JP2018081714A - 自動特徴解析、比較、及び異常検出 - Google Patents
自動特徴解析、比較、及び異常検出 Download PDFInfo
- Publication number
- JP2018081714A JP2018081714A JP2018000071A JP2018000071A JP2018081714A JP 2018081714 A JP2018081714 A JP 2018081714A JP 2018000071 A JP2018000071 A JP 2018000071A JP 2018000071 A JP2018000071 A JP 2018000071A JP 2018081714 A JP2018081714 A JP 2018081714A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- normalized
- feature vectors
- cluster
- sensing
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 230000005856 abnormality Effects 0.000 title abstract description 9
- 239000013598 vector Substances 0.000 claims description 132
- 238000000034 method Methods 0.000 claims description 59
- 230000000007 visual effect Effects 0.000 claims description 32
- 238000007689 inspection Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000011109 contamination Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 230000004438 eyesight Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000009534 blood test Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 230000002550 fecal effect Effects 0.000 claims description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 2
- 239000010931 gold Substances 0.000 claims description 2
- 229910052737 gold Inorganic materials 0.000 claims description 2
- 238000007917 intracranial administration Methods 0.000 claims description 2
- 230000004410 intraocular pressure Effects 0.000 claims description 2
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 230000002285 radioactive effect Effects 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 210000002700 urine Anatomy 0.000 claims description 2
- 230000036772 blood pressure Effects 0.000 claims 1
- 210000004072 lung Anatomy 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 description 15
- 238000010606 normalization Methods 0.000 description 13
- 206010047555 Visual field defect Diseases 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006735 deficit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- UUKPIWYXWLJPJF-UHFFFAOYSA-N 2-(2-adamantyl)-1-(4-iodophenyl)guanidine Chemical compound C1C2CC(C3)CC1CC3C2N=C(N)NC1=CC=C(I)C=C1 UUKPIWYXWLJPJF-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 208000020084 Bone disease Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002357 laparoscopic surgery Methods 0.000 description 1
- 238000001310 location test Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Abstract
【解決手段】センサによって物理的オブジェクトから得られた物理的特徴を0から1の大きさに正規化して第1の特徴成分を求め、第1の特徴成分を特徴内の成分の数で割って第2の特徴成分を求め、さらに第2の特徴成分を第2の特徴量の分布に基づいた絶対的正規化によって第3の特徴成分を求め、第3の複数の正規化成分をクラスタリングすることによって物理的オブジェクトを解析する。
【選択図】なし
Description
及び異常検出のためのシステム、デバイス及び方法に関する。
本願は、2012年11月9日付け出願の米国仮特許出願第61/724,813号の
優先権を主張し、その開示は、参照によりここに全てが組み込まれる。
本発明は、陸軍研究所(ARO)によって与えられた認可番号W81XWH-09-1-0266による
政府助成によってなされた。政府は、本発明においてある種の権利を有する。
ータに実装された方法は、複数の物理的オブジェクトを記述する複数の物理的特徴を検出
するように構成された複数のセンサを備えるセンシング及び解析デバイスを提供するステ
ップと、前記センシング及び解析デバイスにより、前記複数の物理的特徴に基づいて、前
記複数の物理的オブジェクトを表す複数の特徴ベクトルを生成するステップであって、該
複数の特徴ベクトルは、前記複数の物理的特徴を記述する複数の成分を含み、該複数の成
分の各成分は、数値的範囲を有し、前記複数の物理的特徴の各物理的特徴は、各特徴ベク
トル内の少なくとも1つの成分によって表される、該生成するステップと、前記センシン
グ及び解析デバイスにより、前記各成分の前記数値的範囲を0及び1の間の範囲に変換す
るステップであって、該変換は、以下の式により実行され、
igFijは、オブジェクトithのオリジナルの特徴成分jthであり、MinFj及
びMaxFjは、特徴成分jthの最小値及び最大値であり、それにより得られた、第1
の複数の正規化特徴ベクトルは、第1の複数の正規化成分を含み、前記第1の複数の正規
化特徴ベクトルの各第1の正規化特徴ベクトルの各物理的特徴のために、全数の成分をさ
らに含む、該変換するステップと、前記第1の複数の特徴ベクトルの各第1の正規化特徴
ベクトルのために、前記センシング及び解析デバイスにより、各第1の正規化特徴ベクト
ルの各物理的特徴のための前記複数の正規化成分を、前記第1の正規化特徴ベクトルの各
物理的特徴のための前記全数の成分で割るステップであって、それにより第2の複数の正
規化特徴ベクトルを得る、該割るステップと、前記センシング及び解析デバイスにより、
前記第2の複数の正規化特徴ベクトルを以下の式により正規化するステップであって、
り、F3ijは、第3の複数の正規化特徴ベクトルの各特徴ベクトルの合成成分である、
該正規化するステップと、前記センシング及び解析デバイスにより、前記第3の複数の正
規化特徴ベクトルをクラスタリングするステップであって、それにより、複数のクラスタ
正規化特徴ベクトルを得る、該クラスタリングするステップと、前記センシング及び解析
デバイスにより、前記複数のクラスタ正規化特徴ベクトルに主成分解析を適用するステッ
プであって、それにより、距離フラグ値及び第1の評価された複数の正規化特徴ベクトル
を得る、該適用するステップと、前記センシング及び解析デバイスにより、閾値に基づい
て、前記複数のクラスタ正規化特徴ベクトルの各特徴ベクトルを数えることにより、数フ
ラグ値を計算するステップであって、それにより、第2の評価された複数の正規化特徴ベ
クトルを得る、該計算するステップと、前記センシング及び解析デバイスにより、前記第
1又は第2の評価された複数の正規化特徴ベクトルに基づいて、前記複数の物理的オブジ
ェクトを解析するステップと、を含む。
例示し、例示的な実施例の記載と併せて本発明の原理及び実施態様を説明するために用い
られる。
とができる、自動データ解析に関する。あるデータセットから特徴を抽出する類似の技術
は、別のデータセットに適用することができる。例えば、地質調査は、地球又は火星の領
域についてのデータを収集することができる。収集されるデータは、視覚画像、X線画像
、質量解析、化学サンプル等を含むことができる。本開示では、特徴空間内のそのような
データを集計し、それらを記述する数学的エンティティを定義し、そのデータから特徴を
