JP2010503902A - 個体性のある分類器を生成するシステム及び方法 - Google Patents

個体性のある分類器を生成するシステム及び方法 Download PDF

Info

Publication number
JP2010503902A
JP2010503902A JP2009527632A JP2009527632A JP2010503902A JP 2010503902 A JP2010503902 A JP 2010503902A JP 2009527632 A JP2009527632 A JP 2009527632A JP 2009527632 A JP2009527632 A JP 2009527632A JP 2010503902 A JP2010503902 A JP 2010503902A
Authority
JP
Japan
Prior art keywords
classifier
classifiers
subset
objects
feature vectors
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.)
Granted
Application number
JP2009527632A
Other languages
English (en)
Other versions
JP2010503902A5 (ja
JP4991863B2 (ja
Inventor
シャシダー サスヤナラヤナ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boston Scientific Limited
Original Assignee
Boston Scientific Limited
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Boston Scientific Limited filed Critical Boston Scientific Limited
Publication of JP2010503902A publication Critical patent/JP2010503902A/ja
Publication of JP2010503902A5 publication Critical patent/JP2010503902A5/ja
Application granted granted Critical
Publication of JP4991863B2 publication Critical patent/JP4991863B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211Selection of the most significant subset of features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本明細書で説明される本発明のシステム及び方法は、各々がそれ自体の区別できる行動を示す分類器を生成することによって分類精度を向上させる。1つの例示的な実施形態よる方法は、特徴ベクトルのサブセットを無作為に選択し、無作為に選択された特徴ベクトルのサブセットを、分類器の設計に用いることによって、各々の分類器を生成する。特徴ベクトルの異なるサブセットが、各々の分類器に対して用いられるので、各々の分類器はそれ自体の区別できる行動を示す。分類器は、例えば分類器アレイで分類器として用いられるとき、分類精度を向上させる。これは、分類器の1つが犯す誤分類は、アレイ内の他の分類器が繰り返すことがないので、分類器アレイ全体の精度が向上する。

Description

本発明の技術分野は、分類器に関し、特に、個体性のある分類器を生成するシステム及び方法に関する。
パターン認識分野では、分類器が、オブジェクトを多くの定義済みクラス又はカテゴリの1つに分類するのに用いられる。例えば、分類器は、融資申込者が高リスクであるか、低リスクであるかを分類するのに用いることができる。分類器の他の用途には、言語認識、顔認識、画像処理及び医療診断が含まれる。
分類器は、画像におけるピクセル又は領域を、多くの定義済みクラスの1つに分類するための画像処理で用いられる。例えば、分類器は、自然風景の画像内の領域を、葉、芝生又は空などの多くのクラスの1つに分類するのに用いることができる。医療分野では、分類器は、患者の画像における領域を、異なる組織の種類、例えば異常組織、病変組織、正常組織に分類するのに用いられる。
分類は通常、特徴ベクトルと呼ばれるオブジェクトの1組の特徴を抽出することを含む。特徴は、オブジェクトのクラスの有用な情報を提供するオブジェクトの特性又は属性でもよい。特徴は、オブジェクトの特性又は属性の数値測定値形態であり得る。例えば、融資申込者の特徴は、申込者の月収でもよい。分類器は、オブジェクトを、多くの定義済みクラス又はカテゴリの1つに分類するのに、オブジェクトの特徴ベクトルを用いる。
分類器は、特定のクラスを識別するように分類器を訓練することによって、特定の分類課題のためにカスタマイズすることができる。これには大抵、分類器に、既知のクラスを代表する1組の例示的なオブジェクトが提示される訓練段階を含む。分類器は、例示的なオブジェクトの特徴を抽出し、そうした特徴を、関連法則に基づいて、既知のオブジェクトクラスと関連付けることを学習する。分類器が、クラスを識別することを訓練されると、新たなオブジェクト内でのそうしたクラスの出現を識別するのに用いることができる。
実際には、分類器は時々、オブジェクトを誤分類する。従って、分類精度を向上させる必要性がある。
本明細書で説明される本発明のシステム及び方法は、各々がそれ自体の区別できる行動を示す、個体性のある分類器を生成することにより、分類制度を向上させる。1つの例示的な実施形態による方法は、特徴ベクトルのサブセットを無作為に選択し、無作為に選択された特徴ベクトルのサブセットを、分類器の設計に用いることによって、個体性のある各々の分類器を生成する。特徴ベクトルの異なるサブセットが、各々の分類器に用いられるので、各々の分類器は、それ自体の区別できる行動又は個体性を示す。
個体性のある分類器は、例えば分類器アレイで分類器として用いられるとき、分類精度を向上させる。これは、アレイにある分類器間の個体性が、分類器の1つが犯す誤分類は、アレイにある他の分類器が繰り返すことはないことを保証するからであり、それにより、分類器アレイの全体的な精度が向上する。
本発明の他のシステム、方法、特徴及び利点は、以下の図面及び詳細な説明を考察すればに、当業者には明らかである又は明らかになるであろう。そうした付加的なシステム、方法、特徴及び利点のすべては、本説明に含まれ、本発明の範囲内に含まれ、特許請求の範囲により保護されることが意図される。本発明は、さらに、例示的な実施形態の詳細を要求することに限定されないことが意図される。
本発明の詳細は、添付の図面を調べることによって一部を取得することができ、図面では同じ参照番号は、同じセグメントを指す。
本発明は、個体性のある分類器を設計するシステム及び方法を提供し、各々の分類器は、それ自体の区別できる行動を示す。
個体性のある分類器を設計する、1つの例示的な方法のブロック図を示す。 個体性のある分類器を設計する、1つの例示的な方法のブロック図を示す。 個体性のある分類器を含む分類器アレイの線図である。 個体性のある分類器を含む動的分類器の機能ブロック図である。 超音波撮像用途のための、個体性のある分類器を設計する、1つの例示的な方法のブロック図を示す。 超音波撮像用途のための、個体性のある分類器を設計する、1つの例示的な方法のブロック図を示す。
図1A及び図1Bは、個体性のある分類器を設計する1つの例示的な方法のブロック図を示す。ステップ110において、特徴の第1サブセットを、特徴ベクトルから無作為に選択する。例えば、n次元の特徴ベクトルxは、
特徴ベクトルx=[x1、x2、・・・、xn
と表すことができ、x1、x2、・・・、xnは、特徴ベクトルを構成する1組の特徴を表す。ステップ110において、特徴ベクトルの特徴x1、x2、・・・、xnのサブセットを選択する。
ステップ120において、第1分類器、例えば線形分類器を、特徴ベクトルの第1サブセットを用いてオブジェクトを分類するように訓練する。これは、第1分類器に、既知のクラスの1組の例示的なオブジェクトを与えることにより行うことができる。第1分類器は、オブジェクトから特徴ベクトルの第1サブセットを抽出し、オブジェクトの特徴ベクトルの第1サブセットを、既知のオブジェクトクラスと関連付けることを学習する。
ステップ125において、第1分類器の精度を確認し、これは、例えば第1分類器に1組の例示的なオブジェクトを与え、第1分類器が、どのオブジェクトを正確に分類し、どのオブジェクトを誤分類するかを記録することによって行われる。
ステップ130において、特徴の第2サブセットを、特徴ベクトルから無作為に選択する。第2サブセットは、第1サブセットと同じ数の特徴を有してもよく、そうでなくてもよい。
ステップ140において、重み付け入力をもつ第2分類器を、特徴ベクトルの第2サブセットを用いて、オブジェクトを分類するように訓練する。第2分類器を、第1分類器を訓練するのに用いたのと同じ組の例示的なオブジェクトで訓練することもできる。第2分類器の入力を、第1分類器が正確に分類したオブジェクトよりも、第1分類器が誤分類したオブジェクトに、より重みを与えるように重み付けされることが好ましい。例えば、第2分類器は、第1分類器が誤分類したオブジェクトに80%の重み付けを与え、第1分類器が正確に分類したオブジェクトに20%の重み付けを与えることができる。これは、第2分類器が、第1分類器の犯した間違いを訂正しようと試行することを保証する。
ステップ150において、第1分類器と第2分類器を組み合わせる。これは、当技術分野で知られる2つの分類器の融合、又は当技術分野で知られるいずれかの他の技術によって行うことができる。
ステップ155において、組み合わされた複合分類器の精度を確認し、これは、例えば複合分類器に1組の例示的なオブジェクトを与え、複合分類器が、どのオブジェクトを正確に分類し、オブジェクトを誤分類するかを記録することによって行われる。
ステップ160において、特徴の第3サブセットを、特徴ベクトルから無作為に選択する。
ステップ170において、重み付き入力をもつ第3分類器を、特徴ベクトルの第3サブセットを用いて、オブジェクトを分類するように訓練する。第3分類器を、第1分類器及び第2分類器を訓練するのに用いられたのと同じ組の例示的なオブジェクトで訓練することができる。第3分類器の入力は、複合分類器が正確に分類したオブジェクトよりも、複合分類器が誤分類したオブジェクトに、より重みを与えるように重み付けされることが好ましい。これによって、第3分類器が、ステップ150の複合分類器が犯した間違いを訂正しようと試行することを保証する。
ステップ180において、第3分類器を、ステップ150の複合分類器と組み合わせ、新たな複合分類器を生成する。新たな複合分類器は、例えば、第1分類器、第2分類器及び第3分類器間で票決することによって実現でき、その分類器では、オブジェクトは、分類器の大部分によってオブジェクトに割り当てられた分類に基づいて分類される。
ステップ185において、新たな複合分類器の精度を確認し、これは、例えば新たな複合分類器に1組の例示的なオブジェクトを与え、分類精度率を求めることによって行われる。
ステップ190において、新たな複合分類器の精度を、達成目標、例えば90%の分類精度のような達成目標と比較する。達成目標に達した場合には、設計が完了し、ステップ180の新たな複合分類器が、個体性のある分類器となる。達成目標に達しない場合には、ステップ160からステップ190を繰り返し、別の分類器を追加する。ステップ160からステップ190を、達成目標に達するまで、又はより多くの分類器を追加することによる大幅な精度の向上が見られなくなるまで、繰り返してもよい。
第1分類器、第2分類器、第3分類器は各々、特徴ベクトルの異なる無作為のサブセットを調べるため、その結果生じる複合分類器は、特有の行動又は個体性を有する。複合分類器は、1つの個体性のある分類器として用いられる。
図1A及び図1Bの方法は、個体性のある分類器を設計するための1つの実施形態である。他の実施形態において、第2分類器及び第3分類器は、重み付け入力を有する代わりに、すべてのオブジェクトを均等に重み付けしてもよい。また、特徴ベクトルのサブセットの無作為な選択は、完全に無作為である必要はない。例えば、所望の効果を実現するため、特定の規則を、無作為の選択に組み込んでもよい。
個体性のある分類器を、分類精度を向上させるために、分類器のアレイで用いることができる。図2は、個体性のある分類器220−1から210−n(「220−1−n」)を含む、分類器アレイ210の線図である。1つの実施形態において、オブジェクトは、アレイ210内の各々の分類器220−1−nに、オブジェクトを個別に分類させ、アレイ210内の分類器220−1−n間で票決し、分類器220−1−nの大部分によってオブジェクトに割り当てられた分類に基づき、オブジェクトを分類する、ことによって分類される。分類器アレイ210内の各々の分類器220−1−nは、本発明の方法を用いて設計され、ここで特徴ベクトルの異なるサブセットは、各々の分類器220−1−nに対して、無作為に選択される。代替的に、個体性のある分類器と従来の分類器の組み合わせを、アレイで用いることができる。
各々の分類器220−1−nは、分類タスクに独自の専門知識を取り込むので、個体性のある分類器220−1−nは、分類器アレイ210の精度を高める。アレイ210内の分類器220−1−nの間の個体性は、分類器220−1−nの1つが犯した誤分類を、アレイ210内の他の分類器220−1−nが繰り返すことがないよう保証し、したがって、他の分類器220−1−nによって「否決」される。
個体性のある分類器を、動的分類器で用いることもでき、これは、明細書の全体を援用する、2004年9月13日出願の「Systems And Methods For Producing A Dynamic Classified Image」の名称の特許出願第10/940359号で説明されている。図3は、個体性のある分類器を用いた動的分類器310の機能ブロック図である。動的分類器310は、画像入力315と、複数の個体性のある分類器又は個体性のある分類器のアレイ320−1から320−n(「320−1−n」)と、動的分類画像処理装置330とを含む。画像入力315は、撮像装置、コンピュータメモリ、画像処理装置などから得てももよい。
動作中、個体性のある分類器320−1−nの各々は、入力画像315を、分類画像325−1−nに分類し、ここで入力画像315の領域が分類される。例えば、各分類画像325−1−nは、色分けすることができ、その場合、異なるクラスは異なる色で表される。分類画像325−1−nは、動的分類画像処理装置330に入力され、この装置は、分類画像325−1−nを、表示装置(図示せず)に順次的、連続的に出力する。分類画像325−1−nの順次的な表示は、動的分類画像335を生成し、その画像中では、入力画像315の分類は、分類画像325−1−nのうちどれが、ある所与の瞬間に表示されるかによって、時間とともに変化する。動的分類画像処理装置330は、例えば1秒当たり10枚から30枚の分類画像325−1−nという速さで、分類画像325−1−nを継続的に1サイクル行うことができる。
分類器320−1−n及び動的分類画像処理装置330は、異なるプロセッサ、同じプロセッサ、又はその組み合わせにおいて実施できる。例えば、分類器320−1−nを、1組のプログラムとして実施することができ、各プログラムは、分類器320−1−nの1つに対する計算手順を定める。分類器320−1−n及び動的分類画像処理装置330は、次にプロセッサに、分類器320−1−nの各々に対してプログラムを順次的に実行させることにより、同じプロセッサ上で実施することができる。この実施において、異なる分類器320−1−nは、プロセッサによって入力画像315に順次的に与えられる。
動的分類画像335は、人間の観察者の視覚系が、時折発生する分類エラーを少数の分類画像325−1−nから除き、分類画像325−1−nの大部分からの一般に正しい分類を保持するよう働きかける動的刺激を与える。分類器320−1−n間の個体性は、分類器320−1−nの1つが犯す誤分類を、動的分類器310内の他の分類器320−1−nが繰り返さないことを保証する。
本発明の方法は、血管内超音波(IVUS)撮像の分野にも応用できる。IVUS撮像において、超音波変換器は体内で超音波を発し、超音波は、体内の組織によって変換器まで反射して戻る。変換器は、反射した超音波を電気信号に変換し、電気信号は、超音波システムによって処理され、体の超音波画像になる。異なる種類の組織と関連付けられた電気信号は、異なる無線周波数(RF)スペクトルを示す。従って、組織のRFスペクトルは、組織の種類についての有益な情報を提供し、分類器が組織を分類するのに用いることができる。
例えば、組織のRFスペクトルは、64の測定値を含んでもよく、各測定値は、異なる周波数帯域での、反射した超音波のエネルギーを表す。測定値は、周波数ビンに群分けすることができ、各周波数ビンは、異なる周波数帯域に対応する。
図4A及び図4Bは、超音波撮像用途の、個体性のある分類器を設計する1つの例示的な方法のブロック図を示す。ステップ410において、周波数ビンの第1サブセットを、RFスペクトルから無作為に選択する。例えば、RFスペクトルの第1サブセットは、3つの周波数ビンを含むことができ、全RFスペクトルは、64の周波数ビンを含むことができる。
ステップ420において、第1分類器、例えば線形分類器を、RFスペクトルの第1サブセット、例えば3つの周波数ビンを用いて組織を分類するよう訓練する。これは、第1分類器に、既知のクラスの例示的な組織の1組のRFスペクトルを与えることで行うことができる。第1分類器は、RFスペクトルの第1サブセットを用いるので、第1分類器は、第1サブセットに対応する例示的な組織のRFスペクトルの一部だけを調べる。
ステップ425において、第1分類器の精度を確認し、これは、例えば第1分類器に、例示的な組織の1組のRFスペクトルを与え、第1分類器が、どのオブジェクトを正確に分類し、どのオブジェクトを誤分類するかを記録することによって行われる。
ステップ430において、例えば3つの周波数ビンのような第2のサブセットの周波数ビンを、RFスペクトルから無作為に選択する。
ステップ440において、重み付け入力をもつ第2分類器を、RFスペクトルの第2サブセットを用いて、組織を分類するように訓練する。第2分類器は、第1分類器を訓練するのに用いた例示的な組織の同じ組のRFスペクトルで訓練することができる。第2分類器の入力を、第1分類器が正確に分類した組織よりも、第1分類器が誤分類した組織に、より重みを与えるように重み付けすることが好ましい。これは、第2分類器が、第1分類器の犯した間違いを訂正しようと試行することを保証する。
ステップ450において、第1分類器と第2分類器を組み合わせる。これは、当技術分野で知られる2つの分類器の融合、又は当技術分野で知られる任意の他の技術によって行うことができる。
ステップ455において、複合分類器の精度を確認し、これは、例えば複合分類器に例示的な組織の1組のRFスペクトルを与え、複合分類器が、どの組織を正確に分類するか、及びどの組織を誤分類するかを記録することによって行われる。
ステップ460において、例えば3つの周波数ビンのような第3のサブセットの周波数ビンを、RFスペクトルから無作為に選択する。
ステップ470において、重み付け入力をもつ第3分類器を、RFスペクトルの第3サブセットを用いて、組織を分類するように訓練する。第3分類器は、第1分類器及び第2分類器に訓練するのに用いた例示的な組織の同じ組のRFスペクトルで訓練することができる。第3分類器の入力を、複合分類器が正確に分類した組織よりも、複合分類器が誤分類した組織に、より重みを与えるように重み付けすることが好ましい。これは、第3分類器が、ステップ450の複合分類器の犯した間違いを訂正しようと試行することを保証する。
ステップ480において、第3分類器を、ステップ450の複合分類器と組み合わせ、新たな複合分類器を生成する。新たな複合分類器は、例えば、第1分類器、第2分類器及び第3分類器間で票決することによって実現でき、その分類器では、組織は、分類器の大部分によって組織に割り当てられた分類に基づいて分類される。
ステップ485において、新たな複合分類器の精度を確認し、これは、例えば新たな複合分類器に例示的な組織の1組のRFスペクトルを与え、分類精度率を求めることによって行われる。
ステップ490において、新たな複合分類器の精度を、達成目標と比較する。達成目標に達した場合には、設計が完了し、ステップ480の新たな複合分類器が、個体性のある分類器となる。達成目標に達しない場合には、ステップ460からステップ490を、達成目標に達するまで、又はより多くの分類器を追加することによる大幅な精度の向上が見られなくなるまで、繰り返す。
上記の明細書において、本発明は、特定の実施形態を参照して説明してきた。しかし、本発明の広範な精神及び範囲から逸脱することなく、様々な修正及び変更を加えることができるのは明白となる。例えば、1つの実施形態の各々の特徴は、他の実施形態に示される他の特徴と混合及び適合させることができる。例えば、分類器アレイ又は動的分類器は、個体性のある分類器と従来の分類器との組み合わせを用いることができる。当業者に既知の特徴及び処理も、希望に応じて同様に組み込むことができる。さらに、希望に応じて特徴を加える又は除去することができるのは明白である。従って、本発明は、添付の特許請求の範囲及びその均等物を考慮した場合を除き、制限されるのもではない。

Claims (17)

  1. 個体性のある分類器を生成する方法であって、
    特徴ベクトルの第1サブセットを無作為に選択するステップと、
    前記特徴ベクトルの前記第1サブセットを用いてオブジェクトを分類するように第1分類器を訓練するステップと、を含む
    ことを特徴とする方法。
  2. 前記第1分類器は線形分類器であることを特徴とする、請求項1に記載の方法。
  3. 前記特徴ベクトルは無線周波数スペクトルであることを特徴とする、請求項1に記載の方法。
  4. 前記無線周波数スペクトルは超音波信号から得られることを特徴とする、請求項3に記載の方法。
  5. 前記特徴ベクトルの第2サブセットを無作為に選択するステップと、
    前記特徴ベクトルの前記第2サブセットを用いてオブジェクトを分類するように第2分類器を訓練するステップと、
    前記第1分類器と前記第2分類器を組み合わせて複合分類器を生成するステップと、をさらに含むことを特徴とする、請求項1に記載の方法。
  6. 前記特徴ベクトルは無線周波数スペクトルであることを特徴とする、請求項5に記載の方法。
  7. 前記無線周波数スペクトルは超音波信号から得られることを特徴とする、請求項6に記載の方法。
  8. オブジェクトを分類する際の前記第1分類器の精度を確認するステップと、
    前記第1分類器が正確に分類するオブジェクトよりも、前記第1分類器が誤分類するオブジェクトに対して、より大きい重みを与えるように、前記第2分類器の入力を重み付けするステップと、をさらに含むことを特徴とする、請求項5に記載の方法。
  9. 前記特徴ベクトルの第3サブセットを無作為に選択するステップと、
    前記特徴ベクトルの前記第3サブセットを用いてオブジェクトを分類するように第3分類器を訓練するステップと、
    前記第3分類器を、前記複合分類器と組み合わせるステップと、をさらに含むことを特徴とする、請求項5に記載の方法。
  10. オブジェクトを分類する際の前記複合分類器の精度を確認するステップと、
    前記複合分類器が正確に分類するオブジェクトよりも、前記複合分類器が誤分類するオブジェクトに対して、より大きい重みを与えるように、前記第3分類器の入力を重み付けするステップと、をさらに含む、請求項9に記載の方法。
  11. 分類器のアレイを生成するための方法であって、
    複数の分類器の各々に対して、特徴ベクトルのサブセットを無作為に選択するステップと、
    前記特徴ベクトルのそれぞれのサブセットを用いて、オブジェクトを分類するように前記複数の分類器の各々を訓練するステップと、を含むことを特徴とする方法。
  12. 前記複数の分類器は線形分類器であることを特徴とする、請求項11に記載の方法。
  13. 前記特徴ベクトルは無線周波数スペクトルであることを特徴とする、請求項11に記載の方法。
  14. 前記無線周波数スペクトルは超音波信号から発生することを特徴とする、請求項13に記載の方法。
  15. 動的分類器システムであって、
    共通の入力画像を処理するように構成された複数の分類器であって、各分類器が、前記共通の入力画像に基づいて分類画像を生成し、各分類器が、前記共通の入力画像を分類するため、特徴ベクトルの異なるサブセットを用いる、複数の分類器と、
    前記複数の分類器に結合された動的分類画像処理装置であって、前記動的分類画像処理装置が、前記複数の分類器から前記分類画像を順次的に出力する、動的分類画像処理装置と、を含むことを特徴とするシステム。
  16. 前記動的分類画像処理装置は、1秒当たり10枚から30枚の間の速度で分類画像を順次的に表示するようなっていることを特徴とする、請求項15に記載のシステム。
  17. 前記動的処理装置は、前記分類画像を無作為の順番で表示することを特徴とする、請求項15に記載のシステム。
JP2009527632A 2006-09-12 2007-09-12 個体性のある分類器を生成するシステム及び方法 Expired - Fee Related JP4991863B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/531,133 US7729533B2 (en) 2006-09-12 2006-09-12 Systems and methods for producing classifiers with individuality
US11/531,133 2006-09-12
PCT/US2007/078316 WO2008033955A2 (en) 2006-09-12 2007-09-12 Systems and methods for producing classifiers with individuality

Publications (3)

Publication Number Publication Date
JP2010503902A true JP2010503902A (ja) 2010-02-04
JP2010503902A5 JP2010503902A5 (ja) 2012-04-12
JP4991863B2 JP4991863B2 (ja) 2012-08-01

Family

ID=39133717

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009527632A Expired - Fee Related JP4991863B2 (ja) 2006-09-12 2007-09-12 個体性のある分類器を生成するシステム及び方法

Country Status (5)

Country Link
US (1) US7729533B2 (ja)
EP (1) EP2080154A2 (ja)
JP (1) JP4991863B2 (ja)
CA (1) CA2662555A1 (ja)
WO (1) WO2008033955A2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021152745A1 (ja) * 2020-01-29 2021-08-05 オリンパス株式会社 超音波観測装置、超音波観測装置の作動方法および超音波観測装置の作動プログラム

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7460716B2 (en) * 2004-09-13 2008-12-02 Boston Scientific Scimed, Inc. Systems and methods for producing a dynamic classified image
US8010307B2 (en) * 2006-12-07 2011-08-30 Hermes-Microvision, Inc. In-line overlay measurement using charged particle beam system
US20080175468A1 (en) * 2007-01-24 2008-07-24 Hermes Microvision, Inc. Method and system for creating knowledge and selecting features in a semiconductor device
WO2009086033A1 (en) * 2007-12-20 2009-07-09 Dean Enterprises, Llc Detection of conditions from sound
US9549713B2 (en) * 2008-04-24 2017-01-24 Boston Scientific Scimed, Inc. Methods, systems, and devices for tissue characterization and quantification using intravascular ultrasound signals
US20090270731A1 (en) * 2008-04-24 2009-10-29 Boston Scientific Scimed, Inc Methods, systems, and devices for tissue characterization by spectral similarity of intravascular ultrasound signals
US8135202B2 (en) * 2008-06-02 2012-03-13 Nec Laboratories America, Inc. Automated method and system for nuclear analysis of biopsy images
EP2446282A4 (en) * 2009-06-23 2013-02-27 Ericsson Telefon Ab L M METHOD AND ARRANGEMENT FOR A MOBILE TELECOMMUNICATIONS NETWORK
WO2012071110A1 (en) 2010-11-24 2012-05-31 Boston Scientific Scimed, Inc. Systems and methods for detecting and displaying body lumen bifurcations
WO2013165336A1 (en) * 2012-04-30 2013-11-07 Hewlett-Packard Development Company, L.P. Selecting classifier engines
CN103336973B (zh) * 2013-06-19 2016-12-28 华南理工大学 多特征决策融合的眼状态识别方法
US10154826B2 (en) 2013-07-17 2018-12-18 Tissue Differentiation Intelligence, Llc Device and method for identifying anatomical structures
US10716536B2 (en) 2013-07-17 2020-07-21 Tissue Differentiation Intelligence, Llc Identifying anatomical structures
US9594983B2 (en) * 2013-08-02 2017-03-14 Digimarc Corporation Learning systems and methods
US9754192B2 (en) * 2014-06-30 2017-09-05 Microsoft Technology Licensing, Llc Object detection utilizing geometric information fused with image data
US10456105B2 (en) 2015-05-05 2019-10-29 Boston Scientific Scimed, Inc. Systems and methods with a swellable material disposed over a transducer of an ultrasound imaging system
US10255296B2 (en) 2016-02-25 2019-04-09 Omniearth, Inc. System and method for managing geodemographic data
US10528889B2 (en) * 2016-03-25 2020-01-07 Futurewei Technologies, Inc. Stereoscopic learning for classification
US11986341B1 (en) 2016-05-26 2024-05-21 Tissue Differentiation Intelligence, Llc Methods for accessing spinal column using B-mode imaging to determine a trajectory without penetrating the the patient's anatomy
US11701086B1 (en) 2016-06-21 2023-07-18 Tissue Differentiation Intelligence, Llc Methods and systems for improved nerve detection

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11197151A (ja) * 1997-11-07 1999-07-27 General Electric Co <Ge> 超音波イメージング・システム用のbモード処理装置および検出後像処理方法
US6009199A (en) * 1996-07-12 1999-12-28 Lucent Technologies Inc. Classification technique using random decision forests
US6238342B1 (en) * 1998-05-26 2001-05-29 Riverside Research Institute Ultrasonic tissue-type classification and imaging methods and apparatus
JP2004048587A (ja) * 2002-07-15 2004-02-12 Mitsubishi Space Software Kk コンピュータ支援診断方法及びその装置
JP2005115525A (ja) * 2003-10-06 2005-04-28 Fuji Photo Film Co Ltd 識別処理に用いる特徴量の種類と識別条件を決定する装置、プログラムならびにプログラムを記録した記録媒体、および特定内容のデータを選別する装置
WO2005088521A1 (en) * 2004-03-15 2005-09-22 Bae Systems Plc Image classification
JP2005284487A (ja) * 2004-03-29 2005-10-13 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
US20060078315A1 (en) * 2004-09-13 2006-04-13 Toshiaki Wada Image display device, image display program, and computer-readable recording media storing image display program
US7421114B1 (en) * 2004-11-22 2008-09-02 Adobe Systems Incorporated Accelerating the boosting approach to training classifiers

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4958375A (en) * 1988-02-17 1990-09-18 Nestor, Inc. Parallel, multi-unit, adaptive pattern classification system using inter-unit correlations and an intra-unit class separator methodology
US5299284A (en) * 1990-04-09 1994-03-29 Arizona Board Of Regents, Acting On Behalf Of Arizona State University Pattern classification using linear programming
DE4133590A1 (de) * 1991-07-03 1993-01-14 Bosch Gmbh Robert Verfahren zur klassifikation von signalen
US5325445A (en) * 1992-05-29 1994-06-28 Eastman Kodak Company Feature classification using supervised statistical pattern recognition
US5995651A (en) * 1996-07-11 1999-11-30 Duke University Image content classification methods, systems and computer programs using texture patterns
US7033334B2 (en) * 1996-09-24 2006-04-25 Samolyk Keith A Hemo-concentrator system for autologous blood recovery
US6464716B1 (en) * 1998-01-23 2002-10-15 Innercool Therapies, Inc. Selective organ cooling apparatus and method
US6996549B2 (en) * 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
WO2000046736A1 (en) * 1999-02-05 2000-08-10 Yoav Smith Similarity measurement method for the classification of medical images into predetermined categories
US7171042B2 (en) * 2000-12-04 2007-01-30 Intel Corporation System and method for classification of images and videos
US6855114B2 (en) * 2001-11-23 2005-02-15 Karen Drukker Automated method and system for the detection of abnormalities in sonographic images
US7074188B2 (en) * 2002-08-26 2006-07-11 The Cleveland Clinic Foundation System and method of characterizing vascular tissue
US7471832B2 (en) * 2004-02-24 2008-12-30 Trw Automotive U.S. Llc Method and apparatus for arbitrating outputs from multiple pattern recognition classifiers
US7529720B2 (en) * 2004-03-26 2009-05-05 International Business Machines Corporation Distributed classification of vertically partitioned data
US7460716B2 (en) * 2004-09-13 2008-12-02 Boston Scientific Scimed, Inc. Systems and methods for producing a dynamic classified image

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6009199A (en) * 1996-07-12 1999-12-28 Lucent Technologies Inc. Classification technique using random decision forests
JPH11197151A (ja) * 1997-11-07 1999-07-27 General Electric Co <Ge> 超音波イメージング・システム用のbモード処理装置および検出後像処理方法
US6238342B1 (en) * 1998-05-26 2001-05-29 Riverside Research Institute Ultrasonic tissue-type classification and imaging methods and apparatus
JP2004048587A (ja) * 2002-07-15 2004-02-12 Mitsubishi Space Software Kk コンピュータ支援診断方法及びその装置
JP2005115525A (ja) * 2003-10-06 2005-04-28 Fuji Photo Film Co Ltd 識別処理に用いる特徴量の種類と識別条件を決定する装置、プログラムならびにプログラムを記録した記録媒体、および特定内容のデータを選別する装置
WO2005088521A1 (en) * 2004-03-15 2005-09-22 Bae Systems Plc Image classification
JP2005284487A (ja) * 2004-03-29 2005-10-13 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
US20060078315A1 (en) * 2004-09-13 2006-04-13 Toshiaki Wada Image display device, image display program, and computer-readable recording media storing image display program
US7421114B1 (en) * 2004-11-22 2008-09-02 Adobe Systems Incorporated Accelerating the boosting approach to training classifiers

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021152745A1 (ja) * 2020-01-29 2021-08-05 オリンパス株式会社 超音波観測装置、超音波観測装置の作動方法および超音波観測装置の作動プログラム

Also Published As

Publication number Publication date
CA2662555A1 (en) 2008-03-20
US20080063265A1 (en) 2008-03-13
EP2080154A2 (en) 2009-07-22
US7729533B2 (en) 2010-06-01
WO2008033955A2 (en) 2008-03-20
JP4991863B2 (ja) 2012-08-01
WO2008033955A3 (en) 2008-06-12

Similar Documents

Publication Publication Date Title
JP4991863B2 (ja) 個体性のある分類器を生成するシステム及び方法
Dasgupta et al. A fully convolutional neural network based structured prediction approach towards the retinal vessel segmentation
US8175368B2 (en) Systems and methods for image segmentation with a multi-state classifier
Wu et al. Combining least-squares support vector machines for classification of biomedical signals: a case study with knee-joint vibroarthrographic signals
JP2010503902A5 (ja)
Lau et al. Scargan: chained generative adversarial networks to simulate pathological tissue on cardiovascular mr scans
Ye et al. Glioma grading based on 3D multimodal convolutional neural network and privileged learning
Lee et al. Is intensity inhomogeneity correction useful for classification of breast cancer in sonograms using deep neural network?
CA2577580A1 (en) Systems and methods for producing a dynamic classified image
CN106780404B (zh) 图像增强方法、装置及血管显像设备
Raja et al. Artificial intelligence and machine learning in 2D/3D medical image processing
CN112819818B (zh) 图像识别模块训练方法和装置
Elalfi et al. Artificial neural networks in medical images for diagnosis heart valve diseases
Patibandla et al. Comparative study on analysis of medical images using deep learning techniques
Goddard et al. SVMnet: Non-Parametric Image Classification Based on Convolutional Ensembles of Support Vector Machines for Small Training Sets
Rajasekaran et al. Application of adaptive neuro-fuzzy inference systems for MR image classification and tumour detection
Al-Saedi et al. Design and Implementation System to Measure the Impact of Diabetic Retinopathy Using Data Mining Techniques
Sekhar et al. Introduction to Healthcare Information Management and Machine Learning
Hossain et al. Combining State-of-the-Art Pre-Trained Deep Learning Models: A Noble Approach for Skin Cancer Detection Using Max Voting Ensemble
Boukhamla et al. GANs Investigation for Multimodal Medical Data Interpretation: Basic Architectures and Overview
Wang Medical image segmentation based on deep feature learning and multistage classification
O'Reilly et al. Identifying Obviously Artificial Medical Images Produced by a Generative Adversarial Network
Das et al. Utilizing Deep Convolutional Neural Networks and Non-Negative Matrix Factorization for Multi-Modal Image Fusion
Collazos-Huertas et al. MRI-based feature extraction using supervised general stochastic networks in dementia diagnosis
Neethu et al. Effectiveness of AI Techniques for the Classification of Alzheimer’s Disease–A Review

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20100831

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20110912

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110926

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20111226

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20120106

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20120126

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20120202

A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20120227

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20120409

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20120507

R150 Certificate of patent or registration of utility model

Ref document number: 4991863

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20150511

Year of fee payment: 3

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees