生体検査装置および生体検査方法
【課題】短時間で高精度に生体組織の性状を判定することができる生体検査装置および生体検査方法を提供する。
【解決手段】生体検査装置１０は、特性値取得部１１，学習部１２、判定部１３および表示部１４を備える。特性値取得部１１は、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光に関する特性値を取得する。学習部１２は、性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部１１により得られた特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する。判定部１３は、性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部１１により得られた特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状を判定する。
【解決手段】生体検査装置１０は、特性値取得部１１，学習部１２、判定部１３および表示部１４を備える。特性値取得部１１は、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光に関する特性値を取得する。学習部１２は、性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部１１により得られた特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する。判定部１３は、性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部１１により得られた特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状を判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、生体検査装置および生体検査方法に関するものである。
【背景技術】
【０００２】
非特許文献１には、内視鏡観察による癌の検出において毛細血管のパターン等により病変部の有無を判断することができると記載されている。その際に、低倍率では不明瞭な病変であっても、高倍率で観察することにより病変部の有無の判断が容易となる。また、色素散布する手法や、近年では波長帯域を選択することにより病変部をより分かりやすくする手法も開発されてきている。しかし、的確に早期診断を行うためには医師の経験が必要である。
【０００３】
非特許文献２には、近赤外光（波長１０６４ｎｍ）を用いたラマン散乱のスペクトルを胃の正常部と悪性腫瘍部とで比較した結果、Ｎ-ＨまたはＯ-Ｈの伸縮振動に起因する３２４０ｃｍ−１のラマン散乱光とＣ-Ｈの伸縮振動に起因する２９４０ｃｍ−１のラマン散乱光との強度比が異なることが報告されている。これは、近赤外光を用いたラマンスペクトルにおいても正常部と病変部との差を検出することができる可能性があることを示している。
【先行技術文献】
【非特許文献】
【０００４】
【非特許文献１】K.Sugano, et al, "NewDiagnostics Approaches for Early Detection of Gastric Cancer," DigestiveDiseases, vol.22, pp.327-333 (2004).
【非特許文献２】X.-F.Ling, et al, "Investigationof Normal and Malignant Tissue Samples from the Human Stomach Using FourierTransform Raman Spectroscopy," Applied Spectroscopy, vol.56, No.5,pp.570-573 (2002).
【発明の概要】
【発明が解決しようとする課題】
【０００５】
非特許文献１に記載された毛細血管パターンに基づく病変部の検出は、判断基準が定量化されておらず、医師等の観察者の経験や技量に大きく依存しているので、高精度の検出が困難である。また、これは、毛細血管のパターンを高倍率で観察することにより病変部の有無の判断が容易となるものの、その場合には広い範囲を検査するには長時間を要する。
【０００６】
非特許文献２に記載されたラマン散乱スペクトルに基づく病変部の検出は、生体組織の各測定点に対して高強度の近赤外光を集光照射する必要があり一点毎の測定しかできないため、広い範囲を検査するには長時間を要する。
【０００７】
本発明は、上記問題点を解消する為になされたものであり、短時間で高精度に生体組織の性状を判定することができる生体検査装置および生体検査方法を提供することを目的とする。
【課題を解決するための手段】
【０００８】
本発明の生体検査装置は、(1) 生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値を取得する特性値取得部と、(2) 性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習部と、(3) 性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部により得られた複数波長に関する特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定する判定部と、を備えることを特徴とする。
【０００９】
本発明の生体検査装置は、(1) 学習部が、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定部が、二次光の３０波長以上の各波長についての特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１０】
本発明の生体検査装置は、(1) 学習部が、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定部が、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１１】
本発明の生体検査装置は、判定部により判定した生体組織の性状についての情報を形状情報に重ねて表示する表示部を更に備えるのが好適である。
【００１２】
本発明の生体検査方法は、(1) 性状が既知である生体組織の多数の測定点に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに各測定点で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習ステップと、(2) 性状が未知である生体組織に対して測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する判定ステップと、を備えることを特徴とする。
【００１３】
本発明の生体検査方法は、(1) 学習ステップにおいて、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定ステップにおいて、二次光の３０波長以上の各波長についての特性値に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１４】
本発明の生体検査方法は、(1) 学習ステップにおいて、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定ステップにおいて、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１５】
本発明の生体検査方法は、判定ステップにおいて判定した生体組織の性状についての情報を形状情報に重ねて表示する表示ステップを更に備えるのが好適である。
【発明の効果】
【００１６】
本発明によれば、短時間で高精度に生体組織の性状を判定することができる。
【図面の簡単な説明】
【００１７】
【図１】本実施形態の生体検査装置１０の構成を示す図である。
【図２】各実施例（ケース１〜５）の条件および結果を示す図表である。
【図３】病理診断に基づく学習領域を示す図である。
【図４】ケース１の性状判定結果を示す図である。
【図５】ケース２の性状判定結果を示す図である。
【図６】ケース３の性状判定結果を示す図である。
【発明を実施するための形態】
【００１８】
以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。
【００１９】
図１は、本実施形態の生体検査装置１０の構成を示す図である。本実施形態の生体検査装置１０は、特性値取得部１１，学習部１２、判定部１３および表示部１４を備える。特性値取得部１１は、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値を取得する。学習部１２は、性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部１１により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する。判定部１３は、性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部１１により得られた複数波長に関する特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状を判定する。表示部１４は、判定部１３により判定した生体組織の性状についての情報を形状情報に重ねて表示する。
【００２０】
特性値取得部１１は，例えば、対物光学系、分光器、ＣＣＤを含んで構成される。学習部１２は、例えば、パーソナルコンピュータである。判定部１３は、例えば、パーソナルコンピュータである。表示部１４は、液晶ディスプレー、ＣＲＴ、プリンタ等である。
【００２１】
本実施形態の生体検査装置１０の動作および本実施形態の生体検査方法は以下のとおりである。先ず、性状が既知である生体組織の多数の測定点に対して測定光（波長範囲１４００ｎｍ〜２２５０ｎｍ）が照射されて、そのときに各測定点で生じた二次光（透過光または反射光）の複数波長に関する特性値（透過率または反射率）が特性値取得部１１により得られる。学習部１２において、この特性値取得部１１により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状が学習される。
【００２２】
次に、性状が未知である生体組織に対して測定光（波長範囲１４００ｎｍ〜２２５０ｎｍ）が照射されて、そのときに生体組織で生じた二次光（透過光または反射光）の複数波長に関する特性値（透過率または反射率）が特性値取得部１１により得られる。判定部１３において、この特性値取得部１１により得られた複数波長に関する特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状が判定される。そして、表示部１４により、判定部１３により判定された生体組織の性状についての情報が、例えばカメラ画像等の可視領域も含む単一波長若しくは複数波長にＲＧＢを割り当てて表示された反射光強度分布形状情報に重ねられて表示される。
【００２３】
本実施形態では、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状の学習および判定が行われるので、医師等の観察者の経験や技量に依存することなく、短時間で高精度に生体組織の性状の判定が可能である。また、判定部１３により判定された生体組織の性状についての情報が表示部１４により形状情報に重ねられて表示されることにより、より迅速な診断が可能となる。
【００２４】
本実施形態では、学習部１２は、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習し、判定部１３は、二次光の３０波長以上の各波長についての特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。このように、測定波長を一定数以上とすることにより、特性値の情報量が多くなり、判定精度の向上が可能となる。
【００２５】
また、本実施形態では、学習部１２は、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習し、判定部１３は、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。このようにすることで、得られたスペクトルデータを最大限利用することができるので、ベースラインの変動をキャンセルしつつ、微小な信号からの寄与を抑制することができる。
【実施例１】
【００２６】
内視鏡手術により摘出された胃がんサンプルを、ゴム板上に針で広げた状態で生理食塩水中に保持した。生理食塩水中から取り出した直後の胃がんサンプルのうち６ｃｍ×８ｃｍのエリアの近赤外反射スペクトルを波長１４００〜２２５０ｎｍの範囲で測定した。このときの画素数は３２０×４００であった。その後に行った病理検査との照合を行い、病変部分を正例にするとともに、残る領域から一定の境界領域と摘出手術の際に行う焼灼の影響を受けたと考えられる領域とを除いた領域を負例として、サポートベクターマシンを用いた学習を行った。
【００２７】
なお、スペクトルデータをサポートベクターマシンの判定に用いる際には、ケース１〜３では波長領域１４００〜２２５０ｎｍ内の１３５波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として、学習および判定を行った。ケース４では波長領域１４００〜２２５０ｎｍ内の３４波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として学習および判定を行った。ケース５では波長領域１４００〜２２５０ｎｍ内の６８波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として学習および判定を行った。
【００２８】
図２は、各実施例（ケース１〜５）の条件および結果を示す図表である。ケース１では、３×３pixelの平均化処理を行い、差分Ｒａ−Ｒｂについて学習および判定を行った。ケース２では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂについて学習および判定を行った。ケース３では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂおよび比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元について学習および判定を行った。また、ケース４，５では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂおよび比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元について学習および判定を行った。
【００２９】
図３は、病理診断に基づく学習領域を示す図である。図４は、ケース１の性状判定結果を示す図である。図５は、ケース２の性状判定結果を示す図である。図６は、ケース３の性状判定結果を示す図である。これらの図において、白色領域は正例（病変部）と判定された領域であり、図３の灰色とされた領域および図４〜６の黒色領域は負例（正常部）と判定された領域である。
【００３０】
上記の使用パラメータ（差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂ，比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ)） を採用することにより、ベースライン変動の影響を受けることなく、微小な変動しか示さない特徴を抽出することができる。また、サポートベクターマシンの判定を行う前に反射スペクトルデータに対して平均化処理（ケース１〜３では３×３または５×５pixelの平均化処理）を行ってデータのノイズ成分を除去することが有効である。
【００３１】
上記の学習結果から、感度（正例として指定した領域を正例と判定する割合）８０％及び特異度（負例を正例と判定しない割合）９０％を上回る結果が得られた。判定された画像（図４〜図６）は病理検査の結果（図３）を良く再現している。本方法により、がん病変部と健常部の判定が高精度で可能であることがわかる。周辺画素の平均化については３×３pixelの場合より５×５pixelの場合の判定精度が向上しており、平均化する画素数が多いほどノイズをよりキャンセルできていると考えられる。
【００３２】
また、学習に利用するパラメータの形態としては、単純な反射率の差分Ｒａ−Ｒｂのみを考慮するより、比率（比率Ｒａ／Ｒｂ，比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ)） も含めたデータに対して学習を行うことで、より微小な変動の特徴を抽出し、その結果判定率が向上することが分かる。
【００３３】
なお、上記結果より、本実施形態の生体検査装置および生体検査方法が胃がんの判定に有効であることが分かる。また、一度サポートベクターマシンで判定基準が作成できれば、未知サンプルへの判定は短時間（数秒以下）で行うことが可能であり、例えば術中診断や内視鏡において有効であると考えられる。
【符号の説明】
【００３４】
１０…生体検査装置、１１…特性値取得部、１２…学習部、１３…判定部、１４…表示部。
【技術分野】
【０００１】
本発明は、生体検査装置および生体検査方法に関するものである。
【背景技術】
【０００２】
非特許文献１には、内視鏡観察による癌の検出において毛細血管のパターン等により病変部の有無を判断することができると記載されている。その際に、低倍率では不明瞭な病変であっても、高倍率で観察することにより病変部の有無の判断が容易となる。また、色素散布する手法や、近年では波長帯域を選択することにより病変部をより分かりやすくする手法も開発されてきている。しかし、的確に早期診断を行うためには医師の経験が必要である。
【０００３】
非特許文献２には、近赤外光（波長１０６４ｎｍ）を用いたラマン散乱のスペクトルを胃の正常部と悪性腫瘍部とで比較した結果、Ｎ-ＨまたはＯ-Ｈの伸縮振動に起因する３２４０ｃｍ−１のラマン散乱光とＣ-Ｈの伸縮振動に起因する２９４０ｃｍ−１のラマン散乱光との強度比が異なることが報告されている。これは、近赤外光を用いたラマンスペクトルにおいても正常部と病変部との差を検出することができる可能性があることを示している。
【先行技術文献】
【非特許文献】
【０００４】
【非特許文献１】K.Sugano, et al, "NewDiagnostics Approaches for Early Detection of Gastric Cancer," DigestiveDiseases, vol.22, pp.327-333 (2004).
【非特許文献２】X.-F.Ling, et al, "Investigationof Normal and Malignant Tissue Samples from the Human Stomach Using FourierTransform Raman Spectroscopy," Applied Spectroscopy, vol.56, No.5,pp.570-573 (2002).
【発明の概要】
【発明が解決しようとする課題】
【０００５】
非特許文献１に記載された毛細血管パターンに基づく病変部の検出は、判断基準が定量化されておらず、医師等の観察者の経験や技量に大きく依存しているので、高精度の検出が困難である。また、これは、毛細血管のパターンを高倍率で観察することにより病変部の有無の判断が容易となるものの、その場合には広い範囲を検査するには長時間を要する。
【０００６】
非特許文献２に記載されたラマン散乱スペクトルに基づく病変部の検出は、生体組織の各測定点に対して高強度の近赤外光を集光照射する必要があり一点毎の測定しかできないため、広い範囲を検査するには長時間を要する。
【０００７】
本発明は、上記問題点を解消する為になされたものであり、短時間で高精度に生体組織の性状を判定することができる生体検査装置および生体検査方法を提供することを目的とする。
【課題を解決するための手段】
【０００８】
本発明の生体検査装置は、(1) 生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値を取得する特性値取得部と、(2) 性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習部と、(3) 性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部により得られた複数波長に関する特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定する判定部と、を備えることを特徴とする。
【０００９】
本発明の生体検査装置は、(1) 学習部が、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定部が、二次光の３０波長以上の各波長についての特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１０】
本発明の生体検査装置は、(1) 学習部が、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定部が、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１１】
本発明の生体検査装置は、判定部により判定した生体組織の性状についての情報を形状情報に重ねて表示する表示部を更に備えるのが好適である。
【００１２】
本発明の生体検査方法は、(1) 性状が既知である生体組織の多数の測定点に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに各測定点で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習ステップと、(2) 性状が未知である生体組織に対して測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する判定ステップと、を備えることを特徴とする。
【００１３】
本発明の生体検査方法は、(1) 学習ステップにおいて、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定ステップにおいて、二次光の３０波長以上の各波長についての特性値に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１４】
本発明の生体検査方法は、(1) 学習ステップにおいて、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定ステップにおいて、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。
【００１５】
本発明の生体検査方法は、判定ステップにおいて判定した生体組織の性状についての情報を形状情報に重ねて表示する表示ステップを更に備えるのが好適である。
【発明の効果】
【００１６】
本発明によれば、短時間で高精度に生体組織の性状を判定することができる。
【図面の簡単な説明】
【００１７】
【図１】本実施形態の生体検査装置１０の構成を示す図である。
【図２】各実施例（ケース１〜５）の条件および結果を示す図表である。
【図３】病理診断に基づく学習領域を示す図である。
【図４】ケース１の性状判定結果を示す図である。
【図５】ケース２の性状判定結果を示す図である。
【図６】ケース３の性状判定結果を示す図である。
【発明を実施するための形態】
【００１８】
以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。
【００１９】
図１は、本実施形態の生体検査装置１０の構成を示す図である。本実施形態の生体検査装置１０は、特性値取得部１１，学習部１２、判定部１３および表示部１４を備える。特性値取得部１１は、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値を取得する。学習部１２は、性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部１１により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する。判定部１３は、性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部１１により得られた複数波長に関する特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状を判定する。表示部１４は、判定部１３により判定した生体組織の性状についての情報を形状情報に重ねて表示する。
【００２０】
特性値取得部１１は，例えば、対物光学系、分光器、ＣＣＤを含んで構成される。学習部１２は、例えば、パーソナルコンピュータである。判定部１３は、例えば、パーソナルコンピュータである。表示部１４は、液晶ディスプレー、ＣＲＴ、プリンタ等である。
【００２１】
本実施形態の生体検査装置１０の動作および本実施形態の生体検査方法は以下のとおりである。先ず、性状が既知である生体組織の多数の測定点に対して測定光（波長範囲１４００ｎｍ〜２２５０ｎｍ）が照射されて、そのときに各測定点で生じた二次光（透過光または反射光）の複数波長に関する特性値（透過率または反射率）が特性値取得部１１により得られる。学習部１２において、この特性値取得部１１により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状が学習される。
【００２２】
次に、性状が未知である生体組織に対して測定光（波長範囲１４００ｎｍ〜２２５０ｎｍ）が照射されて、そのときに生体組織で生じた二次光（透過光または反射光）の複数波長に関する特性値（透過率または反射率）が特性値取得部１１により得られる。判定部１３において、この特性値取得部１１により得られた複数波長に関する特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状が判定される。そして、表示部１４により、判定部１３により判定された生体組織の性状についての情報が、例えばカメラ画像等の可視領域も含む単一波長若しくは複数波長にＲＧＢを割り当てて表示された反射光強度分布形状情報に重ねられて表示される。
【００２３】
本実施形態では、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状の学習および判定が行われるので、医師等の観察者の経験や技量に依存することなく、短時間で高精度に生体組織の性状の判定が可能である。また、判定部１３により判定された生体組織の性状についての情報が表示部１４により形状情報に重ねられて表示されることにより、より迅速な診断が可能となる。
【００２４】
本実施形態では、学習部１２は、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習し、判定部１３は、二次光の３０波長以上の各波長についての特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。このように、測定波長を一定数以上とすることにより、特性値の情報量が多くなり、判定精度の向上が可能となる。
【００２５】
また、本実施形態では、学習部１２は、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習し、判定部１３は、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。このようにすることで、得られたスペクトルデータを最大限利用することができるので、ベースラインの変動をキャンセルしつつ、微小な信号からの寄与を抑制することができる。
【実施例１】
【００２６】
内視鏡手術により摘出された胃がんサンプルを、ゴム板上に針で広げた状態で生理食塩水中に保持した。生理食塩水中から取り出した直後の胃がんサンプルのうち６ｃｍ×８ｃｍのエリアの近赤外反射スペクトルを波長１４００〜２２５０ｎｍの範囲で測定した。このときの画素数は３２０×４００であった。その後に行った病理検査との照合を行い、病変部分を正例にするとともに、残る領域から一定の境界領域と摘出手術の際に行う焼灼の影響を受けたと考えられる領域とを除いた領域を負例として、サポートベクターマシンを用いた学習を行った。
【００２７】
なお、スペクトルデータをサポートベクターマシンの判定に用いる際には、ケース１〜３では波長領域１４００〜２２５０ｎｍ内の１３５波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として、学習および判定を行った。ケース４では波長領域１４００〜２２５０ｎｍ内の３４波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として学習および判定を行った。ケース５では波長領域１４００〜２２５０ｎｍ内の６８波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として学習および判定を行った。
【００２８】
図２は、各実施例（ケース１〜５）の条件および結果を示す図表である。ケース１では、３×３pixelの平均化処理を行い、差分Ｒａ−Ｒｂについて学習および判定を行った。ケース２では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂについて学習および判定を行った。ケース３では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂおよび比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元について学習および判定を行った。また、ケース４，５では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂおよび比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元について学習および判定を行った。
【００２９】
図３は、病理診断に基づく学習領域を示す図である。図４は、ケース１の性状判定結果を示す図である。図５は、ケース２の性状判定結果を示す図である。図６は、ケース３の性状判定結果を示す図である。これらの図において、白色領域は正例（病変部）と判定された領域であり、図３の灰色とされた領域および図４〜６の黒色領域は負例（正常部）と判定された領域である。
【００３０】
上記の使用パラメータ（差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂ，比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ)） を採用することにより、ベースライン変動の影響を受けることなく、微小な変動しか示さない特徴を抽出することができる。また、サポートベクターマシンの判定を行う前に反射スペクトルデータに対して平均化処理（ケース１〜３では３×３または５×５pixelの平均化処理）を行ってデータのノイズ成分を除去することが有効である。
【００３１】
上記の学習結果から、感度（正例として指定した領域を正例と判定する割合）８０％及び特異度（負例を正例と判定しない割合）９０％を上回る結果が得られた。判定された画像（図４〜図６）は病理検査の結果（図３）を良く再現している。本方法により、がん病変部と健常部の判定が高精度で可能であることがわかる。周辺画素の平均化については３×３pixelの場合より５×５pixelの場合の判定精度が向上しており、平均化する画素数が多いほどノイズをよりキャンセルできていると考えられる。
【００３２】
また、学習に利用するパラメータの形態としては、単純な反射率の差分Ｒａ−Ｒｂのみを考慮するより、比率（比率Ｒａ／Ｒｂ，比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ)） も含めたデータに対して学習を行うことで、より微小な変動の特徴を抽出し、その結果判定率が向上することが分かる。
【００３３】
なお、上記結果より、本実施形態の生体検査装置および生体検査方法が胃がんの判定に有効であることが分かる。また、一度サポートベクターマシンで判定基準が作成できれば、未知サンプルへの判定は短時間（数秒以下）で行うことが可能であり、例えば術中診断や内視鏡において有効であると考えられる。
【符号の説明】
【００３４】
１０…生体検査装置、１１…特性値取得部、１２…学習部、１３…判定部、１４…表示部。
【特許請求の範囲】
【請求項１】
生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに前記生体組織で生じた二次光の複数波長に関する特性値を取得する特性値取得部と、
性状が既知である生体組織の多数の測定点に対して前記測定光を照射したときに各測定点について前記特性値取得部により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習部と、
性状が未知である生体組織に対して前記測定光を照射したときに前記生体組織について前記特性値取得部により得られた複数波長に関する特性値に基づいて、前記学習部により学習したサポートベクターマシンにより生体組織の性状を判定する判定部と、
を備えることを特徴とする生体検査装置。
【請求項２】