抽出し、さらに解析結果を出力する方法を記載する。例えば、ある視覚的な特徴は、ある
鉱物の存在を示すことができ、その一方で、X線画像又はハイパースペクトル画像は、そ
の鉱物の存在を示す違った機会を与えることができる。そのような場合では、例えば視覚
的画像に対するX線画像のような、各データセットの相対的な重要性及び信頼性を決定す
るために、人道的介入が、通常、必要になり得る。本発明では、特徴ベクトルである数学
的エンティティを、自動比較解析を可能とするフォーマット(特徴ベクトル)の異なるデ
ータセット(例えば、視覚的画像に対してX線画像)に含まれる情報を表現するために用
いる。従って、本発明の自動システム、デバイス又は方法は、異なるデータセットの特徴
を自動解析することができる。同様の方法は、他の用途に用いることができ、他の用途と
して、例えば、医療診断、金融システム及び軍事偵察が挙げられる。よって、そのような
方法、デバイス又はシステムは、自動汎用特徴解析(AGFA)と称することができる。
ことができる。一度、特徴ベクトルを生成すれば、その後、AGFAフレームワークは、
作動することができる。結果として、AGFAは、データをクラスタ化することができ、
さらに、特徴空間に基づいて異常を検出することができる。言い換えれば、特徴空間内で
データは変換され、その後、その空間内でそのデータを解析することができる。この変換
を経て、データの由来に関係なく、データの自動解析が可能になる。さらに、AGFAは
、各々の特徴ベクトルに基づいて、オブジェクトを他のオブジェクトと比較することを可
能にする。ある実施形態では、異なる時刻間での特徴ベクトルの差異を解析することによ
り、経時的変化の解析を実行することができる。例えば、同一特徴ベクトルを、時刻1及
び時刻2で、それ自体と比較してもよい。
10に対し結果115を与える様子を示す図である。
定の特徴からなる特徴ベクトルを含むことができる。ある実施形態において、特徴ベクト
ルに含まれる特徴のリストは、以下のものを含むことができる:色;アルベド(明るさ)
;セグメント化されたオブジェクト円周の楕円フィット(この楕円フィットによって、長
半径及び短半径を生成し、これらの比率によって、オブジェクトの円形度を測ることがで
きる);程度;斜度;密集度;サイズ;テクスチャ評価のためのガボールフィルタ;マル
チスペクトルデータ;ハイパースペクトルデータ;分光分析データ;生物学的汚染濃度;
化学的汚染濃度;放射能汚染。
できる:関心領域の境界/描写;異常検出;自動車両制御;探査機器のためのガイダンス
。ある実施形態において、本発明による方法は、ステロイド開発に適用することができる
。
のを含むことができる:患者固有のデータ(例えば:年齢、身長、体重、性別);血液検
査結果;尿/糞便検査結果;X線、CT、MRI、fMRI、超音波画像/結果;マルチ
スペクトルデータ;ハイパースペクトルデータ;パルス;心拍数;眼圧;頭蓋内圧;血圧
;肺容量。
できる:医療診断;手術用機器のガイダンス(例えば、腹腔鏡手術);腫瘍治療のための
関心領域の境界/描写;異常検出。
のを含むことができる:株式価値;開始入札;最終入札;取引期間を通じた入札;金価格
;株価指数(ダウ・ジョーンズ、S&P500等);取引量(例えば、株の#)。
できる:買い/維持/売りの決定;トレンドにおける異常検出。
の医療診断は、大規模に(例えば、世界中で数千から数百万の人々)行われることがあり
、又は、それは遠隔的に行われることがあり、例えば、地球上の遠隔地で、又は、宇宙飛
行士の場合は火星への宇宙ミッション上で、又は月の人間定住地で、行われてもよい。
うな状況において、臨床専門家が存在しない場合でも、統合自動評価システムは、3D計
算機化閾値アムスラーグリッド(3D−CTAG)の視野データを解析して、客観的に視
野欠損(例えば、視野領域の欠損による暗点)の識別及び評価をすることができる。視野
欠損の識別及び評価は、以下の数値的方法によって行うことができる:(1)「視野デー
タ変換」であり、これは、視野欠損の面積及び体積、欠損及び保存面積勾配、及び傾斜分
布を含む;(2)「暗点データ変換」であり、これは、暗点周辺部/波形度、及び暗点中
心の位置を含む。当業者に知られるように、アムスラー検査は、視野検査である。さらに
、AGFAフレームワークは、他の視野検査データにも、同様に適用することができ、例
えば、ハンフリー視野アナライザーに適用することができる。
[コントラストレベル毎の視野欠損面積の計算]
未加工の3D−CTAGデータは、体系的に評価することができ、まず、データに存在
する別個のコントラスト感度レベルの数nを評価し、次に、平方度(例えば、格子点)の
数における面積(面積はAiで示す、ここで、0%≦i≦100%は、パーセントコントラ
ストレベルを示す)を評価し、そして、各コントラストレベルでの視野欠損のパーセンテ
ージ(Ai/検査面積)を評価する。従って、パーセンテージ及び面積は、存在する最低
コントラストでの健全な視野を示す最上位レベル100と伴に、コントラスト感度の関数
として視野欠損を提供する。
欠損面積勾配(LAG)は、最低検査コントラストレベル(A100)での暗点面積で
、最高検査コントラストレベル(Ah)での暗点面積を割ることにより計算される。次に
、この面積比率に、コントラスト感度スケーリング係数を乗算し、ここで、コントラスト
感度スケーリング係数は、暗点深さ(100−h)を全深さ(100)で割り、その後、
二乗して縮退を除去した:((100−h)/100)2から成る。従って、完全な尺度
は、(Ah/A100)×((100−h)/100)2である。保存面積勾配(PAG
)は、最高検査コントラストレベル(Ah)での保存視野面積で、最低検査コントラスト
レベル(A100)での保存視野面積を割り、その後、上記のようなコントラスト感度ス
ケーリング係数を乗算することにより計算され、(A100/Ah)×((100−h)
/100)2である。コントラスト感度スケーリング係数を二乗しなければ、これらの2
つの尺度(例えば、LAG及びPAG)において、縮退が発生する。例えば、浅い暗点は
、とても広い面積比率のLAG及びPAGを与えることがあるため、そのLAG及びPA
Gは、十分に小さい面積比率を与える急勾配の暗点によるLAG及びPAGと一致するか
もしれない。
100未満のコントラスト感度の各レベルでのデータポイントの数は、視野欠損の体積
(Σ{i}Ai(100−i))を決定するために、各データポイントでのコントラスト
感度における欠損によって乗算される。その後、視野欠損の体積は、視野欠損体積のパー
センテージを決定するために、視野検査体積全体で割られる。
傾斜勾配は、独立して決定され、例えば、水平方向(x)及び垂直方向(y)の両方に
おいて決定される。傾斜勾配は、コントラスト感度(例えば、100−i)の欠損を度数
(Δx又はΔy)で割ったものとして定義され、ここで、度数(Δx又はΔy)は、欠損
が起こる個所である。傾斜勾配は、水平方向に対しては((100−i)/Δx)、垂直
方向に対しては((100−i)/Δy)である。傾斜ヒストグラムは、垂直方向又は水
平方向どちらかの傾斜勾配の分布を表す。暗点の中心から計算された放射傾斜勾配は、同
様の方法で処理することができる。
[暗点中心]
各検査コントラスト感度レベルでの全ての暗点データポイントのx値及びy値は、各検
査コントラスト感度レベルでの暗点中心のための座標を得るために、平均化される。中心
の各々は、視野全体のデータポイントと一緒に、3Dにおいてプロットされる。続いて、
この中心は、平均中心を得るために、平均化される。その後、各中心から平均中心への平
均距離及び距離の標準偏差が計算される。そして、各暗点に対する全中心及び平均中心は
、散布図にプロットされる。
各検査コントラスト感度レベルでの暗点周辺部ポイントは、レベルの各々での非暗点ポ
イント(例えば、現在のレベルよりも大きいコントラスト感度レベルを持つもの)に水平
的及び/又は垂直的に隣接するポイントに対して、暗点内にあるポイントのリストをスキ
ャンニングすることにより、測定され記憶される。
波形度の測定では、各コントラスト感度レベルでの暗点周辺部を、曲率の変化として評
価する。周辺部上の全ポイントには、順次番号が付される。第1ポイント(p=1)から
開始し、ユークリット距離は、周辺部(p)に沿った各ポイントと、周辺部(p)のリス
ト(p+x)の下でユーザ定義の指標オフセット(x)であるポイントとの間で、計算さ
れる。全ユークリット距離は、平均化され、その後、ヒストグラムとして表示される。処
理は、各コントラスト感度レベルにおいて、例えば、異なる2つのユーザ定義の指標オフ
セットを用いて、実行される。鋭いピークのヒストグラム(例えば、1つのピーク)は、
滑らかな周辺部(波形のない)を持つ暗点を示し、ヒストグラム左端の方のピークは、よ
り強い湾曲した周辺部(例えば、曲率半径の小さな周辺部)を示し、その一方で、ヒスト
グラム右端の方のピークは、曲率半径の大きな周辺部を示す。
変形視症による現象(例えば、欠損の代わりにアムスラーグリッド線の一直線が、歪み
又はうねること)を評価するために、3Dにおいて、乱視(例えば、変形視症)及び視野
欠損(例えば、暗点)の両方の自動特徴評価のため、アルゴリズムのより一般的な上位セ
ットを、実装することができる。以下の客観的な特徴評価指標は、視野欠損を説明するた
めに用いることができる。
見えてない位置検査での絶対#:コントラストに関係なく、見えてないアムスラーグリ
ッド点の数。
見えてない位置検査での相対#:コントラストに関係なく、見えてない位置検査の絶対
数を、利用可能な検査位置の全数で割ったものであり、[パーセント]で与えられる。
XX%コントラストでの視野障害の面積:所定のアムスラーグリッドコントラストで、
見えないものとしてマークされたアムスラーグリッド点の数。
XX%コントラストでの視野障害の相対面積:所定のアムスラーグリッドコントラスト
で見えないものとしてマークされたアムスラーグリッド点の数を、その所定のアムスラー
グリッドコントラストでの利用可能な検査位置の全数で割ったものであり、[パーセント]
で与えられる。
絶対視力の丘の欠損“体積”:見えてない視野の総和面積に、測定された検査コントラ
ストレベル(%で)の各々を乗算したものであり、[パーセント度2]で与えられる。
相対視力の丘の欠損“体積”:絶対欠損体積を、測定された検査視力の丘の全体で割っ
たもので、[パーセント]で与えられる。
欠損面積勾配(LAG):最高検査コントラストレベルにおいて存在する暗点面積を、
最低検査コントラストレベルにおいて存在する暗点面積で割ったものに、測定した実際の
暗点深さを乗算したもので、[パーセント]コントラストで与えられる。
保存面積勾配(PAG):最低検査コントラストレベルにおいて存在する保存視野面積
を、最高検査コントラストレベルにおいて存在する保存視野面積で割ったものに、測定し
た実際の暗点深さを乗算したもので、[パーセント]コントラストで与えられる。
逆欠損面積勾配(ILAG):最低検査コントラストレベルにおいて存在する暗点面積
を、最高検査コントラストレベルにおいて存在する暗点面積で割ったものに、測定した実
際の暗点深さを乗算したもので、[パーセント]コントラストで与えられる。
逆保存面積勾配(IPAG):最高検査コントラストレベルにおいて存在する保存視野
面積を、最低検査コントラストレベルにおいて存在する保存視野面積で割ったものに、測
定した実際の暗点深さを乗算したもので、[パーセント]コントラストで与えられる。
能にする。上記指標の変形例があり、また、当業者に公知の追加の指標がある。
体的な例を用いてAGFAを説明するが、異なる用途が想定されることを、当業者は理解
できるであろう。
フラグ演算ステップは、特徴ベクトル正規化処理を含んでいてもよい。
AGFAは、オブジェクトを解析するために用いることができる。オブジェクトは、例
えば、視野データセット、画像内の要石等であってよい。各オブジェクトは、全ての特徴
成分値を用いて与えられる特徴(成分)ベクトルを持つ。言い換えれば、特徴ベクトルは
、異なる成分を含むことができ、各成分は、特定の値を持つ。特徴成分値は、(最大値及
び最小値の点で)異なる範囲であってもよい。さらに、特徴成分は、離散的又は連続的な
値を持つことができる。画像内のオブジェクトを比較するために、特徴内の成分の範囲及
び数から独立した特徴成分値を生成するため、それらを正規化することが必要となるかも
しれない。
異なる成分を含んでいてもよい。各成分は、他の成分とは異なる一定の範囲を持つことが
できる。特徴ベクトルを比較するために、特徴ベクトルの比較が可能になる各成分の範囲
の正規化は、有利でありえる。
のみを用いた実数値範囲[0,1])とのような2つの特徴に基づく2つのオブジェクト
を比較することは不可能である。この例では、色の特徴は、傾斜度の特徴と比較すると、
成分の数が3倍である。従って、成分の数に基づいて重みが割り当てられれば、色の特徴
は、傾斜度の3倍の重みとなるだろう。さらに、各色の成分は、傾斜度の特徴が範囲[0
,1]であるのに対して、範囲[0,255]を持つ。従って、色の成分は、傾斜度より
も、255倍以上の重みを与えることになる。この問題を解決するために、範囲[0,1
]の各成分を正規化するための三段階の正規化処理を、実施することができる。さらに、
この正規化処理は、特徴内の成分の数とは関係なく比較をレンダリングする。
特成分値を、以下の公式を用いて、実数値範囲[0,1]内に変換する。
り、OrigFijは、オブジェクトithのオリジナルの特徴成分jthであり、Mi
nFj及びMaxFjは、特徴成分jthの最小値及び最大値である。各特徴成分に対す
る最小値及び最大値は、例えばRGB色のための[0,255]のような、モデル内のそ
の特徴のための理論的な範囲であってよい。他の実施形態では、最小値及び最大値は、理
論的な範囲の特定のサブセット範囲とすることができ、例えば、オブジェクトの特定コレ
クションにおけるRGB色のための[20,120]であって、この場合、20以下の値
又は120以上の値は、存在しない。さらに、他の実施形態では、最小値及び最大値は、
ユーザ定義であってもよい。
は、特徴内の成分の数で割ることができ、以下の式による。
、Njは、特徴jthの次元の数である。
適用される。
らに、成分の数から独立することを保証する。これは、例えばオブジェクトが異常である
か否かを決定するために、各特徴成分値が、オブジェクトの特徴分析において等しく寄与
することを保証する。
ある実施形態では、前のステップにおいて得られた特徴成分ベクトルによって、画像内
のオブジェクトを特徴付けることができる。1つ又は複数のオブジェクトが異常であるか
否かを決定付ける次の可能なステップは、そのオブジェクトを異なるグループに分類する
ことである。一実施形態において、逐次クラスタリング方法を実施することができ、この
方法によって、入力ベクトルは、実時間内の自然数のクラスタに分類される。K平均クラ
スタリングのような他のクラスタリングに対するこの方法の想定される利点は、ベクトル
を分類するクラスタの数を、設定する必要がないことである。この方法は、ベクトルをク
ラスタリングするだけでなく、クラスタの自然数を決定する。
ルセット解析を用いることができる。そのようなアルゴリズムは、データ自体からクラス
タの自然数を自動的に決定し、これは当業者に公知である。
により、クラスタ中心からの距離が閾値未満となるベクトルは特定のクラスタに分類され
、実質的に単一パス内の全てのベクトルはクラスタリングされる。ある実施形態において
、本発明で実施される逐次クラスタリング方法は、閾値が2つあり、全てのベクトルをク
ラスタリングするためのパス数が複数あってもよいという意味で、基本的な方法とは異な
る。
のクラスタにビニングされる。次の入力ベクトルは、そのベクトルから既存クラスタの中
心までの距離が所定の閾値未満であれば、その既存クラスタの1つにビニングされ、その
ベクトルから既存クラスタの中心までの距離が所定の閾値以上であれば、新しいクラスタ
にビニングされる。この方法の起こり得る欠点は、全てのベクトルが単一パス内でクラス
タリングされるため、クラスタの形成及びクラスタメンバが、ベクトルが入力する順番に
依存することである。他の起こり得る欠点として、閾値の選択が結果に影響することがあ
り、例えば、閾値を変化させることによって、クラスタの数に違いが生じたり、異なるメ
ンバを持つ同じ数のクラスタが生成されたりする。
心との間の距離を計算するとき、ユークリット距離が考慮される。これは、標準的な逐次
クラスタリング方法の改良版で構成される。本開示では、この改良された方法を、確実逐
次クラスタリングと称する。
iと最近接クラスタCjの中心との間のユークリッド距離d(F3i,Cj)がt1未満
となる場合にそのベクトルは対応するクラスタに属するように選択される。次に、d(F
3i,Cj)がt2以上となる場合、ベクトルF3iはクラスタCjに属さない。しかし
、t1<d(F3i,Cj)<t2である場合、ベクトルF3iがCjに属することは確実
ではなく、そのビニングは延期される。2つの閾値を導入することで、最もよくデータに
反映する1つのみの閾値を選択することの困難さを克服する。さらに、不確定性の場合に
おけるベクトルの分類を延期することは、複数パスをもたらし、入力するデータ又はベク
トルの順番による起こり得る欠点を克服する。確実逐次クラスタリングは、例えば、「効
率的な逐次クラスタリング方法(An efficient sequential clustering method)(Traha
nias P 等による パターン認識22:449-53,1989)」に記載され、その開示は参照により、
本開示に組み込まれる。
タリングとは異なり、事前にクラスタの数を設定する必要がある。
前節で説明した特徴成分ベクトルのクラスタリングによれば、画像又はデータセット内
で検出される他のオブジェクトから異常であるどのオブジェクトに関する情報でも、与え
ることができる。異常は、特徴、又は特徴のセット又は組み合わせ(例えば、「指紋」)
のいずれであってもよい。しかし、この方法によって、さらなる調査のために、異常が実
際に関心のあるものか否かを決定できる必要はないかもしれない。
において、各幾何学的形状は、1つのオブジェクトを表す。図2に示すオブジェクト20
1,202,203,204,206,207,208,210,211,212,21
3は、類似の形状を持つように一緒にクラスタリングすることができ、これらに含まれな
いオブジェクト205は、他のオブジェクト201,202,203,204,206,
207,208,210,211,212,213と類似の形状を有するが、異なるパタ
ーン又はテクスチャを有し、さらにオブジェクト209は、他のオブジェクト201,2
02,203,204,206,207,208,210,211,212,213とは
異なる形状を有する。従って、2つのオブジェクト205,209は、残りのオブジェク
ト201,202,203,204,206,207,208,210,211,212
,213と共に、クラスタリングされるべきではない。2つのオブジェクト205,20
9は、異常であり、それら自身でクラスタリングされるべきである。図2の人間の目視検
査から、オブジェクト205,209は、異なる形状、パターン又はテクスチャを有する
ことを理解することが可能である。しかしながら、自動クタスタリング方法では、人間の
目視検査なしで、どの程度の異常が“真”の異常であるかを、重要性に関する限り、特定
しない。言い換えれば、オブジェクト205のパターン異常又はテクスチャ異常やオブジ
ェクト209の形状異常が、さらなる調査のために、実際に重要性がある場合、その程度
までの異常が特定される。従って、異常の重要性は、クラスタリング段階のみでは、定量
化することができない。そのような異常の重要性の定量化は、主成分解析ステップを経て
、実行することができる。他の例では、異なる違いが存在してもよく、例えば、パターン
又はテクスチャの代わりに、色が存在してもよい。
ることができ、そのような新しい座標系では、データの予測による最大分散が第1座標(
第1主成分と呼ぶ)となるようにし、第2の最大分散が第2成分となるようにしていく。
そのような方法は、当業者に公知であり、例えば、Jolliffe I.T.において、「主成分解
析(Principal component analysis)(Wily Online Library, 2002)」に記載され、そ
の開示は、参照により本開示に組み込まれる。
1主成分を決定することであり、これにより、特徴ベクトル空間内の1つ又は複数の成分
の方向に沿った特徴ベクトルの1つ又は複数の構成成分のための、最大分散を示すことが
できる。
る。特徴成分値の番号Nは、特徴成分ベクトルの次元である。FがM×N行列であって、
ここで、Mがクラスタ内の特徴成分ベクトルの番号であり、各ベクトルが行列の一行を構
成する場合、そのとき、主成分を評価するために用いられる典型的な方法は、固有値及び
固有ベクトルを決定するために、Fの共分散行列を分解することである。この処理の例と
して、例えば、Press等らにおいて、「C言語による数値計算のレシピ(Numerical Recip
es in C)(ケンブリッジ大学出版局、1992)」があり、その開示は、参照により本開
示に組み込まれる。固有ベクトルは、主成分に沿った単位ベクトルであり、固有値は、そ
れらに対応する大きさである。特異値分解は、以下の式を用いて、固有値及び固有ベクト
ルを決定するために、用いることができる。
CоvF=U×D×V‘
ここで、CоvFは、行列FのN×N共分散行列であり、Uは、行列CоvFの固有ベク
トルのN×Nユニタリ行列であり、Dは、固有値であるN対角値を有するN×Mの長方形
対角行列であり、V‘は、M×Nユニタリ行列である。
クラスタ内のベクトルの最大分散と伴にその方向を定量化する。固有値は、固有ベクトル
の長さであり、ここで、固有ベクトルは、クラスタの主成分の最大分散の方向を与える。
例えば、表2は、表1及び図2に示すクラスタの最大固有値を示す。
スタの中心間のユークリッド距離と、各クラスタの最大固有値の和を比較することができ
る。ユークリット距離がその和より小さい場合、そのとき、2つのクラスタは重複し、そ
うでない場合、2つのクラスタは特徴空間内で共通する要素がない。他の実施形態では、
より正確な距離を測定するために、各固有値に属し対応する固有ベクトルが、2つのクラ
スタ間の各距離ベクトル上に投影される。2つのクラスタに共通する要素がない場合、す
なわち、ユークリット距離が最大固有値の和より小さい場合には、クラスタの1つに属す
るオブジェクトは、その特徴に関して、他のクラスタに属するオブジェクトとは大きく異
なる可能性がある。クラスタが重なる場合、そのときは、異常がある。この特性は、距離
フラグにより、定量化することができる;クラスタに共通する要素がない場合、距離フラ
グは赤として設定することができ(数値的には、例えば、1の値)、クラスタが重複する
場合、距離フラグは緑として設定することができる(数値的には、例えば、0の値)。表
1及び表2の例に続いて、表3は、表2に示す3つのクラスタ間のペアワイズ関係に対す
る距離フラグ値を示す。表3から分かるように、全てのクラスタは、各々、共通する要素
がなく、それらの距離フラグは1の値となる。クラスタに共通する要素がないことを示す
ために、異なる値を使用してもよいことが、当業者によって理解されよう。例えば、ある
実施形態では、距離フラグは、クラスタに共通する要素がないことを示すために、0に設
定してもよく、又は、別の実施形態では、距離フラグは、連続的な値をとることができ、
例えば、重複又は共通する要素のなさの程度に比例して、0又は1の間の値をとることが
できる。ある実施形態では、ユークリット距離の代わりに、距離の別の形式を採用しても
よい。
ことができない。より少ない数のクラスタオブジェクトを有するクラスタは異常であると
仮定することができ、この特性は、数フラグで表すことができる。例えば、クラスタ内の
オブジェクトの数が、他のクラスタ内のオブジェクトの数の10パーセント(例えば、ユ
ーザ定義の閾値)未満である場合、数フラグは、赤として設定することができ(数値的に
は、例えば、1の値)、他の場合は、数フラグは、緑として設定することができる(数値
的には、例えば、0の値)。表3に示す例に続いて、表4にこのステップの結果を詳述す
る。表4から、クラスタ1及び2に対する数フラグは1であり、クラスタ1及び3に対す
る数フラグは1であり、クラスタ2及び3に対する数フラグは0であることが分かる。他
の実施形態では、数フラグに対して別の値を使用してもよい。ある実施形態では、別の閾
値を使用してもよい。例えば、閾値は、10パーセントの代わりに、20パーセントにし
てもよく、或いは、10又は20パーセントとは別の他の値にしてもよい。他の実施形態
では、数フラグは、連続的な値をとることができ、例えば、1つのクラスタと別のクラス
タとの間のクラスタメンバの数の比率を反映して、0又は1の間の値をとることができる
。
に基づいて、設定することができる。他の実施形態では、別のフラグを用いてもよい。
実施形態では別のフラグを用いてもよい。
えば、フラグ演算は、視野比較及び時間的変化解析に適用することができる。
視野分類目的のために、上述した方法で得られた指標は、3D−CTAG検査結果の特
性である特徴ベクトルを形にするために、一緒に用いることができ、このとき、特徴ベク
トルは、すなわち、視野である。結果として、視野を、例えばウェブベースの包括的な視
野検査及び診断システムを用いて評価し、各特徴ベクトルを介して、(特徴ベクトルの適
切な正規化後)相互に比較することができ、そして、異常を検出することができる。
トルを決定した後、特徴ベクトルの比較が可能になるという利点を有する。
ット間の異常検出は、自動汎用特徴解析(AGFA)に基づく自動分類システムにより、
行うことができる。
る:見えない位置検査の相対#、相対視力の丘の欠損体積、LAG、ILAG、PAG、
IPAG。特徴ベクトルに対して、絶対的なものではなく、相対的な特性評価指標を用い
る理由は、結果として生じる特徴ベクトルが、例えば視野検査面積及び保存コントラスト
レベルといった、各視野検査仕様から、概ね独立するためである。さもなければ、異なる
検査パラメータが設定された異なる検査機で取得された異なる視野の比較は、難題となる
。他の用途において、特性指標は、視野比較のために引用されたものとは、異なってもよ
い。例えば、金融市場及び他の用途のための特徴の指標は、本開示において上記されたも
のでよい。
び定量的解析の両方を、可能にすることができる。これらの時間的変化は、各被験者に対
して異なる3D−CTAG間で以下の比較量を計算することにより、評価することができ
る。
+1までの範囲であり、−1は2つの視野が互いに完全に正反対/非類似であることを示
し、0は2つの視野が互いに直交していることを示し、+1は2つの視野が同一であるこ
とを示し、もちろん、これらの値の間の全ての連続的な変数が用いられる。重複パラメー
タは、2つの特徴ベクトル間の類似性の尺度である。
元Nで割ったものとして定義される。ハミング距離は、常に、≧0であり、2つの特徴ベ
クトル間の類似性の尺度である。
義される。ユークリット距離は、常に、≧0であり、2つの特徴ベクトル間の類似性の尺
度である。
似のクラスタに分類する他のクラスタリング技術の中で、逐次クラスタリングを行うこと
ができ、その後、クラスタ間の比較に基づく異常解析を行うことができる。異常は、特定
の特徴ベクトルや、特定の特徴ベクトルの成分(例えば、見えない位置検査の相対#、相
対視力の丘の欠損体積、LAG、ILAG、PAG、IPAG)として、定義することが
でき、これらは、他の特徴ベクトル又は他の特徴ベクトル内の同一成分とは、大きく異な
る。重複パラメータ、ハミング距離、及びユークリット距離と伴に、クラスタリング及び
異常検出は、視野分類及び視野比較のための手段を提供することができる。さらに、この
ツールセットは、AGFAにより提供され、所定の時点での各視野を示す根本的な特徴ベ
クトルを解析することで、経時的な(例えば、時間的変化)視野悪化又は視野改善の評価
を可能にすることができる。
ロンシステム、並びにホップフィールドアトラクタネットワークといった、人工ニューラ
ルネットワークへの入力として機能することができる。特に、所定の検査端末/デバイス
上での各視野面積及び形状の検査へ、ホップフィールドアトラクタネットワークを適用す
ることは簡単であり、なぜなら、ホップフィールドアトラクタネットワークのニューロン
による空間的配置の仮設は、所定の検査端末/デバイスのための実際の視野形状に対して
行われないためである。
ができる。
1.統計的方法及び人工ニューラルネットワークを介して、病気を確率的に予測すること
(例を参照すると、視野分類ニューラルネットワークへの3D−CTAG適用版が、Fink
Wにおいて、「視野データ分類に適用するためのニューラルアトラクタネットワーク(Ne
ural attractor network for application in visual field data classification)(Ph
ys Med Biol 49(13):2799-2809、2004)」に記載され;その開示は、参照によりここに完
全に組み込まれる。)
2.自律惑星探査機から派生した分類方法を用いて、経時的な患者の視野における時間的
変化の定性的及び定量的の両方を示すこと(例を参照すると、「自動汎用特徴解析 AG
FA(Automated Global Feature Analyzer AGFA)(Fink等ら、2005;Fink等ら、2008)
」;その開示は、参照によりここに完全に組み込まれる。)
1.早期段階で見え方に影響する状態を検出及び診断することで、治療対策を適時に行え
るようにすること。
2.状態への治療的処置の効率性及び有効性を経時的に監視すること。
もよい。そのようなハードウェアデバイスは、プロセッサ、メモリ、及び複数のセンサを
備える。センサは、当業者に理解されるように、多種多様の異なるセンサを含む。センサ
は、例えば、カメラセンサ、放射能センサ、磁気センサ、電気センサ、化学センサ、赤外
線センサ、分光分析器、質量分析センサ、圧力センサ、湿度センサ、血糖値センサ、温度
センサ、地震センサ、塩分センサ、速度センサ、及び加速度計、電圧計、磁気計等である
。
よい。ある実施形態では、デバイスは、スマートフォン又はタブレットであってよい。
0、及び複数のセンサ320,325,330,335,340,345を含む。
(例えば、コンピュータシステム)の例示的な実施形態を示す。このターゲットハードウ
ェアは、プロセッサ15、メモリバンク20、ローカルインターフェースバス35、及び
一以上の入力/出力デバイス40を備える。プロセッサは、図1及び図2に示す実施に関
連する一以上の命令を実行することができ、命令は、メモリ20内に格納された実行可能
プログラム30に基づくオペレーションシステム25により提供される。これらの命令は
、ローカルインターフェース35を介して、プロセッサ15に運ばれ、これは、ローカル
インターフェース及びプロセッサ15に特有のあるデータインターフェースプロトコルに
より行われる。ローカルインターフェース35は、アドレス、制御、及び/又はプロセッ
サベースのシステムの複数要素間におけるデータ通信を提供するために一般的に方向付け
られた、例えばコントローラ、バッファ(キャッシュ)、ドライバ、リピータ、及びレシ
ーバといった、複数要素の記号表現であることに留意されたい。ある実施形態では、プロ
セッサ15は、幾つかのローカルメモリ(キャッシュ)を取り付けることができ、これに
より、いくらか実行速度を上げるために、実行命令の一部を、そのローカルメモリ(キャ
ッシュ)に格納することができる。プロセッサによる実行命令によって、幾つかの入力/
出力デバイス40の使用を要求することができ、例えば、ハードディスク上に格納された
ファイルからデータを入力し、キーボードからコマンドを入力し、タッチスクリーンから
データ及び/又はコマンドを入力し、ディスプレイにデータを出力し、USBフラッシュ
デバイスにデータを出力することができる。ある実施形態では、オペレーションシステム
25は、プログラムの実行に必要な各種データ及び命令を中心要素に集めることによって
、これらのタスクを容易にし、これらをマイクロプロセッサに提供する。ある実施形態で
は、ターゲットハードウェア10の基本的なアーキテクチャは、図4に示すものと同様で
あるが、オペレーションシステムが存在しない場合があり、全てのタスクは、プロセッサ
15の直接制御の下で行われる。ある実施形態では、実行スピードを上げるために、複数
のプロセッサを並列構成にして使用してもよい。このような場合、実行可能プログラムは
、特に並列実行に合せて調整することができる。さらに、ある実施形態では、プロセッサ
15は、図1及び図2に示す実施の一部を実行してもよく、他の部分は、ローカルインタ
ーフェース35を介してターゲットハードウェア10によりアクセス可能な入力/出力位
置に配置された専用ハードウェア/ファームウェアを使用して、実施してもよい。ターゲ
ットハードウェア10は、複数の実行可能プログラム30を含み、この場合、各プログラ
ムは、独立に実行してもよく、又は、互いに組み合わせて実行してもよい。
ア、又はそれらの任意の組み合わせで、実施されてもよい。ブロック、モジュール、又は
構成要素として記載された特徴は、(例えば、集積論理デバイスのような論理デバイスで
)一緒に実装してもよく、又は、(例えば、別個に接続された論理デバイスのように)別
々に実装してもよい。本開示の方法によるソフトウェア部分は、コンピュータ可読媒体を
備え、コンピュータ可読媒体は、命令を含み、この命令は、実行されるとき、記載された
方法を少なくとも部分的に実行する。コンピュータ可読媒体は、例えば、ランダムアクセ
スメモリ(RAM)、及び/又は読み取り専用メモリ(ROM)を備えることができる。
命令は、プロセッサ(例えば、デジタル信号プロセッサ(DSP))、特定用途向け集積
回路(ASIC)、フィールドプログラマブルロジックアレイ(FPGA)、グラフィッ
ク処理ユニット(GPU)、又は汎用計算(GPU)により、実行することができる。
範囲から逸脱することなく、様々な改変がされ得ることが理解できる。従って、他の実施
形態も以下の特許請求の範囲に包含される。
完全な開示及び説明が当業者に提供され、また、上述の例は、発明者らが本発明とみなす
範囲を制限することを意図しない。
って明らかであり、この修正も、以下の特許請求の範囲内であることが意図される。明細
者内で言及される全ての特許及び刊行物は、本発明に属する当業者の技術レベルを示すも
のである。本明細書で引用された全ての参考文献は、参照により同程度に組み込まれ、各
参考文献は、参照によりその全てが個々に組み込まれる。
更することができる。また、本明細書の用語は、特定の実施形態のみを説明する目的で使
用されることが理解され、限定を意図するものではない。本明細書及び添付の特許請求の
範囲で使用されるように、「ある」、「1つ」、及び「前記」は、その性質に反しない限
り、複数の指示対象を含む。用語「複数」は、要旨が明らかに指示しない限り、2以上の
指示対象を含む。定義されない限り、ここで使用される技術用語及び科学用語は、当業者
によって通常に理解されるものと、同じような意味を有する。
Claims (12)
- コンピュータに実装された方法であって、
複数の物理的オブジェクトを記述する複数の物理的特徴を検出するように構成された複
数のセンサを備えるセンシング及び解析デバイスを提供するステップと、
前記センシング及び解析デバイスにより、前記複数の物理的特徴に基づいて、前記複数
の物理的オブジェクトを表す複数の特徴ベクトルを生成するステップであって、該複数の
特徴ベクトルは、前記複数の物理的特徴を記述する複数の成分を含み、該複数の成分の各
成分は、数値的範囲を有し、前記複数の物理的特徴の各物理的特徴は、各特徴ベクトル内
の少なくとも1つの成分によって表される、該生成するステップと、
前記センシング及び解析デバイスにより、前記各成分の前記数値的範囲を0及び1の間
の範囲に変換するステップであって、該変換は、以下の式により実行され、
igFijは、オブジェクトithのオリジナルの特徴成分jthであり、MinFj及
びMaxFjは、特徴成分jthの最小値及び最大値であり、それにより得られた、第1
の複数の正規化特徴ベクトルは、第1の複数の正規化成分を含み、前記第1の複数の正規
化特徴ベクトルの各第1の正規化特徴ベクトルの各物理的特徴のために、全数の成分をさ
らに含む、該変換するステップと、
前記第1の複数の特徴ベクトルの各第1の正規化特徴ベクトルのために、前記センシン
グ及び解析デバイスにより、各第1の正規化特徴ベクトルの各物理的特徴のための前記複
数の正規化成分を、前記第1の正規化特徴ベクトルの各物理的特徴のための前記全数の成
分で割るステップであって、それにより第2の複数の正規化特徴ベクトルを得る、該割る
ステップと、
前記センシング及び解析デバイスにより、前記第2の複数の正規化特徴ベクトルを以下
の式により正規化するステップであって、
り、F3ijは、第3の複数の正規化特徴ベクトルの各特徴ベクトルの合成成分である、
該正規化するステップと、
前記センシング及び解析デバイスにより、前記第3の複数の正規化特徴ベクトルをクラ
スタリングするステップであって、それにより、複数のクラスタ正規化特徴ベクトルを得
る、該クラスタリングするステップと、
前記センシング及び解析デバイスにより、前記複数のクラスタ正規化特徴ベクトルに主
成分解析を適用するステップであって、それにより、距離フラグ値及び第1の評価された
複数の正規化特徴ベクトルを得る、該適用するステップと、
前記センシング及び解析デバイスにより、閾値に基づいて、前記複数のクラスタ正規化
特徴ベクトルの各特徴ベクトルを数えることにより、数フラグ値を計算するステップであ
って、それにより、第2の評価された複数の正規化特徴ベクトルを得る、該計算するステ
ップと、
前記センシング及び解析デバイスにより、前記第1又は第2の評価された複数の正規化
特徴ベクトルに基づいて、前記複数の物理的オブジェクトを解析するステップと、
を含む、方法。 - 請求項1に記載のコンピュータに実装された方法であって、該クラスタリングするステ
ップは、
前記センシング及び解析デバイスにより、第1のパラメータt1及び第2のパラメータ
t2を定義するステップであって、前記第2のパラメータは、前記第1のパラメータより
大きい、該定義するステップと、
前記センシング及び解析デバイスにより、クラスタcjのために、クラスタ中心Cjを
計算するステップであって、ここで、jは、第1の計数パラメータである、該計算するス
テップと、
前記センシング及び解析デバイスにより、前記第3の複数の正規化特徴ベクトルの各特
徴ベクトルと前記クラスタ中心Cjとの間の距離d(F3i,Cj)を計算するステップ
であって、各特徴ベクトルは、F3iと称され、iは、第2の計数パラメータである、該
計算するステップと、
前記センシング及び解析デバイスにより、前記第1のパラメータt1及び前記第2のパ
ラメータt2に基づいて、前記第3の複数の正規化特徴ベクトルの各特徴ベクトルF3i
を、クラスタcjに割り当てるステップであって、該割り当てるステップは、繰り返しス
テップa)乃至c)を含み、該繰り返しステップa)乃至c)は、
a)前記距離d(F3i,Cj)が前記第1のパラメータt1より小さい場合、前記特
徴ベクトルF3iを、前記クラスタ中心Cjを有する前記クラスタcjに割り当てる、
b)前記距離d(F3i,Cj)が前記第2のパラメータt2より大きい場合、前記特
徴ベクトルF3iを、前記クラスタ中心Cjを有する前記クラスタcjに割り当てず、j
をインクリメントさせ、前記特徴ベクトルF3iを、前記クラスタ中心Cjを有する前記
クラスタcjに割り当てる、
c)前記距離d(F3i,Cj)が前記第1のパラメータt1より大きく前記第2のパ
ラメータt2より小さい場合、割り当てを延期する、であって、
一度、所望の条件に到達し、各特徴ベクトルF3iがクラスタリングされれば、前記繰
り返しステップa)乃至c)は止まり、それにより、複数のクラスタ正規化特徴ベクトル
を得る、前記割り当てステップと、を含む方法。 - 請求項1に記載のコンピュータに実装された方法であって、前記クラスタリングするス
テップは、逐次クラスタリング、K平均クラスタリング、又はレベルセット解析クラスタ
リングにより、行われる、方法。 - 請求項1乃至3のいずれか一項に記載のコンピュータに実装された方法であって、前記
複数の物理的特徴は、色、アルベド、形状、程度、斜度、密集度、サイズ、テクスチャ、
マルチスペクトルデータ、ハイパースペクトルデータ、分光分析データ、生物学的汚染濃
度、化学的汚染濃度、放射能汚染を含む、方法。 - 請求項1乃至4のいずれか一項に記載のコンピュータに実装された方法であって、前記
解析するステップは、関心領域境界/描写、異常検出、自動車両制御、又は探査機器のた
めのガイダンスのために、行われる、方法。 - 請求項1乃至5のいずれか一項に記載のコンピュータに実装された方法であって、前記
解析するステップは、地質、鉱業、資源配分、又は偵察のために、行われる、方法。 - 請求項1乃至3のいずれか一項に記載のコンピュータに実装された方法であって、前記
解析するステップは、医療診断のために行われ、前記複数の物理的特徴は、患者固有のデ
ータ、血液検査結果、尿/糞便検査結果、X線、CT、MRI、fMRI、超音波画像、
マルチスペクトルデータ、ハイパースペクトルデータ、パルス、心拍数、眼圧、頭蓋内圧
、血圧、肺容量を含む、方法。 - 請求項1乃至3のいずれか一項に記載のコンピュータに実装された方法であって、前記
解析するステップは、金融市場のために行われ、前記複数の物理的特徴は、データ線上で
検知された電気信号であり、前記電気信号は、株式価値、開始入札、最終入札、取引期間
を通じた入札、金価格、株価指数、及び取引量を含むデータを示す、方法。 - 請求項1乃至3のいずれか一項に記載のコンピュータに実装された方法であって、前記
解析するステップは、視野検査のために行われ、前記複数の物理的特徴は、暗点周辺部、
波形度、見えない位置検査の絶対的数値、欠損視野面積、絶対的な視力の丘の欠損体積、
欠損面積勾配、保存面積勾配、逆欠損面積勾配、及び逆保存面積勾配を含む、方法。 - 請求項1乃至9のいずれか一項に記載のコンピュータに実装された方法であって、前記
MinFj及び前記MaxFjは、ユーザ定義される、方法。 - 請求項2に記載のコンピュータに実装された方法であって、前記距離は、ユークリッド
距離である、方法。 - 請求項1乃至11のいずれか一項に記載のコンピュータに実装された方法であって、さ
らに解析するステップを含み、該解析するステップは、前記センシング及び解析デバイス
により、時間的変化に基づき、前記複数の物理的オブジェクトを解析する、方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261724813P | 2012-11-09 | 2012-11-09 | |
US61/724,813 | 2012-11-09 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015541991A Division JP6272892B2 (ja) | 2012-11-09 | 2013-11-11 | 自動特徴解析、比較、及び異常検出 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018081714A true JP2018081714A (ja) | 2018-05-24 |
JP6577607B2 JP6577607B2 (ja) | 2019-09-18 |
Family
ID=51228181
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015541991A Expired - Fee Related JP6272892B2 (ja) | 2012-11-09 | 2013-11-11 | 自動特徴解析、比較、及び異常検出 |
JP2018000071A Expired - Fee Related JP6577607B2 (ja) | 2012-11-09 | 2018-01-04 | 自動特徴解析、比較、及び異常検出 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015541991A Expired - Fee Related JP6272892B2 (ja) | 2012-11-09 | 2013-11-11 | 自動特徴解析、比較、及び異常検出 |
Country Status (6)
Country | Link |
---|---|
US (2) | US9122956B1 (ja) |
EP (1) | EP2917848A4 (ja) |
JP (2) | JP6272892B2 (ja) |
CN (2) | CN104769578B (ja) |
MX (1) | MX339790B (ja) |
WO (1) | WO2014116340A2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019200598A (ja) * | 2018-05-16 | 2019-11-21 | 株式会社野村総合研究所 | サーバ |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102918423B (zh) | 2010-05-28 | 2016-09-07 | 埃克森美孚上游研究公司 | 用于地震烃体系分析的方法 |
US9122956B1 (en) | 2012-11-09 | 2015-09-01 | California Institute Of Technology | Automated feature analysis, comparison, and anomaly detection |
WO2014099202A1 (en) | 2012-12-20 | 2014-06-26 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes based on label propagation |
WO2014099200A1 (en) | 2012-12-20 | 2014-06-26 | Exxonmobil Upstream Research Company | Vector based geophysical modeling of subsurface volumes |
US10073190B2 (en) | 2012-12-20 | 2018-09-11 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes based on computed vectors |
US9529115B2 (en) | 2012-12-20 | 2016-12-27 | Exxonmobil Upstream Research Company | Geophysical modeling of subsurface volumes based on horizon extraction |
US20150308920A1 (en) * | 2014-04-24 | 2015-10-29 | Honeywell International Inc. | Adaptive baseline damage detection system and method |
CN105095921B (zh) * | 2014-04-30 | 2019-04-30 | 西门子医疗保健诊断公司 | 用于处理尿液沉渣图像的待处理区块的方法和装置 |
WO2016118223A1 (en) | 2015-01-22 | 2016-07-28 | Exxonmobil Upstream Research Company | Adaptive structure-oriented operator |
US10139507B2 (en) | 2015-04-24 | 2018-11-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
US9697599B2 (en) * | 2015-06-17 | 2017-07-04 | Xerox Corporation | Determining a respiratory pattern from a video of a subject |
CN105138982A (zh) * | 2015-08-21 | 2015-12-09 | 中南大学 | 一种基于多特征聚类及分类的人群异常检测与评估方法 |
US20170055920A1 (en) * | 2015-08-27 | 2017-03-02 | Xerox Corporation | Generating a respiration gating signal from a video |
JP6622124B2 (ja) * | 2016-03-17 | 2019-12-18 | 株式会社東芝 | 算出装置及び認識装置 |
US10438094B1 (en) * | 2016-11-15 | 2019-10-08 | Google Llc | Automatic suggestion to share images |
US10475174B2 (en) | 2017-04-06 | 2019-11-12 | General Electric Company | Visual anomaly detection system |
US10531807B2 (en) | 2017-12-20 | 2020-01-14 | International Business Machines Corporation | Automated extraction of echocardiograph measurements from medical images |
WO2020026208A1 (en) * | 2018-08-02 | 2020-02-06 | Bright Clinical Research Limited | Systems, methods and processes for dynamic data monitoring and real-time optimization of ongoing clinical research trials |
AT521735A1 (de) * | 2018-09-19 | 2020-04-15 | Siemens Mobility GmbH | Verfahren und Vorrichtung zur Diagnose und Überwachung von Fahrzeugkomponenten |
US10810513B2 (en) * | 2018-10-25 | 2020-10-20 | The Boeing Company | Iterative clustering for machine learning model building |
CN109633657A (zh) * | 2018-11-28 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于多个超声波雷达对障碍物进行追踪的方法及系统 |
CN110338096B (zh) * | 2019-08-08 | 2021-06-04 | 河南牧业经济学院 | 一种高效养殖鸡用漏粪检测设备 |
US10992696B2 (en) * | 2019-09-04 | 2021-04-27 | Morgan Stanley Services Group Inc. | Enterprise-level security method and system |
CN112798628B (zh) * | 2021-04-15 | 2021-06-29 | 征图新视(江苏)科技股份有限公司 | 利用oct成像检测工业内部缺陷的可行性验证方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000137702A (ja) * | 1998-07-01 | 2000-05-16 | General Electric Co <Ge> | 多変量デ―タの評価によって警告を発生するシステムと方法 |
JP2008287478A (ja) * | 2007-05-17 | 2008-11-27 | National Institute Of Advanced Industrial & Technology | 異常検出装置および異常検出方法 |
JP2008284285A (ja) * | 2007-05-21 | 2008-11-27 | Image One Co Ltd | 画像診断支援システム、画像診断支援方法および画像診断支援プログラム |
JP2011252870A (ja) * | 2010-06-04 | 2011-12-15 | Hitachi Solutions Ltd | サンプリング位置決定装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5598510A (en) * | 1993-10-18 | 1997-01-28 | Loma Linda University Medical Center | Self organizing adaptive replicate (SOAR) |
US6134541A (en) * | 1997-10-31 | 2000-10-17 | International Business Machines Corporation | Searching multidimensional indexes using associated clustering and dimension reduction information |
DE19928231C2 (de) * | 1999-06-21 | 2003-03-27 | Max Planck Gesellschaft | Verfahren und Vorrichtung zur Segmentierung einer Punkteverteilung |
US7101044B2 (en) | 2000-03-27 | 2006-09-05 | California Institute Of Technology | Automated objective characterization of visual field defects in 3D |
US6769770B2 (en) | 2000-03-27 | 2004-08-03 | California Institute Of Technology | Computer-based 3D visual field testing with peripheral fixation points |
AU2001247830A1 (en) | 2000-03-27 | 2001-10-08 | California Institute Of Technology | Computer-based 3d visual field test system and analysis |
US6728396B2 (en) | 2002-02-25 | 2004-04-27 | Catholic University Of America | Independent component imaging |
US7725517B1 (en) * | 2004-09-29 | 2010-05-25 | Sandia Corporation | Methods for spectral image analysis by exploiting spatial simplicity |
JP3970877B2 (ja) * | 2004-12-02 | 2007-09-05 | 独立行政法人産業技術総合研究所 | 追跡装置および追跡方法 |
GB2421094A (en) * | 2004-12-09 | 2006-06-14 | Sony Uk Ltd | Generating reduced feature vectors for information retrieval |
US8787633B2 (en) * | 2007-01-16 | 2014-07-22 | Purdue Research Foundation | System and method of organism identification |
CN101556621A (zh) * | 2009-05-21 | 2009-10-14 | 中国科学技术大学 | 聚类方法和设备 |
CN101976348A (zh) * | 2010-10-21 | 2011-02-16 | 中国科学院深圳先进技术研究院 | 图像聚类方法和系统 |
CN102542302B (zh) * | 2010-12-21 | 2013-08-14 | 中国科学院电子学研究所 | 基于分等级对象语义图的复杂目标自动识别方法 |
US9122956B1 (en) | 2012-11-09 | 2015-09-01 | California Institute Of Technology | Automated feature analysis, comparison, and anomaly detection |
-
2013
- 2013-11-11 US US14/077,134 patent/US9122956B1/en active Active
- 2013-11-11 CN CN201380058287.7A patent/CN104769578B/zh not_active Expired - Fee Related
- 2013-11-11 EP EP13873051.0A patent/EP2917848A4/en not_active Withdrawn
- 2013-11-11 WO PCT/US2013/069517 patent/WO2014116340A2/en active Application Filing
- 2013-11-11 JP JP2015541991A patent/JP6272892B2/ja not_active Expired - Fee Related
- 2013-11-11 MX MX2015004739A patent/MX339790B/es active IP Right Grant
- 2013-11-11 CN CN201710414155.3A patent/CN107169526B/zh not_active Expired - Fee Related
-
2015
- 2015-07-28 US US14/811,752 patent/US9424489B2/en active Active
-
2018
- 2018-01-04 JP JP2018000071A patent/JP6577607B2/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000137702A (ja) * | 1998-07-01 | 2000-05-16 | General Electric Co <Ge> | 多変量デ―タの評価によって警告を発生するシステムと方法 |
JP2008287478A (ja) * | 2007-05-17 | 2008-11-27 | National Institute Of Advanced Industrial & Technology | 異常検出装置および異常検出方法 |
JP2008284285A (ja) * | 2007-05-21 | 2008-11-27 | Image One Co Ltd | 画像診断支援システム、画像診断支援方法および画像診断支援プログラム |
JP2011252870A (ja) * | 2010-06-04 | 2011-12-15 | Hitachi Solutions Ltd | サンプリング位置決定装置 |
Non-Patent Citations (3)
Title |
---|
WOLFGANG FINK ET AL.: ""Automated Global Feature Analyzer - A Driver for Tier-Scalable Reconnaissance"", 2008 IEEE AEROSPACE CONFERENCE, JPN6019005124, 1 March 2008 (2008-03-01), US, pages 1 - 12, ISSN: 0003978882 * |
WOLFGANG FINK: ""Neural attractor network for application in visual field data classification"", PHYSICS IN MEDICINE & BIOLOGY, vol. 49, no. 13, JPN7019000415, 11 June 2004 (2004-06-11), GB, pages 2799 - 2809, XP020023769, ISSN: 0004087002, DOI: 10.1088/0031-9155/49/13/003 * |
西岡 寛兼、外2名: ""板情報を用いた株式市場の時系列データ分析法"", 2009年度人工知能学会全国大会(第23回)論文集, JPN6019005129, 17 June 2009 (2009-06-17), JP, pages 1 - 4, ISSN: 0004087001 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019200598A (ja) * | 2018-05-16 | 2019-11-21 | 株式会社野村総合研究所 | サーバ |
Also Published As
Publication number | Publication date |
---|---|
US9122956B1 (en) | 2015-09-01 |
EP2917848A2 (en) | 2015-09-16 |
CN107169526B (zh) | 2020-10-16 |
JP2015535623A (ja) | 2015-12-14 |
CN104769578A (zh) | 2015-07-08 |
EP2917848A4 (en) | 2016-11-02 |
WO2014116340A3 (en) | 2014-10-23 |
CN107169526A (zh) | 2017-09-15 |
MX339790B (es) | 2016-06-10 |
WO2014116340A2 (en) | 2014-07-31 |
US9424489B2 (en) | 2016-08-23 |
JP6272892B2 (ja) | 2018-01-31 |
CN104769578B (zh) | 2017-06-27 |
US20150332125A1 (en) | 2015-11-19 |
MX2015004739A (es) | 2015-08-14 |
JP6577607B2 (ja) | 2019-09-18 |
US20150262035A1 (en) | 2015-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6577607B2 (ja) | 自動特徴解析、比較、及び異常検出 | |
Amin et al. | A method for the detection and classification of diabetic retinopathy using structural predictors of bright lesions | |
US11250569B2 (en) | Systems and methods for functional imaging follow-up evaluation using deep neural network | |
Ali et al. | A systematic review of automated melanoma detection in dermatoscopic images and its ground truth data | |
EP3207521B1 (en) | Image analysis method supporting illness development prediction for a neoplasm in a human or animal body | |
Shukla et al. | AI-DRIVEN novel approach for liver cancer screening and prediction using cascaded fully convolutional neural network | |
EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
JP2019091454A (ja) | データ解析処理装置及びデータ解析処理プログラム | |
US9418422B2 (en) | Skin image analysis | |
Jannin et al. | Validation in medical image processing. | |
Sanfilippo et al. | A geometric morphometric assessment of the optic cup in glaucoma | |
JP2014068861A (ja) | 画像処理装置および方法並びにプログラム | |
WO2018127499A1 (en) | Cortical malformation identification | |
Blahuta et al. | A reproducible method to transcranial B-MODE ultrasound images analysis based on echogenicity evaluation in selectable ROI | |
Pietrzyk et al. | Classification of radiological errors in chest radiographs, using support vector machine on the spatial frequency features of false-negative and false-positive regions | |
US20240087751A1 (en) | Systems and methods for organ shape analysis for disease diagnosis and risk assessment | |
Memon et al. | Detection & Quantification of Lung Nodules Using 3D CT Images | |
Shukla et al. | Research Article AI-DRIVEN Novel Approach for Liver Cancer Screening and Prediction Using Cascaded Fully Convolutional Neural Network | |
CN117911313A (zh) | 多特征融合的腮腺肿物分类方法、系统及电子设备 | |
CN115938577A (zh) | 基于脑龄的ad风险预测系统及模型生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180104 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180104 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190219 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20190520 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190522 |
|
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: 20190806 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190822 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6577607 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |