JP3114277B2 - 細胞自動分類論理の構築方法 - Google Patents
細胞自動分類論理の構築方法Info
- Publication number
- JP3114277B2 JP3114277B2 JP03260102A JP26010291A JP3114277B2 JP 3114277 B2 JP3114277 B2 JP 3114277B2 JP 03260102 A JP03260102 A JP 03260102A JP 26010291 A JP26010291 A JP 26010291A JP 3114277 B2 JP3114277 B2 JP 3114277B2
- Authority
- JP
- Japan
- Prior art keywords
- automatic cell
- learning
- logic
- automatic
- sample
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、階層型ネットワークを
用いたパタン分類装置、特に、細胞分類装置に関する。
用いたパタン分類装置、特に、細胞分類装置に関する。
【０００２】
【従来の技術】特公昭５８−２９８７２に記載されてい
るように、従来の細胞分類（主に白血球分類）では、細
胞の特徴パラメータをもとに、統計的識別関数を多段階
組み合わせた識別論理あるいは枝分かれ識別論理を用い
ている。
るように、従来の細胞分類（主に白血球分類）では、細
胞の特徴パラメータをもとに、統計的識別関数を多段階
組み合わせた識別論理あるいは枝分かれ識別論理を用い
ている。
【０００３】
【発明が解決しようとする課題】従来の細胞自動分類論
理の構築方法は、基準となる学習サンプルを設定し識別
論理を生成（学習）していた。しかし、基準となった学
習サンプルに比べてサンプルの作成条件の相違による細
胞の特徴パラメータが当初の設定範囲より変動すると分
類論理が適応できず、分類論理を変更する必要が生じ
る。
理の構築方法は、基準となる学習サンプルを設定し識別
論理を生成（学習）していた。しかし、基準となった学
習サンプルに比べてサンプルの作成条件の相違による細
胞の特徴パラメータが当初の設定範囲より変動すると分
類論理が適応できず、分類論理を変更する必要が生じ
る。
【０００４】本発明の目的は、分類論理を構築しやすい
階層型ネットワークの特徴を生かしサンプルの作成施設
対応の細胞自動分類論理の構築方法を提供することにあ
る。
階層型ネットワークの特徴を生かしサンプルの作成施設
対応の細胞自動分類論理の構築方法を提供することにあ
る。
【０００５】
【課題を解決するための手段】上記目的を達成するた
め、本発明の細胞自動分類論理の構築方法では、階層型
ニューラルネットワークを用い、基準となる学習サンプ
ルに、施設毎のサンプルを付加し各施設対応の学習サン
プルを作成することで、施設対応の細胞自動分類論理の
構築を行うものである。
め、本発明の細胞自動分類論理の構築方法では、階層型
ニューラルネットワークを用い、基準となる学習サンプ
ルに、施設毎のサンプルを付加し各施設対応の学習サン
プルを作成することで、施設対応の細胞自動分類論理の
構築を行うものである。
【０００６】
【作用】本発明においては、識別論理として、階層型ニ
ューラルネットワークを用い、その学習および実時間の
識別に階層型ニューラルネットワーク演算装置を用いて
いる。
ューラルネットワークを用い、その学習および実時間の
識別に階層型ニューラルネットワーク演算装置を用いて
いる。
【０００７】階層型ニューラルネットワークとしては、
例えば図２のような入力層、中間層、出力層の３層から
成るネットワークを、ユニットのしきい値関数としては
例えばシグモイド関数を用いる。中間層は、一般形とし
ては多層であるが、ここでは一層の例を示している。ま
た、入力と出力の関係は、
例えば図２のような入力層、中間層、出力層の３層から
成るネットワークを、ユニットのしきい値関数としては
例えばシグモイド関数を用いる。中間層は、一般形とし
ては多層であるが、ここでは一層の例を示している。ま
た、入力と出力の関係は、
【０００８】
【数１】
【０００９】であり、シグモイド関数とは、
【００１０】
【数２】
【００１１】の形で与えられる関数である。
【００１２】入力層に特徴パラメータ数分のユニット、
出力層にカテゴリー数分のユニット、中間層には上記両
層のユニット数に見合った数のユニットを設け、あるカ
テゴリーの細胞の特徴パラメータを入力層のユニットに
与えたとき、出力層の上記カテゴリーに対応するユニッ
トに教師データとして“１”、出力層の他のユニットに
は“０”を与え、教師データと出力データの誤差を小さ
くするように、所謂バックプロパゲーション法（例え
ば、ニューラルネットワーク情報処理：産業図書、（１
９８８）を参照）を用いて、ネットワーク・ユニット間
の重み係数を変更する。以上の処理を繰返し、重み係数
を最適化する。このプロセスが学習であり、学習後の重
み係数を基に識別を行う。具体的には、数１で得られる
出力値Ｚkから、
出力層にカテゴリー数分のユニット、中間層には上記両
層のユニット数に見合った数のユニットを設け、あるカ
テゴリーの細胞の特徴パラメータを入力層のユニットに
与えたとき、出力層の上記カテゴリーに対応するユニッ
トに教師データとして“１”、出力層の他のユニットに
は“０”を与え、教師データと出力データの誤差を小さ
くするように、所謂バックプロパゲーション法（例え
ば、ニューラルネットワーク情報処理：産業図書、（１
９８８）を参照）を用いて、ネットワーク・ユニット間
の重み係数を変更する。以上の処理を繰返し、重み係数
を最適化する。このプロセスが学習であり、学習後の重
み係数を基に識別を行う。具体的には、数１で得られる
出力値Ｚkから、
【００１３】
【数３】
【００１４】なるｍを求め、入力細胞の属するカテゴリ
ーをｍ番目のカテゴリーとすることにより識別を行う。
ーをｍ番目のカテゴリーとすることにより識別を行う。
【００１５】上記プロセスにおいて、学習サンプルの設
定により各ユニット間の重み係数は全く異なったものと
なる。したがって学習サンプルの構成によって識別論理
が構築できることになる。本発明では、基準サンプルに
当該施設の学習サンプルを付加するので、その施設で作
成される細胞試料に特有の細胞の特徴パラメータの変動
に追従した識別論理が構築できる。
定により各ユニット間の重み係数は全く異なったものと
なる。したがって学習サンプルの構成によって識別論理
が構築できることになる。本発明では、基準サンプルに
当該施設の学習サンプルを付加するので、その施設で作
成される細胞試料に特有の細胞の特徴パラメータの変動
に追従した識別論理が構築できる。
【００１６】
【実施例】以下、本発明の一実施例を図面により説明す
る。
る。
【００１７】図１は、装置構成を示した図であり、学習
用のサンプルは学習基準サンプルメモリ１の出力と学習
対象サンプル用メモリ２の出力を選択回路３でサンプリ
ング回路４に導き、サンプリング回路４の出力を学習サ
ンプル用メモリ５に記憶する。学習基準サンプル用メモ
リ１にはあらかじめ制御装置７から正規化された特徴パ
ラメータが記憶されているが、学習基準サンプル用メモ
リの別の形態としては読み出し専用メモリでも可能であ
る。一方、学習対象サンプル用メモリ２は施設ごとのサ
ンプルを記憶するために制御装置７より、書き込み可能
な構成である。ここで施設とは識別に供される細胞試料
の作成場所を示し、例えば病院あるいは検査センターな
どである。たとえ共通の作成基準により細胞試料が作ら
れても、施設ごとにサンプル作成用機材の状態や環境の
差、あるいは作成技術の差があるので、細胞分類のため
の最適な論理式は施設ごとに異なってくる。選択回路３
は制御回路６からの指示により、サンプリング回路４の
入力の選択を行い、学習基準サンプルメモリ１と学習対
象サンプル用メモリ２の出力を切り替える。サンプリン
グ回路４は、選択回路３の出力を入力とし、制御回路６
の指示によりサンプリング対象となるカテゴリーに属す
る細胞のデータを抑制し、サンプリングの対象外となる
細胞についてはそのまま出力し、学習サンプル用メモリ
５に記憶する。この後、学習サンプル用メモリ５の出力
は学習装置に供される。学習基準サンプル用メモリ１、
学習対象サンプル用メモリ２、学習サンプル用メモリ５
の構成は同一であり、それぞれ細胞の正規化された特徴
パラメータ、教師データで構成される。特徴パラメータ
としては、細胞の核に関しては、面積、周囲長、形状
（面積周囲長比、核の太さ、凹凸、核数など）、濃度、
色調、テクスチャーなど、細胞の細胞質に関しては、面
積、濃度、色調、テクスチャー、顆粒など、核・細胞質
早退情報に関しては、面積、濃度などがある。
用のサンプルは学習基準サンプルメモリ１の出力と学習
対象サンプル用メモリ２の出力を選択回路３でサンプリ
ング回路４に導き、サンプリング回路４の出力を学習サ
ンプル用メモリ５に記憶する。学習基準サンプル用メモ
リ１にはあらかじめ制御装置７から正規化された特徴パ
ラメータが記憶されているが、学習基準サンプル用メモ
リの別の形態としては読み出し専用メモリでも可能であ
る。一方、学習対象サンプル用メモリ２は施設ごとのサ
ンプルを記憶するために制御装置７より、書き込み可能
な構成である。ここで施設とは識別に供される細胞試料
の作成場所を示し、例えば病院あるいは検査センターな
どである。たとえ共通の作成基準により細胞試料が作ら
れても、施設ごとにサンプル作成用機材の状態や環境の
差、あるいは作成技術の差があるので、細胞分類のため
の最適な論理式は施設ごとに異なってくる。選択回路３
は制御回路６からの指示により、サンプリング回路４の
入力の選択を行い、学習基準サンプルメモリ１と学習対
象サンプル用メモリ２の出力を切り替える。サンプリン
グ回路４は、選択回路３の出力を入力とし、制御回路６
の指示によりサンプリング対象となるカテゴリーに属す
る細胞のデータを抑制し、サンプリングの対象外となる
細胞についてはそのまま出力し、学習サンプル用メモリ
５に記憶する。この後、学習サンプル用メモリ５の出力
は学習装置に供される。学習基準サンプル用メモリ１、
学習対象サンプル用メモリ２、学習サンプル用メモリ５
の構成は同一であり、それぞれ細胞の正規化された特徴
パラメータ、教師データで構成される。特徴パラメータ
としては、細胞の核に関しては、面積、周囲長、形状
（面積周囲長比、核の太さ、凹凸、核数など）、濃度、
色調、テクスチャーなど、細胞の細胞質に関しては、面
積、濃度、色調、テクスチャー、顆粒など、核・細胞質
早退情報に関しては、面積、濃度などがある。
【００１８】図３は、図１のサンプリング回路のブロッ
ク構成図である。
ク構成図である。
【００１９】選択回路３の出力は、分配器４０によって
特徴パラメータと教師データとに分割されそれぞれラッ
チ４１、４２に保持される。ラッチ４１の出力は、ゲー
ト回路４９の入力となる。一方、教師データを保持して
いるラッチ４２の出力はデコーダ４３の入力と、ゲート
回路４９の入力となる。また、ラッチ４２の出力はデコ
ーダ４３によりデコードされ細胞のカテゴリーに対応す
る出力がオンになる。デコーダ４３の出力はカウンタ４
４〜４７に導かれ、カウンタは図１の制御回路６からの
出力によって予めプリセットされている。ここでプリセ
ットされるカウンタはサンプリングの対象となるカテゴ
リーの細胞に対応する。例えば、カウンタ４６がサンプ
リング対象となるカウンタであった場合、デコーダ４３
の出力によってカウンタ４６のプリセット値からカウン
トダウンされ、プリセット値間隔でカウンタ４６の出力
はオンになる。カウンタ４４〜４７の何れかがオンにな
った場合、ゲート回路４８をオンにしさらにゲート回路
４９をオンにしラッチ４１、４２の出力を通過させる。
カウンタ４４〜４７の出力がすべてオフの場合はゲート
回路４８、４９何れもオフになりラッチ４１、４２の出
力はゲート回路４９を通過しない。ゲート回路４９を通
過したデータのみを図１の学習サンプル用メモリに記憶
する。また、本実施例は、汎用の計算機のみで実現する
ことも可能である。
特徴パラメータと教師データとに分割されそれぞれラッ
チ４１、４２に保持される。ラッチ４１の出力は、ゲー
ト回路４９の入力となる。一方、教師データを保持して
いるラッチ４２の出力はデコーダ４３の入力と、ゲート
回路４９の入力となる。また、ラッチ４２の出力はデコ
ーダ４３によりデコードされ細胞のカテゴリーに対応す
る出力がオンになる。デコーダ４３の出力はカウンタ４
４〜４７に導かれ、カウンタは図１の制御回路６からの
出力によって予めプリセットされている。ここでプリセ
ットされるカウンタはサンプリングの対象となるカテゴ
リーの細胞に対応する。例えば、カウンタ４６がサンプ
リング対象となるカウンタであった場合、デコーダ４３
の出力によってカウンタ４６のプリセット値からカウン
トダウンされ、プリセット値間隔でカウンタ４６の出力
はオンになる。カウンタ４４〜４７の何れかがオンにな
った場合、ゲート回路４８をオンにしさらにゲート回路
４９をオンにしラッチ４１、４２の出力を通過させる。
カウンタ４４〜４７の出力がすべてオフの場合はゲート
回路４８、４９何れもオフになりラッチ４１、４２の出
力はゲート回路４９を通過しない。ゲート回路４９を通
過したデータのみを図１の学習サンプル用メモリに記憶
する。また、本実施例は、汎用の計算機のみで実現する
ことも可能である。
【００２０】
【発明の効果】階層型ニューラルネットワークの学習
に、基準サンプルに施設対応のサンプルを加えることに
より、より安定な細胞の分類論理が構築でき、かつ二種
類のサンプルを加えることにより学習サンプルが増大し
ても出現頻度の高いカテゴリーに属する細胞像の個数を
サンプリングできるので、学習サンプルが調整でき、容
易に細胞自動分類の論理が構築できる。
に、基準サンプルに施設対応のサンプルを加えることに
より、より安定な細胞の分類論理が構築でき、かつ二種
類のサンプルを加えることにより学習サンプルが増大し
ても出現頻度の高いカテゴリーに属する細胞像の個数を
サンプリングできるので、学習サンプルが調整でき、容
易に細胞自動分類の論理が構築できる。
【図１】本発明の一実施例のをシステム構成を示すブロ
ック図である。
ック図である。
【図２】実施例の階層型ニューラルネットワークを示す
概念図である。
概念図である。
【図３】図１におけるサンプリング回路の一例を示す詳
細ブロック図である。
細ブロック図である。
１、２、５…学習サンプル用のメモリ、 ３…選択回路、 ４…サンプリング回路、 ６…制御回路、 ７…制御装置、 ４０…分配器、 ４１、４２…ラッチ ４３…デコーダ、 ４４〜４７…カウンタ、 ４８、４９…ゲート回路。
フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G01N 33/48 G01N 15/10 G06F 15/18 520
Claims (4)
- 【請求項１】階層型ニュラルネットワークを有する細胞
自動分類装置での細胞の自動分類に必要な論理を生成す
る細胞自動分類論理の構築方法において、基準となる学
習サンプルに各施設に対応した学習サンプルを付加し
て、前記各施設での前記細胞自動分類論理を生成するこ
とを特徴とする細胞自動分類論理の構築方法。 - 【請求項２】請求項１に記載の細胞自動分類論理の構築
方法に於いて、前記各施設毎の学習サンプルの付加に際
して、各カテゴリーに分類される学習サンプルを選択し
て付加することを特徴とする細胞自動分類論理の構築方
法。 - 【請求項３】 階層型ニュラルネットワークを有する細胞
自動分類装置に於いて、基準となる学習サンプルに各施
設毎の学習サンプルを付加する手段と、前記各施設での
細胞の自動分類に必要な論理を生成する細胞自動分類論
理の構成手段を有することを特徴とする細胞自動分類装
置。 - 【請求項４】 請求項３に記載の細胞自動分類装置於い
て、前記学習サンプルを付加する手段は、各カテゴリー
に分類される学習サンプルを選択する手段を有すること
を特徴とする細胞自動分類装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03260102A JP3114277B2 (ja) | 1991-10-08 | 1991-10-08 | 細胞自動分類論理の構築方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03260102A JP3114277B2 (ja) | 1991-10-08 | 1991-10-08 | 細胞自動分類論理の構築方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0599920A JPH0599920A (ja) | 1993-04-23 |
| JP3114277B2 true JP3114277B2 (ja) | 2000-12-04 |
Family
ID=17343322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP03260102A Expired - Fee Related JP3114277B2 (ja) | 1991-10-08 | 1991-10-08 | 細胞自動分類論理の構築方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3114277B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4137682B2 (ja) * | 2003-03-31 | 2008-08-20 | オリンパス株式会社 | 蛍光分光分析装置 |
| KR101927852B1 (ko) * | 2016-06-10 | 2018-12-13 | 주식회사 토모큐브 | 3차원 굴절률 토모그램과 딥러닝을 이용한 비염색 비표지 세포 종류 구분 방법 및 장치 |
-
1991
- 1991-10-08 JP JP03260102A patent/JP3114277B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0599920A (ja) | 1993-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wen et al. | A maximal clique based multiobjective evolutionary algorithm for overlapping community detection | |
| Mahmoodi et al. | A developed stock price forecasting model using support vector machine combined with metaheuristic algorithms | |
| Razi et al. | A comparative predictive analysis of neural networks (NNs), nonlinear regression and classification and regression tree (CART) models | |
| Aiken et al. | Forecasting market trends with neural networks. | |
| Kuo et al. | Neural networks vs. conventional methods of forecasting | |
| CN110930250A (zh) | 企业信用风险的预测方法及系统、存储介质及电子设备 | |
| CN110210625A (zh) | 基于迁移学习的建模方法、装置、计算机设备和存储介质 | |
| CN107392644A (zh) | 一种商品购买预测建模方法 | |
| CN110348608A (zh) | 一种基于模糊聚类算法改进lstm的预测方法 | |
| CN113256173A (zh) | 一种路由选择方法、装置、电子设备及存储介质 | |
| CN108563786A (zh) | 文本分类和展示方法、装置、计算机设备及存储介质 | |
| CN107169523A (zh) | 自动确定机构的所属行业类别的方法、存储设备及终端 | |
| CN117992819A (zh) | 基于集成学习的多特征融合金融用户画像分类方法 | |
| CN118886761A (zh) | 一种基于距离公式fahp-critic组合权重效能评估方法 | |
| CN115186776B (zh) | 一种红宝石产地分类的方法、装置及存储介质 | |
| JP3114277B2 (ja) | 細胞自動分類論理の構築方法 | |
| Allen et al. | An evaluation of neural networks and discriminant analysis methods for application in operational rain forecasting | |
| CN109087146A (zh) | 影院票房收入的预测方法及系统 | |
| CN113159231B (zh) | 基于残差网络的分子筛sem图像分类方法和系统 | |
| Apostu et al. | DETERMINANTS OF FOREIGN DIRECT INVESTMENT IN THE LEAST DEVELOPED COUNTRIES: STATIC AND DYNAMIC PANEL DATA EVIDENCE. | |
| Errington et al. | Classification of chromosomes using a combination of neural networks | |
| CN118245966A (zh) | 预测模型训练方法和装置 | |
| CN116468545A (zh) | 对象风险等级的确定方法和装置 | |
| US7801757B2 (en) | Computer implemented customer value model in airline industry | |
| CN117422680A (zh) | 基于特征金字塔卷积神经网络的微核检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070929 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080929 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080929 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090929 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090929 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100929 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100929 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110929 Year of fee payment: 11 |
|
| LAPS | Cancellation because of no payment of annual fees |