[go: up one dir, main page]

CN115699085A - 细胞图像解析装置 - Google Patents

细胞图像解析装置 Download PDF

Info

Publication number
CN115699085A
CN115699085A CN202180039977.2A CN202180039977A CN115699085A CN 115699085 A CN115699085 A CN 115699085A CN 202180039977 A CN202180039977 A CN 202180039977A CN 115699085 A CN115699085 A CN 115699085A
Authority
CN
China
Prior art keywords
data
image
cell image
unit
cell
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180039977.2A
Other languages
English (en)
Inventor
山本周平
泽田隆二
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Publication of CN115699085A publication Critical patent/CN115699085A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G01N15/1433—Signal processing using image recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
    • C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1486—Counting the particles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Organic Chemistry (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Dispersion Chemistry (AREA)
  • Sustainable Development (AREA)
  • Food Science & Technology (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)

Abstract

细胞图像解析装置(2)具备：显示部(52)；存储部(31)，其保存有学习数据和识别器，其中，所述学习数据是细胞图像的数据与确定出了该细胞图像所包含的关心区域的解析完成图像的数据的组，所述识别器是使用学习模型制作出的识别器，所述学习模型是通过使用了所述学习数据的机器学习构建出的学习模型；测试数据输入受理部(36)，其受理测试数据的输入；识别器评价部(37)，其使用测试数据评价识别器；评价结果保存部(38)，其将包含识别器的评价结果以及被使用于该评价的测试数据的评价数据以与识别器相对应的方式保存；以及显示处理部(39)，其根据选择识别器的规定输入，将与该识别器对应的学习数据和/或评价结果显示于显示部的画面。

Description

细胞图像解析装置
技术领域
本发明涉及一种解析细胞图像的装置。
背景技术
在再生医疗的领域中，近年来进行使用了iPS细胞、ES细胞、间充质干细胞等多能干细胞的研究。在这样的使用了多能干细胞的再生医疗的研究/开发中，需要大量地培养细胞。在大量地培养用于再生医疗的细胞时，在适当的时刻观察培养中的细胞，确认其状态(细胞的增殖率是否变化、是否存在形态上的变化、是否维持着未分化的状态、有没有产生菌类等的污染等)。在该情况下，为了继续对观察后的细胞继续进行培养，需要以非破坏及非侵入的方式确认细胞状态。大多情况下，使用细胞的图像来以非破坏及非侵入方式进行该细胞的状态的确认。
细胞通常薄且透明，且对光的吸收少，因此难以在利用光学显微镜得到的细胞图像中识别培养基和细胞。因此，在细胞的观察中广泛利用相位差显微镜。在相位差显微镜中，由于将光通过对象物时的相位的变化量进行图像化，因此对于薄且透明的细胞也能够从培养基中识别细胞，得到可视化的图像(相位图像)。
在非专利文献1中，提出了使用图像处理软件将相位图像中包含的“细胞核的区域”、“一个细胞所占有的区域”作为关心区域来提取，根据该关心区域来对细胞的数量、细胞形态的变化进行解析。在这样的图像处理软件中登记有用于去除噪声及背景的各种算法。使用者在从这些算法中选择适当的算法来去除噪声及背景之后，对各像素的强度进行二值化来确定细胞的位置，对细胞的数量、形状进行解析。
细胞的形状根据细胞的种类及培养天数而不同。另外，相位图像的背景的状态(例如亮度的偏差)根据培养基的种类而不同。因此，为了判断哪个算法适合于要解析的相位图像的处理，需要对图像解析的算法熟练。
因此，近年来提出了使用通过机器学习而制作出的识别器来对相位图像进行解析(例如非专利文献2、3)。在使用了机器学习的相位图像的解析中，预先分别准备多组细胞的相位图像与确定出了该相位图像的关心区域的解析完成图像(例如“对相位图像中的细胞内的确定的蛋白质进行了染色的图像”、“相位图像中的细胞中由观察者判断为具有异常的细胞形态并进行了指定的任意区域”)的组，来作为学习数据、验证数据。而且，通过使用了学习数据的机器学习来构建学习模型。之后，使用验证数据来调整学习模型的参数。通过这样制作出的学习模型被作为用于对实际的相位图像进行解析的识别器来提供。使用者通过使用像这样提供的识别器，无论该使用者的熟练度如何都能够对细胞图像进行解析。
现有技术文献
非专利文献
非专利文献1：三浦耕太、塚田祐基著，“ImageJではじめる生物画像解析”，学研メディカル秀潤社，2016年4月，ISBN：9784780909364(三浦耕太、塚田祐基著，“利用ImageJ开始进行的生物图像解析”，学研医疗秀润社，2016年4月，ISBN：9784780909364)
非专利文献2：Fully Convolutional Networks for SemanticSegmentation.The IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2015,pp.3431-3440
非专利文献3：U-Net:Convolutional Networks for Biomedical ImageSegmentation.Computer Vision and Pattern Recognition(cs.CV)arXiv:1505.04597[cs.CV]
发明内容
发明要解决的问题
相位图像的解析精确率依赖于成为使用于该解析的识别器的基础的学习模型是否是对具有与实际的解析对象的相位图像相近的特性的相位图像进行学习所得到的学习模型。但是，一般来说，通过机器学习进行的学习模型的构建由软件技术者进行，并且使用了这样的学习模型的识别器以预先编入解析软件的方式被提供给使用者。因此，存在如下问题：使用者无法自己确认识别器是否适合于作为解析对象的图像。
本发明要解决的课题在于提供一种使用者能够自己确认识别器是否适合于作为解析对象的图像的细胞图像解析装置。
用于解决问题的方案
为了解决上述课题而完成的本发明所涉及的细胞图像解析装置具备：
显示部；
存储部，其保存有学习数据和识别器，其中，所述学习数据是细胞图像的数据与确定出了该细胞图像所包含的关心区域的解析完成图像的数据的组，所述识别器是使用学习模型制作出到的识别器，根据细胞图像的数据的输入来输出估计出该细胞图像所包含的关心区域的图像的数据，所述学习模型是通过使用了该学习数据的机器学习构建出的学习模型；
测试数据输入受理部，其受理测试数据的输入，所述测试数据是与所述学习数据相分别的、细胞图像的数据与该细胞图像的解析完成图像的数据的组；
识别器评价部，其将针对所述测试数据的细胞图像的数据的输入而从所述识别器输出的图像的数据与该测试数据的解析完成图像的数据进行比较，来评价该识别器；
评价结果保存部，其将包含所述识别器评价部的评价结果以及被使用于该评价的测试数据的评价数据以与所述识别器相对应的方式保存于所述存储部；以及
显示处理部，其根据选择所述存储部中保存的识别器的规定输入，将与该识别器相对应的学习数据和/或所述评价结果显示于所述显示部的画面。
发明的效果
本发明所涉及的细胞图像解析装置具备显示部和存储部。在存储部中保存有学习数据，该学习数据是细胞图像的数据与确定出了该细胞图像所包含的关心区域的解析完成图像的数据的组。另外，在存储部中还保存有识别器，该识别器是使用学习模型制作出的识别器，根据细胞图像的数据的输入来输出估计出该细胞图像所包含的关心区域的图像的数据，所述学习模型是通过使用了该学习数据的机器学习构建出的学习模型。存储部中保存的识别器既可以是一个也可以是多个。在保存多个识别器的情况下，各识别器与被使用于构成该识别器的学习模型的机器学习的学习数据相对应。
在本发明所涉及的细胞图像解析装置中，当使用者输入了与学习数据相分别的、细胞图像的数据与该细胞图像的解析完成图像的数据组即测试数据时，使用该测试数据来评价识别器，并与测试数据一起保存。之后，使用者进行选择识别器的规定输入，使与识别器相对应的学习数据显示于显示部的画面。使用者能够根据画面中显示的学习数据与实际要解析的细胞图像(实际细胞图像)的类似性，来确认识别器是否适合于该实际细胞图像的解析。另外，也能够将使用者自己输入测试数据所得到的评价结果显示于显示部的画面，确认使用了该识别器的实际细胞图像的解析是否适合。
附图说明
图1是本发明所涉及的细胞图像观察装置的一个实施例与显微观察部组合而成的细胞图像观察系统的主要部分结构图。
图2是在本实施例的细胞图像观察系统中导入细胞图像时的一个画面例。
图3是与本实施例的细胞图像观察系统中的识别器的评价指标有关的说明图。
图4是本实施例的细胞图像观察系统中的识别器的评价结果的一个显示例。
具体实施方式
下面，参照附图来说明本发明所涉及的细胞图像解析装置的一个实施例。图1是包括本实施例的细胞图像解析装置20的细胞图像解析系统1的主要部分结构图。
本实施例的细胞图像解析系统1大体由显微观察部10和细胞图像解析装置20构成。本实施例的显微观察部10是相位差显微镜，能够获取培养板内的细胞的相位图像。
细胞图像解析装置20由解析/处理部30以及与该解析/处理部30连接的输入部51及显示部52构成。解析/处理部30除了具备存储部31以外，还具备作为功能块的细胞图像输入受理部32、预处理及后处理执行部33、识别器制作部34、识别器登记部35、测试数据输入受理部36、识别器评价部37、评价结果保存部38、显示处理部39、解析执行部40以及算法登记部41。预处理及后处理执行部33具有预处理执行部331和后处理执行部332。解析/处理部30由个人计算机、工作站构成，通过执行预先安装的细胞图像解析程序来使上述的各功能块具体化。
在存储部31设置有识别器存储部311。在识别器存储部311中保存有根据解析对象的细胞的种类、解析内容而不同的多个识别器。细胞的种类例如是iPS细胞、ES细胞、癌细胞。解析内容例如是细胞数量的决定、细胞覆盖率的决定、分化细胞数量的决定。
另外，在存储部31设置有学习数据存储部312、验证数据存储部313、评价数据存储部314以及算法存储部315。在学习数据存储部312中保存有多个学习数据，所述学习数据是细胞的相位图像数据与该相位图像的解析完成图像(例如对细胞图像所包含的、作为关心区域的特定的细胞内蛋白质进行了染色的图像)数据的组。学习数据与培养信息(细胞的种类、培养条件、解析完成图像制作时的染色物质的种类等)相对应。培养条件中包括培养基的种类、培养天数。
在验证数据存储部313中保存与学习数据相分别的、细胞的相位图像数据与该相位图像的解析完成图像数据的组。在评价数据存储部314中保存与学习数据及验证数据相分别的、细胞的相位图像数据与该相位图像的解析完成图像数据的组即测试数据以及使用了该测试数据的识别器的评价结果的数据。验证数据及测试数据也与培养信息相对应。
在算法存储部315中保存有关于与相位图像及染色图像的预处理有关的算法(预处理算法)以及在识别器确定关心区域之后使用的后处理算法(后处理算法)的信息。按细胞的种类及培养条件保存有各不相同的预处理算法。
预处理算法例如被使用于相位图像与染色图像的位置对准、从相位图像和染色图像的噪声去除、从相位图像和染色图像的背景去除以及染色图像的二值化处理。例如，在噪声的去除中能够使用线性滤波器、中值滤波器等。另外，在背景的去除中例如能够使用平均值滤波器等。
作为后处理算法，分别保存有根据解析的内容(例如，由识别器估计出的关心区域的形态特征量的计算、形态特征量的相关性评价、形态特征量的经时变化的图表化、针对培养条件的形态特征量的图表化、以及关心区域与背景区域的比例计算)而不同的算法。关心区域的形态特征量例如是关心区域的数量、面积、圆度、长宽比、周长、与关心区域概说的长方形的长边及短边的长度、重心位置。
接着，使用本实施例的细胞图像解析系统1说明各种作业的过程。
说明使用者构建学习模型来制作识别器的过程。使用者预先将记载有细胞图像信息的文件以及细胞的观察图像的数据(例如利用相位差显微镜获取到的相位图像、获取相位图像之后实施染色处理并利用光学显微镜获取到的染色图像)集中保存在一个文件夹中。图像信息中除了包含上述培养信息以外，还包含工程名、负责人名、板名以及孔的种类。
当使用者进行了指示识别器的制作的规定输入时，识别器制作部34如以下那样使各功能块进行动作。
首先，细胞图像输入受理部32使显示部52显示供使用者对保存有使用于学习模型的构建的数据的场所进行指定的画面。当使用者指定了图像数据等的保存场所时，细胞图像输入受理部32读入保存于该场所的图像信息和图像数据，在显示部52的画面中显示图像。
图2是该画面的一个显示例，从左侧起依次设置有工程选择栏、板选择栏、数据选择栏以及图像显示栏。在该例中，当选择工程和板时，对针对所选择的工程和板获取到的数据进行树状显示。当使用者勾选了与图像数据的名称一起显示的复选框时，在图像显示栏显示对应的图像。使用者确认图像显示栏中显示的图像，决定使用于识别器的制作的图像。此外，在图2中，虽然在图像显示栏显示了相位图像，但能够将显示在相位图像与显示染色图像之间进行切换。
当使用者从所显示的相位图像(或者染色图像)中决定使用于学习模型的构建的数据时，预处理执行部331从算法存储部315中读出与使用者所决定的图像数据的图像条件中包含的培养条件对应的预处理算法。
最初，预处理执行部331检测相位图像及染色图像中包含的多个基准点的位置，基于这些基准点的位置将相位图像与染色图像进行位置对准。另外，在相位图像与染色图像的放大率不同的情况下，使双方的放大率相一致。接下来，使用所读出的预处理算法来从相位图像及染色图像中去除噪声及背景。并且，基于染色图像中的各像素的亮度值以及在预处理算法中预先设定的二值化的基准值来将各像素的亮度进行二值化。下面，也将完成预处理的染色图像(二值化图像)称为解析完成图像。
当相位图像和染色图像的预处理完成时，细胞图像输入受理部32使数据分配设定画面显示于显示部52。数据分配设定画面用于设定将导入的图像数据的组以什么比例分配为学习数据、验证数据以及测试数据，并且设定有学习数据：验证数据：测试数据＝6：3：1这样的比率来作为初始值。使用者能够适当地变更该比率，但在该情况下也是，作为测试数据，优选预先分配至少10％。
当使用者进行按下决定按钮等规定操作时，以该比率将由使用者选择出的多个图像数据的组分配为学习数据、验证数据以及测试数据，并分别保存于学习数据存储部312、验证数据存储部313以及评价数据存储部314。在使用者变更了上述比率的情况下，根据变更后的比率来分配图像数据的组，并分别保存于学习数据存储部312、验证数据存储部313以及评价数据存储部314。此外，存在如下情况：由于图像数据的组的数量而无法按照上述比率进行分配。在该情况下，可以按照测试数据、学习数据、验证数据的优先顺序来分配图像数据的组。例如，在图像数据的组的数量是48的情况下，可以分配5组(将48的1/10即4.8向上取整)来作为测试数据、分配29组(将作为分配测试数据后的组数的43的2/3即28.7向上取整)来作为学习数据、分配14组(余数)来作为验证数据。
另外，优选的是，在分配图像数据的组时，随机地分配与上述比率相应的数量的图像数据的组。这是由于存在如下情况：例如，当按文件名的顺序将图像数据的组分配了与上述比率相应的数量时，分配为学习数据的图像数据的特性会产生偏差。例如，有可能仅分配培养天数短的(或长的)数据(培养条件存在偏颇的图像数据的组)来作为学习数据。这是由于，在该情况下，有可能会利用未对培养天数长的(或短的)的相位图像进行学习的学习模型来制作识别器，从而无法准确地识别培养天数长的(或短的)细胞。
接着，识别器制作部34读出存储部31中预先保存的未学习机器学习模型。该机器学习模型例如能够使用进行深度学习(Deep Learning)的学习模型。或者，也可以是，预先准备包含支持向量机(SVM：Support Vector Machine)和随机森林等的多种机器学习模型，由使用者从其中选择要使用于识别器的制作的机器学习模型。
识别器制作部34使未学习的学习模型执行将学习数据的相位图像的数据设为输入数据且将解析完成图像设为正解的输出数据的机器学习。另外，使用验证数据来调整学习模型的参数值。而且，根据所制作出的学习模型来制作识别器，进行使用了测试数据的评价。
例如，在从相位图像中估计关心区域的识别器的情况下，作为评价的指标，已知有被称为Accuracy(准确率)、Precision(精确率)、Recall(召回率)以及IoU(Intersectionover Union：交并比)的指标。如图3中概念性地示出的那样，将实际存在细胞且被估计为存在细胞的区域设为区域A、将实际存在细胞但未被估计为存在细胞的区域设为区域B、将实际上不存在细胞但被估计为存在细胞的区域设为区域C、将实际上不存在细胞且被估计为不存在细胞的区域设为区域D时，通过以下的计算式求出这些指标。关于在识别器的评价中使用哪个指标，既可以预先决定，也可以每次由使用者选择。
Accuracy＝A+D/整个区域
Precision＝A/A+C
Recall＝A/A+B
IoC＝A/A+B+C
重复进行使用了学习数据的机器学习和使用了验证数据的参数值的调整，直至在使用了测试数据的评价中上述指标值达到预先决定的基准值为止。当在使用了测试数据的评价中上述指标值达到预先决定的基准值时，识别器制作部34基于该学习模型来制作识别器，并保存于识别器存储部311。另外，在该识别器中，被使用于学习模型的构建的学习数据与验证数据、被使用于评价的测试数据与评价结果被对应起来。通过这样制作出的识别器在之后被使用于实际的细胞图像的解析。
在本实施例的细胞图像解析系统1中，不仅能够新制作识别器，还能够对识别器存储部311中保存的识别器进行改良。在该情况下，不读出未学习的学习模型，而是由使用者选择识别器存储部311中保存的识别器，之后，通过与上述同样的过程来使构成该识别器的学习模型进行机器学习即可。发明人进行了验证后得知，例如通过对基于iPS细胞(集落性细胞)的图像数据制作出的识别器进行改良，也能够适用于间充质干细胞(非集落性细胞)的解析。
在本实施例的细胞图像解析系统1中，还能够从其它细胞图像解析装置导入识别器，或者导出识别器以在其它细胞图像解析装置中使用。
当使用者指示识别器的导出时，识别器登记部35将用于使使用者指定要导出的识别器以及导出目的地(保存目的地)的场所的画面显示于显示部52。当使用者指定了要导出的识别器和保存目的地时，识别器登记部35从学习数据存储部312、验证数据存储部313以及评价数据存储部314分别读出与该识别器相对应的(即，被使用于该识别器的制作、评价的)学习数据、验证数据及测试数据、以及评价结果。而且，向所指定的保存场所输出识别器的数据文件、学习数据、验证数据及测试数据的文件、评价结果的数据文件。
另外，当使用者指示识别器的导入时，识别器登记部35将用于使使用者指定要导入的数据的保存场所的画面显示于显示部52。当使用者指定了保存目的地时，识别器登记部35从该保存目的地读入识别器的数据文件、学习数据、验证数据及测试数据的文件、以及评价结果的数据文件。而且，分别将识别器的数据文件保存于识别器存储部311，将学习数据的文件保存于学习数据存储部312，将验证数据的文件保存于验证数据存储部313，将测试数据的文件及评价结果的数据文件保存于评价数据存储部314。
在如上述那样使用者自己对识别器进行制作或改良的情况下，使用该识别器来对实际的细胞图像进行解析即可。但是，在使用预先保存的识别器来对实际的细胞图像进行解析时，需要确认识别器存储部311中保存的哪个识别器适合于该解析。
在本实施例的细胞图像解析系统1中，对于在识别器存储部311中保存的各识别器，使用者能够确认用于构建被使用于该识别器的制作的学习模型的学习数据及验证数据、以及测试数据及评价结果。另外，能够将具有与接下来要解析的细胞图像类似的特性的相位图像(细胞的种类、培养基的种类等相同或近似的相位图像)以及该相位图像的解析完成图像用作测试数据来进行识别器的评价。下面说明这样的作业的过程。
当使用者进行选择识别器存储部311中保存的识别器之一的规定输入操作时，从学习数据存储部312读出与所选择的识别器相对应的学习数据，从验证数据存储部313读出与所选择的识别器相对应的验证数据，从评价数据存储部314读出与所选择的识别器相对应的测试数据及评价结果，显示处理部39将与所选择的识别器相对应的学习数据、验证数据以及测试数据及评价结果分别显示于显示部52的画面。使用者能够确认所显示的学习数据、验证数据与实际上要进行解析的相位图像的特性的类似性，研究该识别器是否适合。另外，能够基于所显示的测试数据与实际上要进行解析的相位图像的特性的类似性来确认针对接下来要进行的相位图像的解析的评价结果的可靠性。
另外，当使用者进行指示从识别器存储部311选择出的识别器的评价的执行的规定输入操作时，识别器评价部37如以下那样使各功能块进行动作。
首先，测试数据输入受理部36将促使测试数据的输入的画面显示于显示部52。测试数据是包含了多组相位图像与解析完成图像的组的数据集。测试数据的输入能够通过与上述的学习数据等的输入同样的过程进行。即，预先将相位图像及染色图像与细胞的培养信息一起保存在相同文件夹内，首先，通过指定该文件夹来使测试数据输入受理部36读取这些信息。然后，利用预处理执行部331实施从相位图像和染色图像中去除噪声等的预处理，来制作测试数据。当然，也可以输入已被实施了这样的预处理的相位图像与解析完成图像的组。
当输入(或制作)了测试数据时，识别器评价部37将测试数据所包含的相位图像依次输入到使用者所选择的识别器。而且，将从识别器输出的图像(估计出关心区域的图像)与测试数据的解析完成图像进行比较并评价。作为该评价的指标，能够使用上述的Accuracy(准确率)、Precision(精确率)、Recall(召回率)以及IoU(交并比)。
当利用识别器评价部37进行的识别器的评价完成时，评价结果保存部38将包含识别器的评价结果以及被使用于该评价的测试数据的评价数据以与识别器相对应的方式保存于所述评价数据存储部314。另外，显示处理部39将该结果显示于显示部52的画面。图4中示出与识别器的评价结果有关的一个显示例。在该显示例中，在示出识别器的评价结果的画面中显示有相位图像、解析完成图像(作为预处理后的染色图像的正解图像)、表示识别器的估计结果的图像与正解图像之间的偏差的图像(解析结果)、以及评价值。图4虽然以单色显示附图，但实际上显示着色图像来提高视觉辨识性。
例如，能够以如下方式进行显示：用白色(相当于图3中的区域A)显示正确地估计出细胞的区域、用黑色(相当于图3中的区域D)显示正确地估计出背景的区域、用红色(相当于图3中的区域B)显示实际上存在细胞但没有被估计为存在细胞的区域、用绿色(相当于图3中的区域C)显示实际上不存在细胞但被估计为存在细胞的区域。图4是将一组相位图像与染色图像的组作为测试数据来评价识别器所得到的结果的显示例，但也能够将多组的相位图像与染色图像作为测试数据来对识别器进行评价。在该情况下，将该多组的图像数据分别与图4同样地显示，并且显示各图像数据的评价值以及与多组的图像数据的整体有关的评价值(例如各图像数据的评价值的平均)。
这样，在本实施例的细胞图像解析装置中，使用者能够使用自身所具有的相位图像及染色图像来自己进行识别器的评价。
接着，说明使用者执行作为实际的解析对象的细胞图像的解析的过程。
使用者将包含解析对象的细胞的培养板放置于显微观察部10的规定位置，利用输入部51进行规定操作。由此，显微观察部10实施试样(培养板中的细胞)的拍摄来生成相位图像的数据。使用者对针对解析对象的细胞进行了培养的所有培养板进行相同的处理并获取相位图像的数据，并且保存于预先决定的文件夹。在此，说明了使用显微观察部10来获取相位图像的情况，但也可以将预先获取完毕的相位图像的数据保存于预先决定的文件夹。使用者还将记载有包含解析对象的细胞的培养信息的图像信息的文件预先保存于与相位图像的数据相同的文件夹中。
之后，当使用者指定上述文件夹并指示细胞的相位图像的解析的执行时，解析执行部40如以下那样使各功能块进行动作。
首先，细胞图像输入受理部32从所指定的文件夹中读出相位图像的数据以及图像信息中包含的培养信息。接下来，解析执行部40显示供使用者指定解析内容的画面。解析内容中例如可以包含细胞数量的决定、细胞覆盖率的决定以及分化细胞数量的决定。当使用者指定解析内容时，解析处理部从识别器存储部311中读出与所读出的培养信息及解析内容对应的识别器。另外，从算法存储部315中读出与所读出的培养信息对应的预处理算法及后处理算法。解析执行部40将所读出的识别器、预处理算法以及后处理算法显示于显示部52的画面。
当使用者确认所显示的识别器、预处理算法以及后处理算法并进行按下决定按钮等规定操作时，决定图像解析处理的序列。此外，在保存有多个与培养信息及解析内容对应的识别器、预处理算法以及后处理算法的情况下，将它们全部显示于显示部52的画面。在该情况下，由使用者指定一个预处理算法以及一个或多个识别器与后处理算法的组合。例如，在对细胞数量和细胞覆盖率这两方进行解析的情况下，使用者只要指定与各解析对应的、识别器与后处理算法的组即可。在使用者指定了多组的识别器与后处理算法的组的情况下，决定继续执行该多个处理的解析序列。
当决定了解析序列时，预处理执行部331对所导入的全部相位图像成批地进行基于预处理算法的预处理。接着，解析执行部40将预处理完成的相位图像的数据输入到识别器，输出确定出了关心区域的图像的数据。例如，在解析内容是细胞数量的决定的情况下，输出确定出了相位图像中包含的细胞的核的图像的数据，在解析内容是细胞覆盖率的决定的情况下，输出确定出了各细胞的细胞骨骼区域整体的图像的数据。
当从识别器输出了图像数据时，后处理执行部332执行基于后处理算法的解析。例如，在解析内容是细胞数量的决定的情况下，求出从识别器输出的图像数据所包含的细胞的核的数量，并作为解析结果输出。另外，在解析内容是细胞覆盖率的决定的情况下，求出从识别器输出的图像数据的整个区域中细胞骨骼区域所占的比例，并作为解析结果输出。
在上述中，以与成为解析的对象的细胞有关的培养条件所对应的识别器、预处理算法以及后处理算法分别保存于识别器存储部311及算法存储部315中保存的情况为例进行了说明，但在对新的种类的细胞、使用培养基进行了培养的细胞的图像进行解析的情况下，存在未保存与其培养信息对应的识别器、预处理算法以及后处理算法的情况。另外，在执行以往未进行的内容的解析的情况下，存在未保存对应的识别器、后处理算法的情况。
新的识别器的制作、导入能够通过与利用上述的识别器制作部34、识别器登记部35进行的处理相同的过程来进行，因此省略说明。下面，说明追加新的预处理算法和/或后处理算法的过程。
当使用者进行了指示算法的追加的规定输入操作时，算法登记部41使使用者指定对预处理算法和后处理算法中的哪一方进行登记。在使用者指定了预处理算法的追加的情况下，使使用者进一步输入使用该预处理算法的细胞的培养信息，并使使用者指定预处理算法的保存场所。当使用者输入细胞的培养信息并指定预处理算法的保存场所时，从该保存场所导入记载有预处理算法的文件，并以与培养条件相对应的方式保存于算法存储部315。
在使用者指定了后处理算法的追加的情况下，使使用者进一步输入使用该后处理算法的细胞的培养信息、以及通过该算法进行的解析的内容，并使使用者指定后处理算法的保存场所。当使用者输入细胞的培养信息以及解析内容并指定后处理算法的保存场所时，从该保存场所导入记载有后处理算法的文件，并以与该培养条件相对应的方式保存于算法存储部315。
这样，在本实施例的细胞图像解析系统1中，在对新的种类的细胞、使用培养基进行了培养的细胞的图像进行解析的情况下、执行以往未进行的内容的解析的情况下，也能够适当地追加与上述情况对应的预处理算法、后处理算法以及识别器。
在上述实施例的细胞图像解析系统1中，使用者能够使用自己所具有的细胞图像的数据及染色图像的数据来对识别器进行制作及改良。因此，无需为了制作识别器而将细胞图像提供给外部的软件技术者，因而，能够保持与细胞图像及其解析有关的隐匿性。
另外，上述实施例的细胞图像解析系统1也能够将细胞图像解析装置20构成为云端服务器，并构成为能够从多个研究据点访问。通过采用这样的结构，能够作为数据库来进行活用，该数据库收录有在多个研究据点得到的细胞图像及其解析完成数据、以及与各种细胞及培养条件、解析内容对应的多个识别器。
上述实施例是一例，能够按照本发明的主旨适当地变更。在上述实施例中，说明了利用相位显微镜观察所培养的细胞来获取相位图像并进行解析的情况，但也能够在利用其它种类的显微镜观察到的图像的解析中使用与上述实施例相同的结构。
在上述实施例的细胞图像解析装置中，也可以将与相同的培养信息及解析内容对应的多个识别器保存于识别器存储部311。在该情况下，例如保存虽然识别精度没那么高但能够在短时间内确定关心区域的简易识别器、以及虽然关心区域的确定花费时间但识别精度高的高精度识别器即可。由此，例如能够以在进行通过筛选来限定所培养的细胞的相位图像的作业的情况下使用简易识别器、在对限定后的相位图像详细地进行解析的情况下使用高精度识别器之类的方式分开使用识别器，从而能够提高解析效率。
[方式]
本领域技术人员能够理解上述的多个例示性的实施方式是以下的方式的具体例。
(第一项)
一个方式所涉及的细胞图像解析装置具备：
显示部；
存储部，其保存有学习数据和识别器，其中，所述学习数据是细胞图像的数据与确定出了该细胞图像所包含的关心区域的解析完成图像的数据的组，所述识别器是使用学习模型制作出的识别器，根据细胞图像的数据的输入来输出估计出该细胞图像所包含的关心区域的图像的数据，所述学习模型是通过使用了所述学习数据的机器学习构建出的学习模型；
测试数据输入受理部，其受理测试数据的输入，所述测试数据是与所述学习数据相分别的、细胞图像的数据与该细胞图像的解析完成图像的数据的组；
识别器评价部，其将针对所述测试数据的细胞图像的数据的输入而从所述识别器输出的图像的数据与该测试数据的解析完成图像的数据进行比较，来评价该识别器；
评价结果保存部，其将包含所述识别器评价部的评价结果以及被使用于该评价的测试数据的评价数据以与所述识别器相对应的方式保存于所述存储部；以及
显示处理部，其根据选择所述存储部中保存的识别器的规定输入，将与该识别器相对应的学习数据和/或所述评价结果显示于所述显示部的画面。
在第一项所记载的细胞图像解析装置中，当使用者输入了作为与学习数据相分别的、细胞图像的数据与该细胞图像的解析完成图像的数据的组的测试数据时，使用该测试数据对识别器进行评价，并与测试数据一起保存。之后，当使用者进行选择识别器的规定输入时，与识别器相对应的学习数据和/或识别器评价部的评价的内容被显示于显示部的画面。使用者能够根据画面中显示的学习数据与实际要解析的细胞图像(实际细胞图像)的类似性，来确认识别器是否适合于该实际细胞图像的解析。另外，根据使用了与实际细胞图像类似的测试数据的、识别器的评价结果，能够确认使用了该识别器的实际细胞图像的解析是否适合。
(第二项)
在第一项所记载的细胞图像解析装置中，
在所述存储部中保存有多个识别器，针对各识别器对应有被使用于该识别器的制作的学习数据。
在第二项所记载的细胞图像解析装置中，能够根据解析对象的图像和解析的目的来从多个识别器中选择适当的识别器。
(第三项)
在第一项或第二项所记载的细胞图像解析装置中，
在所述存储部中保存有根据细胞的种类和/或培养条件而不同的识别器。
在第三项所记载的细胞图像解析装置中，能够使用适合于细胞的种类和/或培养条件的识别器来对细胞图像进行解析。
(第四项)
在第一项～第三项中的任一项所记载的细胞图像解析装置中，
所述显示处理部显示所述测试数据的细胞图像及解析完成图像、以及表示该解析完成图像与从所述识别器输出的图像之间的偏差的图像，来作为所述评价结果。
在第四项所记载的细胞图像解析装置中，能够在视觉上确认识别器的评价结果。
(第五项)
在第一项～第四项中的任一项所记载的细胞图像解析装置中，
还具备细胞图像输入受理部，所述细胞图像输入受理部受理细胞图像的数据与确定出了该细胞图像所包含的关心区域的解析完成图像的数据的多个组、以及与所述多个组的图像的数据有关的培养条件的信息的输入，将所述多个组与所述培养条件的信息相对应地保存于所述存储部。
在第五项所记载的细胞图像解析装置中，能够对使用者所具有的细胞图像的数据与解析完成图像的数据的组以与细胞的培养条件的信息相对应的方式进行管理。
(第六项)
在第五项所记载的细胞图像解析装置中，
还具备识别器制作部，所述识别器制作部通过使用由所述细胞图像输入受理部受理的多个组的图像的数据进行的机器学习来构建学习模型，并制作识别器。
在第六项所记载的细胞图像解析装置中，使用者能够自己制作识别器。
(第七项)
在第六项所记载的细胞图像解析装置中，
所述细胞图像输入受理部通过将由所述细胞图像输入受理部受理的多个组的图像的数据以预先决定的比率进行分配，来制作学习数据及验证数据，
所述识别器制作部使用由所述细胞图像输入受理部进行分配所得到的所述学习数据及验证数据执行所述机器学习，来构建学习模型。
在第七项所记载的细胞图像解析装置中，能够根据细胞图像的数据与解析完成图像的数据的组来自动地制作学习数据及验证数据，因此能够简便地制作识别器。
(第八项)
在第五项～第七项中的任一项所记载的细胞图像解析装置中，
还具备识别器登记部，所述识别器登记部受理所述存储部中保存的识别器、该识别器所对应的细胞图像的数据与该细胞图像的解析完成图像的数据的组、以及培养条件的输入并保存于所述存储部。
在第八项所记载的细胞图像解析装置中，能够将利用其它细胞图像解析装置制作的识别器、该识别器所对应的细胞图像的数据与该细胞图像的解析完成图像的数据的组、以及培养条件一起导入。
(第九项)
在第五项～第八项中的任一项所记载的细胞图像解析装置中，
还具备识别器输出部，所述识别器输出部将所述存储部中保存的识别器、该识别器所对应的细胞图像的数据与该细胞图像的解析完成图像的数据的组、以及培养条件一起输出。
在第九项所记载的细胞图像解析装置中，能够将利用该装置制作的识别器、该识别器对应的细胞图像的数据与该细胞图像的解析完成图像的数据的组、以及培养条件一起导出到其它细胞图像解析装置。
(第十项)
在第一项～第九项中的任一项所记载的细胞图像解析装置中，还具备：
预处理算法存储部，其保存有预处理算法，所述预处理算法用于进行所述细胞图像的数据及所述解析完成图像的数据的预处理；以及
预处理执行部，其使用所述预处理算法存储部中保存的预处理算法，来进行所述细胞图像的数据及所述解析完成图像的数据的预处理。
(第十一项)
在第十项所记载的细胞图像解析装置中，
所述预处理执行部执行所述细胞图像的数据与所述解析完成图像的数据的位置对准、噪声去除及背景去除、以及所述解析完成图像的数据的亮度的二值化中的至少一个处理。
在第十项及第十一项所记载的细胞图像解析装置中，能够简便地对细胞图像的数据和解析完成图像的数据进行预处理。
(第十二项)
在第一项～第十一项中的任一项所记载的细胞图像解析装置中，还具备：
后处理算法存储部，其保存有后处理算法，所述后处理算法用于进行从所述识别器输出的图像的数据的后处理；以及
后处理执行部，其使用所述后处理算法存储部中保存的后处理算法，来进行从所述识别器输出的图像的数据的后处理。
(第十三项)
在第十二项所记载的细胞图像解析装置中，
所述后处理执行部针对从所述识别器输出的图像的数据，执行所估计出的关心区域的形态特征量(关心区域的数量、面积、圆度、长宽比、周长、外接的长方形的长边及短边的长度、重心位置)的计算、形态特征量的相关性评价、形态特征量的经时变化的图表化、相对于培养条件的形态特征量的图表化、以及关心区域与背景区域的比例计算中的至少一个处理。
在第十二项及第十三项所记载的细胞图像解析装置中，能够简便地对从所述识别器输出的图像的数据进行后处理。
附图标记说明
1：细胞图像解析系统；10：显微观察部；20：细胞图像解析装置；30：解析/处理部；31：存储部；311：识别器存储部；312：学习数据存储部；313：验证数据存储部；314：评价数据存储部；315：算法存储部；32：细胞图像输入受理部；33：预处理及后处理执行部；331：预处理执行部；332：后处理执行部；34：识别器制作部；35：识别器登记部；36：测试数据输入受理部；37：识别器评价部；38：评价结果保存部；39：显示处理部；40：解析执行部；41：算法登记部；51：输入部；52：显示部。

Claims (13)

1.一种细胞图像解析装置，具备：
显示部；
存储部，其保存有学习数据和识别器，其中，所述学习数据是细胞图像的数据与确定出了该细胞图像所包含的关心区域的解析完成图像的数据的组，所述识别器是使用学习模型制作出的识别器，根据细胞图像的数据的输入来输出估计出该细胞图像所包含的关心区域的图像的数据，所述学习模型是通过使用了所述学习数据的机器学习构建出的学习模型；
测试数据输入受理部，其受理测试数据的输入，所述测试数据是与所述学习数据相分别的、细胞图像的数据与该细胞图像的解析完成图像的数据的组；
识别器评价部，其将针对所述测试数据的细胞图像的数据的输入而从所述识别器输出的图像的数据与该测试数据的解析完成图像的数据进行比较，来评价该识别器；
评价结果保存部，其将包含所述识别器评价部的评价结果以及被使用于该评价的测试数据的评价数据以与所述识别器相对应的方式保存于所述存储部；以及
显示处理部，其根据选择所述存储部中保存的识别器的规定输入，将与该识别器相对应的学习数据和/或所述评价结果显示于所述显示部的画面。
2.根据权利要求1所述的细胞图像解析装置，其中，
在所述存储部中保存有多个识别器，针对各识别器对应有被使用于该识别器的制作的学习数据。
3.根据权利要求1所述的细胞图像解析装置，其中，
在所述存储部中保存有根据细胞的种类和/或培养条件而不同的识别器。
4.根据权利要求1所述的细胞图像解析装置，其中，
所述显示处理部显示所述测试数据的细胞图像及解析完成图像、以及表示解析完成图像与从所述识别器输出的图像之间的偏差的图像，来作为所述评价结果。
5.根据权利要求1所述的细胞图像解析装置，其中，
还具备细胞图像输入受理部，所述细胞图像输入受理部受理细胞图像的数据与确定出了该细胞图像所包含的关心区域的解析完成图像的数据的多个组、以及与所述多个组的图像的数据有关的培养条件的信息的输入，将所述多个组与所述培养条件的信息相对应地保存于所述存储部。
6.根据权利要求5所述的细胞图像解析装置，其中，
还具备识别器制作部，所述识别器制作部通过使用由所述细胞图像输入受理部受理的多个组的图像的数据进行的机器学习来构建学习模型，并制作识别器。
7.根据权利要求6所述的细胞图像解析装置，其中，
所述细胞图像输入受理部通过将由所述细胞图像输入受理部受理的多个组的图像的数据以预先决定的比率进行分配，来制作学习数据及验证数据，
所述识别器制作部使用由所述细胞图像输入受理部进行分配所得到的所述学习数据及验证数据执行所述机器学习，来构建学习模型。
8.根据权利要求5所述的细胞图像解析装置，其中，
还具备识别器登记部，所述识别器登记部受理所述存储部中保存的识别器、该识别器所对应的细胞图像的数据与该细胞图像的解析完成图像的数据的组、以及培养条件的输入并保存于所述存储部。
9.根据权利要求5所述的细胞图像解析装置，其中，
还具备识别器输出部，所述识别器输出部将所述存储部中保存的识别器、该识别器所对应的细胞图像的数据与该细胞图像的解析完成图像的数据的组、以及培养条件一起输出。
10.根据权利要求1所述的细胞图像解析装置，其中，还具备：
算法存储部，其保存有预处理算法，所述预处理算法用于进行所述细胞图像的数据及所述解析完成图像的数据的预处理；以及
预处理执行部，其使用所述算法存储部中保存的预处理算法，来进行所述细胞图像的数据及所述解析完成图像的数据的预处理。
11.根据权利要求10所述的细胞图像解析装置，其中，
所述预处理执行部执行所述细胞图像的数据与所述解析完成图像的数据的位置对准、噪声去除及背景去除、以及所述解析完成图像的数据的亮度的二值化中的至少一个处理。
12.根据权利要求1所述的细胞图像解析装置，其中，还具备：
算法存储部，其保存有后处理算法，所述后处理算法用于进行从所述识别器输出的图像的数据的后处理；以及
后处理执行部，其使用所述算法存储部中保存的后处理算法，来进行从所述识别器输出的图像的数据的后处理。
13.根据权利要求12所述的细胞图像解析装置，其中，
所述后处理执行部针对从所述识别器输出的图像的数据，执行所估计出的关心区域的形态特征量的计算、形态特征量的相关性评价、形态特征量的经时变化的图表化、相对于培养条件的形态特征量的图表化、以及关心区域与背景区域的比例计算中的至少一个处理。
CN202180039977.2A 2020-04-21 2021-02-03 细胞图像解析装置 Pending CN115699085A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020075277 2020-04-21
JP2020-075277 2020-04-21
PCT/JP2021/003946 WO2021215069A1 (ja) 2020-04-21 2021-02-03 細胞画像解析装置

Publications (1)

Publication Number Publication Date
CN115699085A true CN115699085A (zh) 2023-02-03

Family

ID=78270462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180039977.2A Pending CN115699085A (zh) 2020-04-21 2021-02-03 细胞图像解析装置

Country Status (5)

Country Link
US (1) US20230160874A1 (zh)
EP (1) EP4138035A4 (zh)
JP (1) JP7409490B2 (zh)
CN (1) CN115699085A (zh)
WO (1) WO2021215069A1 (zh)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5816415B2 (ja) * 2010-04-23 2015-11-18 国立大学法人名古屋大学 細胞評価装置、インキュベータ、プログラム、および、培養方法
WO2013106842A2 (en) * 2012-01-13 2013-07-18 The Charles Stark Draper Laboratory, Inc. Stem cell bioinformatics
JP6398248B2 (ja) * 2014-01-21 2018-10-03 セイコーエプソン株式会社 位置検出システム、及び、位置検出システムの制御方法
JP7198577B2 (ja) * 2017-11-17 2023-01-04 シスメックス株式会社 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法
JP6992475B2 (ja) * 2017-12-14 2022-01-13 オムロン株式会社 情報処理装置、識別システム、設定方法及びプログラム
JP6573226B2 (ja) * 2017-12-15 2019-09-11 オムロン株式会社 データ生成装置、データ生成方法及びデータ生成プログラム
JP6930411B2 (ja) * 2017-12-15 2021-09-01 コニカミノルタ株式会社 情報処理装置及び情報処理方法
AU2019275232B2 (en) * 2018-05-21 2024-08-15 Corista, LLC Multi-sample whole slide image processing via multi-resolution registration
JP6627069B2 (ja) * 2018-06-01 2020-01-08 株式会社フロンティアファーマ 画像処理方法、薬剤感受性試験方法および画像処理装置
US11537506B1 (en) * 2018-10-26 2022-12-27 Amazon Technologies, Inc. System for visually diagnosing machine learning models
US11636251B2 (en) * 2019-10-08 2023-04-25 Adobe Inc. Content aware font recommendation
JP7203000B2 (ja) * 2019-11-12 2023-01-12 Hoya株式会社 プログラム、情報処理方法及び情報処理装置

Also Published As

Publication number Publication date
US20230160874A1 (en) 2023-05-25
JP7409490B2 (ja) 2024-01-09
EP4138035A1 (en) 2023-02-22
EP4138035A4 (en) 2023-10-25
JPWO2021215069A1 (zh) 2021-10-28
WO2021215069A1 (ja) 2021-10-28

Similar Documents

Publication Publication Date Title
US20210312627A1 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
JP7087048B2 (ja) 細胞画像評価装置および細胞画像評価プログラム
US11501446B2 (en) Segmenting 3D intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions
US20220139072A1 (en) Machine learning using distance-based similarity labels
KR20200140301A (ko) 딥 러닝을 이용한 무-표지 형광 영상들의 디지털 염색을 위한 방법 및 시스템
US20110091091A1 (en) Process and system for analyzing the expression of biomarkers in cells
JP6791245B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
JP6882329B2 (ja) Ｉｈｃ画像解析のための空間インデックス作成
US20150186755A1 (en) Systems and Methods for Object Identification
US11222194B2 (en) Automated system and method for creating and executing a scoring guide to assist in the analysis of tissue specimen
CN115699085A (zh) 细胞图像解析装置
CN117831634A (zh) 一种组织培养分析方法、系统和装置
Mata et al. Zigzag persistent homology for processing neuronal images
JP2021525890A (ja) 生物学的サンプルの画像に対するコンピュータ実装プロセス
Cetin et al. Deep learning-based restaining of histopathological images
US20240153112A1 (en) Specimen image registration method and recording medium
CN118111963A (zh) 用于生物模型表型特征的分析方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination