JP2010086449A - 情報処理装置 - Google Patents
情報処理装置 Download PDFInfo
- Publication number
- JP2010086449A JP2010086449A JP2008257177A JP2008257177A JP2010086449A JP 2010086449 A JP2010086449 A JP 2010086449A JP 2008257177 A JP2008257177 A JP 2008257177A JP 2008257177 A JP2008257177 A JP 2008257177A JP 2010086449 A JP2010086449 A JP 2010086449A
- Authority
- JP
- Japan
- Prior art keywords
- probability model
- classifier
- information
- information processing
- processing apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims description 24
- 238000003384 imaging method Methods 0.000 description 62
- 238000012545 processing Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
【課題】確率モデルの選択を容易にかつ迅速に行う。
【解決手段】情報処理装置は、入力データが属するクラスを判別する識別器を作成する制御手段を備え、前記制御手段は、前記識別器の確率モデルの複雑度を変更し(ステップS2)、当該変更された各複雑度の確率モデルの情報量規準を算出し(ステップS3)、当該算出された情報量規準のうち最小の情報量規準に係る確率モデルを、前記識別器の確率モデルとして用いる(ステップS6)。
【選択図】図5
【解決手段】情報処理装置は、入力データが属するクラスを判別する識別器を作成する制御手段を備え、前記制御手段は、前記識別器の確率モデルの複雑度を変更し(ステップS2)、当該変更された各複雑度の確率モデルの情報量規準を算出し(ステップS3)、当該算出された情報量規準のうち最小の情報量規準に係る確率モデルを、前記識別器の確率モデルとして用いる(ステップS6)。
【選択図】図5
Description
本発明は、情報処理装置に関する。
一般に、ユーザの意思決定をサポートするため、機械学習の手法が用いられている。例えば、X線画像を画像処理する際、X線撮影が行われた撮影部位や撮影方向によって、適切な画像処理の種類やパラメータがあるため、X線画像の種類(撮影部位と撮影方向)をまず特定する必要がある。そこで、機械学習の手法によって識別器を作成し、当該識別器によりX線画像の撮影部位と撮影方向を判別し、判別された撮影部位と撮影方向に応じた画像処理を選択することが行われている(例えば、特許文献1参照)。
機械学習の手法としては、サポートベクトルマシンやニューラルネットワーク等が挙げられるし、ブースティング手法の1つであるAdaBoostやAdaBoostMltも挙げられる。
特開2008−11900号公報
上記のような機械学習の手法によって、実際に識別器を作成する際、予めいくつかのクラスに分類されている学習データが用いられる。学習データにより与えられる経験分布に、予測分布を近づけていくことで学習が実施される。
通常、確率モデルのパラメータ次元が小さい単純な確率モデルが選択されると、学習データにより与えられる経験分布を近似しきれず、識別器の判別精度が低下する。しかし、パラメータ次元が大きく複雑な確率モデルであれば良い判別性能が得られるとは限らず、パラメータ次元が必要以上に大きいと、学習データへの依存が過剰となる。その結果、学習データの判別には最適な判別精度を示すが、入力データ一般に対する判別精度は低下するといった現象が起こる。このように、確率モデルの選択は難しく、従来は実験を繰り返して最適な判別結果が得られる確率モデルを選択する等、確率モデルの選択は経験的に行われることが多かった。
本発明の課題は、確率モデルの選択を容易にかつ迅速に行うことである。
請求項1に記載の発明によれば、
入力データが属するクラスを判別する識別器を作成する制御手段を備え、
前記制御手段は、前記識別器の確率モデルの複雑度を変更し、当該変更された各複雑度の確率モデルの情報量規準を算出し、当該算出された情報量規準のうち最小の情報量規準に係る確率モデルを、前記識別器の確率モデルとして用いる情報処理装置が提供される。
入力データが属するクラスを判別する識別器を作成する制御手段を備え、
前記制御手段は、前記識別器の確率モデルの複雑度を変更し、当該変更された各複雑度の確率モデルの情報量規準を算出し、当該算出された情報量規準のうち最小の情報量規準に係る確率モデルを、前記識別器の確率モデルとして用いる情報処理装置が提供される。
請求項2に記載の発明によれば、
前記制御手段は、AdaBoost又はAdaBoostMltの手法によって複数の弱識別器を結合し、前記識別器を構成する請求項1に記載の情報処理装置が提供される。
前記制御手段は、AdaBoost又はAdaBoostMltの手法によって複数の弱識別器を結合し、前記識別器を構成する請求項1に記載の情報処理装置が提供される。
請求項3に記載の発明によれば、
前記複数の弱識別器は、一定間隔毎に設定された閾値を用いて作成される決定株であり、
前記制御手段は、前記閾値の間隔を変更することにより、前記識別器の確率モデルの複雑度を変更する請求項2に記載の情報処理装置が提供される。
前記複数の弱識別器は、一定間隔毎に設定された閾値を用いて作成される決定株であり、
前記制御手段は、前記閾値の間隔を変更することにより、前記識別器の確率モデルの複雑度を変更する請求項2に記載の情報処理装置が提供される。
請求項4に記載の発明によれば、
前記制御手段は、前記AdaBoostの手法により、前記決定株として作成された複数の弱識別器のうちの一部又は全部の弱識別器を結合して前記識別器を構成し、当該識別器に用いられた弱識別器の数を、当該識別器の確率モデルのパラメータ次元として用いて前記情報量規準を算出する請求項3に記載の情報処理装置が提供される。
前記制御手段は、前記AdaBoostの手法により、前記決定株として作成された複数の弱識別器のうちの一部又は全部の弱識別器を結合して前記識別器を構成し、当該識別器に用いられた弱識別器の数を、当該識別器の確率モデルのパラメータ次元として用いて前記情報量規準を算出する請求項3に記載の情報処理装置が提供される。
請求項5に記載の発明によれば、
前記情報量規準は、AIC、BIC、AIBC、TIC又はEICの何れかである請求項1〜4の何れか一項に記載の情報処理装置が提供される。
前記情報量規準は、AIC、BIC、AIBC、TIC又はEICの何れかである請求項1〜4の何れか一項に記載の情報処理装置が提供される。
本発明によれば、学習データにより与えられる経験分布に近似し、かつ入力データ一般に対しても高い判別精度を有する最適な確率モデルを、容易かつ迅速に選択することが可能となる。
以下、図面を参照して本発明の実施の形態について説明する。
本実施形態では、医用画像を処理する医用画像システムにおいて、医用画像が属するクラス(撮影部位と撮影方向の組合せ毎のクラス)を特定するために用いられる識別器の確率モデルを選択する例を説明する。
本実施形態では、医用画像を処理する医用画像システムにおいて、医用画像が属するクラス(撮影部位と撮影方向の組合せ毎のクラス)を特定するために用いられる識別器の確率モデルを選択する例を説明する。
図1は、本実施形態に係る情報処理装置3を含む医用画像システム1のシステム構成を示す図である。図2は、医用画像システム1が小規模の医療施設に用いられたときの各装置の配置例を示している。
医用画像システム1は、開業医やクリニックのように比較的小規模の医療施設用に構築され、患者の検査撮影を行ってその医用画像を生成、管理する。医用画像は患者情報により管理されるが、この医用画像と患者情報の対応関係は医師により決定され、決定された対応関係の情報は医師の操作により医用画像システム1に入力される。医用画像システム1は入力に応じて医用画像と患者情報とを対応付けて記憶する。総合病院のように大規模な医療施設用に構築された医用画像システムでは、患者情報や検査情報が含まれるオーダ情報が発行され、このオーダ情報によって医用画像が管理されている。この点が小規模の医療施設用の医用画像システム1とは異なる。大規模な医療施設用の医用画像システムでは、オーダ情報によって医用画像の撮影部位及び撮影方向を容易に判別することができるが、小規模の医療施設用の医用画像システム1ではオーダ情報が無いため、医師自身が医用画像の撮影部位及び撮影方向を特定する必要がある。
医用画像システム1は、図1に示すように超音波診断装置2a、内視鏡装置2b、CR(Computed Radiography)装置2cを含んで構成されている。超音波診断装置2a、内視鏡装置2b、CR装置2cは、医用画像を生成する画像生成装置の1種である。
また、医用画像システム1は、図1に示すように情報処理装置3、受付装置4を含んで構成されている。情報処理装置3は、医師の常駐場所である診察室に設けられたWS(ワークステーション)であることが好ましい、
また、医用画像システム1は、図1に示すように情報処理装置3、受付装置4を含んで構成されている。情報処理装置3は、医師の常駐場所である診察室に設けられたWS(ワークステーション)であることが好ましい、
超音波診断装置2a、内視鏡装置2b、CR装置2c、情報処理装置3、受付装置4は、図示しないスイッチングハブ等を介してネットワーク5に接続されている。ネットワーク5は、例えばLAN(Local Area Network)である。通信規格としては、一般に医療関連のデータを扱う通信規格であるDICOM(Digital Imaging and Communication in Medicine)が用いられている。
次に、上記医用画像システム1を構成する各装置を説明する。
超音波診断装置2aは、超音波を照射し、その反射波に基づいて医用画像を生成する。
超音波診断装置2aには変換装置21が接続され、この変換装置21を介してネットワーク5に接続されている。変換装置21は、アナログ信号からデジタル信号への変換を行うとともに、医用画像がDICOMに準拠しない形式である場合にその形式をDICOMに準拠する形式に変換する。また、変換装置21は医用画像システム1において医用画像を個々に特定するためのUID(ユニークID)を医用画像に付加する。UIDは、例えば超音波診断装置2a固有の装置ID、撮影日時を組み合わせて作成される。
超音波診断装置2aは、超音波を照射し、その反射波に基づいて医用画像を生成する。
超音波診断装置2aには変換装置21が接続され、この変換装置21を介してネットワーク5に接続されている。変換装置21は、アナログ信号からデジタル信号への変換を行うとともに、医用画像がDICOMに準拠しない形式である場合にその形式をDICOMに準拠する形式に変換する。また、変換装置21は医用画像システム1において医用画像を個々に特定するためのUID(ユニークID)を医用画像に付加する。UIDは、例えば超音波診断装置2a固有の装置ID、撮影日時を組み合わせて作成される。
内視鏡装置2bは、管の先端部に設けられた小型の撮影装置を備え、当該撮影装置によって撮影を行い、医用画像を生成する。
CR装置2cはX線を照射するX線源、X線を検出するX線検出器等を備えて構成されている。X線検出器は、X線エネルギーを蓄積する揮尽性蛍光体プレートが内蔵されたカセッテであってもよいし、FPD(Flat Panel Detector)であってもよい。FPDはマトリクス状にX線検出素子、光電変換素子が配置されてなり、X線検出素子によって検出されたX線を光電変換素子が光電変換して医用画像を生成する。カセッテを用いる場合、CR装置2c内に読取部が設けられる。読取部は揮尽性蛍光体プレートに励起光を照射し、揮尽性蛍光体プレートから発光される輝尽光を光電変換して医用画像を生成する。
CR装置2cはX線を照射するX線源、X線を検出するX線検出器等を備えて構成されている。X線検出器は、X線エネルギーを蓄積する揮尽性蛍光体プレートが内蔵されたカセッテであってもよいし、FPD(Flat Panel Detector)であってもよい。FPDはマトリクス状にX線検出素子、光電変換素子が配置されてなり、X線検出素子によって検出されたX線を光電変換素子が光電変換して医用画像を生成する。カセッテを用いる場合、CR装置2c内に読取部が設けられる。読取部は揮尽性蛍光体プレートに励起光を照射し、揮尽性蛍光体プレートから発光される輝尽光を光電変換して医用画像を生成する。
内視鏡装置2b、CR装置2cは、それぞれが生成した医用画像にUIDを付与する。UIDは、それぞれ医用画像の生成を行った内視鏡装置2bの装置ID又は超音波診断装置2aの装置IDに、撮影日時を組合せ作成される。
情報処理装置3は、例えば医用画像、患者情報、電子カルテ情報の情報処理を行い、医師の診察に必要な情報を表示したり、医用画像に画像処理を施したりする。
図3は、情報処理装置3の機能的構成を示す図である。
図3に示すように、情報処理装置3は、制御部31、操作部32、表示部33、通信部34、記憶部35、画像処理部36を備えて構成されている。
図3は、情報処理装置3の機能的構成を示す図である。
図3に示すように、情報処理装置3は、制御部31、操作部32、表示部33、通信部34、記憶部35、画像処理部36を備えて構成されている。
制御部31は、CPU(Central Processing Unit)、RAM(Random Access Memory)を備える制御手段である。制御部31は、記憶部35に記憶されている各種プログラムを読み出してRAMに展開し、展開されたプログラムに従って各種演算を行ったり、各構成部を集中制御したりする。
また、制御部31は、入力データが属するクラスを判別する識別器3aを作成する。具体的には、識別器3aは医用画像を入力データとして、当該医用画像の撮影部位と撮影方向の組合せを判別し、その判別結果を出力する。
操作部32は、例えばキーボードやマウスを備え、ユーザの操作に応じた操作信号を生成して制御部31に出力する。なお、操作部32と表示部33のディスプレイが一体化したタッチパネルを用いてもよい。
表示部33はディスプレイを備え、制御部31の表示制御に従ってディスプレイに医用画像や各種操作画面を表示する。
通信部34は通信用のインターフェイスを備え、ネットワーク5上の外部装置と通信を行う。例えば、画像生成装置2から医用画像を受信する。
表示部33はディスプレイを備え、制御部31の表示制御に従ってディスプレイに医用画像や各種操作画面を表示する。
通信部34は通信用のインターフェイスを備え、ネットワーク5上の外部装置と通信を行う。例えば、画像生成装置2から医用画像を受信する。
記憶部35は制御部31で用いられるプログラム、プログラムの実行に必要なパラメータ、ファイルを記憶している。記憶部35としては、ハードディスクや半導体の不揮発性メモリを用いることができる。
記憶部35は、医用画像のデータベースを記憶している。このデータベースは、例えば医用画像、当該医用画像に付与されたUID、当該医用画像に対応付けられた患者情報からなる。
記憶部35は、医用画像のデータベースを記憶している。このデータベースは、例えば医用画像、当該医用画像に付与されたUID、当該医用画像に対応付けられた患者情報からなる。
記憶部35は、医用画像の撮影部位(例えば、胸部、腹部、頭部)と撮影方向(例えば正面、側面、斜位)の組合せ毎に、それぞれの組合せに適した画像処理のパラメータの情報を記憶している。例えば、記憶部35は胸部正面の組合せに対し、階調変換処理のパラメータ1、周波数強調処理のパラメータ2の情報を記憶し、胸部側面の組合せに対しては階調変換処理のパラメータ1、周波数強調処理のパラメータ3を記憶している。
画像処理部36は、医用画像に各種画像処理を施す。画像処理は画像処理用のプログラムを記憶部35に記憶しておき、当該プログラムとCPUとの協働によるソフトウェア処理として実現することとしてもよい。また、画像処理回路のようにハードウェアによって各種画像処理を実現することとしてもよい。
画像処理としては、例えば階調変換処理、周波数強調処理、ダイナミックレンジ圧縮処理、粒状抑制処理、拡大縮小処理、表示位置調整処理、白黒反転処理が挙げられる。
このような画像処理のパラメータとしては、階調変換処理に用いられる階調変換曲線(出力画素値が目標階調となるように、入力画素値と出力画素値の関係を定めた曲線)、階調変換処理に用いられる正規化曲線の傾き(G値;コントラストを示す値)、正規化曲線のy切片(S値;濃度補正値)、周波数強調処理時の強調度、拡大縮小処理時の拡大率(縮小率)が挙げられる。
このような画像処理のパラメータとしては、階調変換処理に用いられる階調変換曲線(出力画素値が目標階調となるように、入力画素値と出力画素値の関係を定めた曲線)、階調変換処理に用いられる正規化曲線の傾き(G値;コントラストを示す値)、正規化曲線のy切片(S値;濃度補正値)、周波数強調処理時の強調度、拡大縮小処理時の拡大率(縮小率)が挙げられる。
受付装置4は、例えば来院した患者の受付登録、会計計算、保険点数計算を行う。
次に、上記医用画像システム1による処理の流れを、医師や患者のワークフローとともに説明する。
図2に示すように、入口10付近には患者の受付11と待合室12がある。受付11には受付装置4が配置されている。一方、診察室13には情報処理装置3、超音波診断装置2aが配置され、X線撮影室15にはCR装置2cが配置されている。また、検査室16には内視鏡装置2bが配置されている。
図2に示すように、入口10付近には患者の受付11と待合室12がある。受付11には受付装置4が配置されている。一方、診察室13には情報処理装置3、超音波診断装置2aが配置され、X線撮影室15にはCR装置2cが配置されている。また、検査室16には内視鏡装置2bが配置されている。
患者が来院すると、受付11では受付担当者が来院した患者に、各患者を識別するための受付番号が印刷された受付番号札を付与する。受付担当者は患者の氏名や年齢、住所等の患者情報と、当該患者に付与された受付番号を受付装置4に入力する。受付装置4では、患者情報がデータベース化されて保存されるとともに、受付番号順に患者の氏名等を並べた患者リストが作成される。患者リストは情報処理装置3に送信される。
受付番号が付与された患者は受付順に診察室13に移動し、医師による診察を受ける。医師は診察によって検査撮影が必要と判断すると、情報処理装置3において患者リストを表示するよう操作する。情報処理装置3では操作に応じて患者リストの表示が行われるので、医師は患者リストの中から撮影対象の患者の選択操作を行う。その後、医師は患者を画像生成装置2まで案内し、撮影部位、撮影方向を設定すると、画像生成装置2において撮影の指示操作を行う。画像生成装置2では撮影の後、医用画像が生成され、当該医用画像にUIDが付されて情報処理装置3に送信される。撮影終了後、医師と患者は診察室13に戻る。
情報処理装置3では、識別器3aにより医用画像の撮影部位及び撮影方向の組合せの判別が行われる。例えば、制御部31により医用画像の特徴量が算出され、当該特徴量が入力データとして識別器3aに入力される。医用画像の特徴量としては、画素値の平均値、標準偏差、分散、エッジ情報が挙げられる。識別器3aでは入力データに対し、胸部正面、胸部側面、腹部正面のように、撮影部位及び撮影方向の組合せが判別される。撮影部位及び撮影方向に応じた画像処理のパラメータが記憶部35に記憶されているので、画像処理部36により当該パラメータを用いた画像処理が施される。
画像処理が施されると、情報処理装置3ではビューア画面の表示が行われ、このビューア画面上に画像処理された医用画像と識別器3aによる撮影部位及び撮影方向の判別結果とが表示される。
図4は、ビューア画面dの一例を示している。
図4に示すように、ビューア画面dには患者情報欄d1、画像表示欄d2、画像調整欄d3が表示されている。患者情報欄d1は、医用画像が表示されている患者の患者情報の表示欄である。画像表示欄d2は、検査撮影によって得られた医用画像の表示欄である。画像調整欄d3は、表示された医用画像に施す画像処理のパラメータを操作するのに用いられる操作ボタンの表示欄である。
図4は、ビューア画面dの一例を示している。
図4に示すように、ビューア画面dには患者情報欄d1、画像表示欄d2、画像調整欄d3が表示されている。患者情報欄d1は、医用画像が表示されている患者の患者情報の表示欄である。画像表示欄d2は、検査撮影によって得られた医用画像の表示欄である。画像調整欄d3は、表示された医用画像に施す画像処理のパラメータを操作するのに用いられる操作ボタンの表示欄である。
画像表示欄d2は、表示された医用画像の撮影部位及び撮影方向の情報d21を含む。この撮影部位及び撮影方向は、識別器3aによって判別された結果である。患者情報欄d1に表示された患者情報と、画像表示欄d2に表示された医用画像が対応し、画像表示欄d2に表示された撮影部位及び撮影方向が正しければ、医師はOKボタンd32を操作すればよい。また、対応関係や撮影部位及び撮影方向が誤っている場合、医師はNGボタンd33を操作すればよい。
OKボタンd32が操作された場合、情報処理装置3では医用画像、患者情報、医用画像に付与されたUID等が制御部31によりデータベース化され、記憶部35に記憶される。NGボタンd32が操作された場合、制御部31の表示制御により撮影部位や撮影方向を修正操作できる修正画面が表示されるので、医師は目視により判断した撮影部位、撮影方向をこの修正画面において入力する。情報処理装置3では画像処理部36により入力された撮影部位及び撮影方向に応じたパラメータで画像処理が再度行われ、再画像処理された医用画像により上記ビューア画面の表示が行われる。
このように、識別器3aは医用画像の撮影部位及び撮影方向を判別するために用いられ、医師が撮影部位及び撮影方向を特定する作業を補助している。情報処理装置3はそのような識別器3aを、AdaBoostMltの手法により学習データを用いて構成する。学習データとしては、撮影部位と撮影方向の組合せが既に判明している医用画像の特徴量が用いられる。AdaBoostMltは複数の弱識別器の線形結合により最終的な識別器を作成するアルゴリズムである。弱識別器とは、分類精度が低くてもよい識別器をいう。個々の弱識別器の分類精度が低くても、弱識別器が十分な多様性を有することにより、学習データの経験分布に近い確率モデルを導き出すことが可能である。
図5は、識別器3aを構成する際に情報処理装置3により実行される処理の流れを示している。この処理では、識別器3aの確率モデルの複雑度が変更され、変更されたそれぞれの確率モデルのうち、情報量規準が最小となる確率モデルが識別器3aの確率モデルとして選択される。
図5に示すように、制御部31は識別器3aの確率モデルの複雑度Δを最も単純な複雑度に初期化して設定する(ステップS1)。本実施形態では、複雑度Δが0.1〜2.0(0.0に近づくほど複雑である)の範囲で0.1ずつ変更される例を説明する。この例によれば、初期化により複雑度Δは最も単純な2.0に設定される。次いで、制御部31は、識別器3aの確率モデルを、設定された複雑度Δの確率モデルに変更する(ステップS2)。このステップS2の処理については、図6を参照して説明する。
識別器3aは前述のように複数の弱識別器の結合である。設定された複雑度Δの確率モデルを構成するため、制御部31は識別器3aに用いる弱識別器の作成から始める。
図6に示すように、制御部31は決定株を作成する(ステップS21)。決定株とは、入力データxi(iは入力データのベクトル要素であり、i=1、…、n)のうちの1つに注目し、注目された入力データxiの値と閾値との比較結果によって、入力データをクラスkと判別する弱識別器群をいう。
図6に示すように、制御部31は決定株を作成する(ステップS21)。決定株とは、入力データxi(iは入力データのベクトル要素であり、i=1、…、n)のうちの1つに注目し、注目された入力データxiの値と閾値との比較結果によって、入力データをクラスkと判別する弱識別器群をいう。
採用すべき決定株の作成には、学習データxが用いられる。学習データxは、撮影部位と撮影方向の組合せをクラスとして、既にクラスが判別されている医用画像から求められた複数の特徴量を要素iとして定義されるベクトルデータであり、x=(x1、…、xi)で表される。特徴量としては、例えば医用画像の画素値そのものや、各画素値の平均値、標準偏差、分散の他、エッジ情報が挙げられる。
制御部31は学習データxのある要素iに注目し、注目された学習データxiの値と閾値とを比較した結果によって学習データxiをクラスkと判別する弱識別器を、複数の閾値Th1〜Thn毎に作成する。このとき、閾値以上でクラスkと判別する弱識別器と、閾値未満でクラスkと判別する弱識別器とが作成される。結果として、弱識別器は学習データxの要素数i×閾値数n×クラスkの数×2(閾値以上でクラスkと判断する場合と閾値未満でクラスkと判断する場合があるため)だけ作成されることとなる。以下、作成された弱識別器をhで示す。
制御部31は学習データxのある要素iに注目し、注目された学習データxiの値と閾値とを比較した結果によって学習データxiをクラスkと判別する弱識別器を、複数の閾値Th1〜Thn毎に作成する。このとき、閾値以上でクラスkと判別する弱識別器と、閾値未満でクラスkと判別する弱識別器とが作成される。結果として、弱識別器は学習データxの要素数i×閾値数n×クラスkの数×2(閾値以上でクラスkと判断する場合と閾値未満でクラスkと判断する場合があるため)だけ作成されることとなる。以下、作成された弱識別器をhで示す。
閾値Th1〜Thnは、学習データxの各要素iの座標原点0を中心に一定の間隔Δ毎に設定された閾値である。この閾値間隔Δは設定された複雑度Δと同じ値である。決定株として作成された弱識別器h群は線形結合によって識別器3aを構成するが、その全てが識別器3aに採用されるわけではない。しかし、弱識別器3aの採用数は閾値間隔Δの減少に伴って増加する。図7は混合正規分布の各正規分布を各クラスと考え、シミュレーションを行った結果、各複雑度Δで識別器3aに採用された平均弱識別器数を、学習データ数N別に示している。図7に示すように、全ての弱識別器hが用いられるわけではないが、複雑度Δの増加(つまり、決定株の閾値間隔Δが小さくなる)に伴って識別器3aに採用される弱識別器数も指数的に増加していることが分かる。
これは、決定株の閾値間隔Δを操作することで、決定株を元に作成される識別器の確率モデルの複雑度、つまり確率モデルのパラメータ次元を操作することができることを示している。すなわち、弱識別器hを決定する閾値の間隔Δが小さいほど、識別器3aに用いられる弱識別器hの数は多く、学習データへのフィッティング能力が向上してより複雑な確率モデルを構成することができる。逆に、閾値間隔Δが大きいほど、作成される弱識別器hの数は少なく、確率モデルは単純化する。このように、決定株の閾値間隔を調整することにより、確率モデルの複雑度を調整することができる。
決定株である弱識別器群が作成されると、制御部31はAdaBoostMltの手法によって、作成された弱識別器群(決定株)のうちの一部又は全部を結合し、識別器3aを構成する(ステップS22)。弱識別器群は決定株として作成された全ての弱識別器が、識別器3aに用いる弱識別器として選択されるとは限らず、その一部が選択される場合もある。
AdaBoostMltの手法による識別器の構成方法について説明する。
一般に、AdaBoostは2クラスに分類する識別器を構成する手法であるが、AdaBoostMltは多クラス分類のための識別器を構成する手法である。
一般に、AdaBoostは2クラスに分類する識別器を構成する手法であるが、AdaBoostMltは多クラス分類のための識別器を構成する手法である。
x∈X⊂Rn(Rnはn次元空間を示す。Xはn次元空間の部分集合であり、xの集合である。)である入力値xから出力値の集合Y={1、…、K}のべき集合2Yへの写像の集合を下記のように表す。
Wmlt={hmlt:X→2Y}
このとき、決定株の弱識別器hの集合Wは、下記のように表される。
W={h:X×Y→R|h(x、y)=[y∈hmlt(x)、hmlt∈Wmlt]}
なお、[]は[]内の条件が成立するときに1、それ以外のときは0を出力する関数を示す。
Wmlt={hmlt:X→2Y}
このとき、決定株の弱識別器hの集合Wは、下記のように表される。
W={h:X×Y→R|h(x、y)=[y∈hmlt(x)、hmlt∈Wmlt]}
なお、[]は[]内の条件が成立するときに1、それ以外のときは0を出力する関数を示す。
また、学習データを(x1、y1)、…、(xN、yN)で表すと、学習データの経験分布p0(x、y)は下記のように定義される。
xは学習データとして採用された医用画像の特徴量群により定義されるベクトルデータ、yはその医用画像について判明しているクラスを示す。Nは学習データ数を示す。
さらに、各弱識別器hに関する判別エラー関数et(h)、正解判別結果の総評価点p+(h、p)、誤判別結果の総評価点p−(h、p)、損失関数L(f)は、下記のように定義される。
なお、[]は[]内の条件が成立するときに1、それ以外のときは0を出力する関数を示す。
上記定義の下、T回の学習で得られる弱識別器h1、…、hTを結合して、最終的に得られる識別器3aの確率関数fλ(x、y)を下記のように表す。
fλ(x、y)=λ1h1(x、y)+、…、λThT(x、y)
なお、λ1〜λTは各弱識別器h1〜hTの重み付け係数である。
fλ(x、y)=λ1h1(x、y)+、…、λThT(x、y)
なお、λ1〜λTは各弱識別器h1〜hTの重み付け係数である。
この識別器fλ(x、y)を得るため、まず制御部31は学習データ(x1、y1)、…、(xN、yN)を入力し、重み付け係数λt、学習回数tの初期化を行う。λtを上記確率関数fλ(x、y)におけるλ1〜λTを要素とするベクトルデータλt=(λ1、…、λT)で示すと、初期化により重み付け係数はλ0=(0、…、0)、学習回数はt=0に設定される。また、制御部31は拡張された学習データの経験分布をptとして設定する。初期値t=0の場合、p0は、上記p0(x、y、y′)の式で表される。
次に、制御部31は以下の処理(1)〜(4)を、t=1、…、Tまで繰り返して行う。
(1)判別エラー関数e(pt、ht)が最小となる弱識別器hを選択する。つまり、決定株として作成された複数の弱識別器hの組合せを変えながら判別エラー関数e(pt、ht)を算出し、そのうち判別エラー関数が最小となる組合せの弱識別器hを選択する。
(2)λtをλt−1+(0、…、αt、…、0)に置き換えて設定する。ここで、αtは注目する弱識別器htの重み付け係数λtを調整するパラメータであり、下記のように表される。
(1)判別エラー関数e(pt、ht)が最小となる弱識別器hを選択する。つまり、決定株として作成された複数の弱識別器hの組合せを変えながら判別エラー関数e(pt、ht)を算出し、そのうち判別エラー関数が最小となる組合せの弱識別器hを選択する。
(2)λtをλt−1+(0、…、αt、…、0)に置き換えて設定する。ここで、αtは注目する弱識別器htの重み付け係数λtを調整するパラメータであり、下記のように表される。
次に、制御部31は識別器3aの確率関数として、下記式に示す確率関数p(y|x)を出力する。確率関数p(y|x)は、入力データがxであるときクラスyである確率を出力する関数である。
p(y|x)=1/Z・efλ(x、y)
Zは正規化定数を示す。
p(y|x)=1/Z・efλ(x、y)
Zは正規化定数を示す。
上述のように、決定株として作成された弱識別器は全部が用いられるとは限らず、判別エラー関数e(pt、ht)が最小となる組合せに係る弱識別器が選択されて用いられる。選択された弱識別器が結合されて得られた識別器3aは、作成された弱識別器群の組合せの中では最も学習データの経験分布に近似する確率モデルを有する。
制御部31は設定された複雑度Δの確率モデルについて情報量規準を算出する(ステップS3)。情報量規準は確率モデルを評価する基準である。情報量規準としては、AIC(An Information Criterion)、BIC(Bayesian Information Criterion)、MDL(Minimum Description Length)、ABIC(Akaike’s Bayesian Information Criterion)、TIC(Takeuchi Information Criterion)、EIC(Extended Information Criterion)が挙げられる。これら情報量規準は何れも確率モデルのパラメータ次元を用いて算出され、算出された規準値が最小となる確率モデルを好ましいと評価する。例示した情報量規準のうち何れを算出することとしてもよいが、本実施形態ではAICを算出する例を説明する。
上記AICの式に入力するパラメータ次元dは以下の考えに基づいて決定する。
決定株を用いたAdaBoostでは閾値間隔Δを決定すると、複数の弱識別器が作成されるが、通常、識別器3aに用いられる弱識別器は作成された弱識別器群の一部である。そのため、確率モデルのパラメータ空間が決定株である弱識別器の数の次元だけ広がっているとは考えることはできず、作成された全ての弱識別器の数を確率モデルの次元としてAICを算出しても、算出されたAICから最適な確率モデルの選択はすることができない。一方、識別器3aに用いられた弱識別器群は、学習データの経験分布とのKL距離が最小となる組合せである。すなわち、識別器3aに用いられた弱識別器群は、他の組合せに係る弱識別器群で構成される確率モデルと比較して、学習データに関する尤度が最大であると考えることができる。そこで、確率モデルのパラメータ次元dとして、実際にAdaBoostにより識別器に採用された弱識別器の数を用いて、AICを算出する。
決定株を用いたAdaBoostでは閾値間隔Δを決定すると、複数の弱識別器が作成されるが、通常、識別器3aに用いられる弱識別器は作成された弱識別器群の一部である。そのため、確率モデルのパラメータ空間が決定株である弱識別器の数の次元だけ広がっているとは考えることはできず、作成された全ての弱識別器の数を確率モデルの次元としてAICを算出しても、算出されたAICから最適な確率モデルの選択はすることができない。一方、識別器3aに用いられた弱識別器群は、学習データの経験分布とのKL距離が最小となる組合せである。すなわち、識別器3aに用いられた弱識別器群は、他の組合せに係る弱識別器群で構成される確率モデルと比較して、学習データに関する尤度が最大であると考えることができる。そこで、確率モデルのパラメータ次元dとして、実際にAdaBoostにより識別器に採用された弱識別器の数を用いて、AICを算出する。
なお、ここではAICを例に説明したが、BIC、ABIC、TICについても同様に、パラメータ次元dとして識別器3aに採用された弱識別器の数を用いることができる。また、EICについてはバイアスをブートストラップにより求めることにより、同様にEICの情報量基準値を得ることができる。
以上のようにして、設定された複雑度Δの確率モデルについてAICが算出されると、制御部31は所定の複雑度Δ(Δ=0.1)まで変更がなされたか否かを判断する(ステップS4)。所定の複雑度Δまで達していない場合(ステップS4;N)、制御部31は複雑度Δを所定値の0.1増加させて設定する(ステップS5)。そして、ステップS2の処理に戻り、制御部31は識別器3aの確率モデルを、変更後の複雑度Δの確率モデルに設定し、情報量規準を算出するステップS3の処理を繰り返す。このように、ステップS2、S3の処理は複雑度Δが所定の複雑度Δ=0.1に達するまで繰り返し行われる。最終的には、複雑度Δが2.0から0.1まで、0.1ずつ異なる20の確率モデルについてそれぞれ情報量規準が得られる。
次に、複雑度Δが所定の複雑度に達すると(ステップS4;Y)、制御部31は識別器3aの確率モデルとして、複雑度Δの異なる各確率モデルのうち、算出されたAICが最小となる確率モデルを選択し(ステップS6)、本処理が終了する。
実際に、500個の学習データについて、上述の処理により複雑度Δを変更した場合の確率モデルのAICを算出した。図8は、算出されたAICによって選択された確率モデルの識別器による誤判別率と、実際にテストデータによって誤判別率が最小となった識別器の誤判別率との差の頻度分布を示している。図8に示すように、識別器3aの確率モデルとして、誤判別率が小さい、最適に近い確率モデルが選択されていることが分かる。
以上のように、本実施形態によれば、情報処理装置3の制御部31は、識別器3aの確率モデルの複雑度Δを変更し、当該変更された各複雑度Δの確率モデルのAICを算出する。また、制御部31は識別器3aの確率モデルとして、算出されたAICのうち最小のAICに係る確率モデルを選択し、用いる。これにより、学習データの経験分布に近似し、かつ入力データ一般に対しても高い判別精度を有する最適な確率モデルを、容易かつ迅速に選択することが可能となる。
また、制御部31は決定株である弱識別器群を作成するのに用いる閾値Th1〜Thnの閾値間隔Δを変更することにより、確率モデルの複雑度Δを変更する。これにより、複雑度Δを容易に操作することができる。また、細かい単位で複雑度Δを変更することが可能となる。
また、制御部31は決定株として作成された全ての弱識別器の数ではなく、実際にAadBoostの手法により識別器3aを構成した際に、識別器3aに用いられた弱識別器の数を、確率モデルのパラメータ次元として用いて、AICを算出する。このように、学習データの経験分布に最も近い、学習データに関する尤度が最大と考えられる弱識別器の数をパラメータ次元として算出されたAICにより確率モデルを選択することにより、より良好な判別精度を示す確率モデルの選択が可能となる。
なお、上記実施形態は本発明の好適な位置であり、これに限定されない。
例えば、撮影部位及び撮影方向の組合せを判別することを目的として識別器3aを作成する例を示したが、医用画像の撮影が行われた画像生成装置の種類(例えば、超音波診断装置2a、内視鏡装置2b、CR装置3c)を判別することを目的として識別器3aを作成する場合にも本発明を適用することができる。また、医師の操作負担を軽減するため、次に行われるであろう医師の入力操作を予測する目的で識別器3aを作成する場合も本発明を適用することができる。この場合、医師の一連の入力操作の情報を学習データとして識別器3aが作成され、医師が行った入力操作の情報を入力データとして、識別器3aが次に医師が行う入力操作を判別し、その判別結果を医師の操作候補として出力する。
例えば、撮影部位及び撮影方向の組合せを判別することを目的として識別器3aを作成する例を示したが、医用画像の撮影が行われた画像生成装置の種類(例えば、超音波診断装置2a、内視鏡装置2b、CR装置3c)を判別することを目的として識別器3aを作成する場合にも本発明を適用することができる。また、医師の操作負担を軽減するため、次に行われるであろう医師の入力操作を予測する目的で識別器3aを作成する場合も本発明を適用することができる。この場合、医師の一連の入力操作の情報を学習データとして識別器3aが作成され、医師が行った入力操作の情報を入力データとして、識別器3aが次に医師が行う入力操作を判別し、その判別結果を医師の操作候補として出力する。
その他、医用画像システムに限らず、入力データのクラスを判別する識別器一般において、確率モデルの選択を行う場合に、本発明を適用することができる。
また、本発明に係る情報処理装置に用いられるプログラムのコンピュータ読み取り可能な媒体としては、ROM、フラッシュメモリ等の不揮発性メモリ、CD-ROM等の可搬型記録媒体を適用することが可能である。また、当該プログラムのデータを通信回線を介して提供する媒体として、キャリアウエーブ(搬送波)も適用可能である。
1 医用画像システム
2a 超音波診断装置
2b 内視鏡装置
2c CR装置
3 情報処理装置
31 制御部
3a 識別器
32 操作部
33 表示部
36 画像処理部
4 受付装置
2a 超音波診断装置
2b 内視鏡装置
2c CR装置
3 情報処理装置
31 制御部
3a 識別器
32 操作部
33 表示部
36 画像処理部
4 受付装置
Claims (5)
- 入力データが属するクラスを判別する識別器を作成する制御手段を備え、
前記制御手段は、前記識別器の確率モデルの複雑度を変更し、当該変更された各複雑度の確率モデルの情報量規準を算出し、当該算出された情報量規準のうち最小の情報量規準に係る確率モデルを、前記識別器の確率モデルとして用いる情報処理装置。 - 前記制御手段は、AdaBoost又はAdaBoostMltの手法によって複数の弱識別器を結合し、前記識別器を構成する請求項1に記載の情報処理装置。
- 前記複数の弱識別器は、一定間隔毎に設定された閾値を用いて作成される決定株であり、
前記制御手段は、前記閾値の間隔を変更することにより、前記識別器の確率モデルの複雑度を変更する請求項2に記載の情報処理装置。 - 前記制御手段は、前記AdaBoostの手法により、前記決定株として作成された複数の弱識別器のうちの一部又は全部の弱識別器を結合して前記識別器を構成し、当該識別器に用いられた弱識別器の数を、当該識別器の確率モデルのパラメータ次元として用いて前記情報量規準を算出する請求項3に記載の情報処理装置。
- 前記情報量規準は、AIC、BIC、AIBC、TIC又はEICの何れかである請求項1〜4の何れか一項に記載の情報処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008257177A JP2010086449A (ja) | 2008-10-02 | 2008-10-02 | 情報処理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008257177A JP2010086449A (ja) | 2008-10-02 | 2008-10-02 | 情報処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010086449A true JP2010086449A (ja) | 2010-04-15 |
Family
ID=42250308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008257177A Pending JP2010086449A (ja) | 2008-10-02 | 2008-10-02 | 情報処理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2010086449A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9317918B2 (en) | 2012-03-16 | 2016-04-19 | Hitachi, Ltd. | Apparatus, method, and computer program product for medical diagnostic imaging assistance |
JP2018092614A (ja) * | 2016-12-01 | 2018-06-14 | 富士通株式会社 | データベースのための畳み込みニューラルネットワークモデルの決定装置及び決定方法 |
JP2020203018A (ja) * | 2019-06-19 | 2020-12-24 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び医用データ処理方法 |
CN112231127A (zh) * | 2020-09-22 | 2021-01-15 | 深圳市裕展精密科技有限公司 | 电子装置及用于分析设备可靠度的方法 |
-
2008
- 2008-10-02 JP JP2008257177A patent/JP2010086449A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9317918B2 (en) | 2012-03-16 | 2016-04-19 | Hitachi, Ltd. | Apparatus, method, and computer program product for medical diagnostic imaging assistance |
JP2018092614A (ja) * | 2016-12-01 | 2018-06-14 | 富士通株式会社 | データベースのための畳み込みニューラルネットワークモデルの決定装置及び決定方法 |
JP2020203018A (ja) * | 2019-06-19 | 2020-12-24 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び医用データ処理方法 |
JP7334073B2 (ja) | 2019-06-19 | 2023-08-28 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び医用データ処理方法 |
CN112231127A (zh) * | 2020-09-22 | 2021-01-15 | 深圳市裕展精密科技有限公司 | 电子装置及用于分析设备可靠度的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5533662B2 (ja) | 情報処理装置 | |
WO2010050333A1 (ja) | 情報処理装置 | |
US20230115439A1 (en) | Tuned medical ultrasound imaging | |
US10811135B2 (en) | Systems and methods to determine disease progression from artificial intelligence detection output | |
WO2019150813A1 (ja) | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム | |
US11497478B2 (en) | Tuned medical ultrasound imaging | |
JP6021346B2 (ja) | 診断支援装置及びその制御方法 | |
JP7021215B2 (ja) | Cadシステム推薦に関する確信レベル指標を提供するためのcadシステムパーソナライゼーションの方法及び手段 | |
US11610676B2 (en) | Information processing device and information processing method | |
JP2005198970A (ja) | 医用画像処理装置 | |
US11227689B2 (en) | Systems and methods for verifying medical diagnoses | |
JP2010167042A (ja) | 医用診断支援装置及びその制御方法、並びに、プログラム | |
US11914918B2 (en) | Medical information processing apparatus, medical information processing method, and non-transitory computer-readable storage medium | |
US11779288B2 (en) | Methods, systems, and apparatus for determining radiation doses | |
Gopalakrishnan et al. | cMRI-BED: A novel informatics framework for cardiac MRI biomarker extraction and discovery applied to pediatric cardiomyopathy classification | |
JP5151913B2 (ja) | 情報処理装置 | |
EP3748648A1 (en) | Artificial intelligence dispatch in healthcare | |
JP2010086449A (ja) | 情報処理装置 | |
US10950343B2 (en) | Highlighting best-matching choices of acquisition and reconstruction parameters | |
JP2003284713A (ja) | 医用画像処理装置、画像処理パラメータの補正方法、プログラム、記憶媒体 | |
JP6220435B2 (ja) | 診断支援装置及びその制御方法 | |
EP3659510B1 (en) | Heatmap and atlas | |
US7386155B2 (en) | Transforming visual preference terminology for radiographic images | |
Chaisangmongkon et al. | External validation of deep learning algorithms for cardiothoracic ratio measurement | |
JP2014121346A (ja) | 医用画像処理装置及びプログラム |