JP2020113083A - 学習プログラム、学習装置及び学習方法 - Google Patents
学習プログラム、学習装置及び学習方法 Download PDFInfo
- Publication number
- JP2020113083A JP2020113083A JP2019003849A JP2019003849A JP2020113083A JP 2020113083 A JP2020113083 A JP 2020113083A JP 2019003849 A JP2019003849 A JP 2019003849A JP 2019003849 A JP2019003849 A JP 2019003849A JP 2020113083 A JP2020113083 A JP 2020113083A
- Authority
- JP
- Japan
- Prior art keywords
- image
- shadow
- decoder
- learning
- ultrasonic
- 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
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
Description
図1を用いて、実施例に係る学習装置の機能構成について説明する。図1は、実施例に係る学習装置の機能構成の一例を示す図である。図1に示すように、学習装置10は、インタフェース部11、記憶部12及び制御部13を有する。
図10を用いて、学習装置10による学習処理の流れを説明する。図10は、学習処理の流れを示すフローチャートである。図10に示すように、まず、学習装置10は、超音波入力画像を取得する(ステップS11)。また、学習装置10は、生成影画像を生成し超音波入力画像と合成する(ステップS12)。
上述したように、学習装置10は、超音波入力画像における超音波反射状況に対応した影を含む影画像を生成する。学習装置10は、超音波入力画像と影画像を合成した合成画像が入力されたエンコーダからの出力を、第1のデコーダと第2のデコーダとに入力する。学習装置10は、再構成誤差、誤差関数及び尤度関数に基づき、エンコーダ、第1のデコーダ、及び、第2のデコーダの学習を実行する。再構成誤差は、第1のデコーダの出力である第1の画像と第2のデコーダの出力である第2の画像とを合成する結合関数の出力画像と合成画像との再構成誤差である。誤差関数は、第1の画像の影画像における影部分に対応する領域と影画像の影との誤差関数である。尤度関数は、第2の画像についての超音波画像における対象物に関する尤度関数である。このように、学習装置10は、自動的に生成した影の画像を教師データとして学習を行うことができる。このため、実施例によれば、超音波画像の影の有無の判別における汎用性を向上させることが可能になる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、実施例で説明した具体例、分布、数値等は、あくまで一例であり、任意に変更することができる。
図14は、ハードウェア構成例を説明する図である。図14に示すように、学習装置10は、通信インタフェース10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図14に示した各部は、バス等で相互に接続される。
10 学習装置
11、21 インタフェース部
12、22 記憶部
13、23 制御部
20 認識装置
30 表示装置
40 プローブ
121 学習情報
122、222 エンコーダ情報
123、223 影デコーダ情報
124 対象物デコーダ情報
130 生成部
131、231 入力部
132 結合部
133 学習部
133a 計算部
133b 更新部
232 判定部
233 認識部
234 表示制御部
Claims (5)
- コンピュータに、
超音波入力画像における超音波反射状況に対応した影を含む影画像を生成し、
前記超音波入力画像と前記影画像を合成した合成画像が入力されたエンコーダからの出力を、第1のデコーダと第2のデコーダとに入力し、
前記第1のデコーダの出力である第1の画像と前記第2のデコーダの出力である第2の画像とを合成する結合関数の出力画像と前記合成画像との再構成誤差、前記第1の画像の前記影画像における影部分に対応する領域と前記影画像の前記影との誤差関数、前記第2の画像についての超音波画像における対象物に関する尤度関数に基づき、前記エンコーダ、前記第1のデコーダ、及び、前記第2のデコーダの学習を実行する、
処理を実行させることを特徴とする学習プログラム。 - 前記学習を実行する処理は、画像の画素値に対応する値を変数とする尤度関数であって、最大の画素値及び最小の画素値いずれでもない所定の画素値に対応する変数に対して最大値をとる尤度関数を、前記対象物に関する尤度関数として用いて学習を実行することを特徴とする請求項1に記載の学習プログラム。
- 前記学習を実行する処理は、画像の画素値に対応する確率変数が0より大きく1より小さい所定の値であるときに極大値を取るようにパラメータが設定されたベータ分布の確率密度関数に基づく尤度関数を、前記対象物に関する尤度関数として用いて学習を実行することを特徴とする請求項1に記載の学習プログラム。
- 超音波入力画像における超音波反射状況に対応した影を含む影画像を生成する生成部と、
前記超音波入力画像と前記影画像を合成した合成画像が入力されたエンコーダからの出力を、第1のデコーダと第2のデコーダとに入力する入力部と、
前記第1のデコーダの出力である第1の画像と前記第2のデコーダの出力である第2の画像とを合成する結合関数の出力画像と前記合成画像との再構成誤差、前記第1の画像の前記影画像における影部分に対応する領域と前記影画像の前記影との誤差関数、前記第2の画像についての超音波画像における対象物に関する尤度関数に基づき、前記エンコーダ、前記第1のデコーダ、及び、前記第2のデコーダの学習を実行する学習部と、
を有することを特徴とする学習装置。 - 超音波入力画像における超音波反射状況に対応した影を含む影画像を生成し、
前記超音波入力画像と前記影画像を合成した合成画像が入力されたエンコーダからの出力を、第1のデコーダと第2のデコーダとに入力し、
前記第1のデコーダの出力である第1の画像と前記第2のデコーダの出力である第2の画像とを合成する結合関数の出力画像と前記合成画像との再構成誤差、前記第1の画像の前記影画像における影部分に対応する領域と前記影画像の前記影との誤差関数、前記第2の画像についての超音波画像における対象物に関する尤度関数に基づき、前記エンコーダ、前記第1のデコーダ、及び、前記第2のデコーダの学習を実行する、
処理をコンピュータが実行することを特徴とする学習方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019003849A JP7192512B2 (ja) | 2019-01-11 | 2019-01-11 | 学習プログラム、学習装置及び学習方法 |
EP19215565.3A EP3680854B1 (en) | 2019-01-11 | 2019-12-12 | Learning program, learning apparatus, and learning method |
US16/717,563 US11494696B2 (en) | 2019-01-11 | 2019-12-17 | Learning apparatus, learning method, and recording medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019003849A JP7192512B2 (ja) | 2019-01-11 | 2019-01-11 | 学習プログラム、学習装置及び学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020113083A true JP2020113083A (ja) | 2020-07-27 |
JP7192512B2 JP7192512B2 (ja) | 2022-12-20 |
Family
ID=68887284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019003849A Active JP7192512B2 (ja) | 2019-01-11 | 2019-01-11 | 学習プログラム、学習装置及び学習方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11494696B2 (ja) |
EP (1) | EP3680854B1 (ja) |
JP (1) | JP7192512B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4101392A1 (en) | 2021-06-10 | 2022-12-14 | Fujitsu Limited | Information processing program, information processing apparatus, and method for processing information |
EP4102457A1 (en) | 2021-06-10 | 2022-12-14 | Fujitsu Limited | Evaluating program, evaluating apparatus, and method for evaluating |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7180393B2 (ja) * | 2019-01-11 | 2022-11-30 | 富士通株式会社 | 学習プログラム、学習装置及び学習方法 |
EP3716150A1 (en) * | 2019-03-27 | 2020-09-30 | Nvidia Corporation | Improved image segmentation using a neural network translation model |
CN113794536B (zh) * | 2021-09-15 | 2024-02-23 | 苏州米特希赛尔人工智能有限公司 | 人工智能信道编解码方法与装置 |
JP2023128463A (ja) * | 2022-03-03 | 2023-09-14 | 富士通株式会社 | 生成プログラム、生成方法および情報処理装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020110371A (ja) * | 2019-01-11 | 2020-07-27 | 富士通株式会社 | 学習プログラム、学習装置及び学習方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10430688B2 (en) | 2015-05-27 | 2019-10-01 | Siemens Medical Solutions Usa, Inc. | Knowledge-based ultrasound image enhancement |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
KR20190021344A (ko) | 2016-06-20 | 2019-03-05 | 버터플라이 네트워크, 인크. | 초음파 디바이스를 작동하는 사용자를 보조하기 위한 자동화된 영상 취득 |
US10387765B2 (en) | 2016-06-23 | 2019-08-20 | Siemens Healthcare Gmbh | Image correction using a deep generative machine-learning model |
AU2017312527B2 (en) * | 2016-08-16 | 2022-03-17 | Ulthera, Inc. | Systems and methods for cosmetic ultrasound treatment of skin |
JP6902625B2 (ja) * | 2017-05-11 | 2021-07-14 | ベラソン インコーポレイテッドVerathon Inc. | 確率マップに基づいた超音波検査 |
US11419584B2 (en) * | 2017-06-28 | 2022-08-23 | Tokitae, LLC | Devices, systems, and methods for diagnosis of pulmonary conditions through detection of b-lines in lung sonography |
US10698063B2 (en) | 2017-11-01 | 2020-06-30 | Siemens Healthcare Gmbh | Motion artifact reduction of magnetic resonance images with an adversarial trained network |
US11464490B2 (en) * | 2017-11-14 | 2022-10-11 | Verathon Inc. | Real-time feedback and semantic-rich guidance on quality ultrasound image acquisition |
US11030780B2 (en) * | 2018-03-26 | 2021-06-08 | The Board Of Trustees Of The Leland Stanford Junior University | Ultrasound speckle reduction and image reconstruction using deep learning techniques |
US10852379B2 (en) | 2018-06-07 | 2020-12-01 | Siemens Healthcare Gmbh | Artifact reduction by image-to-image network in magnetic resonance imaging |
-
2019
- 2019-01-11 JP JP2019003849A patent/JP7192512B2/ja active Active
- 2019-12-12 EP EP19215565.3A patent/EP3680854B1/en active Active
- 2019-12-17 US US16/717,563 patent/US11494696B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020110371A (ja) * | 2019-01-11 | 2020-07-27 | 富士通株式会社 | 学習プログラム、学習装置及び学習方法 |
Non-Patent Citations (2)
Title |
---|
QINGJIE MENG ET AL.: "Weakly Supervised Estimation of Shadow Confidence Maps in Ultrasound Imaging", [ONLINE], JPN7022005188, 20 November 2018 (2018-11-20), ISSN: 0004914637 * |
SUKESH ADIGA V ET AL.: "Shared Encoder based Denoising of Optical Coherence Tomography Images", [ONLINE], JPN7022005189, December 2018 (2018-12-01), ISSN: 0004914638 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4101392A1 (en) | 2021-06-10 | 2022-12-14 | Fujitsu Limited | Information processing program, information processing apparatus, and method for processing information |
EP4102457A1 (en) | 2021-06-10 | 2022-12-14 | Fujitsu Limited | Evaluating program, evaluating apparatus, and method for evaluating |
Also Published As
Publication number | Publication date |
---|---|
US11494696B2 (en) | 2022-11-08 |
EP3680854A1 (en) | 2020-07-15 |
EP3680854B1 (en) | 2021-08-11 |
JP7192512B2 (ja) | 2022-12-20 |
US20200226494A1 (en) | 2020-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020113083A (ja) | 学習プログラム、学習装置及び学習方法 | |
JP7180393B2 (ja) | 学習プログラム、学習装置及び学習方法 | |
EP3511942B1 (en) | Cross-domain image analysis using deep image-to-image networks and adversarial networks | |
US10600185B2 (en) | Automatic liver segmentation using adversarial image-to-image network | |
JP2021521982A (ja) | 超音波断層撮影画像上の特徴抽出および分類のためのシステムおよび方法 | |
CN110622175A (zh) | 神经网络分类 | |
JP6647632B2 (ja) | 機械学習用訓練データの生成 | |
WO2021059909A1 (ja) | データ生成システム、学習装置、データ生成装置、データ生成方法及びデータ生成プログラム | |
Rahman et al. | A new method for lung nodule detection using deep neural networks for CT images | |
CN112602155A (zh) | 生成针对经训练的模型的元数据 | |
Tehrani et al. | Homodyned K-Distribution Parameter Estimation in Quantitative Ultrasound: Autoencoder and Bayesian Neural Network Approaches | |
WO2019167882A1 (ja) | 機械学習装置および方法 | |
CN112233126B (zh) | 医学图像的加窗方法及装置 | |
JP7429036B2 (ja) | 判定装置、モデル生成装置、判定方法及び判定プログラム | |
Suresh et al. | Generation of synthetic tympanic membrane images: Development, human validation, and clinical implications of synthetic data | |
JP2019185121A (ja) | 学習装置、学習方法及びプログラム | |
JP2020067954A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP7349005B1 (ja) | プログラム、情報処理方法、情報処理装置及び学習モデルの生成方法 | |
JP7094562B2 (ja) | 生体画像取得装置、変換器生産装置、生体画像の生産方法、変換器の生産方法、およびプログラム | |
JP2020042664A (ja) | 学習装置、パラメータの作成方法、ニューラルネットワーク及びこれを用いた情報処理装置 | |
WO2022202456A1 (ja) | 外観検査方法および外観検査システム | |
JP2022035432A (ja) | 情報処理プログラム,情報処理方法および情報処理装置 | |
EP4343680A1 (en) | De-noising data | |
Jara et al. | Learning Curve Analysis on Adam, Sgd, and Adagrad Optimizers on a Convolutional Neural Network Model for Cancer Cells Recognition | |
Man et al. | Denoising Low-Dose CT Images Using Noise2Noise and Evaluation of Hyperparameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211007 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221031 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221121 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7192512 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |