tain)处理的样本。因此，母血中的源于胎儿的有核红血细胞被染色为蓝紫色。有核红血细胞被称作目标细胞。
[0037]图像处理装置4获取通过光学显微镜2进行图像捕获所获得的捕获图像(下文中，称作测试图像)。图2示出了测试图像的示例。如图2所示，测试图像包括包含在母体红血细胞中的各种细胞的图像。具有深色的核的细胞是目标细胞。应该注意，目标细胞(有核红血细胞)的核通过迈-吉姆萨染色液被染成比其它细胞的核的颜色稍深的颜色。
[0038]另外，图像处理装置4在捕获图像中设置各自可能包括目标细胞的多个显示主题区。设置的显示主题区的图像的列表显示在显示器6上。
[0039]显示器6基于图像处理装置4的处理结果显示画面。在该示例性实施例中，显示器6显示对应的显示主题区的图像的列表。图3示出了显示在显示器6上的显示主题区的图像的列表的示例。用户(例如，医生)参考每个图像，并且搜索例如产前诊断所需的多个目标细胞。
[0040]该图像处理系统I采取手段以减少待参考的图像数量，以找出所需数量的目标细胞。也就是说，针对各个显示主题区，计算图像是目标细胞的图像的概率。计算的概率较高的图像显示在上侧。另外，概率的计算精度增大，从而随着图像具有该图像为目标细胞的图像的较高概率，概率被更高度评价。
[0041]下面描述了在增大概率的计算精度的同时、减少待参考的图像的数量以找出所需数量的目标细胞的技术。
[0042]图4是示出通过图像处理装置4提供的功能组的功能性框图。在图像处理装置4中设置有测试图像获取单元8、核备选区提取单元10、确定主题区设置单元12、图像特征提取单元14、可靠性计算单元16、有核红血细胞备选区设置单元18、显示主题区设置单元20和显示主题区显示单元22。当包括诸如微处理器的控制装置、诸如存储器的存储装置、用于将数据发送至外部装置/从外部装置接收数据的输入/输出装置等的计算机读和执行存储在计算机可读信息存储介质(例如，光盘、磁盘、磁带、磁光盘、闪速存储器等)中的程序时，提供这些功能。作为另外一种选择，可通过诸如互联网的数据通信网络将程序供应至为计算机的图像处理装置4。
[0043]下面描述各功能。测试图像获取单元8从光学显微镜2获取通过光学显微镜2捕获的测试图像的数据(见图2)。
[0044]核备选区提取单元10提取各自被包括在测试图像中并且对应于目标细胞的核的核备选区。例如，核备选区提取单元10提取包括在测试图像中的重要像素的像素块24。在这种情况下，重要像素是密度值等于或大于阈值的像素。然后，核备选区提取单元10指明各个像素块24的限定的矩形区作为核备选区26，并且获取指示被指明的核备选区26的坐标数据。图5示出了从测试图像提取的像素块24和核备选区26的示例。黑色实心部分指示像素块24。
[0045]确定主题区设置单元12将以包括在各个核备选区26中的像素中的各个单个像素为中心的矩形区设为确定主题区28。可针对单个像素设置单个确定主题区28，或者可针对单个像素设置具有不同大小的多个确定主题区28。在该示例性实施例中，确定主题区28的大小至少与核备选区26的相同。图6示出了确定主题区28的示例。图6示出了以左上核备选区26中的像素为中心的确定主题区28。
[0046]图像特征提取单元14针对各个确定主题区28提取确定主题区28的图像的图像特征量。例如，图像特征提取单元16计算各个确定主题区28的图像的H0G(方向梯度直方图)特征量。
[0047]在这种情况下，图像特征提取单元14针对确定主题区28中的各个像素获得像素的亮度梯度向量。亮度梯度向量包括指示取向(亮度梯度取向)的角度和幅度(亮度梯度强度)。另外，图像特征提取单元14在确定主题区28中设置数量为Y的块区，各个块区包括数量为X的细胞区，并且针对形成各个块区的各个细胞区获得亮度梯度取向直方图。亮度梯度取向直方图具有通过将O至180度的角度范围划分为9个区段(下文中，称作堆栈(bin))形成的9个角度范围，并且将细胞中的各个像素的亮度梯度向量分类至对应于该向量的取向的堆栈中。另外，计算分类至堆栈中的亮度梯度向量的幅度的总和，作为堆栈的度。
[0048]然后，基于块区执行标准化，从而针对各个细胞区获得的亮度梯度取向直方图的均方变为I。计算通过关联块区中的标准化的亮度梯度取向直方图生成的值“9XX”作为块区的特征量，并且计算通过关联所有块区生成的值“9XXXY”作为确定主题区28的HOG特征量。
[0049]作为另外一种选择，图像特征提取单元14可计算稍后描述的Cell-HOG (细胞-方向梯度直方图)特征量。在这种情况下，与HOG特征量不同，获得具有通过将O至360度的角度范围划分为18个区段获得的18个堆栈的亮度梯度取向直方图。另外，在不进行针对各个细胞区获得的亮度梯度取向直方图的标准化的情况下，计算通过关联块区中的亮度梯度取向直方图生成的值“18XX”，作为块区的特征量。另外，计算通过关联所有块区生成的值“ 18 X X X Y ”，作为确定主题区的Ce 11-HOG特征量。
[0050]可靠性计算单元16针对各个确定主题区28基于确定主题区28的图像的图像特征量获取指示确定主题区28中的图像是目标细胞的图像的概率(下文中，称作可靠性)的数值。可靠性对应于基本概率信息。
[0051]具体地说，当将确定主题区28的图像的图像特征量输入至通过学习算法先前产生的标识符时，可靠性计算单元16获取输出值作为可靠性。随着可靠性的值变大，确定主题区28中的图像是目标细胞的图像的概率增大。在这种情况下，使用根据AdaBoost算法通过学习数量为N的样本图像中的每一个的各个图像特征量产生的标识符。在该示例性实施例中，使用Gentle AdaBoost作为AdaBoost算法。然而，不限于此。例如，AdaBoost算法可使用离散AdaBoost算法。作为另外一种选择，可使用通过另一学习算法而非AdaBoost算法产生的标识符。
[0052]简单描述了 AdaBoost算法。在这种情况下，采用了这样的示例，其中通过利用Gentle AdaBoost算法从数量为N块的数据中学习产生标识符，同时特征量为X1，并且分类标签为Yi (YiE {-1, I}) ο在Gentle AdaBoost算法中，在赋予各个数据的权重w ;的初始值为“1/N”并且标识符F(X)的初始值为“O”时，最佳弱标识符圪⑴选自各个回归树，并且利用如下的表达式⑴和表达式⑵更新标识符F(X)和权重Wl。另外，在更新^之后，执行标准化以使得W1的总和变为“ I ”。
[0053]F(X) — F(X)+Jim(X)...表达式(I)
[0054]Wi^ w ；.exp (-y；.fm (Xi))...表达式(2)
[0055]在这种情况下，当选择最佳弱标识符时，选择具有标识符F(X)的加权误差最小的期望值E [exp (_y.F(X))]的树圪“)。弱标识符圪(X)由以下表达式⑶表达。
[0056]fm (X) = Pw (y = 11 X) -Pw (y = -1 I X)...表达式(3)
[0057]在这种情况下，Pw(y = 11X)和Pw(y = -1 I χ)是用w加权的概率值。通过将χ所属的叶节点中的正数据的权重W的总值除以该叶节点中的所有数据的权重w的总值获得Pw(y=l|x)o另外，通过将X所属的叶节点中的负数据的权重W的总值除以该叶节点中的所有数据的权重w的总值获得Pw (y = -1 I χ)。
[0058]然后，基于表达式(I)至表达式(3)将标识符F(X)和权重^的更新执行数量M次，因此获得表达式(4)指示的标识符F (χ)。
[0059]F(x) = Xm = lMMfm(x)...表达式(4)
[0060]有核红血细胞备选区设置单元18设置包括目标细胞的概率为预定水平或更高的有核红血细胞备选区。也就是说，有核红血细胞备选区设置单元18将可靠性为阈值或更高的确