[发明专利]图像解析方法、装置、学习后的深度学习算法的生成方法

说明书

本发明的课题在于代替病理医师而基于固定的判断基准评价构成组织的层结构。本发明使用神经网络结构的深度学习算法（60），通过解析采自被检物的组织的图像的图像解析方法解决该课题。图像解析方法包括：从包括解析对象组织的解析对象图像（78）生成解析用数据（80），将解析用数据（80）输入深度学习算法（60），通过所述深度学习算法生成表示解析对象图像（78）中的构成组织的层结构的数据。

技术领域

本发明涉及图像解析方法、图像解析装置、程序、已完成学习的深度学习算法的生成方法及已完成学习的深度学习算法。更具体而言，本发明涉及用于生成表示组织图像中构成组织的层结构的数据的图像解析方法、图像解析装置、程序、已完成学习的深度学习算法的生成方法及已完成学习的深度学习算法。

背景技术

医疗现场对采自被检物的组织进行诊断。例如，作为在临床定量评价并分类胃炎的方法有使用悉尼系统（非专利文献1）。为定量评价胃炎的严重程度，悉尼系统使用幽门螺杆菌量、中性粒细胞浸润、慢性炎症的程度、腺体的萎缩、肠上皮化生作为指标。

现有技术文献

非专利文献

非专利文献1 D A F Lynch, J Clin Pathol 1999;52:367-371。

发明内容

发明要解决的技术问题

腺体等的上皮细胞层的萎缩、肥大的现象不仅在胃，还会在各种组织伴随炎症等而出现。上皮细胞层的评价一般为用在内视镜检查中采集的活检标本制成石蜡包埋切片，病理医师观察施以苏木精・伊红染色的病理组织标本。

但是，通过显微镜的目视检查来评价萎缩的程度是用肉眼观察进行的评价，有时病理医师不同或病理医师的熟练程度不同而使得评价不能保持一致，从而很难做出有再现性的评价。

本发明目的在于提供一种能基于固定的判断基准对构成组织的层结构进行评价的图像解析方法、图像解析装置、程序、已完成学习的深度学习算法的生成方法及已完成学习的深度学习算法。

解决技术问题的技术手段

本发明的一实施方式涉及使用神经网络结构的深度学习算法（60）解析采自被检物的组织的图像的图像解析方法。图像解析方法包括：从包括解析对象组织的解析对象图像（78）生成解析用数据（80），将解析用数据（80）输入深度学习算法（60），通过所述深度学习算法生成表示解析对象图像（78）中的构成组织的层结构的数据。通过本实施方式能使用深度学习算法这种固定的判断基准判别构成组织的层结构，并能进行定量评价。由此，能抑制由病理医师的熟练程度等导致的不能保持一致的情况并进行有再现性的评价。

在所述实施方式中，解析对象图像（78）为组织诊断用标本被染色的明视场图像，优选为解析对象组织的被染色的明视场图像。通过一实施方式能帮助组织诊断。

在所述实施方式中，通过深度学习算法（60）生成表示所述解析对象组织中的至少一种层结构的核区域的数据。

在所述实施方式中，所述层结构包括从上皮细胞层、内皮细胞层、结缔组织层及肌层中选择的至少一者。

在所述实施方式中，所述组织采自胃、小肠或大肠，所述层结构包括从黏膜上皮细胞层、黏膜固有层、黏膜肌层、黏膜下层、固有肌层及浆膜层中选择的至少一者。通过该实施方式能判别构成消化道组织的层结构。

在所述实施方式中，所述组织采自气管或支气管，所述层结构包括从黏膜上皮细胞层、黏膜固有层、平滑肌层、黏膜下层及外膜层中选择的至少一者。通过该实施方式能判别构成呼吸系统组织的层结构。

在所述实施方式中，所述组织采自子宫体部，所述层结构包括从黏膜上皮细胞层、黏膜固有层、肌层及外膜层中选择的至少一者。通过该实施方式能判别构成子宫体部的组织的层结构。