本発明は、生体検査装置および生体検査方法に関するものである。 The present invention relates to a biopsy device and a biopsy method.
非特許文献１には、内視鏡観察による癌の検出において毛細血管のパターン等により病変部の有無を判断することができると記載されている。その際に、低倍率では不明瞭な病変であっても、高倍率で観察することにより病変部の有無の判断が容易となる。また、色素散布する手法や、近年では波長帯域を選択することにより病変部をより分かりやすくする手法も開発されてきている。しかし、的確に早期診断を行うためには医師の経験が必要である。 Non-Patent Document 1 describes that the presence or absence of a lesion can be determined by the capillary pattern or the like in detecting cancer by endoscopic observation. At that time, even if the lesion is unclear at low magnification, the presence or absence of the lesion is easily determined by observing at high magnification. In addition, a method for dispersing a pigment and a method for making a lesion more easily understood by selecting a wavelength band have been developed in recent years. However, a doctor's experience is necessary to make an early diagnosis accurately.
非特許文献２には、近赤外光（波長１０６４ｎｍ）を用いたラマン散乱のスペクトルを胃の正常部と悪性腫瘍部とで比較した結果、Ｎ-ＨまたはＯ-Ｈの伸縮振動に起因する３２４０ｃｍ−１のラマン散乱光とＣ-Ｈの伸縮振動に起因する２９４０ｃｍ−１のラマン散乱光との強度比が異なることが報告されている。これは、近赤外光を用いたラマンスペクトルにおいても正常部と病変部との差を検出することができる可能性があることを示している。In Non-Patent Document 2, as a result of comparing the spectrum of Raman scattering using near-infrared light (wavelength 1064 nm) between the normal part of the stomach and the malignant tumor part, it is caused by stretching vibration of NH or OH. the intensity ratio of the Raman scattered light 2940 cm-1 due to the stretching vibration of the Raman scattered light and the C-H of 3240cm-1 is reported to be different. This indicates that there is a possibility that a difference between a normal part and a lesion part can be detected even in a Raman spectrum using near infrared light.
非特許文献１に記載された毛細血管パターンに基づく病変部の検出は、判断基準が定量化されておらず、医師等の観察者の経験や技量に大きく依存しているので、高精度の検出が困難である。また、これは、毛細血管のパターンを高倍率で観察することにより病変部の有無の判断が容易となるものの、その場合には広い範囲を検査するには長時間を要する。 The detection of a lesion based on a capillary pattern described in Non-Patent Document 1 is not quantified, and is highly dependent on the experience and skill of an observer such as a doctor. Is difficult. In addition, this makes it easy to determine the presence or absence of a lesion by observing the capillary pattern at a high magnification, but in that case, it takes a long time to inspect a wide range.
非特許文献２に記載されたラマン散乱スペクトルに基づく病変部の検出は、生体組織の各測定点に対して高強度の近赤外光を集光照射する必要があり一点毎の測定しかできないため、広い範囲を検査するには長時間を要する。 The detection of a lesion part based on the Raman scattering spectrum described in Non-Patent Document 2 requires high-intensity near-infrared light to be focused and irradiated on each measurement point of a living tissue, and can only be measured point by point. It takes a long time to inspect a wide range.
本発明は、上記問題点を解消する為になされたものであり、短時間で高精度に生体組織の性状を判定することができる生体検査装置および生体検査方法を提供することを目的とする。 The present invention has been made to solve the above problems, and an object of the present invention is to provide a biopsy device and a biopsy method that can determine the properties of a living tissue with high accuracy in a short time.
本発明の生体検査装置は、(1) 生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値を取得する特性値取得部と、(2) 性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習部と、(3) 性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部により得られた複数波長に関する特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定する判定部と、を備えることを特徴とする。 The biopsy device of the present invention is (1) Acquisition of characteristic values for acquiring characteristic values related to a plurality of wavelengths of secondary light generated in a living tissue when the living tissue is irradiated with measurement light in a wavelength range of 1400 nm to 2250 nm. And (2) support based on the characteristic values for multiple wavelengths obtained by the characteristic value acquisition unit for each measurement point when the measurement light is irradiated to a large number of measurement points of biological tissue whose properties are known A learning unit that learns the properties of biological tissue using a vector machine, and (3) characteristic values for multiple wavelengths obtained by the characteristic value acquisition unit for biological tissue when measurement light is irradiated to biological tissue whose properties are unknown. And a determination unit that determines the properties of the living tissue using the support vector machine learned by the learning unit.
本発明の生体検査装置は、(1) 学習部が、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定部が、二次光の３０波長以上の各波長についての特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。 In the biopsy device of the present invention, (1) it is preferable that the learning unit learns the properties of the biological tissue by a support vector machine based on the characteristic values for each wavelength of 30 wavelengths or more of the secondary light, (2) It is preferable that the determination unit determines the properties of the living tissue by the support vector machine learned by the learning unit based on the characteristic values for each wavelength of 30 wavelengths or more of the secondary light.
本発明の生体検査装置は、(1) 学習部が、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定部が、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。 In the biopsy device of the present invention, (1) When the learning unit sets the characteristic value of the first wavelength of the secondary light to Ra and the characteristic value of the second wavelength to Rb, Ra-Rb, Ra / Rb and ( Based on the three feature dimensions of (Ra−Rb) / (Ra + Rb), it is preferable to learn the properties of the living tissue with a support vector machine. (2) The determination unit is Ra-Rb, Ra / Rb and ( Based on the three feature dimensions of (Ra−Rb) / (Ra + Rb), it is preferable to determine the properties of the living tissue using a support vector machine learned by the learning unit.
本発明の生体検査装置は、判定部により判定した生体組織の性状についての情報を形状情報に重ねて表示する表示部を更に備えるのが好適である。 The biopsy device of the present invention preferably further includes a display unit that displays information about the properties of the biological tissue determined by the determination unit, superimposed on the shape information.
本発明の生体検査方法は、(1) 性状が既知である生体組織の多数の測定点に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに各測定点で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する学習ステップと、(2) 性状が未知である生体組織に対して測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定する判定ステップと、を備えることを特徴とする。 The biopsy method of the present invention includes: (1) The secondary light generated at each measurement point when the measurement light in the wavelength range of 1400 nm to 2250 nm is irradiated to a large number of measurement points of a biological tissue whose properties are known. A learning step for learning the properties of the living tissue using the support vector machine based on the characteristic values related to multiple wavelengths, and (2) two occurrences in the living tissue when the measuring light is irradiated to the living tissue whose properties are unknown. And a determination step of determining the properties of the living tissue by the support vector machine learned in the learning step based on characteristic values relating to a plurality of wavelengths of the next light.
本発明の生体検査方法は、(1) 学習ステップにおいて、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定ステップにおいて、二次光の３０波長以上の各波長についての特性値に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。 The biopsy method of the present invention is preferably (1) in the learning step, based on the characteristic value for each wavelength of 30 wavelengths or more of the secondary light, learning the properties of the biological tissue by a support vector machine, (2) In the determination step, it is preferable to determine the property of the living tissue by the support vector machine learned in the learning step based on the characteristic value for each wavelength of 30 or more wavelengths of the secondary light.
本発明の生体検査方法は、(1) 学習ステップにおいて、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習するのが好適であり、(2) 判定ステップにおいて、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習ステップにおいて学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。 In the biopsy method of the present invention, (1) In the learning step, when the characteristic value of the first wavelength of the secondary light is Ra and the characteristic value of the second wavelength is Rb, Ra-Rb, Ra / Rb and ( Based on the three feature dimensions of (Ra−Rb) / (Ra + Rb), it is preferable to learn the properties of the living tissue by a support vector machine. (2) In the determination step, Ra−Rb, Ra / Rb and ( Based on the three feature dimensions of (Ra−Rb) / (Ra + Rb), it is preferable to determine the properties of the living tissue by the support vector machine learned in the learning step.
本発明の生体検査方法は、判定ステップにおいて判定した生体組織の性状についての情報を形状情報に重ねて表示する表示ステップを更に備えるのが好適である。 It is preferable that the biopsy method of the present invention further includes a display step of displaying information on the properties of the biological tissue determined in the determination step so as to be superimposed on the shape information.
本発明によれば、短時間で高精度に生体組織の性状を判定することができる。 According to the present invention, the properties of living tissue can be determined with high accuracy in a short time.
以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。 DESCRIPTION OF EMBODIMENTS Hereinafter, embodiments for carrying out the present invention will be described in detail with reference to the accompanying drawings. In the description of the drawings, the same elements are denoted by the same reference numerals, and redundant description is omitted.
図１は、本実施形態の生体検査装置１０の構成を示す図である。本実施形態の生体検査装置１０は、特性値取得部１１，学習部１２、判定部１３および表示部１４を備える。特性値取得部１１は、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値を取得する。学習部１２は、性状が既知である生体組織の多数の測定点に対して測定光を照射したときに各測定点について特性値取得部１１により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習する。判定部１３は、性状が未知である生体組織に対して測定光を照射したときに生体組織について特性値取得部１１により得られた複数波長に関する特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状を判定する。表示部１４は、判定部１３により判定した生体組織の性状についての情報を形状情報に重ねて表示する。 FIG. 1 is a diagram illustrating a configuration of a biological examination apparatus 10 according to the present embodiment. The biopsy device 10 of this embodiment includes a characteristic value acquisition unit 11, a learning unit 12, a determination unit 13, and a display unit 14. The characteristic value acquisition unit 11 acquires characteristic values related to a plurality of wavelengths of secondary light generated in the biological tissue when the biological tissue is irradiated with measurement light in the wavelength range of 1400 nm to 2250 nm. The learning unit 12 supports, based on the characteristic values regarding the plurality of wavelengths obtained by the characteristic value acquiring unit 11 for each measurement point when the measurement light is irradiated to a large number of measurement points of the biological tissue whose properties are known. Learn the properties of living tissue with a vector machine. The determination unit 13 supports learning learned by the learning unit 12 on the basis of the characteristic values related to a plurality of wavelengths obtained by the characteristic value acquisition unit 11 for the biological tissue when the measurement light is irradiated to the biological tissue whose property is unknown. The properties of the living tissue are determined by a vector machine. The display unit 14 displays the information on the properties of the living tissue determined by the determination unit 13 so as to overlap the shape information.
特性値取得部１１は，例えば、対物光学系、分光器、ＣＣＤを含んで構成される。学習部１２は、例えば、パーソナルコンピュータである。判定部１３は、例えば、パーソナルコンピュータである。表示部１４は、液晶ディスプレー、ＣＲＴ、プリンタ等である。 The characteristic value acquisition unit 11 includes, for example, an objective optical system, a spectroscope, and a CCD. The learning unit 12 is, for example, a personal computer. The determination unit 13 is, for example, a personal computer. The display unit 14 is a liquid crystal display, a CRT, a printer, or the like.
本実施形態の生体検査装置１０の動作および本実施形態の生体検査方法は以下のとおりである。先ず、性状が既知である生体組織の多数の測定点に対して測定光（波長範囲１４００ｎｍ〜２２５０ｎｍ）が照射されて、そのときに各測定点で生じた二次光（透過光または反射光）の複数波長に関する特性値（透過率または反射率）が特性値取得部１１により得られる。学習部１２において、この特性値取得部１１により得られた複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状が学習される。 The operation of the biopsy device 10 of this embodiment and the biopsy method of this embodiment are as follows. First, measurement light (wavelength range: 1400 nm to 2250 nm) is irradiated to a large number of measurement points of a biological tissue whose properties are known, and secondary light (transmitted light or reflected light) generated at each measurement point at that time. A characteristic value (transmittance or reflectance) relating to a plurality of wavelengths is obtained by the characteristic value acquisition unit 11. In the learning unit 12, the characteristics of the living tissue are learned by the support vector machine based on the characteristic values regarding the plurality of wavelengths obtained by the characteristic value acquiring unit 11.
次に、性状が未知である生体組織に対して測定光（波長範囲１４００ｎｍ〜２２５０ｎｍ）が照射されて、そのときに生体組織で生じた二次光（透過光または反射光）の複数波長に関する特性値（透過率または反射率）が特性値取得部１１により得られる。判定部１３において、この特性値取得部１１により得られた複数波長に関する特性値に基づいて、学習部１２により学習したサポートベクターマシンにより生体組織の性状が判定される。そして、表示部１４により、判定部１３により判定された生体組織の性状についての情報が、例えばカメラ画像等の可視領域も含む単一波長若しくは複数波長にＲＧＢを割り当てて表示された反射光強度分布形状情報に重ねられて表示される。 Next, the measurement light (wavelength range: 1400 nm to 2250 nm) is irradiated onto the biological tissue whose properties are unknown, and the characteristics relating to the multiple wavelengths of the secondary light (transmitted light or reflected light) generated in the biological tissue at that time A value (transmittance or reflectance) is obtained by the characteristic value acquisition unit 11. In the determination unit 13, the property of the living tissue is determined by the support vector machine learned by the learning unit 12 based on the characteristic values regarding the plurality of wavelengths obtained by the characteristic value acquisition unit 11. Then, the reflected light intensity distribution in which the information about the properties of the living tissue determined by the determination unit 13 is displayed by the display unit 14 by assigning RGB to a single wavelength or a plurality of wavelengths including a visible region such as a camera image, for example. It is displayed superimposed on the shape information.
本実施形態では、生体組織に対して波長範囲１４００ｎｍ〜２２５０ｎｍ内の測定光を照射したときに生体組織で生じた二次光の複数波長に関する特性値に基づいて、サポートベクターマシンにより生体組織の性状の学習および判定が行われるので、医師等の観察者の経験や技量に依存することなく、短時間で高精度に生体組織の性状の判定が可能である。また、判定部１３により判定された生体組織の性状についての情報が表示部１４により形状情報に重ねられて表示されることにより、より迅速な診断が可能となる。 In the present embodiment, the characteristics of the biological tissue are determined by the support vector machine based on the characteristic values regarding the multiple wavelengths of the secondary light generated in the biological tissue when the biological tissue is irradiated with the measurement light in the wavelength range of 1400 nm to 2250 nm. Therefore, it is possible to determine the properties of the living tissue with high accuracy in a short time without depending on the experience and skill of an observer such as a doctor. In addition, the information about the properties of the living tissue determined by the determination unit 13 is displayed by being superimposed on the shape information by the display unit 14, thereby enabling a quicker diagnosis.
本実施形態では、学習部１２は、二次光の３０波長以上の各波長についての特性値に基づいて、サポートベクターマシンにより生体組織の性状を学習し、判定部１３は、二次光の３０波長以上の各波長についての特性値に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。このように、測定波長を一定数以上とすることにより、特性値の情報量が多くなり、判定精度の向上が可能となる。 In the present embodiment, the learning unit 12 learns the properties of the biological tissue by the support vector machine based on the characteristic values for each wavelength of 30 wavelengths or more of the secondary light, and the determination unit 13 determines the secondary light 30 Based on the characteristic value for each wavelength equal to or greater than the wavelength, it is preferable to determine the properties of the living tissue using a support vector machine learned by the learning unit. In this way, by setting the measurement wavelength to a certain number or more, the information amount of the characteristic value is increased, and the determination accuracy can be improved.
また、本実施形態では、学習部１２は、二次光の第１波長の特性値をＲａとし第２波長の特性値をＲｂとしたときに、Ｒａ−Ｒｂ、Ｒａ／Ｒｂおよび (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、サポートベクターマシンにより生体組織の性状を学習し、判定部１３は、Ｒａ−Ｒｂ、Ｒａ／Ｒｂ および (Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元に基づいて、学習部により学習したサポートベクターマシンにより生体組織の性状を判定するのが好適である。このようにすることで、得られたスペクトルデータを最大限利用することができるので、ベースラインの変動をキャンセルしつつ、微小な信号からの寄与を抑制することができる。 In the present embodiment, the learning unit 12 uses Ra-Rb, Ra / Rb, and (Ra-Rb) when the characteristic value of the first wavelength of the secondary light is Ra and the characteristic value of the second wavelength is Rb. ) / (Ra + Rb) based on the three feature dimensions, the support vector machine learns the properties of the living tissue, and the determination unit 13 determines Ra-Rb, Ra / Rb and (Ra-Rb) / (Ra + Rb) 3 Based on one feature dimension, it is preferable to determine the properties of the living tissue by the support vector machine learned by the learning unit. In this way, since the obtained spectrum data can be used to the maximum extent, it is possible to suppress the contribution from a minute signal while canceling the fluctuation of the baseline.
内視鏡手術により摘出された胃がんサンプルを、ゴム板上に針で広げた状態で生理食塩水中に保持した。生理食塩水中から取り出した直後の胃がんサンプルのうち６ｃｍ×８ｃｍのエリアの近赤外反射スペクトルを波長１４００〜２２５０ｎｍの範囲で測定した。このときの画素数は３２０×４００であった。その後に行った病理検査との照合を行い、病変部分を正例にするとともに、残る領域から一定の境界領域と摘出手術の際に行う焼灼の影響を受けたと考えられる領域とを除いた領域を負例として、サポートベクターマシンを用いた学習を行った。 A gastric cancer sample removed by endoscopic surgery was held in physiological saline in a state of being spread with a needle on a rubber plate. The near-infrared reflection spectrum of an area of 6 cm × 8 cm in the stomach cancer sample immediately after being taken out from physiological saline was measured in the wavelength range of 1400 to 2250 nm. The number of pixels at this time was 320 × 400. After confirming with the pathological examination performed after that, the lesion part is made a positive example, and the area excluding the fixed boundary area and the area considered to be affected by cauterization performed at the time of excision surgery from the remaining area As a negative example, we performed learning using a support vector machine.
なお、スペクトルデータをサポートベクターマシンの判定に用いる際には、ケース１〜３では波長領域１４００〜２２５０ｎｍ内の１３５波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として、学習および判定を行った。ケース４では波長領域１４００〜２２５０ｎｍ内の３４波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として学習および判定を行った。ケース５では波長領域１４００〜２２５０ｎｍ内の６８波長分の反射率データに対して、特定の選択した波長ａの反射率Ｒａと他の波長ｂの反射率Ｒｂとから計算される量を特徴次元として学習および判定を行った。 When spectral data is used for the determination of the support vector machine, in cases 1 to 3, the reflectance Ra for a specific selected wavelength a is compared with the reflectance data for 135 wavelengths in the wavelength region 1400 to 2250 nm. Learning and determination were performed using the amount calculated from the reflectance Rb of another wavelength b as a feature dimension. In case 4, with respect to the reflectance data for 34 wavelengths in the wavelength region 1400 to 2250 nm, the amount calculated from the reflectance Ra of a specific selected wavelength a and the reflectance Rb of another wavelength b is used as a feature dimension. Learning and judgment were performed. In case 5, with respect to the reflectance data for 68 wavelengths in the wavelength region 1400 to 2250 nm, the amount calculated from the reflectance Ra of the specific selected wavelength a and the reflectance Rb of other wavelengths b is used as the feature dimension. Learning and judgment were performed.
図２は、各実施例（ケース１〜５）の条件および結果を示す図表である。ケース１では、３×３pixelの平均化処理を行い、差分Ｒａ−Ｒｂについて学習および判定を行った。ケース２では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂについて学習および判定を行った。ケース３では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂおよび比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元について学習および判定を行った。また、ケース４，５では、５×５pixelの平均化処理を行い、差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂおよび比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ) の３つの特徴次元について学習および判定を行った。 FIG. 2 is a chart showing the conditions and results of the examples (cases 1 to 5). In Case 1, averaging processing of 3 × 3 pixels was performed, and learning and determination were performed for the difference Ra−Rb. In Case 2, averaging processing of 5 × 5 pixels was performed, and learning and determination were performed for the difference Ra−Rb. In case 3, averaging processing of 5 × 5 pixels was performed, and learning and determination were performed for three feature dimensions of difference Ra−Rb, ratio Ra / Rb, and ratio (Ra−Rb) / (Ra + Rb). In cases 4 and 5, averaging processing of 5 × 5 pixels was performed, and learning and determination were performed for three feature dimensions of difference Ra−Rb, ratio Ra / Rb, and ratio (Ra−Rb) / (Ra + Rb). .
図３は、病理診断に基づく学習領域を示す図である。図４は、ケース１の性状判定結果を示す図である。図５は、ケース２の性状判定結果を示す図である。図６は、ケース３の性状判定結果を示す図である。これらの図において、白色領域は正例（病変部）と判定された領域であり、図３の灰色とされた領域および図４〜６の黒色領域は負例（正常部）と判定された領域である。 FIG. 3 is a diagram illustrating a learning area based on pathological diagnosis. FIG. 4 is a diagram illustrating the result of property determination for case 1. FIG. 5 is a diagram showing the property determination result of case 2. In FIG. FIG. 6 is a diagram illustrating the property determination result of case 3. In FIG. In these figures, the white area is an area determined as a positive example (lesioned part), and the gray area in FIG. 3 and the black area in FIGS. 4 to 6 are areas determined as negative examples (normal part). It is.
上記の使用パラメータ（差分Ｒａ−Ｒｂ，比率Ｒａ／Ｒｂ，比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ)） を採用することにより、ベースライン変動の影響を受けることなく、微小な変動しか示さない特徴を抽出することができる。また、サポートベクターマシンの判定を行う前に反射スペクトルデータに対して平均化処理（ケース１〜３では３×３または５×５pixelの平均化処理）を行ってデータのノイズ成分を除去することが有効である。 By adopting the above usage parameters (difference Ra-Rb, ratio Ra / Rb, ratio (Ra-Rb) / (Ra + Rb)) Can be extracted. In addition, before performing the support vector machine determination, it is possible to perform an averaging process (3 × 3 or 5 × 5 pixel averaging process in cases 1 to 3) on the reflection spectrum data to remove the noise component of the data. It is valid.
上記の学習結果から、感度（正例として指定した領域を正例と判定する割合）８０％及び特異度（負例を正例と判定しない割合）９０％を上回る結果が得られた。判定された画像（図４〜図６）は病理検査の結果（図３）を良く再現している。本方法により、がん病変部と健常部の判定が高精度で可能であることがわかる。周辺画素の平均化については３×３pixelの場合より５×５pixelの場合の判定精度が向上しており、平均化する画素数が多いほどノイズをよりキャンセルできていると考えられる。 From the above learning results, a result was obtained that exceeded 80% sensitivity (a ratio for determining a region designated as a positive example as a positive example) and 90% specificity (a ratio at which a negative example was not determined as a positive example). The determined images (FIGS. 4 to 6) reproduce the pathological examination results (FIG. 3) well. By this method, it can be seen that the determination of a cancerous lesion part and a healthy part can be performed with high accuracy. Regarding the averaging of peripheral pixels, the determination accuracy in the case of 5 × 5 pixels is improved compared to the case of 3 × 3 pixels, and it is considered that the noise can be canceled more as the number of pixels to be averaged is larger.
また、学習に利用するパラメータの形態としては、単純な反射率の差分Ｒａ−Ｒｂのみを考慮するより、比率（比率Ｒａ／Ｒｂ，比率(Ｒａ−Ｒｂ)／(Ｒａ＋Ｒｂ)） も含めたデータに対して学習を行うことで、より微小な変動の特徴を抽出し、その結果判定率が向上することが分かる。 In addition, as a form of parameters used for learning, the data including the ratio (ratio Ra / Rb, ratio (Ra-Rb) / (Ra + Rb)) is used instead of considering only the simple reflectance difference Ra-Rb. It can be seen that by performing learning on the feature, a feature of a minute variation is extracted, and as a result, the determination rate is improved.
なお、上記結果より、本実施形態の生体検査装置および生体検査方法が胃がんの判定に有効であることが分かる。また、一度サポートベクターマシンで判定基準が作成できれば、未知サンプルへの判定は短時間（数秒以下）で行うことが可能であり、例えば術中診断や内視鏡において有効であると考えられる。 In addition, it turns out from the said result that the biopsy apparatus and biopsy method of this embodiment are effective for determination of gastric cancer. Further, once a determination criterion can be created with a support vector machine, it is possible to determine an unknown sample in a short time (several seconds or less), and it is considered to be effective in, for example, intraoperative diagnosis and endoscope.
１０…生体検査装置、１１…特性値取得部、１２…学習部、１３…判定部、１４…表示部。
DESCRIPTION OF SYMBOLS 10 ... Biopsy apparatus, 11 ... Characteristic value acquisition part, 12 ... Learning part, 13 ... Determination part, 14 ... Display part.
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011040279AJP2012176096A (en) | 2011-02-25 | 2011-02-25 | Biopsy device and biopsy method |
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011040279AJP2012176096A (en) | 2011-02-25 | 2011-02-25 | Biopsy device and biopsy method |
| Publication Number | Publication Date |
|---|---|
| JP2012176096Atrue JP2012176096A (en) | 2012-09-13 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011040279APendingJP2012176096A (en) | 2011-02-25 | 2011-02-25 | Biopsy device and biopsy method |
| Country | Link |
|---|---|
| JP (1) | JP2012176096A (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013178233A (en)* | 2012-01-30 | 2013-09-09 | Canon Inc | Noise reduction processing method and apparatus of biological tissue image |
| CN104217388A (en)* | 2014-01-22 | 2014-12-17 | 河南师范大学 | Method and device of embedding and extracting image watermark based on FSSVM (Fuzzy Smooth Support Vector Machine) |
| WO2019073666A1 (en)* | 2017-10-11 | 2019-04-18 | 株式会社ニコン | Determination device, determination method, and determination program |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008536580A (en)* | 2005-04-15 | 2008-09-11 | バイエル・ヘルスケア・エルエルシー | Noninvasive system for measuring glucose in the body |
| JP2009300131A (en)* | 2008-06-11 | 2009-12-24 | Tokyo Institute Of Technology | Bio-tissue discriminating apparatus and method |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008536580A (en)* | 2005-04-15 | 2008-09-11 | バイエル・ヘルスケア・エルエルシー | Noninvasive system for measuring glucose in the body |
| JP2009300131A (en)* | 2008-06-11 | 2009-12-24 | Tokyo Institute Of Technology | Bio-tissue discriminating apparatus and method |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013178233A (en)* | 2012-01-30 | 2013-09-09 | Canon Inc | Noise reduction processing method and apparatus of biological tissue image |
| CN104217388A (en)* | 2014-01-22 | 2014-12-17 | 河南师范大学 | Method and device of embedding and extracting image watermark based on FSSVM (Fuzzy Smooth Support Vector Machine) |
| CN104217388B (en)* | 2014-01-22 | 2017-10-24 | 河南师范大学 | A kind of image watermark insertion based on FSSVM, the method and apparatus extracted |
| WO2019073666A1 (en)* | 2017-10-11 | 2019-04-18 | 株式会社ニコン | Determination device, determination method, and determination program |
| JPWO2019073666A1 (en)* | 2017-10-11 | 2020-12-03 | 株式会社ニコン | Judgment device, judgment method, and judgment program |
| Publication | Publication Date | Title |
|---|---|---|
| JP6230077B2 (en) | Methods related to real-time cancer diagnosis in endoscopy using fiber optic Raman spectroscopy | |
| JP6247316B2 (en) | Imaging system with hyperspectral camera guide probe | |
| US20190261913A1 (en) | Hyperspectral imaging for passive detection of colorectal cancers | |
| Jung et al. | Active blood detection in a high resolution capsule endoscopy using color spectrum transformation | |
| JP2009300131A (en) | Bio-tissue discriminating apparatus and method | |
| JP6643982B2 (en) | Image processing apparatus, image processing method, and image processing program | |
| EP2811890B1 (en) | Method and apparatus for tissue disease diagnosis | |
| Orfanoudaki et al. | A clinical study of optical biopsy of the uterine cervix using a multispectral imaging system | |
| Zheng et al. | Hyperspectral wide gap second derivative analysis for in vivo detection of cervical intraepithelial neoplasia | |
| Myslicka et al. | Review of the application of the most current sophisticated image processing methods for the skin cancer diagnostics purposes | |
| Vestergaard et al. | Automated diagnostic instruments for cutaneous melanoma | |
| JP2012176096A (en) | Biopsy device and biopsy method | |
| Tan et al. | New technologies and advances in colposcopic assessment | |
| JP2013119019A (en) | Device and program for evaluation of visual function | |
| US20150011893A1 (en) | Evaluation of skin lesions by raman spectroscopy | |
| CN107430770A (en) | Processing optical coherence tomography scans | |
| EP3749211A1 (en) | Complex analysis system of spectrophotometry and ultrasound images and data for automatic early-stage diagnosing of malignant skin tumors | |
| WO2019102740A1 (en) | Ophthalmic information processing device, ophthalmic system, ophthalmic information processing method, and program | |
| CN116530914A (en) | Optical coherence tomography endoscope imaging method and system based on spectrum section | |
| Pinto | Real-Time Intraoperative Spectroscopic Margin Detection in Robotic-Assisted Radical Prostatectomy on Prostate Cancer Patients | |
| Gillenwater et al. | O76. Autofluorescence imaging for early detection of oral neoplasia | |
| Dressler et al. | Detection of Suspicious Tissue Lesions: Raman spectroscopy (RS) provides the chance for future clinical see‐and‐treat approaches | |
| Schwarz et al. | Real-time spectroscopic evaluation of oral lesions and comparisons with histopathology | |
| Rüdinger et al. | Bimodal tissue differentiation using hyperspectral imaging and elastographic Fourier transform profilometry |
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination | Free format text:JAPANESE INTERMEDIATE CODE: A621 Effective date:20130912 | |
| A977 | Report on retrieval | Free format text:JAPANESE INTERMEDIATE CODE: A971007 Effective date:20140221 | |
| A131 | Notification of reasons for refusal | Free format text:JAPANESE INTERMEDIATE CODE: A131 Effective date:20140225 | |
| A02 | Decision of refusal | Free format text:JAPANESE INTERMEDIATE CODE: A02 Effective date:20140701 |