前記学習部が、前記二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定部が、前記二次光の３０波長以上の各波長についての特性値に基づいて、前記学習部により学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項１に記載の生体検査装置。
【請求項３】
前記学習部が、前記二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定部が、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、前記学習部により学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項１に記載の生体検査装置。
【請求項４】
前記判定部により判定した生体組織の性状についての情報を形状情報に重ねて表示する表示部を更に備える
ことを特徴とする請求項１に記載の生体検査装置。
【請求項５】
性状が既知である生体組織の多数の測定点に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに各測定点で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習ステップと、
性状が未知である生体組織に対して前記測定光を照射したときに前記生体組織で生じた二次光の複数波長に関する特性値に基づいて、前記学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する判定ステップと、
を備えることを特徴とする生体検査方法。
【請求項６】
前記学習ステップにおいて、前記二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定ステップにおいて、前記二次光の３０波長以上の各波長についての特性値に基づいて、前記学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項５に記載の生体検査方法。
【請求項７】
前記学習ステップにおいて、前記二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定ステップにおいて、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、前記学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項５に記載の生体検査方法。
【請求項８】
前記判定ステップにおいて判定した生体組織の性状についての情報を形状情報に重ねて表示する表示ステップを更に備える
ことを特徴とする請求項５に記載の生体検査方法。
【請求項１】
生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに前記生体組織で生じた二次光の複数波長に関する特性値を取得する特性値取得部と、
性状が既知である生体組織の多数の測定点に対して前記測定光を照射したときに各測定点について前記特性値取得部により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習部と、
性状が未知である生体組織に対して前記測定光を照射したときに前記生体組織について前記特性値取得部により得られた複数波長に関する特性値に基づいて、前記学習部により学習したサポートベクターマシンにより生体組織の性状を判定する判定部と、
を備えることを特徴とする生体検査装置。
【請求項２】
前記学習部が、前記二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定部が、前記二次光の３０波長以上の各波長についての特性値に基づいて、前記学習部により学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項１に記載の生体検査装置。
【請求項３】
前記学習部が、前記二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定部が、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、前記学習部により学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項１に記載の生体検査装置。
【請求項４】
前記判定部により判定した生体組織の性状についての情報を形状情報に重ねて表示する表示部を更に備える
ことを特徴とする請求項１に記載の生体検査装置。
【請求項５】
性状が既知である生体組織の多数の測定点に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに各測定点で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習ステップと、
性状が未知である生体組織に対して前記測定光を照射したときに前記生体組織で生じた二次光の複数波長に関する特性値に基づいて、前記学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する判定ステップと、
を備えることを特徴とする生体検査方法。
【請求項６】
前記学習ステップにおいて、前記二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定ステップにおいて、前記二次光の３０波長以上の各波長についての特性値に基づいて、前記学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項５に記載の生体検査方法。
【請求項７】
前記学習ステップにおいて、前記二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習し、
前記判定ステップにおいて、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、前記学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する、
ことを特徴とする請求項５に記載の生体検査方法。
【請求項８】
前記判定ステップにおいて判定した生体組織の性状についての情報を形状情報に重ねて表示する表示ステップを更に備える
ことを特徴とする請求項５に記載の生体検査方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図２】
【図３】
【図４】
【図５】
【図６】
【公開番号】特開２０１２−１７６０９６（Ｐ２０１２−１７６０９６Ａ）
【公開日】平成２４年９月１３日（２０１２．９．１３）
【国際特許分類】
【出願番号】特願２０１１−４０２７９（Ｐ２０１１−４０２７９）
【出願日】平成２３年２月２５日（２０１１．２．２５）
【出願人】（０００００２１３０）住友電気工業株式会社 (12,747)
【出願人】（５０４１３２２７２）国立大学法人京都大学 (1,269)
【Ｆターム（参考）】
【公開日】平成２４年９月１３日（２０１２．９．１３）
【国際特許分類】
【出願日】平成２３年２月２５日（２０１１．２．２５）
【出願人】（０００００２１３０）住友電気工業株式会社 (12,747)
【出願人】（５０４１３２２７２）国立大学法人京都大学 (1,269)
【Ｆターム（参考）】
[ Back to top ]