JP2020170408A - 画像処理装置、画像処理方法、プログラム - Google Patents
画像処理装置、画像処理方法、プログラム Download PDFInfo
- Publication number
- JP2020170408A JP2020170408A JP2019072302A JP2019072302A JP2020170408A JP 2020170408 A JP2020170408 A JP 2020170408A JP 2019072302 A JP2019072302 A JP 2019072302A JP 2019072302 A JP2019072302 A JP 2019072302A JP 2020170408 A JP2020170408 A JP 2020170408A
- Authority
- JP
- Japan
- Prior art keywords
- image
- unit
- region
- classifier
- extraction
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 145
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000000605 extraction Methods 0.000 claims abstract description 219
- 230000013016 learning Effects 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 239000000284 extract Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 description 21
- 238000011946 reduction process Methods 0.000 description 14
- 210000004185 liver Anatomy 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000003187 abdominal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/162—Segmentation; Edge detection involving graph-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10072—Tomographic images
-
- 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
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Description
以下では図1を参照して、実施形態に係る画像処理装置の構成について説明する。本発明にかかる画像処理装置100は、最初に識別器101を用いて画像中に描出されている注目領域を抽出する。次に、グラフカット・セグメンテーション部102にて公知のグラフカット・セグメンテーション法を用いて、再度、画像中の注目領域を抽出する。画像処理装置はこの際、識別器による注目領域の抽出結果に基づいて、グラフカット・セグメンテーション部102で利用されるグラフを構築する。最後に、画像処理装置100はグラフカット・セグメンテーション部102による注目領域の抽出結果を修正して、画像についての正解画像を生成する。
ステップS1010において、第一の取得部110はデータサーバ200から教示データを取得する。そして、第一の取得部110は取得した教示データを学習部130に送信する。
ステップS1020において、学習部130は第一の取得部110から教示データを取得する。そして、学習部130において所定の識別器101の学習を行う。
ステップS1030において、第二の取得部120はデータサーバ200からターゲット画像を取得する。そして、第二の取得部120は取得したターゲット画像を第一の抽出部140、設定部150、第二の抽出部160、生成部170に送信する。
ステップS1040において、第一の抽出部140は第二の取得部120からターゲット画像を取得する。次に、第一の抽出部140は学習部130から識別器のパラメータを取得する。そして、第一の抽出部140は所定の識別器101を用いてターゲット画像から注目領域を抽出する。
ステップS1050において、設定部150は第二の取得部120からターゲット画像を取得する。次に、設定部150は第一の抽出部140から第一の抽出結果を取得する。そして、設定部150は公知のグラフカット・セグメンテーション法で利用される前景シードと背景シードの設定を行う。
ステップS1060において、設定部150は前景シードまたは背景シードに設定された画素以外の複数の画素のそれぞれについて、公知のグラフカット・セグメンテーション法で利用されるエッジ(t−link)に付与するエネルギーを計算する。エネルギーは、識別器を用いて抽出された領域(第一の抽出結果)に基づいて計算される。
ステップS1070において、第二の抽出部160は公知のグラフカット・セグメンテーション法を用いて、ターゲット画像中の注目領域を抽出する。グラフカット・セグメンテーション法の詳細については、例えば、特許文献US6973212を参照されたい。
当該画素ノードとターミナル・ノードFとの間のエッジ(t−link)のエネルギーを無限大とする。一方、当該画素ノードとターミナル・ノードBとの間のエッジ(t−link)のエネルギーをゼロとする。
当該画素ノードとターミナル・ノードBとの間のエッジ(t−link)のエネルギーを無限大とする。一方、当該画素ノードとターミナル・ノードFとの間のエッジ(t−link)のエネルギーをゼロとする。
ステップS1060において設定部150により計算された当該画素のエネルギー値LがL>0である場合、当該画素ノードとターミナル・ノードFとの間のエッジ(t−link)のエネルギーをLとする。一方、当該画素ノードとターミナル・ノードBとの間のエッジ(t−link)のエネルギーをゼロとする。L<0である場合、当該画素ノードとターミナル・ノードBとの間のエッジ(t−link)のエネルギーを−Lとする。一方、当該画素ノードとターミナル・ノードFとの間のエッジ(t−link)のエネルギーをゼロとする。L=0である場合、両方のエッジ(t−link)のエネルギーをゼロとする。
ステップS1080において、生成部170は第二の抽出部160から第二の抽出結果を取得する。そして、第二の抽出結果に基づいて、ターゲット画像に対応する正解画像を生成する。
ステップS1090において、出力部180は生成部180からターゲット画像に対応する正解画像を取得する。そして、出力部190はターゲット画像に対応する正解画像をデータサーバ200に保存する。
図5を参照して、第二の実施形態に係る画像処理装置500について説明する。画像処理装置500は、第一の取得部510、第二の取得部520、学習部530、第一の抽出部140、設定部150、第二の抽出部160、生成部570、更新部580、出力部590から構成される。なお図1と同様に学習部530および第一の抽出部は識別器101を含み、第二の抽出部160はグラフカット・セグメンテーション部102を含む。
ステップS6010において、第一の取得部510はデータサーバ200から教示データを取得する。そして、第一の取得部510は取得した教示データを学習部530と更新部580に送信する。
ステップS6020において、学習部530は第一の取得部510から教示データを取得する。そして、所定の識別器101の学習を行う。学習の方法は、第一の実施形態に係る画像処理装置100の学習部130がステップS1030で実施する処理と同じである。
ステップS6030において、第二の取得部520はデータサーバ200からターゲット画像を取得する。そして、第二の取得部520は取得したターゲット画像を第一の抽出部140、設定部150、第二の抽出部160、生成部570、更新部580に送信する。
ステップS6080において、生成部570は第二の抽出部160から第二の抽出結果を取得する。そして、第二の抽出結果に基づいて、ターゲット画像に対応する正解画像を生成する。正解画像の生成処理は、第一の実施形態にかかる画像処理装置100の生成部170がステップS1080で実行する処理と同じである。最後に、生成部570はターゲット画像に対応する正解画像を更新部580と出力部590に送信する。
ステップS6090において、更新部580は第一の取得部510から教示データを取得する。また、更新部580は第二の取得部520からターゲット画像を取得する。さらに、更新部580は生成部170からターゲット画像に対応する正解画像を取得する。そして、更新部580は取得した教示データを更新する。
ステップS6093において、出力部590は生成部570からターゲット画像に対応する正解画像を取得する。そして、出力部590はターゲット画像に対応する正解画像をデータサーバ200に保存する。出力部590は、第二の取得部520で取得されたターゲット画像と、生成部570で生成されたターゲット画像に対応する正解画像を対応付けてデータサーバ200に保存してもよい。この場合、図5では不図示であるが、出力部180は第二の取得部520からターゲット画像を取得する。
ステップS6095において、第二の実施形態にかかる画像処理装置500の制御部(図5では不図示)はデータサーバ200に処理対象となるターゲット画像が存在しているか否かを判定する。もし、処理対象となるターゲット画像が存在している場合、ステップS6010に戻って以降の処理を再度実行する。もし、存在していない場合、第二の実施形態にかかる画像処理装置500は処理を終了する。なお、処理対象となるターゲット画像が存在している場合においても、正解画像が生成される度に教示データの更新をしなくともよい。例えば、ターゲット画像が複数存在する場合において、その複数のターゲット画像に対する正解画像の作成は同一の学習器のパラメータにより行う。具体的にはステップS6080により、ターゲット画像に対応する正解画像が作成される。その時点で未処理のターゲット画像を取得するステップS6030に戻って以降の処理を実行してもよい(図6では不図示)。またその際には、ターゲット画像が存在しなくなるまでその処理を繰り返す。
第二の実施形態として、正解画像を作成し、教示データを更新する方法について説明をした。ターゲット画像に対応する正解画像が存在しない場合は、学習画像に対して正解画像を作成する。もしくは、ターゲット画像に対応する正解画像が存在する場合、正解画像の置き換え、もしくは、さらにターゲット画像と正解画像をひとつの組として、教示データに追加する。そして、作成または更新された教示データを用いて識別器を学習し、さらに正解画像を作成することで、注目領域の抽出精度が次第に高くなっていく効果が期待される。
複数回の学習と正解画像の作成を行う場合において、注目領域の抽出精度の向上が期待される。識別器は教示データの数と質に依存するため、フローを繰り返すごとに信頼度の高い結果を示す。例えば、多値画像においては注目領域や注目領域以外を示す尤度が高く算出され、二値画像においては画像中における実際の注目領域との重なり部分が大きくなる。
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
Claims (18)
- 教示データに基づいて、識別器の学習をする学習部と、
前記学習部により学習された前記識別器により、画像から第一の注目領域の抽出を行う第一の抽出部と、
前記第一の注目領域を含む第一の抽出結果に基づいて、グラフカット・セグメンテーション法に用いられる領域情報を設定する設定部と、
前記設定された領域情報に基づいて、前記グラフカット・セグメンテーション法により、第二の注目領域の抽出を行う第二の抽出部と、
前記第二の抽出領域を含む第二の抽出結果に基づいて、前記画像に対応する正解画像を生成する生成部と、を有することを特徴とする画像処理装置。 - 前記設定部は、前記第一の抽出結果に対し、モルフォロジー処理およびしきい値処理、距離変換処理のうち少なくともひとつの処理をする処理部をさらに有し、前記処理部による処理結果に基づいて、前記領域情報を設定することを特徴とする請求項1に記載の画像処理装置。
- 前記設定部により設定される領域情報が、前景シード、背景シード、エネルギーのうち、少なくとも一つを含むことを特徴とする請求項1または2のいずれか一項に記載の画像処理装置。
- 前記設定部は、前記第一の注目領域の内部に前記前景シードを設定し、前記第一の抽出領域の外部に前記背景シードを設定することを特徴とする請求項3に記載の画像処理装置。
- 前記生成部で生成された正解画像に基づいて、前記教示データを更新する更新部と、
をさらに有することを特徴とする請求項1から4のいずれか一項に記載の画像処理装置。 - 前記更新部は、前記教示データの正解画像を前記生成部で生成された正解画像で置き換えることを特徴とする請求項6に記載の画像処理装置。
- 前記学習部は前記更新部により更新された教示データに基づいて識別器の学習を行うことを特徴とする請求項6または7のいずれか一項に記載の画像処理装置。
- 前記第一の抽出結果または、前記第二の抽出結果、生成された正解画像のいずれかに基づいて前記正解画像の生成の終了を判定する判定部を有することを特徴とする請求項1から8のいずれか一項に記載の画像処理装置。
- 前記判定部は、前記第一の抽出結果と、前記第二の抽出結果を構成する画素のばらつきが所定値以下になると前記正解画像の生成の終了と判定をすることを特徴とする請求項9に記載の画像処理装置。
- 前記判定部は、前記教示データによって学習された識別器による前記抽出結果と、前記教示データに更新される以前の教示データによって学習された識別器による抽出結果とを構成する画素のばらつきが所定値以下になると前記正解画像の生成の終了と判定をすることを特徴とする請求項9に記載の画像処理装置。
- 前記識別器による抽出結果が尤度であることを特徴とする請求項11に記載の画像処理装置。
- 前記判定部は、前記尤度の差により正解画像の生成の終了と判定をすることを特徴とする請求項12記載の画像処理装置。
- 前記教示データによって学習された識別器による前記抽出結果に対するしきい値が、前記教示データに更新される以前の教示データによって学習された識別器による抽出結果に対するしきい値よりも大きいことを特徴とする請求項2に記載の画像処理装置。
- 前記教示データによって学習された識別器による前記抽出結果に対するモルフォロジー処理の割合よりも、
前記教示データに更新される以前の教示データによって学習された識別器による抽出結果に対するモルフォロジー処理の割合が大きいことを特徴とする請求項2に記載の画像処理装置。 - 前記教示データに基づいて学習をする前記識別器の学習率が、前記教示データに更新される以前の教示データに基づいて学習をした識別器の学習率よりも小さいことを特徴とする請求項1記載の画像処理装置。
- 教示データに基づいて識別器の学習をするステップと、
前記学習された識別器により、画像から第一の注目領域の抽出を行うステップと、
前記第一の注目領域を含む抽出結果に基づいて、グラフカット・セグメンテーション法の領域情報を設定するステップと、
前記設定された領域情報に基づいて、グラフカット・セグメンテーション法により、第二の注目領域の抽出を行うステップと、
前記第二の注目領域を含む抽出結果に基づいて、画像に対応する正解画像を生成するステップと、を有することを特徴とする画像処理方法。 - 請求項17に記載の画像処理方法をコンピュータに実行させるためのプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019072302A JP2020170408A (ja) | 2019-04-04 | 2019-04-04 | 画像処理装置、画像処理方法、プログラム |
US16/835,026 US11455730B2 (en) | 2019-04-04 | 2020-03-30 | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium |
JP2023130562A JP2023159216A (ja) | 2019-04-04 | 2023-08-10 | 画像処理装置、画像処理方法、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019072302A JP2020170408A (ja) | 2019-04-04 | 2019-04-04 | 画像処理装置、画像処理方法、プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023130562A Division JP2023159216A (ja) | 2019-04-04 | 2023-08-10 | 画像処理装置、画像処理方法、プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020170408A true JP2020170408A (ja) | 2020-10-15 |
Family
ID=72662435
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019072302A Pending JP2020170408A (ja) | 2019-04-04 | 2019-04-04 | 画像処理装置、画像処理方法、プログラム |
JP2023130562A Pending JP2023159216A (ja) | 2019-04-04 | 2023-08-10 | 画像処理装置、画像処理方法、プログラム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023130562A Pending JP2023159216A (ja) | 2019-04-04 | 2023-08-10 | 画像処理装置、画像処理方法、プログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11455730B2 (ja) |
JP (2) | JP2020170408A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023032480A1 (ja) * | 2021-08-31 | 2023-03-09 | 富士フイルム株式会社 | 医療画像処理装置、肝区域分割方法およびプログラム |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6716765B1 (ja) * | 2018-12-28 | 2020-07-01 | キヤノン株式会社 | 画像処理装置、画像処理システム、画像処理方法、プログラム |
JP7410619B2 (ja) * | 2019-10-31 | 2024-01-10 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
TWI769435B (zh) * | 2020-02-14 | 2022-07-01 | 佳世達科技股份有限公司 | 可改善超音波影像品質之方法和相關超音波探測系統 |
KR102667231B1 (ko) * | 2020-12-21 | 2024-05-20 | 주식회사 인피니트헬스케어 | 딥 러닝 알고리듬과 해부학적 특성에 기반한 의료 영상 셋의 컨투어링 시스템 및 방법 |
CN112288756B (zh) * | 2020-12-28 | 2021-04-30 | 湖南新云网科技有限公司 | 一种图形分割方法、装置、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014010717A (ja) * | 2012-06-29 | 2014-01-20 | Secom Co Ltd | 領域分割装置 |
WO2018048507A1 (en) * | 2016-09-06 | 2018-03-15 | Han Xiao | Neural network for generating synthetic medical images |
WO2018156778A1 (en) * | 2017-02-22 | 2018-08-30 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Detection of prostate cancer in multi-parametric mri using random forest with instance weighting & mr prostate segmentation by deep learning with holistically-nested networks |
JP2019010411A (ja) * | 2017-06-30 | 2019-01-24 | 富士フイルム株式会社 | 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6973212B2 (en) | 2000-09-01 | 2005-12-06 | Siemens Corporate Research, Inc. | Graph cuts for binary segmentation of n-dimensional images from object and background seeds |
JP5333570B2 (ja) * | 2011-12-21 | 2013-11-06 | 富士ゼロックス株式会社 | 画像処理装置、プログラム及び画像処理システム |
US9792553B2 (en) * | 2013-07-31 | 2017-10-17 | Kadenze, Inc. | Feature extraction and machine learning for evaluation of image- or video-type, media-rich coursework |
RU2014111792A (ru) * | 2014-03-27 | 2015-10-10 | ЭлЭсАй Корпорейшн | Процессор изображений, содержащий систему распознавания лиц на основании преобразования двухмерной решетки |
CA2895449A1 (en) * | 2014-06-23 | 2015-12-23 | Herbert Yang | System and method for frequency-based 3d reconstruction of objects |
US9700213B2 (en) * | 2014-09-12 | 2017-07-11 | Mayo Foundation For Medical Education And Research | System and method for automatic polyp detection using global geometric constraints and local intensity variation patterns |
US9552070B2 (en) * | 2014-09-23 | 2017-01-24 | Microsoft Technology Licensing, Llc | Tracking hand/body pose |
WO2017027475A1 (en) * | 2015-08-07 | 2017-02-16 | Jianming Liang | Methods, systems, and media for simultaneously monitoring colonoscopic video quality and detecting polyps in colonoscopy |
US9741125B2 (en) * | 2015-10-28 | 2017-08-22 | Intel Corporation | Method and system of background-foreground segmentation for image processing |
US10841491B2 (en) * | 2016-03-16 | 2020-11-17 | Analog Devices, Inc. | Reducing power consumption for time-of-flight depth imaging |
CN109690554B (zh) * | 2016-07-21 | 2023-12-05 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和系统 |
JP6792364B2 (ja) * | 2016-07-22 | 2020-11-25 | キヤノン株式会社 | 画像処理装置、画像処理システム、画像処理方法、およびプログラム |
US10482633B2 (en) * | 2016-09-12 | 2019-11-19 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
GB2554435B (en) * | 2016-09-27 | 2019-10-23 | Univ Leicester | Image processing |
US10311312B2 (en) * | 2017-08-31 | 2019-06-04 | TuSimple | System and method for vehicle occlusion detection |
US10706535B2 (en) * | 2017-09-08 | 2020-07-07 | International Business Machines Corporation | Tissue staining quality determination |
US10535141B2 (en) * | 2018-02-06 | 2020-01-14 | Google Llc | Differentiable jaccard loss approximation for training an artificial neural network |
US10878576B2 (en) * | 2018-02-14 | 2020-12-29 | Elekta, Inc. | Atlas-based segmentation using deep-learning |
CN111095291B (zh) * | 2018-02-27 | 2024-04-09 | 辉达公司 | 由自动驾驶车辆实时检测车道和边界 |
US11158063B2 (en) * | 2018-07-30 | 2021-10-26 | Hewlett Packard Enterprise Development Lp | Objects and features neural network |
US11195030B2 (en) * | 2018-09-14 | 2021-12-07 | Honda Motor Co., Ltd. | Scene classification |
GB2579583B (en) * | 2018-12-04 | 2021-01-06 | Yoti Holding Ltd | Anti-spoofing |
-
2019
- 2019-04-04 JP JP2019072302A patent/JP2020170408A/ja active Pending
-
2020
- 2020-03-30 US US16/835,026 patent/US11455730B2/en active Active
-
2023
- 2023-08-10 JP JP2023130562A patent/JP2023159216A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014010717A (ja) * | 2012-06-29 | 2014-01-20 | Secom Co Ltd | 領域分割装置 |
WO2018048507A1 (en) * | 2016-09-06 | 2018-03-15 | Han Xiao | Neural network for generating synthetic medical images |
WO2018156778A1 (en) * | 2017-02-22 | 2018-08-30 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Detection of prostate cancer in multi-parametric mri using random forest with instance weighting & mr prostate segmentation by deep learning with holistically-nested networks |
JP2019010411A (ja) * | 2017-06-30 | 2019-01-24 | 富士フイルム株式会社 | 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム |
Non-Patent Citations (2)
Title |
---|
LING ZHANG, VISSAGAN GOPALAKRISHNAN, LE LU, RONALD M. SUMMERS, JOEL MOSS, JIANHUA YAO: "Self-learning to detect and segment cysts in lung CT images without manual annotation", 2018 IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2018), JPN6023005928, 4 April 2018 (2018-04-04), US, pages 1100 - 1103, XP033348341, ISSN: 0005057973, DOI: 10.1109/ISBI.2018.8363763 * |
SUVADIP MUKHERJEE, XIAOJIE HUANG AND ROSHNI R. BHAGALIA: "Lung nodule segmentation using deep learned prior based graph cut", 2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2017), JPN6023005929, 18 April 2017 (2017-04-18), US, pages 1205 - 1208, ISSN: 0005057972 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023032480A1 (ja) * | 2021-08-31 | 2023-03-09 | 富士フイルム株式会社 | 医療画像処理装置、肝区域分割方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US11455730B2 (en) | 2022-09-27 |
US20200320713A1 (en) | 2020-10-08 |
JP2023159216A (ja) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020170408A (ja) | 画像処理装置、画像処理方法、プログラム | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
Acuna et al. | Devil is in the edges: Learning semantic boundaries from noisy annotations | |
CN109690554B (zh) | 用于基于人工智能的医学图像分割的方法和系统 | |
EP3246873B1 (en) | Method and data processing unit for segmenting an object in a medical image | |
US20120238866A1 (en) | Method and System for Catheter Tracking in Fluoroscopic Images Using Adaptive Discriminant Learning and Measurement Fusion | |
JP2018022360A (ja) | 画像解析装置、画像解析方法およびプログラム | |
CN110458829B (zh) | 基于人工智能的图像质控方法、装置、设备及存储介质 | |
CN108765392B (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
EP3939006A1 (en) | Feature point detection | |
WO2021129234A1 (zh) | 心房间隔闭塞患者心脏医学影像分割方法及系统 | |
US20220262105A1 (en) | Systems, methods, and apparatuses for the generation of source models for transfer learning to application specific models used in the processing of medical imaging | |
US20200184274A1 (en) | Apparatus and method for generating medical image segmentation deep-learning model, and medical image segmentation deep-learning model generated therefrom | |
JP7463575B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP2017211939A (ja) | 生成装置、生成方法、及び生成プログラム | |
CN111597946A (zh) | 图像生成器的处理方法、图像生成方法及装置 | |
Zhang et al. | Joint vessel segmentation and deformable registration on multi-modal retinal images based on style transfer | |
US20210158511A1 (en) | Hierarchical systems and methods for image segmentation | |
Chatterjee et al. | A survey on techniques used in medical imaging processing | |
US20230281981A1 (en) | Methods, devices, and computer readable media for training a keypoint estimation network using cgan-based data augmentation | |
WO2021078703A2 (en) | System and method for segmentation of images | |
CN111667469A (zh) | 肺部疾病分类方法、装置及设备 | |
Swathi et al. | Deep learning: A detailed analysis of various image augmentation techniques | |
Tyagi | Brain Tumor Detection Using Convolutional Neural Network and Transfer Learning Approach | |
JP7486349B2 (ja) | ニューラルネットワーク、ニューラルネットワークの学習方法、プログラム、画像処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220309 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230210 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230419 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230516 |