画像解析による有糸分裂活動の評価方法
【課題】 本発明は、乳癌の組織学及び細胞学で支援するために、頑強な、客観的かつ費用有効ツールで実施することができる画像解析の自動化方法を提供する。
【解決手段】 特に乳癌の徴候に対する組織学的スライドの画像から有糸分裂活動を評価することを目的とする、デジタル画像の自動解析用方法である。方法は、有糸分裂上皮細胞核と一致する強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と、これらの対象物の最も暗い１０％を取る段階と、それらの境界形状を示している輪郭を導き出す段階と、及び確率密度連結フィルタ(ＰＤＡＦ)を用いて前記境界の周囲の曲率を平滑にしかつ測定する段階とを具備する。ＰＤＡＦ出力は、有糸分裂の良好な指標である-境界の凹面の測定を計算するために用いられる。対象物は、既知の例で訓練されたフィッシャー分類器の使用によって、境界凹面及び平均強度の関数として、有糸分裂核を表しているか表していないかが最終的に分類される。方法に対するその他の使用は、一定の種類の種子またはその他の粒子を包含している土壌サンプルの画像の解析を含みうる。
【解決手段】 特に乳癌の徴候に対する組織学的スライドの画像から有糸分裂活動を評価することを目的とする、デジタル画像の自動解析用方法である。方法は、有糸分裂上皮細胞核と一致する強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と、これらの対象物の最も暗い１０％を取る段階と、それらの境界形状を示している輪郭を導き出す段階と、及び確率密度連結フィルタ(ＰＤＡＦ)を用いて前記境界の周囲の曲率を平滑にしかつ測定する段階とを具備する。ＰＤＡＦ出力は、有糸分裂の良好な指標である-境界の凹面の測定を計算するために用いられる。対象物は、既知の例で訓練されたフィッシャー分類器の使用によって、境界凹面及び平均強度の関数として、有糸分裂核を表しているか表していないかが最終的に分類される。方法に対するその他の使用は、一定の種類の種子またはその他の粒子を包含している土壌サンプルの画像の解析を含みうる。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、デジタル画像の自動解析に関する。特に、本発明は、特には乳房組織における癌の存在及び激しさを評価することを目的とする組織学及び細胞学標本のデジタル画像における有糸分裂活動の自動識別に関し、かつこれに関連して本発明をここに主に記述する。しかしながら、本発明は、また、大腸癌や子宮頚癌のような、その他の形式の癌の評価における応用、及び、例えば、一定の種類の種子またはその他の粒子を含んでいる土壌サンプルの解析において、同様な方法で識別が容易にできる画像構成要素を示している様々な他の種類の構造の解析における応用を見出しうる。
【背景技術】
【０００２】
十分に早期に検出されたならば生存の高い確率が理論的に存在する癌である、乳癌により多数の女性が毎年不必要に亡くなっている。サンプルにおける癌性の組織の存在を見落としたならば、次回の検査が行なわれるまでに、癌が進行してしまいかつ生存の可能性がかなり低減されうる。従って、サンプルにおける癌性の組織を検出することの重要性は、過度の評価であり得ない。
【０００３】
一般的な国民乳房検診プログラムは、極微の損傷の早期検出に対してマンモグラフィを用いる。一度乳癌を示す損傷が検出されたならば、診断及び予後を確立するために訓練を受けた組織病理学者によって組織サンプルが取られかつ検査される。特には、乳癌に対する主予後因子の一つは、有糸分裂活動の程度、即ち、起こっている上皮細胞分裂の程度である。組織病理学的スライドは、事実上、細胞分裂処理における非常に短い時間間隔を表している“スナップショット”であり、有糸分裂活動の特定のフェーズを示している特定のスライドの可能性は、非常に小さい；そのようなフェーズがスライドに事実存在するならば、それは潜在的腫瘍がどのくらい早く成長するかのよい指標である。
【０００４】
有糸分裂活動を評価するための既存の手動式手順において、組織病理学者は、スライドを顕微鏡に置きかつ有糸分裂の適用に対して×４０倍で（タイルと呼ぶ）その領域を検査する。組織サンプルから一般的に１０の異なるタイルが検査されかつ細胞分裂の数の合計が計数され、組織病理学者の意見では１０のタイルで起こっているように見える。次いで、これは、以下の表に従って一般的に癌の等級の表示に変換される:
【０００５】
１０タイル毎の有糸分裂細胞の数 癌の等級
０からＮ 等級１
（Ｎ＋１）からＭ 等級２
＞Ｍ 等級３
ここで等級１は最低位の重症であり、等級３は最上位の重症である。Ｎ及びＭの値は、一般的に５及び１０であるが、観察されているタイルの大きさに依存して異なる方式で変化する。
【発明の開示】
【発明が解決しようとする課題】
【０００６】
しかしながら、これは、時間のかかる、労力集中かつ高価な処理である。そのような検査を実行するための資格は、取得することが容易ではなくかつ頻繁な見直しを必要とする。検査自体は、目によるカラー画像の解釈を必要とするし、インター、及びイントラ-観察者解析の両方における相当な変化、即ち、観察における変動によって特徴付けられる高度に主観的な処理は、異なる組織病理学者によって、かつ異なる時間において同じ組織病理学者によって同じサンプルに対して発生しうる。例えば、研究は、同じ１０のサンプルを検査した二人の異なる組織病理学者がそれらの３つについて異なる意見、３０％のエラーを与えうるということを示した。この問題は、あるサンプルの複雑性によって、特に明確な結論が存在しないぎりぎりの場合において、悪化される。十分に訓練されたスタッフが利用可能ではない場合には、これは、解析を完了するための圧力に強い衝撃を与えて、診断における誤評価及び遅延を潜在的に導く。
【０００７】
これらの問題は、ある女性が病気を有しているとして正確に認識されないという結果を伴って乳癌に対するスクリーニングの程度及び有効性に実際的な限度が存在するということを意味し、かつある場合には、この失敗が時期尚早の死を結果としてもたらしうる。逆に言えば、その他が乳癌として不正確に診断され、従って不必要な外科的処理を潜在的に行なってしまう。
【０００８】
そこで、本発明の目的は、本発明がその他の技術分野において応用を見出しうることを先に示したけれども、乳癌の組織学及び細胞学で支援するために、頑強な、客観的かつ費用有効ツールで実施することができる画像解析の自動化方法を提供することにある。
【課題を解決するための手段】
【０００９】
一態様において、本発明は、従って、特定された強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と、それぞれの前記対象物を包含する画像内の特定された大きさの領域を定義する段階と、それぞれの前記領域内のデータから、同じ強度の点を備えている一つ以上のそれぞれの閉じた輪郭を導き出す段階と、及び少なくともその凹面の測定を生成するためにそれぞれの前記領域内の少なくとも一つのそれぞれの前記輪郭の曲率を推定する段階とを具備する、画素のアレイを備えているデジタル画像の自動解析方法に存在する。
【００１０】
好適な実施形態の後に続く詳細な説明から理解されるように、そのような方法は、組織病理学的スライドのデジタル画像における有糸分裂細胞核を識別することに用いられる。
【００１１】
また、本発明は、上述した方法を実行するための手段を備えているデジタル画像の自動解析用装置、及びコンピュータに上述した方法を実行させるように構成されたコンピュータ・プログラム・コード手段を有しているコンピュータ読取り可能媒体を備えているコンピュータ・プログラム製品及びそのようにする命令を具備しているコンピュータ・プログラムにも存在する。
【００１２】
本発明のこれら及びその他の形態を、例えば、添付した図面を参照してかつ乳房の潜在的癌の組織病理学的スライドのデジタル画像における有糸分裂上皮細胞核の数に基づき癌を等級分けする自動システムに関してここでより特定して説明する。
【発明を実施するための最良の形態】
【００１３】
図１は、潜在的な乳房の悪性腫瘍(乳癌)の組織病理学的スライドの形式の組織サンプルの評価に対する処理を示す。処理は、患者の診断を評価するための基礎として病理学者による使用のためのパラメータを生成するために上皮細胞の有糸分裂活動を測定する。それは、組織学的スライドから取得したデジタル化された画像データを維持する、データベース１を採り入れる。セクションが乳房組織サンプルからカットされ、それぞれのスライドに置かれ、かつ組織及び細胞構造の輪郭を描くための一般的な染色である、染色剤ヘマトキシリン及びエオシン（Ｈ＆Ｅ）を用いて染色される。
【００１４】
解析用のデジタル化された画像データを得るために、組織病理学者は、顕微鏡でスライドをスキャンしかつ４０×倍率で有糸分裂活動を解析する点からみて最も見込みがあるように見えるスライドの領域を選択する。次いで、これらの領域のそれぞれは、顕微鏡及びデジタル・カメラを用いて写真に撮られる。一例では、Zeiss Axioskop顕微鏡がJenoptiks Progres 3012デジタル・カメラと共に用いられた。これは、各領域に対して３色、即ち、赤、緑及び青（Ｒ，Ｇ，及びＢ）でそれぞれのデジタル化された画像を生成する。Ｒ，Ｇ及びＢ画像面のそれぞれの強度値がアレイの各画素に対してそれゆえに得られる。好適な実施形態において、各カラーに対して８ビット範囲の画素強度（０から２５５までの値）があり、かつアレイは、２２０ｎｍ四方の画素サイズを有する、横方向１４７６画素、縦方向１１６０画素を備えている。画像データは、後の使用のために（図１の参照番号）１（データベース）に一時的に記憶（格納）される。１０のデジタル化された画像（タイルの電子的等価物）は、（図１の参照番号）２において有糸分裂活動の検出及び測定に対して要求され、２は、３における診断報告書への入力を次いで供給する。原則として以下に詳述する処理段階は、単一のウェーブバンド（Ｒ，ＧまたはＢ）画像またはそれらの組合せで動作することができる。しかしながら、実際には、赤のウェーブバンドは、Ｈ＆Ｅで染色したときに有糸分裂細胞とその他のセルとを見分けるための最も多くの情報を包含することが見出され、かつ以下の説明で用いられると仮定する。処理は、適当にプログラムされたパーソナル・コンピュータ（ＰＣ）または適当な処理能力のその他の汎用コンピュータまたは専用ハードウェアで実行することができる。
【００１５】
図２は、図１のブロック２において構成された処理段階をより詳細に示す。処理段階は、上記した１０のデジタル化された画像のそれぞれに対して実行されかつ一つの係る画像（タイル）に対してここで説明する。この説明の理解を助けるために、処理の目的は、各タイルにおける（もしあれば）有糸分裂上皮細胞核の数を識別しかつ計数することであるということを思い出す。上述したように取得した画像において、係る核は、一般に正常な上皮細胞核よりも暗く見えるし、かつまた異なる形状を有する。正常な核は、一般に平滑な境界を有する凸面であると同時に有糸分裂核は、形状がよりふぞろい(irregular)でかつでこぼこした境界(ragged boundaries)を有する。しかしながら、有糸分裂上皮細胞核が所与のタイルにおいて常に最も暗い対象物であるとは限らない；例えば、間質系細胞、リンパ球及び壊死性細胞がより暗いものでありうる。所与のタイルに存在しうるが重篤な病気を示しうる比較的少ない数の有糸分裂を仮定すると、可能な限り多くが正確に識別されると同時に、有糸分裂として不正確に識別された正常な細胞核またはその他の対象物の数を最小にすることは、重要である。
【００１６】
候補細胞核の位置
ここで図２を参照すると、第１の処理段階２１は、全ての可能な候補細胞核（の位置）を捜し出すことで構成されている。潜在的な有糸分裂核の位置を識別するために採用されたアプローチは、有糸分裂核の位置が一般的に平均的な核よりも暗いという事実に基づく。有糸分裂核は、ほとんどの場合固形の暗い対象物（即ち全体を通して暗い）として画像に現れるか、または代わりに時々それらは、小さな暗い塊の群を形成する。それゆえに目標は、暗い画素の集団を見出すことである；これらは、必ずしも暗い画素の連続群である必要はないが、しかし十分な数の群がった暗い画素を包含している領域である。
【００１７】
これを行なう様々な方法がある。一つの例は、しきい値が選択されかつこのしきい値以下のグレーレベルを有している画素だけが選択される、簡単なグレーレベル・セグメンテーションである。このアプローチの欠点は、ある有糸分裂核が著しく暗くないが、しかしそれらの形状特性から識別可能なだけであるということである。係る核を検出するために十分に低いしきい値を選択することは、クラッタの超過をもたらすであろう。
【００１８】
好適なアプローチは、以下に説明するマルチリゾリーション・ブロッブ・フィルタリングを使用することである。しかしながら、画像処理技術における当業者にとって明らかであるように、本発明は、この特定の技法を採用することなく実施されうる。代替は、同時係属中の英国特許出願第０２２６７８７．０号において有糸分裂キューイングとして記述された処理を含む。一般的な原理は、核のおおよその大きさが知られているものと仮定すると、その形状及び大きさがフィルタの形状及び大きさと概ね一致する局所輝度及び暗さの領域がある場合にその出力が大きさにおいて大きい放射相称フィルタを適用することである。このフィルタは、ゼロ平均を有する差分フィルタであるべきであり、それにより一定強度のエリアが抑制される。
【００１９】
方法は、特定の実施、具体的には例えば、“Multiresolution analysis of remotely sensed imagery”, J. G. Jones, R. W. Thomas, P. G. Earwicker, Int J. Remote Sensing, 1991, Vol. 12, No. 1, pp. 107-124から知られたマルチスケール・ブロッブ・フィルタに関してここで説明される。処理は、これらが連続オクターブ（２の累乗）・スケール・サイズで定義される、特定の大きさのブロッブ・フィルタを用いて画像をフィルタすることに対して記述される。
【００２０】
マルチスケール・ブロッブ・フィルタに対する再帰的構築処理は、二つのフィルタを含む；以下に定義するような３×３ラプラシアン・ブロッブ・フィルタ（Ｌ）及び３×３平滑フィルタ（ｓ）。
【００２１】
【数１】
これら二つのフィルタは、以下の処理による、一組のオクターブ・スケール・サイズにわたるフィルタリングに対する基礎を形成する：
【００２２】
最初の解像度（オクターブ・スケール １、画素サイズ １）におけるブロッブ-形状型対象物を向上させるために、画像は３×３ラプラシアン・フィルタだけに相関される：
【００２３】
【数２】
ここでｌは最初の画像、そしてインデックス（索引）ｍ及びｎの範囲は上記総和におけるインデックスが常に最初の画像寸法内にあるような組である（そこでｍ及びｎは２で開始する）。これらの範囲の外側の位置でフィルタされた画像の値はゼロに設定される。
【００２４】
計算効率に対して、±１による乗算は、明示的に実行する必要がない。そこで、位置（ｉ，ｊ）に配置された画素に対するフィルタされた出力値は、
【００２５】
【数３】
によって与えられる。
【００２６】
最初よりも１オクターブ上の解像度（オクターブ・スケール ２、画素サイズ ３）でブロッブ-形状型対象物を向上させるために、画像は、３×３平滑フィルタ（ｓ）とまず相関され、平滑された画像（Ｓ2）を形成する。次いで、３×３ラプラシアン・ブロッブ・フィルタ（Ｌ）は、５×５フィルタ［−１０−１０−１；０００００；−１０８０−１；０００００；−１０−１０−１］を形成するために、ゼロでそれをパディングすることによって、２の因数によって拡張される。次いでこれは、フィルタされた画像（Ｆ2）を形成するために平滑された画像（Ｓ2）と相関されるが、しかし計算効率に対して、非ゼロ・フィルタ係数だけが用いられ、それゆえに：
【００２７】
【数４】
ここでｌは最初の画像、そしてインデックスｍ及びｎの範囲は上記総和におけるインデックスが常に最初の画像寸法内にあるような組である（そこでｍ及びｎは４で開始する）。これらの範囲の外側の位置でフィルタされた画像の値はゼロに設定される。
【００２８】
上記二つの相関は、拡張した５×５ラプラシアンを３×３平滑フィルタと相関することから形成された７×７フィルタを有する最初の画像の単一の相関に等しいが、しかし、このより大きなフィルタは決して明示的に形成されない。
【００２９】
オリジナル（スケール ３、画素サイズ ７）の２オクターブ上の解像度でブロッブ−形状型対象物を向上させるために、平滑フィルタは、上記ラプラシアンと同じ方法で２倍に拡張され、次いで低解像度平滑画像（Ｓ3）を付与するために上記平滑された画像（Ｓ2）と相関される：
【００３０】
【数５】
【００３１】
これに続いて、５×５ラプラシアン・フィルタは、９×９フィルタを形成するためにゼロで埋めることによって２倍に拡張され、同じ計算的効率方法で平滑された画像（Ｓ3）に相関される、それゆえに：
【００３２】
【数６】
【００３３】
この処理は、連続オクターブ・スケールで結果を得るために繰り返される。具体的に、毎回、平滑フィルタ及びラプラシアン・ブロッブ・フィルタの両方を拡張する。
【００３４】
上記処理は、要求されたオクターブ・スケールで“ブロッブ-フィルタされた”画像を生成するために用いられうる。考察の対象となる対象物（即ち、この場合には暗い画素の集合体は、フィルタ出力の大きさの最も大きな値を有する。局所的に最強のフィルタ出力は、考察の対象となる対象物の中心で発生する。個々の対象物（“ブロッブ”と呼ぶ）は、フィルタ出力の極小値を見出すことによってここに識別され、各ブロッブが位置及び強度を割り当てられ、強度が極小値におけるフィルタ出力の値である。
【００３５】
このアプリケーションでは、背景に対して暗い対象物は、一つの選択されたスケール、この例ではオクターブ・スケール５（横方向３１画素の核サイズ）におけるフィルタ出力の極小値を見出すことによって識別される。
【００３６】
計算効率に対して、画像の空間解像度は、以下の間引き方法を用いて、ブロッブ・フィルタリングの前に縮小される。２の因子による解像度における各縮小（“間引き（thin）”は、まず画像を３×３平滑フィルタ（ｓ）と相関し、次いで２の因子で副標本を取ることによって達成される。単一の間引きに対する式は次のようである：
【００３７】
【数７】
ここにＩは最初の画像、Ｔは間引かれた画像、そしてインデックスｍ及びｎは１から間引かれた画像の寸法（ディメンション）の範囲にわたる。間引かれた画像の各寸法は、これがそれぞれ奇数か偶数かにより、最初の画像の対応する寸法から１または２を引き算し、次いで２で割り算することによって与えられる。
【００３８】
この例では、画像は、その直線の寸法がオリジナルの大きさの四分の一（エリアが１/１６）である、新たな画像を生成するために、上記処理を二度、まず最初の画像に、次いで結果として得られた、間引かれた画像に再び適用することによって、４の因子で解像度が縮小される。例えば、サイズ１４７×１１６０画素のタイルの最初の画像は、３６８×２８９画素になる。ブロッブは、オクターブ・スケール３（横方向７×７画像）の縮小された解像度画像から上述したようにここで抽出される。これは、最初の画像からスケール５ブロッグを抽出することに等しいが、計算的効率がよい。
【００３９】
この処理は、必要な大きさの暗い集団を形成する全ての対象物を識別し、有糸分裂上皮細胞核だけでなく、考察の対象とならない背景クラスタ、間質系細胞、リンパ球及び／又は壊死性細胞、及びフェインター正常上皮核も含みうる。有糸分裂核が平均よりもかなり暗いものであるらしいということが知られているので、ブラッブの最も暗い１０％が更なる解析のために選択される。これは、（例えば、Klette R. Zamperoniu P., “Handbook of Image Processing Operations”, John Wiley & Sons, 1996に記載されるような）QuickSortアルゴリズムを用いて、ブラッブをフィルタ出力の昇順に分類し（そこで最も暗い部分が最初に発生する）、分類された値の第１０百分位数を見出し、かつこの百分位数よりも暗い全てのブロッグを選択することによって達成される。
【００４０】
セグメンテーション及び最初のクラッタ除去
次の処理段階２２は、画像の近似セグメンテーションを見出し、背景から、考察の対象となる細胞核に潜在的に関連付けられた（画素の連続組として定義された）領域を分離することを目的とする。標準サイズの最初の画像（赤の構成要素）がこの段階の開始で用いられる。
【００４１】
まず第１に、グレーレベルしきい値が選択される。これは、段階２１の終りで選択されたブラッブのそれぞれに中心が置かれた一組の１５×１５画素近隣を選択し、全てのこれら近隣内の全ての画素を単一のリストにコレートし、かつこれらの画素の平均グレーレベルを計算することによって達成される。
【００４２】
新しいしきい値の２値画像がここで生成される。上記で計算されたグレーレベルがしきい値平均以下である（しきい値平均よりも暗い）最初の画像の赤の構成要素における画素は、１に設定される；残りの画素は、０に設定される。
【００４３】
連続構成要素標識付けがここでこの２値画像に適用される。これは、その値が全て１である連続画素の群である、２値画像の連続領域に数値標識を付与する（A Rosenfeld and A C Kak, “Digital Picture Processing”, Vol. 1 & 2, Academic Press, New York, 1982に記述されるように）既知の画像処理技法である。８-連続規則が用いられて、画素は、画素が水平、垂直、または対角に隣接する場合に接続されるものとみなす。段階２１からの選択されたブロッグに対応する各領域は、別個の標識が割当てられ、これらの領域に属する画素を識別できるようにする。以下の領域特性が次いで計算される：
エリア＝領域内の画素の数
厚さ＝次のように定義された、領域の最小厚さ：領域の各画素に対して、その画素
から領域の外側までの最小距離を見出す。次いで、厚さは、これら最小距離の最大
のものであるように定義される。厚さは、幅と同じではないということに注目する
；矩形に対して厚みは幅の半分であり、かつ円に対して厚さは半径である。
【００４４】
そのエリアが１９０画素よりも少ないかまたはその厚さ４画素よりも少ない領域は、除外される。これらは、有糸分裂細胞核であるにはあまりにも小さい。
この段階で、また各領域内の画素の平均グレーレベルも最初の画像の赤の構成要素から計算される。次いで、これらの平均グレーレベルの総合平均及び標準偏差がグレーレベル正規化における後の使用に対して見出される（段階２５）。
【００４５】
輪郭選択
次の処理段階２３は、低及び高解像度の両方における各残存対象物(remaining object)の境界の実際の形状のより良い表現を獲得するために二つのレベルの輪郭選択を取り入れる。まず第１に、低解像度（大規模）輪郭が計算され、近似形状を与え、そして第２に高解像度（小規模）輪郭が見出されてより正確な境界表現を与える。二つの輪郭の間の一貫性検査に続いて、境界の属性が小規模輪郭から次いで測定される。
【００４６】
段階２２の後に残っている対象物のそれぞれに対して、考察の対象となる局所領域（ＲＯＩ）が選択される。このＲＯＩは、（段階２１で見出されたような）対象物の公称中心に中心が置かれ、かつ各方向に５０画素の大きさを有し、領域の大きさは、ＲＯＩが最初の画像の範囲内に存在することを確実にするために必要に応じて切り捨てられる。これは、さもなければ画像のエッジをオーバーラップするであろうＲＯＩｓを含ませる。代替的に、ＲＯＩｓは、段階２２で識別された領域を取りかつ選択された数の画素の境界線を追加することによって定義することができる。いずれの場合においても、ＲＯＩｓは、低解像度輪郭の生成を確実にするためにある程度それらの領域の大きさを超えることが望ましい。
【００４７】
各対象物の境界に対する低解像度表現を見出すために、上記ＲＯＩによって定義された領域は、ブロッブ・フィルタの出力内の副画像を定義するために用いられる（段階２１）。副画像は、正及び負のグレーレベルの両方で構成されている。この副画像内の二つのレベルにおける輪郭は、具体的には、経験的に最良であることが見出されたレベル０及び−１０で、次いで捜し求められる。段階２１におけるブロッブ・フィルタの動作によって、それぞれの副画像におけるゼロ・レベル輪郭は、最高エッジ強度を示すその輪郭である。輪郭は、ある所与の関数に対して等しい値の点で構成されている曲線である；この場合には、関数は、グレーレベル画素値によって定義される。この実施形態では、Matlab（登録商標）輪郭関数が採用されているが、輪郭の回りに順序付けて配置された一組の連続点と同じ形に輪郭を戻すあらゆる輪郭形成(contouring)アルゴリズムを用いることができる；（Matlab（登録商標）は、The MathWorks, Inc.からのよく知られた計算ツールである。）。Matlab（登録商標）は、輪郭の回りの位置の順番にある副画素解像度を有する一組の位置を戻す、即ち、一組の位置をトラバースすることは、輪郭の回りを歩くことに等しい。輪郭は、それらが全ての以下の４つの条件を満足する場合にだけ有効であるとして処理される：
- それらがＲＯＩ内で閉じられたループを形成する、即ち、最後の輪郭点が第１の輪郭点と同じである；
- それらが対象物の位置（ロケーション）と一致する（対象物の名目上の中心からの距離が３０画素以下であるような少なくとも一つの輪郭点が存在する）；
- それらが段階２２で計算されたグレーレベル・セグメンテーションから見出された“名目上のエリア”に対して十分に小さいエリアを有する（輪郭内のエリアの定義は、このセクションの後の方で与えられる）。輪郭エリアは、名目上のエリアの少なくとも５０％でなけらばならない；
- それらは、正しいグレーレベル配向を有する、具体的には輪郭エリア内の画素は、輪郭の外側のものよりも暗い。
【００４８】
対象物は、有効輪郭が二つの輪郭レベルの少なくとも一つ（０または−１０）から見出された場合にのみ将来の解析に対して保持される（コンピュータのリストに維持される）。両方の輪郭レベルが有効な輪郭をもたらしたならば、後者のもの（−１０）が将来の使用に対して選択される。
【００４９】
高解像度表現を見出すために、上記ＲＯＩによって定義された領域は、副画像を形成するために最初の画像の赤の構成要素から取り除かれる。輪郭は、その最初の解像度で画像から抽出されない、なぜならばこれらがあまりにも粗いことが見出されているからである。代わりに、結果として得られた副画像は、更なる解像度を与えるために、Matlab（登録商標）双一次挿入関数（bilinear interpolation function）を用いて、大きさが２倍に拡大される。双一次挿入では、最初の画像グリッドの上ではない選択された点の値を見出すために、その４つの最も近いグリッド点が捜し出され、かつ選択された点からその４つの近隣者のそれぞれまでの相対距離が計算される。これらの距離は、選択された点におけるグレーレベル値に対する重み付けされた平均を供給するために用いられる。
【００５０】
次いで、この挿入された画像は、以下のように定義された３×３平滑化フィルタ（ｓ）と相関すること（段階２１に関する先の説明を参照）によって、輪郭形成の前に平滑にされる：
【００５１】
【数８】
【００５２】
次いで、有効輪郭は、いくつかのしきい値レベルのそれぞれで捜し求められる。しきい値レベルの範囲は、副画像内の最小グレーレベルで開始し、かつ１０グレーレベルのステップで最大グレーレベルまで増加して、実際の輪郭レベルは、適応的に設定される。有効輪郭は、上記した低解像度境界に対するものと同じ方法で定義される。
【００５３】
各しきい値レベルにおいて一組の有効輪郭を見出すことにより、輪郭の各点におけるエッジ強度が推定される。各画像画素におけるエッジ強度は、画像Ｉの最初の赤の構成要素のベクトル勾配の係数（modulus）として定義され、ここでベクトル勾配は、
【００５４】
【数９】
として定義され、ここで二つの偏導関数は、Ｘ及びＹ方向の画素グレーレベル値における差をそれぞれ取ることから得られる。画像画素間に存在する輪郭点におけるエッジ強度は、最も近い画素値から（上述したような）双一次挿入を用いて推定される。次いで、輪郭の回りの平均エッジ強度が計算される。最大エッジ強度を有している輪郭は、対象物の境界の最代表であるとして選択される。有効輪郭が見出されなかった場合には、対象物は除外される。
【００５５】
次いで、低解像度輪郭と高解像度輪郭との間の一貫性検査が実行される。各輪郭内のエリアは、（例えば、“Vector Analysis and Cartesian Tensors”, D. E. Bourne and P. C. Kendal, 2nd ed., Nelson, 1977のChapter 6に記述されるような）グルーンの定理を用いて境界輪郭から計算される。これは、エリアに対して以下の式を与える：
【００５６】
【数１０】
ここで（ｘi，ｙi）は輪郭点である。
【００５７】
次いで、これらのエリアに以下のテストを受けさせる：
高解像度エリア＞０．６*低解像度エリア
高解像度エリア＜１．４*低解像度エリア
これらのテストのいずれかに失敗したならば、対象物は除外される。
【００５８】
最終的に、各対象物に対する低及び高解像度輪郭が十分にオーバーラップするという検査がある。各対象物に対して、二つの２値画像が形成される。第１の２値画像は、Matlab（登録商標）関数roipolyを用いて、低解像度輪郭内に存在する画素の値を１に設定し、かつ輪郭の外側にある画素を０に設定することによって形成される。第２の２値画像は、高解像度輪郭から同じ方法で形成される。これら二つの画像の絶対差が取られ、画素が輪郭の他の一つではない一つの内に存在する場合にのみ画素が１に設定され、それ以外は０に設定されるような別の２値画像を結果としてもたらす。連続構成要素標識付け（段階２２の説明を参照）は、個別の領域を識別するためにこの新しい２値画像に適用される。これらの領域のそれぞれの厚さが計算される（段階２２におけるように）。ある領域の厚さが５画素を超える場合には、対応する対象物が除外される。
【００５９】
段階２３処理の効果の簡略化したビジュアリゼーションを図３及び図４に示す。
図３（ａ）では、考察の対象となる局所領域３０は、一連の輪郭によりこの図で表される対象物３２の名目上の中心３１の回りに定義される。また第２の対象物３３も同じ副画像に表されている。図３（ｂ）は、対象物３２に対して計算された低解像度境界輪郭３４を示し、図３（ｃ）は、同じものに対して計算された高解像度境界輪郭３５を示す。図３（ｄ）は、陰影がつけられた差３６の領域と共にこれら二つの解像度の間のオーバーラップを示す。この場合には輪郭３４及び３５内のエリアは、十分に類似しかつ領域３６の厚さは、全ての上記一貫性検査をパスするために十分に小さくかつ対象物３２が保持される。結果としてこれらの検査は、対象物が有糸分裂細胞核を潜在的に示すために十分に均一に暗いということを示している。対象物３３は、その輪郭が中心３１と一貫性がないので、ＲＯＩ３０に対して有効であるとは処理されない。しかしながら、それは、それ自体の名目上の中心の周りに定義された個別のＲＯＩ（図示省略）内で個別に解析される。
【００６０】
図４（ａ）には、対象物４１の回りに定義された考察の対象となる局所領域４０の別の例がある。図４（ｂ）は、この対象物に対して計算された低解像度境界輪郭４２を示しかつ図４（ｃ）は、高解像度境界輪郭４３を示す。この場合には輪郭４３のエリアは、輪郭４２のそれよりも実質的に小さい（概ね０．４）ので、上記一貫性検査の第１に失敗し、かつ対象物４１は、それ以上には処理されない。これは、（低解像度境界として選択された）より暗い領域によって取り囲まれた（その高いエッジ強度により高解像度境界として選択された）比較的暗い核小体を有する正常上皮細胞核を示す。
【００６１】
境界追跡
次の処理段階２４は、追跡アルゴリズムを、曲率を推定するために先の段階２３から保持された各対象物に対する対象物の境界を表している高解像度輪郭に適用する。目的は、境界を平滑にさせそして曲率を測定することである。なぜならば、輪郭セグメントから曲率を単に計算することは、あまりにも大雑把な測定を与えるからである。有糸分裂細胞核の識別に対して、境界の非凸面の程度は、考察の対象となり、後の計算の方法は、不適切である。
【００６２】
好適な実施形態で用いられた特定のアルゴリズムは、Y. Bar-Shalom and T. E. Fortmann, “Tracking and Data Association”, Mathematics in Science and Engineering series, vol. 179, Orlando, Fl., Academic Press, 1988で記述されたような、確率密度連結フィルタ(Probability Density Association Filter；ＰＤＡＦ)に基づく。この種の追跡アルゴリズムは、問題の対象物に関係ないその他の測定（雑音及びクラッタ）が存在するところで選択された対象物（ターゲット）のパラメータを推定するために設計されている。この場合には“ターゲット”状態変数は、対象物の境界の位置、配向及び曲率であり、かつ測定は、輪郭点の位置及び輪郭点の各ペアを接続している線の配向である。
【００６３】
ＰＤＡＦフィルタは、境界状態のダイナミックスに対するモデルを必要とする。境界ダイナミックスは、一定の曲率（曲率半径が１０画素に設定される）＋（プラス）システム・ノイズとして知られた仮想ランダム摂動(assumed random perturbation)によって与えられる。このノイズは、曲率摂動の変動(variance of curvature perturbation)によって決定され、有糸分裂細胞核の境界がどのように不規則であるかが予測されることにより選択される。好適な実施形態では曲率変動は、位置に対して９かつ角度（ラジアン）に対して０．０９である。
【００６４】
開始点として、有糸分裂細胞核を潜在的に表している各対象物に対して連続組のエッジ特徴が画像から抽出されるものと仮定される。この場合には、各エッジ特徴は、輪郭抽出処理の一部として実行された以下の測定を有する：
エッジの中心のポジションｘm，ｙm（水平及び垂直画像座標）
配向θm、即ち、エッジと水平の間の角度
【００６５】
追跡装置の目的は、仮想ガウス分布を伴う測定エラーが存在すると仮定して、上記測定から各点における境界の最もそれらしい真の位置ｘs，ｙs，配向θs及び曲率κを推定することである。以下の情報ベクトルが定義される：
測定ベクトル ｚ＝（ｘm，ｙm，θm）；
システム状態ベクトル ｘ＝（ｘs，ｙs，θs，κ）
【００６６】
これを行なうようにＰＤＡＦフィルタを用いるために、真の境界及び測定処理に関する以下の情報が要求される：
境界上の近隣する点の位置、配向及び曲率間の関係（システム・モデル）。これは、近隣する状態ｘをリンクする遷移マトリックスΦと、余分のランダム摂動をｘに加えるシステム・ノイズ・モデルとを組み込む。
測定ベクトルｚとシステム状態ｘとの間の関係。これは、ｘをｚにリンクする遷移マトリックスＨと、余分のランダム摂動をｚに加える測定ノイズ・モデルとを組み込む。
エッジ・フューチャの全てが核境界に関連付けられるとは限らないと仮定する；クラッタとして示されていないものである。
【００６７】
その最も一般的な形においてＰＤＡＦは、ｘを推定することにおける各ステップでいくつかの測定ｚを処理する。この場合には一つのエッジ特徴だけが一度に処理されて、テストされるべき二つの仮説が存在するだけである；特徴がクラッタからかまたは実際の核境界からの、いずれかである。
【００６８】
システム遷移マトリックスΦは、一定の曲率に基づくので、近隣するシステム状態を予測するために、曲率κ、点ｘs，ｙsを通って行く正接傾斜θsを有する単一の円または直線は、次の測定点に最も近い点に挿入される。
【００６９】
システム・ノイズは、曲率、配向及び垂直オフセット（境界に垂直な方向Kにおける移動）における独立摂動に基づくゼロ平均及び共分散マトリックスを伴うガウス分布を有する。ブラウン・モデルが用いられ、曲率、配向及び垂直オフセットにおける摂動の標準偏差は、先の段落の挿入された円のアーク長の平方根に比例する。配向（オリエンテーション）及び垂直オフセットにおける曲率摂動の累積された効果もまたモデル化されて、以下の共分散マトリックスを結果としてもたらす：
【００７０】
【数１１】
システム曲率κ、システム傾斜θ及び垂直オフセットにそれぞれ関して、ｓは、アーク長（先の点と次の点の推定との間の環状距離）である。定数σκ、σsθ、σsyは、核境界の平均粗さを定義し、かつ解析される細胞の種類に依存する。
【００７１】
測定遷移マトリックスＨは、システム・パラメータを自然な方法で測定パラメータにマップする：
【００７２】
【数１２】
測定ノイズは、傾斜及び垂直オフセットの独立的なガウス分布型摂動に基づき、測定傾斜及び垂直オフセットに関してそれぞれ以下の共分散マトリックスを結果としてもたらす：
【００７３】
【数１３】
定数σmθ、σmyは、核境界の平均平滑さを定義しかつ解析される細胞の種類に依存する。
【００７４】
以下の定数は、クラッタ・モデルを定義するために用いられる：
ρ＝クラッタ密度＝核境界に関連付けられない単位エリア毎のエッジの平均数。
ＰD＝エッジ・フューチャが真の核境界に関連付けられる確率。
これらの定数は、画像に存在するクラッタ、核境界に対するそのエッジ強度及びその平均空間密度の両方に依存する。
【００７５】
平均半径ｒを有する核に対して、上記モデルの以下のパラメータが用いられる（全ての単位は画像画素である）：
σκ＝ｒ3/2
σmy＝３
σmθ＝０．３ラジアン
σsy＝０．９
σsθ＝０．０９ラジアン
ρ＝０．０１
ＰD＝０．８
【００７６】
システム共分散マトリックスＭに対する初期値は、
【００７７】
【数１４】
によって与えられる：
【００７８】
ＰＤＡＦ推定装置をここで以下のように連続的に適用する。マトリックスＨκ、Ｑκ及びＲκは、（上に定義したように）このアプリケーションでは全て定数である。以下の式は、上に示したBar-Shalom and Fortmannの参考文献から知られるものである。
【００７９】
更新：
新しく取り入れたもの
【００８０】
【数１５】
ここで
【００８１】
カルマン利得マトリックス
【００８２】
【数１６】
ここで
【００８３】
ベータ重み
【００８４】
【数１７】
ここで
ｉ≠０に対して、及び
【００８５】
状態推定更新
【００８６】
【数１８】
【００８７】
エラー共分散更新
【００８８】
【数１９】
ここで
【００８９】
予測：
状態推定挿入
【００９０】
【数２０】
【００９１】
エラー共分散挿入
【００９２】
【数２１】
【００９３】
この処理は、輪郭全体がトラバーズされる（即ち、開始点に戻る）まで継続する。次いで、これは、（第２のパスに対する開始条件として第１のパスからの最終状態を用いて）２回目に対して輪郭の回りで繰り返される；これは、平滑化された輪郭の最終推定が想定初期条件に独立であるということを確実にする。
【００９４】
ＰＤＡＦ追跡装置から導き出された平滑化された輪郭の曲率は、対象物の境界の非凸面の大きさの測定を見出すためにここで用いられる。まず第１に、曲率の符号は、（境界の外側から見たときに）境界が局所的に凸面であるところで正でありかつ局所的に凹面であるところで負であるように設定される。次いで、曲率の全ての正の値は、ゼロに設定されて、境界が局所的に凹面である位置に非ゼロ値だけをそのまま残す。曲率（Ｙ-軸）に対して外周アーク長、即ち境界に沿った距離（Ｘ-軸）のグラフがプロットされ、次いでアーク長に関する曲率の線積分が計算される。この積分の絶対値は、非負（ノン-ネガティブ）の結果を生成するために取られる。最終結果は、“負の曲率エリア”と呼ばれる、非凸面全体の指示を与える無次元量である。ほぼ完全に凸面である対象物、この場合には負の曲率エリアが０．２より小さい対象物は、次いで除外される。この処理からの出力は、各対象物に対する一組の境界測定、具体的には負の曲率エリアであり、より正確にはエリアの推定である。
【００９５】
グレーレベル正規化
次に、異なるスライド間の輝度全体における差を考慮に入れるために正規化処理２５が実行される。各残っている対象物に対して、段階２３で見出された高解像度輪郭内（しかし輪郭上ではない）に閉じ込められた画素の平均グレーレベルが計算される。正規化に用いられた統計量は、段階２２から得られた領域のグレーレベルの平均及び標準偏差全体である。次いで（この平均を引き算しかつこの標準偏差で割り算することによって）各対象物のグレーレベルが正規化される。出力は、各仮想核に対する統計量である。
【００９６】
第２のクラッタ除外
次の処理２６は、有糸分裂核を表している対象物と非有糸分裂核を表している対象物との間を識別するためにフィッシャー分類器に基づく分類及びクラッタ除外の第２の段階を含む。フィッシャー分類器は、例えば、“Statistical Pattern Recognition” by Andrew R. Webb, Arnold Press, 1999のセクション４．３に記述された既知の統計的分類方法であり、かつ過剰訓練に対するその頑強性により処理のこの段階に対して好適である。
【００９７】
この場合にはフィッシャー分類器は、上述したように解析によって導き出された各対象物に関する一組の情報を用いる。各情報の組は、特徴ベクトル、即ち、それぞれが対象物のある形態を記述している実数の順序付けされたリストである；各構成要素番号は、対象物特徴を示す。分類アルゴリズムの目的は、それらの特徴ベクトルに包含された情報に基づき対象物の二つの分類の間を識別することである。アルゴリズムの出力は、それが表す核が二つの選択された分類（この場合には分類は有糸分裂及び非有糸分裂である）の一つのメンバーであるという可能性を示している、各対象物に対して一つの、一組の数（番号）である。
【００９８】
所与の特徴ベクトルｘに対して、フィッシャー分類器出力の標準実施は、以下のように定義される：
【００９９】
【数２２】
ここでｘ＝［ｘ1，...，ｘk］は、特徴ベクトルである。この実施形態では、この定義は、特徴ベクトルの非線形関数を用いるために拡張された。具体的には：
【０１００】
【数２３】
ここでａkは、指定された実数であり、かつｇkは、特徴ベクトルｘの指定された関数である。これらの関数及び変数は、既知の分類を有する対象物に対して最少数の誤分類を与えるために選択される。
【０１０１】
特徴ベクトルｘの構成要素は、（段階２５で計算された）平均グレーレベル及び（段階２４で計算された）負の曲率エリアである。より小さい有糸分裂細胞核は、大きな有糸分裂細胞核よりも暗くかつ小さい凹面になる傾向があるので、原則としてエリアを用いることもできる。この場合には基底関数（ｇk）の二次の組を用いて、フィッシャー分類器値が次のように与えられる：
【０１０２】
【数２４】
ここでＧは、正規化されたグレーレベル、Ｃは、負の曲率エリア、及びａiは、以下に示す訓練段階から導き出される。
【０１０３】
フィッシャー分類器に対する係数及び決定境界は、正確な評価用データ(ground truth)(有糸分裂及び非有糸分裂細胞の組)も利用可能であるような組織病理学者によって供給される多数の例示スライドで分類器を訓練することによって得られる。訓練段階は、誤分類の総数、即ち誤負（見落した有糸分裂細胞）及び誤正（誤って検出した非有糸分裂細胞）の両方を最小にする分類器境界を結果としてもたらす。好適な実施形態では、この訓練段階から導き出された結果として得られた（合成）係数ａiは、［−０．８７４３１，０．１０２０５，０．８４６１４，−０．１８７４４，−０．０４９５４，−５．５６３３４］である。図５は、それ（分類器）が訓練されたデータと一緒に分類器を示し、（図５で）プラス（＋）は有糸分裂細胞を示しかつクロス（×）は非有糸分裂細胞を示す。
【０１０４】
有糸分裂計数
段階２７は、有糸分裂細胞の核を表すと思われる対象物の数、換言するとその値がフィッシャー分類器の出力における所与のしきい値を超える対象物だけを計数する。好適な基準は、見落した有糸分裂細胞と誤って検出した非有糸分裂細胞との間の最適トレードオフを与えるべく設定された、（図５において決定境界として示された）Ｆ＞０である。分類器値がこのしきい値を超える対象物の数は、そのタイルに対する有糸分裂計数を定義する。解析された１０個のタイルに対する計数は集計され、かつ既存の手動処理手順に関して先に説明したような表に従って癌等級の表示に変換することができる。
【０１０５】
本発明の好適な実施形態に対して上述した処理段階の全てを実施するためのコンピュータ・プログラムのコーディングは、通常の技法に従って熟練したプログラマによって達成することができる。従って、係るプログラム及びコードは、これ以上説明しない。
【図面の簡単な説明】
【０１０６】
【図１】図１は、患者診断に対する有糸分裂活動を測定するための本発明による自動処理のブロック図である。
【図２】図２は、図１の有糸分裂検出及び測定ブロックにおける主要段階のよる詳細なブロック図である。
【図３】図２の処理の輪郭選択段階の簡略化した可視化を示す図である。
【図４】図２の処理の輪郭選択段階の簡略化した可視化を示す図である。
【図５】図２の後の段階で用いられるフィッシャー分類器における決定境界を示す図である。
【符号の説明】
【０１０７】
２１ 候補細胞核の位置
２２ セグメンテーション及び第１のクラッタ除外
２３ 輪郭選択
２４ 境界追跡
２５ グレーレベル正規化
２６ 第２のクラッタ除外
２７ 有糸分裂計数
【技術分野】
【０００１】
本発明は、デジタル画像の自動解析に関する。特に、本発明は、特には乳房組織における癌の存在及び激しさを評価することを目的とする組織学及び細胞学標本のデジタル画像における有糸分裂活動の自動識別に関し、かつこれに関連して本発明をここに主に記述する。しかしながら、本発明は、また、大腸癌や子宮頚癌のような、その他の形式の癌の評価における応用、及び、例えば、一定の種類の種子またはその他の粒子を含んでいる土壌サンプルの解析において、同様な方法で識別が容易にできる画像構成要素を示している様々な他の種類の構造の解析における応用を見出しうる。
【背景技術】
【０００２】
十分に早期に検出されたならば生存の高い確率が理論的に存在する癌である、乳癌により多数の女性が毎年不必要に亡くなっている。サンプルにおける癌性の組織の存在を見落としたならば、次回の検査が行なわれるまでに、癌が進行してしまいかつ生存の可能性がかなり低減されうる。従って、サンプルにおける癌性の組織を検出することの重要性は、過度の評価であり得ない。
【０００３】
一般的な国民乳房検診プログラムは、極微の損傷の早期検出に対してマンモグラフィを用いる。一度乳癌を示す損傷が検出されたならば、診断及び予後を確立するために訓練を受けた組織病理学者によって組織サンプルが取られかつ検査される。特には、乳癌に対する主予後因子の一つは、有糸分裂活動の程度、即ち、起こっている上皮細胞分裂の程度である。組織病理学的スライドは、事実上、細胞分裂処理における非常に短い時間間隔を表している“スナップショット”であり、有糸分裂活動の特定のフェーズを示している特定のスライドの可能性は、非常に小さい；そのようなフェーズがスライドに事実存在するならば、それは潜在的腫瘍がどのくらい早く成長するかのよい指標である。
【０００４】
有糸分裂活動を評価するための既存の手動式手順において、組織病理学者は、スライドを顕微鏡に置きかつ有糸分裂の適用に対して×４０倍で（タイルと呼ぶ）その領域を検査する。組織サンプルから一般的に１０の異なるタイルが検査されかつ細胞分裂の数の合計が計数され、組織病理学者の意見では１０のタイルで起こっているように見える。次いで、これは、以下の表に従って一般的に癌の等級の表示に変換される:
【０００５】
１０タイル毎の有糸分裂細胞の数 癌の等級
０からＮ 等級１
（Ｎ＋１）からＭ 等級２
＞Ｍ 等級３
ここで等級１は最低位の重症であり、等級３は最上位の重症である。Ｎ及びＭの値は、一般的に５及び１０であるが、観察されているタイルの大きさに依存して異なる方式で変化する。
【発明の開示】
【発明が解決しようとする課題】
【０００６】
しかしながら、これは、時間のかかる、労力集中かつ高価な処理である。そのような検査を実行するための資格は、取得することが容易ではなくかつ頻繁な見直しを必要とする。検査自体は、目によるカラー画像の解釈を必要とするし、インター、及びイントラ-観察者解析の両方における相当な変化、即ち、観察における変動によって特徴付けられる高度に主観的な処理は、異なる組織病理学者によって、かつ異なる時間において同じ組織病理学者によって同じサンプルに対して発生しうる。例えば、研究は、同じ１０のサンプルを検査した二人の異なる組織病理学者がそれらの３つについて異なる意見、３０％のエラーを与えうるということを示した。この問題は、あるサンプルの複雑性によって、特に明確な結論が存在しないぎりぎりの場合において、悪化される。十分に訓練されたスタッフが利用可能ではない場合には、これは、解析を完了するための圧力に強い衝撃を与えて、診断における誤評価及び遅延を潜在的に導く。
【０００７】
これらの問題は、ある女性が病気を有しているとして正確に認識されないという結果を伴って乳癌に対するスクリーニングの程度及び有効性に実際的な限度が存在するということを意味し、かつある場合には、この失敗が時期尚早の死を結果としてもたらしうる。逆に言えば、その他が乳癌として不正確に診断され、従って不必要な外科的処理を潜在的に行なってしまう。
【０００８】
そこで、本発明の目的は、本発明がその他の技術分野において応用を見出しうることを先に示したけれども、乳癌の組織学及び細胞学で支援するために、頑強な、客観的かつ費用有効ツールで実施することができる画像解析の自動化方法を提供することにある。
【課題を解決するための手段】
【０００９】
一態様において、本発明は、従って、特定された強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と、それぞれの前記対象物を包含する画像内の特定された大きさの領域を定義する段階と、それぞれの前記領域内のデータから、同じ強度の点を備えている一つ以上のそれぞれの閉じた輪郭を導き出す段階と、及び少なくともその凹面の測定を生成するためにそれぞれの前記領域内の少なくとも一つのそれぞれの前記輪郭の曲率を推定する段階とを具備する、画素のアレイを備えているデジタル画像の自動解析方法に存在する。
【００１０】
好適な実施形態の後に続く詳細な説明から理解されるように、そのような方法は、組織病理学的スライドのデジタル画像における有糸分裂細胞核を識別することに用いられる。
【００１１】
また、本発明は、上述した方法を実行するための手段を備えているデジタル画像の自動解析用装置、及びコンピュータに上述した方法を実行させるように構成されたコンピュータ・プログラム・コード手段を有しているコンピュータ読取り可能媒体を備えているコンピュータ・プログラム製品及びそのようにする命令を具備しているコンピュータ・プログラムにも存在する。
【００１２】
本発明のこれら及びその他の形態を、例えば、添付した図面を参照してかつ乳房の潜在的癌の組織病理学的スライドのデジタル画像における有糸分裂上皮細胞核の数に基づき癌を等級分けする自動システムに関してここでより特定して説明する。
【発明を実施するための最良の形態】
【００１３】
図１は、潜在的な乳房の悪性腫瘍(乳癌)の組織病理学的スライドの形式の組織サンプルの評価に対する処理を示す。処理は、患者の診断を評価するための基礎として病理学者による使用のためのパラメータを生成するために上皮細胞の有糸分裂活動を測定する。それは、組織学的スライドから取得したデジタル化された画像データを維持する、データベース１を採り入れる。セクションが乳房組織サンプルからカットされ、それぞれのスライドに置かれ、かつ組織及び細胞構造の輪郭を描くための一般的な染色である、染色剤ヘマトキシリン及びエオシン（Ｈ＆Ｅ）を用いて染色される。
【００１４】
解析用のデジタル化された画像データを得るために、組織病理学者は、顕微鏡でスライドをスキャンしかつ４０×倍率で有糸分裂活動を解析する点からみて最も見込みがあるように見えるスライドの領域を選択する。次いで、これらの領域のそれぞれは、顕微鏡及びデジタル・カメラを用いて写真に撮られる。一例では、Zeiss Axioskop顕微鏡がJenoptiks Progres 3012デジタル・カメラと共に用いられた。これは、各領域に対して３色、即ち、赤、緑及び青（Ｒ，Ｇ，及びＢ）でそれぞれのデジタル化された画像を生成する。Ｒ，Ｇ及びＢ画像面のそれぞれの強度値がアレイの各画素に対してそれゆえに得られる。好適な実施形態において、各カラーに対して８ビット範囲の画素強度（０から２５５までの値）があり、かつアレイは、２２０ｎｍ四方の画素サイズを有する、横方向１４７６画素、縦方向１１６０画素を備えている。画像データは、後の使用のために（図１の参照番号）１（データベース）に一時的に記憶（格納）される。１０のデジタル化された画像（タイルの電子的等価物）は、（図１の参照番号）２において有糸分裂活動の検出及び測定に対して要求され、２は、３における診断報告書への入力を次いで供給する。原則として以下に詳述する処理段階は、単一のウェーブバンド（Ｒ，ＧまたはＢ）画像またはそれらの組合せで動作することができる。しかしながら、実際には、赤のウェーブバンドは、Ｈ＆Ｅで染色したときに有糸分裂細胞とその他のセルとを見分けるための最も多くの情報を包含することが見出され、かつ以下の説明で用いられると仮定する。処理は、適当にプログラムされたパーソナル・コンピュータ（ＰＣ）または適当な処理能力のその他の汎用コンピュータまたは専用ハードウェアで実行することができる。
【００１５】
図２は、図１のブロック２において構成された処理段階をより詳細に示す。処理段階は、上記した１０のデジタル化された画像のそれぞれに対して実行されかつ一つの係る画像（タイル）に対してここで説明する。この説明の理解を助けるために、処理の目的は、各タイルにおける（もしあれば）有糸分裂上皮細胞核の数を識別しかつ計数することであるということを思い出す。上述したように取得した画像において、係る核は、一般に正常な上皮細胞核よりも暗く見えるし、かつまた異なる形状を有する。正常な核は、一般に平滑な境界を有する凸面であると同時に有糸分裂核は、形状がよりふぞろい(irregular)でかつでこぼこした境界(ragged boundaries)を有する。しかしながら、有糸分裂上皮細胞核が所与のタイルにおいて常に最も暗い対象物であるとは限らない；例えば、間質系細胞、リンパ球及び壊死性細胞がより暗いものでありうる。所与のタイルに存在しうるが重篤な病気を示しうる比較的少ない数の有糸分裂を仮定すると、可能な限り多くが正確に識別されると同時に、有糸分裂として不正確に識別された正常な細胞核またはその他の対象物の数を最小にすることは、重要である。
【００１６】
候補細胞核の位置
ここで図２を参照すると、第１の処理段階２１は、全ての可能な候補細胞核（の位置）を捜し出すことで構成されている。潜在的な有糸分裂核の位置を識別するために採用されたアプローチは、有糸分裂核の位置が一般的に平均的な核よりも暗いという事実に基づく。有糸分裂核は、ほとんどの場合固形の暗い対象物（即ち全体を通して暗い）として画像に現れるか、または代わりに時々それらは、小さな暗い塊の群を形成する。それゆえに目標は、暗い画素の集団を見出すことである；これらは、必ずしも暗い画素の連続群である必要はないが、しかし十分な数の群がった暗い画素を包含している領域である。
【００１７】
これを行なう様々な方法がある。一つの例は、しきい値が選択されかつこのしきい値以下のグレーレベルを有している画素だけが選択される、簡単なグレーレベル・セグメンテーションである。このアプローチの欠点は、ある有糸分裂核が著しく暗くないが、しかしそれらの形状特性から識別可能なだけであるということである。係る核を検出するために十分に低いしきい値を選択することは、クラッタの超過をもたらすであろう。
【００１８】
好適なアプローチは、以下に説明するマルチリゾリーション・ブロッブ・フィルタリングを使用することである。しかしながら、画像処理技術における当業者にとって明らかであるように、本発明は、この特定の技法を採用することなく実施されうる。代替は、同時係属中の英国特許出願第０２２６７８７．０号において有糸分裂キューイングとして記述された処理を含む。一般的な原理は、核のおおよその大きさが知られているものと仮定すると、その形状及び大きさがフィルタの形状及び大きさと概ね一致する局所輝度及び暗さの領域がある場合にその出力が大きさにおいて大きい放射相称フィルタを適用することである。このフィルタは、ゼロ平均を有する差分フィルタであるべきであり、それにより一定強度のエリアが抑制される。
【００１９】
方法は、特定の実施、具体的には例えば、“Multiresolution analysis of remotely sensed imagery”, J. G. Jones, R. W. Thomas, P. G. Earwicker, Int J. Remote Sensing, 1991, Vol. 12, No. 1, pp. 107-124から知られたマルチスケール・ブロッブ・フィルタに関してここで説明される。処理は、これらが連続オクターブ（２の累乗）・スケール・サイズで定義される、特定の大きさのブロッブ・フィルタを用いて画像をフィルタすることに対して記述される。
【００２０】
マルチスケール・ブロッブ・フィルタに対する再帰的構築処理は、二つのフィルタを含む；以下に定義するような３×３ラプラシアン・ブロッブ・フィルタ（Ｌ）及び３×３平滑フィルタ（ｓ）。
【００２１】
【数１】
これら二つのフィルタは、以下の処理による、一組のオクターブ・スケール・サイズにわたるフィルタリングに対する基礎を形成する：
【００２２】
最初の解像度（オクターブ・スケール １、画素サイズ １）におけるブロッブ-形状型対象物を向上させるために、画像は３×３ラプラシアン・フィルタだけに相関される：
【００２３】
【数２】
ここでｌは最初の画像、そしてインデックス（索引）ｍ及びｎの範囲は上記総和におけるインデックスが常に最初の画像寸法内にあるような組である（そこでｍ及びｎは２で開始する）。これらの範囲の外側の位置でフィルタされた画像の値はゼロに設定される。
【００２４】
計算効率に対して、±１による乗算は、明示的に実行する必要がない。そこで、位置（ｉ，ｊ）に配置された画素に対するフィルタされた出力値は、
【００２５】
【数３】
によって与えられる。
【００２６】
最初よりも１オクターブ上の解像度（オクターブ・スケール ２、画素サイズ ３）でブロッブ-形状型対象物を向上させるために、画像は、３×３平滑フィルタ（ｓ）とまず相関され、平滑された画像（Ｓ2）を形成する。次いで、３×３ラプラシアン・ブロッブ・フィルタ（Ｌ）は、５×５フィルタ［−１０−１０−１；０００００；−１０８０−１；０００００；−１０−１０−１］を形成するために、ゼロでそれをパディングすることによって、２の因数によって拡張される。次いでこれは、フィルタされた画像（Ｆ2）を形成するために平滑された画像（Ｓ2）と相関されるが、しかし計算効率に対して、非ゼロ・フィルタ係数だけが用いられ、それゆえに：
【００２７】
【数４】
ここでｌは最初の画像、そしてインデックスｍ及びｎの範囲は上記総和におけるインデックスが常に最初の画像寸法内にあるような組である（そこでｍ及びｎは４で開始する）。これらの範囲の外側の位置でフィルタされた画像の値はゼロに設定される。
【００２８】
上記二つの相関は、拡張した５×５ラプラシアンを３×３平滑フィルタと相関することから形成された７×７フィルタを有する最初の画像の単一の相関に等しいが、しかし、このより大きなフィルタは決して明示的に形成されない。
【００２９】
オリジナル（スケール ３、画素サイズ ７）の２オクターブ上の解像度でブロッブ−形状型対象物を向上させるために、平滑フィルタは、上記ラプラシアンと同じ方法で２倍に拡張され、次いで低解像度平滑画像（Ｓ3）を付与するために上記平滑された画像（Ｓ2）と相関される：
【００３０】
【数５】
【００３１】
これに続いて、５×５ラプラシアン・フィルタは、９×９フィルタを形成するためにゼロで埋めることによって２倍に拡張され、同じ計算的効率方法で平滑された画像（Ｓ3）に相関される、それゆえに：
【００３２】
【数６】
【００３３】
この処理は、連続オクターブ・スケールで結果を得るために繰り返される。具体的に、毎回、平滑フィルタ及びラプラシアン・ブロッブ・フィルタの両方を拡張する。
【００３４】
上記処理は、要求されたオクターブ・スケールで“ブロッブ-フィルタされた”画像を生成するために用いられうる。考察の対象となる対象物（即ち、この場合には暗い画素の集合体は、フィルタ出力の大きさの最も大きな値を有する。局所的に最強のフィルタ出力は、考察の対象となる対象物の中心で発生する。個々の対象物（“ブロッブ”と呼ぶ）は、フィルタ出力の極小値を見出すことによってここに識別され、各ブロッブが位置及び強度を割り当てられ、強度が極小値におけるフィルタ出力の値である。
【００３５】
このアプリケーションでは、背景に対して暗い対象物は、一つの選択されたスケール、この例ではオクターブ・スケール５（横方向３１画素の核サイズ）におけるフィルタ出力の極小値を見出すことによって識別される。
【００３６】
計算効率に対して、画像の空間解像度は、以下の間引き方法を用いて、ブロッブ・フィルタリングの前に縮小される。２の因子による解像度における各縮小（“間引き（thin）”は、まず画像を３×３平滑フィルタ（ｓ）と相関し、次いで２の因子で副標本を取ることによって達成される。単一の間引きに対する式は次のようである：
【００３７】
【数７】
ここにＩは最初の画像、Ｔは間引かれた画像、そしてインデックスｍ及びｎは１から間引かれた画像の寸法（ディメンション）の範囲にわたる。間引かれた画像の各寸法は、これがそれぞれ奇数か偶数かにより、最初の画像の対応する寸法から１または２を引き算し、次いで２で割り算することによって与えられる。
【００３８】
この例では、画像は、その直線の寸法がオリジナルの大きさの四分の一（エリアが１/１６）である、新たな画像を生成するために、上記処理を二度、まず最初の画像に、次いで結果として得られた、間引かれた画像に再び適用することによって、４の因子で解像度が縮小される。例えば、サイズ１４７×１１６０画素のタイルの最初の画像は、３６８×２８９画素になる。ブロッブは、オクターブ・スケール３（横方向７×７画像）の縮小された解像度画像から上述したようにここで抽出される。これは、最初の画像からスケール５ブロッグを抽出することに等しいが、計算的効率がよい。
【００３９】
この処理は、必要な大きさの暗い集団を形成する全ての対象物を識別し、有糸分裂上皮細胞核だけでなく、考察の対象とならない背景クラスタ、間質系細胞、リンパ球及び／又は壊死性細胞、及びフェインター正常上皮核も含みうる。有糸分裂核が平均よりもかなり暗いものであるらしいということが知られているので、ブラッブの最も暗い１０％が更なる解析のために選択される。これは、（例えば、Klette R. Zamperoniu P., “Handbook of Image Processing Operations”, John Wiley & Sons, 1996に記載されるような）QuickSortアルゴリズムを用いて、ブラッブをフィルタ出力の昇順に分類し（そこで最も暗い部分が最初に発生する）、分類された値の第１０百分位数を見出し、かつこの百分位数よりも暗い全てのブロッグを選択することによって達成される。
【００４０】
セグメンテーション及び最初のクラッタ除去
次の処理段階２２は、画像の近似セグメンテーションを見出し、背景から、考察の対象となる細胞核に潜在的に関連付けられた（画素の連続組として定義された）領域を分離することを目的とする。標準サイズの最初の画像（赤の構成要素）がこの段階の開始で用いられる。
【００４１】
まず第１に、グレーレベルしきい値が選択される。これは、段階２１の終りで選択されたブラッブのそれぞれに中心が置かれた一組の１５×１５画素近隣を選択し、全てのこれら近隣内の全ての画素を単一のリストにコレートし、かつこれらの画素の平均グレーレベルを計算することによって達成される。
【００４２】
新しいしきい値の２値画像がここで生成される。上記で計算されたグレーレベルがしきい値平均以下である（しきい値平均よりも暗い）最初の画像の赤の構成要素における画素は、１に設定される；残りの画素は、０に設定される。
【００４３】
連続構成要素標識付けがここでこの２値画像に適用される。これは、その値が全て１である連続画素の群である、２値画像の連続領域に数値標識を付与する（A Rosenfeld and A C Kak, “Digital Picture Processing”, Vol. 1 & 2, Academic Press, New York, 1982に記述されるように）既知の画像処理技法である。８-連続規則が用いられて、画素は、画素が水平、垂直、または対角に隣接する場合に接続されるものとみなす。段階２１からの選択されたブロッグに対応する各領域は、別個の標識が割当てられ、これらの領域に属する画素を識別できるようにする。以下の領域特性が次いで計算される：
エリア＝領域内の画素の数
厚さ＝次のように定義された、領域の最小厚さ：領域の各画素に対して、その画素
から領域の外側までの最小距離を見出す。次いで、厚さは、これら最小距離の最大
のものであるように定義される。厚さは、幅と同じではないということに注目する
；矩形に対して厚みは幅の半分であり、かつ円に対して厚さは半径である。
【００４４】
そのエリアが１９０画素よりも少ないかまたはその厚さ４画素よりも少ない領域は、除外される。これらは、有糸分裂細胞核であるにはあまりにも小さい。
この段階で、また各領域内の画素の平均グレーレベルも最初の画像の赤の構成要素から計算される。次いで、これらの平均グレーレベルの総合平均及び標準偏差がグレーレベル正規化における後の使用に対して見出される（段階２５）。
【００４５】
輪郭選択
次の処理段階２３は、低及び高解像度の両方における各残存対象物(remaining object)の境界の実際の形状のより良い表現を獲得するために二つのレベルの輪郭選択を取り入れる。まず第１に、低解像度（大規模）輪郭が計算され、近似形状を与え、そして第２に高解像度（小規模）輪郭が見出されてより正確な境界表現を与える。二つの輪郭の間の一貫性検査に続いて、境界の属性が小規模輪郭から次いで測定される。
【００４６】
段階２２の後に残っている対象物のそれぞれに対して、考察の対象となる局所領域（ＲＯＩ）が選択される。このＲＯＩは、（段階２１で見出されたような）対象物の公称中心に中心が置かれ、かつ各方向に５０画素の大きさを有し、領域の大きさは、ＲＯＩが最初の画像の範囲内に存在することを確実にするために必要に応じて切り捨てられる。これは、さもなければ画像のエッジをオーバーラップするであろうＲＯＩｓを含ませる。代替的に、ＲＯＩｓは、段階２２で識別された領域を取りかつ選択された数の画素の境界線を追加することによって定義することができる。いずれの場合においても、ＲＯＩｓは、低解像度輪郭の生成を確実にするためにある程度それらの領域の大きさを超えることが望ましい。
【００４７】
各対象物の境界に対する低解像度表現を見出すために、上記ＲＯＩによって定義された領域は、ブロッブ・フィルタの出力内の副画像を定義するために用いられる（段階２１）。副画像は、正及び負のグレーレベルの両方で構成されている。この副画像内の二つのレベルにおける輪郭は、具体的には、経験的に最良であることが見出されたレベル０及び−１０で、次いで捜し求められる。段階２１におけるブロッブ・フィルタの動作によって、それぞれの副画像におけるゼロ・レベル輪郭は、最高エッジ強度を示すその輪郭である。輪郭は、ある所与の関数に対して等しい値の点で構成されている曲線である；この場合には、関数は、グレーレベル画素値によって定義される。この実施形態では、Matlab（登録商標）輪郭関数が採用されているが、輪郭の回りに順序付けて配置された一組の連続点と同じ形に輪郭を戻すあらゆる輪郭形成(contouring)アルゴリズムを用いることができる；（Matlab（登録商標）は、The MathWorks, Inc.からのよく知られた計算ツールである。）。Matlab（登録商標）は、輪郭の回りの位置の順番にある副画素解像度を有する一組の位置を戻す、即ち、一組の位置をトラバースすることは、輪郭の回りを歩くことに等しい。輪郭は、それらが全ての以下の４つの条件を満足する場合にだけ有効であるとして処理される：
- それらがＲＯＩ内で閉じられたループを形成する、即ち、最後の輪郭点が第１の輪郭点と同じである；
- それらが対象物の位置（ロケーション）と一致する（対象物の名目上の中心からの距離が３０画素以下であるような少なくとも一つの輪郭点が存在する）；
- それらが段階２２で計算されたグレーレベル・セグメンテーションから見出された“名目上のエリア”に対して十分に小さいエリアを有する（輪郭内のエリアの定義は、このセクションの後の方で与えられる）。輪郭エリアは、名目上のエリアの少なくとも５０％でなけらばならない；
- それらは、正しいグレーレベル配向を有する、具体的には輪郭エリア内の画素は、輪郭の外側のものよりも暗い。
【００４８】
対象物は、有効輪郭が二つの輪郭レベルの少なくとも一つ（０または−１０）から見出された場合にのみ将来の解析に対して保持される（コンピュータのリストに維持される）。両方の輪郭レベルが有効な輪郭をもたらしたならば、後者のもの（−１０）が将来の使用に対して選択される。
【００４９】
高解像度表現を見出すために、上記ＲＯＩによって定義された領域は、副画像を形成するために最初の画像の赤の構成要素から取り除かれる。輪郭は、その最初の解像度で画像から抽出されない、なぜならばこれらがあまりにも粗いことが見出されているからである。代わりに、結果として得られた副画像は、更なる解像度を与えるために、Matlab（登録商標）双一次挿入関数（bilinear interpolation function）を用いて、大きさが２倍に拡大される。双一次挿入では、最初の画像グリッドの上ではない選択された点の値を見出すために、その４つの最も近いグリッド点が捜し出され、かつ選択された点からその４つの近隣者のそれぞれまでの相対距離が計算される。これらの距離は、選択された点におけるグレーレベル値に対する重み付けされた平均を供給するために用いられる。
【００５０】
次いで、この挿入された画像は、以下のように定義された３×３平滑化フィルタ（ｓ）と相関すること（段階２１に関する先の説明を参照）によって、輪郭形成の前に平滑にされる：
【００５１】
【数８】
【００５２】
次いで、有効輪郭は、いくつかのしきい値レベルのそれぞれで捜し求められる。しきい値レベルの範囲は、副画像内の最小グレーレベルで開始し、かつ１０グレーレベルのステップで最大グレーレベルまで増加して、実際の輪郭レベルは、適応的に設定される。有効輪郭は、上記した低解像度境界に対するものと同じ方法で定義される。
【００５３】
各しきい値レベルにおいて一組の有効輪郭を見出すことにより、輪郭の各点におけるエッジ強度が推定される。各画像画素におけるエッジ強度は、画像Ｉの最初の赤の構成要素のベクトル勾配の係数（modulus）として定義され、ここでベクトル勾配は、
【００５４】
【数９】
として定義され、ここで二つの偏導関数は、Ｘ及びＹ方向の画素グレーレベル値における差をそれぞれ取ることから得られる。画像画素間に存在する輪郭点におけるエッジ強度は、最も近い画素値から（上述したような）双一次挿入を用いて推定される。次いで、輪郭の回りの平均エッジ強度が計算される。最大エッジ強度を有している輪郭は、対象物の境界の最代表であるとして選択される。有効輪郭が見出されなかった場合には、対象物は除外される。
【００５５】
次いで、低解像度輪郭と高解像度輪郭との間の一貫性検査が実行される。各輪郭内のエリアは、（例えば、“Vector Analysis and Cartesian Tensors”, D. E. Bourne and P. C. Kendal, 2nd ed., Nelson, 1977のChapter 6に記述されるような）グルーンの定理を用いて境界輪郭から計算される。これは、エリアに対して以下の式を与える：
【００５６】
【数１０】
ここで（ｘi，ｙi）は輪郭点である。
【００５７】
次いで、これらのエリアに以下のテストを受けさせる：
高解像度エリア＞０．６*低解像度エリア
高解像度エリア＜１．４*低解像度エリア
これらのテストのいずれかに失敗したならば、対象物は除外される。
【００５８】
最終的に、各対象物に対する低及び高解像度輪郭が十分にオーバーラップするという検査がある。各対象物に対して、二つの２値画像が形成される。第１の２値画像は、Matlab（登録商標）関数roipolyを用いて、低解像度輪郭内に存在する画素の値を１に設定し、かつ輪郭の外側にある画素を０に設定することによって形成される。第２の２値画像は、高解像度輪郭から同じ方法で形成される。これら二つの画像の絶対差が取られ、画素が輪郭の他の一つではない一つの内に存在する場合にのみ画素が１に設定され、それ以外は０に設定されるような別の２値画像を結果としてもたらす。連続構成要素標識付け（段階２２の説明を参照）は、個別の領域を識別するためにこの新しい２値画像に適用される。これらの領域のそれぞれの厚さが計算される（段階２２におけるように）。ある領域の厚さが５画素を超える場合には、対応する対象物が除外される。
【００５９】
段階２３処理の効果の簡略化したビジュアリゼーションを図３及び図４に示す。
図３（ａ）では、考察の対象となる局所領域３０は、一連の輪郭によりこの図で表される対象物３２の名目上の中心３１の回りに定義される。また第２の対象物３３も同じ副画像に表されている。図３（ｂ）は、対象物３２に対して計算された低解像度境界輪郭３４を示し、図３（ｃ）は、同じものに対して計算された高解像度境界輪郭３５を示す。図３（ｄ）は、陰影がつけられた差３６の領域と共にこれら二つの解像度の間のオーバーラップを示す。この場合には輪郭３４及び３５内のエリアは、十分に類似しかつ領域３６の厚さは、全ての上記一貫性検査をパスするために十分に小さくかつ対象物３２が保持される。結果としてこれらの検査は、対象物が有糸分裂細胞核を潜在的に示すために十分に均一に暗いということを示している。対象物３３は、その輪郭が中心３１と一貫性がないので、ＲＯＩ３０に対して有効であるとは処理されない。しかしながら、それは、それ自体の名目上の中心の周りに定義された個別のＲＯＩ（図示省略）内で個別に解析される。
【００６０】
図４（ａ）には、対象物４１の回りに定義された考察の対象となる局所領域４０の別の例がある。図４（ｂ）は、この対象物に対して計算された低解像度境界輪郭４２を示しかつ図４（ｃ）は、高解像度境界輪郭４３を示す。この場合には輪郭４３のエリアは、輪郭４２のそれよりも実質的に小さい（概ね０．４）ので、上記一貫性検査の第１に失敗し、かつ対象物４１は、それ以上には処理されない。これは、（低解像度境界として選択された）より暗い領域によって取り囲まれた（その高いエッジ強度により高解像度境界として選択された）比較的暗い核小体を有する正常上皮細胞核を示す。
【００６１】
境界追跡
次の処理段階２４は、追跡アルゴリズムを、曲率を推定するために先の段階２３から保持された各対象物に対する対象物の境界を表している高解像度輪郭に適用する。目的は、境界を平滑にさせそして曲率を測定することである。なぜならば、輪郭セグメントから曲率を単に計算することは、あまりにも大雑把な測定を与えるからである。有糸分裂細胞核の識別に対して、境界の非凸面の程度は、考察の対象となり、後の計算の方法は、不適切である。
【００６２】
好適な実施形態で用いられた特定のアルゴリズムは、Y. Bar-Shalom and T. E. Fortmann, “Tracking and Data Association”, Mathematics in Science and Engineering series, vol. 179, Orlando, Fl., Academic Press, 1988で記述されたような、確率密度連結フィルタ(Probability Density Association Filter；ＰＤＡＦ)に基づく。この種の追跡アルゴリズムは、問題の対象物に関係ないその他の測定（雑音及びクラッタ）が存在するところで選択された対象物（ターゲット）のパラメータを推定するために設計されている。この場合には“ターゲット”状態変数は、対象物の境界の位置、配向及び曲率であり、かつ測定は、輪郭点の位置及び輪郭点の各ペアを接続している線の配向である。
【００６３】
ＰＤＡＦフィルタは、境界状態のダイナミックスに対するモデルを必要とする。境界ダイナミックスは、一定の曲率（曲率半径が１０画素に設定される）＋（プラス）システム・ノイズとして知られた仮想ランダム摂動(assumed random perturbation)によって与えられる。このノイズは、曲率摂動の変動(variance of curvature perturbation)によって決定され、有糸分裂細胞核の境界がどのように不規則であるかが予測されることにより選択される。好適な実施形態では曲率変動は、位置に対して９かつ角度（ラジアン）に対して０．０９である。
【００６４】
開始点として、有糸分裂細胞核を潜在的に表している各対象物に対して連続組のエッジ特徴が画像から抽出されるものと仮定される。この場合には、各エッジ特徴は、輪郭抽出処理の一部として実行された以下の測定を有する：
エッジの中心のポジションｘm，ｙm（水平及び垂直画像座標）
配向θm、即ち、エッジと水平の間の角度
【００６５】
追跡装置の目的は、仮想ガウス分布を伴う測定エラーが存在すると仮定して、上記測定から各点における境界の最もそれらしい真の位置ｘs，ｙs，配向θs及び曲率κを推定することである。以下の情報ベクトルが定義される：
測定ベクトル ｚ＝（ｘm，ｙm，θm）；
システム状態ベクトル ｘ＝（ｘs，ｙs，θs，κ）
【００６６】
これを行なうようにＰＤＡＦフィルタを用いるために、真の境界及び測定処理に関する以下の情報が要求される：
境界上の近隣する点の位置、配向及び曲率間の関係（システム・モデル）。これは、近隣する状態ｘをリンクする遷移マトリックスΦと、余分のランダム摂動をｘに加えるシステム・ノイズ・モデルとを組み込む。
測定ベクトルｚとシステム状態ｘとの間の関係。これは、ｘをｚにリンクする遷移マトリックスＨと、余分のランダム摂動をｚに加える測定ノイズ・モデルとを組み込む。
エッジ・フューチャの全てが核境界に関連付けられるとは限らないと仮定する；クラッタとして示されていないものである。
【００６７】
その最も一般的な形においてＰＤＡＦは、ｘを推定することにおける各ステップでいくつかの測定ｚを処理する。この場合には一つのエッジ特徴だけが一度に処理されて、テストされるべき二つの仮説が存在するだけである；特徴がクラッタからかまたは実際の核境界からの、いずれかである。
【００６８】
システム遷移マトリックスΦは、一定の曲率に基づくので、近隣するシステム状態を予測するために、曲率κ、点ｘs，ｙsを通って行く正接傾斜θsを有する単一の円または直線は、次の測定点に最も近い点に挿入される。
【００６９】
システム・ノイズは、曲率、配向及び垂直オフセット（境界に垂直な方向Kにおける移動）における独立摂動に基づくゼロ平均及び共分散マトリックスを伴うガウス分布を有する。ブラウン・モデルが用いられ、曲率、配向及び垂直オフセットにおける摂動の標準偏差は、先の段落の挿入された円のアーク長の平方根に比例する。配向（オリエンテーション）及び垂直オフセットにおける曲率摂動の累積された効果もまたモデル化されて、以下の共分散マトリックスを結果としてもたらす：
【００７０】
【数１１】
システム曲率κ、システム傾斜θ及び垂直オフセットにそれぞれ関して、ｓは、アーク長（先の点と次の点の推定との間の環状距離）である。定数σκ、σsθ、σsyは、核境界の平均粗さを定義し、かつ解析される細胞の種類に依存する。
【００７１】
測定遷移マトリックスＨは、システム・パラメータを自然な方法で測定パラメータにマップする：
【００７２】
【数１２】
測定ノイズは、傾斜及び垂直オフセットの独立的なガウス分布型摂動に基づき、測定傾斜及び垂直オフセットに関してそれぞれ以下の共分散マトリックスを結果としてもたらす：
【００７３】
【数１３】
定数σmθ、σmyは、核境界の平均平滑さを定義しかつ解析される細胞の種類に依存する。
【００７４】
以下の定数は、クラッタ・モデルを定義するために用いられる：
ρ＝クラッタ密度＝核境界に関連付けられない単位エリア毎のエッジの平均数。
ＰD＝エッジ・フューチャが真の核境界に関連付けられる確率。
これらの定数は、画像に存在するクラッタ、核境界に対するそのエッジ強度及びその平均空間密度の両方に依存する。
【００７５】
平均半径ｒを有する核に対して、上記モデルの以下のパラメータが用いられる（全ての単位は画像画素である）：
σκ＝ｒ3/2
σmy＝３
σmθ＝０．３ラジアン
σsy＝０．９
σsθ＝０．０９ラジアン
ρ＝０．０１
ＰD＝０．８
【００７６】
システム共分散マトリックスＭに対する初期値は、
【００７７】
【数１４】
によって与えられる：
【００７８】
ＰＤＡＦ推定装置をここで以下のように連続的に適用する。マトリックスＨκ、Ｑκ及びＲκは、（上に定義したように）このアプリケーションでは全て定数である。以下の式は、上に示したBar-Shalom and Fortmannの参考文献から知られるものである。
【００７９】
更新：
新しく取り入れたもの
【００８０】
【数１５】
ここで
【００８１】
カルマン利得マトリックス
【００８２】
【数１６】
ここで
【００８３】
ベータ重み
【００８４】
【数１７】
ここで
ｉ≠０に対して、及び
【００８５】
状態推定更新
【００８６】
【数１８】
【００８７】
エラー共分散更新
【００８８】
【数１９】
ここで
【００８９】
予測：
状態推定挿入
【００９０】
【数２０】
【００９１】
エラー共分散挿入
【００９２】
【数２１】
【００９３】
この処理は、輪郭全体がトラバーズされる（即ち、開始点に戻る）まで継続する。次いで、これは、（第２のパスに対する開始条件として第１のパスからの最終状態を用いて）２回目に対して輪郭の回りで繰り返される；これは、平滑化された輪郭の最終推定が想定初期条件に独立であるということを確実にする。
【００９４】
ＰＤＡＦ追跡装置から導き出された平滑化された輪郭の曲率は、対象物の境界の非凸面の大きさの測定を見出すためにここで用いられる。まず第１に、曲率の符号は、（境界の外側から見たときに）境界が局所的に凸面であるところで正でありかつ局所的に凹面であるところで負であるように設定される。次いで、曲率の全ての正の値は、ゼロに設定されて、境界が局所的に凹面である位置に非ゼロ値だけをそのまま残す。曲率（Ｙ-軸）に対して外周アーク長、即ち境界に沿った距離（Ｘ-軸）のグラフがプロットされ、次いでアーク長に関する曲率の線積分が計算される。この積分の絶対値は、非負（ノン-ネガティブ）の結果を生成するために取られる。最終結果は、“負の曲率エリア”と呼ばれる、非凸面全体の指示を与える無次元量である。ほぼ完全に凸面である対象物、この場合には負の曲率エリアが０．２より小さい対象物は、次いで除外される。この処理からの出力は、各対象物に対する一組の境界測定、具体的には負の曲率エリアであり、より正確にはエリアの推定である。
【００９５】
グレーレベル正規化
次に、異なるスライド間の輝度全体における差を考慮に入れるために正規化処理２５が実行される。各残っている対象物に対して、段階２３で見出された高解像度輪郭内（しかし輪郭上ではない）に閉じ込められた画素の平均グレーレベルが計算される。正規化に用いられた統計量は、段階２２から得られた領域のグレーレベルの平均及び標準偏差全体である。次いで（この平均を引き算しかつこの標準偏差で割り算することによって）各対象物のグレーレベルが正規化される。出力は、各仮想核に対する統計量である。
【００９６】
第２のクラッタ除外
次の処理２６は、有糸分裂核を表している対象物と非有糸分裂核を表している対象物との間を識別するためにフィッシャー分類器に基づく分類及びクラッタ除外の第２の段階を含む。フィッシャー分類器は、例えば、“Statistical Pattern Recognition” by Andrew R. Webb, Arnold Press, 1999のセクション４．３に記述された既知の統計的分類方法であり、かつ過剰訓練に対するその頑強性により処理のこの段階に対して好適である。
【００９７】
この場合にはフィッシャー分類器は、上述したように解析によって導き出された各対象物に関する一組の情報を用いる。各情報の組は、特徴ベクトル、即ち、それぞれが対象物のある形態を記述している実数の順序付けされたリストである；各構成要素番号は、対象物特徴を示す。分類アルゴリズムの目的は、それらの特徴ベクトルに包含された情報に基づき対象物の二つの分類の間を識別することである。アルゴリズムの出力は、それが表す核が二つの選択された分類（この場合には分類は有糸分裂及び非有糸分裂である）の一つのメンバーであるという可能性を示している、各対象物に対して一つの、一組の数（番号）である。
【００９８】
所与の特徴ベクトルｘに対して、フィッシャー分類器出力の標準実施は、以下のように定義される：
【００９９】
【数２２】
ここでｘ＝［ｘ1，...，ｘk］は、特徴ベクトルである。この実施形態では、この定義は、特徴ベクトルの非線形関数を用いるために拡張された。具体的には：
【０１００】
【数２３】
ここでａkは、指定された実数であり、かつｇkは、特徴ベクトルｘの指定された関数である。これらの関数及び変数は、既知の分類を有する対象物に対して最少数の誤分類を与えるために選択される。
【０１０１】
特徴ベクトルｘの構成要素は、（段階２５で計算された）平均グレーレベル及び（段階２４で計算された）負の曲率エリアである。より小さい有糸分裂細胞核は、大きな有糸分裂細胞核よりも暗くかつ小さい凹面になる傾向があるので、原則としてエリアを用いることもできる。この場合には基底関数（ｇk）の二次の組を用いて、フィッシャー分類器値が次のように与えられる：
【０１０２】
【数２４】
ここでＧは、正規化されたグレーレベル、Ｃは、負の曲率エリア、及びａiは、以下に示す訓練段階から導き出される。
【０１０３】
フィッシャー分類器に対する係数及び決定境界は、正確な評価用データ(ground truth)(有糸分裂及び非有糸分裂細胞の組)も利用可能であるような組織病理学者によって供給される多数の例示スライドで分類器を訓練することによって得られる。訓練段階は、誤分類の総数、即ち誤負（見落した有糸分裂細胞）及び誤正（誤って検出した非有糸分裂細胞）の両方を最小にする分類器境界を結果としてもたらす。好適な実施形態では、この訓練段階から導き出された結果として得られた（合成）係数ａiは、［−０．８７４３１，０．１０２０５，０．８４６１４，−０．１８７４４，−０．０４９５４，−５．５６３３４］である。図５は、それ（分類器）が訓練されたデータと一緒に分類器を示し、（図５で）プラス（＋）は有糸分裂細胞を示しかつクロス（×）は非有糸分裂細胞を示す。
【０１０４】
有糸分裂計数
段階２７は、有糸分裂細胞の核を表すと思われる対象物の数、換言するとその値がフィッシャー分類器の出力における所与のしきい値を超える対象物だけを計数する。好適な基準は、見落した有糸分裂細胞と誤って検出した非有糸分裂細胞との間の最適トレードオフを与えるべく設定された、（図５において決定境界として示された）Ｆ＞０である。分類器値がこのしきい値を超える対象物の数は、そのタイルに対する有糸分裂計数を定義する。解析された１０個のタイルに対する計数は集計され、かつ既存の手動処理手順に関して先に説明したような表に従って癌等級の表示に変換することができる。
【０１０５】
本発明の好適な実施形態に対して上述した処理段階の全てを実施するためのコンピュータ・プログラムのコーディングは、通常の技法に従って熟練したプログラマによって達成することができる。従って、係るプログラム及びコードは、これ以上説明しない。
【図面の簡単な説明】
【０１０６】
【図１】図１は、患者診断に対する有糸分裂活動を測定するための本発明による自動処理のブロック図である。
【図２】図２は、図１の有糸分裂検出及び測定ブロックにおける主要段階のよる詳細なブロック図である。
【図３】図２の処理の輪郭選択段階の簡略化した可視化を示す図である。
【図４】図２の処理の輪郭選択段階の簡略化した可視化を示す図である。
【図５】図２の後の段階で用いられるフィッシャー分類器における決定境界を示す図である。
【符号の説明】
【０１０７】
２１ 候補細胞核の位置
２２ セグメンテーション及び第１のクラッタ除外
２３ 輪郭選択
２４ 境界追跡
２５ グレーレベル正規化
２６ 第２のクラッタ除外
２７ 有糸分裂計数
【特許請求の範囲】
【請求項１】
画素のアレイを備えているデジタル画像の自動解析用方法であって、
（ａ）特定された強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と、
（ｂ）それぞれの前記対象物を包含する画像内の特定された大きさの領域を定義する段階と、
（ｃ）それぞれの前記領域内のデータから、同じ強度の点を備えている一つ以上のそれぞれの閉じた輪郭を導き出す段階と、及び
（ｄ）少なくともその凹面の測定を生成するためにそれぞれの前記領域内の少なくとも一つのそれぞれの前記輪郭の曲率を推定する段階と
を具備する方法。
【請求項２】
前記段階（ａ）は、ゼロ平均を有する放射相称差分フィルタの応用を備えている請求項１に記載の方法。
【請求項３】
前記画像は、増加スケールの複数の解像度で濾波される請求項２に記載の方法。
【請求項４】
前記位置は、前記フィルタの出力におけるそれぞれの極値の位置に従って識別される請求項２または３に記載の方法。
【請求項５】
前記フィルタの出力における極値を、強度の順に、分類し、かつそのような順に前記極値の特定された割合に対応する対象物だけを更なる解析のために選択する段階を具備する請求項４に記載の方法。
【請求項６】
前記段階（ａ）に続いて：
前記位置の近隣における画像内の画素の平均強度に関する強度しきい値を選択し；
第１に示した画像における画素が前記しきい値以上かまたは以下かにより２値画像を生成し；
前記第１に示した画像における前記しきい値以下である連続画素で構成された２値画像における領域を識別し；かつ
特定された大きさまたは厚み以下になる２値画像におけるそのような領域に対応する対象物を更なる解析から除外する
段階を更に具備する請求項１〜５のいずれかに記載の方法。
【請求項７】
前記段階（ｃ）は、それぞれの前記領域に対して、それぞれより低い及びより高い解像度を有しているそれぞれの第１及び第２の前記輪郭を導き出し、前記第１及び第２の輪郭の大きさ及び位置が特定された基準内で一貫しているかどうかを決定し、かつそのように一貫しているならば、段階（ｄ）に対して前記第２の輪郭を選択する段階を具備する請求項１〜６のいずれかに記載の方法。
【請求項８】
それぞれの前記領域に対して、第１の前記輪郭は、
それぞれの特定された強度の一つ以上の輪郭を前記領域内で捜し求め；
各係る輪郭が閉じた輪郭であるかどうか及び特定された位置、大きさ及び/又は強度配向基準と一致するかどうかを決定し；かつ
一つ以上の係る輪郭が閉じた輪郭でありかつ係る基準と一致するならば、最も低い強度の輪郭を前記閉じた輪郭から選択する
ことによって導き出される請求項７に記載の方法。
【請求項９】
前記特定された強度は、それぞれの領域内の最も高いエッジ強度の輪郭に対応する強度以下である請求項８に記載の方法。
【請求項１０】
請求項２から５のいずれか一つに追加されたときに、前記第１の輪郭は、それぞれの領域に対して前記フィルタの出力において一つ以上の輪郭を捜し求めることによって導き出されかつ前記特定された強度は、係る出力におけるゼロ・レベル以下である請求項９に記載の方法。
【請求項１１】
それぞれの前記領域に対して、第２の前記輪郭は、
前記領域内の最も低い強度と最も高い強度との間の範囲にわたるそれぞれの特定された強度の複数の輪郭を前記領域内で捜し求め；
各係る輪郭が閉じた輪郭であるかどうか及び特定された位置、大きさ及び/又は強度配向基準と一致するかどうかを決定し；かつ
一つ以上の係る輪郭が閉じた輪郭でありかつ係る基準と一致するならば、最も高いエッジ強度を有している輪郭を前記閉じた輪郭から選択すること
によって導き出される請求項８〜１０のいずれか一項に記載の方法。
【請求項１２】
前記段階（ｄ）は、それぞれの前記輪郭に対する確率密度連結フィルタのアプリケーションを含む請求項１〜１１のいずれかに記載の方法。
【請求項１３】
前記段階（ｄ）は、それぞれの前記輪郭に対して：
凸面及び凹面が正反対の符号である、前記輪郭の周囲の複数の点における前記輪郭の曲率を測定し；
係る曲率の凸面値をゼロに設定し；
輪郭に沿ったそれぞれの点の距離の測定に対して前記点における曲率の結果として生じた値をプロットし；かつ
係るプロットの線積分を凹面の前記測定として計算すること
を具備する請求項１〜１２のいずれかに記載の方法。
【請求項１４】
（ｅ）それぞれの対象物に対応している輪郭の凹面の前記測定の関数及びそれぞれの対象物の平均強度の測定に従って少なくとも二つの分類の一つに対象物を分類する段階を更に具備する請求項１〜１３のいずれかに記載の方法。
【請求項１５】
前記段階（ｅ）は、フィッシャー分類器の使用によって実行される請求項１４に記載の方法。
【請求項１６】
それぞれの対象物の強度は、前記段階（ｅ）の前に正規化される請求項１４または１５に記載の方法。
【請求項１７】
（ｆ）前記種別の特定された一つに分類された対象物の数を計数する段階を更に具備する請求項１４から１６のいずれか一項に記載の方法。
【請求項１８】
組織学的または細胞学的標本のデジタル画像の自動解析に対する請求項１から１７のいずれかに記載の方法。
【請求項１９】
前記画像は、乳房組織のセクションである請求項１８に記載の方法。
【請求項２０】
請求項１７に追加されたときに、前記特定された種類は、有糸分裂上皮細胞核の種類として識別される請求項１８または請求項１９に記載の方法。
【請求項２１】
土壌サンプルのデジタル画像の自動解析に対する請求項１から１７のいずれかに記載の方法。
【請求項２２】
組織学的標本のデジタル画像からの有糸分裂活動の自動識別用方法であって、
（ａ）上皮細胞核に関連付けられた特定された強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と；
（ｂ）それぞれの前記対象物を包含する画像内の特定された大きさの領域を定義する段階と；
（ｃ）同じ強度の点を備えている一つ以上のそれぞれの閉じた輪郭をそれぞれの前記領域内のデータから導き出す段階と；
（ｄ）少なくともその凹面の測定を生成するためにそれぞれの前記領域内の少なくとも一つのそれぞれの前記輪郭の曲率を推定する段階と；及び
（ｅ）それぞれの対象物に対応している輪郭の少なくとも凹面の前記測定の関数として有糸分裂細胞核を表しているとして対象物を分類する段階と
を具備する方法。
【請求項２３】
請求項１〜２２のいずれかによる方法を実行するように構成された手段を備えているデジタル画像の自動解析用装置。
【請求項２４】
コンピュータに請求項１から２２のいずれか一項に記載の方法を実行させるように構成されたコンピュータ・プログラム・コード手段を有しているコンピュータ読取り可能媒体を備えているコンピュータ・プログラム製品。
【請求項２５】
コンピュータに請求項１から２２のいずれか一項に記載の方法を実行させる命令を備えているコンピュータ・プログラム。
【請求項１】
画素のアレイを備えているデジタル画像の自動解析用方法であって、
（ａ）特定された強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と、
（ｂ）それぞれの前記対象物を包含する画像内の特定された大きさの領域を定義する段階と、
（ｃ）それぞれの前記領域内のデータから、同じ強度の点を備えている一つ以上のそれぞれの閉じた輪郭を導き出す段階と、及び
（ｄ）少なくともその凹面の測定を生成するためにそれぞれの前記領域内の少なくとも一つのそれぞれの前記輪郭の曲率を推定する段階と
を具備する方法。
【請求項２】
前記段階（ａ）は、ゼロ平均を有する放射相称差分フィルタの応用を備えている請求項１に記載の方法。
【請求項３】
前記画像は、増加スケールの複数の解像度で濾波される請求項２に記載の方法。
【請求項４】
前記位置は、前記フィルタの出力におけるそれぞれの極値の位置に従って識別される請求項２または３に記載の方法。
【請求項５】
前記フィルタの出力における極値を、強度の順に、分類し、かつそのような順に前記極値の特定された割合に対応する対象物だけを更なる解析のために選択する段階を具備する請求項４に記載の方法。
【請求項６】
前記段階（ａ）に続いて：
前記位置の近隣における画像内の画素の平均強度に関する強度しきい値を選択し；
第１に示した画像における画素が前記しきい値以上かまたは以下かにより２値画像を生成し；
前記第１に示した画像における前記しきい値以下である連続画素で構成された２値画像における領域を識別し；かつ
特定された大きさまたは厚み以下になる２値画像におけるそのような領域に対応する対象物を更なる解析から除外する
段階を更に具備する請求項１〜５のいずれかに記載の方法。
【請求項７】
前記段階（ｃ）は、それぞれの前記領域に対して、それぞれより低い及びより高い解像度を有しているそれぞれの第１及び第２の前記輪郭を導き出し、前記第１及び第２の輪郭の大きさ及び位置が特定された基準内で一貫しているかどうかを決定し、かつそのように一貫しているならば、段階（ｄ）に対して前記第２の輪郭を選択する段階を具備する請求項１〜６のいずれかに記載の方法。
【請求項８】
それぞれの前記領域に対して、第１の前記輪郭は、
それぞれの特定された強度の一つ以上の輪郭を前記領域内で捜し求め；
各係る輪郭が閉じた輪郭であるかどうか及び特定された位置、大きさ及び/又は強度配向基準と一致するかどうかを決定し；かつ
一つ以上の係る輪郭が閉じた輪郭でありかつ係る基準と一致するならば、最も低い強度の輪郭を前記閉じた輪郭から選択する
ことによって導き出される請求項７に記載の方法。
【請求項９】
前記特定された強度は、それぞれの領域内の最も高いエッジ強度の輪郭に対応する強度以下である請求項８に記載の方法。
【請求項１０】
請求項２から５のいずれか一つに追加されたときに、前記第１の輪郭は、それぞれの領域に対して前記フィルタの出力において一つ以上の輪郭を捜し求めることによって導き出されかつ前記特定された強度は、係る出力におけるゼロ・レベル以下である請求項９に記載の方法。
【請求項１１】
それぞれの前記領域に対して、第２の前記輪郭は、
前記領域内の最も低い強度と最も高い強度との間の範囲にわたるそれぞれの特定された強度の複数の輪郭を前記領域内で捜し求め；
各係る輪郭が閉じた輪郭であるかどうか及び特定された位置、大きさ及び/又は強度配向基準と一致するかどうかを決定し；かつ
一つ以上の係る輪郭が閉じた輪郭でありかつ係る基準と一致するならば、最も高いエッジ強度を有している輪郭を前記閉じた輪郭から選択すること
によって導き出される請求項８〜１０のいずれか一項に記載の方法。
【請求項１２】
前記段階（ｄ）は、それぞれの前記輪郭に対する確率密度連結フィルタのアプリケーションを含む請求項１〜１１のいずれかに記載の方法。
【請求項１３】
前記段階（ｄ）は、それぞれの前記輪郭に対して：
凸面及び凹面が正反対の符号である、前記輪郭の周囲の複数の点における前記輪郭の曲率を測定し；
係る曲率の凸面値をゼロに設定し；
輪郭に沿ったそれぞれの点の距離の測定に対して前記点における曲率の結果として生じた値をプロットし；かつ
係るプロットの線積分を凹面の前記測定として計算すること
を具備する請求項１〜１２のいずれかに記載の方法。
【請求項１４】
（ｅ）それぞれの対象物に対応している輪郭の凹面の前記測定の関数及びそれぞれの対象物の平均強度の測定に従って少なくとも二つの分類の一つに対象物を分類する段階を更に具備する請求項１〜１３のいずれかに記載の方法。
【請求項１５】
前記段階（ｅ）は、フィッシャー分類器の使用によって実行される請求項１４に記載の方法。
【請求項１６】
それぞれの対象物の強度は、前記段階（ｅ）の前に正規化される請求項１４または１５に記載の方法。
【請求項１７】
（ｆ）前記種別の特定された一つに分類された対象物の数を計数する段階を更に具備する請求項１４から１６のいずれか一項に記載の方法。
【請求項１８】
組織学的または細胞学的標本のデジタル画像の自動解析に対する請求項１から１７のいずれかに記載の方法。
【請求項１９】
前記画像は、乳房組織のセクションである請求項１８に記載の方法。
【請求項２０】
請求項１７に追加されたときに、前記特定された種類は、有糸分裂上皮細胞核の種類として識別される請求項１８または請求項１９に記載の方法。
【請求項２１】
土壌サンプルのデジタル画像の自動解析に対する請求項１から１７のいずれかに記載の方法。
【請求項２２】
組織学的標本のデジタル画像からの有糸分裂活動の自動識別用方法であって、
（ａ）上皮細胞核に関連付けられた特定された強度及び大きさ特性を有する画像内の対象物の位置を識別する段階と；
（ｂ）それぞれの前記対象物を包含する画像内の特定された大きさの領域を定義する段階と；
（ｃ）同じ強度の点を備えている一つ以上のそれぞれの閉じた輪郭をそれぞれの前記領域内のデータから導き出す段階と；
（ｄ）少なくともその凹面の測定を生成するためにそれぞれの前記領域内の少なくとも一つのそれぞれの前記輪郭の曲率を推定する段階と；及び
（ｅ）それぞれの対象物に対応している輪郭の少なくとも凹面の前記測定の関数として有糸分裂細胞核を表しているとして対象物を分類する段階と
を具備する方法。
【請求項２３】
請求項１〜２２のいずれかによる方法を実行するように構成された手段を備えているデジタル画像の自動解析用装置。
【請求項２４】
コンピュータに請求項１から２２のいずれか一項に記載の方法を実行させるように構成されたコンピュータ・プログラム・コード手段を有しているコンピュータ読取り可能媒体を備えているコンピュータ・プログラム製品。
【請求項２５】
コンピュータに請求項１から２２のいずれか一項に記載の方法を実行させる命令を備えているコンピュータ・プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公表番号】特表２００６−５１４３５６（Ｐ２００６−５１４３５６Ａ）
【公表日】平成１８年４月２７日（２００６．４．２７）
【国際特許分類】
【出願番号】特願２００４−５５９８９１（Ｐ２００４−５５９８９１）
【出願日】平成１５年１２月１２日（２００３．１２．１２）
【国際出願番号】ＰＣＴ／ＧＢ２００３／００５４４５
【国際公開番号】ＷＯ２００４／０５５７３３
【国際公開日】平成１６年７月１日（２００４．７．１）
【出願人】（５０１２９７５５０）キネティック リミテッド (57)
【Ｆターム（参考）】
【公表日】平成１８年４月２７日（２００６．４．２７）
【国際特許分類】
【出願日】平成１５年１２月１２日（２００３．１２．１２）
【国際出願番号】ＰＣＴ／ＧＢ２００３／００５４４５
【国際公開番号】ＷＯ２００４／０５５７３３
【国際公開日】平成１６年７月１日（２００４．７．１）
【出願人】（５０１２９７５５０）キネティック リミテッド (57)
【Ｆターム（参考）】
[ Back to top ]