专利名称：诊断成像支持设备、诊断成像支持方法和存储介质的制作方法
技术领域：
本发明涉及进行病理学评估的诊断成像支持设备、诊断成像支持方法和存储介质，并且更特别地涉及能够通过简单处理实现高精度病理学评估的诊断成像支持设备、诊断成像支持方法和存储介质。
背景技术：
一种设备，获取在显微镜切片上的样品组织的图像，并根据所获取的图像进行病理学诊断(例如，参见PTL 1)。此外，在该设备中，进行从粗到细的病理学诊断(粗到细)， 其中使用低放大率图像进行初步分析，并且针对低放大率图像中应当特别观察的部分，利用高放大率图像进行进一步分析。引用列表专利文献PTL 1 =PCT专利申请国际公开No. 2000-501184的
公开日语译文
发明内容
技术问题然而，在PTL 1中指出的设备中，例如，在获取低放大率图像之后，需要调整显微镜的焦距和光圈以及获取高放大率图像，因而该处理可能效率低。为了解决这种问题做出了本发明，并且本发明的主要目的在于提供能够进行高效且高精度的病理学评估的诊断成像支持设备、诊断成像支持方法和存储介质。解决问题的技术方案为了实现上述目的的本发明的示例性方面是一种诊断成像支持设备，该诊断成像支持设备包括图像数据获取装置，其获取样品组织的高放大率的图像数据；图像分类装置，其从通过图像数据获取装置获取的高放大率的图像数据来生成低放大率的图像数据， 并通过多个病理组织的每个图像数据模式来将所生成的低放大率的图像数据分类成组；以及图像评估装置，其评估高放大率的图像数据是否为所分类的组的病理组织，该高放大率的图像数据为通过图像分类装置分类的低放大率的图像数据的基础。此外，为了实现上述目的的本发明的另一示例性方面可以是一种诊断成像支持方法，该诊断成像支持方法包括获取样品组织的高放大率的图像数据；从所获取的高放大率的图像数据生成低放大率的图像数据，并通过多个样品组织的每个图像数据模式来将所生成的低放大率的图像数据分类成组；以及评估高放大率的图像数据是否为所分类的组的病理组织，该高放大率的图像数据为所分类的低放大率的图像数据的基础。此外，为了实现上述目的的本发明的另一示例性方面可以是一种存储介质，该存储介质存储使得计算机执行以下处理的程序获取样品组织的高放大率的图像数据；从所获取的高放大率的图像数据生成低放大率的图像数据，并通过多个病理组织的每个图像数据模式来将所生成的低放大率的图像数据分类成组；以及评估高放大率的图像数据是否为所分类的组的病理组织，该高放大率的图像数据为所分类的低放大率的图像数据的基础。发明的有益效果根据本发明，可以提供能够进行高效且高精度的病理学评估的诊断成像支持设备、诊断成像支持方法和存储介质。
图1是根据本发明示例性实施方式的诊断成像支持设备的功能框图；图2是示出根据本发明示例性实施方式的诊断成像支持设备的示意性系统配置的框图；图3是示出通过图像分类单元从低放大率图像数据中提取的关注区域的例子的视图；图4是示出低放大率的HE染色图像中的导管部分的例子的视图，该导管部分为蓝紫色、具有恒定厚度并且是圆形或流线区域；图5是示出通过图像分类单元从低放大率图像数据的关注区域中提取的核聚集体的例子的视图；图6是示出使用根据本发明示例性实施方式的诊断成像支持设备的诊断成像支持方法的流程的流程图；图7是示出通过根据本发明示例性实施方式的诊断成像支持设备的图像评估单元进行的学习处理流程的例子的流程图；以及图8是示出通过根据本发明示例性实施方式的诊断成像支持设备的图像评估单元进行的学习处理流程的例子的流程图。
具体实施例方式以下参照附图描述本发明的示例性实施方式。图1是根据本发明示例性实施方式的诊断成像支持设备的功能框图。根据本示例性实施方式的诊断成像支持设备10包括图像数据获取装置1，其获取样品组织的高放大率的图像数据；图像分类装置2，其从通过图像数据获取装置1获取的高放大率的图像数据生成低放大率的图像数据，并通过多个病理组织的图像数据模式来将所生成的低放大率的图像数据分类成组。然后，可以高效且高速地通过多个病理组织的图像数据模式将低放大率图像数据分类成组并进行细化。此外，诊断成像支持设备10设置有图像评估装置5，该图像评估装置5评估高放大率的图像数据是否为所分类的组的病理组织，该高放大率的图像数据为通过图像分类装置 2分类的低放大率的图像数据的基础。相应地，可以高精度地评估通过图像分类装置2分类和细化的高放大率图像数据是否为所分类的组的病理组织。因此，可以进行高效且高精度的病理学评估。图2是示出根据本发明示例性实施方式的诊断成像支持设备的概括性示意系统配置的框图。根据本示例性实施方式的诊断成像支持设备10设置有图像数据获取单元1、 图像分类单元2、数据库3、学习数据库4、图像评估单元5和输出设备6。针对图像数据获取单元(图像数据获取装置)1，使用例如可以获取样品组织的高放大率图像数据(以下称为高放大率图像数据)的图像扫描仪设备等。图像扫描仪设备1例如采用染色乳腺病理切片并生成整个样品组织的高放大率图像数据。图像数据获取单元 1将生成的高放大率图像数据输出给图像分类单元2和数据库3。数据库3存储用于通过多个病理组织的每个图像数据模式将稍后描述的样品组织的低放大率图像数据分类成组的图像数据模式信息。该图像数据模式信息包括诸如参数、评分函数和概率函数等的数值信息以便执行组的分类。此外，数据库3存储从图像数据获取单元1输出的高放大率图像数据。注意，可以将诸如存储器设备、磁盘单元、光盘设备等的任意存储设备用于数据库3和学习数据库4。此外，尽管数据库3和学习数据库4被配置为不同存储设备，但并不限于此，它们可以配置为单一存储设备。此外，尽管多个病理组织的图像数据模式被分类为正常、良性肿瘤、癌前状态、癌状态等，但并不限于此，而是可以采用任意分类方法。例如，多个病理组织的图像数据模式可以分类为四组乳腺病理图像数据模式，包括(a)组1 正常或良性细胞核萎缩类型，(b) 组2 正常或良性细胞核扩张类型；(c)组3 非浸润性癌前状态，诸如DCIS(导管原位癌) 和 LCIS (小叶原位癌)(参见 http://www. breastcancer. org/)，以及(d)组 4:包括 IDC (浸润性导管癌)和ILC(浸润性小叶癌)的浸润性癌状态。这里，图像分类单元(图像分类装置)2针对各组病理组织图像数据模式预先计算细胞核的特征值θ i(i是特征值类型值)，诸如乳腺导管病理低放大率图像数据。这里，细胞核的特征值θ i是细胞核中每单位面积的块密度(数目/单位面积)、块面积密度(块面积/单位面积)、块面积、块厚度、块长度等的平均值和方差值。例如，细胞核的块面积密度的平均值可以为Q1，块面积的平均值可以为θ 2，块厚度的平均值可以为θ 3，以及块长度的平均值可以为θ4。注意，存在这样的趋势计算的特征值θ i针对每个组在统计学上是不同的。因此， 图像分类单元2预先准备属于每个组的低放大率图像数据，从该低放大率图像数据提取细胞核的块，并计算其特征值9it)然后，图像分类单元2定义每个组的评分函数Sn(Qi)，并将其存储到数据库3。这里，η为组数，并且在上述例子(a)至(d)中，由于分类成四组，所以n=l至4。例如，当特征值91属于组3(11 = 3)时，评分函数s3( θ》将为1，其余评分函数"(θ》、S2(Qi)和S^ei)将分别为0。图像分类单元2从通过图像数据获取单元1获取的高放大率图像数据生成低放大率图像数据，并通过多个病理组织的图像数据模式将所生成的低放大率图像数据分类成组。图像分类单元2首先从来自图像数据获取单元1的高放大率图像数据生成低放大率的图像数据(以下称为低放大率图像数据)。注意，图像分类单元2通过对高放大率图像数据进行缩减像素采样(downsampling)等可以容易地生成低放大率图像数据。此外，图像分类单元2从所生成的低放大率图像数据提取关注区域(图3)。这里，关注区域(ROI =Region of Interest)是其中细胞核密度大于或等于预定值并具有高密度的矩形面积，然而并不限于此，而是可以设定为将要仔细观察的任意区域。例如，关注区域可以是通过使用预定形状(诸如特定面积的矩形形状)将整个样品组织划分成多个区域而获取的区域，其中细胞核密度在所划分的多个区域中较高。如至此所述，当不需要诊断整个样品组织时，可以通过代替处理低放大率图像数据的整个样品组织，而仅处理提取的关注区域来执行更高效的处理。
