JP6819445B2 - 情報処理装置、制御方法、及びプログラム - Google Patents

Description

本発明は、病理画像の画像解析に関する。

人や動物を診断する方法の１つとして、病理画像を用いた病理診断が行われている。病理画像とは、人や動物の体内の組織をカメラで撮像することで得られる画像である。

そして、病理画像のデータ（以下、病理画像データ）を画像解析することで病変の検出などを行う技術が開発されている。例えば特許文献１は、腺管内の核の分布によって腺管の異形度を評価し、その評価結果を出力する技術を開示している。

特開２０１０−２８１６３６号公報

病理診断に利用できる指標は、腺管の異形度だけではない。本発明者は、病理診断に利用できる新たな指標を見出した。本発明の目的の一つは、病理診断に利用できる新たな指標を病理画像データから得る技術を提供することである。

本発明の情報処理装置は、１）病理画像データを画像処理することで、前記病理画像データに含まれる組織領域から、正常腺管で構成される第１層と、腫瘍腺管で構成される第２層とを検出する検出手段と、２）前記第１層と前記第２層の厚さ又は面積に基づく指標値を算出する算出手段と、を有する。

本発明の制御方法は、コンピュータによって実行される。当該制御方法は、１）病理画像データを画像処理することで、前記病理画像データに含まれる組織領域から、正常腺管で構成される第１層と、腫瘍腺管で構成される第２層とを検出する検出ステップと、２）前記第１層と前記第２層の厚さ又は面積に基づく指標値を算出する算出ステップと、を有する。

本発明のプログラムは、本発明の制御方法が有する各ステップをコンピュータに実行させる。

本発明によれば、病理診断に利用できる新たな指標を病理画像データから得る技術が提供される。

実施形態１の情報処理装置の動作を概念的に例示する図である。 実施形態１の情報処理装置の機能構成を例示するブロック図である。 情報処理装置を実現するための計算機を例示する図である。 実施形態１の情報処理装置によって実行される処理の流れを例示するフローチャートである。 組織領域から第１層及び第２層を検出する処理の流れを例示するフローチャートである。 膨張処理の効果を例示する図である。 腺管領域であるか否かの判定が行われた後の病理画像データを概念的に例示する図である。 閉領域の周辺領域を例示する図である。 組織の表面から最も遠い、腫瘍腺管の腺管領域の画素を検出する方法を概念的に例示する図である。 第１層を例示する図である。 第２層を例示する図である。 実施形態２の情報処理装置の機能構成を例示する図である。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また各ブロック図において、特に説明がない限り、各ブロックは、ハードウエア単位の構成ではなく機能単位の構成を表している。

［実施形態１］
図１は、実施形態１の情報処理装置２０００の動作を概念的に例示する図である。なお、図１は、情報処理装置２０００の理解を容易にするためにその動作の一例を示しているにすぎず、情報処理装置２０００の機能を何ら限定するものではない。

情報処理装置２０００は、病理画像データ１０を画像処理する。病理画像データ１０は、診断対象の人その他の動物（以下、患者）の体内の組織をカメラで撮像することで得られる画像データである。より具体的には、例えば病理画像データ１０は、患者の体内から組織を採取し、その組織を顕微鏡で拡大し、拡大された組織をカメラで撮像することによって得られる。

情報処理装置２０００は、病理画像データ１０に含まれる組織を表す画像領域（以下、組織領域）から、正常な腺管で構成される層（以下、第１層）と、腫瘍腺管で構成される層（以下、第２層）を検出する。例えば図１の病理画像データ１０では、組織領域２０から、第１層２２と第２層２４が検出される。ここで、腫瘍腺管は、例えば「腺頸部に位置する増殖部を逸脱して腫瘍細胞が増殖した腺管」として定義される。なお、増殖部では腺管が腫瘍か非腫瘍か判別が難しいため、腫瘍が含まれる腺管をすべて腫瘍腺管として扱うのではなく、腫瘍が多く含まれる腺管を腫瘍腺管として扱ってもよい。正常な腺管は、腫瘍腺管以外の腺管である。

情報処理装置２０００は、検出した第１層２２と第２層２４とに基づく指標値を算出する。例えば情報処理装置２０００は、第１層２２と第２層２４の厚さ、又は検出した第１層２２と第２層２４の面積に基づく指標値を算出する。

このように本実施形態の情報処理装置２０００によれば、病理画像データ１０から、正常腺管で構成される第１層２２と、腫瘍腺管で構成される第２層２４とが検出され、これら検出された第１層２２と第２層２４に基づく指標値が算出される。このように、本実施形態の情報処理装置２０００によれば、病理診断に利用できる新たな指標が提供される。

例えば上記指標値は、腫瘍が組織表面からどの程度の深さまで浸潤しているか（浸潤の深さ）を定量的に表すための指標として利用できる。浸潤の深さは、転移・再発リスクの評価や、治療方法の選択をする上で重要な因子であり、これを定量的に表すことは臨床的に意義がある。

