病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システム
【課題】 病理画像から診断する病理組織を抽出・診断する病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システムを提供する。
【解決手段】 病理学検査において採取した組織には染色（ヘマトキシレン、エオジン等による染色）が施されるため、細胞核、その周辺組織等がそれぞれ特有の色に染色されていることを考慮して、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出すると同時に、細胞核の色情報を抽出し、両者を特徴候補として記憶することにより、より高い精度で腫瘍の有無、及び腫瘍の良性・悪性を判定する。
【解決手段】 病理学検査において採取した組織には染色（ヘマトキシレン、エオジン等による染色）が施されるため、細胞核、その周辺組織等がそれぞれ特有の色に染色されていることを考慮して、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出すると同時に、細胞核の色情報を抽出し、両者を特徴候補として記憶することにより、より高い精度で腫瘍の有無、及び腫瘍の良性・悪性を判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、病理診断支援装置に関し、特に、病理画像から診断する病理組織を抽出・診断する病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システムに関する。
【背景技術】
【０００２】
臨床医療現場では、Ｘ線・ＣＴ・ＭＲＩなどの画像診断機器が進歩し、微小な異変を探知することができるようになっている。しかし、Ｘ線・ＣＴ・ＭＲＩなどの画像診断機器は、異物の位置情報をもたらすのみで、その異物の性質を特定することはできない。したがって、結果的には病理医が画像診断機器で探知した異物を顕微鏡で観察し、その病理医の経験から異物の性質が良性なのか悪性なのかを判定している。したがって、微妙な境界領域の例においては、病理医によって診断結果が異なってしまうこともある。
【０００３】
具体的には、病理学検査では、まず採取した組織を固定するために脱水し、パラフィンによるブロック化といった処理を行った後５〜８ミクロンの厚さの薄片に切り、パラフィンを取り除き、染色して顕微鏡観察を行います。病理医は、この顕微鏡画像の中で、細胞の核の大きさや形の変化、組織としてのパターンの変化などの形態学的な情報をもとに診断を行っている。
【０００４】
特許文献１では、生体組織の組織画像から画像の特徴を特徴量として定量的に表し、病理組織学的特徴に基づいてあらかじめ設定された診断カテゴリーを適合度算出カテゴリーとして上記組織画像の特徴量が上記適合度算出カテゴリーに適合する程度を算出し、適合度の高い適合度算出カテゴリー名を表示する病理組織診断支援装置が提案されている。
【０００５】
特許文献２では、識別対象である学習パターンを部分空間群に射影し、各部分空間への射影長の二乗を特徴ベクトルとして算出し、該特徴ベクトルの各成分のクラス間変動とクラス内変動との比を増加させるように、該部分空間群を構成する各部分空間の基底ベクトルを更新することによりパターン変動に対して強く、パターン識別に適した特徴抽出装置が提案されている。
【０００６】
特許文献３では、高性能のパターン識別を、膨大な学習を要することなく実現するためのパターンの特徴選択方法、分類方法、判定方法、プログラム、及び装置が提案されている。
【０００７】
非特許文献１では、病理画像のなかから組織の腺組織あるいはその結合組織である間質など組織の構成要素をパターン学習し、検出することにより、より高い精度で癌の悪性度を判定できる病理画像からのガン細胞の自動抽出技術が提案されている。
【特許文献１】特開平１０−１９７５２２号公報
【特許文献２】特開２００１−１０１４１８号公報
【特許文献３】特開２００３−２５６８３９号公報
【非特許文献１】ＮＥＣ技法Ｖｏｌ．５６ Ｎｏ．１０（２００３年１１月２５日発行）
【発明の開示】
【発明が解決しようとする課題】
【０００８】
しかし、上記の発明は、以下の問題を有している。
【０００９】
特許文献１記載の病理組織診断支援装置によれば、適合度の算出にニューラルネットワークを用いることにより、学習データを用意するだけで、学習によって自動的に適合度を高精度に算出でき、かつ使用した標本が増えるほど学習データが増えるため精度を向上させることができるが、膨大な学習データを要するため、短時間に信頼性の高い適合度を出力することができない。
【００１０】
特許文献２、特許文献３、及び非特許文献１記載のパターンを抽出する方法によれば、生体組織の組織画像から画像の特徴（例えば腫瘍）を発見することもできるが、病理画像から画像の特徴を抽出するためには、病理画像に特有の事情が考慮されていないため、高精度に画像の特徴部分を発見することができない。
【００１１】
そこで、本発明は、腫瘍の性質の識別において、細胞核、その周辺組織等の変化が重要であることを考慮し、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出し、サブイメージを学習パターン及び入力パターンとして入力することにより、サブイメージに基づいて高精度に腫瘍の有無、及び腫瘍の良性・悪性を判定することができる病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システムを提案することを目的としている。
【００１２】
また、本発明は、病理学検査において採取した組織には染色（ヘマトキシレン、エオジン等による染色）が施されるため、細胞核、その周辺組織等がそれぞれ特有の色に染色されていることを考慮して、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出すると同時に、細胞核の色情報を抽出し、両者を特徴候補として記憶することにより、より高い精度で腫瘍の有無、及び腫瘍の良性・悪性を判定することができる病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システムを提案することを目的としている。
【課題を解決するための手段】
【００１３】
請求項１記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、前記特徴決定手段は、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類し、前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、前記診断手段は、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断することを特徴とする。
【００１４】
請求項２記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断することを特徴とする。
【００１５】
請求項３記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出し、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断することを特徴とする。
【００１６】
請求項４記載の発明は、請求項１から３のいずれか１項記載の病理診断支援装置において、前記学習パターン入力手段及び前記パターン入力手段は、染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択し、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出し、前記距離に応じて前記各画素に信号を付与し、前記病理画像中における前記信号の分布からピークを検出し、前記ピークを中心としたイメージを前記学習パターンとして入力することを特徴とする。
【００１７】
請求項５記載の発明は、請求項１から４のいずれか１項記載の病理診断支援装置において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００１８】
請求項６記載の発明は、請求項１から４のいずれか１項記載の病理診断支援装置において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００１９】
請求項７記載の発明は、請求項１から６のいずれか１項記載の病理診断支援装置において、前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする。
【００２０】
請求項８記載の発明は、請求項７記載の病理診断支援装置において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較することを特徴とする。
【００２１】
請求項９記載の発明は、請求項７記載の病理診断支援装置において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較することを特徴とする。
【００２２】
請求項１０記載の発明は、請求項５、６、又は９記載の病理診断支援装置において、前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加えることを特徴とする。
【００２３】
請求項１１記載の発明は、請求項５、６、又は９記載の病理診断支援装置において、前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算することを特徴とする。
【００２４】
請求項１２記載の発明は、請求項１から１１のいずれか１項記載の病理診断支援装置において、前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置くことを特徴とする。
【００２５】
請求項１３記載の発明は、請求項１から１２のいずれか１項記載の病理診断支援装置において、前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行うことを特徴とする。
【００２６】
請求項１４記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する処理と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する処理とを有することを特徴とする。
【００２７】
請求項１５記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する処理とを有することを特徴とする。
【００２８】
請求項１６記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する処理と、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する処理とを有することを特徴とする。
【００２９】
請求項１７記載の発明は、請求項１４から１６のいずれか１項記載の病理診断支援プログラムにおいて、前記学習パターン入力手段及び前記パターン入力手段は、染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する処理と、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する処理と、前記距離に応じて前記各画素に信号を付与する処理と、前記病理画像中における前記信号の分布からピークを検出する処理と、前記ピークを中心としたイメージを前記学習パターンとして入力する処理とを有することを特徴とする。
【００３０】
請求項１８記載の発明は、請求項１４から１７のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００３１】
請求項１９記載の発明は、請求項１４から１７のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００３２】
請求項２０記載の発明は、請求項１４から１９のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする。
【００３３】
請求項２１記載の発明は、請求項２０記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する処理を有することを特徴とする。
【００３４】
請求項２２記載の発明は、請求項２０記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する処理を有することを特徴とする。
【００３５】
請求項２３記載の発明は、請求項１８、１９、又は２２記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える処理を有することを特徴とする。
【００３６】
請求項２４記載の発明は、請求項１８、１９、又は２２記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する処理を有することを特徴とする。
【００３７】
請求項２５記載の発明は、請求項１４から２４のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く処理を有することを特徴とする。
【００３８】
請求項２６記載の発明は、請求項１４又は２５のいずれか１項記載の病理診断支援プログラムにおいて、前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う処理を有することを特徴とする。
【００３９】
請求項２７記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する工程と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する工程とを有することを特徴とする。
【００４０】
請求項２８記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する工程とを有することを特徴とする。
【００４１】
請求項２９記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する工程と、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する工程とを有することを特徴とする。
【００４２】
請求項３０記載の発明は、請求項２７から２９のいずれか１項記載の病理診断支援方法において、前記学習パターン入力手段及び前記パターン入力手段は、染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する工程と、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する工程と、前記距離に応じて前記各画素に信号を付与する工程と、前記病理画像中における前記信号の分布からピークを検出する工程と、前記ピークを中心としたイメージを前記学習パターンとして入力する工程とを有することを特徴とする。
【００４３】
請求項３１記載の発明は、請求項２７から３０のいずれか１項記載の病理診断支援方法において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００４４】
請求項３２記載の発明は、請求項２７から３０のいずれか１項記載の病理診断支援方法において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００４５】
請求項３３記載の発明は、請求項２７から３２のいずれか１項記載の病理診断支援方法において、前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする。
【００４６】
請求項３４記載の発明は、請求項３３記載の病理診断支援方法において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する工程を有することを特徴とする。
【００４７】
請求項３５記載の発明は、請求項３３記載の病理診断支援方法において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する工程を有することを特徴とする。
【００４８】
請求項３６記載の発明は、請求項３１、３２、又は３５記載の病理診断支援方法において、前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える工程を有することを特徴とする。
【００４９】
請求項３７記載の発明は、請求項３１、３２、又は３５記載の病理診断支援方法において、前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する工程を有することを特徴とする。
【００５０】
請求項３８記載の発明は、請求項２７から３７のいずれか１項記載の病理診断支援方法において、前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く工程を有することを特徴とする。
【００５１】
請求項３９記載の発明は、請求項２７から３８のいずれか１項記載の病理診断支援方法において、前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う工程を有することを特徴とする。
【００５２】
請求項４０記載の発明は、病理画像に患者固有の情報が付加された病理画像データを保持する情報処理端末と、前記病理画像データを診断する病理診断サーバとを有する病理診断支援システムにおいて、前記病理診断サーバは、前記病理画像データが有する前記病理画像を診断する請求項１から１３のいずれか１項記載の病理診断支援装置と、前記病理診断支援装置による診断結果を前記患者固有の情報とともに記憶する診断結果記憶手段とを有し、前記情報処理端末は、前記患者固有の情報を伴って前記診断結果の送信を要求し、前記病理診断サーバは、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とを比較し、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とが一致したとき、前記診断結果を前記情報処理端末に送信することを特徴とする。
【００５３】
請求項４１記載の発明は、請求項４０記載の病理診断支援システムにおいて、前記病理診断支援装置及び前記情報処置端末の使用料金を保持する課金サーバを有することを特徴とする。
【００５４】
請求項４２記載の発明は、請求項４１記載の病理診断支援システムにおいて、前記課金サーバは、前記診断結果記憶手段に前記診断結果が記憶されたとき、前記病理診断支援装置の使用料金を加算することを特徴とする。
【００５５】
請求項４３記載の発明は、請求項４１又は４２記載の病理診断支援システムにおいて、前記課金サーバは、前記情報処理端末が前記診断結果を受信したとき、前記情報処理端末の使用料金を加算することを特徴とする。
【発明の効果】
【００５６】
本発明は、腫瘍の性質が良性なのか悪性なのかの識別に細胞核、その周辺組織等の変化が重要であることを考慮し、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出し、サブイメージを学習パターン及び入力パターンとして記憶することにより、サブイメージに基づいて高精度かつ短時間で腫瘍の有無、及び腫瘍の良性・悪性を判定することができる。
【発明を実施するための最良の形態】
【００５７】
以下に、本発明の一実施形態について図面を参照して説明する。
【００５８】
図１は、本実施形態に係る病理診断支援装置の構成を示すブロック図である。図１に示すように本実施形態に係る病理診断支援装置は、学習パターン入力手段１００、学習パターン記憶手段１０１、特徴候補生成手段１０２、特徴決定手段１０３、特徴記憶手段１０４、分類テーブル作成手段１０５、及び分類テーブル１０６を有している。
【００５９】
学習パターン入力手段１００は、診断を行う病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出し、該サブイメージを学習パターン記憶手段１０１に格納する。
【００６０】
学習パターン記憶手段１０１は、所望の個数の学習に用いるサブイメージを記憶保持する手段である。
【００６１】
特徴候補生成手段１０２は、予め定めた個数の特徴パラメータセットから特徴候補を順次生成する手段である。
【００６２】
特徴決定手段１０３は、特徴候補生成手段１０２によって生成された特徴候補の中からパターン識別に最適な特徴のセットを決定する手段である。
【００６３】
特徴記憶手段１０４は、特徴決定手段１０３により決定される特徴のセットを記憶保持する手段である。
【００６４】
分類テーブル作成手段１０５は、特徴決定手段１０３により決定される特徴のセットを用いて診断を行うための分類テーブル１０６を作成する手段である。
【００６５】
次に、図２を参照して特徴選択処理の手順について説明する。図２は、本実施形態に係る病理診断支援装置の特徴選択処理の手順を説明するためのフローチャートである。
【００６６】
特徴候補生成手段１０２が予め設定しておく大量の（Ｎ個とする）特徴パラメータセットに基づいて特徴候補を順次生成する（Ｓ００１）。本実施形態においては、上記Ｎ個の特徴パラメータセットのうち、１〜Ｎ＿１のパラメータセットをテクスチャに関連する特徴候補とし、Ｎ＿１＋１〜Ｎ＿１＋Ｎ＿２のパラメータセットを色に関連する特徴候補とし、Ｎ＿１＋Ｎ＿２＋１〜Ｎのパラメータセットを周辺の画素で平均化した色に関連する特徴候補とした。なお、ここでは、テクスチャに関連する特徴候補、色に関連する特徴候補、及び周辺の画素で平均化された色に関連する特徴候補を特徴候補として採用したが、これに限られるものではなく、病理画像に含まれる画素の特徴を決定するために必要な要素を特徴候補として生成することができる。
【００６７】
次に、特徴候補生成手段１０２において生成された特徴候補に基づいて、サブイメージが有する特徴を決定する方法について説明する。この特徴は、以下に示す手順１から３のいずれかにより決定される。
【００６８】
手順１
特徴候補生成手段１０２は、まず、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴パラメータセットを読み出し、ｓ≦Ｎ＿１であった場合には、ｓ番目の特徴パラメータセット（ｋ＿ｓ、ｒ0＿ｓ、σ＿ｓ、ｔｈ＿ｓ）を（ｋ、ｒ0、σ、ｔｈ）に代入し、パラメータｋ、ｒ0、σで規定される次式に例示する複素ガボール関数Ｇａｂ、及びガウス関数Ｇを生成する。なお、ｓ≦Ｎ＿１の場合、学習パターンとして学習パターン記憶手段１０１に記憶されているカラーのサブイメージをグレースケール変換したグレースケール画像を用いて特徴ｃを算出する。
【００６９】
【数１】
【００７０】
ここで、ｒ＝（ｘ、ｙ）は位置ベクトルを表し、ｉ2＝−１である。そして、特徴候補生成手段１０２は、（１）式の複素ガボール関数Ｇａｂとガウス関数Ｇとを、しきい値パラメータｔｈ、及び特徴候補の識別番号ｓとともに特徴決定手段１０３に送る（ステップＳ００２）。
【００７１】
学習パターン記憶手段１０１は、予め定めたＭ通りのサブイメージＩ＿ｔ（ｒ，ｉ＿ｒｇｂ）（ｔ＝１〜Ｍ）と、各サブイメージが属するクラスｑｔ（ｔ＝１〜Ｍ）との組を特徴決定手段１０３に対して送る（ステップＳ００３）。なお、本実施形態においては、説明を簡単にするためクラスは、２クラス（ｑ＝０又は１）であるものとして説明する。もちろん、３クラス以上の場合にも本発明の方法は適用できる。
【００７２】
特徴決定手段１０３は、学習イメージ記憶手段１０１から順次受け取ったサブイメージに対して、特徴候補（（１）式に示した複素ガボール関数及びガウス関数並びにその他のパラメータ）を用いて特徴ｃを（２）式に従って計算する（ステップＳ００４）。ここでｔ番目の学習パターンをＩ＿ｔ（ｒ，ｉ＿ｒｇｂ）とし、すべての学習パターン（Ｍ個）について上記計算が繰り返される。
【００７３】
【数２】
【００７４】
（２）式の上段の式の分母はパターンの大きさ（画像の輝度）によるａの値の変動を抑えるための規格化（標準化）因子である。該分母の式は、別の形式の規格化因子に置き換えることも可能である。また、取り扱うパターンによっては、このような規格化因子を省いてもよい。
【００７５】
手順２
特徴候補生成手段１０２は、まず、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴パラメータセットを読み出し、Ｎ＿１＋１≦ｓ≦Ｎ＿１＋Ｎ＿２であった場合には、ｓ番目の特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ）及び特徴候補の識別番号ｓを特徴決定手段１０３に送る（ステップＳ００２）。
【００７６】
ここで、（ｘ＿ｓ、ｙ＿ｓ）は、サブイメージ中の特徴ｃを決定する画素の位置を表し、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、特徴ｃに対応する色を表している。
【００７７】
なお、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、以下のように色と対応付けられている。
【００７８】
ＨＥ染色（ヘマトキシレン−エオジン染色）された細胞核の色（青）、細胞質の色（ピンク）、間質の色（薄いピンク）、空孔の色（白）は、病理画像を特徴づける上で重要な要素である。そこで、細胞核の色、細胞質の色、間質の色、空孔の色、それぞれにｃｏｌｏｒ＿ｉｎｄｅｘ＝１、２、３、４とインデックスを割りふる。
【００７９】
学習パターン記憶手段１０１は、予め定めたＭ通りの学習パターン（カラーサブイメージ）Ｉ＿ｔ（ｒ、ｉｒｇｂ）（ｒは画素の座標、ｉ＿ｒｇｂ＝１〜３は画像のｒ信号、ｇ信号、ｂ信号を指定するパラメータ）（ｔ＝１〜Ｍ）と、各学習パターンが属するクラスｑｔ（ｔ＝１〜Ｍ）との組を特徴決定手段１０３に対して送る（ステップＳ００３）。なお、本実施形態においては、説明を簡単にするためクラスは、２クラス（ｑ＝０又は１）であるものとして説明する。もちろん、３クラス以上の場合にも本発明の方法は適用可能である。
【００８０】
特徴決定手段１０３は、学習パターン記憶手段１０１から受け取った学習パターンについて（ステップＳ００３）、以下の方法により学習パターン中の位置（ｘ＿ｓ、ｙ＿ｓ）に位置する画素の色を判定し、それがパラメータｃｏｌｏｒ＿ｉｎｄｅｘで指定される色と一致する場合には特徴ｃの値を１とし、それ以外の場合には特徴ｃの値を０とする（ステップＳ００４）。ここで、ｔ番目の学習パターンをＩ＿ｔ（ｒ、ｉ＿ｒｇｂ）とし、全ての学習パターン（Ｍ個）に対して特徴ｃの決定が繰り返される。
【００８１】
細胞核の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝１）は、サブイメージの検出において算出した各画素のヘマトキシレン信号を予め定めた閾値（例えば、０．２５）と比較し、閾値よりも大きい場合は、その画素の色は細胞核の色であると判断する。ここで、閾値を適応的に決定するために、注目する画素の近傍でヘマトキシレン信号の値が、例えば０．２５以上である画素に関してのみヘマトキシレン信号の値を加算し、その平均値を求める。そして、その平均値の例えば０．９倍を注目する画素の閾値とし、この閾値よりも注目する画素のヘマトキシレン信号値が大きい場合には、その画素の色は細胞核の色である判断する構成であってもよい。
【００８２】
細胞核の以外の空孔、細胞質、間質の色は予め定めた色領域に従って分類する。例えば、各画素のＲＧＢ値にＨＳＶ変換を施し、ＲＧＢ値を色相（Ｈ：０〜１）、彩度（Ｓ：０〜１）、明度（Ｖ：０〜１）の値に変換する。そして、注目する画素が細胞核の色に分類されておらず、明度がＶ＞０．９２、かつ彩度がＳ＜０．２の場合にはその画素の色は空孔の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝２）と判断する。また、その画素の色が細胞核の色及び空孔の色のいずれにも該当せず、色相がＨ＜０．９、かつ明度がＶ＜０．８５の場合には細胞質の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝３）であると判断する。そして、上記いずれにも該当しなかった場合は、その画素の色を間質の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝４）と判断する。
【００８３】
手順３
特徴候補生成手段１０２は、まず、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴パラメータセットを読み出し、Ｎ＿１＋Ｎ＿２＋１≦ｓ≦Ｎであった場合には、ｓ番目の特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）及び特徴候補の識別番号ｓを特徴決定手段１０３に送る（ステップＳ００２）。なお、ここで、（ｘ＿ｓ、ｙ＿ｓ）は、サブイメージ中の特徴ｃを決定する画素の位置を表し、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、特徴ｃに対する色を表し、ｔｈは閾値パラメータを表している。
【００８４】
特徴決定手段１０３は、学習パターン記憶手段１０１から受け取った学習パターンについて（ステップＳ００３）、以下の方法により特徴ｃを決定する（ステップＳ００４）。ここで、ｔ番目の学習パターンをＩ＿ｔ（ｒ、ｉ＿ｒｇｂ）とし、全ての学習パターン（Ｍ個）に対して特徴ｃの決定が繰り返される。
【００８５】
なお、以下では、注目する画素の色がｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）に該当する色であると判断する処理は、手順２と同様であるため説明を省略する。
【００８６】
まず、特徴決定手段１０３は、サブイメージの位置（ｘ＿ｓ、ｙ＿ｓ）の近傍の画素（例えば、注目する画素（ｘ＿ｓ、ｙ＿ｓ）からｘ座標、ｙ座標へ２画素以内にある画素（ｘ'、ｙ'）、つまり｜ｘ−ｘ'｜≦２かつ｜ｙ−ｙ'｜≦２の色がｃｏｌｏｒ＿ｉｎｄｅｘで指定されている色と一致しているか否かを調べる。そして、ｃｏｌｏｒ＿ｉｎｄｅｘで指定される色と一致している色を持つ近傍の画素数を加算し、それを近傍の画素の総数で割り、平均値を求める。そして、その平均値が閾値パラメータ（ｔｈ＿ｓ）を越えていれば、特徴ｃは１をとり、それ以外は０をとる。
【００８７】
特徴決定手段１０３は、上述の３つの手順に加え、以下の方法によって注目する画素の特徴ｃを決定することもできる。
【００８８】
まず、注目する画素が含まれるサブイメージの各画素のＲＧＢ値にＨＳＶ変換を施し、ＲＧＢ値を色相（Ｈ：０〜１）、彩度（Ｓ：０〜１）、明度（Ｖ：０〜１）の値に変換する。次に、Ｈ、Ｓ、Ｖの値を、例えば５段階に粗視化する。例えば注目する画素のＨ、Ｓ、Ｖの値がすべて０．２＝１／５以下であればその画素の色を（１、１、１）とする。または、Ｈ、Ｓの値が０．２以下でＶの値が０．２<Ｖ≦０．４であれば注目する画素の色は（１、１、２）とする。ここで、特徴パラメータセットとして特徴候補生成手段１０２から受け取った（ｘ、ｙ、Ｈ'、Ｓ'、Ｖ'）で指定されるサブイメージ中の位置（ｘ、ｙ）の画素の色が（Ｈ'、Ｓ'、Ｖ'）である場合に特徴ｃは１をとり、それ以外の場合には０をとる。
【００８９】
以上のように、ｓ番目の特徴候補（特徴パラメータセット）を用いて、各サブイメージに対して特徴ｃが計算されると、特徴決定手段１０３は、ｓ番目の特徴候補から得られる相互情報量ＭＩを（３）式に従って算出し、これを特徴候補の識別番号ｓとともに記憶する（ステップＳ００５）。
【００９０】
【数３】
【００９１】
なお、ここで、Ｑはクラスの集合｛ｑ＝０、ｑ＝１｝であり、Ｍはサブイメージの総数である。また、Ｍ（ｑ）はクラスｑに属するサブイメージの総数、Ｍ（ｃ）は特徴がｃであるサブイメージの総数、Ｍ（ｑ、ｃ）は特徴がｃでありかつクラスｑに属するサブイメージの総数である。
【００９２】
また、（３）式中の＜＞cはｃに関する平均化操作であり、（４）式によって算出される
【００９３】
【数４】
【００９４】
以上の処理に従って、次の（ｓ＋１）番目の特徴候補が特徴候補生成手段１０２から送られ同様の処理が繰り返される（ステップＳ００２〜Ｓ００５）。こうして全ての（Ｎ個）の特徴候補に対応する相互情報量ＭＩの計算が完了した時点で、特徴決定手段１０３は各特徴候補から得られる相互情報量ＭＩを比較し、最大の相互情報量Ｍａｘ ＭＩ［Ｑ；Ｃ］が得られる特徴候補を決定すべき特徴のセットの第１番目の特徴として決定する（ステップＳ００６）。
【００９５】
こうして第１番目の特徴が決定されると、特徴決定手段１０３は、第２番目の特徴を決定する。上記と全く同様に、特徴決定手段１０３は特徴候補を特徴候補生成手段１０２から順次受け取り（ステップＳ００２）、各サブイメージに対して特徴ｃを算出する（ステップＳ００３、Ｓ００４）。なお、使用可能な記憶容量に応じて、上記した第１の特徴を決定する際のステップＳ００４における特徴ｃの算出結果を記憶保持しておき、特徴決定手段１０３が該記憶保持内容を読み出す操作に代えても良い。ｓ番目の特徴パラメータセットを用いて、各サブイメージに対して特徴ｃが計算された時点で、特徴決定手段１０３は、既に決定されている第１番目の特徴ｃ1が既知であるという条件下で、ｓ番目の特徴候補から得られる相互情報量ＭＩ2を（５）式に従って算出し、これを特徴候補の識別番号ｓとともに記憶しておく（ステップ００５）。
【００９６】
【数５】
【００９７】
なお、ここで、Ｍ（ｃ1）は、１番目の特徴がｃ1であるサブイメージの総数であり、Ｍ（ｑ、ｃ1）は、１番目の特徴がｃ1で、かつクラスｑに属するサブイメージの総数である。また、Ｍ（ｃ、ｃ1）は、特徴がｃで、かつ１番目の特徴がｃ1であるサブイメージの総数であり、Ｍ（ｑ、ｃ、ｃ1）は、特徴がｃで、１番目の特徴がｃ1で、かつクラスｑに属するサブイメージの総数である。
【００９８】
以上の操作に従って、次の（ｓ＋１）番目の特徴候補が特徴候補生成手段１０２から送られ、同様の操作が繰り返される（ステップＳ００２〜Ｓ００５）。こうして、全て（Ｎ個）の特徴候補に対応する相互情報量ＭＩの算出が済んだ時点で、特徴決定手段１０３は各特徴候補から得られる条件付きの相互情報量ＭＩ2を比較し、最大の情報量が得られる特徴候補を、決定すべき特徴のセットの第２番目の特徴として決定する（ステップＳ００６）。
【００９９】
以下同様に、第ｍ番目の特徴までが決定されたら、第（ｍ＋１）番目の特徴ｃは、（６）式の評価関数ＭＩm+1を最大にする特徴候補を採用する。
【０１００】
【数６】
【０１０１】
上記のＭＩm+1は、第ｍ番目までの特徴（ｃ1、ｃ2、．．．ｃm）が既知であるという条件下で、特徴ｃから得られる情報量を表している。以上の処理は、新しい特徴を選んでも、得られる情報量（追加の情報量）が、予め設定しておく閾値ＭＩ＿ｔｈよりも小さくなるまで続けられる。例えば、閾値ＭＩ＿ｔｈとしてゼロが設定されている場合には、得られる情報量（追加の情報量）がゼロになるまで、即ち、終了条件が満たされるまで、次なる特徴を決定すべく、上記した手順が繰り返される。
【０１０２】
一方、この終了条件が満たされた時点で特徴決定手順は終了する。そして、決定された特徴のセットの各パラメータは特徴記憶手段１０４に格納される（ステップＳ００７）。
【０１０３】
また、上記の特徴選択方法の変形例として、特徴候補生成手段１０２が生成する特徴候補の数を減らす工夫を加えた、以下の構成が考えられる。例えば、各複素ガボール関数について、（２）式で算出されるａの値のクラス内平均値を、ｑ＝０のクラス、ｑ＝１のクラスそれぞれに対して予め調べておき、閾値ＭＩ＿ｔｈの値をこれら２つのクラス内平均値の中間値に固定する構成が考えられる。また、例えば、第１番目の特徴の決定する際に（３）式で各複素ガボール関数に対して相互情報量ＭＩを計算するが、この時、各特徴候補に対してそれぞれ最大のＭＩを与える閾値ＭＩ＿ｔｈを記録しておき、第２番目以降の特徴を決定する場合には閾値ＭＩ＿ｔｈの値をそのまま固定するという構成が挙げられる。
【０１０４】
また、上記の実施形態では、特徴候補を構成する特徴抽出関数として複素ガボール関数を用いているが、他の特徴抽出関数を加えても、場合によっては他の特徴抽出関数だけで特徴候補を構成してもよい。
【０１０５】
また、例えば、クラスごとに部分空間を構成し、その部分空間への距離を表す指標を特徴候補に加える変形も好ましい。また、ガウス関数を用いて計算されるある点の近傍の重み付き平均輝度、或はガウス関数を用いて計算されるある点の近傍の重み付き平均輝度を、より広がりの大きいガウス関数を用いて計算される平均輝度で規格化したもの（即ち、ある点の近傍がその周辺よりも明るいか、暗いかを示す指標）を特徴候補に加えることも考えられる。その他、診断で用いられる標準的な特徴を特徴候補に加えることが可能である。
【０１０６】
特徴の決定処理が完了し、決定されている特徴のセットが特徴記憶手段１０４に記憶された時点で、パターン識別に用いるための分類テーブル１０６（図４に示す）の作成が可能となる。以下、所望の手段により起動された分類テーブル作成手段１０５が、分類テーブル１０６を作成する処理について説明する。
【０１０７】
まず、分類テーブル作成手段１０５は、学習パターン記憶手段１０１から各サブイメージを、特徴記憶手段１０４からは、特徴のセットの各パラメータを（以下、全部でｎ個の特徴が決定されているものとする）受け取り、各サブイメージに対しそれぞれ各特徴の値（ｃ1、ｃ2、．．．ｃn）とともに分類テーブル１０６に記憶する。
【０１０８】
上記の手順により、各サブイメージを一意に分類する分類テーブルの作成が可能であるが、より好ましくは、冗長項（ｄｏｎ'ｔ ｃａｒｅ項）を用いることが好ましい。例えば、先頭からｉ番目までの特徴の値（ｃ1、ｃ2、．．．ｃi）だけで、あるサブイメージの分類が可能である場合には、ｉ＋１番目以降の特徴ベクトルの値はｄｏｎ'ｔ ｃａｒｅを表す記号に置き換えて記憶する。
【０１０９】
上記の冗長項（ｄｏｎｔ'ｔ ｃａｒｅ）を用いて、分類テーブル１０６を作成する手順について図３を用いて説明する。図３は、本実施形態に係る分類テーブル１０６の作成処理の手順を示すフローチャートである。
【０１１０】
まず、分類テーブル作成手段１０５は、入力されたサブイメージに対して、特徴記憶手段１０４に記憶されている特徴のセットの各パラメータを用いて、特徴ベクトル（ｃ1、ｃ2、．．．ｃn）の値を計算する（ステップＳ１０１、Ｓ１０２）。
【０１１１】
上記特徴ベクトルと一致する特徴ベクトルを有するサブイメージが分類テーブル１０６中に存在するか否かを判断する（ステップＳ１０３）。但し、分類テーブル１０６にｄｏｎ'ｔ ｃａｒｅを表す記号が記されている場合には、それに対応する特徴の値はいかなるものであっても一致するものと見なして判定を行う。
【０１１２】
前記判断の結果、計算した特徴ベクトルと一致する特徴ベクトルを有するサブイメージが、分類テーブル中に、既に存在する場合は、該サブイメージを記録することなく、ステップＳ３００に戻り、次のサブイメージの入力を行う。
【０１１３】
一方、一致するサブイメージが無い場合には、インクリメント変数ｉ＝１を設定して（ステップＳ１０４）、以下の処理を行う。まず、このサブイメージが属するクラス（例：ｑ＝０）以外のクラス（例：ｑ＝１）に属するサブイメージの中に、１番目からｉ番目までの特徴（ｃ1、ｃ2、．．．ｃi）の全てが、このサブイメージと一致するサブイメージがあるか否かを調べる（ステップＳ１０５）。
【０１１４】
その結果、一致するサブイメージが無い場合には、１番目からｉ番目までの特徴の値（ｃ1、ｃ2、．．．ｃi）をこのサブイメージが属するクラスの標識（例：ｑ＝０）とともに分類テーブルに記録し、ｉ＋１番目以後の特徴ベクトルの値にはｄｏｎ'ｔ ｃａｒｅを表す記号を記録する（ステップＳ１０６）。そして、ステップＳ３００に戻り、次のサブイメージの入力を行う。
【０１１５】
逆に、このサブイメージと一致するサブイメージが１つでもある場合には、インクリメント変数ｉを１増加してステップＳ３０４に戻る。即ち、入力したサブイメージのｉ番目までの特徴の値により自他識別可能になるまで、ｉを増加する処理を継続することとなる。
【０１１６】
以上の処理は、全てのサブイメージを入力するまで繰り返される。なお、以上の手続のみでは、サブイメージの全てが分類できない場合が生じうる。例えば、異なるクラスに属するサブイメージが同じ特徴ベクトルを持つことがある。この場合、それぞれのクラスに属するサブイメージの数を数えて、多いほうのクラスをこの特徴ベクトルが表すクラスと定める等すればよい。
【０１１７】
もちろん、ｉを増加させつつ、特徴ｃ1〜ｃiが一致するパターンをグループ化（細分化）してゆき、１つのグループに１のサブイメージしか存在しない場合に、そのサブイメージのｉ＋１以降の特徴をｄｏｎ'ｔ ｃａｒｅ項とする方法等も採用し得る。
【０１１８】
図４は、本発明により採用された分類テーブル１０６の例である。図４を参照すると、各サブイメージのクラスの識別標識（ｑ）と、特徴ベクトル（ｃ1、ｃ2、．．．ｃn）とを格納するテーブルが示されている。なお、図４において記号「＊」はｄｏｎ'ｔ ｃａｒｅを表す記号である。
【０１１９】
続いて、図面を参照して、上記の分類テーブルを用いて行う病理画像の診断方法について説明する。
【０１２０】
図５は、本発明の診断方法の処理の流れを示すブロック図である。図５を参照すると、パターン入力手段２０１と、特徴抽出手段２０２と、診断手段２０３とが示されている。また、特徴抽出手段２０２の特徴抽出のために用いる、決定済みの特徴のセットを記憶保持する特徴記憶手段１０４と、診断手段２０３が診断に用いる、作成済みの分類テーブル１０６とが示されている。
【０１２１】
パターン入力手段２０１は、所望の媒体からサブイメージを入力するための手段である。本実施形態においては、病理組織を構成する細胞の細胞核を中心とした画像（サブイメージ）を入力するための手段である。なお、本実施形態においては、細胞核を中心とした画像を入力したが、これに限定されるものではなく、細胞核、空孔、細胞質、間質等、病理組織の診断において病理医が判断材料として用いる画像をサブイメージとして入力することができる。
【０１２２】
特徴抽出手段２０２は、決定された特徴のセットを用いて、パターン入力手段２０１から送られたサブイメージから、その特徴を抽出する手段である。
【０１２３】
診断手段２０３は、特徴抽出手段２０２により得られた特徴に基づいて、サブイメージの表す情報を診断する手段である。
【０１２４】
その処理は、まず、パターン入力手段２０１により得られた特徴に基づいて、サブイメージを取り込んで、特徴抽出手段２０２に対して送る。
【０１２５】
続いて、特徴抽出手段２０２が入力されたサブイメージに対して、特徴記憶手段１０４に記憶されている手順１、２、及び３によって決定した特徴のセット（上記の特徴決定手法によって決定されているもの）を用いてサブイメージの特徴ベクトルを算出し、更に、前記算出結果を診断手段２０３に対して送る。
【０１２６】
診断手段２０３は、分類テーブル１０６を参照し、この特徴ベクトルと一致するものを検索し、そこに記録されているクラスの標識を読み出し、それを診断結果として出力する。このとき、分類テーブル１０６上にｄｏｎ'ｔ ｃａｒｅを表す記号が記録されている場合には、診断手段５０３は、それに対応する特徴の値がいかなるものであっても、当該部分については一致するものとして判定する。
【０１２７】
ここで、上記の各手順によりサブイメージの特徴の決定並びにイメージの判定を行う本発明の利点を一層明確にすべく、本発明と決定木を用いる従来手法（ＩＤ３、Ｃ４．５）との相違点について述べる。
【０１２８】
ＩＤ３等も、決定木の各ノードにおける分類ルールを情報量最大化の基準に従って決定していく点においては、本発明と共通する。しかしながら、ＩＤ３やＣ４．５では、分類ルール（本発明の対応する言葉で換言すれば「特徴」）を、ノード毎に決定する。例えば、１番目の特徴ｃ1を決定した後で２番目の特徴を決定する場合、１番目の特徴ｃ1が１である場合、０である場合、それぞれの場合で異なる分類ルール（特徴）が決定されることになる。これに対して、本発明では、ノード深さが同じ場合には、即ち、任意のｎ番目の特徴には、同一の特徴が決定される。この点が両者の大きな相違点である。
【０１２９】
いずれの方法を採用する場合でも、学習パターンは完全に分類される。しかしながら、汎化性能、すなわち、学習していないサブイメージに対する識別性能に大きな違いが現れる。簡単のために両者の木の深さが同じ場合（ｎとする）、ＩＤ３又はＣ４．５では２n個の特徴が決定されるのに対して、本発明ではｎ個の特徴だけが決定される。従って、本発明の方がより単純な構造を持つことになる。該決定される特徴の個数の差は、問題がより困難になり、より深い木が必要になるに従い、指数関数的に拡大する。
【０１３０】
ところで、学習パターンに対する性能が同一の場合、より単純な構造の分類器の方が汎化性能に優れていることが知られている（「オッカムの剃刀」）。この点が、本発明による特徴選択方法及びそれを用いた診断方法が、従来手法に比べて性能、とりわけ、汎化性能を大幅に向上できる理由である。
【０１３１】
ここで、学習パターン入力手段１００及びパターン入力手段２０１において、病理画像からサブイメージを抽出する処理について説明する。なお、本実施形態においては、細胞核を中心としたサブイメージの抽出について説明するが、これに限定されるものではない。よって、空孔、細胞質、間質等、病理医が病理画像を観察する際に着目する形態的な特徴部分をサブイメージとして抽出することもできる。
【０１３２】
細胞核を中心としてサブイメージを抽出する処理は、病理画像中の各画素のＲＧＢ値からヘマトキシレン信号を算出するステップと、病理画像中における各画素のヘマトキシレン信号の分布から細胞核の中心位置を検出するステップとに大別される。なお、実際は、ヘマトキシレン信号の平滑化などの処理も含まれる。なお、細胞核の抽出に用いられる病理画像には、染色剤（ヘマトキシレン）によって細胞核が青色に染色されたものを用いた。
【０１３３】
以下、図６を用い学習パターン入力手段１００及びパターン入力手段２０１において、サブイメージを抽出する処理について説明する。
【０１３４】
学習パターン入力手段１００及びパターン入力手段２０１は、病理画像が入力されると（ステップＳ６０１）、まず、細胞核が青く染色された病理画像の各画素にヘマトキシレン信号を付与する。
【０１３５】
各画素のＲＧＢ値（２４ビットの場合、Ｒ＝０〜２５５、Ｇ＝０〜２５５、Ｂ＝０〜２５５）から、青く染まった細胞核の部分で値１．０をとり、他の領域（エオジンでピンクに染まった領域、又は白色の領域など）では０となるヘマトキシレン信号を算出する。この処理は、ＲＧＢ空間内における細胞核の色分布を調べ、その分布の中心から各画素のＲＧＢ値までの距離を計算することによって行われる。つまり、各画素のＲＧＢ値を調べ、その値がＲＧＢ空間内における細胞核の色分布の中心付近に位置すれば１に近い大きいヘマトキシレン信号を、中心から遠く離れていれば０に近いヘマトキシレン信号を付与する。ただし、染色処理の違い等によってサンプルごとに核の染まり方に変動が起こりうるため、ここでは適応的な方法によって細胞核の色分布を算出する。
【０１３６】
即ち、予め定めた細胞核の色領域を参照して、病理画像中から、ＲＧＢ値がこの細胞核の色領域内に入る画素のみを選択し、これを細胞核の色を表す画素とする。
【０１３７】
なお、細胞核の色領域は、以下の方法で予め定められる。まず、染色処理の違い等によって染まり方に変動がある細胞核の画像を集める。次に、各画像中で細胞核領域の各画素のＲＧＢ値を調べる。同時にこれらの各画像中でエオジンに染まっている領域の画素、および白色領域中の画素のＲＧＢ値も調べる。そして、エオジンに染まった領域および白色領域の画素が全く、又は殆ど含まれず、かつ細胞核領域の画素からなる細胞核の色領域を決める。
【０１３８】
学習パターン入力手段１００及びパターン入力手段５０１は、具体的には以下の方法に基づいてヘマトキシレン信号を各画素に付与する。
【０１３９】
まず、予め定められた細胞核の色領域を参照して、学習パターン入力手段１００及びパターン入力手段５０１に入力された病理画像中から、ＲＧＢ値が細胞核の色領域に入る画素をＮ個選択する（ステップＳ６０２）。そして、選択されたＮ個の各画素のＲＧＢ値をＲi、Ｇi、Ｂi（ｉ＝１〜Ｎ）とする。次に、各画素のＲi、Ｇi、Ｂi（ｉ＝１〜Ｎ）から（７）式に従って、平均値（Ｒ0、Ｇ0、Ｂ0）及び共分散行列Σを算出する（ステップＳ６０３）。
【０１４０】
【数７】
【０１４１】
（７）式において、Ｔはベクトルの転置操作を表す記号である。この共分散行列Σを用いて各画素（Ｒ、Ｇ、Ｂ）と平均値（Ｒ0、Ｇ0、Ｂ0）との距離Ｌ、及びヘマトキシレン信号（Ｈｅｍａ）を（８）式に従って算出する（ステップＳ６０４）。
【０１４２】
【数８】
【０１４３】
次に、各画素について算出したヘマトキシレン信号の分布から細胞核の中心位置を検出する処理について説明する。
【０１４４】
（８）式によって各画素について算出されたヘマトキシレン信号をＨｅｍａ（−ｒ）とする。ここで、−ｒ＝（ｘ、ｙ）は、病理画像中の画素の位置を表す位置ベクトルである。Ｈｅｍａ（−ｒ）に対して平滑化マスクＭlowを用いて（９）式により平滑化処理を施し（ステップＳ６０５）、そのピークを細胞核の中心位置とする（ステップＳ６０６）。
【０１４５】
【数９】
【０１４６】
ここで、平滑化マスクＭlowとしては、例えば、（１０）式に示す関数を用いる。
【０１４７】
【数１０】
【０１４８】
ここで規格化因子１／ｌは、（１１）式によって定める。
【０１４９】
【数１１】
【０１５０】
また、Ｓex、Ｓinはパラメータであり、それぞれ予め定めておく。通常はＳexの値は細胞核の典型的なサイズ（半径）程度に、またＳinの値はＳexの１．２倍程度の値に設定する。
【０１５１】
各画素についてヘマトキシレン信号（Ｈｅｍａ'）が算出されると、注目している点におけるＨｅｍａ'の値が予め定められた閾値（例えば０．２５）よりも大きく、かつその点の近傍（例えばｘ座標、ｙ座標の違いがいずれも３画素以内である画素）のいずれの点におけるＨｅｍａ'の値よりも大きい場合にその点をピークとして検出し、これを細胞核の中心とする（ステップＳ６０７）。
【０１５２】
なお、細胞核の大きさに変動があり得ることを考慮して上記の処理の内、ヘマトキシレン信号の平滑化処理及びピーク検出処理は、異なるサイズ（パラメータＳex、Ｓin）をもつ複数の（例えば３種類）平滑化マスクを用いて平滑化処理及びピーク検出処理を行い、いずれかの処理で検出されたピーク位置を細胞核の中心とする構成としても良い。
【０１５３】
学習パターン入力手段１００及びパターン入力手段５０１は、入力された病理画像に対して、まず上記の処理により細胞核中心を検出する。そして、検出された細胞核中心を中心に予め定めておいたサイズのイメージ（サブイメージ）を病理画像中から多数（検出された細胞核中心の数だけ）切り出し、これらの各サブイメージを学習パターン又は入力パターンとして抽出する（ステップＳ６０８）。
【０１５４】
［第２の実施形態］
続いて、学習パターンに実効的ノイズを加える本発明の第２の実施形態について説明する。
【０１５５】
第２の実施形態のシステム構成は、上記した第１の実施形態の構成（図１参照）と略同様であり、その処理の流れも、上記した第１の実施形態（図２〜図６参照）と略同様である。以下、第２の実施形態が、上記した第１の実施形態と相違する点についてのみ説明する。
【０１５６】
本実施形態の手順１では、特徴候補生成手段１０２は、特徴候補生成手段１０２が用いるｓ≦Ｎ＿１の特徴パラメータセットとして（ｋ＿ｓ、ｒ0＿ｓ、σ＿ｓ、ｔｈ＿ｓ）に加え、ノイズパラメータσｎ＿ｓが、予め設定されている（ｓ≦Ｎ＿１）。そして、第１の実施形態のステップＳ００１と同様に、特徴候補生成手段１０２は、ｓ番目（ｓ＝１からスタートする）の特徴パラメータセット（ｋ＿ｓ、ｒ0＿ｓ、σ＿ｓ、ｔｈ＿ｓ、σｎ＿ｓ）を（ｋ、ｒ0、σ、ｔｈ）に代入し、上記（１）式に従って複素ガボール関数、ガウス関数を生成する。そして、特徴候補生成手段１０２は、これらの複素ガボール関数、ガウス関数、しきい値パラメータｔｈ、ノイズパラメータσｎ及び特徴候補の識別番号ｓを特徴決定手段１０３に送る（図２のステップＳ００２）。
【０１５７】
特徴決定手段１０３は、学習パターン記憶手段１０１から学習パターンを順次受け取り（図２のステップＳ００３）、上記の複素ガボール関数及びガウス関数を用いて、次式に従って、特徴ｂを各学習パターンに対して計算する（図２のステップＳ００４）。ここで、ｔ番目の学習パターンをＩ＿ｔ（ｒ，ｉ＿ｒｇｂ）とする（ｔ＝１〜Ｍ）。
【０１５８】
【数１２】
【０１５９】
（１２）式のＥｒｆ（ｘ）は誤差関数である。なお、これは０以上１以下の値をとる別の非線形関数、例えば、シグモイド関数に置き換えることも可能である。
【０１６０】
以上のようにｓ番目の特徴パラメータセットを用いて、各学習パターンに対して特徴ｂが計算されると、特徴ｂの値がｂ（０≦ｂ≦１）であった場合、この学習パターンに対して特徴ｃは、確率ｂで１、確率（１−ｂ）で０をとるものと定める。
【０１６１】
本実施形態の手順２における特徴ｃの算出方法は、第１の実施形態における手順２の特徴ｃの算出方法と同様であるため、説明を省略する。
【０１６２】
本実施形態の手順３では、特徴候補生成手段１０２が用いる、Ｎ＿１＋Ｎ＿２≦ｓ≦Ｎの特徴パラメータセットとして（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）に加え、ノイズパラメータσｎ＿ｓが予め設定されている（Ｎ＿１＋Ｎ＿２≦ｓ≦Ｎ）。特徴候補生成手段１０２は、特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）、ノイズパラメータσｎ＿ｓ、及び特徴候補の識別番号ｓを特徴決定手段１０３に送る。なお、ここで、（ｘ＿ｓ、ｙ＿ｓ）は、サブイメージ中の特徴ｃを決定する画素の位置を表し、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、特徴ｃに対応する色を表し、ｔｈ＿ｓは閾値パラメータを表している。
【０１６３】
特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）が特徴決定手段１０３に送られた場合、特徴決定手段１０３は、以下の方法によりサブイメージの位置（ｘ＿ｓ、ｙ＿ｓ）に位置する画素の特徴を決定する。
【０１６４】
なお、注目する画素の色がｃｏｌｏｒ＿ｉｎｄｅｘに該当する色であると判断する処理は、第１の実施形態の手順２と同様であるため説明を省略する。
【０１６５】
まず、特徴決定手段１０３は、サブイメージの位置（ｘ＿ｓ、ｙ＿ｓ）の近傍の画素（例えば、注目する画素（ｘ＿ｓ、ｙ＿ｓ）からｘ座標、ｙ座標へ２画素以内にある画素（ｘ'＿ｓ、ｙ'＿ｓ）、つまり｜ｘ−ｘ'｜≦２かつ｜ｙ−ｙ'｜≦２の各画素）の色がｃｏｌｏｒ＿ｉｎｄｅｘで指定されている色と一致しているか否かを調べる。そして、ｃｏｌｏｒ＿ｉｎｄｅｘで指定される色と一致している色を持つ近傍の画素数を加算し、それを近傍の画素の総数で割り平均値ａを算出する。そして、平均値ａ、閾値パラメータｔｈ＿ｓ、及びノイズパラメータσｎ＿ｓを（６）式に代入し、特徴ｂを各学習パターンに対して計算する。
【０１６６】
以上のようにｓ番目の特徴パラメータセットを用いて、各学習パターンに対して特徴ｂが計算されると、手順１と同様に、特徴ｂの値がｂ（０≦ｂ≦１）であった場合、この学習パターンに対して特徴ｃは、確率ｂで１、確率（１−ｂ）で０をとるものと定める。
【０１６７】
以上のようにｓ番目の特徴パラメータセットを用いて、各学習パターンに対して特徴ｂが計算されたら、次に特徴決定手段１０３はｓ番目の特徴候補から得られる相互情報量ＭＩを、上記（３）式に準じて、以下の要領で算出する（図２のステップＳ００５）。
【０１６８】
（３）式中のＭ（ｃ）は、特徴がｃである学習パターンの総数の期待値、同様にＭ（ｑ，ｃ）は特徴がｃでありかつクラスｑに属する学習パターンの総数の期待値、にそれぞれ置き換えて相互情報量ＭＩを算出する。
【０１６９】
すべての特徴候補に対して相互情報量の計算が済んだ時点で、第１の実施形態と全く同様に、特徴決定手段１０３は各特徴候補から得られる相互情報量を比較し、最大の情報量が得られる特徴候補を決定すべき特徴のセットの第１番目の特徴として決定する（図２のステップＳ００６）。
【０１７０】
以下同様に、第ｍ番目の特徴までが決定されたら、第（ｍ＋１）番目の特徴ｃｍ＋１は、第ｍ番目までの特徴（ｃ１、ｃ２、．．．ｃｍ）が既知であるという条件下で、特徴ｃから得られる情報量ＭＩｍ＋１を最大にするように決定していく。但し、上記した第１の特徴の決定の際と同様に、相互情報量を計算する際には、学習パターンの各種総数はすべて対応する学習パターンの各種総数の期待値に置き換えて計算を行うものとする。例えば、ＭＩ２を計算する場合、（４）式においては、Ｍ（ｃ、ｃ１）は、「特徴がｃで、かつ１番目の特徴がｃ１である学習パターンの総数の期待値」に、Ｍ（ｑ、ｃ、ｃ１）は、「特徴がｃで、１番目の特徴がｃ１で、かつクラスｑに属する学習パターンの総数の期待値」にそれぞれ置き換えて計算する。
【０１７１】
第１の実施形態と同様に、以上の手続きは、新しい特徴を選んでも、得られる情報量（追加の情報量）が、予め設定しておく閾値よりも小さくなるまで、続けられる。そして、前記終了条件が満たされると、決定されている特徴のセットの各パラメータは特徴記憶手段１０４に記録される（図２のステップＳ００７）。
【０１７２】
続いて、手順１及び３によって特徴ｃを算出した場合における別の分類テーブル作成の手順について、図面を参照して説明する。図７は、本実施形態に係る分類テーブルの作成処理の一例を示したフローチャートである。なお、ｎ個の特徴が特徴決定手段によって決定され、分類テーブルは、初期化（クリア）されているものとする。
【０１７３】
図７を参照すると、まず、分類テーブル作成手段１０５は、各学習パターンに対して、決定されている特徴のセットの各パラメータを用いて、各特徴ｂｓ（ｂ１、ｂ２、．．．ｂｎ）を（１２）式に従って計算する（ステップＳ２０１、Ｓ２０２）。全学習パターンについての各特徴ｂｓの計算が完了すると、分類テーブル作成手段１０５は、ｓ番目の特徴ｃｓが１となる確率をｂｓ、０となる確率を（１−ｂｓ）定め、更に、ｊ＝１と初期化して、分類テーブル１０６に記録すべきパターンの選定処理を開始する（ステップＳ２０３）。
【０１７４】
まず、分類テーブル作成手段１０５は、１番目からｊ番目までの特徴（ｃ１、ｃ２、．．．ｃｊ）のすべての組み合わせを生成する（ステップＳ２０４）。続いて、前記１番目からｊ番目までの特徴の全組み合わせと分類テーブル１０６に既に登録されている特徴ベクトルとを順次照合し（ステップＳ２０５）、前記１番目からｊ番目までの特徴の全組み合わせの中で、分類テーブル１０６に既に記録されている特徴ベクトルと一致している組み合わせを消去する（ステップＳ２０５−１）。この場合において、分類テーブル１０６にｄｏｎ'ｔ ｃａｒｅを表す記号が記録されている特徴は、その値に関わらず一致しているものとして、取り扱う。
【０１７５】
そして、残った特徴パターン（ｃ１、ｃ２、．．．ｃｊ）について、ステップＳ２０２において各学習パターン毎に計算した特徴ｂｓを用いて期待値の計算を行い、分類テーブル１０６に記録すべき条件に合致する特徴パターンの検索を行う（ステップＳ２０６）。より具体的には、残った特徴パターンの中から、順次、適当な特徴パターン（ｃ１、ｃ２、．．．ｃｊ）を選択し、（１）前記特徴パターンであって、あるクラスｑに属する学習パターンの総数の期待値が予め定めたしきい値以上で、（２）前記特徴パターンであって、それ以外のクラスに属する学習パターンの総数の期待値が、すべて予め定めた別のしきい値以下となる場合に、該特徴パターンをクラスｑを表すパターンとし、標識ｑとともに分類テーブル１０６に記録する。その際、ｊ＋１番目からｎ番目までの特徴の欄にはｄｏｎ'ｔ ｃａｒｅを表す記号を記録する（ステップＳ２０７）。
【０１７６】
上記検索の結果、条件に合致する特徴パターンが得られない場合は、ｊ＝ｊ＋１として、ステップＳ２０４に戻って、改めて、１番目からｊ番目までの特徴（ｃ１、ｃ２、．．．ｃｊ）のすべての組み合わせを生成する。一方、ｎ番目までの特徴における全組み合わせまで検索が完了した場合（ｊ＝ｎ）であれば、終了する。
【０１７７】
続いて、特徴ｃを手順１及び３によって算出した場合の本実施形態における別の診断の手順について、再度、図５を参照して説明する。
【０１７８】
まず、パターン入力手段２０１から入力された入力パターンに対して、特徴抽出手段２０２が、特徴記憶手段１０４に記憶されている手順１、又は３の特徴のセットを用いて特徴ベクトル（ｂ１、ｂ２、．．．ｂｎ）を（６）式に従って算出し、これを診断手段２０３に送る。この時、ｓ番目の特徴ｃｓ（ｓ＝１〜ｎ）が１となる確率をbｓ、０となる確率を（１−ｂｓ）と定める。
【０１７９】
診断手段２０３は分類テーブル１０６を参照しながら、入力パターンが各クラスに属する確率を算出する。より具体的には、以下のような手順で行われる。
【０１８０】
例えば、入力パターンがクラスｑ＝０に属する確率を算出する場合を説明すると、まず、診断手段２０３は、分類テーブル１０６の中からｑ＝０の標識が記されている特徴パターン（ｃ１、ｃ２、．．．ｃｎ）をすべて読み出す。ここで、その中の最初の特徴パターンが、例えば、（ｃ１、ｃ２、．．．ｃｎ）＝（１、０、＊、＊、．．．、＊）であった場合を考える（記号「＊」はｄｏｎ'ｔ ｃａｒｅを表すものとする。）。入力パターンに対して特徴ｃ１、ｃ２がｃ１＝１、ｃ２＝０となる確率は、ｂ１・（１−ｂ２）であるから、入力パターンの特徴ベクトルがこの特徴パターンと一致する確率もやはりｂ１・（１−ｂ２）と算出される。なお、この特徴パターンの３番目以降の特徴はｄｏｎ'ｔ ｃａｒｅとなっているため、３番目以降の特徴の値は、全体としての確率に影響を与えない。
【０１８１】
以上の要領で、診断手段２０３は、入力パターンから計算した確率ｂｓ、（１−ｂｓ）を用いて、入力パターンの特徴ベクトルが、ｑ＝０に対応する各特徴パターンと一致する確率を算出し、その総計を求める。前記各確率の総計は、入力パターンがクラスｑ＝０に属する確率と示すものとなる。診断手段２０３はこうして算出された、入力パターンが各クラスに属する確率を比較し、最大の確率を与えるクラスを判定結果として出力する。
【０１８２】
場合によっては、更に、予め定めておくしきい値と比較し、該しきい値との比較によって棄却判定（判定不能）を出力するという構成も当然可能である。
【０１８３】
また、更に、処理時間を短縮するためには、分類テーブルだけを本実施の形態で説明した方法で作成し、診断処理は第１の実施の形態で説明した方法で行うことでもよい。この場合には、入力パターンに対する特徴ベクトルは（２）式に従って算出すればよい。
【０１８４】
以上説明した本発明の第２の実施の形態によれば、学習パターンに実効的にノイズを加えた効果があるので、よりマージンの大きな特徴のセットが選択される。このため、第１の実施形態の場合よりも、更に汎化性能（学習パターン以外のパターンに対する識別性能）が向上するという特徴を持つことになる。
【０１８５】
［第３の実施形態］
続いて、本発明の第３の実施形態について、図面を参照して説明する。本実施形態においても、上記した第１、第２の実施形態と同様に、３クラス以上の場合に拡張することは容易であるが、説明の便宜のため、２クラスの場合（ｑ＝０ ｏｒ １）について説明する。
【０１８６】
図８は、本発明による特徴選択方法の第３の実施形態のシステム構成を示すブロック図である。図８を参照すると、学習パターン入力手段３００と、学習パターン記憶手段３０１と、特徴候補生成手段３０２と、特徴決定手段３０３と、特徴記憶手段３０４と、遷移テーブル３０５とが示されている。以下、上記した各実施形態と同一の部分は、省略して、説明する。
【０１８７】
特徴決定手段３０３は、特徴候補生成手段によって生成された特徴候補の中からパターン識別に最適な特徴のセットを決定する手段である。また、本実施形態における特徴決定手段３０３は、本実施形態の特徴決定手順の過程で得られるパラメータを記録してなる、遷移テーブル３０５を作成する。
【０１８８】
遷移テーブル３０５は、後述する診断処理に用いるパラメータを記録してなるテーブルである。
【０１８９】
続いて、手順の説明の前に、各パラメータ等の説明をする。
【０１９０】
学習パターンは、Ｍ個用意されているものとする。また、Ｌ個の集合群Ｄi（ｉ＝１〜Ｌ）と、これと対になる集合群Ｄ'i（ｉ＝１〜Ｌ）を用意する。ここで、Ｌは、予め定めておく自然数であり、本実施形態では、Ｌ＝６４を採用するものとして説明する。
【０１９１】
続いて、図面を参照して、本実施の形態による特徴選択方法の手順について説明する。本実施形態における、第１の特徴を決定するまでの手順は、上記した第２の実施形態の場合と全く同一である。なお、手順２によって特徴ｃを算出する場合は、以下の説明中の数値ｂは特徴ｃの値に置き換えて処理するものとする。
【０１９２】
図９、図１０、図１１は、本発明の特徴選択方法の処理の流れを説明するためのフローチャートである。図９を参照すると、第１の特徴が決定されると（ステップＳ３０１）、特徴決定手段３０３は、集合Ｄｉ、及びＤ'ｉ（各ｉ＝１〜Ｌ）をそれぞれ初期化する（ステップＳ３０２）。ここでは、Ｌ＝６４としているため、Ｄ１〜Ｄ６４及びＤ'１〜Ｄ'６４の集合について、初期化する（クリアし空集合にする）処理がなされる。
【０１９３】
特徴順位パラメータｍは、ｍ＝２とする。これは、第２の特徴から本手順を開始するためである。
【０１９４】
続いて、特徴決定手段３０３は、既に決定されている第１の特徴パラメータを用いて、各学習パターンに対して特徴ｂを（１２）式に従って算出する（ステップＳ３０３〜Ｓ３０５）。
【０１９５】
続いて、特徴決定手段３０３は、各学習パターンをそれぞれ重みｂで集合Ｅ１に、重み（１−ｂ）で集合Ｅ０に分配する（ステップＳ３０６）。
【０１９６】
全ての学習パターンに対して上記の処理が終了すると、特徴決定手段３０３は、次式に従ってＰ（ｑ＝１｜Ｅ１）、及びＰ（ｑ＝１｜Ｅ０）を、計算する。
【０１９７】
【数１３】
【０１９８】
なお、Ｍ（Ｅ０）、Ｍ（Ｅ１）は、それぞれ集合Ｅ０、Ｅ１に属する学習パターンの重みの総計であり、Ｍ（ｑ＝１｜Ｅ０）、Ｍ（ｑ＝１｜Ｅ１）は、クラスｑ＝１に属し、かつそれぞれ集合Ｅ０、Ｅ１に属する学習パターンの重みの総計である。
【０１９９】
続いて、特徴決定手段３０３は、上記の通り分配がなされた集合Ｅ０、Ｅ１の内容を、前記予め用意した集合群（Ｄｉ）から次式により決定される集合Ｄｊ、Ｄｊ'にそれぞれコピーする（ステップＳ３０７）。
【０２００】
【数１４】
【０２０１】
但し、ここで、ｄ＿ｊは、次式のとおり予め定める定数である（ｊ＝１〜Ｌ−１）。次式によれば、定数ｄ＿ｊは、０以上１以下の間の値をとり、ｊの値に応じて略Ｓ字状に増加するものとなっている。例えば、Ｐ（ｑ＝１｜Ｅ０）＝０．１５であれば、ｄ＿２９＝０．１１１・・・、ｄ＿３０＝０．２より、（１４）式上段の式を満たすｊ＝３０が決定され、Ｄ３０にＥ０が、コピーされる。同様に、Ｐ（ｑ＝１｜Ｅ１）＝０．７であれば、ｄ＿３３＝０．６６６・・・、ｄ＿３４＝０．８より、（１４）式下段の式を満たすｊ'＝３４が決定され、Ｄ３４にＥ１がコピーされる。
【０２０２】
【数１５】
【０２０３】
もちろん、上式は、集合Ｄi、及びＤ'iの個数に応じ、かつ、本実施の形態において取扱いが容易になるよう定めたものであって、特に限定するものではない。
【０２０４】
ここで、特徴決定手段３０３は、遷移テーブル３０５に（１、ｊ、ｊ'）を記録する（ステップＳ３０７）。例えば、ｊ＝３０、ｊ＝３４であれば、（１、３０、３４）が遷移テーブルに記録される。（図１２参照）。これは後の診断処理の際に使用されるもので、１番目の特徴がｃ１＝１であったら集合Ｄｊに、ｃ１＝０であったら集合Ｄｊ'にそれぞれ遷移すべきことを意味している。
【０２０５】
続いて、図１０を参照すると、まず、特徴決定手段３０３は、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴候補を用いて、各学習パターンに対して、第２の実施形態と同様に特徴ｂ及び特徴ｃを算出する（ステップＳ３０９〜Ｓ３１２）。この時、上記した第２の実施形態の場合と同様に、手順１又は３によって特徴ｂを算出した場合、各学習パターンに対して特徴ｃは、確率ｂで１、確率（１−ｂ）で０をとるものと定める。
【０２０６】
続いて、特徴決定手段３０３は、ｓ番目の特徴候補から得られる情報量ＭＩ'を次式に従って計算する（ステップＳ３１３）。
【０２０７】
【数１６】
【０２０８】
なお、ここで、Ｍ（Ｄi）は、集合Ｄiに入る学習パターンの重みの総計であり、Ｍ（ｑ、Ｄi）は、集合Ｄiに入り、かつクラスｑに属する学習パターンの重みの総計である。但し、ｉについての和は、Ｍ（Ｄi）がゼロでない場合についてのみとるものとする。また、Ｍ（ｃ、Ｄi）は、特徴がｃで、かつ集合Ｄiに入る学習パターンの重みの総計の期待値であり、Ｍ（ｑ、ｃ、Ｄi）は、特徴がｃで、集合Ｄiに入り、かつクラスｑに属する学習パターンの重みの総計の期待値である。
【０２０９】
こうして、ｓ＝Ｎとなるまで、各学習パターン毎に特徴ｂの計算処理が行われ、すべての特徴候補に対して情報量ＭＩ'の計算が済んだ時点で、特徴決定手段３０３は、これらを比較し、最大の情報量が得られる特徴候補を決定すべき特徴のセットの第ｍ番目の特徴として決定する（ステップＳ３１４）。
【０２１０】
上記の通り最大の情報量が得られる第ｍ番目の特徴が決定すると、特徴決定手段３０３は、すべての集合Ｄi（Ｄ１〜Ｄ６４）に対して次の操作を行う。
【０２１１】
図１１を参照すると、特徴決定手段３０３は、上記決定された第ｍ番目の特徴パラメータを用いて、各学習パターンに対して特徴ｂを（１２）式に従って算出しＤiに属する各学習パターンを、重みｂ：（１−ｂ）の割合で集合Ｅ１及び、集合Ｅ０に分配する（ステップＳ３１５〜Ｓ３１８、図１３参照）。
【０２１２】
続いて、特徴決定手段３０３は、（１３）式に従ってＰ（ｑ＝１｜Ｅ１）、及びＰ（ｑ＝１｜Ｅ０）を、計算する。
【０２１３】
続いて、特徴決定手段３０３は、上記の通り分配がなされた集合Ｅ０，Ｅ１の内容を、前記予め用意した集合群（Ｄ'ｉ）から（１４）式により決定されるＤ'ｊ、Ｄ'ｊ'にそれぞれ加える（ステップＳ３１９）。例えば、図１４に示されたとおり、Ｐ（ｑ＝１｜Ｅ０）＝０．０５であれば、（１４）式の上段の式を満たすｊ＝２８が決定され、Ｄ'２８にＥ０が加えられる。同様に、Ｐ（ｑ＝１｜Ｅ１）＝０．３であれば、（１４）式の下段の式を満たすｊ'＝３１が決定され、Ｄ'３１にＥ１が加えられる（図１４参照）。
【０２１４】
ここで、特徴決定手段３０３は、遷移テーブル３０５に（ｍ、ｉ、ｊ、ｊ'）を記録する（ステップＳ３２０）。例えば、ｍ＝２、ｉ＝３０、ｊ＝２８、ｊ'＝３１であれば、図１２の遷移テーブルに示されたとおり、対応する位置（ｍ＝２、ｉ＝３０）に（ｊ＝２８、ｊ'＝３１）が記録される。前記記録内容は、ｍ番目の特徴がｃｍ＝１であったら集合Ｄｊに、ｃｍ＝０であったら集合Ｄｊ'にそれぞれ遷移すべきことを意味しており、後述する診断処理の際に使用される。
【０２１５】
すべての集合Ｄi（ｉ＝１〜Ｌ）に対して以上の操作が終了した場合には、特徴決定手段３０３は、集合Ｄ'i（ｉ＝１〜Ｌ）を集合Ｄi（ｉ＝１〜Ｌ）にコピーし、後続する第ｍ＋１番目の特徴を決定すべく、集合Ｄ'i（ｉ＝１〜Ｌ）を初期化（クリア）する（ステップＳ３２１、図１４参照）。
【０２１６】
以上の手続きは、新しい特徴を選んでも、ステップＳ３１４で得られる情報量（追加の情報量）が、予め設定しておくしきい値ＭＩ＿ｔｈよりも小さくなるまで、続けられる。従って、前記終了条件を満たしていない限り、特徴決定手段３０３は、次なる第ｍ＋１番目の特徴を決定すべく、ｍ＝ｍ＋１としてステップＳ３０９の手順に戻ることとなる（ステップＳ３２２）。
【０２１７】
一方、前記終了条件が満たされると、決定されている特徴のセットの各パラメータは特徴記憶手段３０４に記録される（ステップＳ３２３）。
【０２１８】
ここで、上記した本発明の第３の実施形態において、生成される判定処理に用いることのできる遷移テーブルについて説明する。図１２は、こうした遷移テーブルの一例である。図１２を参照すると、第１の特徴に対する遷移先の集合を示した第１の部分と、第２の特徴以降の各特徴に対する遷移先の集合を、特徴順位パラメータｍと、集合番号パラメータｉと、各特徴の値Ｃｍと、により示した第２の部分とからなっている。
【０２１９】
更に、図１２の遷移テーブルの第１の部分を参照すると、ｃ１＝１に対応する欄に「３０」が記載され、ｃ１＝０に対応する欄に「３４」が記載されている。これは、「１番目の特徴がｃ１＝１であったら集合Ｄ３０に、ｃ１＝０であったら集合Ｄ３４にそれぞれ遷移させる」べきことを示している。また、図１２の遷移テーブルの第２の部分のｍ＝２、ｉ＝３０の欄を参照すると、ｃ１＝１に対応する欄に「２８」が記載され、ｃ１＝０に対応する欄に「３１」が記載されている。これは、「集合Ｄ３０に属しているパターンは、第２番目の特徴がｃ２＝１であったら集合Ｄ２８に、ｃ２＝０であったら集合Ｄ３１にそれぞれ遷移させる」べきことを示している。
【０２２０】
なお、図１２の第２の部分の各欄中の記号「−」は空欄であることを示している。例えば、第２番目の特徴ｃ２の値に基づく遷移先を記した行（ｍ＝２）においては、集合Ｄ３０及びＤ３４に対応する列（ｉ＝３０、３４）以外の欄は空欄「−」になっている。これは、前記１番目の特徴に対応する遷移先の集合が「３０」又は「３４」となっていることに対応したものである。即ち、図１２の遷移テーブルによれば、入力パターンは、前記第１の特徴によって、必ずＤ３０或いはＤ３４の集合に遷移され、他の欄を参照する必要がないためである。
【０２２１】
なお、図１２の遷移テーブルによれば、第１の特徴と、第２番目以降の特徴に対する遷移先の集合を記載した部分を分けて記載しているが、特徴順位パラメータｍと、集合番号パラメータｉと、各特徴の値Ｃｍと、により、遷移先の集合をあらわし得るものであれば、特に限定するものではないことはもちろんである。例えば、図１３に示すように、図１２の第１の部分と第２の部分を統合させたものであってもよい。
【０２２２】
続いて、本実施形態における診断の手順について、図面を参照して説明する。図１５は、こうして決定されている特徴のセットを用いて診断を行う診断方法を示すブロック図である。図１５を参照すると、パターン入力手段４０１と、特徴抽出手段４０２と、診断手段４０３とが示されている。また特徴抽出手段４０２が特徴抽出のために用いる特徴記憶手段３０４、診断手段４０３が診断のために用いる遷移テーブル３０５が示されている。
【０２２３】
その作用は、まず、パターン入力手段４０１が、所望の媒体から入力パターンを取り込んで、特徴抽出手段４０２に対して送る。
【０２２４】
続いて、特徴抽出手段４０２が、該入力パターンに対して、特徴記憶手段３０４に記憶されている手順１〜３に基づいて決定した特徴のセット（上記の特徴決定手法によって決定されているもの）を用いて特徴ベクトル（ｂ１、ｂ２、．．．ｂｎ）を（１２）式に従って算出し、更に、前記算出結果を診断手段４０３に送る。なお、例えば、ｉ番目の特徴ｃｉが手順２によって算出される場合には、前記特徴ベクトルにおいて数値ｂｉはｃｉに置き換えて処理するものとする。
【０２２５】
この時、特徴ｃｓ（ｓ≦Ｎ＿１、又はＮ＿１＋Ｎ＿２≦ｓ≦Ｎ）が１となる確率をｂｓ、０となる確率を（１−ｂｓ）と定める。診断手段４０３は、順次遷移テーブル３０５を参照し、入力パターンが各クラスに属する確率を算出する。この手続きは以下のように進める。
【０２２６】
まず、診断手段４０３は、第１の特徴に基づく遷移規則（１、ｊ、ｊ'）を読み出し、状態ｊに確率ｂ１で、状態ｊ'に確率（１−ｂ１）で遷移させる。次に、診断手段４０３は、第２の特徴ｃ２が１となる確率をｂ２、ｃ２が０となる確率を（１−ｂ２）として、第２の特徴に基づく遷移規則を読み出し、状態を更に遷移させる。例えば、第２の特徴に基づく遷移規則に（２、ｊ、ｋ、ｋ'）、（２、ｊ'、ｋ''、ｋ'''）と記されていたら、状態ｊからは確率ｂ２で状態ｋに、確率（１−ｂ２）で状態ｋ'に、状態ｊ'からは確率ｂ２で状態ｋ''に、確率（１−ｂ２）で状態ｋ'''に、それぞれ遷移することとなる。従って、この場合、状態ｋにいる確率はｂ１・ｂ２、状態ｋ'にいる確率はｂ１・（１−ｂ２）、状態ｋ''にいる確率は（１−ｂ１）・ｂ２、状態ｋ'''にいる確率は（１−ｂ１）・（１−ｂ２）で、それぞれ与えられることになる。以下同様に、診断手段４０３は、第ｎの特徴までを用いて、遷移テーブルを参照しながら状態を遷移させていく。
【０２２７】
このようにして、第ｎの特徴までを用いて状態を遷移させた結果、各状態ｊにいる確率がＰ（ｊ）（ｊ＝１〜Ｌ）と算出されたものとする。この時、入力パターンがクラスｑ＝１に属する確率Ｐ（ｑ＝１）を次式により求めることが可能となる。
【０２２８】
【数１７】
【０２２９】
診断手段４０３は、この確率Ｐ（ｑ＝１）が、予め定めておくしきい値よりも大であれば「入力はクラスｑ＝１に属する」ものと判定し、その結果を出力する。また、この確率Ｐ（ｑ＝１）が、前記しきい値よりも小であれば、棄却ないし判定不能と判定し、その結果を出力する。もちろん、前記しきい値として、採択臨界値と棄却臨界値との２つを設けること、境界領域にある場合は、判定不能とすること等、種々の変形実施が可能である。
【０２３０】
なお、本実施形態においては、（１７）式によってＰ（ｑ＝１｜ｊ）の値を決定することとしているが、学習パターンを用いて、次のように決定することとしてもよい。即ち、各学習パターンＩ＿ｉ（ｒ，ｉ＿ｒｇｂ）（ｉ＝１〜Ｍ）を遷移テーブルに従って遷移させるとともに、各学習パターンの特徴ベクトル（ｂ１、ｂ２、．．．ｂｎ）に基づいて、それぞれが最終的に状態ｊにいる確率Ｐ（ｉ、ｊ）、を算出する。次にクラスｑ＝１に属する学習パターンについてのみこのＰ（ｉ、ｊ）の値を総計したものをＰ１（ｊ）、すべての学習パターンについてＰ（ｉ、ｊ）を総計したものをＰｔｏｔａｌ（ｊ）とし、Ｐ（ｑ＝１｜ｊ）＝Ｐ１（ｊ）／Ｐｔｏｔａｌ（ｊ）によってＰ(ｑ＝１｜ｊ)の値を決定する。
【０２３１】
本実施形態における診断のための処理時間を短縮するための変形として、遷移テーブル３０５だけを本実施の形態の方法で作成し、入力パターンに対する特徴ベクトルは（２）式に従って算出する方法を採ることができる。この場合には、判定処理では確率的な動作を行わず、（２）式で得られる特徴ベクトルに従って、状態を確定的に遷移させて診断を行う構成が実現される。また、この場合、遷移テーブルに従って状態を遷移させる際には、各段階において状態を確定的に遷移させることができるため、第ｎの特徴までを用いて状態を遷移させると、最終的には状態は１〜Ｌの中のある特定の状態ｊに確定する。そして、この状態ｊに対応する（１７）式のＰ(ｑ＝１｜ｊ)の値を調べて、これが予め定めておくしきい値よりも大であれば「入力はクラスｑ＝１に属する」ものと判定し、その結果を出力するものとすればよい。
【０２３２】
以上説明した、本発明の第３の実施形態では、第２の実施形態と同様に、学習パターンに実効的にノイズを加えた効果があるため、よりマージンの大きな特徴のセットが選択されるという特徴が、具現される。
【０２３３】
更に、本発明の第３の実施形態では、特徴選択のための計算が、上記した第２の実施形態の場合と比較して大幅に削減できる、という特徴が、具現される。その理由は、選択される特徴の数ｎが大きくなっても、特徴選択に必要な計算は、高々Ｌ個の集合を特徴に応じて分割した際に得られる情報量の計算（（１６）式）によって実現できる点にある。
【０２３４】
また、更に、本発明の第３の実施形態では、一旦分類された学習パターンを集合Ｄiに適時マージしながら情報量の計算が行われるため、各集合Ｄiに属する学習パターンの数が極度に少なくなることが避けられる。この結果、学習パターンに依存して特徴が選択されてしまうような現象が少なくなり、汎化性能を更に高めることができる、という特徴が、具現されている。
【０２３５】
［第４の実施形態］
次に、第１〜３の実施形態に係る病理診断支援装置を利用した病理診断支援システムの構成及び動作について説明する。
【０２３６】
まず、図１６を用い、本実施形態に係る病理診断支援システムの構成について説明する。
【０２３７】
本実施形態に係る病理診断支援システムは、顕微鏡１６０１、病理画像処理端末１６０２、病理診断支援サーバ１６０３、及び課金サーバ１６０４を有している。病理画像処理端末１６０２、病理診断支援サーバ１６０３、及び課金サーバ１６０４はネットワークにより接続されている。なお、病理診断支援サーバ１６０３は、第１〜３の実施形態に係る病理診断支援装置１６０３ａ及び診断結果記憶手段１６０３ｂを有している。
【０２３８】
顕微鏡１６０１及び病理画像処理端末１６０２は、病院等の医療機関に設置される。顕微鏡１６０１は、患者の病巣の病理画像を撮影する手段である。顕微鏡１６０１で撮影した病理画像は、病理画像処理端末１６０２に保持される。病理画像処理端末１６０２は、顕微鏡１６０１で撮影した病理画像を患者固有の情報を付加して病理画像データとして保持する。さらに、病理画像処理端末１６０２は、保持する病理画像データを病理診断サーバ１６０３に送信し、診断結果を受信する。
【０２３９】
病理診断サーバ１６０３は、研究機関や診断サービス会社等に設置される。病理診断支援装置１６０３ａは、病理画像処理端末１６０２から受信した病理画像データからサブイメージを抽出し、該サブイメージを利用して腫瘍の有無、及び腫瘍の良性・悪性を診断する。なお、具体的な動作については、第１〜３の実施形態において説明した内容と同様であるため、ここでは説明を省略する。
【０２４０】
診断結果記憶手段１６０３ｂは、病理診断支援装置１６０３ａにおける診断結果を患者固有の情報とともに記憶する。なお、必要に応じて、診断結果に病理医の診断結果を付加して記憶することもできる。そして、病理画像処理端末１６０２から診断結果記憶手段１６０３ｂに診断結果の要求されると、診断結果記憶手段１６０３ｂは、病理診断処理端末１６０２に対して患者固有の情報の送信を要求し、送信されてきた患者固有の情報と診断結果に付加された患者固有の情報とが一致した場合にのみ、診断結果を病理診断処理端末１６０２に送信する。
【０２４１】
課金サーバ１６０４は、病理診断サーバ１６０３において診断結果が診断結果記憶手段１６０３ｂに保持される毎にシステム使用料金を加算し、システムレンタル料金及び病理診断支援装置１６０３ａに保持されるデータの更新料金とともに保持する。また、課金サーバ１６０４は、病理画像処理端末１６０２が診断結果を受け取る毎に病院等に設置された顕微鏡１６０１及び病理画像処理端末１６０２の使用料金として保持する。
【０２４２】
次に、図１７を用い、本実施形態に係る病理診断支援システムの具体的な動作について説明する。
【０２４３】
まず、顕微鏡１６０１によって患者の病巣の病理画像を撮影する（ステップＳ１７０１）。撮影された病理画像は、患者固有の情報が付加されて病理画像処理端末１６０２に転送され、病理画像データとして格納される（ステップＳ１７０２）。病理画像処理端末１６０２は、病理画像データを病理診断サーバ１６０３に送信する（ステップＳ１７０３）。病理診断サーバ１６０３は、病理診断支援装置１６０３ａによって病理画像データに含まれる病理画像からサブイメージを抽出して、病理画像の診断を行う（ステップＳ１７０４）。病理診断支援装置１６０３ａにおける診断結果は、病理画像データに含まれる患者固有の情報とともに診断結果記憶手段１６０３ｂに記憶される（ステップＳ１７０５）。ここで、病理診断サーバ１６０３に課金サーバ１６０４が接続されている場合には、診断結果が診断結果記憶手段１６０３ｂに記憶される度にシステム使用料金に加算する（ステップＳ１７０６）。
【０２４４】
病理画像処理端末１６０２から診断結果の送信が病理診断サーバ１６０３に要求されると（ステップＳ１７０７）、病理診断サーバ１６０３は患者固有の情報の入力を病理画像処理端末１６０２に要求する。そして、病理画像処理端末１６０２から入力された患者固有の情報と各診断結果に付加されている患者固有の情報が一致しているか否かを判断する（ステップＳ１７０８）。
【０２４５】
病理画像処理端末１６０２から入力された患者固有の情報と各診断結果に付加されている患者固有の情報とが一致した場合（ステップＳ１７０８／ＹＥＳ）、病理診断サーバ１６０３は、診断結果記憶手段１６０３ｂに記憶されている診断結果が病理画像処理端末１６０２に送信する（ステップＳ１７０９）。ここで、課金サーバ１６０４が病理画像処理端末１６０２に接続されている場合は、病理画像処理端末１６０２が診断結果を受信するたびに、病理画像処理端末１６０２の使用料金を加算する（ステップＳ１７１０）。なお、病理画像処理端末１６０２から入力された患者固有の情報と各診断結果に付加されている患者固有の情報とが一致しなかった場合は（ステップＳ１７０８／ＮＯ）、診断結果の送信は行なわれず処理は終了する。
【０２４６】
本実施形態によれば、患者が遠隔地の病院に通院している場合であっても該病院に病理画像処理端末１６０２が設置されていれば、ネットワークを通じて病理診断サーバ１６０３にアクセスし、迅速に診断結果を受け取ることができる。また、患者から採取した病理画像の全てを病理医が診断しなくてもよいため、病理医の診断の負担を軽減することができる。さらに、診断結果を病理画像処理端末１６０２に配信する際、患者固有の情報の入力を要求することにより、病理診断サーバ１６０３からの診断結果の漏洩を防止することができる。
【図面の簡単な説明】
【０２４７】
【図１】本発明の第１の実施形態の特徴選択方法を行うシステムの構成を示すブロック図である。
【図２】本発明の第１の実施形態の特徴選択方法を説明するためのフローチャートである。
【図３】本発明による分類テーブルの作成処理の一例を示したフローチャートである。
【図４】本発明により作成された分類テーブルの一例である。
【図５】本発明の第１の実施形態の診断を行うシステムの構成を示すブロック図である。
【図６】本発明のサブイメージを抽出する処理の一例を示したフローチャートである。
【図７】本発明による分類テーブルの作成処理の別の一例を示したフローチャートである。
【図８】本発明の第３の実施形態の特徴選択方法を行うシステムの構成を示すブロック図である。
【図９】本発明の第３の実施形態の特徴選択方法を説明するためのフローチャートである。
【図１０】本発明の第３の実施形態の特徴選択方法を説明するためのフローチャートである。
【図１１】本発明の第３の実施形態の特徴選択方法を説明するためのフローチャートである。
【図１２】本発明により作成された遷移テーブルの一例である。
【図１３】本発明により作成された遷移テーブルの別の一例である。
【図１４】本発明の第３の実施形態で行われる集合間の遷移を簡便に表した図である。
【図１５】本発明の第３の実施形態の診断を行うシステムの構成を示すブロック図である。
【図１６】本発明の第４の実施形態に係る病理診断支援システムの構成を示すブロック図である。
【図１７】本発明の第４の実施形態に係る病理診断支援システムの処理を示すフローチャートである。
【符号の説明】
【０２４８】
１００、３００ 学習パターン入力手段
１０１、３０１ 学習パターン記憶手段
１０２、３０２ 特徴候補生成手段
１０３、３０３ 特徴決定手段
１０４、３０４ 特徴記憶手段
１０５ 分類テーブル作成手段
１０６ 分類テーブル
２０１、２０２、４０３ 診断手段
２０２、４０２ 特徴抽出手段
３０５ 遷移テーブル
４０１ パターン入力手段
１６０１ 顕微鏡
１６０２ 病理画像処理端末
１６０３ 病理診断サーバ
１６０４ 課金サーバ
【技術分野】
【０００１】
本発明は、病理診断支援装置に関し、特に、病理画像から診断する病理組織を抽出・診断する病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システムに関する。
【背景技術】
【０００２】
臨床医療現場では、Ｘ線・ＣＴ・ＭＲＩなどの画像診断機器が進歩し、微小な異変を探知することができるようになっている。しかし、Ｘ線・ＣＴ・ＭＲＩなどの画像診断機器は、異物の位置情報をもたらすのみで、その異物の性質を特定することはできない。したがって、結果的には病理医が画像診断機器で探知した異物を顕微鏡で観察し、その病理医の経験から異物の性質が良性なのか悪性なのかを判定している。したがって、微妙な境界領域の例においては、病理医によって診断結果が異なってしまうこともある。
【０００３】
具体的には、病理学検査では、まず採取した組織を固定するために脱水し、パラフィンによるブロック化といった処理を行った後５〜８ミクロンの厚さの薄片に切り、パラフィンを取り除き、染色して顕微鏡観察を行います。病理医は、この顕微鏡画像の中で、細胞の核の大きさや形の変化、組織としてのパターンの変化などの形態学的な情報をもとに診断を行っている。
【０００４】
特許文献１では、生体組織の組織画像から画像の特徴を特徴量として定量的に表し、病理組織学的特徴に基づいてあらかじめ設定された診断カテゴリーを適合度算出カテゴリーとして上記組織画像の特徴量が上記適合度算出カテゴリーに適合する程度を算出し、適合度の高い適合度算出カテゴリー名を表示する病理組織診断支援装置が提案されている。
【０００５】
特許文献２では、識別対象である学習パターンを部分空間群に射影し、各部分空間への射影長の二乗を特徴ベクトルとして算出し、該特徴ベクトルの各成分のクラス間変動とクラス内変動との比を増加させるように、該部分空間群を構成する各部分空間の基底ベクトルを更新することによりパターン変動に対して強く、パターン識別に適した特徴抽出装置が提案されている。
【０００６】
特許文献３では、高性能のパターン識別を、膨大な学習を要することなく実現するためのパターンの特徴選択方法、分類方法、判定方法、プログラム、及び装置が提案されている。
【０００７】
非特許文献１では、病理画像のなかから組織の腺組織あるいはその結合組織である間質など組織の構成要素をパターン学習し、検出することにより、より高い精度で癌の悪性度を判定できる病理画像からのガン細胞の自動抽出技術が提案されている。
【特許文献１】特開平１０−１９７５２２号公報
【特許文献２】特開２００１−１０１４１８号公報
【特許文献３】特開２００３−２５６８３９号公報
【非特許文献１】ＮＥＣ技法Ｖｏｌ．５６ Ｎｏ．１０（２００３年１１月２５日発行）
【発明の開示】
【発明が解決しようとする課題】
【０００８】
しかし、上記の発明は、以下の問題を有している。
【０００９】
特許文献１記載の病理組織診断支援装置によれば、適合度の算出にニューラルネットワークを用いることにより、学習データを用意するだけで、学習によって自動的に適合度を高精度に算出でき、かつ使用した標本が増えるほど学習データが増えるため精度を向上させることができるが、膨大な学習データを要するため、短時間に信頼性の高い適合度を出力することができない。
【００１０】
特許文献２、特許文献３、及び非特許文献１記載のパターンを抽出する方法によれば、生体組織の組織画像から画像の特徴（例えば腫瘍）を発見することもできるが、病理画像から画像の特徴を抽出するためには、病理画像に特有の事情が考慮されていないため、高精度に画像の特徴部分を発見することができない。
【００１１】
そこで、本発明は、腫瘍の性質の識別において、細胞核、その周辺組織等の変化が重要であることを考慮し、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出し、サブイメージを学習パターン及び入力パターンとして入力することにより、サブイメージに基づいて高精度に腫瘍の有無、及び腫瘍の良性・悪性を判定することができる病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システムを提案することを目的としている。
【００１２】
また、本発明は、病理学検査において採取した組織には染色（ヘマトキシレン、エオジン等による染色）が施されるため、細胞核、その周辺組織等がそれぞれ特有の色に染色されていることを考慮して、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出すると同時に、細胞核の色情報を抽出し、両者を特徴候補として記憶することにより、より高い精度で腫瘍の有無、及び腫瘍の良性・悪性を判定することができる病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システムを提案することを目的としている。
【課題を解決するための手段】
【００１３】
請求項１記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、前記特徴決定手段は、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類し、前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、前記診断手段は、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断することを特徴とする。
【００１４】
請求項２記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断することを特徴とする。
【００１５】
請求項３記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出し、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断することを特徴とする。
【００１６】
請求項４記載の発明は、請求項１から３のいずれか１項記載の病理診断支援装置において、前記学習パターン入力手段及び前記パターン入力手段は、染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択し、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出し、前記距離に応じて前記各画素に信号を付与し、前記病理画像中における前記信号の分布からピークを検出し、前記ピークを中心としたイメージを前記学習パターンとして入力することを特徴とする。
【００１７】
請求項５記載の発明は、請求項１から４のいずれか１項記載の病理診断支援装置において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００１８】
請求項６記載の発明は、請求項１から４のいずれか１項記載の病理診断支援装置において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００１９】
請求項７記載の発明は、請求項１から６のいずれか１項記載の病理診断支援装置において、前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする。
【００２０】
請求項８記載の発明は、請求項７記載の病理診断支援装置において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較することを特徴とする。
【００２１】
請求項９記載の発明は、請求項７記載の病理診断支援装置において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較することを特徴とする。
【００２２】
請求項１０記載の発明は、請求項５、６、又は９記載の病理診断支援装置において、前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加えることを特徴とする。
【００２３】
請求項１１記載の発明は、請求項５、６、又は９記載の病理診断支援装置において、前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算することを特徴とする。
【００２４】
請求項１２記載の発明は、請求項１から１１のいずれか１項記載の病理診断支援装置において、前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置くことを特徴とする。
【００２５】
請求項１３記載の発明は、請求項１から１２のいずれか１項記載の病理診断支援装置において、前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行うことを特徴とする。
【００２６】
請求項１４記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する処理と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する処理とを有することを特徴とする。
【００２７】
請求項１５記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する処理とを有することを特徴とする。
【００２８】
請求項１６記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する処理と、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する処理とを有することを特徴とする。
【００２９】
請求項１７記載の発明は、請求項１４から１６のいずれか１項記載の病理診断支援プログラムにおいて、前記学習パターン入力手段及び前記パターン入力手段は、染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する処理と、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する処理と、前記距離に応じて前記各画素に信号を付与する処理と、前記病理画像中における前記信号の分布からピークを検出する処理と、前記ピークを中心としたイメージを前記学習パターンとして入力する処理とを有することを特徴とする。
【００３０】
請求項１８記載の発明は、請求項１４から１７のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００３１】
請求項１９記載の発明は、請求項１４から１７のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００３２】
請求項２０記載の発明は、請求項１４から１９のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする。
【００３３】
請求項２１記載の発明は、請求項２０記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する処理を有することを特徴とする。
【００３４】
請求項２２記載の発明は、請求項２０記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する処理を有することを特徴とする。
【００３５】
請求項２３記載の発明は、請求項１８、１９、又は２２記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える処理を有することを特徴とする。
【００３６】
請求項２４記載の発明は、請求項１８、１９、又は２２記載の病理診断支援プログラムにおいて、前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する処理を有することを特徴とする。
【００３７】
請求項２５記載の発明は、請求項１４から２４のいずれか１項記載の病理診断支援プログラムにおいて、前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く処理を有することを特徴とする。
【００３８】
請求項２６記載の発明は、請求項１４又は２５のいずれか１項記載の病理診断支援プログラムにおいて、前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う処理を有することを特徴とする。
【００３９】
請求項２７記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する工程と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する工程とを有することを特徴とする。
【００４０】
請求項２８記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する工程とを有することを特徴とする。
【００４１】
請求項２９記載の発明は、学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する工程と、前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する工程とを有することを特徴とする。
【００４２】
請求項３０記載の発明は、請求項２７から２９のいずれか１項記載の病理診断支援方法において、前記学習パターン入力手段及び前記パターン入力手段は、染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する工程と、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する工程と、前記距離に応じて前記各画素に信号を付与する工程と、前記病理画像中における前記信号の分布からピークを検出する工程と、前記ピークを中心としたイメージを前記学習パターンとして入力する工程とを有することを特徴とする。
【００４３】
請求項３１記載の発明は、請求項２７から３０のいずれか１項記載の病理診断支援方法において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００４４】
請求項３２記載の発明は、請求項２７から３０のいずれか１項記載の病理診断支援方法において、前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする。
【００４５】
請求項３３記載の発明は、請求項２７から３２のいずれか１項記載の病理診断支援方法において、前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする。
【００４６】
請求項３４記載の発明は、請求項３３記載の病理診断支援方法において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する工程を有することを特徴とする。
【００４７】
請求項３５記載の発明は、請求項３３記載の病理診断支援方法において、前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する工程を有することを特徴とする。
【００４８】
請求項３６記載の発明は、請求項３１、３２、又は３５記載の病理診断支援方法において、前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える工程を有することを特徴とする。
【００４９】
請求項３７記載の発明は、請求項３１、３２、又は３５記載の病理診断支援方法において、前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する工程を有することを特徴とする。
【００５０】
請求項３８記載の発明は、請求項２７から３７のいずれか１項記載の病理診断支援方法において、前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く工程を有することを特徴とする。
【００５１】
請求項３９記載の発明は、請求項２７から３８のいずれか１項記載の病理診断支援方法において、前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う工程を有することを特徴とする。
【００５２】
請求項４０記載の発明は、病理画像に患者固有の情報が付加された病理画像データを保持する情報処理端末と、前記病理画像データを診断する病理診断サーバとを有する病理診断支援システムにおいて、前記病理診断サーバは、前記病理画像データが有する前記病理画像を診断する請求項１から１３のいずれか１項記載の病理診断支援装置と、前記病理診断支援装置による診断結果を前記患者固有の情報とともに記憶する診断結果記憶手段とを有し、前記情報処理端末は、前記患者固有の情報を伴って前記診断結果の送信を要求し、前記病理診断サーバは、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とを比較し、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とが一致したとき、前記診断結果を前記情報処理端末に送信することを特徴とする。
【００５３】
請求項４１記載の発明は、請求項４０記載の病理診断支援システムにおいて、前記病理診断支援装置及び前記情報処置端末の使用料金を保持する課金サーバを有することを特徴とする。
【００５４】
請求項４２記載の発明は、請求項４１記載の病理診断支援システムにおいて、前記課金サーバは、前記診断結果記憶手段に前記診断結果が記憶されたとき、前記病理診断支援装置の使用料金を加算することを特徴とする。
【００５５】
請求項４３記載の発明は、請求項４１又は４２記載の病理診断支援システムにおいて、前記課金サーバは、前記情報処理端末が前記診断結果を受信したとき、前記情報処理端末の使用料金を加算することを特徴とする。
【発明の効果】
【００５６】
本発明は、腫瘍の性質が良性なのか悪性なのかの識別に細胞核、その周辺組織等の変化が重要であることを考慮し、病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出し、サブイメージを学習パターン及び入力パターンとして記憶することにより、サブイメージに基づいて高精度かつ短時間で腫瘍の有無、及び腫瘍の良性・悪性を判定することができる。
【発明を実施するための最良の形態】
【００５７】
以下に、本発明の一実施形態について図面を参照して説明する。
【００５８】
図１は、本実施形態に係る病理診断支援装置の構成を示すブロック図である。図１に示すように本実施形態に係る病理診断支援装置は、学習パターン入力手段１００、学習パターン記憶手段１０１、特徴候補生成手段１０２、特徴決定手段１０３、特徴記憶手段１０４、分類テーブル作成手段１０５、及び分類テーブル１０６を有している。
【００５９】
学習パターン入力手段１００は、診断を行う病理画像から細胞核、空孔、細胞質、間質等を中心とするサブイメージを抽出し、該サブイメージを学習パターン記憶手段１０１に格納する。
【００６０】
学習パターン記憶手段１０１は、所望の個数の学習に用いるサブイメージを記憶保持する手段である。
【００６１】
特徴候補生成手段１０２は、予め定めた個数の特徴パラメータセットから特徴候補を順次生成する手段である。
【００６２】
特徴決定手段１０３は、特徴候補生成手段１０２によって生成された特徴候補の中からパターン識別に最適な特徴のセットを決定する手段である。
【００６３】
特徴記憶手段１０４は、特徴決定手段１０３により決定される特徴のセットを記憶保持する手段である。
【００６４】
分類テーブル作成手段１０５は、特徴決定手段１０３により決定される特徴のセットを用いて診断を行うための分類テーブル１０６を作成する手段である。
【００６５】
次に、図２を参照して特徴選択処理の手順について説明する。図２は、本実施形態に係る病理診断支援装置の特徴選択処理の手順を説明するためのフローチャートである。
【００６６】
特徴候補生成手段１０２が予め設定しておく大量の（Ｎ個とする）特徴パラメータセットに基づいて特徴候補を順次生成する（Ｓ００１）。本実施形態においては、上記Ｎ個の特徴パラメータセットのうち、１〜Ｎ＿１のパラメータセットをテクスチャに関連する特徴候補とし、Ｎ＿１＋１〜Ｎ＿１＋Ｎ＿２のパラメータセットを色に関連する特徴候補とし、Ｎ＿１＋Ｎ＿２＋１〜Ｎのパラメータセットを周辺の画素で平均化した色に関連する特徴候補とした。なお、ここでは、テクスチャに関連する特徴候補、色に関連する特徴候補、及び周辺の画素で平均化された色に関連する特徴候補を特徴候補として採用したが、これに限られるものではなく、病理画像に含まれる画素の特徴を決定するために必要な要素を特徴候補として生成することができる。
【００６７】
次に、特徴候補生成手段１０２において生成された特徴候補に基づいて、サブイメージが有する特徴を決定する方法について説明する。この特徴は、以下に示す手順１から３のいずれかにより決定される。
【００６８】
手順１
特徴候補生成手段１０２は、まず、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴パラメータセットを読み出し、ｓ≦Ｎ＿１であった場合には、ｓ番目の特徴パラメータセット（ｋ＿ｓ、ｒ0＿ｓ、σ＿ｓ、ｔｈ＿ｓ）を（ｋ、ｒ0、σ、ｔｈ）に代入し、パラメータｋ、ｒ0、σで規定される次式に例示する複素ガボール関数Ｇａｂ、及びガウス関数Ｇを生成する。なお、ｓ≦Ｎ＿１の場合、学習パターンとして学習パターン記憶手段１０１に記憶されているカラーのサブイメージをグレースケール変換したグレースケール画像を用いて特徴ｃを算出する。
【００６９】
【数１】
【００７０】
ここで、ｒ＝（ｘ、ｙ）は位置ベクトルを表し、ｉ2＝−１である。そして、特徴候補生成手段１０２は、（１）式の複素ガボール関数Ｇａｂとガウス関数Ｇとを、しきい値パラメータｔｈ、及び特徴候補の識別番号ｓとともに特徴決定手段１０３に送る（ステップＳ００２）。
【００７１】
学習パターン記憶手段１０１は、予め定めたＭ通りのサブイメージＩ＿ｔ（ｒ，ｉ＿ｒｇｂ）（ｔ＝１〜Ｍ）と、各サブイメージが属するクラスｑｔ（ｔ＝１〜Ｍ）との組を特徴決定手段１０３に対して送る（ステップＳ００３）。なお、本実施形態においては、説明を簡単にするためクラスは、２クラス（ｑ＝０又は１）であるものとして説明する。もちろん、３クラス以上の場合にも本発明の方法は適用できる。
【００７２】
特徴決定手段１０３は、学習イメージ記憶手段１０１から順次受け取ったサブイメージに対して、特徴候補（（１）式に示した複素ガボール関数及びガウス関数並びにその他のパラメータ）を用いて特徴ｃを（２）式に従って計算する（ステップＳ００４）。ここでｔ番目の学習パターンをＩ＿ｔ（ｒ，ｉ＿ｒｇｂ）とし、すべての学習パターン（Ｍ個）について上記計算が繰り返される。
【００７３】
【数２】
【００７４】
（２）式の上段の式の分母はパターンの大きさ（画像の輝度）によるａの値の変動を抑えるための規格化（標準化）因子である。該分母の式は、別の形式の規格化因子に置き換えることも可能である。また、取り扱うパターンによっては、このような規格化因子を省いてもよい。
【００７５】
手順２
特徴候補生成手段１０２は、まず、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴パラメータセットを読み出し、Ｎ＿１＋１≦ｓ≦Ｎ＿１＋Ｎ＿２であった場合には、ｓ番目の特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ）及び特徴候補の識別番号ｓを特徴決定手段１０３に送る（ステップＳ００２）。
【００７６】
ここで、（ｘ＿ｓ、ｙ＿ｓ）は、サブイメージ中の特徴ｃを決定する画素の位置を表し、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、特徴ｃに対応する色を表している。
【００７７】
なお、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、以下のように色と対応付けられている。
【００７８】
ＨＥ染色（ヘマトキシレン−エオジン染色）された細胞核の色（青）、細胞質の色（ピンク）、間質の色（薄いピンク）、空孔の色（白）は、病理画像を特徴づける上で重要な要素である。そこで、細胞核の色、細胞質の色、間質の色、空孔の色、それぞれにｃｏｌｏｒ＿ｉｎｄｅｘ＝１、２、３、４とインデックスを割りふる。
【００７９】
学習パターン記憶手段１０１は、予め定めたＭ通りの学習パターン（カラーサブイメージ）Ｉ＿ｔ（ｒ、ｉｒｇｂ）（ｒは画素の座標、ｉ＿ｒｇｂ＝１〜３は画像のｒ信号、ｇ信号、ｂ信号を指定するパラメータ）（ｔ＝１〜Ｍ）と、各学習パターンが属するクラスｑｔ（ｔ＝１〜Ｍ）との組を特徴決定手段１０３に対して送る（ステップＳ００３）。なお、本実施形態においては、説明を簡単にするためクラスは、２クラス（ｑ＝０又は１）であるものとして説明する。もちろん、３クラス以上の場合にも本発明の方法は適用可能である。
【００８０】
特徴決定手段１０３は、学習パターン記憶手段１０１から受け取った学習パターンについて（ステップＳ００３）、以下の方法により学習パターン中の位置（ｘ＿ｓ、ｙ＿ｓ）に位置する画素の色を判定し、それがパラメータｃｏｌｏｒ＿ｉｎｄｅｘで指定される色と一致する場合には特徴ｃの値を１とし、それ以外の場合には特徴ｃの値を０とする（ステップＳ００４）。ここで、ｔ番目の学習パターンをＩ＿ｔ（ｒ、ｉ＿ｒｇｂ）とし、全ての学習パターン（Ｍ個）に対して特徴ｃの決定が繰り返される。
【００８１】
細胞核の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝１）は、サブイメージの検出において算出した各画素のヘマトキシレン信号を予め定めた閾値（例えば、０．２５）と比較し、閾値よりも大きい場合は、その画素の色は細胞核の色であると判断する。ここで、閾値を適応的に決定するために、注目する画素の近傍でヘマトキシレン信号の値が、例えば０．２５以上である画素に関してのみヘマトキシレン信号の値を加算し、その平均値を求める。そして、その平均値の例えば０．９倍を注目する画素の閾値とし、この閾値よりも注目する画素のヘマトキシレン信号値が大きい場合には、その画素の色は細胞核の色である判断する構成であってもよい。
【００８２】
細胞核の以外の空孔、細胞質、間質の色は予め定めた色領域に従って分類する。例えば、各画素のＲＧＢ値にＨＳＶ変換を施し、ＲＧＢ値を色相（Ｈ：０〜１）、彩度（Ｓ：０〜１）、明度（Ｖ：０〜１）の値に変換する。そして、注目する画素が細胞核の色に分類されておらず、明度がＶ＞０．９２、かつ彩度がＳ＜０．２の場合にはその画素の色は空孔の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝２）と判断する。また、その画素の色が細胞核の色及び空孔の色のいずれにも該当せず、色相がＨ＜０．９、かつ明度がＶ＜０．８５の場合には細胞質の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝３）であると判断する。そして、上記いずれにも該当しなかった場合は、その画素の色を間質の色（ｃｏｌｏｒ＿ｉｎｄｅｘ＝４）と判断する。
【００８３】
手順３
特徴候補生成手段１０２は、まず、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴パラメータセットを読み出し、Ｎ＿１＋Ｎ＿２＋１≦ｓ≦Ｎであった場合には、ｓ番目の特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）及び特徴候補の識別番号ｓを特徴決定手段１０３に送る（ステップＳ００２）。なお、ここで、（ｘ＿ｓ、ｙ＿ｓ）は、サブイメージ中の特徴ｃを決定する画素の位置を表し、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、特徴ｃに対する色を表し、ｔｈは閾値パラメータを表している。
【００８４】
特徴決定手段１０３は、学習パターン記憶手段１０１から受け取った学習パターンについて（ステップＳ００３）、以下の方法により特徴ｃを決定する（ステップＳ００４）。ここで、ｔ番目の学習パターンをＩ＿ｔ（ｒ、ｉ＿ｒｇｂ）とし、全ての学習パターン（Ｍ個）に対して特徴ｃの決定が繰り返される。
【００８５】
なお、以下では、注目する画素の色がｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）に該当する色であると判断する処理は、手順２と同様であるため説明を省略する。
【００８６】
まず、特徴決定手段１０３は、サブイメージの位置（ｘ＿ｓ、ｙ＿ｓ）の近傍の画素（例えば、注目する画素（ｘ＿ｓ、ｙ＿ｓ）からｘ座標、ｙ座標へ２画素以内にある画素（ｘ'、ｙ'）、つまり｜ｘ−ｘ'｜≦２かつ｜ｙ−ｙ'｜≦２の色がｃｏｌｏｒ＿ｉｎｄｅｘで指定されている色と一致しているか否かを調べる。そして、ｃｏｌｏｒ＿ｉｎｄｅｘで指定される色と一致している色を持つ近傍の画素数を加算し、それを近傍の画素の総数で割り、平均値を求める。そして、その平均値が閾値パラメータ（ｔｈ＿ｓ）を越えていれば、特徴ｃは１をとり、それ以外は０をとる。
【００８７】
特徴決定手段１０３は、上述の３つの手順に加え、以下の方法によって注目する画素の特徴ｃを決定することもできる。
【００８８】
まず、注目する画素が含まれるサブイメージの各画素のＲＧＢ値にＨＳＶ変換を施し、ＲＧＢ値を色相（Ｈ：０〜１）、彩度（Ｓ：０〜１）、明度（Ｖ：０〜１）の値に変換する。次に、Ｈ、Ｓ、Ｖの値を、例えば５段階に粗視化する。例えば注目する画素のＨ、Ｓ、Ｖの値がすべて０．２＝１／５以下であればその画素の色を（１、１、１）とする。または、Ｈ、Ｓの値が０．２以下でＶの値が０．２<Ｖ≦０．４であれば注目する画素の色は（１、１、２）とする。ここで、特徴パラメータセットとして特徴候補生成手段１０２から受け取った（ｘ、ｙ、Ｈ'、Ｓ'、Ｖ'）で指定されるサブイメージ中の位置（ｘ、ｙ）の画素の色が（Ｈ'、Ｓ'、Ｖ'）である場合に特徴ｃは１をとり、それ以外の場合には０をとる。
【００８９】
以上のように、ｓ番目の特徴候補（特徴パラメータセット）を用いて、各サブイメージに対して特徴ｃが計算されると、特徴決定手段１０３は、ｓ番目の特徴候補から得られる相互情報量ＭＩを（３）式に従って算出し、これを特徴候補の識別番号ｓとともに記憶する（ステップＳ００５）。
【００９０】
【数３】
【００９１】
なお、ここで、Ｑはクラスの集合｛ｑ＝０、ｑ＝１｝であり、Ｍはサブイメージの総数である。また、Ｍ（ｑ）はクラスｑに属するサブイメージの総数、Ｍ（ｃ）は特徴がｃであるサブイメージの総数、Ｍ（ｑ、ｃ）は特徴がｃでありかつクラスｑに属するサブイメージの総数である。
【００９２】
また、（３）式中の＜＞cはｃに関する平均化操作であり、（４）式によって算出される
【００９３】
【数４】
【００９４】
以上の処理に従って、次の（ｓ＋１）番目の特徴候補が特徴候補生成手段１０２から送られ同様の処理が繰り返される（ステップＳ００２〜Ｓ００５）。こうして全ての（Ｎ個）の特徴候補に対応する相互情報量ＭＩの計算が完了した時点で、特徴決定手段１０３は各特徴候補から得られる相互情報量ＭＩを比較し、最大の相互情報量Ｍａｘ ＭＩ［Ｑ；Ｃ］が得られる特徴候補を決定すべき特徴のセットの第１番目の特徴として決定する（ステップＳ００６）。
【００９５】
こうして第１番目の特徴が決定されると、特徴決定手段１０３は、第２番目の特徴を決定する。上記と全く同様に、特徴決定手段１０３は特徴候補を特徴候補生成手段１０２から順次受け取り（ステップＳ００２）、各サブイメージに対して特徴ｃを算出する（ステップＳ００３、Ｓ００４）。なお、使用可能な記憶容量に応じて、上記した第１の特徴を決定する際のステップＳ００４における特徴ｃの算出結果を記憶保持しておき、特徴決定手段１０３が該記憶保持内容を読み出す操作に代えても良い。ｓ番目の特徴パラメータセットを用いて、各サブイメージに対して特徴ｃが計算された時点で、特徴決定手段１０３は、既に決定されている第１番目の特徴ｃ1が既知であるという条件下で、ｓ番目の特徴候補から得られる相互情報量ＭＩ2を（５）式に従って算出し、これを特徴候補の識別番号ｓとともに記憶しておく（ステップ００５）。
【００９６】
【数５】
【００９７】
なお、ここで、Ｍ（ｃ1）は、１番目の特徴がｃ1であるサブイメージの総数であり、Ｍ（ｑ、ｃ1）は、１番目の特徴がｃ1で、かつクラスｑに属するサブイメージの総数である。また、Ｍ（ｃ、ｃ1）は、特徴がｃで、かつ１番目の特徴がｃ1であるサブイメージの総数であり、Ｍ（ｑ、ｃ、ｃ1）は、特徴がｃで、１番目の特徴がｃ1で、かつクラスｑに属するサブイメージの総数である。
【００９８】
以上の操作に従って、次の（ｓ＋１）番目の特徴候補が特徴候補生成手段１０２から送られ、同様の操作が繰り返される（ステップＳ００２〜Ｓ００５）。こうして、全て（Ｎ個）の特徴候補に対応する相互情報量ＭＩの算出が済んだ時点で、特徴決定手段１０３は各特徴候補から得られる条件付きの相互情報量ＭＩ2を比較し、最大の情報量が得られる特徴候補を、決定すべき特徴のセットの第２番目の特徴として決定する（ステップＳ００６）。
【００９９】
以下同様に、第ｍ番目の特徴までが決定されたら、第（ｍ＋１）番目の特徴ｃは、（６）式の評価関数ＭＩm+1を最大にする特徴候補を採用する。
【０１００】
【数６】
【０１０１】
上記のＭＩm+1は、第ｍ番目までの特徴（ｃ1、ｃ2、．．．ｃm）が既知であるという条件下で、特徴ｃから得られる情報量を表している。以上の処理は、新しい特徴を選んでも、得られる情報量（追加の情報量）が、予め設定しておく閾値ＭＩ＿ｔｈよりも小さくなるまで続けられる。例えば、閾値ＭＩ＿ｔｈとしてゼロが設定されている場合には、得られる情報量（追加の情報量）がゼロになるまで、即ち、終了条件が満たされるまで、次なる特徴を決定すべく、上記した手順が繰り返される。
【０１０２】
一方、この終了条件が満たされた時点で特徴決定手順は終了する。そして、決定された特徴のセットの各パラメータは特徴記憶手段１０４に格納される（ステップＳ００７）。
【０１０３】
また、上記の特徴選択方法の変形例として、特徴候補生成手段１０２が生成する特徴候補の数を減らす工夫を加えた、以下の構成が考えられる。例えば、各複素ガボール関数について、（２）式で算出されるａの値のクラス内平均値を、ｑ＝０のクラス、ｑ＝１のクラスそれぞれに対して予め調べておき、閾値ＭＩ＿ｔｈの値をこれら２つのクラス内平均値の中間値に固定する構成が考えられる。また、例えば、第１番目の特徴の決定する際に（３）式で各複素ガボール関数に対して相互情報量ＭＩを計算するが、この時、各特徴候補に対してそれぞれ最大のＭＩを与える閾値ＭＩ＿ｔｈを記録しておき、第２番目以降の特徴を決定する場合には閾値ＭＩ＿ｔｈの値をそのまま固定するという構成が挙げられる。
【０１０４】
また、上記の実施形態では、特徴候補を構成する特徴抽出関数として複素ガボール関数を用いているが、他の特徴抽出関数を加えても、場合によっては他の特徴抽出関数だけで特徴候補を構成してもよい。
【０１０５】
また、例えば、クラスごとに部分空間を構成し、その部分空間への距離を表す指標を特徴候補に加える変形も好ましい。また、ガウス関数を用いて計算されるある点の近傍の重み付き平均輝度、或はガウス関数を用いて計算されるある点の近傍の重み付き平均輝度を、より広がりの大きいガウス関数を用いて計算される平均輝度で規格化したもの（即ち、ある点の近傍がその周辺よりも明るいか、暗いかを示す指標）を特徴候補に加えることも考えられる。その他、診断で用いられる標準的な特徴を特徴候補に加えることが可能である。
【０１０６】
特徴の決定処理が完了し、決定されている特徴のセットが特徴記憶手段１０４に記憶された時点で、パターン識別に用いるための分類テーブル１０６（図４に示す）の作成が可能となる。以下、所望の手段により起動された分類テーブル作成手段１０５が、分類テーブル１０６を作成する処理について説明する。
【０１０７】
まず、分類テーブル作成手段１０５は、学習パターン記憶手段１０１から各サブイメージを、特徴記憶手段１０４からは、特徴のセットの各パラメータを（以下、全部でｎ個の特徴が決定されているものとする）受け取り、各サブイメージに対しそれぞれ各特徴の値（ｃ1、ｃ2、．．．ｃn）とともに分類テーブル１０６に記憶する。
【０１０８】
上記の手順により、各サブイメージを一意に分類する分類テーブルの作成が可能であるが、より好ましくは、冗長項（ｄｏｎ'ｔ ｃａｒｅ項）を用いることが好ましい。例えば、先頭からｉ番目までの特徴の値（ｃ1、ｃ2、．．．ｃi）だけで、あるサブイメージの分類が可能である場合には、ｉ＋１番目以降の特徴ベクトルの値はｄｏｎ'ｔ ｃａｒｅを表す記号に置き換えて記憶する。
【０１０９】
上記の冗長項（ｄｏｎｔ'ｔ ｃａｒｅ）を用いて、分類テーブル１０６を作成する手順について図３を用いて説明する。図３は、本実施形態に係る分類テーブル１０６の作成処理の手順を示すフローチャートである。
【０１１０】
まず、分類テーブル作成手段１０５は、入力されたサブイメージに対して、特徴記憶手段１０４に記憶されている特徴のセットの各パラメータを用いて、特徴ベクトル（ｃ1、ｃ2、．．．ｃn）の値を計算する（ステップＳ１０１、Ｓ１０２）。
【０１１１】
上記特徴ベクトルと一致する特徴ベクトルを有するサブイメージが分類テーブル１０６中に存在するか否かを判断する（ステップＳ１０３）。但し、分類テーブル１０６にｄｏｎ'ｔ ｃａｒｅを表す記号が記されている場合には、それに対応する特徴の値はいかなるものであっても一致するものと見なして判定を行う。
【０１１２】
前記判断の結果、計算した特徴ベクトルと一致する特徴ベクトルを有するサブイメージが、分類テーブル中に、既に存在する場合は、該サブイメージを記録することなく、ステップＳ３００に戻り、次のサブイメージの入力を行う。
【０１１３】
一方、一致するサブイメージが無い場合には、インクリメント変数ｉ＝１を設定して（ステップＳ１０４）、以下の処理を行う。まず、このサブイメージが属するクラス（例：ｑ＝０）以外のクラス（例：ｑ＝１）に属するサブイメージの中に、１番目からｉ番目までの特徴（ｃ1、ｃ2、．．．ｃi）の全てが、このサブイメージと一致するサブイメージがあるか否かを調べる（ステップＳ１０５）。
【０１１４】
その結果、一致するサブイメージが無い場合には、１番目からｉ番目までの特徴の値（ｃ1、ｃ2、．．．ｃi）をこのサブイメージが属するクラスの標識（例：ｑ＝０）とともに分類テーブルに記録し、ｉ＋１番目以後の特徴ベクトルの値にはｄｏｎ'ｔ ｃａｒｅを表す記号を記録する（ステップＳ１０６）。そして、ステップＳ３００に戻り、次のサブイメージの入力を行う。
【０１１５】
逆に、このサブイメージと一致するサブイメージが１つでもある場合には、インクリメント変数ｉを１増加してステップＳ３０４に戻る。即ち、入力したサブイメージのｉ番目までの特徴の値により自他識別可能になるまで、ｉを増加する処理を継続することとなる。
【０１１６】
以上の処理は、全てのサブイメージを入力するまで繰り返される。なお、以上の手続のみでは、サブイメージの全てが分類できない場合が生じうる。例えば、異なるクラスに属するサブイメージが同じ特徴ベクトルを持つことがある。この場合、それぞれのクラスに属するサブイメージの数を数えて、多いほうのクラスをこの特徴ベクトルが表すクラスと定める等すればよい。
【０１１７】
もちろん、ｉを増加させつつ、特徴ｃ1〜ｃiが一致するパターンをグループ化（細分化）してゆき、１つのグループに１のサブイメージしか存在しない場合に、そのサブイメージのｉ＋１以降の特徴をｄｏｎ'ｔ ｃａｒｅ項とする方法等も採用し得る。
【０１１８】
図４は、本発明により採用された分類テーブル１０６の例である。図４を参照すると、各サブイメージのクラスの識別標識（ｑ）と、特徴ベクトル（ｃ1、ｃ2、．．．ｃn）とを格納するテーブルが示されている。なお、図４において記号「＊」はｄｏｎ'ｔ ｃａｒｅを表す記号である。
【０１１９】
続いて、図面を参照して、上記の分類テーブルを用いて行う病理画像の診断方法について説明する。
【０１２０】
図５は、本発明の診断方法の処理の流れを示すブロック図である。図５を参照すると、パターン入力手段２０１と、特徴抽出手段２０２と、診断手段２０３とが示されている。また、特徴抽出手段２０２の特徴抽出のために用いる、決定済みの特徴のセットを記憶保持する特徴記憶手段１０４と、診断手段２０３が診断に用いる、作成済みの分類テーブル１０６とが示されている。
【０１２１】
パターン入力手段２０１は、所望の媒体からサブイメージを入力するための手段である。本実施形態においては、病理組織を構成する細胞の細胞核を中心とした画像（サブイメージ）を入力するための手段である。なお、本実施形態においては、細胞核を中心とした画像を入力したが、これに限定されるものではなく、細胞核、空孔、細胞質、間質等、病理組織の診断において病理医が判断材料として用いる画像をサブイメージとして入力することができる。
【０１２２】
特徴抽出手段２０２は、決定された特徴のセットを用いて、パターン入力手段２０１から送られたサブイメージから、その特徴を抽出する手段である。
【０１２３】
診断手段２０３は、特徴抽出手段２０２により得られた特徴に基づいて、サブイメージの表す情報を診断する手段である。
【０１２４】
その処理は、まず、パターン入力手段２０１により得られた特徴に基づいて、サブイメージを取り込んで、特徴抽出手段２０２に対して送る。
【０１２５】
続いて、特徴抽出手段２０２が入力されたサブイメージに対して、特徴記憶手段１０４に記憶されている手順１、２、及び３によって決定した特徴のセット（上記の特徴決定手法によって決定されているもの）を用いてサブイメージの特徴ベクトルを算出し、更に、前記算出結果を診断手段２０３に対して送る。
【０１２６】
診断手段２０３は、分類テーブル１０６を参照し、この特徴ベクトルと一致するものを検索し、そこに記録されているクラスの標識を読み出し、それを診断結果として出力する。このとき、分類テーブル１０６上にｄｏｎ'ｔ ｃａｒｅを表す記号が記録されている場合には、診断手段５０３は、それに対応する特徴の値がいかなるものであっても、当該部分については一致するものとして判定する。
【０１２７】
ここで、上記の各手順によりサブイメージの特徴の決定並びにイメージの判定を行う本発明の利点を一層明確にすべく、本発明と決定木を用いる従来手法（ＩＤ３、Ｃ４．５）との相違点について述べる。
【０１２８】
ＩＤ３等も、決定木の各ノードにおける分類ルールを情報量最大化の基準に従って決定していく点においては、本発明と共通する。しかしながら、ＩＤ３やＣ４．５では、分類ルール（本発明の対応する言葉で換言すれば「特徴」）を、ノード毎に決定する。例えば、１番目の特徴ｃ1を決定した後で２番目の特徴を決定する場合、１番目の特徴ｃ1が１である場合、０である場合、それぞれの場合で異なる分類ルール（特徴）が決定されることになる。これに対して、本発明では、ノード深さが同じ場合には、即ち、任意のｎ番目の特徴には、同一の特徴が決定される。この点が両者の大きな相違点である。
【０１２９】
いずれの方法を採用する場合でも、学習パターンは完全に分類される。しかしながら、汎化性能、すなわち、学習していないサブイメージに対する識別性能に大きな違いが現れる。簡単のために両者の木の深さが同じ場合（ｎとする）、ＩＤ３又はＣ４．５では２n個の特徴が決定されるのに対して、本発明ではｎ個の特徴だけが決定される。従って、本発明の方がより単純な構造を持つことになる。該決定される特徴の個数の差は、問題がより困難になり、より深い木が必要になるに従い、指数関数的に拡大する。
【０１３０】
ところで、学習パターンに対する性能が同一の場合、より単純な構造の分類器の方が汎化性能に優れていることが知られている（「オッカムの剃刀」）。この点が、本発明による特徴選択方法及びそれを用いた診断方法が、従来手法に比べて性能、とりわけ、汎化性能を大幅に向上できる理由である。
【０１３１】
ここで、学習パターン入力手段１００及びパターン入力手段２０１において、病理画像からサブイメージを抽出する処理について説明する。なお、本実施形態においては、細胞核を中心としたサブイメージの抽出について説明するが、これに限定されるものではない。よって、空孔、細胞質、間質等、病理医が病理画像を観察する際に着目する形態的な特徴部分をサブイメージとして抽出することもできる。
【０１３２】
細胞核を中心としてサブイメージを抽出する処理は、病理画像中の各画素のＲＧＢ値からヘマトキシレン信号を算出するステップと、病理画像中における各画素のヘマトキシレン信号の分布から細胞核の中心位置を検出するステップとに大別される。なお、実際は、ヘマトキシレン信号の平滑化などの処理も含まれる。なお、細胞核の抽出に用いられる病理画像には、染色剤（ヘマトキシレン）によって細胞核が青色に染色されたものを用いた。
【０１３３】
以下、図６を用い学習パターン入力手段１００及びパターン入力手段２０１において、サブイメージを抽出する処理について説明する。
【０１３４】
学習パターン入力手段１００及びパターン入力手段２０１は、病理画像が入力されると（ステップＳ６０１）、まず、細胞核が青く染色された病理画像の各画素にヘマトキシレン信号を付与する。
【０１３５】
各画素のＲＧＢ値（２４ビットの場合、Ｒ＝０〜２５５、Ｇ＝０〜２５５、Ｂ＝０〜２５５）から、青く染まった細胞核の部分で値１．０をとり、他の領域（エオジンでピンクに染まった領域、又は白色の領域など）では０となるヘマトキシレン信号を算出する。この処理は、ＲＧＢ空間内における細胞核の色分布を調べ、その分布の中心から各画素のＲＧＢ値までの距離を計算することによって行われる。つまり、各画素のＲＧＢ値を調べ、その値がＲＧＢ空間内における細胞核の色分布の中心付近に位置すれば１に近い大きいヘマトキシレン信号を、中心から遠く離れていれば０に近いヘマトキシレン信号を付与する。ただし、染色処理の違い等によってサンプルごとに核の染まり方に変動が起こりうるため、ここでは適応的な方法によって細胞核の色分布を算出する。
【０１３６】
即ち、予め定めた細胞核の色領域を参照して、病理画像中から、ＲＧＢ値がこの細胞核の色領域内に入る画素のみを選択し、これを細胞核の色を表す画素とする。
【０１３７】
なお、細胞核の色領域は、以下の方法で予め定められる。まず、染色処理の違い等によって染まり方に変動がある細胞核の画像を集める。次に、各画像中で細胞核領域の各画素のＲＧＢ値を調べる。同時にこれらの各画像中でエオジンに染まっている領域の画素、および白色領域中の画素のＲＧＢ値も調べる。そして、エオジンに染まった領域および白色領域の画素が全く、又は殆ど含まれず、かつ細胞核領域の画素からなる細胞核の色領域を決める。
【０１３８】
学習パターン入力手段１００及びパターン入力手段５０１は、具体的には以下の方法に基づいてヘマトキシレン信号を各画素に付与する。
【０１３９】
まず、予め定められた細胞核の色領域を参照して、学習パターン入力手段１００及びパターン入力手段５０１に入力された病理画像中から、ＲＧＢ値が細胞核の色領域に入る画素をＮ個選択する（ステップＳ６０２）。そして、選択されたＮ個の各画素のＲＧＢ値をＲi、Ｇi、Ｂi（ｉ＝１〜Ｎ）とする。次に、各画素のＲi、Ｇi、Ｂi（ｉ＝１〜Ｎ）から（７）式に従って、平均値（Ｒ0、Ｇ0、Ｂ0）及び共分散行列Σを算出する（ステップＳ６０３）。
【０１４０】
【数７】
【０１４１】
（７）式において、Ｔはベクトルの転置操作を表す記号である。この共分散行列Σを用いて各画素（Ｒ、Ｇ、Ｂ）と平均値（Ｒ0、Ｇ0、Ｂ0）との距離Ｌ、及びヘマトキシレン信号（Ｈｅｍａ）を（８）式に従って算出する（ステップＳ６０４）。
【０１４２】
【数８】
【０１４３】
次に、各画素について算出したヘマトキシレン信号の分布から細胞核の中心位置を検出する処理について説明する。
【０１４４】
（８）式によって各画素について算出されたヘマトキシレン信号をＨｅｍａ（−ｒ）とする。ここで、−ｒ＝（ｘ、ｙ）は、病理画像中の画素の位置を表す位置ベクトルである。Ｈｅｍａ（−ｒ）に対して平滑化マスクＭlowを用いて（９）式により平滑化処理を施し（ステップＳ６０５）、そのピークを細胞核の中心位置とする（ステップＳ６０６）。
【０１４５】
【数９】
【０１４６】
ここで、平滑化マスクＭlowとしては、例えば、（１０）式に示す関数を用いる。
【０１４７】
【数１０】
【０１４８】
ここで規格化因子１／ｌは、（１１）式によって定める。
【０１４９】
【数１１】
【０１５０】
また、Ｓex、Ｓinはパラメータであり、それぞれ予め定めておく。通常はＳexの値は細胞核の典型的なサイズ（半径）程度に、またＳinの値はＳexの１．２倍程度の値に設定する。
【０１５１】
各画素についてヘマトキシレン信号（Ｈｅｍａ'）が算出されると、注目している点におけるＨｅｍａ'の値が予め定められた閾値（例えば０．２５）よりも大きく、かつその点の近傍（例えばｘ座標、ｙ座標の違いがいずれも３画素以内である画素）のいずれの点におけるＨｅｍａ'の値よりも大きい場合にその点をピークとして検出し、これを細胞核の中心とする（ステップＳ６０７）。
【０１５２】
なお、細胞核の大きさに変動があり得ることを考慮して上記の処理の内、ヘマトキシレン信号の平滑化処理及びピーク検出処理は、異なるサイズ（パラメータＳex、Ｓin）をもつ複数の（例えば３種類）平滑化マスクを用いて平滑化処理及びピーク検出処理を行い、いずれかの処理で検出されたピーク位置を細胞核の中心とする構成としても良い。
【０１５３】
学習パターン入力手段１００及びパターン入力手段５０１は、入力された病理画像に対して、まず上記の処理により細胞核中心を検出する。そして、検出された細胞核中心を中心に予め定めておいたサイズのイメージ（サブイメージ）を病理画像中から多数（検出された細胞核中心の数だけ）切り出し、これらの各サブイメージを学習パターン又は入力パターンとして抽出する（ステップＳ６０８）。
【０１５４】
［第２の実施形態］
続いて、学習パターンに実効的ノイズを加える本発明の第２の実施形態について説明する。
【０１５５】
第２の実施形態のシステム構成は、上記した第１の実施形態の構成（図１参照）と略同様であり、その処理の流れも、上記した第１の実施形態（図２〜図６参照）と略同様である。以下、第２の実施形態が、上記した第１の実施形態と相違する点についてのみ説明する。
【０１５６】
本実施形態の手順１では、特徴候補生成手段１０２は、特徴候補生成手段１０２が用いるｓ≦Ｎ＿１の特徴パラメータセットとして（ｋ＿ｓ、ｒ0＿ｓ、σ＿ｓ、ｔｈ＿ｓ）に加え、ノイズパラメータσｎ＿ｓが、予め設定されている（ｓ≦Ｎ＿１）。そして、第１の実施形態のステップＳ００１と同様に、特徴候補生成手段１０２は、ｓ番目（ｓ＝１からスタートする）の特徴パラメータセット（ｋ＿ｓ、ｒ0＿ｓ、σ＿ｓ、ｔｈ＿ｓ、σｎ＿ｓ）を（ｋ、ｒ0、σ、ｔｈ）に代入し、上記（１）式に従って複素ガボール関数、ガウス関数を生成する。そして、特徴候補生成手段１０２は、これらの複素ガボール関数、ガウス関数、しきい値パラメータｔｈ、ノイズパラメータσｎ及び特徴候補の識別番号ｓを特徴決定手段１０３に送る（図２のステップＳ００２）。
【０１５７】
特徴決定手段１０３は、学習パターン記憶手段１０１から学習パターンを順次受け取り（図２のステップＳ００３）、上記の複素ガボール関数及びガウス関数を用いて、次式に従って、特徴ｂを各学習パターンに対して計算する（図２のステップＳ００４）。ここで、ｔ番目の学習パターンをＩ＿ｔ（ｒ，ｉ＿ｒｇｂ）とする（ｔ＝１〜Ｍ）。
【０１５８】
【数１２】
【０１５９】
（１２）式のＥｒｆ（ｘ）は誤差関数である。なお、これは０以上１以下の値をとる別の非線形関数、例えば、シグモイド関数に置き換えることも可能である。
【０１６０】
以上のようにｓ番目の特徴パラメータセットを用いて、各学習パターンに対して特徴ｂが計算されると、特徴ｂの値がｂ（０≦ｂ≦１）であった場合、この学習パターンに対して特徴ｃは、確率ｂで１、確率（１−ｂ）で０をとるものと定める。
【０１６１】
本実施形態の手順２における特徴ｃの算出方法は、第１の実施形態における手順２の特徴ｃの算出方法と同様であるため、説明を省略する。
【０１６２】
本実施形態の手順３では、特徴候補生成手段１０２が用いる、Ｎ＿１＋Ｎ＿２≦ｓ≦Ｎの特徴パラメータセットとして（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）に加え、ノイズパラメータσｎ＿ｓが予め設定されている（Ｎ＿１＋Ｎ＿２≦ｓ≦Ｎ）。特徴候補生成手段１０２は、特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）、ノイズパラメータσｎ＿ｓ、及び特徴候補の識別番号ｓを特徴決定手段１０３に送る。なお、ここで、（ｘ＿ｓ、ｙ＿ｓ）は、サブイメージ中の特徴ｃを決定する画素の位置を表し、ｃｏｌｏｒ＿ｉｎｄｅｘ（＝１〜４）は、特徴ｃに対応する色を表し、ｔｈ＿ｓは閾値パラメータを表している。
【０１６３】
特徴パラメータセット（ｘ＿ｓ、ｙ＿ｓ、ｃｏｌｏｒ＿ｉｎｄｅｘ、ｔｈ＿ｓ）が特徴決定手段１０３に送られた場合、特徴決定手段１０３は、以下の方法によりサブイメージの位置（ｘ＿ｓ、ｙ＿ｓ）に位置する画素の特徴を決定する。
【０１６４】
なお、注目する画素の色がｃｏｌｏｒ＿ｉｎｄｅｘに該当する色であると判断する処理は、第１の実施形態の手順２と同様であるため説明を省略する。
【０１６５】
まず、特徴決定手段１０３は、サブイメージの位置（ｘ＿ｓ、ｙ＿ｓ）の近傍の画素（例えば、注目する画素（ｘ＿ｓ、ｙ＿ｓ）からｘ座標、ｙ座標へ２画素以内にある画素（ｘ'＿ｓ、ｙ'＿ｓ）、つまり｜ｘ−ｘ'｜≦２かつ｜ｙ−ｙ'｜≦２の各画素）の色がｃｏｌｏｒ＿ｉｎｄｅｘで指定されている色と一致しているか否かを調べる。そして、ｃｏｌｏｒ＿ｉｎｄｅｘで指定される色と一致している色を持つ近傍の画素数を加算し、それを近傍の画素の総数で割り平均値ａを算出する。そして、平均値ａ、閾値パラメータｔｈ＿ｓ、及びノイズパラメータσｎ＿ｓを（６）式に代入し、特徴ｂを各学習パターンに対して計算する。
【０１６６】
以上のようにｓ番目の特徴パラメータセットを用いて、各学習パターンに対して特徴ｂが計算されると、手順１と同様に、特徴ｂの値がｂ（０≦ｂ≦１）であった場合、この学習パターンに対して特徴ｃは、確率ｂで１、確率（１−ｂ）で０をとるものと定める。
【０１６７】
以上のようにｓ番目の特徴パラメータセットを用いて、各学習パターンに対して特徴ｂが計算されたら、次に特徴決定手段１０３はｓ番目の特徴候補から得られる相互情報量ＭＩを、上記（３）式に準じて、以下の要領で算出する（図２のステップＳ００５）。
【０１６８】
（３）式中のＭ（ｃ）は、特徴がｃである学習パターンの総数の期待値、同様にＭ（ｑ，ｃ）は特徴がｃでありかつクラスｑに属する学習パターンの総数の期待値、にそれぞれ置き換えて相互情報量ＭＩを算出する。
【０１６９】
すべての特徴候補に対して相互情報量の計算が済んだ時点で、第１の実施形態と全く同様に、特徴決定手段１０３は各特徴候補から得られる相互情報量を比較し、最大の情報量が得られる特徴候補を決定すべき特徴のセットの第１番目の特徴として決定する（図２のステップＳ００６）。
【０１７０】
以下同様に、第ｍ番目の特徴までが決定されたら、第（ｍ＋１）番目の特徴ｃｍ＋１は、第ｍ番目までの特徴（ｃ１、ｃ２、．．．ｃｍ）が既知であるという条件下で、特徴ｃから得られる情報量ＭＩｍ＋１を最大にするように決定していく。但し、上記した第１の特徴の決定の際と同様に、相互情報量を計算する際には、学習パターンの各種総数はすべて対応する学習パターンの各種総数の期待値に置き換えて計算を行うものとする。例えば、ＭＩ２を計算する場合、（４）式においては、Ｍ（ｃ、ｃ１）は、「特徴がｃで、かつ１番目の特徴がｃ１である学習パターンの総数の期待値」に、Ｍ（ｑ、ｃ、ｃ１）は、「特徴がｃで、１番目の特徴がｃ１で、かつクラスｑに属する学習パターンの総数の期待値」にそれぞれ置き換えて計算する。
【０１７１】
第１の実施形態と同様に、以上の手続きは、新しい特徴を選んでも、得られる情報量（追加の情報量）が、予め設定しておく閾値よりも小さくなるまで、続けられる。そして、前記終了条件が満たされると、決定されている特徴のセットの各パラメータは特徴記憶手段１０４に記録される（図２のステップＳ００７）。
【０１７２】
続いて、手順１及び３によって特徴ｃを算出した場合における別の分類テーブル作成の手順について、図面を参照して説明する。図７は、本実施形態に係る分類テーブルの作成処理の一例を示したフローチャートである。なお、ｎ個の特徴が特徴決定手段によって決定され、分類テーブルは、初期化（クリア）されているものとする。
【０１７３】
図７を参照すると、まず、分類テーブル作成手段１０５は、各学習パターンに対して、決定されている特徴のセットの各パラメータを用いて、各特徴ｂｓ（ｂ１、ｂ２、．．．ｂｎ）を（１２）式に従って計算する（ステップＳ２０１、Ｓ２０２）。全学習パターンについての各特徴ｂｓの計算が完了すると、分類テーブル作成手段１０５は、ｓ番目の特徴ｃｓが１となる確率をｂｓ、０となる確率を（１−ｂｓ）定め、更に、ｊ＝１と初期化して、分類テーブル１０６に記録すべきパターンの選定処理を開始する（ステップＳ２０３）。
【０１７４】
まず、分類テーブル作成手段１０５は、１番目からｊ番目までの特徴（ｃ１、ｃ２、．．．ｃｊ）のすべての組み合わせを生成する（ステップＳ２０４）。続いて、前記１番目からｊ番目までの特徴の全組み合わせと分類テーブル１０６に既に登録されている特徴ベクトルとを順次照合し（ステップＳ２０５）、前記１番目からｊ番目までの特徴の全組み合わせの中で、分類テーブル１０６に既に記録されている特徴ベクトルと一致している組み合わせを消去する（ステップＳ２０５−１）。この場合において、分類テーブル１０６にｄｏｎ'ｔ ｃａｒｅを表す記号が記録されている特徴は、その値に関わらず一致しているものとして、取り扱う。
【０１７５】
そして、残った特徴パターン（ｃ１、ｃ２、．．．ｃｊ）について、ステップＳ２０２において各学習パターン毎に計算した特徴ｂｓを用いて期待値の計算を行い、分類テーブル１０６に記録すべき条件に合致する特徴パターンの検索を行う（ステップＳ２０６）。より具体的には、残った特徴パターンの中から、順次、適当な特徴パターン（ｃ１、ｃ２、．．．ｃｊ）を選択し、（１）前記特徴パターンであって、あるクラスｑに属する学習パターンの総数の期待値が予め定めたしきい値以上で、（２）前記特徴パターンであって、それ以外のクラスに属する学習パターンの総数の期待値が、すべて予め定めた別のしきい値以下となる場合に、該特徴パターンをクラスｑを表すパターンとし、標識ｑとともに分類テーブル１０６に記録する。その際、ｊ＋１番目からｎ番目までの特徴の欄にはｄｏｎ'ｔ ｃａｒｅを表す記号を記録する（ステップＳ２０７）。
【０１７６】
上記検索の結果、条件に合致する特徴パターンが得られない場合は、ｊ＝ｊ＋１として、ステップＳ２０４に戻って、改めて、１番目からｊ番目までの特徴（ｃ１、ｃ２、．．．ｃｊ）のすべての組み合わせを生成する。一方、ｎ番目までの特徴における全組み合わせまで検索が完了した場合（ｊ＝ｎ）であれば、終了する。
【０１７７】
続いて、特徴ｃを手順１及び３によって算出した場合の本実施形態における別の診断の手順について、再度、図５を参照して説明する。
【０１７８】
まず、パターン入力手段２０１から入力された入力パターンに対して、特徴抽出手段２０２が、特徴記憶手段１０４に記憶されている手順１、又は３の特徴のセットを用いて特徴ベクトル（ｂ１、ｂ２、．．．ｂｎ）を（６）式に従って算出し、これを診断手段２０３に送る。この時、ｓ番目の特徴ｃｓ（ｓ＝１〜ｎ）が１となる確率をbｓ、０となる確率を（１−ｂｓ）と定める。
【０１７９】
診断手段２０３は分類テーブル１０６を参照しながら、入力パターンが各クラスに属する確率を算出する。より具体的には、以下のような手順で行われる。
【０１８０】
例えば、入力パターンがクラスｑ＝０に属する確率を算出する場合を説明すると、まず、診断手段２０３は、分類テーブル１０６の中からｑ＝０の標識が記されている特徴パターン（ｃ１、ｃ２、．．．ｃｎ）をすべて読み出す。ここで、その中の最初の特徴パターンが、例えば、（ｃ１、ｃ２、．．．ｃｎ）＝（１、０、＊、＊、．．．、＊）であった場合を考える（記号「＊」はｄｏｎ'ｔ ｃａｒｅを表すものとする。）。入力パターンに対して特徴ｃ１、ｃ２がｃ１＝１、ｃ２＝０となる確率は、ｂ１・（１−ｂ２）であるから、入力パターンの特徴ベクトルがこの特徴パターンと一致する確率もやはりｂ１・（１−ｂ２）と算出される。なお、この特徴パターンの３番目以降の特徴はｄｏｎ'ｔ ｃａｒｅとなっているため、３番目以降の特徴の値は、全体としての確率に影響を与えない。
【０１８１】
以上の要領で、診断手段２０３は、入力パターンから計算した確率ｂｓ、（１−ｂｓ）を用いて、入力パターンの特徴ベクトルが、ｑ＝０に対応する各特徴パターンと一致する確率を算出し、その総計を求める。前記各確率の総計は、入力パターンがクラスｑ＝０に属する確率と示すものとなる。診断手段２０３はこうして算出された、入力パターンが各クラスに属する確率を比較し、最大の確率を与えるクラスを判定結果として出力する。
【０１８２】
場合によっては、更に、予め定めておくしきい値と比較し、該しきい値との比較によって棄却判定（判定不能）を出力するという構成も当然可能である。
【０１８３】
また、更に、処理時間を短縮するためには、分類テーブルだけを本実施の形態で説明した方法で作成し、診断処理は第１の実施の形態で説明した方法で行うことでもよい。この場合には、入力パターンに対する特徴ベクトルは（２）式に従って算出すればよい。
【０１８４】
以上説明した本発明の第２の実施の形態によれば、学習パターンに実効的にノイズを加えた効果があるので、よりマージンの大きな特徴のセットが選択される。このため、第１の実施形態の場合よりも、更に汎化性能（学習パターン以外のパターンに対する識別性能）が向上するという特徴を持つことになる。
【０１８５】
［第３の実施形態］
続いて、本発明の第３の実施形態について、図面を参照して説明する。本実施形態においても、上記した第１、第２の実施形態と同様に、３クラス以上の場合に拡張することは容易であるが、説明の便宜のため、２クラスの場合（ｑ＝０ ｏｒ １）について説明する。
【０１８６】
図８は、本発明による特徴選択方法の第３の実施形態のシステム構成を示すブロック図である。図８を参照すると、学習パターン入力手段３００と、学習パターン記憶手段３０１と、特徴候補生成手段３０２と、特徴決定手段３０３と、特徴記憶手段３０４と、遷移テーブル３０５とが示されている。以下、上記した各実施形態と同一の部分は、省略して、説明する。
【０１８７】
特徴決定手段３０３は、特徴候補生成手段によって生成された特徴候補の中からパターン識別に最適な特徴のセットを決定する手段である。また、本実施形態における特徴決定手段３０３は、本実施形態の特徴決定手順の過程で得られるパラメータを記録してなる、遷移テーブル３０５を作成する。
【０１８８】
遷移テーブル３０５は、後述する診断処理に用いるパラメータを記録してなるテーブルである。
【０１８９】
続いて、手順の説明の前に、各パラメータ等の説明をする。
【０１９０】
学習パターンは、Ｍ個用意されているものとする。また、Ｌ個の集合群Ｄi（ｉ＝１〜Ｌ）と、これと対になる集合群Ｄ'i（ｉ＝１〜Ｌ）を用意する。ここで、Ｌは、予め定めておく自然数であり、本実施形態では、Ｌ＝６４を採用するものとして説明する。
【０１９１】
続いて、図面を参照して、本実施の形態による特徴選択方法の手順について説明する。本実施形態における、第１の特徴を決定するまでの手順は、上記した第２の実施形態の場合と全く同一である。なお、手順２によって特徴ｃを算出する場合は、以下の説明中の数値ｂは特徴ｃの値に置き換えて処理するものとする。
【０１９２】
図９、図１０、図１１は、本発明の特徴選択方法の処理の流れを説明するためのフローチャートである。図９を参照すると、第１の特徴が決定されると（ステップＳ３０１）、特徴決定手段３０３は、集合Ｄｉ、及びＤ'ｉ（各ｉ＝１〜Ｌ）をそれぞれ初期化する（ステップＳ３０２）。ここでは、Ｌ＝６４としているため、Ｄ１〜Ｄ６４及びＤ'１〜Ｄ'６４の集合について、初期化する（クリアし空集合にする）処理がなされる。
【０１９３】
特徴順位パラメータｍは、ｍ＝２とする。これは、第２の特徴から本手順を開始するためである。
【０１９４】
続いて、特徴決定手段３０３は、既に決定されている第１の特徴パラメータを用いて、各学習パターンに対して特徴ｂを（１２）式に従って算出する（ステップＳ３０３〜Ｓ３０５）。
【０１９５】
続いて、特徴決定手段３０３は、各学習パターンをそれぞれ重みｂで集合Ｅ１に、重み（１−ｂ）で集合Ｅ０に分配する（ステップＳ３０６）。
【０１９６】
全ての学習パターンに対して上記の処理が終了すると、特徴決定手段３０３は、次式に従ってＰ（ｑ＝１｜Ｅ１）、及びＰ（ｑ＝１｜Ｅ０）を、計算する。
【０１９７】
【数１３】
【０１９８】
なお、Ｍ（Ｅ０）、Ｍ（Ｅ１）は、それぞれ集合Ｅ０、Ｅ１に属する学習パターンの重みの総計であり、Ｍ（ｑ＝１｜Ｅ０）、Ｍ（ｑ＝１｜Ｅ１）は、クラスｑ＝１に属し、かつそれぞれ集合Ｅ０、Ｅ１に属する学習パターンの重みの総計である。
【０１９９】
続いて、特徴決定手段３０３は、上記の通り分配がなされた集合Ｅ０、Ｅ１の内容を、前記予め用意した集合群（Ｄｉ）から次式により決定される集合Ｄｊ、Ｄｊ'にそれぞれコピーする（ステップＳ３０７）。
【０２００】
【数１４】
【０２０１】
但し、ここで、ｄ＿ｊは、次式のとおり予め定める定数である（ｊ＝１〜Ｌ−１）。次式によれば、定数ｄ＿ｊは、０以上１以下の間の値をとり、ｊの値に応じて略Ｓ字状に増加するものとなっている。例えば、Ｐ（ｑ＝１｜Ｅ０）＝０．１５であれば、ｄ＿２９＝０．１１１・・・、ｄ＿３０＝０．２より、（１４）式上段の式を満たすｊ＝３０が決定され、Ｄ３０にＥ０が、コピーされる。同様に、Ｐ（ｑ＝１｜Ｅ１）＝０．７であれば、ｄ＿３３＝０．６６６・・・、ｄ＿３４＝０．８より、（１４）式下段の式を満たすｊ'＝３４が決定され、Ｄ３４にＥ１がコピーされる。
【０２０２】
【数１５】
【０２０３】
もちろん、上式は、集合Ｄi、及びＤ'iの個数に応じ、かつ、本実施の形態において取扱いが容易になるよう定めたものであって、特に限定するものではない。
【０２０４】
ここで、特徴決定手段３０３は、遷移テーブル３０５に（１、ｊ、ｊ'）を記録する（ステップＳ３０７）。例えば、ｊ＝３０、ｊ＝３４であれば、（１、３０、３４）が遷移テーブルに記録される。（図１２参照）。これは後の診断処理の際に使用されるもので、１番目の特徴がｃ１＝１であったら集合Ｄｊに、ｃ１＝０であったら集合Ｄｊ'にそれぞれ遷移すべきことを意味している。
【０２０５】
続いて、図１０を参照すると、まず、特徴決定手段３０３は、ｓ番目（ｓ＝１〜Ｎ、ｓ＝１からスタートする）の特徴候補を用いて、各学習パターンに対して、第２の実施形態と同様に特徴ｂ及び特徴ｃを算出する（ステップＳ３０９〜Ｓ３１２）。この時、上記した第２の実施形態の場合と同様に、手順１又は３によって特徴ｂを算出した場合、各学習パターンに対して特徴ｃは、確率ｂで１、確率（１−ｂ）で０をとるものと定める。
【０２０６】
続いて、特徴決定手段３０３は、ｓ番目の特徴候補から得られる情報量ＭＩ'を次式に従って計算する（ステップＳ３１３）。
【０２０７】
【数１６】
【０２０８】
なお、ここで、Ｍ（Ｄi）は、集合Ｄiに入る学習パターンの重みの総計であり、Ｍ（ｑ、Ｄi）は、集合Ｄiに入り、かつクラスｑに属する学習パターンの重みの総計である。但し、ｉについての和は、Ｍ（Ｄi）がゼロでない場合についてのみとるものとする。また、Ｍ（ｃ、Ｄi）は、特徴がｃで、かつ集合Ｄiに入る学習パターンの重みの総計の期待値であり、Ｍ（ｑ、ｃ、Ｄi）は、特徴がｃで、集合Ｄiに入り、かつクラスｑに属する学習パターンの重みの総計の期待値である。
【０２０９】
こうして、ｓ＝Ｎとなるまで、各学習パターン毎に特徴ｂの計算処理が行われ、すべての特徴候補に対して情報量ＭＩ'の計算が済んだ時点で、特徴決定手段３０３は、これらを比較し、最大の情報量が得られる特徴候補を決定すべき特徴のセットの第ｍ番目の特徴として決定する（ステップＳ３１４）。
【０２１０】
上記の通り最大の情報量が得られる第ｍ番目の特徴が決定すると、特徴決定手段３０３は、すべての集合Ｄi（Ｄ１〜Ｄ６４）に対して次の操作を行う。
【０２１１】
図１１を参照すると、特徴決定手段３０３は、上記決定された第ｍ番目の特徴パラメータを用いて、各学習パターンに対して特徴ｂを（１２）式に従って算出しＤiに属する各学習パターンを、重みｂ：（１−ｂ）の割合で集合Ｅ１及び、集合Ｅ０に分配する（ステップＳ３１５〜Ｓ３１８、図１３参照）。
【０２１２】
続いて、特徴決定手段３０３は、（１３）式に従ってＰ（ｑ＝１｜Ｅ１）、及びＰ（ｑ＝１｜Ｅ０）を、計算する。
【０２１３】
続いて、特徴決定手段３０３は、上記の通り分配がなされた集合Ｅ０，Ｅ１の内容を、前記予め用意した集合群（Ｄ'ｉ）から（１４）式により決定されるＤ'ｊ、Ｄ'ｊ'にそれぞれ加える（ステップＳ３１９）。例えば、図１４に示されたとおり、Ｐ（ｑ＝１｜Ｅ０）＝０．０５であれば、（１４）式の上段の式を満たすｊ＝２８が決定され、Ｄ'２８にＥ０が加えられる。同様に、Ｐ（ｑ＝１｜Ｅ１）＝０．３であれば、（１４）式の下段の式を満たすｊ'＝３１が決定され、Ｄ'３１にＥ１が加えられる（図１４参照）。
【０２１４】
ここで、特徴決定手段３０３は、遷移テーブル３０５に（ｍ、ｉ、ｊ、ｊ'）を記録する（ステップＳ３２０）。例えば、ｍ＝２、ｉ＝３０、ｊ＝２８、ｊ'＝３１であれば、図１２の遷移テーブルに示されたとおり、対応する位置（ｍ＝２、ｉ＝３０）に（ｊ＝２８、ｊ'＝３１）が記録される。前記記録内容は、ｍ番目の特徴がｃｍ＝１であったら集合Ｄｊに、ｃｍ＝０であったら集合Ｄｊ'にそれぞれ遷移すべきことを意味しており、後述する診断処理の際に使用される。
【０２１５】
すべての集合Ｄi（ｉ＝１〜Ｌ）に対して以上の操作が終了した場合には、特徴決定手段３０３は、集合Ｄ'i（ｉ＝１〜Ｌ）を集合Ｄi（ｉ＝１〜Ｌ）にコピーし、後続する第ｍ＋１番目の特徴を決定すべく、集合Ｄ'i（ｉ＝１〜Ｌ）を初期化（クリア）する（ステップＳ３２１、図１４参照）。
【０２１６】
以上の手続きは、新しい特徴を選んでも、ステップＳ３１４で得られる情報量（追加の情報量）が、予め設定しておくしきい値ＭＩ＿ｔｈよりも小さくなるまで、続けられる。従って、前記終了条件を満たしていない限り、特徴決定手段３０３は、次なる第ｍ＋１番目の特徴を決定すべく、ｍ＝ｍ＋１としてステップＳ３０９の手順に戻ることとなる（ステップＳ３２２）。
【０２１７】
一方、前記終了条件が満たされると、決定されている特徴のセットの各パラメータは特徴記憶手段３０４に記録される（ステップＳ３２３）。
【０２１８】
ここで、上記した本発明の第３の実施形態において、生成される判定処理に用いることのできる遷移テーブルについて説明する。図１２は、こうした遷移テーブルの一例である。図１２を参照すると、第１の特徴に対する遷移先の集合を示した第１の部分と、第２の特徴以降の各特徴に対する遷移先の集合を、特徴順位パラメータｍと、集合番号パラメータｉと、各特徴の値Ｃｍと、により示した第２の部分とからなっている。
【０２１９】
更に、図１２の遷移テーブルの第１の部分を参照すると、ｃ１＝１に対応する欄に「３０」が記載され、ｃ１＝０に対応する欄に「３４」が記載されている。これは、「１番目の特徴がｃ１＝１であったら集合Ｄ３０に、ｃ１＝０であったら集合Ｄ３４にそれぞれ遷移させる」べきことを示している。また、図１２の遷移テーブルの第２の部分のｍ＝２、ｉ＝３０の欄を参照すると、ｃ１＝１に対応する欄に「２８」が記載され、ｃ１＝０に対応する欄に「３１」が記載されている。これは、「集合Ｄ３０に属しているパターンは、第２番目の特徴がｃ２＝１であったら集合Ｄ２８に、ｃ２＝０であったら集合Ｄ３１にそれぞれ遷移させる」べきことを示している。
【０２２０】
なお、図１２の第２の部分の各欄中の記号「−」は空欄であることを示している。例えば、第２番目の特徴ｃ２の値に基づく遷移先を記した行（ｍ＝２）においては、集合Ｄ３０及びＤ３４に対応する列（ｉ＝３０、３４）以外の欄は空欄「−」になっている。これは、前記１番目の特徴に対応する遷移先の集合が「３０」又は「３４」となっていることに対応したものである。即ち、図１２の遷移テーブルによれば、入力パターンは、前記第１の特徴によって、必ずＤ３０或いはＤ３４の集合に遷移され、他の欄を参照する必要がないためである。
【０２２１】
なお、図１２の遷移テーブルによれば、第１の特徴と、第２番目以降の特徴に対する遷移先の集合を記載した部分を分けて記載しているが、特徴順位パラメータｍと、集合番号パラメータｉと、各特徴の値Ｃｍと、により、遷移先の集合をあらわし得るものであれば、特に限定するものではないことはもちろんである。例えば、図１３に示すように、図１２の第１の部分と第２の部分を統合させたものであってもよい。
【０２２２】
続いて、本実施形態における診断の手順について、図面を参照して説明する。図１５は、こうして決定されている特徴のセットを用いて診断を行う診断方法を示すブロック図である。図１５を参照すると、パターン入力手段４０１と、特徴抽出手段４０２と、診断手段４０３とが示されている。また特徴抽出手段４０２が特徴抽出のために用いる特徴記憶手段３０４、診断手段４０３が診断のために用いる遷移テーブル３０５が示されている。
【０２２３】
その作用は、まず、パターン入力手段４０１が、所望の媒体から入力パターンを取り込んで、特徴抽出手段４０２に対して送る。
【０２２４】
続いて、特徴抽出手段４０２が、該入力パターンに対して、特徴記憶手段３０４に記憶されている手順１〜３に基づいて決定した特徴のセット（上記の特徴決定手法によって決定されているもの）を用いて特徴ベクトル（ｂ１、ｂ２、．．．ｂｎ）を（１２）式に従って算出し、更に、前記算出結果を診断手段４０３に送る。なお、例えば、ｉ番目の特徴ｃｉが手順２によって算出される場合には、前記特徴ベクトルにおいて数値ｂｉはｃｉに置き換えて処理するものとする。
【０２２５】
この時、特徴ｃｓ（ｓ≦Ｎ＿１、又はＮ＿１＋Ｎ＿２≦ｓ≦Ｎ）が１となる確率をｂｓ、０となる確率を（１−ｂｓ）と定める。診断手段４０３は、順次遷移テーブル３０５を参照し、入力パターンが各クラスに属する確率を算出する。この手続きは以下のように進める。
【０２２６】
まず、診断手段４０３は、第１の特徴に基づく遷移規則（１、ｊ、ｊ'）を読み出し、状態ｊに確率ｂ１で、状態ｊ'に確率（１−ｂ１）で遷移させる。次に、診断手段４０３は、第２の特徴ｃ２が１となる確率をｂ２、ｃ２が０となる確率を（１−ｂ２）として、第２の特徴に基づく遷移規則を読み出し、状態を更に遷移させる。例えば、第２の特徴に基づく遷移規則に（２、ｊ、ｋ、ｋ'）、（２、ｊ'、ｋ''、ｋ'''）と記されていたら、状態ｊからは確率ｂ２で状態ｋに、確率（１−ｂ２）で状態ｋ'に、状態ｊ'からは確率ｂ２で状態ｋ''に、確率（１−ｂ２）で状態ｋ'''に、それぞれ遷移することとなる。従って、この場合、状態ｋにいる確率はｂ１・ｂ２、状態ｋ'にいる確率はｂ１・（１−ｂ２）、状態ｋ''にいる確率は（１−ｂ１）・ｂ２、状態ｋ'''にいる確率は（１−ｂ１）・（１−ｂ２）で、それぞれ与えられることになる。以下同様に、診断手段４０３は、第ｎの特徴までを用いて、遷移テーブルを参照しながら状態を遷移させていく。
【０２２７】
このようにして、第ｎの特徴までを用いて状態を遷移させた結果、各状態ｊにいる確率がＰ（ｊ）（ｊ＝１〜Ｌ）と算出されたものとする。この時、入力パターンがクラスｑ＝１に属する確率Ｐ（ｑ＝１）を次式により求めることが可能となる。
【０２２８】
【数１７】
【０２２９】
診断手段４０３は、この確率Ｐ（ｑ＝１）が、予め定めておくしきい値よりも大であれば「入力はクラスｑ＝１に属する」ものと判定し、その結果を出力する。また、この確率Ｐ（ｑ＝１）が、前記しきい値よりも小であれば、棄却ないし判定不能と判定し、その結果を出力する。もちろん、前記しきい値として、採択臨界値と棄却臨界値との２つを設けること、境界領域にある場合は、判定不能とすること等、種々の変形実施が可能である。
【０２３０】
なお、本実施形態においては、（１７）式によってＰ（ｑ＝１｜ｊ）の値を決定することとしているが、学習パターンを用いて、次のように決定することとしてもよい。即ち、各学習パターンＩ＿ｉ（ｒ，ｉ＿ｒｇｂ）（ｉ＝１〜Ｍ）を遷移テーブルに従って遷移させるとともに、各学習パターンの特徴ベクトル（ｂ１、ｂ２、．．．ｂｎ）に基づいて、それぞれが最終的に状態ｊにいる確率Ｐ（ｉ、ｊ）、を算出する。次にクラスｑ＝１に属する学習パターンについてのみこのＰ（ｉ、ｊ）の値を総計したものをＰ１（ｊ）、すべての学習パターンについてＰ（ｉ、ｊ）を総計したものをＰｔｏｔａｌ（ｊ）とし、Ｐ（ｑ＝１｜ｊ）＝Ｐ１（ｊ）／Ｐｔｏｔａｌ（ｊ）によってＰ(ｑ＝１｜ｊ)の値を決定する。
【０２３１】
本実施形態における診断のための処理時間を短縮するための変形として、遷移テーブル３０５だけを本実施の形態の方法で作成し、入力パターンに対する特徴ベクトルは（２）式に従って算出する方法を採ることができる。この場合には、判定処理では確率的な動作を行わず、（２）式で得られる特徴ベクトルに従って、状態を確定的に遷移させて診断を行う構成が実現される。また、この場合、遷移テーブルに従って状態を遷移させる際には、各段階において状態を確定的に遷移させることができるため、第ｎの特徴までを用いて状態を遷移させると、最終的には状態は１〜Ｌの中のある特定の状態ｊに確定する。そして、この状態ｊに対応する（１７）式のＰ(ｑ＝１｜ｊ)の値を調べて、これが予め定めておくしきい値よりも大であれば「入力はクラスｑ＝１に属する」ものと判定し、その結果を出力するものとすればよい。
【０２３２】
以上説明した、本発明の第３の実施形態では、第２の実施形態と同様に、学習パターンに実効的にノイズを加えた効果があるため、よりマージンの大きな特徴のセットが選択されるという特徴が、具現される。
【０２３３】
更に、本発明の第３の実施形態では、特徴選択のための計算が、上記した第２の実施形態の場合と比較して大幅に削減できる、という特徴が、具現される。その理由は、選択される特徴の数ｎが大きくなっても、特徴選択に必要な計算は、高々Ｌ個の集合を特徴に応じて分割した際に得られる情報量の計算（（１６）式）によって実現できる点にある。
【０２３４】
また、更に、本発明の第３の実施形態では、一旦分類された学習パターンを集合Ｄiに適時マージしながら情報量の計算が行われるため、各集合Ｄiに属する学習パターンの数が極度に少なくなることが避けられる。この結果、学習パターンに依存して特徴が選択されてしまうような現象が少なくなり、汎化性能を更に高めることができる、という特徴が、具現されている。
【０２３５】
［第４の実施形態］
次に、第１〜３の実施形態に係る病理診断支援装置を利用した病理診断支援システムの構成及び動作について説明する。
【０２３６】
まず、図１６を用い、本実施形態に係る病理診断支援システムの構成について説明する。
【０２３７】
本実施形態に係る病理診断支援システムは、顕微鏡１６０１、病理画像処理端末１６０２、病理診断支援サーバ１６０３、及び課金サーバ１６０４を有している。病理画像処理端末１６０２、病理診断支援サーバ１６０３、及び課金サーバ１６０４はネットワークにより接続されている。なお、病理診断支援サーバ１６０３は、第１〜３の実施形態に係る病理診断支援装置１６０３ａ及び診断結果記憶手段１６０３ｂを有している。
【０２３８】
顕微鏡１６０１及び病理画像処理端末１６０２は、病院等の医療機関に設置される。顕微鏡１６０１は、患者の病巣の病理画像を撮影する手段である。顕微鏡１６０１で撮影した病理画像は、病理画像処理端末１６０２に保持される。病理画像処理端末１６０２は、顕微鏡１６０１で撮影した病理画像を患者固有の情報を付加して病理画像データとして保持する。さらに、病理画像処理端末１６０２は、保持する病理画像データを病理診断サーバ１６０３に送信し、診断結果を受信する。
【０２３９】
病理診断サーバ１６０３は、研究機関や診断サービス会社等に設置される。病理診断支援装置１６０３ａは、病理画像処理端末１６０２から受信した病理画像データからサブイメージを抽出し、該サブイメージを利用して腫瘍の有無、及び腫瘍の良性・悪性を診断する。なお、具体的な動作については、第１〜３の実施形態において説明した内容と同様であるため、ここでは説明を省略する。
【０２４０】
診断結果記憶手段１６０３ｂは、病理診断支援装置１６０３ａにおける診断結果を患者固有の情報とともに記憶する。なお、必要に応じて、診断結果に病理医の診断結果を付加して記憶することもできる。そして、病理画像処理端末１６０２から診断結果記憶手段１６０３ｂに診断結果の要求されると、診断結果記憶手段１６０３ｂは、病理診断処理端末１６０２に対して患者固有の情報の送信を要求し、送信されてきた患者固有の情報と診断結果に付加された患者固有の情報とが一致した場合にのみ、診断結果を病理診断処理端末１６０２に送信する。
【０２４１】
課金サーバ１６０４は、病理診断サーバ１６０３において診断結果が診断結果記憶手段１６０３ｂに保持される毎にシステム使用料金を加算し、システムレンタル料金及び病理診断支援装置１６０３ａに保持されるデータの更新料金とともに保持する。また、課金サーバ１６０４は、病理画像処理端末１６０２が診断結果を受け取る毎に病院等に設置された顕微鏡１６０１及び病理画像処理端末１６０２の使用料金として保持する。
【０２４２】
次に、図１７を用い、本実施形態に係る病理診断支援システムの具体的な動作について説明する。
【０２４３】
まず、顕微鏡１６０１によって患者の病巣の病理画像を撮影する（ステップＳ１７０１）。撮影された病理画像は、患者固有の情報が付加されて病理画像処理端末１６０２に転送され、病理画像データとして格納される（ステップＳ１７０２）。病理画像処理端末１６０２は、病理画像データを病理診断サーバ１６０３に送信する（ステップＳ１７０３）。病理診断サーバ１６０３は、病理診断支援装置１６０３ａによって病理画像データに含まれる病理画像からサブイメージを抽出して、病理画像の診断を行う（ステップＳ１７０４）。病理診断支援装置１６０３ａにおける診断結果は、病理画像データに含まれる患者固有の情報とともに診断結果記憶手段１６０３ｂに記憶される（ステップＳ１７０５）。ここで、病理診断サーバ１６０３に課金サーバ１６０４が接続されている場合には、診断結果が診断結果記憶手段１６０３ｂに記憶される度にシステム使用料金に加算する（ステップＳ１７０６）。
【０２４４】
病理画像処理端末１６０２から診断結果の送信が病理診断サーバ１６０３に要求されると（ステップＳ１７０７）、病理診断サーバ１６０３は患者固有の情報の入力を病理画像処理端末１６０２に要求する。そして、病理画像処理端末１６０２から入力された患者固有の情報と各診断結果に付加されている患者固有の情報が一致しているか否かを判断する（ステップＳ１７０８）。
【０２４５】
病理画像処理端末１６０２から入力された患者固有の情報と各診断結果に付加されている患者固有の情報とが一致した場合（ステップＳ１７０８／ＹＥＳ）、病理診断サーバ１６０３は、診断結果記憶手段１６０３ｂに記憶されている診断結果が病理画像処理端末１６０２に送信する（ステップＳ１７０９）。ここで、課金サーバ１６０４が病理画像処理端末１６０２に接続されている場合は、病理画像処理端末１６０２が診断結果を受信するたびに、病理画像処理端末１６０２の使用料金を加算する（ステップＳ１７１０）。なお、病理画像処理端末１６０２から入力された患者固有の情報と各診断結果に付加されている患者固有の情報とが一致しなかった場合は（ステップＳ１７０８／ＮＯ）、診断結果の送信は行なわれず処理は終了する。
【０２４６】
本実施形態によれば、患者が遠隔地の病院に通院している場合であっても該病院に病理画像処理端末１６０２が設置されていれば、ネットワークを通じて病理診断サーバ１６０３にアクセスし、迅速に診断結果を受け取ることができる。また、患者から採取した病理画像の全てを病理医が診断しなくてもよいため、病理医の診断の負担を軽減することができる。さらに、診断結果を病理画像処理端末１６０２に配信する際、患者固有の情報の入力を要求することにより、病理診断サーバ１６０３からの診断結果の漏洩を防止することができる。
【図面の簡単な説明】
【０２４７】
【図１】本発明の第１の実施形態の特徴選択方法を行うシステムの構成を示すブロック図である。
【図２】本発明の第１の実施形態の特徴選択方法を説明するためのフローチャートである。
【図３】本発明による分類テーブルの作成処理の一例を示したフローチャートである。
【図４】本発明により作成された分類テーブルの一例である。
【図５】本発明の第１の実施形態の診断を行うシステムの構成を示すブロック図である。
【図６】本発明のサブイメージを抽出する処理の一例を示したフローチャートである。
【図７】本発明による分類テーブルの作成処理の別の一例を示したフローチャートである。
【図８】本発明の第３の実施形態の特徴選択方法を行うシステムの構成を示すブロック図である。
【図９】本発明の第３の実施形態の特徴選択方法を説明するためのフローチャートである。
【図１０】本発明の第３の実施形態の特徴選択方法を説明するためのフローチャートである。
【図１１】本発明の第３の実施形態の特徴選択方法を説明するためのフローチャートである。
【図１２】本発明により作成された遷移テーブルの一例である。
【図１３】本発明により作成された遷移テーブルの別の一例である。
【図１４】本発明の第３の実施形態で行われる集合間の遷移を簡便に表した図である。
【図１５】本発明の第３の実施形態の診断を行うシステムの構成を示すブロック図である。
【図１６】本発明の第４の実施形態に係る病理診断支援システムの構成を示すブロック図である。
【図１７】本発明の第４の実施形態に係る病理診断支援システムの処理を示すフローチャートである。
【符号の説明】
【０２４８】
１００、３００ 学習パターン入力手段
１０１、３０１ 学習パターン記憶手段
１０２、３０２ 特徴候補生成手段
１０３、３０３ 特徴決定手段
１０４、３０４ 特徴記憶手段
１０５ 分類テーブル作成手段
１０６ 分類テーブル
２０１、２０２、４０３ 診断手段
２０２、４０２ 特徴抽出手段
３０５ 遷移テーブル
４０１ パターン入力手段
１６０１ 顕微鏡
１６０２ 病理画像処理端末
１６０３ 病理診断サーバ
１６０４ 課金サーバ
【特許請求の範囲】
【請求項１】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、
前記特徴決定手段は、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類し、
前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、
前記診断手段は、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断することを特徴とする病理診断支援装置。
【請求項２】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、
前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断することを特徴とする病理診断支援装置。
【請求項３】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、
前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出し、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断することを特徴とする病理診断支援装置。
【請求項４】
前記学習パターン入力手段及び前記パターン入力手段は、
染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択し、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出し、前記距離に応じて前記各画素に信号を付与し、前記病理画像中における前記信号の分布からピークを検出し、前記ピークを中心としたイメージを前記学習パターンとして入力することを特徴とする請求項１から３のいずれか１項記載の病理診断支援装置。
【請求項５】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１から４のいずれか１項記載の病理診断支援装置。
【請求項６】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１から４のいずれか１項記載の病理診断支援装置。
【請求項７】
前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする請求項１から６のいずれか１項記載の病理診断支援装置。
【請求項８】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較することを特徴とする請求項７記載の病理診断支援装置。
【請求項９】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較することを特徴とする請求項７記載の病理診断支援装置。
【請求項１０】
前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加えることを特徴とする請求項５、６、又は９記載の病理診断支援装置。
【請求項１１】
前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算することを特徴とする請求項５、６、又は９記載の病理診断支援装置。
【請求項１２】
前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置くことを特徴とする請求項１から１１のいずれか１項記載の病理診断支援装置。
【請求項１３】
前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、
前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行うことを特徴とする請求項１から１２のいずれか１項記載の病理診断支援装置。
【請求項１４】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、
前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する処理と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、
前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する処理とを有することを特徴とする病理診断支援プログラム。
【請求項１５】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、
前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、
前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する処理とを有することを特徴とする病理診断支援プログラム。
【請求項１６】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、
前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する処理と、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する処理とを有することを特徴とする病理診断支援プログラム。
【請求項１７】
前記学習パターン入力手段及び前記パターン入力手段は、
染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する処理と、
前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する処理と、
前記距離に応じて前記各画素に信号を付与する処理と、
前記病理画像中における前記信号の分布からピークを検出する処理と、
前記ピークを中心としたイメージを前記学習パターンとして入力する処理とを有することを特徴とする請求項１４から１６のいずれか１項記載の病理診断支援プログラム。
【請求項１８】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１４から１７のいずれか１項記載の病理診断支援プログラム。
【請求項１９】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１４から１７のいずれか１項記載の病理診断支援プログラム。
【請求項２０】
前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする請求項１４から１９のいずれか１項記載の病理診断支援プログラム。
【請求項２１】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する処理を有することを特徴とする請求項２０記載の病理診断支援プログラム。
【請求項２２】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する処理を有することを特徴とする請求項２０記載の病理診断支援プログラム。
【請求項２３】
前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える処理を有することを特徴とする請求項１８、１９、又は２２記載の病理診断支援プログラム。
【請求項２４】
前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する処理を有することを特徴とする請求項１８、１９、又は２２記載の病理診断支援プログラム。
【請求項２５】
前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く処理を有することを特徴とする請求項１４から２４のいずれか１項記載の病理診断支援プログラム。
【請求項２６】
前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、
前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う処理を有することを特徴とする請求項１４から２５のいずれか１項記載の病理診断支援プログラム。
【請求項２７】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、
前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する工程と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、
前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する工程とを有することを特徴とする病理診断支援方法。
【請求項２８】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、
前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、
前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する工程とを有することを特徴とする病理診断支援方法。
【請求項２９】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、
前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する工程と、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する工程とを有することを特徴とする病理診断支援方法。
【請求項３０】
前記学習パターン入力手段及び前記パターン入力手段は、
染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する工程と、
前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する工程と、
前記距離に応じて前記各画素に信号を付与する工程と、
前記病理画像中における前記信号の分布からピークを検出する工程と、
前記ピークを中心としたイメージを前記学習パターンとして入力する工程とを有することを特徴とする請求項２７から２９のいずれか１項記載の病理診断支援方法。
【請求項３１】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項２７から３０のいずれか１項記載の病理診断支援方法。
【請求項３２】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項２７から３０のいずれか１項記載の病理診断支援方法。
【請求項３３】
前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする請求項２７から３２のいずれか１項記載の病理診断支援方法。
【請求項３４】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する工程を有することを特徴とする請求項３３記載の病理診断支援方法。
【請求項３５】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する工程を有することを特徴とする請求項３３記載の病理診断支援方法。
【請求項３６】
前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える工程を有することを特徴とする請求項３１、３２、又は３５記載の病理診断支援方法。
【請求項３７】
前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する工程を有することを特徴とする請求項３１、３２、又は３５記載の病理診断支援方法。
【請求項３８】
前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く工程を有することを特徴とする請求項２７から３７のいずれか１項記載の病理診断支援方法。
【請求項３９】
前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、
前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う工程を有することを特徴とする請求項２７から３８のいずれか１項記載の病理診断支援方法。
【請求項４０】
病理画像に患者固有の情報が付加された病理画像データを保持する情報処理端末と、前記病理画像データを診断する病理診断サーバとを有する病理診断支援システムにおいて、
前記病理診断サーバは、
前記病理画像データが有する前記病理画像を診断する請求項１から１３のいずれか１項記載の病理診断支援装置と、
前記病理診断支援装置による診断結果を前記患者固有の情報とともに記憶する診断結果記憶手段とを有し、
前記情報処理端末は、前記患者固有の情報を伴って前記診断結果の送信を要求し、
前記病理診断サーバは、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とを比較し、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とが一致したとき、前記診断結果を前記情報処理端末に送信することを特徴とする病理診断支援システム。
【請求項４１】
前記病理診断支援装置及び前記情報処置端末の使用料金を保持する課金サーバを有することを特徴とする請求項４０記載の病理診断支援システム。
【請求項４２】
前記課金サーバは、前記診断結果記憶手段に前記診断結果が記憶されたとき、前記病理診断支援装置の使用料金を加算することを特徴とする請求項４１記載の病理診断支援システム。
【請求項４３】
前記課金サーバは、前記情報処理端末が前記診断結果を受信したとき、前記情報処理端末の使用料金を加算することを特徴とする請求項４１又は４２記載の病理診断支援システム。
【請求項１】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、
前記特徴決定手段は、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類し、
前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、
前記診断手段は、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断することを特徴とする病理診断支援装置。
【請求項２】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、
前記特徴抽出手段は、前記特徴のセットを用いて、前記入力パターンの各特徴を算出し、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断することを特徴とする病理診断支援装置。
【請求項３】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置において、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定し、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類し、
前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出し、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断することを特徴とする病理診断支援装置。
【請求項４】
前記学習パターン入力手段及び前記パターン入力手段は、
染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択し、前記色領域の分布の中心と前記色領域に属する各画素との距離を算出し、前記距離に応じて前記各画素に信号を付与し、前記病理画像中における前記信号の分布からピークを検出し、前記ピークを中心としたイメージを前記学習パターンとして入力することを特徴とする請求項１から３のいずれか１項記載の病理診断支援装置。
【請求項５】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１から４のいずれか１項記載の病理診断支援装置。
【請求項６】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１から４のいずれか１項記載の病理診断支援装置。
【請求項７】
前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする請求項１から６のいずれか１項記載の病理診断支援装置。
【請求項８】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較することを特徴とする請求項７記載の病理診断支援装置。
【請求項９】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較することを特徴とする請求項７記載の病理診断支援装置。
【請求項１０】
前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加えることを特徴とする請求項５、６、又は９記載の病理診断支援装置。
【請求項１１】
前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算することを特徴とする請求項５、６、又は９記載の病理診断支援装置。
【請求項１２】
前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置くことを特徴とする請求項１から１１のいずれか１項記載の病理診断支援装置。
【請求項１３】
前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、
前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行うことを特徴とする請求項１から１２のいずれか１項記載の病理診断支援装置。
【請求項１４】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、
前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する処理と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、
前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する処理とを有することを特徴とする病理診断支援プログラム。
【請求項１５】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、
前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する処理と、
前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する処理とを有することを特徴とする病理診断支援プログラム。
【請求項１６】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援プログラムであって、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する処理と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する処理と、
前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する処理と、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する処理とを有することを特徴とする病理診断支援プログラム。
【請求項１７】
前記学習パターン入力手段及び前記パターン入力手段は、
染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する処理と、
前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する処理と、
前記距離に応じて前記各画素に信号を付与する処理と、
前記病理画像中における前記信号の分布からピークを検出する処理と、
前記ピークを中心としたイメージを前記学習パターンとして入力する処理とを有することを特徴とする請求項１４から１６のいずれか１項記載の病理診断支援プログラム。
【請求項１８】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１４から１７のいずれか１項記載の病理診断支援プログラム。
【請求項１９】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項１４から１７のいずれか１項記載の病理診断支援プログラム。
【請求項２０】
前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする請求項１４から１９のいずれか１項記載の病理診断支援プログラム。
【請求項２１】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する処理を有することを特徴とする請求項２０記載の病理診断支援プログラム。
【請求項２２】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する処理を有することを特徴とする請求項２０記載の病理診断支援プログラム。
【請求項２３】
前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える処理を有することを特徴とする請求項１８、１９、又は２２記載の病理診断支援プログラム。
【請求項２４】
前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する処理を有することを特徴とする請求項１８、１９、又は２２記載の病理診断支援プログラム。
【請求項２５】
前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く処理を有することを特徴とする請求項１４から２４のいずれか１項記載の病理診断支援プログラム。
【請求項２６】
前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、
前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う処理を有することを特徴とする請求項１４から２５のいずれか１項記載の病理診断支援プログラム。
【請求項２７】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、
前記特徴決定手段が、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、決定した特徴が既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記パターンを分類する工程と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、
前記診断手段が、前記算出結果及び前記分類テーブルに基いて、前記入力パターンを診断する工程とを有することを特徴とする病理診断支援方法。
【請求項２８】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、
前記特徴決定手段が、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、
前記特徴抽出手段が、前記特徴のセットを用いて、前記入力パターンの各特徴を算出する工程と、
前記診断手段が、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンの遷移を行って、前記遷移の結果、前記入力パターンが属する集合に基いて前記入力パターンを診断する工程とを有することを特徴とする病理診断支援方法。
【請求項２９】
学習に用いる病理画像から腫瘍を中心としたイメージを切り出し、学習パターンとして入力する学習パターン入力手段と、クラス情報が付された前記学習パターンを記憶保持する学習パターン記憶手段と、複数の特徴候補を生成する特徴候補生成手段と、前記特徴候補生成手段によって生成される特徴候補の中から診断に適した特徴のセットを決定する特徴決定手段と、前記特徴決定手段により決定されている特徴のセットを記憶保持する特徴記憶手段と、分類テーブルを作成する分類テーブル作成手段と、診断する病理画像から腫瘍候補を中心としたイメージを切り出し、入力パターンとして入力するパターン入力手段と、前記入力パターンから特徴を抽出する特徴抽出手段と、前記特徴に基いて診断する診断手段とを有する病理診断支援装置の病理診断支援方法であって、
前記特徴決定手段は、前記学習パターンを特徴の値に応じて遷移させるべき、予め定めた個数の集合を用意し、前記各特徴候補に対応する各学習パターンの特徴を計算して、前記学習パターン集合のクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの最初の特徴として決定し、前記各学習パターンを、決定した特徴に応じた重みを付けて、分配するとともに、決定した特徴に対応する集合に、順次、遷移させ、前記各学習パターンが含まれる集合についての情報と、決定されている特徴とが既知であるとの条件の下で、各特徴候補に対応する各学習パターンの特徴と、前記各学習パターンのクラス情報との相互情報量が最大となる特徴候補を、特徴のセットの次なる特徴として、順次、決定する工程と、
前記分類テーブル作成手段が、前記特徴のセットを用いて、前記各学習パターンの各特徴を計算し、前記各学習パターンの各特徴と、クラス情報と、を配置してなる前記分類テーブルにより前記学習パターンを分類する工程と、
前記特徴抽出手段は、前記特徴のセットを用いて、該順位の特徴が予め定めた値となる確率を示している、前記入力パターンの各特徴を算出する工程と、
前記診断手段は、前記入力パターンの各特徴と、前記特徴のセットの各特徴の決定の際に前記学習パターンが属する集合を逐次記録してなる遷移テーブルと、に基いて前記入力パターンが予め定められたクラス情報を有する確率を算出し、診断する工程とを有することを特徴とする病理診断支援方法。
【請求項３０】
前記学習パターン入力手段及び前記パターン入力手段は、
染色された前記病理画像中の各画素のＲＧＢ値から、予め設定された腫瘍細胞核が属する色領域に属する画素を選択する工程と、
前記色領域の分布の中心と前記色領域に属する各画素との距離を算出する工程と、
前記距離に応じて前記各画素に信号を付与する工程と、
前記病理画像中における前記信号の分布からピークを検出する工程と、
前記ピークを中心としたイメージを前記学習パターンとして入力する工程とを有することを特徴とする請求項２７から２９のいずれか１項記載の病理診断支援方法。
【請求項３１】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項２７から３０のいずれか１項記載の病理診断支援方法。
【請求項３２】
前記特徴候補生成手段が生成する特徴候補には、複素ガボール関数を規格化した特徴抽出関数から得られる特徴候補が含まれることを特徴とする請求項２７から３０のいずれか１項記載の病理診断支援方法。
【請求項３３】
前記特徴候補生成手段が生成する特徴候補には、腫瘍の色を識別する特徴候補が含まれることを特徴とする請求項２７から３２のいずれか１項記載の病理診断支援方法。
【請求項３４】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、予め設定された閾値とを比較する工程を有することを特徴とする請求項３３記載の病理診断支援方法。
【請求項３５】
前記特徴決定手段は、前記学習パターン入力手段によって算出された前記学習パターンに含まれる前記各画素の信号と、前記各画素近傍に位置する画素の信号の平均値とを比較する工程を有することを特徴とする請求項３３記載の病理診断支援方法。
【請求項３６】
前記特徴決定手段は、前記各学習パターンに対して、前記特徴候補毎に予め定められたノイズパラメータによる操作を加える工程を有することを特徴とする請求項３１、３２、又は３５記載の病理診断支援方法。
【請求項３７】
前記特徴決定手段は、前記各特徴候補に対応する前記各学習パターンの特徴として、前記各学習パターンの特徴が、予め定めた値をとる確率を計算する工程を有することを特徴とする請求項３１、３２、又は３５記載の病理診断支援方法。
【請求項３８】
前記特徴の値に関らず、前記学習パターンを分類できるとき、前記分類テーブル作成手段は、前記分類テーブルの対応する位置に、前記特徴の値に代えて冗長項を置く工程を有することを特徴とする請求項２７から３７のいずれか１項記載の病理診断支援方法。
【請求項３９】
前記入力パターンの各特徴は、該順位の特徴が予め定めた値となる確率の値であって、
前記診断手段は、前記各特徴を用いて、前記分類テーブルに含まれる各特徴パターンが予め定めたクラス情報の値となる確率を計算して判定を行う工程を有することを特徴とする請求項２７から３８のいずれか１項記載の病理診断支援方法。
【請求項４０】
病理画像に患者固有の情報が付加された病理画像データを保持する情報処理端末と、前記病理画像データを診断する病理診断サーバとを有する病理診断支援システムにおいて、
前記病理診断サーバは、
前記病理画像データが有する前記病理画像を診断する請求項１から１３のいずれか１項記載の病理診断支援装置と、
前記病理診断支援装置による診断結果を前記患者固有の情報とともに記憶する診断結果記憶手段とを有し、
前記情報処理端末は、前記患者固有の情報を伴って前記診断結果の送信を要求し、
前記病理診断サーバは、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とを比較し、前記情報処理端末から受信した前記患者固有の情報と前記診断結果とともに記憶された前記患者固有の情報とが一致したとき、前記診断結果を前記情報処理端末に送信することを特徴とする病理診断支援システム。
【請求項４１】
前記病理診断支援装置及び前記情報処置端末の使用料金を保持する課金サーバを有することを特徴とする請求項４０記載の病理診断支援システム。
【請求項４２】
前記課金サーバは、前記診断結果記憶手段に前記診断結果が記憶されたとき、前記病理診断支援装置の使用料金を加算することを特徴とする請求項４１記載の病理診断支援システム。
【請求項４３】
前記課金サーバは、前記情報処理端末が前記診断結果を受信したとき、前記情報処理端末の使用料金を加算することを特徴とする請求項４１又は４２記載の病理診断支援システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【公開番号】特開２００６−１５３７４２（Ｐ２００６−１５３７４２Ａ）
【公開日】平成１８年６月１５日（２００６．６．１５）
【国際特許分類】
【出願番号】特願２００４−３４６９１１（Ｐ２００４−３４６９１１）
【出願日】平成１６年１１月３０日（２００４．１１．３０）
【出願人】（０００００４２３７）日本電気株式会社 (19,353)
【Ｆターム（参考）】
【公開日】平成１８年６月１５日（２００６．６．１５）
【国際特許分類】
【出願日】平成１６年１１月３０日（２００４．１１．３０）
【出願人】（０００００４２３７）日本電気株式会社 (19,353)
【Ｆターム（参考）】
[ Back to top ]