6
此外，图像分类单元2从所生成的低放大率图像数据的关注区域提取例如核聚集体。在该核聚集体的提取中，图像分类单元2基于细胞核染色从低放大率图像数据生成单色图像数据。这里，例如在苏木素-伊红(HE)染色图像的情况中，存在其中细胞核的部分染成蓝紫色并且细胞质的部分染成红紫色的特性。因此，在低放大率的HE染色图像中，导管部分是为蓝紫色的且具有恒定厚度的圆形区域或者条纹区域(图4)。此外，由于HE染色图像用红色和蓝色进行了双染色，所以它的颜色包括从蓝紫色经由紫色到红紫色以及白色 (未染色的颜色)。因此，为了提取蓝紫色区域，优选使用便于R识别的氰色、品红色和上述色调。此外，图像分类单元2可以针对使用这些所产生的颜色要素的单色图像使用边缘提取滤波器。注意到，由于该边缘提取滤波器目的在于提取核聚集体而不是细胞核本身，所以优选的是卷积(convolve)使得模糊的滤波器的滤波器(诸如高斯滤波器)，以及边缘滤波器。作为这种边缘提取滤波器，例如可以使用高斯-拉普拉斯滤波器、Gabor小波滤波器寸。图像分类单元2从如上所述的低放大率图像数据的关注区域提取核聚集体(图 5)，并针对提取的核聚集体计算特征值θ 0此外，图像分类单元2从数据库3读取每个组 η的评分函数sn( θ J，并使用下式(1)计算每个组η的评分函数的总数Τη。Tn=^iei)(1)‘
i图像分类单元2选择具有评分函数的最大总数Tn的组η作为低放大率图像数据所属的组η。此外，图像分类单元2将作为低放大率图像数据的基础的高放大率图像数据和关注区域与所选组η相关联，并将其存储到数据库3。如上所述，作为前面的步骤，图像分类单元2使用低放大率图像数据进行上述组的分类。然后，尽管分类准确度不一定高，但可以高速进行许多组的分类，由此使得高效地细化样品组织的病理。然后，如稍后所述，作为整个诊断成像支持设备10，通过图像评估单元5在细化的组内进行高精度病理学评估，可以进行高效且高精度的病理学评估。图像评估单元(图像评估装置)5对高放大率图像数据是否为所分类的组的病理组织进行高精度病理学评估，其中该高放大率图像数据为通过图像分类单元2分类的低放大率图像数据的基础。图像评估单元5首先从数据库3读取高放大率图像数据(其为低放大率图像数据的基础)以及关注区域。然后，图像评估单元5根据读取的高放大率图像数据和关注区域从高放大率图像数据中提取关注区域。如上所述，图像评估单元5可以容易地从数据库3获取高放大率图像数据和关注区域，而无需进行特殊处理，并且可以高效地进行稍后描述的病理学评估处理。此外，图像评估单元5针对从高放大率图像数据的关注区域提取的核聚集体计算ROI高放大率特征值S31，...，和S3n。这里，高放大率图像数据包括许多不同于低放大率图像数据的信息，包括可以清楚地对细胞核进行分类。此外，例如，由于诸如细胞核的大小和圆度以及长短轴比之类的特征值对于癌症的病理学评估是重要的，所以这些特征值优选地包括在ROI高放大率特征值 S31,...和 S3n 中。学习数据库4存储已经进行病理学评估的高放大率图像数据的高放大率特征值 S41，...和S4n，以及在稍后描述的学习图像评估单元5时使用的学习参数S51，...和S5n。这里，已经进行病理学评估的高放大率图像数据(以下称为已评估的图像)指示已经对它是否是每个组的病理组织进行评估的高放大率图像。另一方面，未评估它是否是每个组的病理组织的高放大率图像应称为未评估的图像。注意到，ROI高放大率特征值S31，...和S3n以及高放大率特征值S41，...和 S^应是同一种类。此外，上述已评估的图像例如需要两个种类，即属于组η的已评估的图像(正例)和不属于组η、但会容易导致错误评估的已评估的图像(反例)，并且将这些图像数据预先准备并存储到学习数据库4。此外，图像评估单元5还可以使用已评估的图像的ROI高放大率特征值S31，...和S3n及其病理学评估结果S61，...和S6n更新学习参数 S51,...禾口 S5n。图像评估单元5具有病理学评估的机器学习功能，并且以两种模式操作，这两种模式为建立(学习)模式和执行(标识)模式。图像评估单元5例如使用诸如神经网络、 支持向量机(SVM :Support Vector Machine)之类的任意学习算法来执行机器学习。图像评估单元5在建立模式中使用存储到学习数据库4中的已评估的图像的高放大率特征值S41，...和S^来执行机器学习功能。然后，图像评估单元5生成学习参数 S51，...和S5n作为该机器学习结果。注意到，在该机器学习中，当使用神经网络时，生成判别函数的权重作为学习参数S51，...和S5n。另一方面，当使用SVM时，生成用于标识的超平面系数。此外，图像评估单元5可以使用图像分类单元2的分类结果来执行上述机器学习功能。图像评估单元5将所生成的学习参数S51，...和S5n存储到学习数据库4。注意到，如上所述，作为在前的步骤，图像分类单元2将低放大率图像高效且高速地分类成组， 并且执行细化。然后当图像评估单元5使用高放大率图像数据进行上述机器学习时可以减少学习处理量并且可以缩短其处理时间。而且，在执行建立模式之后，图像评估单元5执行执行模式使得对未评估的图像的ROI高放大率特征值S31，...和S3n进行评估。当执行该执行模式时，图像评估单元5 从学习数据库4中读取建立模式中生成的学习参数S51，...和S5n。然后，图像评估单元 5使用学习参数S51，...和S5n对未评估的图像的ROI高放大率特征值S31，...和S3n进行病理学评估。在该病理学评估中，图像评估单元5高精度地评估未评估的图像(其为高放大率图像数据)是否为病理组织或该组(两次分类)。如至此所述的，首先作为在前的步骤，图像分类单元2将低放大率图像数据高效且高速地分类成组，并且执行细化，之后，使用组内具有细化病理等的高放大率图像数据进行高精度病理学评估。因此，作为整个诊断成像支持设备10，高效且高精度的病理学评估是可能的。图像评估单元5向输出设备6输出病理学评估结果S61，...，和S6n。输出设备6 进行输出，诸如显示和打印病理学评估结果S61，...，和S6n。输出设备6输出例如正常或良性细胞核萎缩类型(组1)、正常或良性细胞核扩张类型(组2、、非浸润性癌前状态(组 3)、浸润性癌状态(组4)等作为病理学评估结果S61，...，和S6n。此外，将诸如液晶显示器设备和打印机设备之类的显示设备用于输出设备6。注意到，在上面未评估的图像的ROI高放大率特征值S31，...，和S3n的病理学评估之后，图像评估单元5可以再次执行建立模式，进行附加学习并向学习参数S51，...，和
8S5n反映病理学评估结果S61，...，和S6n。在这种情况下，图像评估单元5使用ROI高放大率特征值S31，...，和S3n和病理学评估结果S61，...，和S6n更新学习参数S51，...，和 S5n。而且，利用包括执行控制处理的CPU(中央处理单元)11、由CPU 11执行的计算程序等、临时存储处理数据等的RAM(随机访问存储器)13的微计算机14(图6)，将诊断成像支持设备10配置为硬件。此外，图像分类单元2和图像评估单元5可以例如通过存储到 ROM 12并由CPU 11执行的程序实现。接下来，详细说明使用根据本示例性实施方式的诊断成像支持设备10的诊断成像支持方法。图7是示出使用根据本示例性实施方式的诊断成像支持设备的诊断成像支持方法的流程的流程图。图像数据获取单元1例如采用染色乳腺病理切片，生成整个样品组织的图像数据 (步骤S101)，并将其输出给图像分类单元2和数据库3。接下来，图像分类单元2对来自图像数据获取单元1的高放大率图像数据进行缩减像素采样等，并生成低放大率图像数据 (步骤。之后，图像分类单元2从所生成的低放大率图像数据提取关注区域，在该关注区域中细胞核密度变得大于或等于特定值(步骤S103)。图像分类单元2从所生成的低放大率图像数据的关注区域中提取核聚集体(步骤 S104)。接下来，图像分类单元2针对从低放大率图像数据的关注区域中提取的核聚集体计算特征值θ i (步骤。而且，图像分类单元2从数据库3读取每个组η的评分函数 Sn(Oi),并且使用下式(1)计算每个组η的评分函数的总数Τη。图像分类单元2选择具有评分函数的最大总数Tn的组η作为低放大率图像数据所属的组η (步骤S107)。然后，图像分类单元2将高放大率图像数据(其为低放大率图像数据的基础)和关注区域与所选组η 相关联，并将其存储到数据库3。图像评估单元5根据组η的高放大率图像数据和存储到数据库3的关注区域，从高放大率图像数据中提取关注区域(步骤S108)。接下来，图像分类单元2针对从低放大率图像数据的关注区域中提取的核聚集体计算ROI高放大率特征值S31，...，和S3n(步骤S109)。图像评估单元5执行执行模式并从学习数据库4读取学习参数S51，...，和S5n(步骤S110)。然后，图像评估单元5使用这些学习参数S51，...，和S5n对ROI高放大率特征值S31，...，和S3n进行病理学评估(步骤S111)，并从输出设备6输出病理学评估结果(步骤S112)。接下来，详细描述根据本示例性实施方式的诊断成像支持设备的图像评估单元5 执行的学习处理流程。图8是示出根据本示例性实施方式的诊断成像支持设备的图像评估单元执行的学习处理流程的例子的流程图。当执行建立模式(步骤S201)时，图像评估单元5从学习数据库4读取已评估的图像的高放大率特征值S41，...，和S4n(步骤S2(^)。然后，图像评估单元5使用读取的高放大率特征值S41，...，和Mn执行机器学习功能，生成学习参数S51，...，和S5n(步骤 S203)，并将所生成的学习参数S51，...，和S5n存储到学习数据库4。之后，图像评估单元5执行执行模式(步骤S204)，并从学习数据库4中读取在建立模式中生成的学习参数S51，...，和S5n (步骤S2(^)。然后，图像评估单元5使用这些学习参数S51，...，和S5n对未评估的图像的ROI高放大率特征值S31，...，和S3n进行病理学评估(步骤S206)。而且，图像评估单元5再次执行建立模式(步骤S207)，使用ROI高放大率特征值 S31，...，和S3n和病理学评估结果S61，...，和S6n执行机器学习功能，并更新学习数据库 4的学习参数S51，· · ·，和S5n(步骤S208)。注意到，尽管从(步骤S207)到(步骤S208) 的上述处理的执行是任意的，但通过进行这些处理，上述病理学评估准确度进一步提高。如上所述，在根据本示例性实施方式的诊断成像支持设备10中，图像分类单元2 从通过图像数据获取单元1获取的高放大率图像数据生成低放大率图像数据，并通过多个病理组织的图像数据模式将所生成的低放大率图像数据分类成组。然后，可以高效且高速地将低放大率图像数据分类成组，并执行疾病状况的细化。此外，图像评估单元5高精度地评估通过图像分类单元2分类和细化的高放大率图像是否为所分类的组的病理组织。因此，可以进行高效且高精度的病理学评估。本发明不限于上述示例性实施方式，而是可以在不脱离其范围的情况下进行适当修改。例如，尽管在上述示例性实施方式中，图像分类单元2使用评分函数(θ》选择低放大率图像数据所属的组n，但并不限于此，可以使用例如概率函数ρη( θ J (特征值θ i的概率分布)来选择低放大率图像数据所属的组η。在这种情况下，例如，当组η = 1至4并且特征值θ i属于组3 (η =3)时，其为0 < ρη( θ J < 1，概率函数ρ3( θ J将为最大，并且总数将为 Kp1(Oi)V(Qi)V(Qi)V(Qi) = 1)。注意到，该概率？11^》的值可以通过贝叶斯理论(Bayes’ theorem)与该概率一起计算，以在假设先验概率时获取针对不同范畴的值θ 而且，图像分类单元2使用下式(2)计算与互补概率信息量对应的-log(1. 0-ρη( θ i))的总数Γ。然后，图像分类单元2选择其中总数In将为最大的组η作为低放大率图像数据所属的组η。如上所述，为了避免通过元素集合的概率比较接近零的小值而使用互补概率，并且可以进行高效的计算。
权利要求
1.一种诊断成像支持设备，包括图像数据获取装置，其获取样品组织的高放大率的图像数据；图像分类装置，其从通过所述图像数据获取装置获取的所述高放大率的图像数据生成低放大率的图像数据，并通过多个病理组织的每个图像数据模式来将所生成的低放大率的图像数据分类成组；以及图像评估装置，其评估所述高放大率的图像数据是否为所分类的组的病理组织，所述高放大率的图像数据为通过所述图像分类装置分类的低放大率的图像数据的基础。
2.根据权利要求1所述的诊断成像支持设备，其中所述图像分类装置从所生成的低放大率的图像数据中提取关注区域，计算指示所述关注区域的特征的特征值，并根据所计算的特征值进行组的分类。
3.根据权利要求2所述的诊断成像支持设备，其中所述图像分类装置根据所述特征值和评分函数计算针对每个所述组的评分函数的总数，并利用所述评分函数的最大总数来将所述低放大率的图像数据分类成组。
4.根据权利要求2所述的诊断成像支持设备，其中所述图像分类装置根据所述特征值的概率分布对所述低放大率的图像数据进行分类。
5.根据权利要求1至4之一所述的诊断成像支持设备，其中所述图像评估装置从所述高放大率的图像数据中提取所述关注区域，计算指示所述关注区域的特征的所述特征值， 并根据所计算的特征值进行所述评估。
6.根据权利要求5所述的诊断成像支持设备，其中所述图像评估装置包括学习模式和执行模式，所述学习模式学习所述特征值与评估结果之间的关系以设定学习参数，所述执行模式根据所述学习参数进行所述评估。
7.根据权利要求6所述的诊断成像支持设备，其中所述图像评估装置在执行所述执行模式之后再次执行所述学习模式。
8.根据权利要求6或7所述的诊断成像支持设备，还包括学习数据库，其存储用于所述图像评估装置进行所述学习的初始化数据以及所述学习参数。
9.根据权利要求1至8之一所述的诊断成像支持设备，其中通过所述多个病理组织的每个图像数据模式分类的组包括正常、良性肿瘤、癌前状态、癌状态中的至少一个。
10.根据权利要求2至9之一所述的诊断成像支持设备，其中所述特征值至少为细胞核中每单位面积的块密度、块面积密度、块面积、块厚度和块长度的平均值或方差值。
11.根据权利要求2至10之一所述的诊断成像支持设备，其中所述关注区域为其中细胞核密度大于或等于预定值的区域。
12.—种诊断成像支持方法，包括获取样品组织的高放大率的图像数据；从所获取的高放大率的图像数据生成低放大率的图像数据，并通过多个样品组织的每个图像数据模式来将所生成的低放大率的图像数据分类成组；以及评估所述高放大率的图像数据是否为所分类的组的病理组织，所述高放大率的图像数据为所分类的低放大率的图像数据的基础。
13.根据权利要求12所述的诊断成像支持方法，还包括从所生成的低放大率的图像数据提取关注区域，计算指示所述关注区域的特征的特征值，并根据所计算的特征值进行组的分类。
14.根据权利要求13所述的诊断成像支持方法，还包括根据所述特征值以及评分函数计算每个所述组的评分函数的总数，并利用所述评分函数的最大总数将所述低放大率的图像数据分类成组。
15.根据权利要求13所述的诊断成像支持方法，还包括根据所述特征值的概率分布对所述低放大率的图像数据进行分类。
16.根据权利要求12至15之一所述的诊断成像支持方法，还包括从所述高放大率的图像中提取所述关注区域，计算指示所述关注区域的特征的所述特征值，并根据所计算的特征值进行所述评估。
17.一种存储介质，存储使得计算机执行以下处理的程序获取样品组织的高放大率的图像数据；从所获取的高放大率的图像数据生成低放大率的图像数据，并通过多个病理组织的每个图像数据模式来将所生成的低放大率的图像数据分类成组；以及评估所述高放大率的图像数据是否为所分类的组的病理组织，所述高放大率的图像数据为所分类的低放大率的图像数据的基础。
全文摘要
一种诊断成像支持设备，具有图像数据获取单元，其获取与样品组织有关的高放大率的图像数据；图像分类单元，其从通过图像数据获取单元获取的高放大率的图像数据生成低放大率的图像数据，并将所生成的低放大率的图像数据分类成多个病理组织的每个图像数据模式的组；以及图像确定单元，其确定作为通过图像分类单元分类的低放大率的图像数据来源的高放大率的图像数据是否与所分类的组中的病理组织有关。
文档编号G01N15/14GK102341703SQ200980157829
公开日2012年2月1日 申请日期2009年12月25日 优先权日2009年3月4日
发明者丸龟敦 申请人:日本电气株式会社