JP2022538361A - 画像分割信頼度決定 - Google Patents

Abstract

画像分割と関連付けられている信頼レベルを決定するための例が開示される。全体の画像分割結果と関連付けられている信頼レベルは、それぞれが同じ画像データからである、複数の個々の分割結果を生成することにより決定できる。そして、これらの例は、全体の画像分割結果を形成し、全体の画像分割結果からの各個々の分割結果の広がりを測定するために、個々の分割結果を集積できる。そして、各個々の分割結果の測定された広がりは、全体の画像分割結果と関連付けられている信頼レベルを決定するために使用できる。これは、全体の画像分割結果と関連付けられている信頼レベルが決定されることを可能にできる。この信頼レベルは、全体の画像分割結果と比較するためのグラウンドトゥルースを必要とせずに決定できる。

Description

［関連出願］
本出願は、２０１９年９月２４日に出願された米国出願第１６／５８１、５７７の優先権を主張し、２０１９年７月２日に出願された米国暫定出願第６２／８６９、７９３の恩典を主張するものであり、それらの内容はこれにより参考文献として組み込まれる。

本開示は、全体的には画像分割に関し、より特別には、画像分割と関連付けられている信頼レベルを決定、幾つかの場合においては、信頼レベルを示すための装置、システム、および方法に関する。ここにおいて開示されている例は、例えば、医療撮像において適用できる。

医療撮像技術は、画像データを収集し、注目解剖領域の生体内視覚化を生成するために使用できる。１つのそのような例は、血管内撮像であり、血管構造と内腔を撮像できる。例えば、血管内撮像は、冠動脈内腔、冠動脈壁組織、および、冠動脈壁にある、またはその近くのステントなどのような装置の１つ以上の画像を生成するために使用できる。これらの画像は、血管の診断上重要な特性を識別することなどのような診断目的に対して有用であり得る。

しかし、医療撮像の間に収集される情報は大量のデータを含む可能性が高く、そのうちの幾つかは、撮像が実行されている目的には無関係であることもあり得る。従って、ある解剖的特徴および／または医療的に有用なパラメータの測定値の画像解釈を簡素化し、識別を自動化するように、撮像中に収集される画像データを更に解析することは有用であり得る。

１つの例として、画像分割を、解釈を簡素化し、画像データにおける重要な特徴の識別および／または測定を自動化するために使用できる。画像分割は、画像、または画像のセットを、画像における関連する情報の識別を容易にするために１つ以上の注目部位に分割するために使用できる。

画像分割の結果と関連付けられている、エラーの確率などのような信頼レベルを決定するための典型的な例がここにおいて記述される。多くの適用において、画像分割の結果は、意味のある決定を容易にするために使用できるので、分割結果が信頼できるものであることは重要である。医療撮像の例においては、画像分割の結果は、医療的に関連のある情報の識別を容易にするために使用できるので、分割結果の信頼性は、医療的に関連のある情報を精度よく識別することにおいて重要であり得る。従って、ここにおいて開示されている例は、ユーザが、分割結果を使用するときに、推定された信頼レベルを考慮できるように、分割結果の信頼レベルを推定および提供できる。

分割結果の信頼レベルの推定は、自律分割において特に有用であり得る。ユーザによる画像データの手動による分割は単調であり得、時間がかかる可能性が高いので、実行中にユーザ入力なしで、または最小限のユーザ入力で、画像データに対する分割動作を実行する自律分割は望ましいことであり得る。しかし、自律分割には、あるレベルの不確定性が伴う。自動化された分割結果と関連付けられている推定された信頼レベルを提供することは、ユーザが自動化された分割結果に依拠するときに、ユーザにより良好に情報を伝えることを可能にできる。

注目すべきことであるが、ここにおいて開示されている例は、分割結果と比較するためのグラウンドトゥルース（正しいことがわかっている情報）がない適用において、画像分割の結果と関連付けられている信頼レベルを決定できる。多くの適用においては、画像データは、１つ以上の未知の情報を決定するために生成および分割される。そのため、分割結果は、未知の情報を突き止めるための手段であることができるので、分割結果に対する既知の比較点がないことは、分割結果と関連付けられている信頼レベルを決定することにおいて難しい問題を提示し得る。ここにおいて開示されている例は、分割結果と関連付けられている信頼レベルを、分割結果と比較するためのグラウンドトゥルースを必要とすることなく決定することによりこの問題を解決できる。例えば、血管内撮像においては、血管壁と血管内腔との間の前もっては知られていない境界を突き止めるために、血管壁、血管内腔、およびプラーク（斑）の画像データを生成および分割できる。血管壁と内腔との間の境界は知られていないので、ここにおいて開示されている例は、信頼レベルを決定するための血管壁と内腔との間の既知の境界を使用することなく、血管壁と内腔との間の分割された境界と関連付けられている信頼レベルを含むそのような画像データに対する分割結果を提供できる。

ここにおいて開示されている幾つかの例においては、画像分割結果と関連付けられている信頼レベルは、それぞれが同じ画像データからのものである複数の個々の分割結果を生成することにより決定できる。そして、これらの例は、すべての分割結果に共通する結果（以降、コンセンサスと表記する）からの（例えば、多数の分割結果から形成される全体の分割結果からの）各個々の分割結果の広がりを測定できる。そして、各個々の分割結果の測定された広がりは、ユーザに提示される、コンセンサス、または全体の画像分割結果と関連付けられている信頼レベルを決定するために使用できる。これは、コンセンサス、または全体の分割結果と比較するためのグラウンドトゥルースを必要とすることなく、コンセンサス、または全体の画像分割結果と関連付けられている信頼レベルが決定されることを可能にできる。

１つの例においては、方法は、プロセッサにより、対象物の断面図を備えている画像を受信することを含んでいる。方法は更に、複数のモデルのそれぞれに対して、プロセッサにより、そして、それぞれのモデルを使用して、画像内の対象物に対する境界予測を生成することを含んでおり、各境界予測は、複数の境界予測部分を備えており、複数のモデルの各モデルは、固有のモデルを備えている。方法はまた、プロセッサにより、そして、複数のモデルの各モデルに対する境界予測に基づいて、画像内の対象物に対するクラスタ化された境界予測を生成することを含んでおり、クラスタ化された境界予測は、それぞれが、境界予測のそれぞれの複数の境界予測部分の１つに対応している、複数のクラスタ化された境界予測部分を備えている。方法は更に、複数のクラスタ化された境界予測部分のそれぞれに対して、プロセッサにより、そして、それぞれのクラスタ化された境界予測部分と、境界予測の対応する境界予測部分との間の比較に基づいて、それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定することを含んでいる。方法はまた、プロセッサにより、そして、表示装置上の表示のために、複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を出力することを含んでおり、各クラスタ化された境界予測部分は、それぞれのクラスタ化された境界予測部分に対する信頼レベルを示す視覚的特徴を有している。

他の例においては、計算装置は少なくとも１つのプロセッサと、命令を格納するように構成されている格納構成要素を含んでいる。命令は、対象物の断面図を備えている画像を受信するために、少なくとも１つのプロセッサにより実行可能である。命令は更に、複数のモデルのそれぞれに対して、それぞれのモデルを使用して、画像内の対象物に対する境界予測を生成するために少なくとも１つのプロセッサにより実行可能であり、各境界予測は、複数の境界予測部分を備えており、複数のモデルの各モデルは、固有のモデルを備えている。命令はまた、複数のモデルの各モデルに対する境界予測に基づいて、画像内の対象物に対するクラスタ化された境界予測を生成するために少なくとも１つのプロセッサにより実行可能であり、クラスタ化された境界予測は、それぞれが、境界予測のそれぞれの複数の境界予測部分の１つに対応している、複数のクラスタ化された境界予測部分を備えている。命令は更に、複数のクラスタ化された境界予測部分のそれぞれに対して、それぞれのクラスタ化された境界予測部分と、境界予測の対応する境界予測部分との間の比較に基づいて、それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定するために少なくとも１つのプロセッサにより実行可能である。命令は更に、表示装置上の表示のために、複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を出力するために少なくとも１つのプロセッサにより実行可能であり、各クラスタ化された境界予測部分は、それぞれのクラスタ化された境界予測部分に対する信頼レベルを示す視覚的特徴を有している。

他の例においては、命令を格納している非一時的コンピュータ読み取り可能格納媒体が記述され、命令は、実行されると、計算装置の１つ以上のプロセッサに、対象物の断面図を備えている画像を受信させる。命令は更に、１つ以上のプロセッサに、複数のモデルのそれぞれに対して、それぞれのモデルを使用して、画像内の対象物に対する境界予測を生成させ、各境界予測は、複数の境界予測部分を備えており、複数のモデルの各モデルは、固有のモデルを備えている。命令はまた、１つ以上のプロセッサに、複数のモデルの各モデルに対する境界予測に基づいて、画像内の対象物に対するクラスタ化された境界予測を生成させ、クラスタ化された境界予測は、それぞれが、境界予測のそれぞれの複数の境界予測部分の１つに対応している、複数のクラスタ化された境界予測部分を備えている。命令は更に、１つ以上のプロセッサに、複数のクラスタ化された境界予測部分のそれぞれに対して、それぞれのクラスタ化された境界予測部分と、境界予測の対応する境界予測部分との間の比較に基づいて、それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定させる。命令はまた、１以上のプロセッサに、表示装置上の表示のために、複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を出力させ、各クラスタ化された境界予測部分は、それぞれのクラスタ化された境界予測部分に対する信頼レベルを示す視覚的特徴を有している。

１つ以上の例の詳細が、付随する図面と下記の記述において記述される。他の特徴、目的、および利点は、記述と図面から明白になるであろう。

下記の図面は、本発明の特別な例を示しており、従って、発明の範囲を制限していない。図面は、下記の記述における説明と連携しての使用が意図されている。発明の例を、類似の数字は類似の要素を示している付随する図面と連携して以下に記述する。

ここにおいて開示されている技術の１つ以上に従う、画像を取り込むように構成されているカメラと、画像を解析するように構成されている計算装置を含んでいる例としてのシステムを示す図である。 ここにおいて開示されている技術の１つ以上に従う、多数の個々の分割結果から形成される典型的な全体の分割結果と共に、多数の典型的な個々の分割結果を示している血管の断面図の例である。 ここにおいて開示されている技術の１つ以上に従う、関連付けられている信頼レベルを有する典型的な全体の分割結果を伴う、図２における血管の断面図の例である。 ここにおいて開示されている技術の１つ以上に従う、個々の分割結果のクラスタリングを使用して、信頼レベルを決定する方法の例を示している模式図である。図４における模式図は、特別な値の周りの相対的に強いクラスタリングを例示している。 個々の分割結果のクラスタリングを使用して、信頼レベルを決定する方法の例を示している他の模式図である。図５における模式図は、何れの特別な値の周りにも強いクラスタリングがないことを例示している。 ここにおいて記述されている技術の１つ以上に従う、画像内の対象物のクラスタ化された境界を予測する例としてのプロセスを示しているフロー図である。

下記の詳細な記述は、本質的に典型例であり、幾つかの実際の例示と例を提供する。当業者は、記述される例の多くは、多様な適切な代替を有するということを認識するであろう。

ここで開示されている例は、画像分割の結果と関連付けられている信頼レベルを決定できる。特に、ここにおいて開示されている例は、それぞれが同じ画像データからの、複数の個々の分割結果を使用できる。そのような例は、すべての分割結果のコンセンサスからの（つまり、多数の個々の分割結果から形成される全体の分割結果からの）各個々の分割結果の広がりを測定することにより、分割性能の信頼度を推定するための統合ロセスの統計的性質を適用できる。画像分割結果のこの推定された信頼度は、ユーザに、グラウンドトゥルースを知らずに分割結果をどのように使用するかについての追加的情報を提供できる。

図１は、ここにおいて開示されている技術の１つ以上に従う、画像を取り込むように構成されているカメラと、画像を解析するように構成されている計算装置を含んでいる例としてのシステムである。図１は、計算装置２の１つの特別な例のみを示しているが、計算装置２の多くの他の例を他の例においては使用でき、例としての計算装置２に含まれている構成要素のサブセットを含むことができ、図１に示されていない追加的な構成要素も含むことができる。例えば、別個の構成要素ではなく、カメラ２０は、計算装置２に組み込むことができ、または、無線接続以外の方法で、機能的に接続できる。

図１の例において示されているように、計算装置２は、１つ以上のプロセッサ４、１つ以上の入／出力（Ｉ／Ｏ）構成要素６、１つ以上の通信ユニット１４、および１つ以上の格納構成要素８を含んでいる。計算装置２の格納構成要素８は、クラスタリングモジュール１０と予測モデル１２を含んでいる。この開示の目的のために、予測モデルは、分割動作に類似することができ、各モデルは、異なる分割動作を記述している。通信チャネル（図示されていない）は、構成要素４、６、８、および１４のそれぞれを、構成要素間通信のために相互接続できる（物理的に、通信可能に、および／または機能的に）。幾つかの例においては、通信チャネルは、システムバス、ネットワーク接続、プロセス間通信データ構造、または、データを通信で送るための任意の他の方法を含むことができる。

計算装置２の１つ以上の通信ユニット１４は、ネットワーク信号を１つ以上のネットワーク上で送信および／または受信することにより、１つ以上の有線および／または無線ネットワークを介して外部装置と通信できる。通信ユニット１４の例には、ネットワークインタフェースカード（例えば、イーサネット（Ｅｔｈｅｒｎｅｔ）（登録商標）カードなどのような）、光学式トランシーバ、無線周波数トランシーバ、ＧＰＳ受信機、または、情報を送ることができる、および／または、受信できる任意の他のタイプの装置が含まれる。通信ユニット１４の他の例には、ユニバーサルシリアルバス（ＵＳＢ）コントローラと共に、短波無線装置、セルラーデータ無線装置、ワイヤレスネットワーク無線装置を含むことができる。通信ユニット１４は、Ｗｉ－Ｆｉ（登録商標）、ブルートゥース（登録商標）、またはＬＴＥなどのようなワイヤレスプロトコルに従って動作するように構成されているワイヤレスインタフェースを含むことができる。

１つ以上のＩ／Ｏ構成要素６は、入力を受信できる入力構成要素を含むことができる。入力の例としては、触覚的、可聴的、およびビデオ入力がある。１つの例においては、計算装置２のＩ／Ｏ構成要素６は、血管内超音波カテーテル、存在感知入力装置（例えば、接触感知スクリーン、ＰＳＤ）、マウス、キーボード、音声応答システム、ビデオカメラ、マイクロフォン、または、人間または機械からの入力を検出するための任意の他のタイプの装置を含んでいる。幾つかの例においては、Ｉ／Ｏ構成要素６は、１つ以上のセンサ構成要素、１つ以上の位置センサ（ＧＰＳ構成要素、Ｗｉ－Ｆｉ（登録商標）構成要素、セルラー構成要素）、１つ以上の温度センサ、１つ以上の動きセンサ（例えば、加速度計、ジャイロ）、１つ以上の圧力センサ（例えば、バロメータ）、１つ以上の周囲光センサ、および１つ以上の他のセンサ（例えば、マイクロフォン、カメラ、赤外線近接センサ、湿度計など）を含むことができる。

Ｉ／Ｏ構成要素６はまた、出力を生成する１つ以上の出力構成要素も含むことができる。出力の例としては、触覚的、可聴的、およびビデオ出力がある。１つの例においては、計算装置２のＩ／Ｏ構成要素６は、ＰＳＤ、サウンドカード、ビデオグラフィックスアダプタカード、スピーカ、陰極線管（ＣＲＴ）モニタ、液晶ディスプレイ（ＬＣＤ）、または、人間または機械に対する出力を生成するための任意の他のタイプの装置を含んでいる。

１つ以上のプロセッサ４は、計算装置２と関連付けられている機能を実現でき、および／または、命令を実行できる。プロセッサ４の例には、アプリケーションプロセッサ、ディスプレイコントローラ、補助プロセッサ、１つ以上のセンサハブ、および、プロセッサ、処理ユニット、または処理装置として機能するように構成されている任意の他のハードウェアが含まれる。モジュール１０とモデル１２は、計算装置２の種々の行動、動作、または機能を実行するためにプロセッサ４により動作可能であってよい。例えば、計算装置２のプロセッサ４は、モジュール１０およびモデル１２の動作をプロセッサ４に実行させる、格納構成要素８に格納されている命令を取り出して実行できる。命令は、プロセッサ４により実行されると、計算装置２に、情報を格納構成要素８内に格納させることができる。

計算装置２内の１つ以上の格納構成要素８は、計算装置２の動作の間の処理のための情報を格納できる（例えば、計算装置２は、計算装置２における実行の間に、モジュール１０と予測モデル１２によりアクセスされるデータを格納できる）。幾つかの例においては、格納構成要素８は一時的メモリであり、それは、格納構成要素８の主要な目的は、長期の格納ではないことを意味している。計算装置２上の格納構成要素８は、揮発性メモリとして、情報の短期格納用に構成でき、そのため、電源が切られると、格納されている内容を保持しない。揮発性メモリの例としては、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、および、この技術において知られている揮発性メモリの他の形状が含まれる。

幾つかの例においては、格納構成要素８はまた、１つ以上のコンピュータ読み取り可能格納媒体も含んでいる。幾つかの例においては、格納構成要素８は、１つ以上の非一時的コンピュータ読み取り可能格納媒体を含んでいる。格納構成要素８は、揮発性メモリにより典型的に格納されるよりも多くの量の情報を格納するように構成できる。格納構成要素８は更に、不揮発性メモリ空間として情報を長期間格納し、電源のオン／オフサイクルの後でも情報を保持するように構成できる。不揮発性メモリの例としては、磁気ハードディスク、光ディスク、フロッピーディスク、フラッシュメモリ、または、電気的プログラマブルメモリ（ＥＰＲＯＭ）または電気的消去可能型プログラマブルメモリ（ＥＥＰＲＯＭ）の形状が含まれる。格納構成要素８は、モジュール１０と予測モデル１２と関連付けられているプログラム命令および／または情報（例えば、データ）を格納できる。格納構成要素８は、モジュール１０と予測モデル１２と関連付けられているデータまたは他の情報を格納するように構成されているメモリを含むことができる。

カメラ２０は、対象物の画像を取り込むことができる任意の画像取り込み装置であってよい。幾つかの例においては、カメラ２０は、例えば、患者７０の冠動脈の断面図を含む画像を取り込むように構成されている血管内超音波カテーテルであってよい。しかし、他の例においては、カメラ２０は、対象物の断面画像を取り込むように構成されている任意の他のタイプのカメラであってよい。そのため、この開示を通して、血管内超音波画像を取り込んだ後に、血管内の対象物の境界を測定するように記述されているが、同じ技術を、画像内の対象物の境界が定義されることになる任意の画像に適用できる。例えば、類似の技術を、自然画像（例えば、カラー画像、グレースケール画像）、異なる医療モダリティ画像（例えば、磁気共鳴撮像法（ＭＲＩ）、Ｘ線、コンピュータ断層撮影（ＣＴ）、陽電子放射断層撮影（ＰＥＴ）、単一光子放射型コンピュータ断層撮影（ＳＰＥＣＴ）、および超音波を通して取り込まれた画像）、および非自然画像（例えば、熱画像、紫外線画像）に適用できる。更に、ここにおいて記述されている技術は、断面領域に関して記述されているが、同じ技術を、そのような対象物の境界を突き止めることができる画像内の任意の対象物に適用できる。

本開示の技術に従えば、クラスタリングモジュール１０は、対象物の断面図を含んでいる画像を受信できる。クラスタリングモジュール１０は、カメラ２０などのようなカメラから画像を受信できる。カメラ２０は、クラスタリングモジュール１０の外部に位置させることができ、その場合は、クラスタリングモジュール１０は、通信ユニット１４を介して画像を受信する。他の例においては、カメラ２０を、計算装置２内に組み込むことができる。画像は、対象物の断面を含んでいる、画像内の既知または未知の境界を有する対象物を含んでいる任意の画像であってよい。例えば、カメラ２０は、患者７０の静脈または動脈の画像を取り込むように構成されている血管内超音波装置であってよい。

複数のモデルのそれぞれに対して、クラスタリングモジュール１０は、それぞれのモデルを使用して、画像内の対象物に対する境界予測を生成できる。境界予測はまた、画像分割、または、個々の分割結果と称することもできる。複数のモデルの各モデルは、固有のモデルであってよい。更に、各境界予測は、複数の境界予測部分を含むことができる。例えば、複数のモデルは、特に他のモデルの中でも、機械学習またはディープラーニングモデル、パターン認識モデル、コンピュータビジョンモデル、または、パラメータ修正モデルの任意のタイプを含むことができる。例えば、サポートベクトルマシン（ＳＶＭ）モデル、ＵＮｅｔモデル、ランダムフォレストモデル、および、ゾーベルフィルタリングなどのようなエッジ検出コンピュータビジョンモデル、および、異なるパラメータを有するそれらの変形例を複数のモデルに含むことができる。最終的に、複数のモデルは、９個以上を超える別個のモデルを含むことができ、その場合は、別個のモデルのそれぞれは、画像内の対象物の境界を予測するために使用できる。

クラスタリングモジュール１０は、複数のモデルのそれぞれのモデルに対する境界予測に基づいて、画像内の対象物のクラスタ化された境界予測を生成できる。クラスタ化された境界予測はまた、全体の分割結果と称することもできる。クラスタリングモジュール１０は、クラスタリング測定基準と共に、統合技術を使用して、クラスタ化された境界予測を決定できる。幾つかの例においては、クラスタ化された境界予測に対するクラスタリング測定基準は、個々の画像分割結果（または、境界予測の対応する境界予測部分）の中央値であることができる。幾つかの例においては、クラスタ化された境界予測に対するクラスタリング測定基準は、複数のモデルの境界予測の対応する境界予測部分のそれぞれから平均されるような平均境界であってよい。他の例においては、クラスタ化された境界予測は、画像内の対象物に対する重み付けされたクラスタ化された境界予測であってよい。例えば、クラスタリングモジュール１０は、複数のモデルのそれぞれに対して、各モデルに対する重みを決定できる。そして、クラスタリングモジュール１０は、境界予測の対応する境界予測部分と、複数のモデルの各モデルに対する重みに基づいて、重みを境界予測のそれぞれに適用し、重みと共に、境界予測の対応する境界予測部分を平均することにより、重み付けされたクラスタ化された境界予測を生成できる。

クラスタ化された境界予測は、それぞれが、境界予測のそれぞれの複数の境界予測部分の１つに対応する複数のクラスタ化された境界予測部分を含むことができる。例えば、各境界予測が１００個の境界予測部分に分割されると、クラスタ化された境界予測も同様に、画像内の対象物に関して類似の位置を有している対応する部分とともに、１００個のクラスタ化された境界予測部分に分割できる。クラスタ化された境界予測の複数のクラスタ化された境界予測部分のそれぞれに対して、クラスタリングモジュール１０は、それぞれのクラスタ化された境界予測部分と、境界予測の対応する境界予測部分との間の比較に基づいて、それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定できる。

幾つかの例においては、信頼レベルを決定するときに、クラスタリングモジュール１０は、複数のモデルのそれぞれに対して、クラスタ化された境界予測部分と、境界予測の対応する境界予測部分との間の比較に基づいて、それぞれのモデルに対する広がりを決定できる。そのような広がりの１つの例は、２つの値間の偏差の任意の測定値を、ここにおいて開示されている技術の目的のために使用できるが、ｚスコアであることができる。そして、クラスタリングモジュール１０は、境界予測の対応する境界予測部分のそれぞれに対する広がりに基づいて、それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定できる。

統計学的に定義されているように、ｚスコアは、特別な値が、平均から離れている標準偏差の数と等価である。クラスタリングモジュール１０は、まず、クラスタ化された境界予測部分と、境界予測の対応する境界予測部分を使用して、クラスタ化された境界予測部分を予測分布の平均とする、図４と５の予測分布などのような予測分布を作成することにより、それぞれのモデルに対するｚスコアを決定できる。この予測分布は、線に沿うドットプロットと同じくらいにシンプルであってよく、または、ベル曲線などのように、より複雑な分布であってよい。そして、クラスタリングモジュール１０は、予測分布に対する標準偏差を決定できる。標準偏差は、数学の典型的な規則に従って計算でき、または、標準偏差を計算するための典型的なアルゴリズムに対する独自の調整により計算できる。そして、クラスタリングモジュール１０は、境界予測の対応する境界予測部分のそれぞれに対するｚスコアを、それぞれの対応する境界予測部分が、クラスタ化された境界予測部分から離れている標準偏差の数として決定できる。

幾つかの例においては、モデルの１つ以上は、モデルの予測は、クラスタ化された境界予測の少なくともそのクラスタ化された境界予測部分に対してはエラーであることが明確であるという異常値のような結果を生成する可能性がある。実際には、クラスタリングモジュール１０は、第１境界予測の第１対応境界予測部分に対する広がりは、予測分布に対する偏差閾値を超えていると決定でき、ここにおいて、第１境界予測は、複数のモデルの第１モデルと関連付けられている。幾つかの例においては、偏差閾値は、ユーザが定義した閾値であってよく、その場合は、他の例は、デフォルトまたは予め定義された閾値を含むことができる。この決定をすることに応答して、クラスタリングモジュール１０は、第１モデルを除く複数のモデルからのすべての他のモデルを含むモデルのサブセットを生成するために、第１モデルを複数のモデルから除去できる（例えば、モデルのサブセットは、他の個々の分割結果の異常値でないクラスタ化された境界予測部分を含んでいる）。そして、クラスタリングモジュール１０は、エラーモデルが、アルゴリズムの結果を変えることを可能にさせず、モデルのサブセットのみを使用して、クラスタ化された境界予測の少なくともそれぞれのクラスタ化された境界予測部分を再計算できる。

クラスタリングモジュール１０は、入／出力構成要素６などのような表示装置上の表示のために、少なくとも全体の分割結果の、クラスタ化された境界予測の複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を含んでいる表現を出力できる。複数のクラスタ化された境界予測部分の各クラスタ化された境界予測部分は、それぞれのクラスタ化された境界予測部分に対する信頼レベルを示す、視覚的特徴、または、視覚指標を有している。視覚的特徴は、当の特別なクラスタ化された境界予測部分の信頼レベルを示すことができる任意のはっきりと区別している視覚的特徴であってよい。視覚的特徴の例としては、線の色、塗りパターン、線の太さ、線の分割、テキスト指標、グラフィカルアイコン、またはそれらの任意の組み合わせが含まれる。例えば、視覚的特徴が線の色を含んでいるときは、クラスタ化された境界予測のクラスタ化された境界予測部分に対する緑の指標は、クラスタ化された境界予測のそのクラスタ化された境界予測部分に対する高い信頼度を示すことができる。逆に、低い信頼レベルのクラスタ化された境界予測のクラスタ化された境界予測部分は、出力において赤として示すことができ、中間の信頼レベルのクラスタ化された境界予測の部分は、黄色として示すことができる。これは、色のスペクトルであってよく、信頼レベルが下がるにつれて、緑スペクトルから赤スペクトルに変化する。

図２は、血管１００の断面図の例を示している。血管１００の断面図は、典型的な全体の分割結果１１０と共に、多数の典型な個々の分割結果１０５Ａ～１０５Ｅを含んでいる。全体の分割結果１１０は、個々の分割結果１０５Ａ～１０５Ｅの１つ以上から形成できる。例えば、個々の分割結果１０５Ａ～１０５Ｅの１つ以上を、全体の分割結果１１０を形成するために統合できる。示されている例においては、全体の分割結果１１０は、個々の分割結果１０５Ａ～１０５Ｅのそれぞれから形成されている。示されている例は、５つの個々の分割結果１０５Ａ～１０５Ｅに関して記述されているが、他の数の個々の分割結果（例えば、６つ以上、または４つ以下）を、本開示の範囲内の他の例において使用できる。

図２において示されているように、血管１００の断面図は、血管内腔１２０を画定している血管壁１１５を含んでいる。複数の、独立した分割動作が、同じ画像データに対して実行される。この例においては、複数の、独立した分割動作が、血管１００の断面図に対応する画像データに対して実行される。示されている例においては、複数の、独立した分割動作（またはモデル）が、血管壁１１５と血管内腔１２０との間の界面または境界を識別／予測するために実行される。

複数の、独立した分割動作のそれぞれは、個々の分割結果という結果になり得る。示されている例においては、それぞれの独立した分割動作は、対応する個々の分割結果１０５Ａ～１０５Ｅを生成する。例えば、第１分割動作は、第１個々の分割結果１０５Ａを生成でき、第２分割動作は、第２個々の分割結果１０５Ｂを生成でき、第３分割動作は、第３個々の分割結果１０５Ｃを生成でき、第４分割動作は、第４個々の分割結果１０５Ｄを生成でき、第５分割動作は、第５個々の分割結果１０５Ｅを生成できる。各分割動作は異なっていることができる。例えば、示されている例においては、各分割動作は、血管壁１１５と血管内腔１２０との間の界面を識別するための異なる分割アルゴリズムであってよい。そして、異なる分割アルゴリズムのそれぞれを、血管１００の断面図に対応する同じ画像データに対して実行できる。従って、これらの異なる分割動作により生成される個々の分割結果１０５Ａ～１０５Ｅのそれぞれは、血管壁１１５と血管内腔１２０との間の界面を近似することにおいて、他の領域の位置と類似している位置の１つ以上の領域と、他の領域の位置とは実質的に異なる位置の１つ以上の領域を含むことができる。

図２において示されているように、血管１００の断面図は、１つ以上の領域１２５Ａ、１２５Ｂ、１２５Ｃを含むことができ、そこにおいては、個々の分割結果１０５Ａ～１０５Ｅは、類似の位置を、血管壁１１５と血管内腔１２０との間の界面として識別している。領域１２５Ａ、１２５Ｂ、および１２５Ｃにおいては、個々の分割結果１０５Ａ～１０５Ｅの２つ以上が全体的に重なっており、従って、類似の位置を、血管壁１１５と血管内腔１２０との間の界面として識別している。例えば、図２において示されているように、領域１２５Ａ、１２５Ｂ、および１２５Ｃのそれぞれにおいては、個々の分割結果１０５Ａ～１０５Ｅの２つ以上（例えば、それぞれ）は、互いの所定の範囲内であり、そのため、全体的に重なり、類似の位置を、血管壁１１５と血管内腔１２０との間の界面として識別していると考えられる。

また、図２において示されているように、血管１００の断面図は、１つ以上の領域１３０Ａ、１３０Ｂ、１３０Ｃを含むことができ、そこにおいては、個々の分割結果１０５Ａ～１０５Ｅは、実質的に異なる位置を、血管壁１１５と血管内腔１２０との間の界面として識別している。領域１３０Ａ、１３０Ｂ、および１３０Ｃにおいては、個々の分割結果１０５Ａ～１０５Ｅの２つ以上は、全体的に離れており、従って、実質的に異なる位置を、血管壁１１５と血管内腔１２０との間の界面として識別している。例えば、図２において示されているように、領域１３０Ａ、１３０Ｂ、および１３０Ｃのそれぞれにおいて、個々の分割結果１０５Ａ～１０５Ｅの２つ以上（例えば、それぞれ）は、互いの所定の範囲外であり、そのため、全体的に離れており、実質的に異なる位置を、血管壁１１５と血管内腔１２０との間の界面として識別していると考えられる。

注記したように、個々の分割結果１０５Ａ～１０５Ｅの２つ以上は、全体の分割結果１１０を形成するために使用できる。例えば、個々の分割結果１０５Ａ～１０５Ｅの２つ以上は、全体の分割結果１１０を形成するために統合できる。示されている例においては、個々の分割結果１０５Ａ～１０５Ｅを統合したものの中央値が、図２において示されている全体の分割結果１１０を形成するために使用された。幾つかの例においては、個々の分割結果１０５Ａ～１０５Ｅのそれぞれを、全体の分割結果１１０を形成するために使用できる。他の例においては、１つ以上の、異常値である個々の分割結果１０５Ａ～１０５Ｅを破棄でき、残りの個々の分割結果１０５Ａ～１０５Ｅを、全体の分割結果１１０を形成するために使用できる。例えば、１つの個々の分割結果が、所定の異常値閾値を超えて、他の個々の分割結果のそれぞれとは異る場合は、この個々の分割結果を、全体の分割結果１１０の情報における使用から除外できる。幾つかの例においては、個々の分割結果の部分が、所定の異常値閾値を超えて、他の個々の分割結果の対応する部分と異なるときは、個々の分割結果のこの部分を、全体の分割結果１１０の情報における使用から除外できる（例えば、全体の分割結果１１０の対応する部分が、他の個々の分割結果の対応する異常値でない部分から形成されるように）。

図３は、関連付けられている信頼レベルと共に提示されている、全体の分割結果１１０を含んでいる血管１００の断面図の例を示している。図３において示されているように、全体の分割結果１１０は、全体の分割結果１１０の位置におけるエラーの異なる確率が存在する、全体の分割結果１１０の領域における異なる指標を含むことにより、関連付けられている信頼レベルと共に提示されている。示されている例においては、全体の分割結果１１０の位置におけるエラーの異なる確率が存在する、全体の分割結果１１０の領域を伝えるために、視覚指標は、全体の分割結果１１０と関連付けられている。例えば、全体の分割結果１１０は、全体の分割結果１１０の位置におけるエラーの確率が相対的に低い、全体の分割結果１１０の部分と関連付けられている１つのタイプの視覚指標と、全体の分割結果１１０の位置におけるエラーの確率が相対的に高い、全体の分割結果１１０の部分と関連付けられている他の異なるタイプの視覚指標を含むことができる。

示されている例においては、全体の分割結果１１０の部分は、異なる指標２０５、２１０、および２１５を含んでいる。

指標２０５は、全体の分割結果１１０の位置におけるエラーの確率が相対的に低い、全体の分割結果１１０の部分と関連付けられている。全体の分割結果１１０の位置におけるエラーの確率が相対的に低いところでは、信頼レベルは相対的に高いと考えることができる。示されている例においては、全体の分割結果１１０の位置におけるエラーの確率が相対的に低く、そのため、指標２０５と関連付けられている全体の分割結果１１０部分は、個々の分割結果１０５Ａ～１０５Ｅが、類似の位置を、血管壁１１５と血管内腔１２０との間の界面として識別している領域１２５Ａ、１２５Ｂ、および１２５Ｃに対応している。

指標２１５は、全体の分割結果１１０の位置におけるエラーの確率が相対的に高い、全体の分割結果１１０の部分と関連付けられている。全体の分割結果１１０の位置におけるエラーの確率が相対的に高いところでは、信頼レベルは相対的に低いと考えることができる。示されている例においては、全体の分割結果１１０の位置におけるエラーの確率が相対的に高く、そのため、指標２１５と関連付けられている全体の分割結果１１０部分は、個々の分割結果１０５Ａ～１０５Ｅが、実質的に異なる位置を、血管壁１１５と血管内腔１２０との間の界面として識別している領域１３０Ａと１３０Ｃに対応している。

幾つかの例においては、指標２１０はまた、全体の分割結果１１０の位置におけるエラーの確率が相対的に中くらいの、全体の分割結果１１０の部分に含むことができ、それと関連付けることができる。全体の分割結果１１０の位置におけるエラーの確率が相対的に中くらいのところでは、信頼レベルは相対的に中くらいと考えることができる。例えば、指標２１０は、全体の分割結果１１０の位置におけるエラーの確率が、エラーの相対的に高い確率と相対的に低い確率の間を遷移する、全体の分割結果１１０の部分に含むことができ、それと関連付けることができる。示されている例においては、全体の分割結果１１０の位置におけるエラーの確率が相対的に中くらいで、そのため、指標２１０と関連付けられている全体の分割結果１１０の部分は、個々の分割結果１０５Ａ～１０５Ｅが、実質的に異なる位置を、血管壁１１５と血管内腔１２０との間の界面として識別することと、実質的に類似の位置を、血管壁１１５と血管内腔１２０との間の界面として識別することの間を遷移する、図２における領域に対応することができる。

注記したように、示されている例においては、指標２０５、２１０、２１５は、血管１００の断面図の表示されている画像上に提示されている視覚指標であることができる。示されているように、指標２０５、２１０、２１５は、全体の分割結果１１０を表わしている線上に位置させることができる。指標２０５、２１０、２１５は、異なる視覚的特徴を提示している異なる視覚指標であることができ、そのためユーザは、異なる信頼レベル（例えば、エラーの確率）と関連付けられている全体の分割結果１１０の部分を視覚的に区別できる。例えば、異なる視覚指標２０５、２１０、２１５は、それぞれ異なる色であることができる。例えば、視覚指標２０５、２１０、２１５は、視覚指標２０５は、色勾配の第１部分（例えば、色の全体的に緑色のスペクトル）で表示され、視覚指標２１０は、色勾配の第２の後続する部分（例えば、色の全体的に黄色のスぺクトル）で表示され、そして、視覚指標２１５は、色勾配の第３の後続する部分（例えば、色の全体的に赤色のスぺクトル）で表示されるように、色勾配の形状を取ることができる。他の例においては、視覚指標２０５、２１０、２１５は、全体の分割結果１１０を表わしている線における異なる線パターンの形状を取ることができる。例えば、異なる視覚指標２０５、２１０、２１５はそれぞれ、ユーザが異なる信頼レベル（例えば、エラーの確率）と関連付けられている全体の分割結果１１０の部分を視覚的に区別できるように、異なる点線パターンまたは、異なる実線および点線パターンの組み合わせであることができる。異なる視覚指標２０５、２１０、２１５は、他の視覚的特徴に関して異なっていることができる。

全体の分割結果１１０と関連付けられている信頼レベルを決定するために種々の技術を利用できる。下記に、全体の分割結果１１０と関連付けられている信頼レベルを決定するための１つの特別な例を記述する。全体の分割結果１１０と関連付けられている信頼レベルを決定するために、本開示の範囲内で、他の技術も利用できる。

１つの典型的な技術は、対応する個々の分割結果を得るために、複数の、異なる分割アルゴリズムを実行する。そして、クラスタリング測定基準が、これらの個々の分割結果に適用され、そしてクラスタリング測定基準は、特定の問題に特有な確率測定値に変換される。

この典型的な技術においては、クラスタを得るために、統合された予測の機能を活用できる。統合するとは、一般的には、同じデータ（例えば、血管の断面図に対応する画像データ）についての幾つかのモデルの結果（例えば、個々の分割結果）を集積することを意味している。集積されると、最終的な単一結果（例えば、全体の分割結果）を得るために測定基準が使用される。

この典型的な技術においては、結果を統合することにより、幾つかの可能な境界位置（例えば、個々の分割結果）を、最終的な計算された境界（例えば、全体の分割結果）と共に得ることができる。単一の境界または近くの境界の結果が多いほど、選択された境界が正しいという信頼度は高くなる。ほとんどの結果が異なる場合は、それらの境界は、画像データからは不明瞭であると結論することができ、そのため、対応する位置で正しい境界を選択する信頼度は低い。

典型的な技術の統合プロセスにおいては、画像分割信頼レベルは、すべてのアルゴリズムのコンセンサスからの各アルゴリズムの結果の広がりを測定することにより決定できる（例えば、全体の分割結果からの、個々の分割結果のそれぞれの広がりを測定することにより）。各アルゴリズムの結果を含む統計学的情報を測定する任意のタイプと、すべてのアルゴリズムの結果のコンセンサスを定義する任意のタイプを、信頼レベルを推定するために使用できる。

例えば、この典型的な技術においては、クラスタリングの測定値は、予測（例えば、個々の分割結果）の標準偏差を使用して決定できる。高い標準偏差は、低い信頼度と相関付けることができ、一方、低い標準偏差は、高い信頼度と相関付けることができる。幾つかの場合においては、単一の個々の分割結果からなどのような、異常値点、または複数の異常値点は、少数の低水準の予測のために結果を歪めることを回避するために除去できる。

この典型的な技術においては、予測（例えば、個々の分割結果）の標準偏差が決定されると、標準偏差は、信頼度測定値に変換できる。例えば、そうするために、範囲を画定するための最小標準偏差と最大標準偏差を経験的に決定できる。例えば、１未満の標準偏差は完全な予測と考えることができ、１０を超える標準偏差は、全くの推測に過ぎないと考えることができる。最小標準偏差と最大標準偏差で範囲を画定した後、決定された標準偏差は、エラーの確率を提供するために正規化できる。エラー値のこの確率の逆数は、正しい最終的な計算された境界（例えば、全体の分割結果）に対する信頼レベルと考えることができる。

そのような技術は、個々の予測（例えば、個々の分割結果）をグラウンドトゥルースと比較することなく（例えば、画像データにおける２つのアイテム間の実際の境界と比較することなく）分割結果（例えば、全体の分割結果）の信頼度を決定することを可能にできるので有用であり得る。本開示はこの技術を、典型的な血管内撮像の適用において記述しているが、本開示は、他の撮像の適用に適用できる。これらの他の撮像の適用としては、例えば、磁気共鳴映像法（ＭＲＩ）画像データ、コンピュータ断層撮影（ＣＴ）画像データ、可視光画像データ、および熱画像データを含むことができる。

図４と５は、個々の分割結果のクラスタリングを使用して信頼レベルを決定する方法の例の模式図を示している。図４における模式図は、特別な値の周りの相対的に強いクラスタリングを例示しており、一方、図５における模式図は、何れの特別な値の周りにも強いクラスタリングがない、より広い分布を例示している。図４と５において示されている例においては、方法は、２に位置している値を予測すること試みており、図４と５においてプロットされている各点は、統合されたものからの、独立している予測（例えば、個々の分割結果）を表わしている。

図４において示されているように、ほとんどの予測（例えば、個々の分割結果）は相対的に正確であるが、ほぼ５の値において示されている単一の予測は、それが、他の予測の何れよりも２の値から遠く離れているので相対的に不正確である。従って、図４の例においては、２の値の周りに相対的に強いクラスタリングがある。１つの例においては、ほぼ５の値において示されている単一の予測は、それが、他の予測からの所定の範囲から外れているので異常値と考えることができ、更なる使用から除外できる。図４は、統合の後、最終値（例えば、全体の分割結果）の予測における相対的に高い信頼レベルがあることを示しているように視覚的に見える。

図５において示されているように、個々の予測（例えば、個々の分割結果）は相対的に広がっており、そのため、いずれの単一の予測における信頼レベルは相対的に低い。この例においては、特別な値の周りの強いクラスタリングは存在しない。そのため、統合の後、ここにおいて示されている個々の予測と関連付けられている相対的に低い信頼値があると決定できる。

図４と５において示されている例において示されているように、予測クラスタリングを評価することは、グラウンドトゥルースの存在なしで（例えば、これらの例においては、真の値が２であることを知らずに）、予測の信頼レベルとの強い相関を有することができる。予測クラスタリングは、ここにおいて何れかの箇所で記述されているような標準偏差などのような、任意の一般的なクラスタリング測定基準を使用して評価できる。

クラスタリング測定基準を信頼レベルに変えるために、マッピングを、クラスタリング測定基準と確率との間で決定できる。多くの例においては、クラスタリング測定基準とエラーとの間の関係は、特別な適用に対して適切なものとして体系的に推定できる。標準偏差の例を使用すると、適切な標準偏差を、ほとんどのクラスタリングエラーを説明するために実験的に選択できる。そのような関係を確立した後、種々の適用に適切なようにマッピングを近似できる。例えば、１つの例としてのマッピングは、ここにおいて前記に詳述されているように、最大容認可能標準偏差を実験的に決定した後の単純な正規化測定基準であることができる。そのようなマッピングは、特定の適用に適用可能であれば、非線形にすることができる。

図６は、ここにおいて記述されている技術の１つ以上に従う、画像内の対象物のクラスタ化された境界を予測する例としてのプロセスを示しているフロー図である。図６の動作は、図１の計算装置２などのような計算装置の１つ以上のプロセッサにより実行できる。例示のみの目的のために、図６を、図１の計算装置２の状況内において下記に記述する。

本開示の技術に従って、計算装置２は、対象物の断面図を備えている画像を受信する（６０２）。複数のモデルのそれぞれに対して、計算装置２は、それぞれのモデルを使用して、画像内の対象物に対する境界予測を生成する（６０４）。複数のモデルの各モデルは、固有のモデルである。更に、各境界予測は、複数の境界予測部分を有している。計算装置２は、複数のモデルの各モデルに対する境界予測に基づいて、画像内の対象物に対するクラスタ化された境界予測を生成する。クラスタ化された境界予測は、それぞれが、境界予測のそれぞれの、複数の境界予測部分の１つに対応している複数のクラスタ化された境界予測部分を含んでいる。複数のクラスタ化された境界予測部分のそれぞれに対して、計算装置２は、それぞれのクラスタ化された境界予測部分と、境界予測の対応する境界予測部分との間の比較に基づいて、それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定する（６０８）。計算装置２は、表示装置上の表示のために、複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を出力する（６１０）。各クラスタ化された境界予測部分は、それぞれのクラスタ化された境界予測部分に対する信頼レベルを示す視覚的特徴を有している。

例によっては、ここにおいて記述されている技術の任意のある動作または事象は、異なるシーケンスにおいて実行でき、追加でき、融合でき、または、まとめて省略することができるということは認識すべきである（例えば、記述されている動作または事象のすべてが技術の実践のために必要というわけではない）。更に、ある例においては、動作または事象は、連続にではなく、例えば、マルチスレッド処理、インタラプト処理、またはマルチプロセッサを通して同時に実行できる。

１つ以上の例においては、記述されている機能は、ハードウェア、ソフトウェア、ファームウェアまたはそれらの任意の組み合わせにおいて実現できる。ソフトウェアで実現される場合は、機能は、１つ以上の命令またはコードとして、コンピュータ読み取り可能媒体に格納でき、または、コンピュータ読み取り可能媒体上で送信でき、ハードウェアに基づく処理ユニットにより実行できる。コンピュータ読み取り可能媒体は、データ格納媒体などのような実体的媒体に対応するコンピュータ読み取り可能格納媒体、または、例えば、通信プロトコルに従って、１つの場所から他の場所へのコンピュータプログラムの転送を容易にする任意の媒体を含んでいる通信媒体を含むことができる。このようにして、コンピュータ読み取り可能媒体は、一般的に、（１）非一時的な実体的コンピュータ読み取り可能格納媒体、または（２）信号または搬送波などのような通信媒体に対応することができる。データ格納媒体は、本開示において記述されている技術を実現するための命令、コード、および／またはデータ構造を取り出すために、１つ以上のコンピュータまたは１つ以上のプロセッサによりアクセスできる任意の利用可能な媒体であることができる。コンピュータプログラム製品は、コンピュータ読み取り可能媒体を含むことができる。

例として、制限的にではなく、そのようなコンピュータ読み取り可能格納媒体には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＣＤ－ＲＯＭ、または他の光ディスク格納装置、磁気ディスク格納装置、または、他の磁気格納構成要素、フラッシュメモリ、または、所望のプログラムコードを、命令またはデータ構造の形状で格納するために使用でき、コンピュータによりアクセスできる任意の他の媒体を含むことができる。また、任意の接続は、コンピュータ読み取り可能媒体と適切に称することができる。例えば、命令が、同軸ケーブル、光ファイバーケーブル、ツイストペア、デジタル加入者線（ＤＳＬ）、または、赤外線、無線、およびマイク波などのような無線技術を使用して、ウェブサイト、サーバ、または他のリモートソースから送信される場合、同軸ケーブル、光ファイバーケーブル、ツイストペア、ＤＳＬ、または、赤外線、無線、およびマイク波などのような無線技術は、媒体の定義に含まれる。しかし、コンピュータ読み取り可能格納媒体およびデータ格納媒体には、接続、搬送波、信号、または他の一時的媒体は含まれず、コンピュータ読み取り可能格納媒体は、非一時的で、実体的な格納媒体を指しているということは理解されるべきである。ここにおいて使用されているように、ディスク（ｄｉｓｋ）とディスク（ｄｉｓｃ）には、コンパクトディスク（ＣＤ）、レーザーディスク（登録商標）、光ディスク、デジタル多目的ディスク（ＤＶＤ）、フロッピーディスク、およびブルーレイ（登録商標）ディスクが含まれ、ディスク（ｄｉｓｋ）は普通、データを磁気的に再生し、ディスク（ｄｉｓｃ）は、データをレーザーにより光学的に再生する。上記の組み合わせもまた、コンピュータ読み取り可能媒体の範囲内に含めるべきである。

命令は、１つ以上のデジタル信号プロセッサ（ＤＳＰ）、汎用マイクロプロセッサ、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）、または他の等価な集積または離散ロジック回路などのような１つ以上のプロセッサにより実行できる。従って、ここにおいて使用されているような「プロセッサ」という用語は、前述の構造の何れも、またはここにおいて記述されている技術の実現のために適切な任意の他の構造を指すことができる。加えて、幾つかの態様においては、ここにおいて記述されている機能は、符号化および復号化のために、または、組み合わされているコーデック（符号器／復号器）における組み込みのために構成されている専用のハードウェアおよび／またはソフトウェアモジュール内に設けることができる。また、技術は、１つ以上の回路またはロジック要素において完全に実現できる。

本開示の技術は、無線ハンドセット、集積回路（ＩＣ）、またはＩＣのセット（例えば、チップセット）を含む、広く、多様なデバイスまたは装置において実現できる。種々の構成要素、モジュール、またはユニットは、本開示においては、開示されている技術を実行するように構成されている装置の機能的な態様を強調するために記述されているが、異なるハードウェアユニットによる現実化を必ずしも要求しない。もっと正確に言えば、上記のように、種々のユニットを、コーデックハードウェアユニットにおいて組み合わせることができ、または、上記のように、適切なソフトウェアおよび／またはファームウェアとの連携における１つ以上のプロセッサを含む、相互動作的ハードウェアユニットの集合により提供できる。

種々の例が、ある開示されている例に関して記述されてきた。例は、例示の目的のために提示されているのであり、制限的ではない。当業者は、発明の範囲から逸脱することなく、種々の変更、適合、および修正ができるということを認識するであろう。

Claims (20)

1. 方法であって、
   プロセッサにより、対象物の断面図を備えている画像を受信することと、
   複数のモデルのそれぞれに対して、前記プロセッサにより、および、前記それぞれのモデルを使用して、前記画像内の前記対象物に対する境界予測を生成することと、ここにおいて各境界予測は、複数の境界予測部分を備えており、前記複数のモデルの各モデルは、固有のモデルを備えており、
   前記プロセッサにより、および、前記複数のモデルの各モデルに対する前記境界予測に基づいて、前記画像内の前記対象物に対するクラスタ化された境界予測を生成すること、ここにおいて、前記クラスタ化された境界予測は、それぞれが、前記境界予測のそれぞれの前記複数の境界予測部分の１つに対応している、複数のクラスタ化された境界予測部分を備えており、
   前記複数のクラスタ化された境界予測部分のそれぞれに対して、前記プロセッサにより、および、前記それぞれのクラスタ化された境界予測部分と、前記境界予測の前記対応する境界予測部分との間の比較に基づいて、前記それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定することと、
   前記プロセッサにより、および、表示装置上の表示のために、それぞれが、前記それぞれのクラスタ化された境界予測部分に対する前記信頼レベルを示す視覚的特徴を有している前記複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を出力することを備えていることを特徴とする方法。
2. 前記複数のモデルは、機械学習モデル、ディープラーニングモデル、パターン認識モデル、コンピュータビジョンモデル、および、パラメータ修正モデルの１つ以上を含んでいることを特徴とする請求項１の方法。
3. 前記信頼レベルを決定することは、
   前記複数のモデルのそれぞれに対して、前記プロセッサにより、および、前記それぞれのクラスタ化された境界予測部分と、前記境界予測の前記対応する境界予測部分との間の比較に基づいて、前記それぞれのモデルに対する広がりを決定することと、
   前記プロセッサにより、および、前記境界予測の前記対応する境界予測部分のそれぞれに対する前記広がりに基づいて、前記それぞれのクラスタ化された境界予測部分に対する前記信頼レベルを決定することを備えていることを特徴とする請求項１の方法。
4. 前記境界予測の前記対応する境界予測部分のそれぞれに対する前記広がりを決定することは、
   前記プロセッサにより、および、前記クラスタ化された境界予測部分と、前記境界予測の前記対応する境界予測部分のそれぞれを使用して、前記クラスタ化された境界予測部分を予測分布の平均とする前記予測分布を作成することと、
   前記プロセッサにより、前記境界予測の前記対応する境界予測部分のそれぞれに対する標準偏差を決定することと、
   前記プロセッサにより、前記境界予測の前記対応する境界予測部分のそれぞれに対するｚスコアを、前記それぞれの対応する境界予測部分が、前記クラスタ化された境界予測から離れている標準偏差の数として決定することを備えていることを特徴とする請求項３の方法。
5. 前記プロセッサにより、第１境界予測の第１対応する境界予測部分に対する前記広がりは、前記予測分布に対する偏差閾値を超えていると決定することと、ここにおいて、前記第１境界予測は、前記複数のモデルの第１モデルと関連付けられており、
   前記プロセッサにより、モデルのサブセットを生成するために、前記第１モデルを前記複数のモデルから除去することと、
   前記プロセッサにより、前記モデルのサブセットのみを使用して、少なくとも前記それぞれのクラスタ化された境界予測部分を再計算することを更に備えていることを特徴とする請求項３の方法。
6. 前記偏差閾値は、ユーザにより定義された閾値またはデフォルト閾値の１つ備えていることを特徴とする請求項５の方法。
7. 前記視覚的特徴は、線の色、塗りパターン、線の太さ、線の分割、テキスト指標、またはグラフィックアイコンの１つ以上を備えていることを特徴とする請求項１の方法。
8. 前記複数のモデルのそれぞれに対して、前記プロセッサにより、前記それぞれのモデルに対する重みを決定することと、
   前記プロセッサにより、および、前記境界予測の前記対応する境界予測部分と、前記複数のモデルの各モデルに対する前記重みに基づいて、前記クラスタ化された境界予測を、前記画像内の前記対象物に対する重み付けされたクラスタ化された境界予測として生成することを更に備えていることを特徴とする請求項１の方法。
9. 前記複数のモデルは、３つ以上の別個のモデルを備えていることを特徴とする請求項１の方法。
10. 計算装置であって、
    少なくとも１つのプロセッサと、
    格納構成要素とを備え、前記格納構成要素は命令を格納するように構成されており、前記命令は、
    対象物の断面図を備えている画像を受信し、
    複数のモデルのそれぞれに対して、前記それぞれのモデルを使用して、前記画像内の前記対象物に対する境界予測を生成し、ここにおいて各境界予測は、複数の境界予測部分を備えており、前記複数のモデルの各モデルは、固有のモデルを備えており、
    前記複数のモデルの各モデルに対する前記境界予測に基づいて、前記画像内の前記対象物に対するクラスタ化された境界予測を生成し、ここにおいて、前記クラスタ化された境界予測は、それぞれが、前記境界予測のそれぞれの前記複数の境界予測部分の１つに対応している、複数のクラスタ化された境界予測部分を備えており、
    前記複数のクラスタ化された境界予測部分のそれぞれに対して、前記それぞれのクラスタ化された境界予測部分と、前記境界予測の前記対応する境界予測部分との間の比較に基づいて、前記それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定し、
    表示装置上の表示のために、それぞれが、前記それぞれのクラスタ化された境界予測部分に対する前記信頼レベルを示す視覚的特徴を有している前記複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を出力するために、前記少なくとも１つのプロセッサにより実行可能であることを特徴とする計算装置。
11. 前記複数のモデルは、機械学習モデル、ディープラーニングモデル、パターン認識モデル、コンピュータビジョンモデル、および、パラメータ修正モデルの１つ以上を含んでいることを特徴とする請求項１０の計算装置。
12. 前記信頼レベルを決定するために、前記１つ以上のプロセッサにより実行可能な前記命令は、
    前記複数のモデルのそれぞれに対して、前記それぞれのクラスタ化された境界予測部分と、前記境界予測の前記対応する境界予測部分との間の比較に基づいて、前記それぞれのモデルに対する広がりを決定し、
    前記境界予測の前記対応する境界予測部分のそれぞれに対する前記広がりに基づいて、前記それぞれのクラスタ化された境界予測部分に対する前記信頼レベルを決定するために、前記１つ以上のプロセッサにより実行可能な命令を備えていることを特徴とする請求項１０の計算装置。
13. 前記境界予測の前記対応する境界予測部分のそれぞれに対する前記広がりを決定するために、前記１つ以上のプロセッサにより実行可能な前記命令は、
    前記クラスタ化された境界予測部分と、前記境界予測の前記対応する境界予測部分のそれぞれを使用して、前記クラスタ化された境界予測部分を予測分布の平均とする前記予測分布を作成し、
    前記境界予測の前記対応する境界予測部分のそれぞれに対する標準偏差を決定し、
    前記境界予測の前記対応する境界予測部分のそれぞれに対するｚスコアを、前記それぞれの対応する境界予測部分が、前記クラスタ化された境界予測部分から離れている標準偏差の数として決定するために、前記１つ以上のプロセッサにより実行可能な命令を備えていることを特徴とする請求項１２の計算装置。
14. 前記命令は更に、
    第１境界予測の第１対応する境界予測部分に対する前記広がりは、前記予測分布に対する偏差閾値を超えていると決定し、ここにおいて、前記第１境界予測は、前記複数のモデルの第１モデルと関連付けられており、
    モデルのサブセットを生成するために、前記第１モデルを前記複数のモデルから除去し、
    前記モデルのサブセットのみを使用して、少なくとも前記それぞれのクラスタ化された境界予測部分を再計算するために、前記１つ以上のプロセッサにより実行可能であることを特徴とする請求項１２の計算装置。
15. 前記偏差閾値は、ユーザにより定義された閾値またはデフォルト閾値の１つ備えていることを特徴とする請求項１４の計算装置。
16. 前記視覚的特徴は、線の色、塗りパターン、線の太さ、線の分割、テキスト指標、またはグラフィックアイコンの１つ以上を備えていることを特徴とする請求項１０の計算装置。
17. 前記命令は更に、
    前記複数のモデルのそれぞれに対して、前記それぞれのモデルに対する重みを決定し、
    前記境界予測の前記対応する境界予測部分と、前記複数のモデルの各モデルに対する前記重みに基づいて、前記クラスタ化された境界予測を、前記画像内の前記対象物に対する重み付けされたクラスタ化された境界予測として生成するために、前記１つ以上のプロセッサにより実行可能であることを特徴とする請求項１０の計算装置。
18. 前記複数のモデルは、３つ以上の別個のモデルを備えていることを特徴とする請求項１０の計算装置。
19. 前記画像を取り込むように構成されているカメラを更に備えていることを特徴とする請求項１０の計算装置。
20. 命令を格納している非一時的コンピュータ読み取り可能格納媒体であって、前記命令は実行されると、計算装置の１つ以上のプロセッサに、
    対象物の断面図を備えている画像を受信させ、
    複数のモデルのそれぞれに対して、前記それぞれのモデルを使用して、前記画像内の前記対象物に対する境界予測を生成させ、ここにおいて各境界予測は、複数の境界予測部分を備えており、前記複数のモデルの各モデルは、固有のモデルを備えており、
    前記複数のモデルの各モデルに対する前記境界予測に基づいて、前記画像内の前記対象物に対するクラスタ化された境界予測を生成させ、ここにおいて、前記クラスタ化された境界予測は、それぞれが、前記境界予測のそれぞれの前記複数の境界予測部分の１つに対応している、複数のクラスタ化された境界予測部分を備えており、
    前記複数のクラスタ化された境界予測部分のそれぞれに対して、前記それぞれのクラスタ化された境界予測部分と、前記境界予測の前記対応する境界予測部分との間の比較に基づいて、前記それぞれのクラスタ化された境界予測部分に対する信頼レベルを決定させ、
    表示装置上の表示のために、それぞれが、前記それぞれのクラスタ化された境界予測部分に対する前記信頼レベルを示す視覚的特徴を有している前記複数のクラスタ化された境界予測部分のそれぞれに対するグラフィック指標を出力させることを特徴とする非一時的コンピュータ読み取り可能格納媒体。

Images