专利名称：数据处理装置、数据处理方法、图像处理装置和方法以及程序的制作方法
技术领域：
本公开涉及数据处理装置、数据处理方法、图像处理装置及方法和程序，更具体地讲，涉及当对进行具有周期性的运动的物体执行评估时生成变为指标(index)的数据的数据处理装置及其方法、图像处理装置和方法以及程序。
背景技术：
在再生医学领域，已经实现了使用由培养细胞制备的所培养的细胞来对由于事故、疾病等而失去的身体的细胞、组织、器官等进行再生并进行功能恢复。可被制备成这样 所培养细胞的细胞组织涵盖众多领域，这些领域之一中的心肌细胞被用于心脏治疗。所培养的心肌细胞自身具有与搏动(pulsation)相对应的运动。这里，在所培养的心肌细胞的制备阶段，例如，有必要对这种运动是否是良好的执行质量评估。当对培养的心肌细胞执行这种质量评估时，例如，在当前情形下，执行目视观察。此外，通过将电极刺入培养的心肌细胞来测量电位。然而，目视观察十分依赖于观察者的观点，并且较难得到客观且精确的评估结果。此外，在测量电位的情况下，培养的心肌细胞与电极接触，并且因此存在着不是非侵害性的问题。此外，可以基于对电位的测量进行量化的信息仅仅局限于例如搏动时间。这里，作为根据现有技术的一种技术，已知这样一种配置测量点是根据对心肌细胞进行拍照而获得的成像画面而设置的，测量点的亮度被自动测量并且从所测得的值来测量心肌细胞的变形周期(例如，参考PTL1)。引用列表专利文献PTL I :日本未经实审的专利申请公报No. 63-233392(图I)
发明内容
技术问题然而，在根据以上描述的相关技术的该技术中，由于亮度的周期性变化是测量的对象，所以能被测量的对象局限于搏动周期的时间间隔。即，尽管该技术是非侵害性的，但是可以被量化的信息局限于搏动的周期的事实，使得存在与测量电位的情况中相同的问题，并且仍然难以获得精确的评估结果。本公开已考虑了上述情形，并且其目的是与对由培养的心肌细胞等表示的、进行周期性运动的物体的运动执行的评估相比，以更高的精度来执行精确的评估。问题的解决方案作出本公开以解决这些问题。根据第一方面，一种数据处理装置包括运动检测单元，其将多个帧图像数据划分成根据预定像素数的排列的块并且检测每个相应块的运动的时间序列数据，所述多个帧图像数据形成具有物体的图像内容的运动图像数据，所述物体执行周期性的运动；特征量计算单元，其根据所检测的每个块的运动的时间序列数据计算每个块的至少一种特征量；以及分类处理单元，其基于所述计算出的特征量来生成分类数据，所述分类数据表示将形成所述多个帧图像数据中的任何一个的每个块分类到预定数量的分类类别中的任何一个中的结果。因此，存在根据以特征量为基础设置的分类类别来对进行周期性运动的物体的图像进行分类的效果。此外，在第一方面中，所述特征量计算单元可以对于每个块计算多种的所述特征量，并且所述分类单元可以根据计算的多种的所述特征量生成所述分类数据。因此，存在根据基于多个特征量的组合设置的分类类别来对进行周期性运动的物体的图像进行分类的效果。此外，在第一方面中，所述特征量计算单元可以计算平均运动方向作为所述特征 量的一种，所述平均运动方向是在预定的时间内每单位时间的运动方向的平均值。因此，存在根据基于至少所述平均运动方向设置的分类类别对进行周期性运动的对象的图像进行分类的效果。此外，在第一方面中，所述特征量计算单元可以计算计算平均运动量作为所述特征量的一种，所述平均运动量是在预定的时间内每单位时间的运动量的平均值。因此，存在根据基于至少所述平均运动量设置的分类类别对进行周期性运动的对象的图像进行分类的效果。此外，在第一方面中，所述特征量计算单元可以计算平均幅度作为所述特征量的一种，所述平均幅度是在预定的时间内获得的具有预定的或更高的运动量的幅度的平均值。因此，存在根据基于至少所述平均幅度设置的分类类别对进行周期性运动的对象的图像进行分类的效果。此外，在第一方面中，所述特征量计算单元可以计算平均加速度作为所述特征量的一种，所述平均加速度是在预定的时间内每单位时间的运动加速度的平均值。因此，存在根据基于至少所述平均加速度设置的分类类别对进行周期性运动的对象的图像进行分类的效果。此外，在第一方面中，所述特征量计算单元可以计算平均运动间隔作为所述特征量的一种，所述平均运动间隔是在预定的时间内在其中获得具有预定的或更高的运动量的幅度的时间间隔的平均值。因此，存在根据基于至少所述平均运动间隔设置的分类类别对进行周期性运动的对象的图像进行分类的效果。此外，在第一方面中，所述特征量计算单元可以计算运动开始时间作为所述特征量的一种，所述运动开始时间是从预定的时刻到获得具有固定的或更高的运动量的幅度时的时刻为止的时间。因此，存在根据基于至少所述运动开始时间设置的分类类别对进行周期性运动的对象的图像进行分类的效果。此外，在第一方面中，所述分类单元可以执行以下处理与所述多个分类类别对应地计算具有不同的特征量的组合的多个模板中的每一个模板和所述块之间的距离，并且针对每一个块，根据所计算的距离来将所述块分类到所述多个分类类别中的任何一个分类类另IJ。因此，存在基于所述多个模板的每个与所述块之间的距离来获得分类结果的效果。所述分类单元可以通过基于与每个所述块相对应地计算出的特征量根据k平均法执行聚类，来将每个所述块分类到预定数量的分类类别中的任何一个分类类别。因此，存在通过k平均法获得分类结果的效果。根据本公开的另一方面，一种图像处理装置包括运动检测单元，其使用评估对象的图像来检测所述评估对象的运动；指标数据生成单元，其通过使用表示所述运动检测单元检测 到的所述评估对象的运动的运动矢量来生成指标数据，所述指标数据表示所述评估对象的运动的特征并且被用作对所述评估对象进行评估的指标；以及评估值计算单元，其评估所述指标数据生成单元生成的指标数据并且计算评估值。所述指标数据生成单元可以生成与所述评估对象的运动的幅度的大小有关的指标数据、和与所述评估对象的运动的峰值的单位时间频率有关的指标数据，并且所述评估值计算单元可以使用所述指标数据生成单元生成的与所述评估对象的运动的幅度的大小有关的指标数据来计算对所述评估对象的运动的幅度的大小进行评估的评估值，并且还可以使用所述指标数据生成单元生成的与所述评估对象的运动的峰值的单位时间频率有关的指标数据来计算对所述评估对象的运动的峰值的单位时间频率进行评估的评估值。与所述评估对象的运动的幅度的大小有关的指标数据可以是在所述评估对象的整个图像上的归一化的所述幅度和归一化的所述幅度的离差的乘积的平均值。与所述评估对象的运动的幅度的大小有关的指标数据可以是归一化的幅度和归一化的幅度的离差的乘积的值高于或等于预定阈值的区域相对于所述评估对象的整个图像的比例。与所述评估对象的运动的峰值的单位时间频率有关的指标数据可以是在整个画面上归一化的单位时间的峰值数与归一化的单位时间的峰值数的离差的乘积的平均值。与所述评估对象的运动的峰值的单位时间频率有关的指标数据可以是归一化的单位时间的峰值数与归一化的单位时间的峰值数的离差的乘积的值高于或等于预定阈值的区域相对于所述评估对象的整个图像的比例。所述指标数据生成单元还可以根据所述评估对象的运动的特征量生成与将所述评估对象的图像的每个部分区域进行分类的分类结果有关的指标数据，并且，所述评估值计算单元还可以使用所述指标数据生成单元生成的与分类结果有关的指标数据来计算对所述评估对象的运动的特征量的分类结果进行评估的评估值。所述指标数据生成单元可以计算由所述运动检测单元检测的评估对象的运动量，并且所述评估值计算单元可以生成由所述指标数据生成单元计算的所述运动量相对于时间的变化的图像以便进行显示。所述指标数据生成单元可以生成如下指标数据，所述指标数据表示在所计算的运动量相对于时间的变化中、表示作为所述评估对象的心肌细胞的舒张的波形峰值由于对心肌细胞施用药物而产生的变化，并且所述评估值计算单元可以评估由所述指标数据生成单元计算出的所述指标数据并且计算评估值。可以进一步包括对评估对象进行成像并且获得评估对象的图像的成像单元，并且运动检测单元可以使用所述成像单元获得的评估对象的图像来检测所述评估对象的运动。所述运动检测单元可以检测所述评估对象的图像中具有预定长度的评估期间中的各帧图像之间的所述评估对象的运动，所述评估对象的图像是运动图像。所述运动检测单元可以将所述评估期间的所述评估对象的运动的检测重复进行预定的次数。
所述评估值计算单元可以评估由所述指标数据生成单元生成的多种指标数据中的每一种指标数据以计算所述评估值，并且对所计算的评估值进行整合，从而计算出对所述评估对象进行评估的评估值。所述评估对象可以是自发运动的细胞。所述评估对象可以是通过对从活体采集的细胞进行培养而产生的培养细胞。根据本公开的另一方面，此外，一种图像处理方法包括由图像处理装置的运动检测单元使用评估对象的图像来检测所述评估对象的运动；由图像处理装置的指标数据生成单元通过使用表示所检测到的所述评估对象的运动的运动矢量来生成指标数据，所述指标数据表示所述评估对象的运动的特征并且被用作对所述评估对象进行评估的指标；以及由所述图像处理装置的评估值计算单元对所生成的指标数据进行评估并且计算评估值。根据本公开的另一方面，此外，一种程序使计算机具有如下功能运动检测单元，其使用评估对象的图像来检测所述评估对象的运动；指标数据生成单元，其通过使用表示 检测到的所述评估对象的运动的运动矢量来生成指标数据，所述指标数据表示所述评估对象的运动的特征并且被用作对所述评估对象进行评估的指标；以及评估值计算单元，其评估所生成的指标数据并且计算评估值。根据本公开的另一方面，通过使用评估对象的图像来检测评估对象的运动，使用表示所检测的评估对象的运动的运动矢量，生成表示评估对象的运动的特征并且用作对评估对象进行评估的指标的指标数据，评估所生成的指标数据，并且计算评估值。发明的有益效果根据本公开，存在获得分类数据的良好效果，所述分类数据成为能以高精度对进行周期性运动的对象进行精确评估的指标。
图I示出培养的心肌细胞评估系统100的配置示例。图2是图示评估指标数据生成设备300的配置示例的框图。图3是示意性地图示评估对象图像数据600的结构示例的示意图。图4是示出运动检测单元310的配置示例的框图。图5是示意性地示出将帧图像数据610划分成块611的处理的示意图。图6是示意性地图示运动检测数据700的结构示例的示意图。图7是图示所计算的特征量的示例的示意图。图8是作为根据第一实施例计算的特征量之一的、与平均运动方向相对应地为各个模板设置的角度值的示例的示意图。图9是示意性地图示评估指标数据800的结构示例的示意图。图10是示出根据第一实施例的评估指标数据生成设备300执行的处理的序列的示例的流程图。图11是示出根据第二实施例的评估指标数据生成设备300执行的处理的序列的示例的流程图。图12是说明细胞的其他评估方法的概要的示意图。图13是图示培养的心肌细胞评估装置的主要配置示例的框图。
图14是图示图 13的评估指标数据生成单元的主要配置示例的框图。图15是用于说明存储在运动特征量数据历史存储器中的数据的形态的示意图。图16是图示图13的评估单元的主要配置示例的框图。图17是用于说明幅度评估的示例的示意图。图18是用于说明幅度评估的示例的示意图。图19是用于说明搏动评估的示例的示意图。图20是用于说明搏动评估的示例的示意图。图21是用于说明评估处理的流程的示例的流程图。图22是用于说明评估指标数据生成处理的流程的示例的流程图。图23为用于说明运动评估处理的流程的示例的流程图。图24是图示药物评估装置的主要配置示例的框图。图25是用于说明由于搏动引起的运动量相对于时间的变化形态的示例的示意图。图26是图示评估指标数据生成单元的主要配置示例的框图。图27是图示评估单元的主要配置示例的框图。图28是用于说明评估处理的流程的示例的流程图。图29是用于说明评估指标数据生成处理的流程的示例的流程图。图30是用于说明影响评估处理的流程的示例的流程图。图31是图示由于施用药物而导致搏动节奏变化的形态的示例的示图。图32是用于说明由于施用药物而导致的搏动行为变化的形态的示意图。图33是图示个人计算机的主要配置示例的框图。
具体实施例方式以下将会描述用于实施本技术的实施例(以下称作实施例)。将按照以下顺序进行描述。I.第一实施例(评估指标数据生成处理使用模板执行分类处理的示例)2.第二实施例(评估指标数据生成处理使用k平均法执行分类处理的示例)3.第三实施例(培养的心肌细胞评估装置)4.第四实施例(药物评估装置)5.第五实施例(个人计算机)〈I.第一实施例>培养的心肌细胞评估系统的配置示例图I图示了培养的心肌细胞评估系统100的配置示例。图中图示的培养的心肌细胞评估系统100用于对培养的心肌细胞500的质量进行评估。在再生医学中，通过使用体外培养的细胞来治疗人体的各种组织、器官等。培养的心肌细胞500被培养作为治疗心脏病的细胞。目前，存在如下情形已经开发了以低成本大批量生成这种培养细胞并且提供足够数量的细胞用于医疗实践的技术。在实现这样大批量生产所培养的细胞的情形的情况中，需要高效地并且精确地评估所培养的细胞。培养的心肌细胞500自身进行与搏动相对应的运动。培养的心肌细胞500的质量可以通过评估与搏动相对应的运动是否是良好的来确定。根据这一点，培养的心肌细胞评估系统100记录具有被拍摄的培养的心肌细胞500的运动图像数据并且基于所记录的运动图像数据的运动检测结果来执行评估。因此，获得了比非侵害性的和视觉的评估结果更加详细且精确的结果。作为用于此的配置，培养的心肌细胞评估系统100包括例如如图所示的成像设备110，评估对象图像数据生成及记录设备200，评估指标数据生成设备300和评估设备400。成像设备110用于拍摄作为评估对象的培养的心肌细胞500。此外，在此图中，图示了成像设备110直接拍摄培养的心肌细胞500的状态。然而，在实践中，例如，在此配置中对培养的心肌细胞500的显微图像成像。此外，在成像期间，成像设备110的成像位置相对于培养的心肌细胞500处于固定状态。评估对象图像数据生成及记录设备200是用于根据从成像设备110输入的图象信·号生成评估对象图像数据并且在例如其中的记录介质中记录及保存所生成的评估对象图像数据的设备。这里生成的评估对象图像数据成为例如从所成像的培养的心肌细胞500的图象信号产生的运动图像数据。评估指标数据生成设备300例如是接收被保存为评估对象图像数据生成及记录设备200中的评估对象图像数据的运动图像数据并且生成用作对培养的心肌细胞500进行评估的指标的评估指标数据的设备。评估设备400是通过对评估指标数据生成设备300生成的评估指标数据进行处理而获得评估结果的设备。评估指标数据生成设备的配置示例图2图示了评估指标数据生成设备300的配置示例。该图中图示的评估指标数据生成设备300包括运动检测单元310、运动检测数据存储单元320、特征量计算单元330和分类处理单元340。此外，该图中图示的评估对象图像数据600是通过再现记录在评估对象图像数据生成及记录设备200中的数据获得的，并且是包括如上所述的帧图像数据的运动图像数据。运动检测单元310是接收评估对象图像数据600并且执行运动检测处理的单元。此外，随后将会描述在此情况中运动检测单元310执行的运动检测处理的具体示例和运动检测数据的结构示例。此外，运动检测数据存储单元320是存储由运动检测单元310的运动检测处理获得的作为检测结果的运动检测数据的单元。特征量计算单元330是通过使用存储在运动检测数据存储单元320中的运动检测数据而计算并且获取预定的特征量的单元。另外，后面将描述这里计算出的特征量的示例。分类处理单元340是用于根据与特征量计算单元330获得的特征量有关的信息通过执行分类处理而获得评估指标数据800的单元。随后将会描述分类处理的具体示例。分类处理单元340获得的评估指标数据800是权利要求书中描述的分类数据的示例。评估对象图像数据的结构图3图示了输入到评估指标数据生成设备300的评估对象图像数据600的结构示例。如该图所示，评估对象图像数据600包括与预定的时间相对应的第一至第(T+1)帧图像数据 610-1 至 610-(T+1)。此外，评估对象图像数据生成及记录设备200中保存作为评估对象图像数据600的运动图像数据可以按原样地包括图3中图示的帧图像数据610-1至610-T。此外，也可以采用包括帧图像数据610-1至610-T的多个区间的运动图像数据。在后者的情况中，例如，被确定用于评估的最佳的图像区间是从评估对象图像数据生成及记录设备200中保存作为评估对象图像数据600的运动图像数据中提取出来的。此外，作为图像区间的运动图像数据可以被输入到评估指标数据生成设备300作为图3的评估对象图像数据600。运动检测单元的配置示例图4图示了运动检测单元310的配置示例。该图中图示的运动检测单元310包括帧存储器311和运动矢量计 算单元312。帧存储器311是保存帧图像数据610的单元，该帧图像数据610对于每个帧期间被顺序地输入作为评估对象图像数据600。运动矢量计算单元312是计算运动矢量的单元。因此,运动矢量计算单元312接收被输入作为当前时间的评估对象图像数据600的帧图像数据，和保存在帧存储器311中的先前时间的帧图像数据。此外，使用这两个帧图像数据来计算运动矢量。所计算的运动矢量保存在运动检测数据存储单元320中作为运动检测数据700。接下来，将会描述包括图4中图示的单元的运动检测单元310执行的处理。以上描述的运动矢量计算单元312接收当前时间的帧图像数据610和先前时间的帧图像数据610。运动矢量计算单元312以块为单位来划分所接收的帧图像数据610。S卩，如图5中所图示的，由帧图像数据610形成的二维像素区域在水平方向上划分成M个块并且在垂直方向上划分成N个块。结果，帧图像数据610被划分成(MXN)个块611。每个块611例如包括(16X16)个像素。在这种情况中的运动矢量计算单元312以作为处理对象的块611为单位来计算运动矢量，作为运动检测处理。此外，使用第一至第(T+1)帧图像数据610来顺序地执行运动检测处理。此外，图6中图示了在使用第T和第(T+1)帧图像数据610的最后运动检测处理被完成的阶段中获得的运动检测数据700。首先该图中图示的运动检测数据700包括T帧单位运动检测数据710-1至710-T。通过对作为对象的针对每个帧期间获得的当前时间的帧图像数据610和先前的帧图像数据610执行运动检测处理来获得帧单位运动检测数据710-1至710-T的每个。例如，通过输入第三帧图像数据610-4和第三帧图像数据610-3作为当前时间和先前时间的帧图像数据并且在其上执行运动检测来获得第三帧单位运动检测数据710-1。帧对应运动检测数据710-1至710-T的每个是由(MXN)个块单位运动检测数据711形成的。每个块单位运动检测数据711对应于对应的单个块611并且成为表示针对对应块611检测到的运动矢量的数据。这样，运动检测数据700具有这样的结构，其中，每个帧对应运动检测数据710具有(MXN)个块单位运动检测数据711。这意味着获得了与形成帧图像数据610的每个块611相对应的运动矢量的时间序列数据。由特征量计算单元计算的特征量的示例特征量计算单元330使用存储在运动检测数据存储单元320中的运动检测数据700来计算多个特征量。首先，将会参照图7描述由特征量计算单元330计算并且获得的特征量的示例。图7以时间序列图示了由与某单个块611相对应的块单位运动检测数据711表示的运动矢量。即，与单个块611相对应的块单位运动检测数据711的数目也是T以便与帧对应运动检测数据710的数目是如图6中描述的T的事实相对应。图7以时间序列顺序对由T个块单位运动检测数据711表示的运动矢量进行采样。此外，块单位运动检测数据711具有水平方向分量的运动量和垂直方向分量的运动量作为运动矢量的信息，并且在图7中，图示了水平方向分量和垂直方向分量的任何一个的运动量。在图7中，垂直轴表示运动量，并且水平轴表示帧，即，时间。此外，在以下描述中，如图7所图示的，与预定的时间相对应的、被获得作为在时间序列方向上展开的T个块单位运动检测数据711 (即，运动量的数据)的区间被称作“评估区间”。作为可以被计算的特征量的示例，这里，假定了平均运动量Vav、平均运动方向Θ av、平均幅度Aav、平均加速度Bav、平均搏动间隔Dav和搏动开始时间S。基于运动矢量来获得任何这种特征量，如通过以下描述可理解的。此外，针对每个块611来获得这种特征
量。 首先，将会描述平均运动量Vav。如图7所示，依据T个块单位运动检测数据711图示了运动量相对于时间的变化。这是响应于培养的心肌细胞500中产生的搏动与培养的心肌细胞500运动的状态和培养的心肌细胞500停止的状态之间的周期性变化相对应地获得的。在这一点，例如，可以说运动量相对于时间的变化具有与搏动相对应的特征。这里，在本公开中，在评估区间中获得的T个运动量的平均值被当作特征量处理。可以通过以下表达式获得平均运动量Vav，假定从每个块单位运动检测数据711中的运动矢量获得水平方向分量和垂直方向分量的运动量是Vx和Vy并且与巾贞顺序相对应的变量是η。数学式I
t T即，作为平均运动量Vav，首先通过将T个块单位运动检测数据711的每个的水平方向分量和垂直方向分量的运动量Vx和Vy进行合成来获得合成的运动量V。此外，通过计算T个合成的运动量V的平均值而获得平均运动量Vav。否则，首先计算评估周期内水平方向分量的运动量Vx的平均值(水平平均运动量Vavx)和垂直方向分量的运动量Vy的平均值(垂直平均运动量Vavy)。接下来,也可以通过将水平平均运动量Vavx和垂直平均运动量Vavy进行合成而计算平均运动量Vav。例如，平均运动量Vav的值越高，与块611相对应的培养的心肌细胞500的一部分的搏动所对应的运动可能被评估为越大。接下来，平均运动方向0av是在评估区间中获得的T个运动方向Θ的平均值。可以通过以下表达式获得平均运动方向eav。数学式2
VI TΘ =COS ...................-...... 0EV = —〉θ
■f JΓΓ Smmmi ^
X I Ii=I例如，通过对应块611的平均运动方向Θ av在整个帧图像中的分布，可以评估培养的心肌细胞500由于搏动而运动的方向的一致性。此外，也可以评估具有不一致运动方向的部分所处的分布状态等。例如，根据存在实际运动来作为培养的心肌细胞500的搏动的运动的情况，如图7所示，高于或等于预定值的幅度周期性地发生。平均幅度Aav是在评估居间中按照如上所述描述那样获得的高于或等于预定值的幅度的平均值。平均幅度Aav例如可以按照以下方式获得。首先，对作为评估区间中的K个运动矢量的合成运动量V进行峰值检测，并且对所检测的峰值求平均，从而获得平均幅度Aav。否则，首先，对水平方向分量的运动量执行峰值检测，并且对所检测的峰值求平均，从而获得水平方向分量的平均幅度(水平平均幅度)Aavx0以同样的方式获得垂直方向分量的平均幅度(垂直平均幅度)Aavy。接下来，可以考虑通过执行合成水平平均幅度Aavx和垂直平均幅度Aavy的操作来计算平均幅度Aav的操作。例如，平均幅度Aav越大，与块611相对应的培养心肌细胞500的该部分的搏动所对应的运动可能被评估为越大。此外，如图7所示，可以说运动量在时间序列上的变化也表示加速度相对于由搏动而产生的运动的变化。平均加速度Bav是在评估区间中获得的加速度的平均值并且例如可以按照以下方式获得。首先，对由在时间序列顺序上连续的预定数量的块单位运动检测数据711所表示的合成运动量B求微分。对第一至第T块单位运动检测数据711执行此操作，从而计算评估区间中每个预定时间内的加速度B。此外，平均加速度Bav被获得作为加速度B的平均值。否则，首先，依次对由在时间序列顺序上连续的预定数量的块单位运动检测数据711所表示的水平方向分量的运动量Vx求微分以计算每个预定时间中的水平加速度Bx，并且水平平均加速度Bavx被获得作为水平加速度Bx的平均值。以同样的方法计算垂直平均加速度Bavy。此外，也可以通过合成水平平均加速度Bavx和垂直平均加速度Bavy来获得平均加速度Bav。例如，当培养的心肌细胞500响应于搏动而从静止状态改变为运动状态时，平均加速度Bav成为迅速性的指标。当平均加速度Bav较高时，培养的心肌细胞500的对应部分响应于搏动的运动可以在一定程度上被评估为活跃的。此外，同样如之前所述，幅度的峰值响应于搏动周期性地出现。在图7中，幅度的峰值出现的时间间隔被表示为搏动间隔。平均搏动间隔Dav是评估区间中获得的搏动间隔的平均值并且可以例如按照如下方式获得。 首先，按照与获得平均幅度Aav时相同的方式进行峰值检测。此外，获得检测到峰值时的帧定时，即，时间。接下来，从检测到单个峰值的时间到检测到下一个峰值的时间的时间宽度被计算为搏动间隔D。通过计算所计算出的搏动间隔D的平均值来获得平均搏动间隔Dav。例如，通过对应块611的平均平均搏动间隔Dav在整个帧中的分布，可以评估全部培养的心肌细胞500中搏动时间间隔的一致性。此外，在关注非一致分布的情况中，可以评估搏动时间间隔的位移所处的分布状态。平均搏动间隔Dav是权利要求书中描述的平均运动间隔的示例。此外，通过测量直到与开始评估区间之后的初始搏动的运动相对应的运动量的幅度的峰值被获得为止的时间来获得搏动开始时间S。即使对于搏动开始时间S，例如，通过对应块611的搏动开始时间S在整个帧中的分布，可以评估全部培养的心肌细胞500中搏动开始时间的一致性。此外，在关注非一致分布的情况中，可以评估搏动开始时间的位移所处的分布状态。以此方式，基于检测到的运动矢量(运动量)来计算任何特征量。即，在本公开中，可以从运动矢量的时间序列数据来量化各种项目。特征量计算单元330能被配置成计算六个特征量中的任何一个，假定这六个特征量包括平均运动量Vav、平均运动方向Θ av、平均幅度Aav、平均加速度Bav、平均搏动间隔Dav和搏动开始时间S。例如，在实践中，执行由分类处理单元340执行的分类处理需要的特征量可以从这些特征量来计算。分类处理的示例分类处理单元340使用由特征量计算单元330按照以上描述所计算的多种特征量 来执行分类处理，并且获得分类处理结果作为评估指标数据800。数种方法可以被当作是这样的分类方法，并且在此，采用被称作聚类的方法。即，设置被称作聚类的多个分类类别，并且形成图5中图示的帧图像数据610的每个块611根据其特征量被分类到多个聚类的任何一个聚类中。作为通过聚类进行的分类处理的具体示例，在第一实施例中采用模板方法。此外，作为所采用的特征量，存在两种特征量，包括来自预先假定的特征量中的平均运动量Vav和平均运动方向Θ av。因此,特征量计算单元330计算平均运动量Vav和平均运动方向Θ avo在这种情况中的分类处理单元340具有例如结合平均运动量Vav和平均运动方向Qav的以下第一至第五模板。此外，参照图8描述这些模板。图8图示了在以下描述的第一至第五模板中指定的平均运动方向Θ的具体示例。首先，由以下表达式示出第一温度。(Vav, Θ av) = (0,0)在以上表达式中，(Vav, Θ av)表示平均运动量Vav与平均运动方向Θ av的组合。此外，以上表达式中的平均运动量Vav是“0”，并且这意味着评估区间上的运动量是O。BP,第一模板具有这样的状态，其中，与块611的位置相对应的图像部分停止在评估区间中作为模板。此外，第二模板由以下表达式表示。(Vav, Θ av) = (a, O)在以上表达式中，a可以具有除O之外的任意值作为平均运动量Vav。S卩，第二模板具有与块611的位置相对应的图像部分的运动和图8中图示的作为平均运动方向Θ av的为“O”的方向的组合来作为模板。此外，第三模板由以下表达式表示。(Vav, Θ av) = (a, π /4)S卩，第三模板具有与块611的位置相对应的图像部分的运动和作为平均运动方向Θ av的“ /4 (45 ° ) ”方向的组合来作为模板。此外，第四模板由以下表达式表示。(Vav, Θ av) = (a, π /2)S卩，第四模板具有与块611的位置相对应的图像部分的运动和图8中图示的作为平均运动方向Θ av的“ /2 (90° ) ”方向的组合作为模板。
此外，第五模板由以下表达式表示。(Vav, Θ av) = (a, 3 π /4)即，第五模板具有运动状态作为模板，在该运动状态中，存在与块611的位置相对应的图像部分的运动并且平均运动方向Θ是图8中示出的3 π/4(135° )的方向。由于准备了第一至第五模板，所以存在与各个模板相对应的5个聚类。这里，分别与第一至第五模板相对应的聚类被称作第一至第五聚类。分类处理单元340计算针对单个块611获得的特征量的组合(Vav, Θ av)和第一至第五模板之间的距离。此外，块611被分类到与最靠近所计算出的距离的模板相对应的聚类中。例如，当所计算出的距离最靠近第三模板时，块611被分类到第三聚类。对每个块611执行分类处理。结果，获得了具有如下内容的数据其中，形成帧图像数据610的每个块611被分类到第一至第五聚类的任何一个聚类中。其成为第一实施例中通过分类处理获得的评估指标数据800。 图9示意性地图示了第一实施例中通过分类处理获得的评估指标数据800。如此图中所图示的，评估指标数据800包括一组(MXN)个个体分类结果数据801。个体分类结果数据801通过一一对应的方式与形成帧图像数据610的块611相匹配，并且具有表示第一至第五聚类中的哪个是对应块611被归类到的聚类的信息。在此图中，与个体分类结果数据801相对应的块611被分类到第一至第五聚类中的哪一个聚类由个体分类结果数据801中的数字I至5示出。此外，在图9中，作为评估指标数据800，个体分类结果数据801被布置成(MXN)矩阵的结构。以此方式布置的个体分类结果数据801的每个与布置在帧图像数据610中的同一位置处的块611相对应。例如，可以说单个帧图像中的第一至第五聚类的分布被示出在具有图9中图示的结构的评估指标数据800中。确定的是，该信息指示了在所有被成像的培养的心肌细胞500中哪些部分是运动的或哪些部分是不运动的，以及运动部分在哪个方向运动。更具体地讲，有关培养的心肌细胞500的搏动的运动可以按照以下方式确定。例如，首先，培养的心肌细胞500需要具有运动，并且其较大部分不具有运动的培养的心肌细胞500被评估为质量差。在图9中示出的评估指标数据800中，这可以由分类到第一聚类的个体分类结果数据801的数目来评估。此外，尽管存在由于相同的搏动引起的运动，但是培养的心肌细胞500由于尽可能在同一个方向运动因而具有更高的质量。例如，关于图9中示出的评估指标数据800，对应聚类的占有率被绘制成直方图以评估由于整体的培养的心肌细胞500中的搏动而发生的运动的方向的比率。此外，在不同的运动方向的情况中，不仅运动方向的比率，而且这种部分所处的分布状态可以通过图9中示出的聚类的分布而被精确地了解到。在图9的评估指标数据800的示例中，在与帧图像数据610相对应的个体分类结果数据801的布置中，被分类到第三聚类的个体分类结果数据801被分布在中央的较宽区域中。这表明作为评估对象的培养心肌细胞500具有在图8图示的(π/4(45° ))方向上运动的趋势。例如，在评估者想检查运动方向的这种分布状态的情况中，由评估设备400生成并且显示根据如下聚类而别分类的图像，在上述分类中被分类有与基于图9的个体分类结果数据801相对应的块611。此外，通过检查该图像，评估者可以精确地了解到培养的心肌细胞500的运动方向所处的状态。以此方式，在第一实施例中，基于包括平均运动量Vav和平均运动方向Θ av的两种特征量，可以按照如上所述那样来区别并且识别培养的心肌细胞500中具有运动的部分的存在和不具有运动的部分的存在。此外，关于具有运动的部分，可以认识到运动方向的一致性程度。此外，也可以认识到不具有运动的部分以及在具有运动的部分中具有不同运动方向的部分的分布。即，关于培养的心肌细胞500的搏动，可以在包括存在或不存在运动以及运动方向这两点上进行更加精确并且详细的评估。此外，这意味着通过组合多个特征量，可以对每个特征量的多个评估项目进行评估。
这里，本技术并不需要局限于以上描述的平均运动量Vav和平均运动方向Θ av的组合。即，可以选择从先前列举的6个特征量中选出的一个或多个任意特征量的组合。此夕卜，在选择多个特征量的情况中，根据所选的组合来获得各种评估项目。例如，在这种情况下的评估设备400通过输入图9中图示的评估指标数据800并且使用预定的算法执行处理来认识如上所述的每个部分的状态，并且以评估者能够理解的格式来输出认识结果。例如，当图9中示出的聚类分类结果被表达为图像以便被显示并输出时，评估者可以从视觉上来掌握实际情况。评估指标数据生成设备的处理顺序的示例图10的流程图示出了第一实施例的评估指标数据生成设备300执行的处理的顺序的示例的流程图。此外，由图2中图示的运动检测单元310、特征量计算单元330和分类处理单元340中的任何一个来适当地执行该图中各个步骤的处理。图10中示出的每个步骤的至少一部分处理可以被配置成通过执行程序的计算机设备的CPU(中央处理单元)来实现。图10中从步骤S901至S907的处理是运动检测单元310执行的运动检测处理。首先，运动检测单元310将变量η赋值为2作为初始设置(步骤S901)，该变量与被给予形成评估对象图像数据600的帧图像数据610的编号相对应。接下来，运动检测单元310中的运动矢量计算单元312接收第(η-i)帧图像数据和第η帧图像数据(步骤S902)。S卩，输入当前帧图像数据和保存在存储器311中的先前帧图像数据。接下来，运动矢量计算单元312执行将每个输入的帧图像数据划分成具有预定像素数的块的处理(步骤S903)。此外，采用诸如块匹配之类的方法来执行运动检测处理(步骤S904)。根据步骤S904中的运动检测处理，获得图6中示出的运动检测数据700中的单个帧单位运动检测数据710-(η-i)。这里，运动检测单元310将帧单位运动检测数据710-(η-i)存储在运动检测数据存储单元320中(步骤S905)。接下来，运动检测单元310递增变量η (步骤S906)并且判断变量η是否大于最大值Τ+1 (步骤S907)。此外，最大值Τ+1与形成评估对象图像数据600的帧图像数据的数目相对应。在获得变量η大于最大值Τ+1的检测结果的情况中(步骤S907)，重复地执行从步骤S902开始的处理。因此，第一帧单位运动检测数据710-1至第T个帧单位运动检测数据710-Τ被顺序地存储在运动检测数据存储单元320中。此外，当达到存储第T个帧单位运动检测数据710-Τ的阶段时，则判定变量η大于最大值T (步骤S907)，并且处理继续进行到步骤S908之后的序列。在步骤S907中，当确定变量η大于Τ+1时，特征量计算单元330执行使用运动检测数据700来计算特征量的处理(S908)。这里所计算的特征量例如是如上所述的平均运动量Vav和平均运动方向Θ av。随后，分类处理单元340执行根据如上所述的模板方法的分类处理。因此，首先，分类处理单元340给变量i赋值1，该变量表示给予形成帧图像数据610的(MXN)个块611的编号步骤S909)。接下来，分类处理单元340计算针对第i个块611计算出的特征量(Vav，0av)与预先准备的多个模板的每个模板的特征量(Vav，9av)之间的距离(步骤S910)。特征量(Vav, Θ av)表示以上描述的平均运动量Vav与平均运动方向Θ av的组合。此外，分类处理单元340将第i个块611分类到与所计算的距离与之相距最短的模板相对应的聚类。此外，生成表示分类结果的个体分类结果数据801 (步骤S911)。个体分类结果数据801具有与被分类到第i个块的标识符的该聚类的标识符相对应的内容的信息。此外，在以上所述示例中，由于准备了第一至第五模板，所以准备了包括第一至第五聚类的5个聚类。对于该示例中的对应关系，在步骤S911中，作为分类处理的对象的块611被分类到第一至第五聚类的任何一个聚类中。··
接下来，分类处理单元340使变量i递增(步骤S912)并且判断变量i是否大于最大值(MXN)(步骤S913)。这里，在变量i小于或等于最大值(MXN)的情况中，处理返回到步骤S910，并且重复依次将块分类到聚类中的处理。此外，当完成了所有(MXN)个块611的聚类分类时，则在步骤S913中判定变量i大于最大值(MXN)。根据判定结果，分类处理单元340利用通过到现在为止的步骤S910至S912的处理获得的个体分类结果数据来生成并且输出评估指标数据800 (步骤S914)。此外，以上描述的平均运动量Vav和平均运动方向Θ av的组合是一个示例。在第一实施例中，例如，评估指标数据800可以通过从先前列举的6个特征量中选择的一个或多个任意特征量的组合来生成。此外，根据以上描述的计算方法，平均运动量Vav也可以通过分开地获得水平平均运动量Vavx和垂直平均运动量Vavy来获得。平均幅度Aav通过分开地获得水平平均幅度Aavx和垂直平均幅度Aavy来获得。平均加速度Bav通过分开地获得水平平均加速度Bavx和垂直平均加速度Bavy来获得。这里，例如，可以理解为包括水平方向分量和垂直方向分量的特征量被独立地处理以便用于生成评估指标数据800。此外，在以上描述中，聚类的数量是5并且也可以设置成另外的数目。〈2.第二实施例〉评估指标数据生成设备的配置第一实施例中的分类处理使用模板，并且其他方法也可以被当作分类处理的方法。这里，作为第二实施例，将描述采用另一种分类处理方法的配置。与第二实施例相对应的评估指标数据生成设备300的配置例如与图2中的一样。然而，在以下描述中特征量计算单元330所计算的特征量的种类的数量以及分类处理单元340执行的分类处理的顺序是不同的。评估指标数据生成设备的处理顺序的示例图11的流程图示出了与第二实施例相对应的评估指标数据生成设备300执行的处理的顺序的示例的流程图。在该图中，从步骤S901至S907的处理与之前描述的第一实施例所对应的图10中的相同。当在步骤S907中确定变量η大于最大值T时，特征量计算单元330使用存储在运动检测数据存储单元320中的运动检测数据700来计算每个块611的特征量(步骤S908A)。作为步骤S908A中针对每个块611计算出的特征量，存在以下9个量。S卩，这些特征量包括水平平均运动量Vavx、垂直平均运动量Vavy、平均运动方向Θ av、水平平均幅度Aavx、垂直平均幅度Aavy、水平平均加速度Bavx、垂直平均加速度Bavy、平均搏动间隔Dav和搏动开始时间S。分类处理单元340通过使用如上所述计算的特征量基于以下的k平均法(k平均法)执行聚类。即，分类处理单元340计算9维矢量X，该9维矢量X将每个块611的9个特征量相组合(步骤S921)。在步骤S921中，获得对应于块611的(MXN)个矢量X。然后，分类处理单元340在这种情况下首先根据k平均法对(MXN)个矢量xi(l ( i ( (MXN))执行初始聚类分类(初始分类)。即，从矢量xi中提取与先前设置的K个数量的聚类相对应的K个样本并且计算样本与样本之外的矢量xi之间的距离。此外，样本之外的矢量xi被分类到与具有最 接近的计算距离的样本相同的聚类中。接下来，分类处理单元340根据到现在为止的最后分类结果计算第一至第K个聚类中每个聚类的重心Gj (I ^ j ^ K)(步骤S923)。重心Gj根据最后分类结果而变化。接下来，分类处理单元340计算每个矢量xi的重心Gj与每个聚类之间的距离(步骤924)。此外，通过将每个矢量xi分类到具有最短的计算距离的聚类中来执行再分类(步骤S925)。重复从步骤S923至S925的处理直到分类结果不发生变化并且变得与步骤S926中的先前结果相冋为止。此外，被确定为与根据步骤S926的先前结果相同的分类结果成为，即，最后的分类结果。这里，分类处理单元340从最后获得的分类结果生成并且输出评估指标数据800 (步骤S914A)。即，在最后的分类结果中，矢量xi被分类到任何一个聚类中。这里，分类处理单元340生成例如其中矢量xi所对应的块611的标识符与所分类的聚类的标识符相对应的分类结果数据801。此外，第i至第MXN个块611的每个的个体分类结果数据801的组被生成作为评估指标数据800。从以上描述可以理解的是，第二实施例中获得的评估指标数据800也具有例如图9中示出的结构。此外，每个聚类表示多个不同特征量的数值范围的组合。因此，每个聚类具有关于由于搏动而产生的周期性运动的不同意义。因此，使用第二实施例中获得的评估指标数据800，也可以获得精确的详细的评估结果。此外，本公开示出了采用本技术的示例，并且如本公开中所清晰地描述的，本公开中的项目与权利要求书中本发明的具体项目具有对应关系。类似地，权利要求书中本发明的具体项目与本公开的指定为同一个名称的项目具有相对应的关系。然而，本技术并不局限于这些实施例并且可以通过在不脱离本技术的主旨的范围内对这些实施例进行各种修改来实施。例如，作为用于生成评估指标数据800的特征量，可以采用在每个这些实施例中具体描述的特征量之外的组合。此外，可以获得并且组合在每个这些实施例中具体描述的特征量之外的特征量。此外，在从每个这些实施例中获得的特征量当中，运动量、运动方向、幅度、加速度、搏动间隔等的任一者是针对每个帧周期获得的值的平均值。然而，这些特征量在时间序列中变化。这里，可以认为，例如，按照时间序列的变化被计算作为用于生成评估指标数据800的特征量。此外，作为由分类处理单元340执行的分类处理，也可以采用其他的算法和方法。此外，评估对象是培养的心肌细胞500。然而，例如，本公开的配置可以用于其他对象，只要其运动具有周期性。此外，本公开中描述的处理步骤可以被确定为具有一系列步骤的方法并且也可以被确定为用于在计算机上执行这一系列步骤的程序 以及存储该程序的记录介质。作为记录介质，例如，可以使用CD (压缩盘)、MD (迷你盘)、DVD (数字通用光盘)、存储卡、蓝光光盘(Blu-ray Disc (注册商标))等。〈3.第三实施例〉评估方法的另一个示例的概述细胞的评估方法可以是以上描述的方法之外的方法。例如，可以获得从针对培养细胞的每个块获得的运动矢量计算出的指标的评估值。例如，当如图12中A所示的培养的细胞1001是评估对象时，首先，如图12中B所示，每个预定时间(例如，每帧)可以获得每个块(部分区域)的运动矢量1002，如图12中C所示的图1003中的每个块相对于时间的运动量的变化可以被获得，根据该数据，可以生成表示如图12中D所示的图1004中的细胞相对于时间的运动的幅度和搏动数目的变化的数据，并且可以获得用于评估这些指标的评估值，从而使用评估值来评估细胞的运动。以此方式，使用评估值，可以更加定量地评估评估对象(例如，细胞的运动)。此夕卜，由于运动矢量被用于生成指标，因此可以容易地以非侵害性方式获得更多的各种指标。即，可以更正确地评估评估对象(例如，细胞的运动)。培养的心肌细胞评估装置图13是图示了培养的心肌细胞评估装置的主要配置示例的框图。图13中图示的培养的心肌细胞评估装置1100是对培养的心肌细胞500的运动进行评估的装置，类似于图I的培养的心肌细胞评估系统。即，培养的心肌细胞评估装置1100将培养的心肌细胞评估系统100实现为单个装置。这样，培养的心肌细胞评估系统100的配置是任意的，只要整个系统的功能没有改变。例如，图I中图示的多个设备可以被配置成单个设备，并且单个设备可以被配置成多个设备。例如，培养的心肌细胞评估系统100的整体可以被配置成图13中图示的单个装置。换句话讲，即使在此实施例中，例如，类似于第一实施例和第二实施例的培养的心肌细胞评估系统100，培养的心肌细胞评估装置1100也可以由多个设备构成。以下，将使用培养的心肌细胞评估装置1100提供描述。然而，在本实施例的情况中，不同于第一实施例和第二实施例，培养的心肌细胞500 (的运动)可以通过以上描述的评估方法之外的方法来评估。即，如上所述，本实施例的培养的心肌细胞评估装置1100获得对评估对象的运动进行评估的评估值。图13中图示的培养的心肌细胞500是用于心脏病的活组织(细胞组)，这些活体组织是通过对从活体采集的心肌细胞进行体外培养而产生的。心肌细胞具有由一直重复收缩和舒张而形成的搏动。当这些心肌细胞被培养并且生长成培养的心肌细胞500时，理想地，细胞的动作是彼此相关的并且培养的心肌细胞500的整体作为单个活组织而搏动。培养的心肌细胞评估装置1100具有例如按照如上所述进行培养的培养的心肌细胞500作为评估对象，并且评估其运动以便评估培养的心肌细胞500的性能。
此外，培养的心肌细胞评估装置1100的评估对象可以是培养的心肌细胞500之外的对象。例如，培养的心肌细胞之外的细胞可以是评估对象。理所当然的是，评估对象可以不是细胞。然而，作为评估对象，自己运动并且能够通过评估其运动而对其进行评估对象是所希望的。此外，运动可以像心肌细胞一样自主地(自发地)被实现，并且也可以通过从外部提供的电信号等来实现。如图13所示，培养心肌细胞评估装置1100包括成像单元1101、评估对象图像数据生成及记录单元1102、评估指标数据生成单元1103和评估单元1104。成像单元1101对应于图I的成像设备110。即，成像单元1101对作为评估对象的培养的心肌细胞500进行成像。此外，成像单元1101可以直接对培养的心肌细胞500进行成像(在不使用另外的构件的情况下)，并且可以使用诸如显微镜之类的另外的构件来对培养的心肌细胞500进行成像。此外，培养的心肌细胞500可以被固定到成像单元1101或 也可以不固定。由于培养的心肌细胞评估装置1100检测运动(位置的时间变化)，因此一般来讲，希望培养的心肌细胞500被固定到成像单元1101。成像单元1101将通过成像获得的培养心肌细胞500的图像的图象信号提供到评估对象图像数据生成及记录单元1102。评估对象图像数据生成及记录单元1102对应于图I的评估对象图像数据生成及记录设备200。即，评估对象图像数据生成及记录单元1102根据从成像单元1101提供的图象信号生成评估对象图像数据并且例如在其中的记录介质中记录并保存所生成的评估对象图像数据。这里生成的评估对象图像数据例如成为从被成像的培养的心肌细胞500的图象信号产生的运动图像数据。例如，评估对象图像数据生成及记录单元1102可以仅在部分周期中从自成像单元1101提供的多个帧图像中提取帧图像并且将这些帧图像用作评估对象图像数据。此外，例如，评估对象图像数据生成及记录单元1102可以提取从成像单元1101提供的每个帧图像的部分区域作为小的帧图像并且使用由小的帧图像形成的运动图像作为评估对象图像数据。此外，例如，评估对象图像数据生成及记录单元1102可以对从成像单元1101提供的每个帧图像执行任意的图像处理并且使用图像处理结果作为评估对象图像数据。例如，可以考虑图像放大、缩小、旋转、变形、亮度或色度校正、锐化、降噪、中间帧图像生成等作为图像处理。理所当然的是，可以采用以上这些之外的任何图像处理。评估对象图像数据生成及记录单元1102在预定的定时将所存储的评估对象图像数据提供到评估指标数据生成单元1103。评估指标数据生成单元1103对应于图I的评估指标数据生成设备300。S卩，评估指标数据生成单元1103在提供来的评估对象图像数据的帧图像之间，针对作为评估对象(培养的心肌细胞500)的图像的整个区域被划分到的部分区域的每个块，来执行评估对象(培养的心肌细胞500)的运动检测。评估指标数据生成单元1103将检测到的每个块的运动表达为运动矢量并且从该运动矢量获得关于评估对象(培养的心肌细胞500)的运动的各种特征量(运动特征量数据)。此外，如第一和第二实施例中所述，评估指标数据生成单元1103根据运动特征量数据对块进行分类。评估指标数据生成单元1103将按照如上所述生成的运动特征量数据和分类结果提供到评估单元1104作为评估指标数据。
评估单元1104对应于图I的评估设备400。S卩，评估单元1104计算所提供的每个评估指标数据的评估值，对所计算出的评估值进行整合并且获得评估对象(培养的心肌细胞500)的评估值。评估指标数据生成单元图14是图示了评估指标数据生成单元1103的主要配置示例的框图。如图14所示，类似于图2的评估指标数据生成设备300，评估指标数据生成单元1103具有运动检测单元310和运动检测数据存储单元320。此外，评估指标数据生成单元1103具有特征量计算单元1123来取代图2的评估指标数据生成设备300的特征量计算单元330，并且具有分类处理单元1124取代图2的评估指标数据生成设备300的分类处理单元340。此外，评估指标数据生成单元1103具有运动特征量数据历史存储器1125。运动检测单元310接收评估对象图像数据600，在其上执行运动检测，并且将检测结果(运动矢量)作为运动检测数据提供到运动检测数据存储单元320以便进行存储。如 参照图3至图6所述的，运动检测单元310包括帧存储器311和运动矢量计算单元312，将评估对象图像数据600的每个帧图像的整个区域划分成MXN(M和N是任意的自然数)个块，并且使用诸如帧图像之间的块匹配之类的方法来对每个块执行运动检测，从而生成运动矢量。如图7所示，运动检测单元310在具有预定长度的评估区间(例如，T+1个帧(T是任意的自然数))中执行运动检测。例如，如图6所示，运动检测单元310使用T+1个帧图像生成(MXNXT)个运动检测数据(运动矢量)并且将结果存储在运动检测数据存储单元320 中。当单个评估区间中的运动检测结束时(当(MXNXT)个运动检测数据(运动矢量)被存储在运动检测数据存储单元320中时)，特征量计算单元1123获取运动检测数据并且根据运动检测数据计算有关培养的心肌细胞500的运动的特征量。例如，特征量计算单元1123使用(MXNXT)个运动检测数据(运动矢量)来针对每个块计算有关培养的心肌细胞500的运动(搏动)的特征量。例如，特征量计算单元1123计算图7中例举的评估区间中的培养的心肌细胞500的运动的幅度的平均值(平均幅度Aav)作为与培养的心肌细胞500的运动有关的特征量
之一 O如图7所示，幅度是当运动量变化时的幅度。平均幅度Aav是相应评估区间中的幅度的平均值。计算每个块的幅度A和平均幅度Aav。S卩，当每个幅度的水平方向分量是Ax并且其垂直方向分量是Ay时，通过以下表达式(I)计算每个幅度A。数学式3
A = J Αχ2+Αγ2V Λ '
■■ ■ ( 1 )当对应于帧顺序的变量是η时，使用通过表达式(I)计算的每个幅度An，通过以下表达式(2)计算评估区间中的平均幅度Aav。数学式4
权利要求
1.一种数据处理装置，包括 运动检测单元，其将多个帧图像数据划分成根据预定像素数的排列的块并且检测每个相应块的运动的时间序列数据，所述多个帧图像数据形成具有物体的图像内容的运动图像数据，所述物体执行周期性的运动； 特征量计算单元，其根据所检测的每个块的运动的时间序列数据计算每个块的至少一种特征量；以及 分类处理单元，其基于所述计算出的特征量来生成分类数据，所述分类数据表示将形成所述多个帧图像数据中的任何一个的每个块分类到预定数量的分类类别中的任何一个中的结果。
2.根据权利要求I所述的数据处理装置， 其中所述特征量计算单元对于每个块计算多种的所述特征量，以及 所述分类单元根据计算的多种的所述特征量生成所述分类数据。
3.根据权利要求I所述的数据处理装置， 其中所述特征量计算单元计算平均运动方向作为所述特征量的一种，所述平均运动方向是在预定的时间内每单位时间的运动方向的平均值。
4.根据权利要求I所述的数据处理装置， 其中所述特征量计算单元计算平均运动量作为所述特征量的一种，所述平均运动量是在预定的时间内每单位时间的运动量的平均值。
5.根据权利要求I所述的数据处理装置， 其中所述特征量计算单元计算平均幅度作为所述特征量的一种，所述平均幅度是在预定的时间内获得的具有预定的或更高的运动量的幅度的平均值。
6.根据权利要求I所述的数据处理装置， 其中所述特征量计算单元计算平均加速度作为所述特征量的一种，所述平均加速度是在预定的时间内每单位时间的运动加速度的平均值。
7.根据权利要求I所述的数据处理装置， 其中所述特征量计算单元计算平均运动间隔作为所述特征量的一种，所述平均运动间隔是在预定的时间内在其中获得具有预定的或更高的运动量的幅度的时间间隔的平均值。
8.根据权利要求I所述的数据处理装置， 其中所述特征量计算单元计算运动开始时间作为所述特征量的一种，所述运动开始时间是从预定的时刻到获得具有固定的或更高的运动量的幅度时的时刻为止的时间。
9.根据权利要求I所述的数据处理装置， 其中所述分类单元执行以下处理与所述多个分类类别对应地计算具有不同的特征量的组合的多个模板中的每一个模板和所述块之间的距离，并且针对每一个块，根据所计算的距离来将所述块分类到所述多个分类类别中的任何一个分类类别。
10.根据权利要求I所述的数据处理装置， 其中所述分类单元通过基于与每个所述块相对应地计算出的特征量根据k平均法执行聚类，来将每个所述块分类到预定数量的分类类别中的任何一个分类类别。
11.一种数据处理方法，包括 运动检测步骤，将多个帧图像数据划分成根据预定像素数的排列的块并且检测每个相应块的运动的时间序列数据，所述多个帧图像数据形成具有物体的图像内容的运动图像数据，所述物体执行周期性的运动； 特征量计算步骤，根据所检测的每个块的运动的时间序列数据计算每个块的至少一种特征量；以及 分类处理步骤，基于所述计算出的特征量来生成分类数据，所述分类数据表示将形成所述多个帧图像数据中的任何一个的每个块分类到预定数量的分类类别中的任何一个中的结果。
12.—种图像处理装置，包括 运动检测单元，其使用评估对象的图像来检测所述评估对象的运动； 指标数据生成单元，其通过使用表示所述运动检测单元检测到的所述评估对象的运动的运动失量来生成指标数据，所述指标数据表示所述评估对象的运动的特征并且被用作对所述评估对象进行评估的指标；以及 评估值计算单元，其评估所述指标数据生成单元生成的指标数据并且计算评估值。
13.根据权利要求12所述的图像处理装置， 其中所述指标数据生成单元生成与所述评估对象的运动的幅度的大小有关的指标数据、和与所述评估对象的运动的峰值的单位时间频率有关的指标数据，并且 所述评估值计算单元使用所述指标数据生成单元生成的与所述评估对象的运动的幅度的大小有关的指标数据来计算对所述评估对象的运动的幅度的大小进行评估的评估值，并且进一步使用所述指标数据生成单元生成的与所述评估对象的运动的峰值的单位时间频率有关的指标数据来计算对所述评估对象的运动的峰值的单位时间频率进行评估的评估值。
14.根据权利要求13所述的图像处理装置， 其中与所述评估对象的运动的幅度的大小有关的指标数据是在所述评估对象的整个图像上的归一化的所述幅度和归一化的所述幅度的离差的乘积的平均值。
15.根据权利要求13所述的图像处理装置， 其中与所述评估对象的运动的幅度的大小有关的指标数据是归一化的幅度和归一化的幅度的离差的乘积的值高于或等于预定阈值的区域相对于所述评估对象的整个图像的比例。
16.根据权利要求13所述的图像处理装置， 其中与所述评估对象的运动的峰值的单位时间频率有关的指标数据是在整个画面上归一化的单位时间的峰值数与归一化的单位时间的峰值数的离差的乘积的平均值。
17.根据权利要求13所述的图像处理装置， 其中与所述评估对象的运动的峰值的单位时间频率有关的指标数据是归一化的单位时间的峰值数与归一化的单位时间的峰值数的离差的乘积的值高于或等于预定阈值的区域相对于所述评估对象的整个图像的比例。
18.根据权利要求13所述的图像处理装置， 其中所述指标数据生成单元还根据所述评估对象的运动的特征量生成与将所述评估对象的图像的每个部分区域进行分类的分类结果有关的指标数据，以及 所述评估值计算单元还使用所述指标数据生成单元生成的与分类结果有关的指标数据来计算对所述评估对象的运动的特征量的分类结果进行评估的评估值。
19.根据权利要求12所述的图像处理装置， 其中所述指标数据生成单元计算由所述运动检测单元检测的评估对象的运动量，以及 所述评估值计算单元生成由所述指标数据生成单元计算的所述运动量相对于时间的变化的图像以便进行显示。
20.根据权利要求19所述的图像处理装置， 其中所述指标数据生成单元生成如下指标数据，所述指标数据表示在所计算的运动量相对于时间的变化中、表示作为所述评估对象的心肌细胞的舒张的波形峰值由于对心肌细胞施用药物而产生的变化，以及 所述评估值计算单元评估由所述指标数据生成单元计算出的所述指标数据并且计算评估值。
21.根据权利要求12所述的图像处理装置，进一步包括成像单元，所述成像单元对所述评估对象进行成像并且获得所述评估对象的图像， 其中所述运动检测单元使用由所述成像单元获得的所述评估对象的图像来检测所述评估对象的运动。
22.根据权利要求12所述的图像处理装置， 其中所述运动检测单元检测所述评估对象的图像中具有预定长度的评估期间中的各帧图像之间的所述评估对象的运动，所述评估对象的图像是运动图像。
23.根据权利要求22所述的图像处理装置， 其中所述运动检测单元将所述评估期间的所述评估对象的运动的检测重复进行预定的次数。
24.根据权利要求12所述的图像处理装置， 其中所述评估值计算单元评估由所述指标数据生成单元生成的多种指标数据中的每一种指标数据以计算所述评估值，并且对所计算的评估值进行整合，从而计算出对所述评估对象进行评估的评估值。
25.根据权利要求12所述的图像处理装置， 其中所述评估对象是自发运动的细胞。
26.根据权利要求12所述的图像处理装置， 其中所述评估对象是通过对从活体采集的细胞进行培养而产生的培养细胞。
27.—种图像处理方法,包括 由图像处理装置的运动检测单元使用评估对象的图像来检测所述评估对象的运动； 由图像处理装置的指标数据生成单元通过使用表示所检测到的所述评估对象的运动的运动失量来生成指标数据，所述指标数据表示所述评估对象的运动的特征并且被用作对所述评估对象进行评估的指标；以及 由所述图像处理装置的评估值计算单元对所生成的指标数据进行评估并且计算评估值。
28.一种程序，所述程序使计算机具有如下功能 运动检测单元，其使用评估对象的图像来检测所述评估对象的运动； 指标数据生成单元，其通过使用表示检测到的所述评估对象的运动的运动矢量来生成指标数据，所述指标数据表示所述评估对象的运动的特征并且被用作对所述评估对象进行评估的指标；以及 评估值计算单元，其评估所生成的指标数据并且计算评估值。·
全文摘要
本公开涉及能生成用于对培养的心肌细胞进行精确地和详细地评估的评估指标数据的数据处理装置和数据处理方法。运动检测单元将帧图像数据划分成块并且获得每个帧周期的以块为单位的运动检测数据，所述帧图像数据是通过对培养的心肌细胞拍摄预定的时间而获得的。特征量计算单元使用运动检测数据计算帧图像中的同一位置处的每个块的特征量。分类处理单元使用所计算的特征量将每个块分类成多个分类类别中的任何一个分类类别。根据分类结果，生成了由个体分类结果数据组成的评估指标数据，所述个体分类结果数据表示块与分类类别之间的对应关系。
文档编号G01N33/48GK102906789SQ20118002549
公开日2013年1月30日 申请日期2011年2月28日 优先权日2010年3月29日
发明者国弘威, 内田真史, 松居惠理子, 早川智广 申请人:索尼公司