以下、本実施形態についてさらに詳細を述べる。

＜機能構成の例＞
図２は、情報処理装置２０００の機能構成を例示するブロック図である。情報処理装置２０００は、検出部２０２０及び算出部２０４０を有する。検出部２０２０は、病理画像データ１０を画像処理することで、病理画像データ１０に含まれる組織領域２０から、正常腺管で構成される第１層２２、及び腫瘍腺管で構成される第２層２４を検出する。算出部２０４０は、検出した第１層２２及び第２層２４に基づく指標値を算出する。

＜情報処理装置２０００のハードウエア構成の例＞
情報処理装置２０００の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、情報処理装置２０００の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

図３は、情報処理装置２０００を実現するための計算機１０００を例示する図である。計算機１０００は、任意の種類の計算機である。例えば計算機１０００は、Personal Computer（PC）、サーバマシン、タブレット端末、又はスマートフォンなどである。計算機１０００は、情報処理装置２０００を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。

計算機１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。プロセッサ１０４０は、CPU（Central Processing Unit）や GPU（Graphics Processing Unit）などの演算処理装置である。メモリ１０６０は、RAM（Random Access Memory）などで実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、SSD（Solid State Drive）、ROM、又はメモリカードなどで実現される補助記憶装置である。ただしストレージデバイス１０８０は、RAM など、主記憶装置の実現に用いられるハードウエアと同様のハードウエアで実現されてもよい。

入出力インタフェース１１００は、計算機１０００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース１１００には、キーボード、マウス、又はディスプレイ装置などが接続される。

ネットワークインタフェース１１２０は、WAN（Wide Area Network）や LAN（Local Area Network）などの通信網に接続するためのインタフェースである。

ストレージデバイス１０８０は情報処理装置２０００の各機能を実現するプログラムモジュールを記憶している。プロセッサ１０４０は、これら各プログラムモジュールをメモリ１０６０に読み出して実行することで、そのプログラムモジュールに対応する各機能を実現する。

＜処理の流れ＞
図４は、実施形態１の情報処理装置２０００によって実行される処理の流れを例示するフローチャートである。情報処理装置２０００は、病理画像データ１０を取得する（Ｓ１０２）。検出部２０２０は、病理画像データ１０を画像処理することで、病理画像データ１０に含まれる組織領域２０から、正常腺管で構成される第１層２２、及び腫瘍腺管で構成される第２層２４を検出する（Ｓ１０４）。算出部２０４０は、検出した第１層２２及び第２層２４に基づく指標値を算出する（Ｓ１０６）。

＜病理画像データ１０の取得：Ｓ１０２＞
情報処理装置２０００は、画像解析の対象とする病理画像データ１０を取得する（Ｓ１０２）。情報処理装置２０００が病理画像データ１０を取得する方法は任意である。例えば情報処理装置２０００は、病理画像データ１０が記憶されている記憶装置にアクセスすることで、病理画像データ１０を取得する。病理画像データ１０が記憶されている記憶装置は、病理画像データ１０を生成するカメラの内部に設けられていてもよいし、そのカメラの外部に設けられていてもよい。また例えば、情報処理装置２０００は、カメラから送信される病理画像データ１０を受信することで、病理画像データ１０を取得してもよい。

＜第１層２２及び第２層２４の検出：Ｓ１０４＞
検出部２０２０は、病理画像データ１０に含まれる組織領域２０から、第１層２２及び第２層２４を検出する（Ｓ１０４）。第１層２２及び第２層２４の検出は、例えば図５に示す流れで行われる。図５は、組織領域２０から第１層２２及び第２層２４を検出する処理の流れを例示するフローチャートである。

検出部２０２０は、病理画像データ１０から組織領域２０を抽出する（Ｓ２０２）。検出部２０２０は、組織領域２０から腺管を表す領域（以下、腺管領域）を抽出する（Ｓ２０４）。検出部２０２０は、組織領域２０から抽出された各腺管領域を、正常腺管の腺管領域と、腫瘍腺管の腺管領域に分類する（Ｓ２０６）。検出部２０２０は、Ｓ２０６による分類の結果に基づき、組織領域２０から第１層２２と第２層２４を検出する（Ｓ２０８）。

以下、図５のフローチャートにおける各ステップについてさらに詳細に説明する。

＜組織領域２０の抽出：Ｓ２０２＞
検出部２０２０は、病理画像データ１０から組織領域２０を抽出する（Ｓ２０２）。ここで、病理画像データ１０に含まれる組織には、ヘマトキシリン・エオシン染色が施されているとする。

病理画像データ１０において、組織領域２０以外の画像領域は、染色された組織が含まれない部分であり、いわゆる背景領域として扱える。一方、病理画像データ１０において、組織領域２０は前景領域として扱える。そこで検出部２０２０は、病理画像データ１０について背景分離を行い、その結果として得られる前景領域を、組織領域２０として抽出する。

まず検出部２０２０は、染色のばらつきが小さくなるように、病理画像データ１０の色補正（例えばガンマ補正）を行う。そして検出部２０２０は、病理画像データ１０を前景領域と背景領域に分け、前景領域を組織領域２０として抽出する。背景分離の具体的な方法には、既存の種々の方法を利用できる。なお、病理画像データ１０の色補正は必ずしも行う必要はない。

ここで、検出部２０２０は、背景分離を行う際、病理画像データ１０に対して膨張処理を行うことが好ましい。図６は、膨張処理の効果を例示する図である。図６において、膨張処理を行わずに背景分離を行うと、組織表面周辺の窪んだ部分が組織領域２０に含まれない。一方、膨張処理後に背景分離を行うと、組織表面周辺の窪んだ部分も組織領域２０に含まれるようになる。よって、膨張処理を行うことで、組織表面周辺の窪んだ部分に存在する腺管領域が、後述する腺管領域の抽出対象から除外されてしまうことを防ぐことができる。つまり、組織表面にある腺管領域も後述の処理で抽出できるようになる。

＜腺管領域の抽出：Ｓ２０４＞
検出部２０２０は、組織領域２０から腺管領域を抽出する（Ｓ２０４）。そのために、まず検出部２０２０は、組織領域２０から、腺管領域の境界線であると推測される線（以下、候補境界線）を抽出する。組織領域２０には、ここで抽出される候補境界線で囲われる閉領域が１つ以上含まれる。そこで検出部２０２０は、これら１つ以上の閉領域それぞれについて、腺管領域であるか否かを判定する。そして検出部２０２０は、腺管領域であると判定された閉領域を、腺管領域として抽出する。

＜＜候補境界線の抽出＞＞
検出部２０２０は、組織領域２０に含まれるエッジを検出するエッジ検出を行い、検出されたエッジを候補境界線として抽出する。ここでは、エッジとして扱うのは、ヘマトキシリンで染色された画像領域である。例えば検出部２０２０は、病理画像データ１０をヘマトキシリン、エオシン、白、及び赤の４値で構成される画像に変換する（４値化する）ことにより、病理画像データ１０から、ヘマトキシリンで染色された画像領域を得る。なお、エッジ検出の具体的な方法には既存の技術を利用することができる。

エッジ検出の際、検出部２０２０は、エッジ強調フィルタを利用してエッジを強調する処理を行ってもよい。これにより、例えば腺管領域の境界線の一部が途切れて写ってしまっている場合であっても、その途切れてしまっている部分をつなげることができるため、このような腺管領域を病理画像データ１０から検出できるようになる。

エッジ強調の強さ（エッジ強調フィルタのパラメタ）は、予め静的に定められていてもよいし、検出部２０２０によって動的に決定されてもよい。後者の場合、検出部２０２０は、病理画像データ１０から得られる情報を利用してエッジ強調の強さを決定する。例えば検出部２０２０は、ヘマトキシリンで染色された領域の面積 Sh と、エオシンで染色された領域の面積 Se とに基づいて、エッジ強調の強さを決定する。より具体的には、Sh/(Sh+Se) の値が小さいほど、エッジ強調の強さを強くする。こうすることで、病理画像データ１０の中にヘマトキシリンで染色された部分が少ないほどその部分が増える（エッジを強調される）ように病理画像データ１０が補正される。

ここで、検出部２０２０は、候補境界線の抽出を行う前に、組織領域２０からリンパ球領域で表される画像領域（以下、リンパ球領域）を除去する処理を行うことが好適である。リンパ球もヘマトキシリンで染色されるため、リンパ球領域もエッジ検出処理によってエッジとして抽出されてしまう可能性があるためである。

病理画像データ１０からリンパ球領域を検出する方法には、様々な方法を利用することができる。例えば検出部２０２０は、機械学習を利用して病理画像データ１０からリンパ球領域を検出する。具体的には、リンパ球領域をラベリングした教師データを利用することで、画像データからリンパ球領域を検出する検出器を予め作成しておく。そして検出部２０２０は、この検出器に病理画像データ１０を入力することで得られるリンパ球領域を、病理画像データ１０から除去する。上記機械学習には、ディープラーニングを利用することが好適である。

＜＜腺管領域であるか否かの判定＞＞
検出部２０２０は、候補境界線で囲まれた閉領域それぞれについて、腺管領域であるか否かの判定を行う。図７は、腺管領域であるか否かの判定が行われた後の病理画像データ１０を概念的に例示する図である。図７において、閉領域３０は点線の枠で囲われている領域であり、腺管領域３２は実線の枠で囲われている領域である。図７において、病理画像データ１０に含まれる閉領域３０の一部が、腺管領域３２として検出されている。

閉領域３０が腺管領域３２であるか否かの判定は、例えば機械学習を利用して実現する。例えば、腺管領域をラベリングした画像データを教師データとして利用することで、閉領域が腺管領域であるか否かを識別する識別器を作成しておく。識別器は、例えばサポートベクタマシンとして実現する。

識別器は、閉領域３０の内部や周辺から得られる特徴量に基づいて、閉領域３０が腺管領域であるか否かを識別する。例えばこの特徴量としては、１）閉領域３０内におけるリンパ球領域の面積の割合、２）閉領域３０内における白色領域の面積の割合、３）閉領域３０内における間質領域の面積の割合、４）閉領域３０内における細胞質の面積の割合、５）閉領域３０内の白色領域における灰色領域の面積の割合、６）閉領域３０の周辺領域におけるリンパ球領域の面積の割合、及び７）閉領域３０の周辺領域における細胞核領域の面積の割合のうち、いずれか１つ以上を利用することができる。なお、周辺領域については後述する。

ここで、閉領域３０における白色領域は、閉領域３０に含まれる画素のうち、所定の第１閾値以上の輝度を持つ画素で構成される画像領域である。例えば検出部２０２０は、前述した４値化が施された病理画像データ１０を用い、４値化された閉領域３０に含まれる白色の画素で構成される領域を、白色領域として抽出する。第１閾値は任意の値とすることができる。第１閾値は、検出部２０２０に予め設定されていてもよいし、検出部２０２０からアクセス可能な記憶装置に記憶させておいてもよい。

閉領域３０における灰色領域は、閉領域３０に含まれる画素のうち、上記第１閾値以上かつ第２閾値以下の輝度を持つ画素で構成される画像領域である。つまり、灰色領域は、白色領域を構成する画素のうち、比較的輝度が低い画素で構成される画像領域である。第２閾値は、第１閾値以上の任意の値とすることができる。第２閾値は、検出部２０２０に予め設定されていてもよいし、検出部２０２０からアクセス可能な記憶装置に記憶させておいてもよい。

閉領域３０内における間質領域は、例えば次のようにして得られる領域である。まず検出部２０２０は、病理画像データ１０をヘマトキシリン、エオシン、白、及び赤の４値で構成される画像に４値化することにより、病理画像データ１０から、エオシンで染色された画像領域を得る。ただし、既に病理画像データ１０を４値化した画像が生成されている場合には、その画像を利用できる。そして検出部２０２０は、エオシンで染色された画像領域のうち、色相の値が所定の閾値以上の画像領域であって、なおかつ閉領域３０内にある画像領域を、閉領域３０内における間質領域として得る。

上記閾値は、予め定められている値であってもよいし、動的に決定される値であってもよい。後者の場合、例えば検出部２０２０は、次のようにして上記閾値を決定する。まず検出部２０２０は、細胞核領域の複数の画素（例えば１００個の画素）の色の平均色を算出する。上記平均色は、細胞核領域の複数の画素の R 値の平均値、G の値の平均値、及び B の値の平均値で構成される色である。検出部２０２０は、病理画像データ１０の各画素の色と上記平均色とについて、R 値、G 値、及び B 値で構成される３次元座標におけるユークリッド距離を算出する。そして、このユークリッド距離が０以上２５５以下の範囲となるように正規化する。このように各画素について算出したユークリッド距離を正規化して得られる値で構成される画像データを、距離画像データと呼ぶ。検出部２０２０は、距離画像データについて、所定値より小さい画素で構成される画像領域 S を特定する。

さらに検出部２０２０は、病理画像データ１０について、エオシンで染色されており、なおかつ色相が閾値 t より大きい画像領域 R を特定する。検出部２０２０は、閾値 t を小さくしながら画像領域 R の特定を繰り返し、画像領域 R と S が重なるようにする。そして、画像領域 R と S が重なった時の閾値 t 又は重なる直前の閾値 t を、閉領域３０内における間質領域を得るための閾値とする。なお、閾値 t の初期値は、例えば色相の最大値とする。

ここで、距離画像データから得られた画像領域 S は、おおまかに推定した腺管領域を表す。よって、上述の方法により、色相が高いエオシン領域であって、なおかつおおまかに推定した腺管領域と重ならない領域が、間質領域として得られる。

閉領域３０内における細胞質領域は、閉領域３０内の領域のうち、間質領域を除いた部分である。

閉領域３０の周辺領域は、例えば閉領域３０を囲む所定の幅の領域として定義される。図８は、閉領域３０の周辺領域を例示する図である。図８において、周辺領域４０は、閉領域３０を囲む幅 d の領域である。

リンパ球領域を特定する方法は、前述した通りである。また、周辺領域４０内の細胞核領域は、周辺領域４０からリンパ球領域を除去した領域である。

＜腺管領域の分類：Ｓ２０６＞
検出部２０２０は、抽出された腺管領域３２を、正常な腺管領域と腫瘍の腺管領域とに分類する（Ｓ２０６）。そのために、検出部２０２０は、１つの腺管領域３２の周辺領域４０に含まれる各細胞核について、正常な細胞の細胞核であるか腫瘍細胞の細胞核であるかを判別する。そして検出部２０２０は、或る腺管領域３２の周辺領域４０に含まれる正常な細胞の細胞核の数と腫瘍細胞の細胞核の数とに基づいて、その腺管領域３２が正常な腺管領域と腫瘍の腺管領域のどちらであるかを識別する。

正常な細胞の細胞核と腫瘍細胞の細胞核を識別する方法には、様々な方法を利用できる。例えばこの識別には、機械学習を利用できる。この場合、例えば、正常な細胞の細胞核を表す画像データと腫瘍細胞の細胞核を表す画像データそれぞれを教師データとして利用することで、正常な細胞の細胞核と腫瘍細胞の細胞核を識別する識別器を予め構成しておく。そして、検出部２０２０は、この識別器に対して腺管領域３２の周辺領域４０を入力することで、周辺領域４０に含まれる各細胞核について、正常な細胞の細胞核と腫瘍細胞の細胞核のどちらであるかの識別結果を得る。上記機械学習には、ディープラーニングを利用することが好適である。

ここで、上記識別器は、細胞核を正常な細胞の細胞核と腫瘍細胞の細胞核に識別するだけでなく、細胞核を１）リンパ球の細胞核、２）リンパ球以外の正常な細胞の細胞核、３）腫瘍細胞の細胞核のいずれかに識別してもよい。この場合、上記識別器は、前述したリンパ球領域の除去にも利用することができる。

なお、細胞核を識別する方法は、機械学習を利用する方法に限定されず、既存の種々の方法を利用することもできる。

前述したように、検出部２０２０は、腺管領域３２の周辺領域４０に含まれる正常な細胞の細胞核の数と腫瘍細胞の細胞核の数とに基づいて、その腺管領域３２が正常な腺管領域と腫瘍の腺管領域のどちらであるかを識別する。その具体的な方法は様々である。例えば検出部２０２０は、腺管領域３２の周辺領域４０に含まれる細胞核の総数に対する、その周辺領域４０に含まれる正常な細胞の細胞核の数の比率を算出する。そして、検出部２０２０は、算出した比率が所定値以上である場合に、その腺管領域３２が正常な腺管領域であると判別する。一方、検出部２０２０は、算出した比率が所定値未満である場合に、その腺管領域３２が腫瘍の腺管領域であると判別する。なお、「腺管領域３２の周辺領域４０に含まれる細胞核の総数」からは、リンパ球の細胞核の数を除いてもよい。

上記所定値を定める方法は様々である。例えば上記所定値は、医師の経験などに基づいて人手で設定される。その他にも例えば、上記所定値は、機械学習を利用して設定される。後者の場合、例えば腺管領域の画像データに、正常な腺管領域と腫瘍の腺管領域のどちらが含まれるかをラベリングした画像データを教師データとして用い、その画像データに含まれる腺管領域の周辺領域から検出される正常な細胞の細胞核の数と腫瘍細胞の細胞核の数とをカウントすることで、正常な腺管領域と腫瘍の腺管領域とを識別するための上記所定値を決定する。

＜第１層２２と第２層２４の検出：Ｓ２０８＞
検出部２０２０は、Ｓ２０６による分類の結果に基づき、組織領域２０から第１層２２と第２層２４を検出する（Ｓ２０８）。前述したように、第１層２２は、正常腺管の領域で構成される画像領域である。一方、第２層２４は、腫瘍腺管の領域で構成される画像領域である。

＜＜第１層２２の検出＞＞
検出部２０２０は、正常腺管の領域と腫瘍腺管の領域の間の境界線を（以下、第１境界線）を特定する。第１境界線は、例えば以下の方法で特定される。

まず検出部２０２０は、病理画像データ１０を構成する画素のマトリクスの各列について、組織の表面（組織領域２０と背景領域との境界線）から最も遠い、腫瘍腺管の腺管領域の画素を検出する。図９は、組織の表面から最も遠い、腫瘍腺管の腺管領域の画素を検出する方法を概念的に例示する図である。図９には、病理画像データ１０を構成する画素のマトリクスにおいて、同一列上に、３つの腫瘍腺管の腺管領域と、１つの正常腺管の腺管領域が存在する。そこで、検出部２０２０は、組織表面から最も遠い腫瘍腺管の腺管領域（上から３つ目の腺管領域）の下端の画素を、「組織の表面から最も遠い、腫瘍腺管の腺管領域の画素」として検出する。

検出部２０２０は、上述の方法で各列から検出した画素を連結して、第１境界線を特定する。例えばこの連結は、線形補完によって行う。

ここで、検出部２０２０は、生成した第１境界線を平滑化する処理を行うことが好適である。例えばこの平滑化は、Lowess フィルタなどの種々の平滑化フィルタを利用して行うことができる。

検出部２０２０は、特定した第１境界線と、組織領域２０の外枠（組織領域２０と背景領域の境界線）で閉じられた画像領域を、腫瘍腺管の腺管領域で構成される第１層２２として検出する。図１０は、第１層２２を例示する図である。

＜＜第２層２４の検出＞＞
検出部２０２０は、第２層２４を検出するために、正常腺管の腺管領域と、組織領域２０に含まれる腺管領域以外の画像領域との間の境界線（以下、第２境界線）を生成する。第２境界線は、第１境界線と同様の方法で例えば以下の方法で生成できる。具体的には、検出部２０２０は、病理画像データ１０を構成する画素のマトリクスの各列について、組織の表面から最も遠い、正常腺管の腺管領域の画素を検出する。次に、検出部２０２０は、各列から検出した画素を連結して、第２境界線を生成する。なお、第１境界線と同様に、第２境界線についても平滑化を行うことが好適である。

検出部２０２０は、第１境界線、第２境界線、及び組織領域２０の外枠で閉じられた画像領域を、第２層２４として検出する。図１１は、第２層２４を例示する図である。

＜指標値の算出：Ｓ１０４＞
算出部２０４０は、検出部２０２０によって検出された第１層２２と第２層２４に基づく指標値を算出する。この指標値としては、様々なものを採用できる。例えば算出部２０４０は、第１層２２と第２層２４の面積、又は検出した第１層２２と第２層２４の厚さに基づく指標値を算出する。前者の場合、例えば算出部２０４０は、腺管領域の層全体（第１層２２と第２層２４を合わせた領域）の面積に対する第１層２２の面積の割合を指標値として算出する。例えば第１層２２の面積を S1、第２層２４の面積を S2 とおけば、指標値は S1/(S1+S2) となる。その他にも例えば、算出部２０４０は、第２層２４の面積に対する第１層２２の面積の比率（S1/S2）を指標値としてもよい。

一方、第１層２２と第２層２４の厚さから指標値を算出する場合、例えば情報処理装置２０００は、腺管領域の層全体の厚さに対する第１層２２の厚さを指標値として算出する。例えば第１層２２の厚さを T1 、腺管領域の層全体の厚さを Ta とおけば、指標値は T1/Ta となる。その他にも例えば、算出部２０４０は、第２層２４の厚さ T2 に対する第１層２２の厚さ T1 の比率（T1/T2）を指標値としてもよい。

ここで、層の厚さを定める方法は様々である。例えば算出部２０４０は、病理画像データ１０を構成する画素のマトリクスにおける各列について第１層２２の厚さを算出し、算出された各列における厚さの統計値（平均値、最大値、又は最小値など）を、第１層２２の厚さとする。第２層２４の厚さや腺管領域の層全体の厚さについても同様である。

なお、指標値は必ずしも割合や比率で表される必要はない。例えば情報処理装置２０００は、第１層２２と第１層２２の面積や厚さそのものを指標値としてもよい。

［実施形態２］
図１２は、実施形態２の情報処理装置２０００を例示するブロック図である。以下で説明する事項を除き、実施形態２の情報処理装置２０００は、実施形態１の情報処理装置２０００と同様である。

実施形態２の情報処理装置２０００は出力制御部２０６０を有する。算出部２０４０によって算出された指標値に基づいて、出力装置に所定の出力を行わせる。

出力制御部２０６０は、算出部２０４０によって算出された指標値を必ず出力してもよいし、算出された指標値が所定の条件を満たす場合にのみその指標値を出力してもよい。例えば所定の条件は、指標値が所定の閾値以上の場合や、指標値が所定の閾値以下である場合などである。

指標値と閾値との関係は、指標値をどのような値として算出するかによって決まる。例えば指標値として、腺管領域の層全体の面積や厚さに対する、腫瘍腺管の腺管領域の層（第１層２２）の面積や厚さを利用する場合、組織領域２０に腫瘍腺管が多く含まれるほど指標値が大きくなる傾向にある。そこで、例えば「指標値が所定の閾値以上である」という条件が満たされた場合に、出力制御部２０６０が指標値を出力するようにする。

なお、上記所定の閾値は、予め出力制御部２０６０に設定されていてもよいし、出力制御部２０６０からアクセス可能な記憶装置に記憶させておいてもよい。

出力制御部２０６０が指標値を出力する態様は様々である。例えば出力制御部２０６０は、ディスプレイ装置の表示画面に指標値を表示させる。この場合、出力制御部２０６０は、ディスプレイ装置を制御する。その他にも例えば、出力制御部２０６０は、スピーカから音声で指標値を出力させる。この場合、出力制御部２０６０はスピーカを制御する。その他にも例えば、出力制御部２０６０は、記憶装置に指標値を記憶させる。この場合、出力制御部２０６０は、記憶装置を制御する。

指標値は、いわゆる生データとしてそのまま出力されてもよいし、加工されて出力されてもよい。後者の場合、例えば出力制御部２０６０は、複数算出された指標値をまとめて表やグラフの形式で出力する。例えば、算出部２０４０が、同一の患者から得られた複数の病理画像データ１０それぞれを用いて、指標値を算出するとする。この場合、出力制御部２０６０は、複数の病理画像データ１０を用いて算出された各指標値で、表やグラフを作成する。その他にも例えば、出力制御部２０６０は、同一の患者について過去に算出された１つ以上の指標値で、表やグラフを作成する。

その他にも例えば、出力制御部２０６０は、指標値が前述した所定の条件を満たした場合に、所定のメッセージ（例えば警告メッセージ）を出力するように構成されていてもよい。

＜ハードウエア構成＞
実施形態２の情報処理装置２０００を実現する計算機のハードウエア構成は、実施形態１と同様に、例えば図３によって表される。ただし、本実施形態の情報処理装置２０００を実現する計算機１０００のストレージデバイス１０８０には、本実施形態の情報処理装置２０００の機能を実現するプログラムモジュールがさらに記憶される。また、本実施形態の情報処理装置２０００を実現する計算機１０００の入出力インタフェース１１００には、出力制御部２０６０によって制御される種々のハードウエア（ディスプレイ装置やスピーカなど）が接続されていてもよい。

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記各実施形態の組み合わせ、又は上記以外の様々な構成を採用することもできる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
１． 病理画像データを画像処理することで、前記病理画像データに含まれる組織領域から、正常腺管で構成される第１層と、腫瘍腺管で構成される第２層とを検出する検出手段と、
前記第１層と前記第２層の厚さ又は面積に基づく指標値を算出する算出手段と、を有する情報処理装置。
２． 前記検出手段は、
前記組織領域から複数の腺管領域を抽出し、前記抽出された複数の腺管領域それぞれが、正常腺管の領域と腫瘍腺管の領域のどちらであるかを判別し、
各正常腺管の領域の位置及び各腫瘍腺管の領域の位置を用いて、前記第１層と前記第２層の境界を算出する、１．に記載の情報処理装置。
３． 前記腺管領域が正常腺管の領域と腫瘍腺管の領域のどちらであるかを判別する処理はディープラーニングを用いて行われる、２．に記載の情報処理装置。
４． 前記組織領域は、ヘマトキシリンを用いた染色が行われた組織の画像領域であり、
前記検出手段は、前記組織領域から、ヘマトキシリンで染色された画像領域によって囲まれた閉領域を抽出し、前記閉領域の特徴に基づいて前記閉領域が前記腺管領域であるか否かを判別することで、前記腺管領域の抽出を行う、２．又は３．に記載の情報処理装置。
５． 前記閉領域の特徴は、前記閉領域におけるリンパ球領域の割合、前記閉領域における白色領域の割合、前記白色領域における灰色領域の割合、前記閉領域における間質領域の割合、前記閉領域における細胞質領域の割合、前記閉領域の周辺におけるリンパ球領域の割合、及び前記閉領域の周辺における細胞核領域の割合のうち、いずれか１つ以上を含む、４．に記載の情報処理装置。
６． 前記検出手段は、前記組織領域からリンパ球領域を除去し、前記リンパ球領域が除去された組織領域から前記閉領域を抽出する、４．又は５．に記載の情報処理装置。
７． 前記リンパ球領域を除去する処理はディープラーニングを用いて行われる、６．に記載の情報処理装置。
８． 前記組織領域は、ヘマトキシリン・エオシン染色が行われた組織の画像領域であり、
前記検出手段は、
ヘマトキシリンで染色された画像領域とエオシンで染色された画像領域との割合に基づいて、前記ヘマトキシリンで染色された画像領域の強調処理を行い、
前記強調処理が行われた後の前記病理画像データから前記閉領域の抽出を行う、４．乃至７．いずれか一つに記載の情報処理装置。
９． 前記算出手段によって算出された指標値が所定の条件を満たす場合に所定の出力を行う出力制御手段を有する、１．乃至８．いずれか一つに記載の情報処理装置。

１０． コンピュータによって実行される制御方法であって、
病理画像データを画像処理することで、前記病理画像データに含まれる組織領域から、正常腺管で構成される第１層と、腫瘍腺管で構成される第２層とを検出する検出ステップと、
前記第１層と前記第２層の厚さ又は面積に基づく指標値を算出する算出ステップと、を有する制御方法。
１１． 前記検出ステップにおいて、
前記組織領域から複数の腺管領域を抽出し、前記抽出された複数の腺管領域それぞれが、正常腺管の領域と腫瘍腺管の領域のどちらであるかを判別し、
各正常腺管の領域の位置及び各腫瘍腺管の領域の位置を用いて、前記第１層と前記第２層の境界を算出する、１０．に記載の制御方法。
１２． 前記腺管領域が正常腺管の領域と腫瘍腺管の領域のどちらであるかを判別する処理はディープラーニングを用いて行われる、１１．に記載の制御方法。
１３． 前記組織領域は、ヘマトキシリンを用いた染色が行われた組織の画像領域であり、
前記検出ステップにおいて、前記組織領域から、ヘマトキシリンで染色された画像領域によって囲まれた閉領域を抽出し、前記閉領域の特徴に基づいて前記閉領域が前記腺管領域であるか否かを判別することで、前記腺管領域の抽出を行う、１１．又は１２．に記載の制御方法。
１４． 前記閉領域の特徴は、前記閉領域におけるリンパ球領域の割合、前記閉領域における白色領域の割合、前記白色領域における灰色領域の割合、前記閉領域における間質領域の割合、前記閉領域における細胞質領域の割合、前記閉領域の周辺におけるリンパ球領域の割合、及び前記閉領域の周辺における細胞核領域の割合のうち、いずれか１つ以上を含む、１３．に記載の制御方法。
１５． 前記検出ステップにおいて、前記組織領域からリンパ球領域を除去し、前記リンパ球領域が除去された組織領域から前記閉領域を抽出する、１３．又は１４．に記載の制御方法。
１６． 前記リンパ球領域を除去する処理はディープラーニングを用いて行われる、１５．に記載の制御方法。
１７． 前記組織領域は、ヘマトキシリン・エオシン染色が行われた組織の画像領域であり、
前記検出ステップにおいて、
ヘマトキシリンで染色された画像領域とエオシンで染色された画像領域との割合に基づいて、前記ヘマトキシリンで染色された画像領域の強調処理を行い、
前記強調処理が行われた後の前記病理画像データから前記閉領域の抽出を行う、１３．乃至１６．いずれか一つに記載の制御方法。
１８． 前記算出ステップにおいて算出された指標値が所定の条件を満たす場合に所定の出力を行う出力制御ステップを有する、１０．乃至１７．いずれか一つに記載の制御方法。

１９． １０．乃至１８．いずれか一つに記載の制御方法の各ステップをコンピュータに実行させるプログラム。

１０ 病理画像データ
２０ 組織領域
２２ 第１層
２４ 第２層
３０ 閉領域
３２ 腺管領域
４０ 周辺領域
１０００ 計算機
１０２０ バス
１０４０ プロセッサ
１０６０ メモリ
１０８０ ストレージデバイス
１０８０ しストレージデバイス
１１００ 入出力インタフェース
１１２０ ネットワークインタフェース
２０００ 情報処理装置
２０２０ 検出部
２０４０ 算出部
２０６０ 出力制御部

Claims (11)

1. 病理画像データを画像処理することで、前記病理画像データに含まれる組織領域から、正常腺管で構成される第１層と、腫瘍腺管で構成される第２層とを検出する検出手段と、
   前記第１層と前記第２層の厚さ又は面積に基づく指標値を算出する算出手段と、を有する情報処理装置。
2. 前記検出手段は、
   前記組織領域から複数の腺管領域を抽出し、前記抽出された複数の腺管領域それぞれが、正常腺管の領域と腫瘍腺管の領域のどちらであるかを判別し、
   各正常腺管の領域の位置及び各腫瘍腺管の領域の位置を用いて、前記第１層と前記第２層の境界を算出する、請求項１に記載の情報処理装置。
3. 前記腺管領域が正常腺管の領域と腫瘍腺管の領域のどちらであるかを判別する処理はディープラーニングを用いて行われる、請求項２に記載の情報処理装置。
4. 前記組織領域は、ヘマトキシリンを用いた染色が行われた組織の画像領域であり、
   前記検出手段は、前記組織領域から、ヘマトキシリンで染色された画像領域によって囲まれた閉領域を抽出し、前記閉領域の特徴に基づいて前記閉領域が前記腺管領域であるか否かを判別することで、前記腺管領域の抽出を行う、請求項２又は３に記載の情報処理装置。
5. 前記閉領域の特徴は、前記閉領域におけるリンパ球領域の割合、前記閉領域における白色領域の割合、前記白色領域における灰色領域の割合、前記閉領域における間質領域の割合、前記閉領域における細胞質領域の割合、前記閉領域の周辺におけるリンパ球領域の割合、及び前記閉領域の周辺における細胞核領域の割合のうち、いずれか１つ以上を含む、請求項４に記載の情報処理装置。
6. 前記検出手段は、前記組織領域からリンパ球領域を除去し、前記リンパ球領域が除去された組織領域から前記閉領域を抽出する、請求項４又は５に記載の情報処理装置。
7. 前記リンパ球領域を除去する処理はディープラーニングを用いて行われる、請求項６に記載の情報処理装置。
8. 前記組織領域は、ヘマトキシリン・エオシン染色が行われた組織の画像領域であり、
   前記検出手段は、
   ヘマトキシリンで染色された画像領域とエオシンで染色された画像領域との割合に基づいて、前記ヘマトキシリンで染色された画像領域の強調処理を行い、
   前記強調処理が行われた後の前記病理画像データから前記閉領域の抽出を行う、請求項４乃至７いずれか一項に記載の情報処理装置。
9. 前記算出手段によって算出された指標値が所定の条件を満たす場合に所定の出力を行う出力制御手段を有する、請求項１乃至８いずれか一項に記載の情報処理装置。
10. コンピュータによって実行される制御方法であって、
    病理画像データを画像処理することで、前記病理画像データに含まれる組織領域から、正常腺管で構成される第１層と、腫瘍腺管で構成される第２層とを検出する検出ステップと、
    前記第１層と前記第２層の厚さ又は面積に基づく指標値を算出する算出ステップと、を有する制御方法。
11. 請求項１０に記載の制御方法の各ステップをコンピュータに実行させるプログラム。

Images