特開 2023-147526 情報処理装置、情報処理方法、および、コンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023147526

(43)【公開日】2023-10-13

(54)【発明の名称】情報処理装置、情報処理方法、および、コンピュータプログラム

(51)【国際特許分類】

   G16B 40/20 20190101AFI20231005BHJP

   G01N 33/483 20060101ALI20231005BHJP

   G01N 33/48 20060101ALI20231005BHJP

【ＦＩ】

G16B40/20

G01N33/483 C

G01N33/48 M

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022055076

(22)【出願日】2022-03-30

(71)【出願人】

【識別番号】504139662

【氏名又は名称】国立大学法人東海国立大学機構

(74)【代理人】

【識別番号】110001911

【氏名又は名称】弁理士法人アルファ国際特許事務所

(72)【発明者】

【氏名】檜 顕成

(72)【発明者】

【氏名】内田 広夫

(72)【発明者】

【氏名】加藤 竜司

(72)【発明者】

【氏名】蟹江 慧

(72)【発明者】

【氏名】今井 祐太

(72)【発明者】

【氏名】城田 千代栄

(72)【発明者】

【氏名】天野 日出

【テーマコード（参考）】

2G045

【Ｆターム（参考）】

2G045AA24

2G045CB01

2G045FA13

2G045FA16

(57)【要約】

【課題】細胞核の判別を、統一した基準に基づき、精度良く、かつ、バラツキが少ないように、実行する。
【解決手段】情報処理装置は、生体組織画像中の細胞核が特定種類の細胞核であるか否かを判別するための装置であって、モデル取得部と、判別実行部とを備える。モデル取得部は、細胞核判別モデルを取得する。細胞核判別モデルは、複数の細胞核のそれぞれについて、細胞核の形態を示す形態情報と、特定種類の細胞核である蓋然性の高さを示すスコア情報と、が対応付けられたデータである訓練データを用いた機械学習により生成されたモデルである。判別実行部は、判別対象の細胞核についての形態情報と、細胞核判別モデルとを用いて、判別対象の細胞核が特定種類の細胞核であるか否かの判別を実行し、判別の結果を出力する。
【選択図】図１

【特許請求の範囲】

【請求項1】

生体組織画像中の細胞核が特定種類の細胞核であるか否かを判別するための情報処理装置であって、
細胞核判別モデルを取得するモデル取得部であって、前記細胞核判別モデルは、複数の細胞核のそれぞれについて、細胞核の形態を示す形態情報と、前記特定種類の細胞核である蓋然性の高さを示すスコア情報と、が対応付けられたデータである訓練データを用いた機械学習により生成されたモデルである、モデル取得部と、
判別対象の細胞核についての前記形態情報と、前記細胞核判別モデルとを用いて、前記判別対象の細胞核が前記特定種類の細胞核であるか否かの判別を実行し、前記判別の結果を出力する判別実行部と、
を備える、情報処理装置。

【請求項2】

請求項１に記載の情報処理装置であって、さらに、
前記訓練データを取得する訓練データ取得部を備え、
前記モデル取得部は、前記訓練データを用いた前記機械学習によって前記細胞核判別モデルを作成することにより、前記細胞核判別モデルを取得する、情報処理装置。

【請求項3】

請求項１または請求項２に記載の情報処理装置であって、
前記形態情報は、複数の形態指標を用いて細胞核の形態を示す情報である、情報処理装置。

【請求項4】

請求項３に記載の情報処理装置であって、
前記形態情報は、細胞核の輪郭の特徴を示す情報と、細胞核の染まり具合の特徴を示す情報と、細胞核の模様的な特徴を示す情報と、の少なくとも１つを含む、情報処理装置。

【請求項5】

請求項４に記載の情報処理装置であって、
前記形態情報は、細胞核の輪郭の特徴を示す情報と、細胞核の染まり具合の特徴を示す情報と、細胞核の模様的な特徴を示す情報と、を含む、情報処理装置。

【請求項6】

請求項３から請求項５までのいずれか一項に記載の情報処理装置であって、さらに、
複数の細胞核についての前記判別の結果を分析し、前記細胞核判別モデルの構造に蓄積された前記形態情報の組み合わせルールを示す情報を視認可能に出力する判別結果分析部を備える、情報処理装置。

【請求項7】

請求項６に記載の情報処理装置であって、
前記分析は、前記形態情報に含まれる複数の前記形態指標のうち、前記細胞核判別モデルにおける寄与度の高い一部の形態指標を用いて実行される、情報処理装置。

【請求項8】

請求項１から請求項７までのいずれか一項に記載の情報処理装置であって、
前記生体組織画像は、腸管組織片の神経叢領域を含む画像であり、
前記特定種類の細胞核は、神経節細胞核である、情報処理装置。

【請求項9】

生体組織画像中の細胞核が特定種類の細胞核であるか否かを判別するための情報処理方法であって、
細胞核判別モデルを取得する工程であって、前記細胞核判別モデルは、複数の細胞核のそれぞれについて、細胞核の形態を示す形態情報と、前記特定種類の細胞核である蓋然性の高さを示すスコア情報と、が対応付けられたデータである訓練データを用いた機械学習により生成されたモデルである、細胞核判別モデルを取得する工程と、
判別対象の細胞核についての前記形態情報と、前記細胞核判別モデルとを用いて、前記判別対象の細胞核が前記特定種類の細胞核であるか否かの判別を実行し、前記判別の結果を出力する工程と、
を備える、情報処理方法。

【請求項10】

生体組織画像中の細胞核が特定種類の細胞核であるか否かを判別するためのコンピュータプログラムであって、
コンピュータに、
細胞核判別モデルを取得する処理であって、前記細胞核判別モデルは、複数の細胞核のそれぞれについて、細胞核の形態を示す形態情報と、前記特定種類の細胞核である蓋然性の高さを示すスコア情報と、が対応付けられたデータである訓練データを用いた機械学習により生成されたモデルである、細胞核判別モデルを取得する処理と、
判別対象の細胞核についての前記形態情報と、前記細胞核判別モデルとを用いて、前記判別対象の細胞核が前記特定種類の細胞核であるか否かの判別を実行し、前記判別の結果を出力する処理と、
を実行させる、コンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書に開示される技術は、生体組織画像中の細胞核が特定種類の細胞核であるか否かを判別するための情報処理に関する。さらに、本明細書に開示される技術は、該判別の結果をもって、医師の理解と診断を支援するための情報処理に関する。

【背景技術】

【0002】

ヒルシュスプルング病は、腸管における肛門に近い部分において、運動（蠕動）を司る神経節細胞が欠損し、腸管の運動障害が生じる先天性の希少疾患である。また、ヒルシュスプルング病類縁疾患は、腸管に神経節細胞は存在するものの、その数が十分ではない、あるいは、神経節細胞が未成熟であるために、腸管の運動が不十分となる希少疾患である。

【0003】

ヒルシュスプルング病またはその類縁疾患の病理診断では、患者から採取した腸管組織片を撮像した画像を用いて、腸管の神経叢領域に存在する各細胞核が神経節細胞核であるか否かの判別が行われる。病理診断後、例えば、腸管における神経節細胞が存在しない部位、あるいは、神経節細胞の数が不十分である部位を切除し、運動障害の無い腸管を肛門に吻合する処置が施される。

【0004】

従来、上記のような病理診断における神経節細胞核の判別は、熟練した病理診断医が画像を目視することによって実行されている（例えば、非特許文献１参照）。

【先行技術文献】

【非特許文献】

【0005】

【非特許文献1】ラジ ピー・カプール（Ｒａｊ Ｐ．Ｋａｐｕｒ）、外１名、「移行ゾーンのプルスルー：外科病理学の考慮事項（Ｔｒａｎｓｉｔｉｏｎａｌ ｚｏｎｅ ｐｕｌｌ ｔｈｒｏｕｇｈ： ｓｕｒｇｉｃａｌ ｐａｔｈｏｌｏｇｙ ｃｏｎｓｉｄｅｒａｔｉｏｎｓ）」、小児外科セミナー（Ｓｅｍｉｎａｒｓ ｉｎ Ｐｅｄｉａｔｒｉｃ Ｓｕｒｇｅｒｙ）、エルゼビア（Ｅｌｓｅｖｉｅｒ）、２０１２年、第２１巻、２９１頁～３０１頁

【発明の概要】

【発明が解決しようとする課題】

【0006】

ヒルシュスプルング病またはその類縁疾患について適切な治療を行うためには、病理診断において神経節細胞核の判別を精度良く行うことが重要である。従来は、各病理診断医の個別の経験に頼った主観的な判別がなされているため、判別精度が十分に高くないことがあると共に、医師毎の判別結果のバラツキが大きくなりやすい。特に、ヒルシュスプルング病およびその類縁疾患は希少疾患であり、正確な病理診断を行うことができる施設や医師が限られているため、統一した基準に基づき、精度良く、かつ、バラツキの少ない判別を行うことができる技術が望まれている。さらに、そのようなバラツキの少ない判別を行うことができる技術が実現したときに、それが従来の判別とどう違っているのか理解し、さらに追加のデータをどう蓄積しなければならないのかについて、新たな知見を与えてくれるわけではないため、該判別を実際の医療に使ってよいのか、また使い始めたとしてその判別結果を信頼してよいのかの判断基準が持てない、という課題があり、そのような課題を解決できる技術が望まれている。

【0007】

なお、このような課題は、神経節細胞核の判別に限らず、生体組織画像中の細胞核が特定種類の細胞核であるか否かを判別する際に共通の課題である。

【0008】

本明細書では、上述した課題を解決することが可能な技術を開示する。

【課題を解決するための手段】

【0009】

本明細書に開示される技術は、例えば、以下の形態として実現することが可能である。

【0010】

（１）本明細書に開示される情報処理装置は、生体組織画像中の細胞核が特定種類の細胞核であるか否かを判別するための装置であって、モデル取得部と、判別実行部とを備える。モデル取得部は、細胞核判別モデルを取得する。細胞核判別モデルは、複数の細胞核のそれぞれについて、細胞核の形態を示す形態情報と、前記特定種類の細胞核である蓋然性の高さを示すスコア情報と、が対応付けられたデータである訓練データを用いた機械学習により生成されたモデルである。判別実行部は、判別対象の細胞核についての前記形態情報と、前記細胞核判別モデルとを用いて、前記判別対象の細胞核が前記特定種類の細胞核であるか否かの判別を実行し、前記判別の結果を出力する。

【0011】

本情報処理装置によれば、判別対象の細胞核についての形態情報と、細胞核判別モデルとを用いて、判別対象の細胞核が特定種類の細胞核であるか否かの判別を実行し、判別の結果を出力することができる。そのため、個々の細胞核毎に、細胞核の形態に基づき、細胞核判別モデルを用いて細胞核の判別することができる。従って、本情報処理装置によれば、細胞核の判別を、統一した基準に基づき、精度良く、かつ、バラツキが少ないように、実行することができる。

【0012】

（２）上記情報処理装置において、さらに、前記訓練データを取得する訓練データ取得部を備える構成としてもよい。また、前記モデル取得部は、前記訓練データを用いた前記機械学習によって前記細胞核判別モデルを作成することにより、前記細胞核判別モデルを取得する構成としてもよい。本構成を採用すれば、他の装置を用いずとも細胞核判別モデルを取得することができ、該モデルを用いて細胞核の判別を実行することができる。

【0013】

（３）上記情報処理装置において、前記形態情報は、複数の形態指標を用いて細胞核の形態を示す情報である構成としてもよい。本構成を採用すれば、細胞核の形態を多面的に捉えた情報に基づき細胞核の判別を実行することができ、細胞核の判別精度を効果的に向上させることができる。また、本構成を採用すれば、人間にわかる指標が用いられるため、細胞核判別モデルの構造が適切か否かを熟練者が確認することができる。

【0014】

（４）上記情報処理装置において、前記形態情報は、細胞核の輪郭の特徴を示す情報と、細胞核の染まり具合の特徴を示す情報と、細胞核の模様的な特徴を示す情報と、の少なくとも１つを含む構成としてもよい。本構成を採用すれば、細胞核の形態をより的確に捉えた情報に基づき細胞核の判別を実行することができ、細胞核の判別精度をさらに効果的に向上させることができる。

【0015】

（５）上記情報処理装置において、前記形態情報は、細胞核の輪郭の特徴を示す情報と、細胞核の染まり具合の特徴を示す情報と、細胞核の模様的な特徴を示す情報と、を含む構成としてもよい。本構成を採用すれば、細胞核の形態をより多面的に、かつ、より的確に捉えた情報に基づき細胞核の判別を実行することができ、細胞核の判別精度を極めて効果的に向上させることができる。

【0016】

（６）上記情報処理装置において、さらに、複数の細胞核についての前記判別を分析し、前記細胞核判別モデルの構造に蓄積された前記形態情報の組み合わせルールを示す情報を視認可能に出力する判別結果分析部を備える構成としてもよい。本構成を採用すれば、細胞核の形態の特徴ごとにマッピングを行うことができ、細胞核についての客観的な形態カテゴリの理解を支援することができる。これにより、細胞核判別モデルの判別結果を信じてよいのか、細胞核判別モデルの与える複数の判別結果の中で、どれを信頼すべきでどれは信頼できないかに気付いたり、そもそも学習させたデータが適切であるか否か等を考え、医療診断技術を過去の知見とも照らし合わせながら検証することを支援できる。

