　Ｃ１ａｓｓｉｆ ｉｃａｔｉｏｎ）　」と題する１９８７年の文献に、先（１技術にふける限界の 例をみることができる。

興味ある従来の文献として次のようなものがある。

即し、ルメルハート（Ｒｕｍｅｌｆ＋ａｒＬ）らによる［並行分類処理方法（１ ’ａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｉ’ｒｏｃｅｓｓｉｎｇ）　Ｊ　 ：ＭＩＴ　ｌ’ｒｅｓｓ、　１９８６．　Ｖｏｌｕａ＋■ １、チェノ（Ｔｉｅｎ）らによる［自動化された子宮頚部スクリーン分類法１： 　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｌｈｅ　ＩＢ［ｉｌｉ／Ｎ１ｎＬｂ　Ａｎｎ ｕａｌ　ＣｏｎｆｅｒｅｎｃｅＯ「　むＩｃｅ　ｌＥｎｇｉｎｅｅｒｉｎｇ　ｉ ｎ　Ｍｅｄｉｃｉｎｅ　ａｎｄ　Ｂｉｏｌｏｇｙ　５ｏｃｉｅｔｙ、１９８７゜ １４５７〜１４５８、ヘラチーニールセン（ｌＩｃｃｌ＋ｔ−Ｎ１ｅｌｓｅｎ） らによる［神経３１算法二人脳細胞を採取して（ＮｅｕｒｏｃｏｍｐｕＬｉｎｇ ：　Ｐｉｃｋｉｎｇｔｈｅ１１ｕｍａｎ口ｒａｉｎ）」：　ｌ［ｌＨＳｐｅｃｔ ｒｕｍ、　Ｍａｒｃｈ、１９８８．３６〜４１、及びリップマン（Ｌｉｐｐｏ＋ ａｎｎ）らによる「ニューラル・ネット言ＩＷ−法人門（八ｎ　１ｎｌ−ｒｏｄ ｕｃＬｉｏｎＬｏ　Ｃｏｍｐｕｔｉｎｇ　ｗｉＬｈ　Ｎｅｕｒａｌ　ＮｃＬｓ） Ｊ　：　ｌ［！ＢＢ　へＳＳＰＭａｇａｚｉｎｅ、静ｒｉ１．　１９８７．４〜 ２２である。

発明の概要 それ故、本発明の主要な目的は、細胞学的検体をカテゴリーごとに、例えば診断 上重要なカテゴリーに分類する自動化されたシステム及び方法を（足供すること にある。

本発明は、細胞学的検体を予備的に分類する最初の分類装置（第１分類装置）と 、最初の分類装置で選別された細胞学的検体をそれらの部分に分類する後続の分 類装置（第２分類装置）を含むものである。ここで、後続の分類装置は、更にニ ューロコンピュータまたはニューラル・ネットワークを含む。

実施例においては、第１分類装置は、スライドを自動走査できるよう制御された 顕微鏡の載物台を有するビデオカメラまた＋ｔＣＣｌ）を配列した顕微鏡であっ て、４ｆｉ準の細胞学用顕微鏡の形で商業的に人手し得る自動化された顕微鏡を 装備することができる。

カメラからの映像は、デジタル化され、そして、コンピューターシステムの形で 第２分類装置に入力される。このコンピューターシステムは、以下に定義され、 また、ここで引用した幾つ力＼の文献にも開示されているようにニューラル・ネ ットワークを有しており、これは、診断上興味あるー・群に細胞画像を同−化及 び分類するのに利用される。別の実施例においては、第１分類装置よ、ニューラ ル・ネットワークを有することができる。以下１こ、）也の実施例を開示してい る。

本発明の他の目的は、複数の一群の検体の分類を、注意探し）マニュアルスクリ ーニングに通常要する時間（即ら、１検体（ご付き約１５分）内で行うことにあ る。

本発明の他のｌ」的は、単一層の細胞より数が多く、かつ、タイプの異なる興味 ある対象物を含む細胞学的検体の分類を行うことにある。このような対象物は、 通常、多くの子宮頚部スミアにみられる（例えば、細胞の凝集、重複細胞、破片 、白血球、バクテリ゛ｒ、粘液）。

本発明の他の目的は、前悪性細胞または悪性細胞を検出するため、上述した子宮 頚部スミアの分類を行うことにある。

本発明の他の目的は、従来のマニュ゛ｒルの子宮頚部スミアスクリーニングにみ られる偽陰性の錯誤をより少なくして分類を行うことにある。

本発明による細胞学的分類システｌ、の効果は、医学的に重要な診断のカテゴリ ーにおいて、細胞学的検体の分類法をより信頼できるもの、即ち、偽陰性の錯誤 をより少なくシ、て分類する点にある。

本発明による細胞学的分類システムの他の効果は、本システムは、患者から得ら れたどの細胞学的検体であるかということによって、その手順において制限する ことを要しないことである。

本発明による細胞学的分類システムの効果は、経済的に実施可能な処理ができる 限られｊこ時間内で信頼できる分類が行える点にある。

これら及びほかの目的に関し、本発明の利点及び特徴は、以下の好ましい具体例 についての詳細な説明を読んｔご後、本発明の属する分野におりる当業者に明白 となるであろう。

ここに引用された公表された文献は、引用として組み入れられる。

さらに、本発明は、主に、例えば、通常）＜ツブテストとの関係においてなされ るような子宮頚部スミ−ｒの形での細胞学的検体の分類法に関して説明されたも のである。しかしながら、これは、多くのほかの細胞学的検体の分類への応用を 意図する本発明の一例に過ぎない。

図面の簡単な説明 第１図は、本発明によるニューラル・ネットワークを利用した自動細胞学的検体 スクリーニング装置を示すブロック図、第２図は、本発明の実施例におい−Ｃ利 用されるタイプの三層ニュ・７−ラル・ネットワークの概念図である。

第；３図は、本発明による自動細胞学的検体スクリーニング装置の他の実施例を 示ずブＵツク図、 第４図は、本発明による自動細胞学的検体スクリーニング装置の他の実施例を示 すブロック図、 第５図は、自動細胞学的検体スクリーニング装置の他の実施例を示すブロック図 、 第〔１図は、本発明による自動細胞学的検体スクリーニング装置の他の実施例を 示すブロック図、 第７図は、本発明による自動細胞学的検体スクリーニング装置の他の実施例を示 すブロック図である。

実施例 第１図は、本発明のニューラル・ネットワークを利用した自動細胞学的検体スク リーニング装置を図示したものであり、全体を符号１０で示しＣいる。スクリー ニング装置ｌＯは、自動顕Ｉ２１Ｉ＃ａ。

１１、ビデＡカメラまたはＣＣＤ装置１２、画像デジタル化装置１：３、及び分 類装置１４．１５、及び１６を備えている。

自動顕微鏡１１は、顕微鏡の対物レンズ及び検体に相対的な動作を生じさせ、そ し゛ＣビデメカメラまたはＣＣＩ）装置１２が、細胞学的検体の特定の部分の画 像または映像をとらえる。画像デジタル化装置１３によりデジタル化された画像 及びそこからの情報は、分類装置１４に連結される。この実施例においては、分 類装置１４は、細胞核の光学濃度の積分値（核染色濃度）を測定することによっ て細胞核を確認する市販の統＝１的分類器である。この核染色濃度は、光学的誤 差を補正した、対象物のピクセル灰色値である。正常な細胞に比較して、悪性細 胞はより大きく、ぞしてより濃く染色している細胞核を有している。

分類装＠１４を通過する対象物は、０Ｊ１悪性細胞または悪性細胞であるが、凝 集細胞、破片、白血球、及び粘液等の高い光学濃度の積分値を有する対象物も含 まれる。第２分類装置１１５の役目は、前悪性細胞または悪性細胞をこれら他の 対象物から区別することである。

ニューロネットワークは、第２分類装置１１５の役目を履行するために利用され る。第２分類装置１５の役目を履行するのに適したニューロネットワークの設δ １及び取り扱いに関する詳細な説明は、本明細書に引用した文献にみることがで きる。

細胞学的検体の第１分類装置によって得られたデータに基づき、第２分類装置は 、検体の特定の領域、例えば、更にスクリーニングまたは分類が必要であると判 断された領域をチェックするために使用される。そのような第２分類装置による より詳細な検査は、検体の特定の領域について既に得られたデジタル化された画 像データの信頼性によって影響されるかもしれず、また、第２分類装置１５によ る利用や分析を行うのに許容できるデータを供給するスクリーニング装置の構成 要素１１−１３や他の市販の光学上のまたはそれ以外の装備による付加的なデー タを採用することによって影響されるかもしれない。

ニューラル・ネットワークは、直線グラフの位相幾何学を伴った高度に並１ｊ分 配されたシステトである。ニューラル・ネットワークにおける分岐点は、通常「 処理要素（ｐｒｏｃｅｓｓｉｎｇ　ｅｌｅｍｅｎＬｓ）　」または［ニューロン （ｎｅｕｒｏｎｓ）　Ｊといわれており、一方、その連鎖は、通常、［相互連結 （ｉｎＬｅｒｃｎｎｎｅｃＬｓ）　」として知られている。

それぞれの処理要素は、多数の入力を受け入れ、そして、単数の出力信号を生ず る。この出力信号は、続いて人力信号としてほかの処理要素に分配される多数の コピーに分岐するものである。情報は、重要度として知られている相互連結の強 度において記憶される。非同期性型において、それぞれの処理要素は、その出力 ライン−Ｌの信号レベル（通常０または１である）によって増加される各人力ラ インの重要度の生成物の総量をＷＩＮする。もし生成物の総量が、現活性限界を 越えるなら、処理要素の出力は、１となり、現活性限界より少なければ、０とな る。学習は、重要度の値の調整を通して１ｊわれる。

本発明の実施例は、リップマンの文献において［多層バーセブトロン−１として 記載されており、またルメルハートの文献の第８峰で詳細に議論されでいる三層 ニューラル・ネットワークの利用によって達成される。ほかのタイプのニューラ ル・ネットワークシステムを使１［目゛ることも０■能である。

三層ニューラル・ネットワークは、入力層、出力層、及び中間かくれ層からなる 。中間層は、ネットワーク内でパターンの内部描写に備えることが必要である。

ミンスキー（Ｍｉｎｓｋｙ）とバパート（［’ａｐｅ、ｒｔ）により１９６９年 に発行された「パーセブトロン」（ＩｌＩＩＴブレス）と題された書物にみられ るように、二層連想ネットワークは、その解決できる問題のタイプにおいて限界 がある。

「入力」と［出力］の処理要素だけを有する二層ネットワークは、その中で類似 の人カバターンが類似の出カバターンを先導するところのマツピングを表示する のみである。実ワード問題が、このタイプでない場合はいつでも、三層ネットワ ークが要求される。

十分大きなかくれ層を有する三層ニューラル・ネットワークは、いかなる入カバ ターンをもいかなる適切な出カバターンに移す表示を常に見出すこきができる。

本発明の実施例に利用される一般的な三層ニューラル・ネットワークのタイプを 、第２図に示す。

ニューラル・ネットワーク・アーキテクチャ−のいくつかの重要な特徴により、 分類装置１５を役目の履行する際先行技術と区別される。

１、実行力のある作用は殆どないかまたは全くない。生成物の総量の言ｌ算をそ れぞれ実施する極めて簡単なユニットがあるだけである。それぞれの処理要素の 仕事は、このようにその近傍から入力を受取り、そして、これらの入力の作用と して、それがその近傍に送り出す出力値を５１算することに限られている。それ ぞれの処理要素は、その近傍の全ての行動と仰行して、しかし、同時的ではなく 、定期的にこの５１算を行う。

２、相互連結の中に全ての情報が存在している。非常に短時間の記憶が、処理要 素の状態の中で起こることができるだけである。

全ての長時間の記憶は、処理要素間の連結強度または「重要度」の値によって表 わされる。それは、これら重要度を確立し、そして、一つのニューラル・ネット ワーク・モデルを他から最初に区別することを学習させるた　めにそれらを修飾 する規則である。全ての情報は、このように処理要素の状態の中で明確に表わさ れるよりむしろ連結重要度の強度の中で内在的に表わされる。

３、演算型コンピューターやエキスパート・システムに対して、ニューラル・ネ ット学習の目標は、演算法を公式化することや明確な規則を当てはめることでは ない。学習している間、ニューラル・ネットワークは、教えられた事柄がその人 力に対して適切な出力であるということに最も密接に相応している与えられた人 力をその出方に帰するであろうところの重要度の大域セットを錯立するために自 己編成する。あたがも規則を知っていたかの如く振る舞うことをニューラル・ネ ットワークに許す連結強度のこの適応性ある修得を意味している。従来のコンピ ューターは、情報が即座に明確な演算法または明確がっ完全なセットの規則に表 わされ１するという応用において優れている。しかし、これはそのような場合で はないので、従来のコンピューターは大きな困難に遭遇する。従来のコンピュー ターは、いがなる人間よりも極めて即座に演算法を仕」−げる一方で、それらは 、パターン認識、最近隣分類、及び多数の同時の圧迫に直面したときに最適の解 答に到達するというような非演算型の働きにおいて人間の能力ど−うよう人間に いどまれている。もし、未知の入カバターンを分類するためにザーチされるべき パターン例がＮ個ある場合、演算システムは、おそらくＮ回の命令でこの仕事を こなすことができる。ニューラル・ネットワークにおいて、全ての候補者のツイ ンが、全システムの結合重要度の大域セットにより同時に表わされる。このよう にし、てユーラル・ネットワークは、Ｎ回の命令と対照的にあいまいな１回の命 令に最も近い近傍に同時に到着する。

本発明の実施例は、分類ステージ１５のニューラル・ネットワークのためのルメ ルハートの引用例に記載されたように、三層の後方伝搬ネットワークを利用して 実行される。この伝搬については、ルメルハートの引用例に詳細に記載されてい る。簡単に言えば、それは以Ｆのように動作する。ネット学習中、誤差（例えば 模範入力のための適切な出方とその出力のだめの電流ネット出力との差）が、出 力層から中間層へさらに人力層へ後方へ伝搬する。

これらの誤差は、相互連結の重要度を１１￥整理するためにトレーニング・アル ゴリズノ、により各層で利用される。この結果、模範パターンの将来の表示が、 適切な出方カテゴリーに生じる。ネット・トレーニングの後、フィード・フォア ード・モードの間、未知の人カバターンが、ニューラル・ネットワークによりそ れに最も類似する模範カテゴリー内に分類される。

ニューラル・ネット分類装置Ｉ５の出力は、前悪性細胞若しくは悪性細胞が存在 しＣいるがいないかを示す。人力スライド上の細胞の−は、自動顕微鏡により連 続的に出力されたｘ−Ｙ面位置座標から得られる。この位置常法は、診断及び患 者ｆＩｉ認情報と共にプリンタ若しくはビデメ・ディスプレイ１７に出力され、 それにより分類が病理学台により再確認されている。

実施例においては、ニューロン・ネットワークの平行構造は、市販の利用可能な ニューロコンピュータの加速板の一つにより実行されるように、配管された連続 処理の実行によりエミュレートされる。これらの二、、１．　［３コンピユータ の動作は、スペクトラムの引用例に記載されでいる。ニューラル・ネットワーク は、Δ（１）ｅｌＬａ）ブロセッザが々Ｔましく、これにはサイエンス・アプリ ケーション・インターナショＪ−ル・コープ（ＳＡＩＣ）（上述のへッヂ・ニー ルヤンの引用例を参照のこと）の市販され利用可能なニューロコンピュータが用 いられる。このニューロコンピュータは、フィード・フォアード（例えば、非学 習）モードにおいて１（）７相互連結／毎秒の持続処理速度を示した。Ｉ（１０ ，０００個の細胞を含む子宮頚部スミアに対して、１＝−２％の細胞若しくは約 １．５０（１個の画像が、分類装置１５により処理されることが要求される。い ま生じたデータ速度の例として、次のデータ圧縮である５　０　Ｘ　５０ビクセ ルの画像が分類装置１５により処理されると仮定する。それゆえ、ニューラル・ ネットワークのための人力　層は、２．５０（１個の処理要素であるニューロン （ｎｅｕｒｏｎｓ）から構成されている。中間層は、約２５％の人力層ずなゎら ６２５ニユーロンにより構成されている。（出力ニューロンの数は、対象である 診断力デゴリーの数と一致する。この小数はこの８１算に重要な影響を与えるこ とはない）相互連結の数は、このため（２５００）　（６２５）若しくは約１． ５Ｘ１０’である。１０’の相互連結／毎秒の処理速度において、分類装置１４ によりそれに送られる１、＋５００個の画像の分類装置１５による処理が、４秒 以下で行われる。最近利用できる分類装置１４の例においては、５（１，０００ 細胞／毎分（上述のチェノらの引用例を参照）の速度で動作する。５０．０００ 細胞／毎分の速度で動作する分類装置１４を用いることにより、分類装置１５に より消費される４分が、分類装置１４により使われる２分に加えられ、合５１６ 分がスライド」−の１００．０００個の細胞の画像の解析゛のために用いられる 。上述したように、正確なマニュアルによる子宮頚部スミア解析は、約１５分／ スライドが必要である。

分類装置１５の非ニューラル・ネットワークを用いた従来の自動化装置におい− Ｃは、１時間／スライド以上の時間が必要であった。

この実施例は、とにかく本発明の現実の構成をルー限するものではなく、むしろ 商業的に実行可能な操作に必要な時間より短かい時間で、子宮頚部スミア及び他 の細胞学的検体を処理する目的を実行したことを実証したものである。

実施例においては、第１分類装置１４は、第２分類装置１５が細胞核きその周囲 の細胞質の両方をＡ’Ｆ価する間、細胞核の評価を制限される。細胞核と細胞質 との比は、前悪性細胞と悪性細胞の分類に対して重要な表示となる。他の実施例 においては、第１分類装置１４及び第２分類装置の両方が、細胞核の評価に対し て１−■される。

第２分類装置１５からの出力情報は、出力モニタ及びプリンタ１７に導かれ、こ の出力モニタ及びプリンタ１７は、細胞が悪性か前悪性か、さらに検査が必要か 否か等の種々の重要な情報を示す。

第３図は、本発明の他の実施例を示し、この実施例にふいては、通過のニューラ ル・ネット分類ステージ１６が、例えば、細胞の凝集、破片、粘液、白面球など 以外の物質である人工物質のおおきな領域のためのスライドを０ｉ１処理するた めに加えられる。この０１１スクリーンにおいて１腎られた位置情報は、こん分 類システムの他の装置を用いて記憶される。分類ステージ１６からの情報は、分 類装置１５に要求される処理を制限するために利用される。分類ステージ１４は 、分類装置１６により出力される位置座標により定義された領域内の全ての物質 を無視できる。この結果、分類装置１５により処理のために送られるｔａ報は少 なくなる。そのため、診断は、これらの領域外にあるこれらの細胞のみの分類を 基礎としてなされる。もし有効な診断に対してこれらの領域外に不十分な細胞の サンプルがあるときは、この情報は［不十分な細胞サンプル」として１７．ｈに 出力される。

第４図に示す他の実施例においては、分類装置１６により確認される領域内の画 像は、無視されず、分類装置１５と平行に動作する分離された分類装置１ｆｌ１ ８により処理される。分類装置１８を構成するニューラル・ネットのトレーニン グは、−上述の人工物質から前悪性細胞と悪性細胞とを区別するためになされる 。

第５図に示す他の実施例にふいては、積分光学濃度以外の核形態学上の要素の追 加の非ニューラル・ネット分類装置が、分類装置ｔ　ｌ　５　、！：の聞に配置 される。この分類は、分類値ｆｆ１１５により実行される。

第６図は、市販の５ＡＩＣニユーロコンピユータがフィード・フォワード処理２ ０のために最適化されているような別の実施例を例示している。学習モード晩方 を除去ずれば、すべてのニューロコンピュータの機能はフィード・フォワード動 作専用となる。

学習機能およびフィード・フォワード機能の両者を含む別の修正されでいないニ ー１−ロコンピュータに対して、学習を完了する。

学習の完了に続いて、その最適化されたフィード・フォワード−ニー（Ｊコンピ ュータへ、最終的な相互結合荷重が転送される。

ニュー「１」ンピコータ２０をフィード・フォワードモード専用とした己とによ り、市販されているような最適化されていないボードについて、ｌＯａ相互結合 ／秒対１０７相互結合／秒のフィード・フォワード動作速度を維持することがで きる。この最適化されたフィード・フォワード・ニューラル・ネットワーク２０ は、１５１図、第３図、第４図および第５図における分類装置１４および１Ｇの 機能を果たずのに使用される。統３１的分類装＠Ｉ４の機能４果たずためにニュ ーラル・ネット分類装置２０を使用することにより、必ずしも悪性の子宮頚部細 胞でなく、従って分類装置ｊ４の積分された光学的密度しきい値を越えないよう な問題の細胞がそれでも検出されてしまうであろう。例えば、子宮頚部細胞は、 子宮頚部が悪性であることを必ずしも示さないが、閉経後患者のパップスミアに 見出されるときには子宮悪性を示すものとし−Ｃ検出されてしまう。

第６図の実施例におけるデータ速度の例として、１５ｍＸ４５關の外側スライド 寸法、ずなわら６７５ｘｌ（１’μｒｎ’の全スライド面積について考えてみる 。ニューラル・ネット２０は、この面積」二のスライディング窓について分析処 理する。この窓は、２０マイクロメータ×２０マイク【Ｉメータの寸法、すなわ ち、４００μばの面積を有する。したがって、１５＋ｗｅＸ４５＋ｗ＋のスライ ド」二には、これらの窓が１．５　Ｘ　Ｉ　Ｏ＠個あることになる。ニューラル ・ネット２０にて一次的分類機能を果たす場合、さらに分析するため二次的ニュ ーラル・ネットワーク分類装置１１５へ送られねばならない対象物を検出するの に、１マイクロメータ／ビクセルの解像度Ｃ充分である。したがって、分類装置 ２０によって分析されるイメージ窓に対する入カバターンは、２０Ｘ２０ビクセ ル、ずなわら、ニューラル・ネット２０の人力層について４００ニコーロンであ る。中間層は、入力層のほぼ２５％、すなわち１００ニユーロンである。（分類 装置１５のデータ速度計算にて前述したように、出力層のニューロンの数は、少 な（、結果にそれほど影響を与えない。）従って、分類装置２０における相互結 合の数は、はば（４００）（１００）、ずなわら、４０ＸｌＯ’である。

ｌＯｓ相互結合／秒の処理速度では、スライディング窓からの各像をニューラル ・ネット２０が分類するのには、４００マイクロ秒かかる。１５＠１ｌＸ４５１ １１１のスライドには、ニューラル・ネット２０が分類する必要のある４００マ 、イクロメータ窓が１．５　Ｘ１０′′個ある。したがって、ニューラル・ネッ ト２０の総１１の分類時間は、＜１．５ＸＬＯ＠）（４００Ｘｌ（Ｉ＠）−６０ ０秒、すなわら、１０分である。二次的ニューラル・ネット分類値［１５に必要 な約４分にこの１（１分を加えると、総５１１４分／スライドとなる。この例は 、本発明の実際の構成を限定する意味するものでなく、むしろ、商業的に実施ｉ ｊＪ能な作業時間内にて子宮頚部スミ−ｒおよびその他の細胞学的づンブルを処 理するという目的を達図２ １、事件の表示　平成１年特許願第５０４９８８号（ＰＣＴ／ＵＳ　８９１０１ ２２１） ３、補正をする者 事件との関係　出願人 名　称　ニューロメディカル　システムズインコーポレーテッド 氏　名　（５９９５）弁理士　中　村　稔５、補正命令の日付　平成３年７月９ 日６、補正の対象　図面の翻訳文 国際調査報告

Claims (11)

【特許請求の範囲】
1. １．自動細胞学的検体分類装置において、（ａ）自動顕微鏡と、 （ｂ）ビデオカメラ電荷結合装置と、 （ｃ）画像デジタル化装置と、 （ｄ）しきい値積分光学的密度を越える細胞学的検体における対象物を検出する ための一次統計学的分類装置と、（ｅ）該一次分類装置によって識別された対象 物のなかで前悪性細胞および悪性細胞を検出するためのニューラル・ネットワー クに基づく二次分類装置と、 を備えることを特徴とする自動細胞学的検体分数装置。
2. ２．細胞状単一層以外の物質を含む検体内の全領域を認識し且つ分類するための ニューラル・ネットワーク前スクリーニング分数装置をさらに備える請求項１記 載の自動細胞学的検体分類装置。
3. ３．前記前スクリーニング分類装置の出力は、前記二次分類装置が前記識別され た領域を分析しないですむようにする請求項２記載の自動細胞学的検体分類装置 。
4. ４．前記前スクリーニング分類装置の出力は、この前スクリーニング分類装置に よって識別された検体の領域内に見出される像の二次的分類を修正するのに使用 される請求項２記載の自動細胞学的検体分類装置。
5. ５．前記一次統計学的分類装置は、細胞核のみを評価し、前記二次分類装置は、 細胞核およびそれを収り巻く細胞質の両者を評価する請求項１記載の自動細胞学 的検体分類装置。
6. ６．前記一次統計学的分類装置および前記二次分類装置は共に細胞核のみを評価 する請求項１記載の自動細胞学的検体分類装置。
7. ７．積分された光学的密度に加えて核形態学的成分の付加的非二ユーラル・ネッ ト分類をなす手段を更に備え、該手段は、前記一次分類装置および二次分類装置 に結合される請求項１記載の自動細胞学的検体分類装置。
8. ８．細胞学的検体の一次的分類を行なう低解像度ニューラル・ネットワークと、 二次的分類を行なう高解像度ニューラル・ネットワークと、前記低解像度ニュー ラル・ネットワークから前記高解像度ニューラル・ネットワークへと問題の場所 を表すデータを通すように前記低解像度ニューラル・ネットワークと前記高解像 度ニューラル・ネットワークとを結合させるための手段とを備えることを特徴と する自動細胞学的検体分類装置。
9. ９．細胞学的検体を分類する方法において、第１の分類装置を使用して検体を一 次的に分類して問題の場所を定め、ニューラル・ネットワークを使用して問題の その場所を二次的に分類することを特徴とする方法。
10. １０．前記一次的分類は、検体の像を得るためにビデオカメラまたは電荷結合装 置（ＣＣＤ）を使用し、その像をデジタル化するためにデジタル化装置を使用し 、且つ積分光学的密度検出器を使用する請求項９記載の方法。
11. １１．前記一次的分類は、ニユーラル・ネットワークを使用する請求項９記載の 方法。