【0017】

（７）上記情報処理装置において、前記多次元クラスタリングは、前記形態情報に含まれる複数の前記形態指標のうち、前記細胞核判別モデルにおける寄与度の高い一部の形態指標を用いて実行される構成としてもよい。本構成を採用すれば、細胞核の判別への寄与度の高い形態の特徴ごとにマッピングを行うことができ、細胞核についての客観的な形態カテゴリの理解を効果的に支援することができる。

【0018】

（８）上記情報処理装置において、前記生体組織画像は、腸管組織片の神経叢領域を含む画像であり、前記特定種類の細胞核は、神経節細胞核である構成としてもよい。本構成を採用すれば、腸管組織片の神経叢領域を含む画像を対象として、神経叢領域に含まれる細胞核が神経節細胞核であるか否かの判別を、統一した基準に基づき、精度良く、かつ、バラツキが少ないように、実行することができる。これにより、ヒルシュスプルング病またはその類縁疾患について適切な治療を行うために有益な情報を提供することができる。

【0019】

なお、本明細書に開示される技術は、種々の形態で実現することが可能であり、例えば、情報処理装置、情報処理方法、それらの方法を実現するコンピュータプログラム、そのコンピュータプログラムを記録した一時的でない記録媒体等の形態で実現することができる。

【図面の簡単な説明】

【0020】

【図1】本実施形態における細胞核判別モデルＭＯを概念的に示す説明図

【図2】情報処理装置１００の概略構成を示す説明図

【図3】本実施形態における細胞核判別モデル取得処理を示すフローチャート

【図4】細胞核ＣＮの形態情報ＦＩの一例を示す説明図

【図5】本実施形態における細胞核判別処理を示すフローチャート

【図6】実施例の細胞核判別モデルＭＯの予測精度を示す説明図

【図7】実施例の細胞核判別モデルＭＯにおける寄与度の高い形態指標を示す説明図

【図8】本実施形態における判別結果分析処理を示すフローチャート

【図9】多次元クラスタリングの結果の一例を示す説明図

【図10】図９に示す多次元クラスタリングにおける第１グループＧｒ１および第２グループＧｒ２に属するデータのみを対象とした再度の多次元クラスタリングの結果の一例を示す説明図

【図11】図９に示す多次元クラスタリング結果に基づく形態指標ヒートマップの一例を示す説明図

【発明を実施するための形態】

【0021】

Ａ．実施形態：
Ａ－１．細胞核判別モデルＭＯの概要：
はじめに、本実施形態における細胞核判別モデルＭＯの概要を説明する。図１は、本実施形態における細胞核判別モデルＭＯを概念的に示す説明図である。細胞核判別モデルＭＯは、生体組織画像Ｉｂ上の細胞核ＣＮが特定種類の細胞核であるか否かを判別するために用いられるモデルである。後に詳述するように、細胞核判別モデルＭＯは、細胞核ＣＮの形態を示す形態情報ＦＩを入力とし、特定種類の細胞核である蓋然性の高さを示すスコア情報ＳＩを出力とする機械学習モデルである。

【0022】

本実施形態では、細胞核判別モデルＭＯが、細胞核ＣＮが神経節細胞核ＣＮ（Ｎｅ）であるか否かの判別に用いられる。より詳細には、ヒルシュスプルング病またはその類縁疾患の病理診断において、生体組織画像Ｉｂとして腸管組織片の画像を用いて、画像上の神経叢領域ＮＰＡに含まれる各細胞核ＣＮが神経節細胞核ＣＮ（Ｎｅ）であるか、それとも、神経節細胞核ＣＮ（Ｎｅ）以外の細胞核（以下、「一般細胞核ＣＮ（Ｇｅ）」という。）であるかを判別するために、細胞核判別モデルＭＯが用いられる。

【0023】

なお、細胞核判別モデルＭＯの出力である神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを示すスコア情報ＳＩは、例えば、神経節細胞核ＣＮ（Ｎｅ）であるか否かを示すゼロ／イチの判別結果であってもよいし、神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを段階的に示す数値（例えば、１０点満点中の何点であるかを示す数値）であってもよいし、それらの両方が用いられてもよい。図１に示す例では、神経節細胞核ＣＮ（Ｎｅ）であるか否かを示すゼロ／イチの判別が実行され、表示された生体組織画像Ｉｂ上の各細胞核ＣＮに、神経節細胞核ＣＮ（Ｎｅ）であることを示す識別子および一般細胞核ＣＮ（Ｇｅ）であることを示す識別子が示されている。神経節細胞核ＣＮ（Ｎｅ）は、特許請求の範囲における特定種類の細胞核の一例である。

【0024】

細胞核判別モデルＭＯを用いることにより、生体組織画像Ｉｂとしての腸管組織片の画像中の各細胞核ＣＮが神経節細胞核ＣＮ（Ｎｅ）であるか、それとも、一般細胞核ＣＮ（Ｇｅ）であるかを、病理診断医の目視による判別を行うことなく、精度良く、かつ、バラツキが少なく判別することができる。もちろん、細胞核判別モデルＭＯによる判別結果を最終的に病理診断医が確認した上で、最終の判別結果としてもよい。このように、細胞核判別モデルＭＯを用いることにより、神経節細胞核ＣＮ（Ｎｅ）であるか否かの判別を精度良く、かつ、バラツキが少なく実行することができ、ひいてはヒルシュスプルング病またはその類縁疾患の適切な治療や機能予後の改善を実現することができる。

【0025】

Ａ－２．情報処理装置１００の構成：
次に、細胞核判別モデルＭＯの取得や細胞核判別モデルＭＯを用いた細胞核の判別を実行するための情報処理装置１００の構成を説明する。図２は、情報処理装置１００の概略構成を示す説明図である。情報処理装置１００は、コンピュータ（ＰＣ、サーバ等）により構成されている。

【0026】

情報処理装置１００は、制御部１１０と、記憶部１２０と、表示部１３０と、操作入力部１４０と、インターフェース部１５０とを備える。これらの各部は、バス１９０を介して互いに通信可能に接続されている。なお、情報処理装置１００が出力手段としてのスピーカを備えていてもよい。

【0027】

情報処理装置１００の表示部１３０は、例えば液晶ディスプレイ等により構成され、各種の画像や情報を表示する。操作入力部１４０は、例えばキーボードやマウス、ボタン、マイク、トラックパッド等により構成され、管理者の操作や指示を受け付ける。なお、表示部１３０がタッチパネルを備えることにより、操作入力部１４０として機能するとしてもよい。インターフェース部１５０は、例えばＬＡＮインターフェースやＵＳＢインターフェース等により構成され、有線または無線により他の装置との通信を行う。

【0028】

情報処理装置１００の記憶部１２０は、例えばＲＯＭやＲＡＭ、ハードディスクドライブ（ＨＤＤ）等により構成され、各種のプログラムやデータを記憶したり、各種のプログラムを実行する際の作業領域やデータの一時的な記憶領域として利用されたりする。例えば、記憶部１２０には、後述する細胞核判別モデル取得処理等を実行するためのコンピュータプログラムである細胞核判別プログラムＣＰが格納されている。細胞核判別プログラムＣＰは、例えば、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータ読み取り可能な記録媒体（不図示）に格納された状態で提供され、あるいは、インターフェース部１５０を介して外部装置（例えば、クラウド上のサーバや他の端末装置）から取得可能な状態で提供され、情報処理装置１００上で動作可能な状態で記憶部１２０に格納される。

【0029】

また、情報処理装置１００の記憶部１２０には、予め、または、後述する細胞核判別モデル取得処理等の実行中に、訓練データＴＤと、細胞核判別モデルＭＯと、対象画像Ｉｂｏと、判別結果データＲＤとが格納される。これらの情報やデータの内容については、後述する細胞核判別モデル取得処理等の説明に合わせて説明する。

【0030】

情報処理装置１００の制御部１１０は、例えばＣＰＵ等により構成され、記憶部１２０から読み出したコンピュータプログラムを実行することにより、情報処理装置１００の動作を制御する。例えば、制御部１１０は、記憶部１２０から細胞核判別プログラムＣＰを読み出して実行することにより、後述の細胞核判別モデル取得処理等を実行するための細胞核判別処理部１１１として機能する。細胞核判別処理部１１１は、訓練データ取得部１１２と、モデル取得部１１３と、対象画像取得部１１４と、領域特定部１１５と、細胞核特定部１１６と、形態情報取得部１１７と、判別実行部１１８と、判別結果分析部１１９とを含む。これら各部の機能については、後述の細胞核判別モデル取得処理等の説明に合わせて説明する。

【0031】

Ａ－３．細胞核判別モデル取得処理：
次に、本実施形態の情報処理装置１００により実行される細胞核判別モデル取得処理について説明する。図３は、本実施形態における細胞核判別モデル取得処理を示すフローチャートである。細胞核判別モデル取得処理は、上述した細胞核判別モデルＭＯを取得するための処理である。本実施形態では、情報処理装置１００は、自ら所定の機械学習によって細胞核判別モデルＭＯを作成することにより、細胞核判別モデルＭＯを取得する。細胞核判別モデル取得処理は、ユーザが情報処理装置１００の操作入力部１４０を操作して開始指示を入力したことに応じて開始される。

【0032】

はじめに、情報処理装置１００の訓練データ取得部１１２（図２）が、細胞核判別モデルＭＯの作成に用いられる生体組織画像Ｉｂである訓練用画像Ｉｔを取得する（Ｓ１１０）。本実施形態では、訓練用画像Ｉｔとして、ヒルシュスプルング病またはその類縁疾患の患者から採取した腸管組織片を撮像した画像であって、神経叢領域ＮＰＡを含む画像が用いられる。訓練データ取得部１１２は、複数の患者についての複数の訓練用画像Ｉｔを取得することが好ましい。

【0033】

次に、情報処理装置１００の領域特定部１１５（図２）が、各訓練用画像Ｉｔにおける神経叢領域ＮＰＡを特定する（Ｓ１２０）。神経叢領域ＮＰＡの特定は、領域特定部１１５が所定の画像処理を実行することによって実現することができる。なお、例えば病理診断医が各訓練用画像Ｉｔを目視することによって神経叢領域ＮＰＡを特定し、神経叢領域ＮＰＡの位置を指定する情報を操作入力部１４０を介して入力することにより、領域特定部１１５が神経叢領域ＮＰＡを特定するとしてもよい。

【0034】

次に、情報処理装置１００の細胞核特定部１１６（図２）が、Ｓ１２０において特定された神経叢領域ＮＰＡを対象として、細胞核ＣＮを特定する（Ｓ１３０）。細胞核ＣＮの特定は、細胞核特定部１１６が所定の画像処理を実行することによって実現することができる。なお、例えば病理診断医が各訓練用画像Ｉｔの神経叢領域ＮＰＡを目視することによって細胞核ＣＮを特定し、細胞核ＣＮの位置を指定する情報を操作入力部１４０を介して入力することにより、細胞核特定部１１６が細胞核ＣＮを特定するとしてもよい。

【0035】

次に、情報処理装置１００の形態情報取得部１１７（図２）が、Ｓ１３０において特定された各細胞核ＣＮについて、形態情報ＦＩを取得（測定）する（Ｓ１４０）。

【0036】

図４は、細胞核ＣＮの形態情報ＦＩの一例を示す説明図である。本実施形態では、形態情報ＦＩは、細胞核ＣＮの輪郭の特徴（大きさや丸さ等）を示す情報と、細胞核ＣＮの染まり具合の特徴（色味の強さ等）を示す情報と、細胞核ＣＮの模様的な特徴（テクスチャ等）を示す情報とを含んでいる。図４の例では、細胞核ＣＮの輪郭の特徴を示す情報として、面積（ａｒｅａ）や長さ（ｌｅｎｇｔｈ）等を含む１１個の形態指標が用いられ、細胞核ＣＮの染まり具合の特徴を示す情報として、青色の明度の平均（ｂｌｕｅ＿ｉｎｔｅｎｓｉｔｙ＿ｍｅａｎ）や標準偏差（ｂｌｕｅ＿ｉｎｔｅｎｓｉｔｙ＿ｓｄ）、変動係数（ｂｌｕｅ＿ｉｎｔｅｎｓｉｔｙ＿ｃｖ）等を含む２７個の形態指標が用いられ、細胞核ＣＮの模様的な特徴を示す情報として、青色のコリレイション（ｂｌｕｅ＿ｃｏｒｒｅｌａｔｉｏｎ）やエナジー（ｂｌｕｅ＿ｅｎｅｒｇｙ）、ホモジェニアティ（ｂｌｕｅ＿ｈｏｍｏｇｅｎｅｉｔｙ）等を含む９個の形態指標が用いられる。すなわち、本実施形態では、形態情報ＦＩとして、合計４７個の形態指標が用いられる。

【0037】

細胞核ＣＮの形態情報ＦＩの取得（測定）は、形態情報取得部１１７が所定の画像処理を実行することによって実現することができる。なお、例えば病理診断医が各細胞核ＣＮの形態情報ＦＩを手作業で測定し、測定値を操作入力部１４０を介して入力することにより、形態情報取得部１１７が形態情報ＦＩを取得するとしてもよい。

【0038】

次に、情報処理装置１００の訓練データ取得部１１２（図２）が、各訓練用画像Ｉｔの神経叢領域ＮＰＡにおいて特定された各細胞核ＣＮについて、神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを示すスコア情報ＳＩを取得する（Ｓ１５０）。上述したように、スコア情報ＳＩは、神経節細胞核ＣＮ（Ｎｅ）であるか否かを示すゼロ／イチの判別結果であってもよいし、神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを段階的に示す数値であってもよいし、それらの両方が用いられてもよい。

【0039】

スコア情報ＳＩの取得は、例えば、病理診断医が画像中の各細胞核ＣＮを目視して神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを示すスコアを付し、該スコアを操作入力部１４０を介して入力することにより、実現される。

【0040】

なお、情報処理装置１００の訓練データ取得部１１２は、Ｓ１１０～Ｓ１５０の処理により得られたデータ、すなわち、複数の細胞核ＣＮのそれぞれについて、細胞核ＣＮの形態を示す形態情報ＦＩと、神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを示すスコア情報ＳＩと、が対応付けられたデータを、訓練データＴＤとして記憶部１２０に格納する。

【0041】

次に、情報処理装置１００のモデル取得部１１３（図２）が、訓練データＴＤを用いた機械学習により細胞核判別モデルＭＯを作成する（Ｓ１６０）。モデル取得部１１３は、訓練データＴＤに含まれる細胞核ＣＮの形態を示す形態情報ＦＩを入力（説明変数）とし、訓練データＴＤに含まれる神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを示すスコア情報ＳＩを出力（目的変数）とし、神経節細胞核ＣＮ（Ｎｅ）であるか否かの判別精度を示す所定の評価指標を高くするような機械学習を実行することにより、細胞核判別モデルＭＯを作成する。

【0042】

細胞核判別モデルＭＯの作成のための機械学習には、公知の種々の機械学習アルゴリムを利用可能であるが、本実施形態では、ＬＡＳＳＯ回帰モデルが用いられる。ＬＡＳＳＯ回帰モデルは、比較的シンプルな機械学習モデルであり、チューニングが容易・全自動であり、モデル解釈可能なモデルである。

【0043】

このようにして作成された細胞核判別モデルＭＯは、情報処理装置１００の記憶部１２０に格納される。以上により、細胞核判別モデルＭＯの取得処理が完了する。

【0044】

Ａ－４．細胞核判別処理：
次に、本実施形態の情報処理装置１００により実行される細胞核判別処理について説明する。図５は、本実施形態における細胞核判別処理を示すフローチャートである。細胞核判別処理は、細胞核判別モデルＭＯを用いて、判別対象の細胞核ＣＮが神経節細胞核ＣＮ（Ｎｅ）であるか否かを判別する処理である。細胞核判別処理は、ユーザが情報処理装置１００の操作入力部１４０を操作して開始指示を入力したことに応じて開始される。

【0045】

はじめに、情報処理装置１００の対象画像取得部１１４（図２）が、対象画像Ｉｂｏを取得する（Ｓ３１０）。対象画像Ｉｂｏは、細胞核判別処理の対象となる生体組織画像Ｉｂであり、より具体的には、ヒルシュスプルング病またはその類縁疾患の患者から採取した腸管組織片を撮像した画像である。なお、生体組織画像Ｉｂは、高解像度で、かつ、広域の連結画像であるバーチャルスライドの形態で取得されてもよい。

【0046】

次に、情報処理装置１００の領域特定部１１５（図２）が、対象画像Ｉｂｏにおける神経叢領域ＮＰＡを特定する（Ｓ３２０）。神経叢領域ＮＰＡの特定は、領域特定部１１５が所定の画像処理を実行することによって実現することができる。なお、例えば病理診断医が対象画像Ｉｂｏを目視することによって神経叢領域ＮＰＡを特定し、神経叢領域ＮＰＡの位置を指定する情報を操作入力部１４０を介して入力することにより、領域特定部１１５が神経叢領域ＮＰＡを特定するとしてもよい。

【0047】

次に、情報処理装置１００の細胞核特定部１１６（図２）が、Ｓ３２０において特定された神経叢領域ＮＰＡを対象として、細胞核ＣＮを特定する（Ｓ３３０）。細胞核ＣＮの特定は、細胞核特定部１１６が所定の画像処理を実行することによって実現することができる。なお、例えば病理診断医が対象画像Ｉｂｏの神経叢領域ＮＰＡを目視することによって細胞核ＣＮを特定し、細胞核ＣＮの位置を指定する情報を操作入力部１４０を介して入力することにより、細胞核特定部１１６が細胞核ＣＮを特定するとしてもよい。

【0048】

次に、情報処理装置１００の形態情報取得部１１７（図２）が、Ｓ３３０において特定された各細胞核ＣＮについて、形態情報ＦＩを取得（測定）する（Ｓ３４０）。Ｓ３３０において複数の細胞核ＣＮが特定された場合には、それぞれの細胞核ＣＮについての形態情報ＦＩが取得される。本実施形態では、各細胞核ＣＮについて、上述した４７個の形態指標から構成される形態情報ＦＩが取得される。形態情報ＦＩの特定は、形態情報取得部１１７が所定の画像処理を実行することによって実現することができる。

【0049】

次に、情報処理装置１００の判別実行部１１８（図２）が、各細胞核ＣＮについて、形態情報ＦＩと細胞核判別モデルＭＯとを用いて、神経節細胞核ＣＮ（Ｎｅ）であるか否かの判別を実行する（Ｓ３５０）。すなわち、判別実行部１１８は、細胞核判別モデルＭＯに対して細胞核ＣＮの形態情報ＦＩを入力することにより、細胞核判別モデルＭＯから出力される、神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを示すスコア情報ＳＩを取得し、スコア情報ＳＩを参照して神経節細胞核ＣＮ（Ｎｅ）であるか一般細胞核ＣＮ（Ｇｅ）であるかの判別を行う。なお、Ｓ３３０において複数の細胞核ＣＮが特定された場合には、それぞれの細胞核ＣＮについてのスコア情報ＳＩが取得される。判別実行部１１８は、スコア情報ＳＩに基づき判別結果を示す判別結果データＲＤを生成し、情報処理装置１００の記憶部１２０に格納する。

【0050】

次に、判別実行部１１８は、判別結果データＲＤに基づき、判別結果を出力する（Ｓ３６０）。例えば、判別実行部１１８は、図１に示すように、生体組織画像Ｉｂ（対象画像Ｉｂｏ）を表示部１３０に表示させると共に、該画像上の各細胞核ＣＮに、神経節細胞核ＣＮ（Ｎｅ）であることを示す識別子（マークや文字等）および一般細胞核ＣＮ（Ｇｅ）であることを示す識別子を表示させる。これにより、ユーザは、判別結果を把握することができる。判別結果の出力は、表示部１３０への表示に限られず、プリンタを介した印刷やスピーカを介した音声出力であってもよい。以上により、細胞核判別処理が完了する。

【0051】

Ａ－５．実施例：
上述した細胞核判別モデルＭＯの実施例について、以下説明する。本実施例の細胞核判別モデルＭＯの作成の際には、名古屋大学医学部附属病院小児外科において手術を行った複数のヒルシュスプルング病患者の腸管の切除標本から、正常部位の画像を約３５０枚取得し、各画像において手作業で神経叢領域ＮＰＡおよび細胞核ＣＮを特定し、各細胞核ＣＮについて、形態情報ＦＩの測定と、神経節細胞核ＣＮ（Ｎｅ）であるか否かのラベリングを行った。このようにして作成したデータの一部を訓練データＴＤとして用いた機械学習により細胞核判別モデルＭＯを作成した。また、残りの一部のデータをテストデータとして用いて、細胞核判別モデルＭＯの検証を行った。

【0052】

図６は、実施例の細胞核判別モデルＭＯの予測精度を示す説明図である。図６に示すように、実施例の細胞核判別モデルＭＯでは、一致度が９８．７％であり、感度（一般細胞核ＣＮ（Ｇｅ）を正しく判別できた割合）が９８．６％（＝（１７８４／１８１０）×１００）であり、特異度（神経節細胞核ＣＮ（Ｎｅ）を正しく判別できた割合）が９９．３％（＝（４３４／４３７）×１００）であり、いずれも極めて高い値となった。このように、実施例の細胞核判別モデルＭＯは、極めて高い判別精度を示した。

【0053】

図７は、実施例の細胞核判別モデルＭＯにおける寄与度の高い形態指標を示す説明図である。図７において、係数の値が大きい形態指標は、神経節細胞核ＣＮ（Ｎｅ）の特徴への貢献が高いものであり、係数の値が小さい形態指標は、一般細胞核ＣＮ（Ｇｅ）の特徴への貢献が高いものである。

【0054】

図７に示すように、神経節細胞核ＣＮ（Ｎｅ）の特徴として、例えば、丸い、大きい、緑色の輝度ムラが強いといった特徴が挙げられる。また、一般細胞核ＣＮ（Ｇｅ）の特徴として、例えば、輪郭の輝度ムラが強い、輪郭の赤みが濃いといった特徴が挙げられる。細胞核判別モデルＭＯの作成に用いた４７個の形態指標のうち、図７に示す１６個の形態指標は、細胞核判別モデルＭＯが採用した重要な指標値であると言える。

【0055】

Ａ－６．判別結果分析処理：
次に、本実施形態の情報処理装置１００により実行される判別結果分析処理について説明する。図８は、本実施形態における判別結果分析処理を示すフローチャートである。判別結果分析処理は、複数の細胞核ＣＮを対象とした細胞核判別モデルＭＯを用いた判別結果を分析するための処理である。判別結果分析処理は、ユーザが情報処理装置１００の操作入力部１４０を操作して開始指示を入力したことに応じて開始される。

【0056】

はじめに、情報処理装置１００の判別結果分析部１１９（図２）が、判別結果データＲＤにより特定される複数の細胞核ＣＮについての判別結果を対象として、形態情報ＦＩを用いた多次元クラスタリングを実行する（Ｓ４１０）。本実施形態では、多次元クラスタリングとして、ＵＭＡＰ（Ｕｎｉｆｏｒｍ Ｍａｎｉｆｏｌｄ Ａｐｐｒｏｘｉｍａｔｉｏｎ ａｎｄ Ｐｒｏｊｅｃｔｉｏｎ）を用いた解析が実行される。ＵＭＡＰは、次元削減を行う教師なし学習の一つであり、高次元のデータを２次元や３次元に変換して可視化するための手法である。本実施形態では、形態情報ＦＩを構成する４７個の形態指標のうち、図７に示す、細胞核判別モデルＭＯにおける有効な（すなわち、学習に用いられた）１６個の形態指標を用いてＵＭＡＰ解析を実行し、１６次元を２次元に圧縮してクラスタリングを行う。

【0057】

図９は、多次元クラスタリングの結果の一例を示す説明図である。図９に示すように、ＵＭＡＰ解析により、各細胞核ＣＮについての形態指標が２次元のデータに圧縮される。また、ＵＭＡＰ解析により、各細胞核ＣＮについての判別結果のクラスタリングが実現される。図９の例では、各細胞核ＣＮについての判別結果が、３つのグループ（Ｇｒ１，Ｇｒ２，Ｇｒ３）にクラスタリングされている。

【0058】

図９の例では、第１グループＧｒ１は、２３４個の神経節細胞核ＣＮ（Ｎｅ）と、４個の一般細胞核ＣＮ（Ｇｅ）とから構成されている。第１グループＧｒ１に属する神経節細胞核ＣＮ（Ｎｅ）は、色が濃く、かつ、核小体が視認できる、という特徴を有していた。また、第１グループＧｒ１に属する一般細胞核ＣＮ（Ｇｅ）は、色が濃く、かつ、模様味がある、という特徴を有していた。

【0059】

また、第２グループＧｒ２は、１４８個の神経節細胞核ＣＮ（Ｎｅ）と、１３９個の一般細胞核ＣＮ（Ｇｅ）とから構成されている。第２グループＧｒ２に属する神経節細胞核ＣＮ（Ｎｅ）は、色が薄いが、全体として第１グループＧｒ１に属する神経節細胞核ＣＮ（Ｎｅ）に近い、という特徴を有していた。また、第２グループＧｒ２に属する一般細胞核ＣＮ（Ｇｅ）は、色が濃い、という特徴を有していた。

【0060】

また、第３グループＧｒ３は、５５個の神経節細胞核ＣＮ（Ｎｅ）と、１６７７個の一般細胞核ＣＮ（Ｇｅ）とから構成されている。第３グループＧｒ３に属する神経節細胞核ＣＮ（Ｎｅ）は、色が濃く、かつ、模様味が少ない、という特徴を有していた。また、第３グループＧｒ３に属する一般細胞核ＣＮ（Ｇｅ）は、色が濃く、かつ、模様味がほとんど無い、という特徴を有していた。

【0061】

このように、多次元クラスタリングの結果、細胞核ＣＮの形態（見た目）の特徴ごとにマッピングを行うことができる。そのため、多次元クラスタリングを行うことにより、細胞核ＣＮについての客観的な形態カテゴリの理解を支援することができると言える。このようなマッピング結果は、例えば、神経節細胞核ＣＮ（Ｎｅ）の判別方法の教育に利用したり、細胞核判別モデルＭＯの更新や新規作成の際に用いる訓練データの選定に利用したりすることができる。

【0062】

図１０は、図９に示す多次元クラスタリングにおける第１グループＧｒ１および第２グループＧｒ２に属するデータのみを対象とした再度の多次元クラスタリングの結果の一例を示す説明図である。図１０のＡ欄およびＢ欄には、同一の多次元クラスタリングの結果を示しているが、Ａ欄では、神経節細胞核ＣＮ（Ｎｅ）と一般細胞核ＣＮ（Ｇｅ）とを識別可能に示しており、Ｂ欄では、第１グループＧｒ１に属するデータと第２グループＧｒ２に属するデータとを識別可能に示している。

【0063】

図１０を参照すると、図９に示す分析結果では、データが集中して識別が難しいと思われる領域についても、特定のグループを取り出して再度分析を行うことにより、実際にはかなりの程度識別が可能であることがわかる。このような再度の分析（形態可視化）により、識別困難なデータがどのような画像で構成されていたかがわかり、データの不備や誤判定の原因を究明することができる。また、特定のグループを取り出して、再度、細胞核判別モデルＭＯを作成することもできる。

【0064】

また、情報処理装置１００の判別結果分析部１１９（図２）が、多次元クラスタリング結果に基づき、形態指標ヒートマップを作成する（Ｓ４２０）。形態指標ヒートマップは、２次元データの個々の値を色調や濃淡で表現したマップである。なお、Ｓ４２０の処理は、Ｓ４１０の処理と並列的に実行されてよい。Ｓ４１０の処理とＳ４２０の処理とをまとめて、「教師なし学習」と表現することもできる。

【0065】

図１１は、図９に示す多次元クラスタリング結果に基づく形態指標ヒートマップの一例を示す説明図である。このようなヒートマップを参照することにより、多次元クラスタリングにより特定された各グループの特徴を可視化することができる。図１１において、符号「Ｇｒ１＿Ｎｅ」は、第１グループＧｒ１に属する神経節細胞核ＣＮ（Ｎｅ）を意味し、符号「Ｇｒ１＿Ｇｅ」は、第１グループＧｒ１に属する一般細胞核ＣＮ（Ｇｅ）を意味している。他の符号も同様である。例えば、図１１に示すヒートマップを参照すると、第１グループＧｒ１に属する細胞核ＣＮは、全体的にサイズが大きく、かつ、丸い（「ｓｏｌｉｄｉｔｙ」が大きい）、という特徴を有すると言える。また、第２グループＧｒ２に属する細胞核ＣＮは、輝度値のバラツキ（ｃｖ）が小さいが、色が白っぽいために平均（ｍｅａｎ）は高い、という特徴を有すると言える。また、第３グループＧｒ３に属する細胞核ＣＮは、全体的にサイズが小さく、かつ、丸味が少ない（「ｓｏｌｉｄｉｔｙ」が小さい）、という特徴を有すると言える。

【0066】

このように、多次元クラスタリング結果に基づく形態指標ヒートマップを参照することにより、細胞核ＣＮについての各形態カテゴリの違いについての理解を支援することができると言える。

【0067】

判別結果分析部１１９は、多次元クラスタリング結果や形態指標ヒートマップを示す情報を、記憶部１２０に記憶された判別結果データＲＤに追加する。

【0068】

次に、判別結果分析部１１９が、判別結果データＲＤに基づき、分析結果、より詳細には、細胞核判別モデルＭＯの構造に蓄積された形態情報ＦＩの組み合わせルールを示す情報を視認可能に出力する（すなわち、可視化する）（Ｓ４３０）。例えば、判別結果分析部１１９は、図９および図１０に示す多次元クラスタリング結果や、図１１に示す形態指標ヒートマップを表示部１３０に表示させる。これにより、ユーザは、分析結果を把握することができる。分析結果の出力は、表示部１３０への表示に限られず、プリンタを介した印刷やスピーカを介した音声出力であってもよい。以上により、判別結果分析処理が完了する。

【0069】

Ａ－７．本実施形態の効果：
以上説明したように、本実施形態の情報処理装置１００は、生体組織画像としての腸管組織片の神経叢領域を含む画像中の細胞核が神経節細胞核ＣＮ（Ｎｅ）であるか否かを判別するための情報処理装置であって、モデル取得部１１３と、判別実行部１１８とを備える。モデル取得部１１３は、細胞核判別モデルＭＯを取得する。細胞核判別モデルＭＯは、複数の細胞核ＣＮのそれぞれについて、細胞核ＣＮの形態を示す形態情報ＦＩと、神経節細胞核ＣＮ（Ｎｅ）である蓋然性の高さを示すスコア情報ＳＩと、が対応付けられたデータである訓練データＴＤを用いた機械学習により生成されたモデルである。判別実行部１１８は、判別対象の細胞核ＣＮについての形態情報ＦＩと、細胞核判別モデルＭＯとを用いて、判別対象の細胞核ＣＮが神経節細胞核ＣＮ（Ｎｅ）であるか否かの判別を実行し、判別の結果を出力する。

【0070】

このように、本実施形態の情報処理装置１００によれば、判別対象の細胞核ＣＮについての形態情報ＦＩと、細胞核判別モデルＭＯとを用いて、判別対象の細胞核ＣＮが神経節細胞核ＣＮ（Ｎｅ）であるか否かの判別を実行し、判別の結果を出力することができる。そのため、個々の細胞核ＣＮ毎に、細胞核ＣＮの形態に基づき、細胞核判別モデルＭＯを用いて神経節細胞核ＣＮ（Ｎｅ）であるか否かを判別することができる。従って、本実施形態の情報処理装置１００によれば、神経節細胞核ＣＮ（Ｎｅ）の判別を、統一した基準に基づき、精度良く、かつ、バラツキが少ないように、実行することができる。これにより、ヒルシュスプルング病またはその類縁疾患について適切な治療を行うために有益な情報を提供することができる。

【0071】

また、本実施形態の情報処理装置１００は、さらに、訓練データＴＤを取得する訓練データ取得部１１２を備える。また、モデル取得部１１３は、訓練データＴＤを用いた機械学習によって細胞核判別モデルＭＯを作成することにより、細胞核判別モデルＭＯを取得する。そのため、他の装置を用いずとも細胞核判別モデルＭＯを取得することができ、該モデルを用いて神経節細胞核ＣＮ（Ｎｅ）の判別を実行することができる。

【0072】

また、本実施形態の情報処理装置１００では、形態情報ＦＩは、複数の形態指標を用いて細胞核ＣＮの形態を示す情報である。そのため、細胞核ＣＮの形態を多面的に捉えた情報に基づき神経節細胞核ＣＮ（Ｎｅ）の判別を実行することができ、神経節細胞核ＣＮ（Ｎｅ）の判別精度を効果的に向上させることができる。

【0073】

また、本実施形態の情報処理装置１００では、形態情報ＦＩは、細胞核ＣＮの輪郭の特徴を示す情報と、細胞核ＣＮの染まり具合の特徴を示す情報と、細胞核ＣＮの模様的な特徴を示す情報とを含む。そのため、細胞核ＣＮの形態をより多面的に、かつ、より的確に捉えた情報に基づき神経節細胞核ＣＮ（Ｎｅ）の判別を実行することができ、神経節細胞核ＣＮ（Ｎｅ）の判別精度を極めて効果的に向上させることができる。

【0074】

また、本実施形態の情報処理装置１００は、さらに、複数の細胞核ＣＮについての判別の結果について、形態情報ＦＩを用いた多次元クラスタリングを実行し、多次元クラスタリングの結果を出力する判別結果分析部１１９を備える。そのため、細胞核ＣＮの形態の特徴ごとにマッピングを行うことができ、細胞核ＣＮについての客観的な形態カテゴリの理解を支援することができる。

【0075】

また、本実施形態の情報処理装置１００では、上記多次元クラスタリングは、形態情報ＦＩに含まれる複数の形態指標のうち、細胞核判別モデルＭＯにおける寄与度の高い一部の形態指標を用いて実行される。そのため、細胞核ＣＮの判別への寄与度の高い形態の特徴ごとにマッピングを行うことができ、細胞核ＣＮについての客観的な形態カテゴリの理解を効果的に支援することができる。

【0076】

Ｂ．変形例：
本明細書で開示される技術は、上述の実施形態に限られるものではなく、その要旨を逸脱しない範囲において種々の形態に変形することができ、例えば次のような変形も可能である。

【0077】

上記実施形態における情報処理装置１００の構成は、あくまで一例であり、種々変形可能である。また、上記実施形態における細胞核判別モデル取得処理、細胞核判別処理および判別結果分析処理の内容は、あくまで一例であり、種々変形可能である。例えば、上記実施形態では、情報処理装置１００が、細胞核判別モデルＭＯを作成することによって細胞核判別モデルＭＯを取得しているが、情報処理装置１００が、他の装置により生成された細胞核判別モデルＭＯを取得するとしてもよい。この場合には、情報処理装置１００が訓練データ取得部１１２を有する必要はない。

【0078】

上記実施形態における細胞核判別モデルＭＯの作成に用いられる形態情報ＦＩは、あくまで一例であり、種々変形可能である。例えば、上記実施形態では、形態情報ＦＩが４７個の形態指標から構成されているが、形態情報ＦＩを構成する形態指標の個数は任意に変更可能である。また、上記実施形態では、形態情報ＦＩが、細胞核ＣＮの輪郭の特徴を示す情報と、細胞核ＣＮの染まり具合の特徴を示す情報と、細胞核ＣＮの模様的な特徴を示す情報とのすべてを含んでいるが、これに代えて、形態情報ＦＩが、これらのうちの１つまたは２つを含むとしてもよい。また、形態情報ＦＩが、これらの形態指標に加えて、他の形態指標を含むとしてもよい。

【0079】

上記実施形態では、細胞核判別モデルＭＯの作成のための機械学習アルゴリズムとして、ＬＡＳＳＯ回帰モデルが用いられているが、細胞核判別モデルＭＯの作成のための機械学習アルゴリズムは任意に変更可能であり、例えばＲＩＤＧＥ ｒｅｇｒｅｓｓｉｏｎ、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ、Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ等といった他の機械学習アルゴリズムが用いられてもよい。

【0080】

上記実施形態の判別結果分析処理では、多次元クラスタリング手法として、ＵＭＡＰが用いられているが、多次元クラスタリング手法は任意に変更可能であり、例えばＰｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ、ｔ－ＳＮＥ等といった手法が用いられてもよい。

【0081】

上記実施形態では、情報処理装置１００が判別結果分析部１１９を備え、判別結果分析部１１９が判別結果分析処理を実行するものとしているが、情報処理装置１００は必ずしも判別結果分析部１１９を備える必要はなく、該処理は必ずしも実行される必要はない。

【0082】

上記実施形態では、ヒルシュスプルング病またはその類縁疾患の病理診断において神経節細胞核ＣＮ（Ｎｅ）の判別を実行するための情報処理を例示しているが、本明細書に開示される技術は、神経節細胞核ＣＮ（Ｎｅ）の判別に限らず、生体組織画像中の細胞核が特定種類の細胞核であるか否かの判別にも同様に適用可能である。例えば、本明細書に開示される技術は、炎症性細胞の核（炎症反応の理解のため）、ニューロン細胞の核（脳の機能解明）、上皮細胞・内皮細胞の核（皮膚機能の解明）、がん細胞の核（がんの浸潤能の解明）等の判別にも同様に適用可能である。

【0083】

上記実施形態において、ハードウェアによって実現されている構成の一部をソフトウェアに置き換えるようにしてもよく、反対に、ソフトウェアによって実現されている構成の一部をハードウェアに置き換えるようにしてもよい。

【符号の説明】

【0084】

１００：情報処理装置 １１０：制御部 １１１：細胞核判別処理部 １１２：訓練データ取得部 １１３：モデル取得部 １１４：対象画像取得部 １１５：領域特定部 １１６：細胞核特定部 １１７：形態情報取得部 １１８：判別実行部 １１９：判別結果分析部 １２０：記憶部 １３０：表示部 １４０：操作入力部 １５０：インターフェース部 １９０：バス ＣＰ：細胞核判別プログラム ＦＩ：形態情報 Ｉｂ：生体組織画像 Ｉｂｏ：対象画像 Ｉｔ：訓練用画像 ＭＯ：細胞核判別モデル ＮＰＡ：神経叢領域 ＲＤ：判別結果データ ＳＩ：スコア情報 ＴＤ：訓練データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】