JP2023033639A - 情報処理装置、情報処理方法およびプログラム - Google Patents
情報処理装置、情報処理方法およびプログラム Download PDFInfo
- Publication number
- JP2023033639A JP2023033639A JP2023009355A JP2023009355A JP2023033639A JP 2023033639 A JP2023033639 A JP 2023033639A JP 2023009355 A JP2023009355 A JP 2023009355A JP 2023009355 A JP2023009355 A JP 2023009355A JP 2023033639 A JP2023033639 A JP 2023033639A
- Authority
- JP
- Japan
- Prior art keywords
- image
- change
- density value
- amount
- target region
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 88
- 238000003672 processing method Methods 0.000 title claims description 6
- 230000008859 change Effects 0.000 claims abstract description 133
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 239000000284 extract Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 description 15
- 210000000988 bone and bone Anatomy 0.000 description 12
- 210000004072 lung Anatomy 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 239000002872 contrast media Substances 0.000 description 7
- 210000004185 liver Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G06T11/00—2D [Two Dimensional] image generation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Image Analysis (AREA)
Abstract
Description
第一の実施形態に係る情報処理装置は、教示データに含まれる夫々の学習画像を、撮影されている物体の特性や撮像条件等により濃度値が変わりうる領域と、撮影されている物体の特性や撮像条件等により濃度値が凡そ変わらない領域という2つの領域に分割する。そして、画像の濃度値が変わりうる領域に属する画素の濃度値を、所定の方法(後述)で変更(増減)する。一方、濃度値が凡そ変わらない領域に属する画素の濃度値は変更しない。このような方法で、教示データに元々含まれていたそれぞれの学習画像(以下では元画像と記述する)から、新たな学習画像を生成する。新しく生成された学習画像はそれぞれ、元の学習画像(元画像)に対応付けられた正解データとの間で一つの組として対応付けられる。この新しく生成された学習画像と正解データの組は、教示データに加えられる。最後に、新たに構築された教示データを使って、識別器の学習を行う。
ステップS310において、取得部101は、記憶装置70から教示データ(元画像とそれに対応する正解データの組)を取得する。すなわち、取得部101は、画像を取得する取得部の一例に相当する。U-Netの学習には複数枚の画像が必要である。本実施形態では、記憶装置70が例えば1000枚の元画像を保持しているものとし、取得部101は1000枚の元画像とそれらに対応する正解データを取得する。
ステップS320において、抽出部102は、ステップS310で取得した教示データにおける夫々の元画像に対して、濃度値を変更する対象領域を抽出する。本実施形態においては、濃度値を変更する対象領域として空気以外の領域を抽出する。すなわち、画像に含まれる一部の領域を対象領域として抽出する。X線CT装置で撮像された3次元断層画像は、空気の濃度値が凡そ一定の値(-1000HU付近)になる。そのため、本実施形態ではしきい値処理法で空気以外の領域を抽出する。具体的には、抽出部102が-550HU以上を空気以外の領域として抽出し、濃度値を変更する対象領域を表すマスク画像を作成する。また、上記の方法で抽出した領域に対して、オープニング処理やクロージング処理を施したり、最大連結領域以外を削除する処理を施したりして、小さな孤立領域を削除しても良い。なお、上記のしきい値は一例であり、空気以外の領域を抽出できる値であればよい。
ステップS330において、決定部103は、ステップS310で取得した夫々の元画像と、当該元画像に対してステップS320で抽出した対象領域421のマスク画像とに基づいて、対象領域421における元画像の濃度値を決定する。すなわち、決定部103は、画像に含まれる画素の濃度値の変化量を決定する決定部の一例に相当する。
ステップS340において、生成部104は、ステップS310で取得した夫々の元画像と、当該元画像に対してステップS320で抽出した濃度値を変更する対象領域のマスク画像420と、当該元画像に対してステップS330で決定した濃度値の変化量とに基づき、新たな学習画像430を生成する。すなわち、生成部104は、決定された濃度値の変化量に基づいて濃度値を変更する対象領域421の濃度値を変更した学習画像430を生成する。より具体的には、例えば、決定部103により決定された濃度値の変化量に基づいて濃度値を変更する対象領域421に含まれる画素の濃度値を一律に変更し、かつ対象領域以外の領域422に含まれる画素の濃度値を変更せずに学習画像430を生成する。
ステップS350において、学習部105は、ステップS340で生成した学習画像430と、ステップS310で取得した元画像と正解データとに基づいてU-Netを学習させる。そして、学習の結果(識別器のパラメータ)を記憶装置70に出力する。
本実施形態では、識別器による領域抽出の対象となる領域(上述の説明では肺野領域)と、濃度値を変更する対象領域(上述の説明では肺野領域を除く人体領域)、濃度値を変更しない領域(上述の説明では空気領域)の3つの領域が、互いに重ならない例を説明した。
第一の実施形態にかかる情報処理装置では、対象領域の濃度値を予め定めた所定の値で増減して画像を生成する方法について説明した。しかしながら、予め定めた所定の値で対象領域の濃度値を変更すると、実際の画像では起こり得ない濃度値を有する学習画像が生成されてしまう可能性がある。
ステップS710~ステップS720の処理は、第一の実施形態におけるステップS310~S320と基本的には同一の処理であるため、説明を省略する。
ステップS730において、決定部603は、ステップS710で取得した夫々の元画像と、当該元画像に対してステップS720で抽出した対象領域421のマスク画像とに基づいて、対象領域における元画像の濃度値を分析する。そして、その結果に基づいて、夫々の元画像から学習画像を生成する処理に用いる濃度値の変化量を決定する。具体的な決定方法の一例としては、対象領域における元画像の平均濃度値を算出し、その値に基づいて濃度値の変化量を決定する。例えば、事前に用意した図8に示すような平均濃度値と濃度値の変化量の対応表を参照して、濃度値の変化量cを決定する。例えば、対象領域の平均濃度値mが+17であった場合、濃度値の変化量cとして、-40、-30、-20、-10、+10、+20といった6つの値を決定する。図8に示すような対応表は、医師やエンジニアなどが決定した適当な値で作成したものでも良いし、統計的な情報から作成したものであっても良い。
ステップS740において、生成部604は、ステップS710で取得した夫々の元画像と、当該元画像に対してステップS720で抽出した対象領域のマスク画像と、当該元画像に対してステップS730で決定した濃度値の変化量とに基づき、新たな学習画像を生成する。具体的には、第一の実施形態におけるステップS340の処理と同様に、対象領域の各画素の濃度値を数1に従って変更する。
ステップS750の処理は、第一の実施形態におけるステップS350と基本的には同一の処理であるため、説明を省略する。
上記の実施例では、対象領域における元画像の濃度値に基づいて濃度値の変化量を決定する方法の一例として、対象領域の濃度値の平均値を用いる方法を説明した。しかし、対象領域における元画像の濃度値に基づいて濃度値の変化量を決定する方法はこれに限らない。例えば、対象領域の濃度値の他の統計値(例えば、メディアン値、分散値、最大値、最小値など)を用いてもよい。例えばメディアン値を用いることで、ノイズへのロバスト性を向上できる。いずれの場合においても、図8と同様に、事前に用意した統計値と変化量との対応表に基づいて、変化量を決定できる。また、対応表を用いる方法以外にも、統計値を入力して変化量を出力する任意の関数によって同様の機能を実現できる。また、統計値は、対象領域全体の濃度値の統計値ではなく、対象領域の一部の領域の濃度値の統計値であってもよい。例えば、元画像である3次元画像を構成する2次元断層画像(スライス画像)群から何枚かのスライス画像を所定の間隔やランダムに選択して、選択したスライス画像における対象領域の濃度値の統計値を用いるようにしてもよい。これによると、ステップS730の処理時間を削減することができる。
第三の実施形態では、画像の付帯情報をもとに濃度値の変化量を決定し、濃度値の変化量に基づいて新たな学習画像を生成する方法について説明する。本実施形態では、濃度値の変化量を決定するために、医用画像の付帯情報の一般的な規格であるDICOM(Digital Imaging and Communications in Medicine)のヘッダ情報内の管電圧に関する情報を用いる。
ステップS1010において、取得部901は、第一の実施形態におけるステップS310の処理に加え、教示データに含まれる夫々の元画像の付帯情報を取得し、これを決定部903に送信する。
ステップS1020の処理は、第一の実施形態におけるステップS320と基本的には同一の処理であるため、説明を省略する。
ステップS1030において、決定部903は、ステップS1010で取得した夫々の元画像の付帯情報に基づいて、夫々の元画像から学習画像を生成する処理に用いる濃度値の変化量を決定する。本実施形態では、濃度値の変化量を決定する際に、DICOMヘッダ内の管電圧の情報を利用する場合を例に説明する。具体的には、第二の実施形態におけるステップS730と同様に、事前に用意した管電圧と濃度値の変化量の対応表を参照して、管電圧に対応する濃度値の変化量を決定する。
ステップS1040の処理は、第二の実施形態におけるステップS740と基本的には同一の処理であるため、説明を省略する。
ステップS1050の処理は、第一の実施形態におけるステップS350と基本的には同一の処理であるため、説明を省略する。
第一実施形態から第三の実施形態では、元画像の一部を対象領域として抽出し濃度値を変更することで、新たな学習画像を生成する方法を説明した。しかしながら、撮像時の条件によっては、画像全体の濃度値が変化するだけでなく、物体間のコントラストが変化したり、物体間の濃度値の高低が逆転したりすることがある。例えば、X線CT装置で撮像された3次元断層画像においては、患者に造影剤を投与したときの時相の変化がこの事象に該当する。また、第三の実施形態で取り上げた管電圧に関しても、物体間のコントラストが多少変動する。
ステップS1210の処理は、第一の実施形態におけるステップS310と基本的には同一の処理であるため、説明を省略する。
ステップS1220において、抽出部1102は、ステップS1210で取得した画像から、濃度値を変更する対象領域として、骨と空気・骨以外の2領域を抽出して2つのマスク画像を作成する。具体的には、しきい値処理法により、+600HU以上を骨領域、-550以上~+600HU未満を空気・骨以外の領域として抽出する。このとき、第一の実施形態におけるステップS320と同様に、抽出した領域に対して小さな孤立領域を削除する処理を加えても良い。
ステップS1230において、決定部1103は、ステップS1210で取得した元画像と、ステップS1220で抽出した複数の対象領域のマスク画像とに基づいて、各々の対象領域に対応する濃度値の変化量を決定する。具体的には、第二の実施形態におけるステップS730と同様に、対象領域(骨、空気・骨以外)と濃度値の変化量の対応表を参照して、各々の領域に対応する濃度値の変化量を決定する。
ステップS1240において、生成部1104は、ステップS1210で取得した元画像と、ステップS1220で抽出した複数の対象領域のマスク画像と、ステップS1230で決定した各々の対象領域に対応する濃度値の変化量とに基づき、新たな学習画像を生成する。具体的には、すべての対象領域の各画素の濃度値を数1に従って変更する。このとき、濃度値の変化量cとして、ステップS1230で決定した各々の対象領域に対応する値を用いる。
ステップS1250の処理は、第一の実施形態におけるステップS350と基本的には同一の処理であるため、説明を省略する。
本明細書の開示は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
101 取得部
102 抽出部
103 決定部
104 生成部
105 学習部
Claims (16)
- 画像を取得する取得部と、
前記画像に含まれる一部の領域を対象領域として抽出する抽出部と、
前記対象領域に含まれる画素の濃度値の変化量の絶対値が前記対象領域以外の領域に含まれる画素の濃度値の変化量の絶対値に比べて大きくなるように前記対象領域に含まれる画素の濃度値の変化量を決定する決定部と、
前記決定部が決定した変化量に基づいて前記対象領域に含まれる画素の濃度値を変更した学習画像を生成する生成部と、
前記学習画像を用いて識別器の学習を行う学習部と、
を備えることを特徴とする情報処理装置。 - 前記決定部は、前記対象領域に含まれる画素の濃度値の変化量と、前記対象領域以外の領域に含まれる画素の濃度値の変化量のうち、少なくとも前記対象領域に含まれる画素の濃度値の変化量を決定することを特徴とする請求項1に記載の情報処理装置。
- 前記生成部は、前記決定部により決定された濃度値の変化量に基づいて前記対象領域に含まれる画素の濃度値を変更し、かつ前記対象領域以外の領域に含まれる画素の濃度値を変更せずに学習画像を生成することを特徴とする請求項1または2に記載の情報処理装置。
- 前記決定部は、前記対象領域に含まれる画素の濃度値の変化量及び前記対象領域以外の領域に含まれる画素の濃度値の変化量を決定することを特徴とする請求項1乃至3のいずれか1項に記載の情報処理装置。
- 前記決定部は、前記対象領域に含まれる画素夫々の濃度値に基づいて、前記対象領域に含まれる画素夫々の濃度値の変化量を決定することを特徴とする請求項1乃至4のいずれか1項に記載の情報処理装置。
- 前記決定部は、前記対象領域に含まれる2つ以上の画素の濃度値に基づいて、前記対象領域に含まれる画素の濃度値の変化量を決定することを特徴とする請求項1乃至4のいずれか1項に記載の情報処理装置。
- 前記決定部は、前記対象領域に含まれる統計値に基づいて、前記対象領域に含まれる画素の濃度値の変化量を決定することを特徴とする請求項1乃至6のいずれか1項に記載の情報処理装置。
- 前記統計値は、前記対象領域に含まれる画素の平均濃度値であることを特徴とする請求項7に記載の情報処理装置。
- 前記決定部は、前記画像の付帯情報に基づき、前記対象領域に含まれる画素の濃度値の変化量を決定することを特徴とする請求項1乃至8のいずれか1項に記載の情報処理装置。
- 前記決定部は、前記対象領域に含まれる画素の濃度値の変化量の上限値と下限値の少なくとも一方をさらに決定し、前記上限値もしくは前記下限値を超えない値の中から前記対象領域に含まれる画素の濃度値の変化量を決定することを特徴とする請求項1乃至9のいずれか1項に記載の情報処理装置。
- 前記抽出部は、前記対象領域を2つ以上抽出することを特徴とする請求項1乃至10のいずれか1項に記載の情報処理装置。
- 前記画像は医用画像であることを特徴とする請求項1乃至11のいずれか1項に記載の情報処理装置。
- 前記抽出部は前記医用画像に含まれる空気以外の領域を対象領域として抽出することを特徴とする請求項12に記載の情報処理装置。
- 画像を取得する取得部と、
前記画像に含まれる一部の領域を対象領域として抽出する抽出部と、
前記対象領域に含まれる画素の濃度値の変化量を決定する決定部と、
前記決定部により決定された濃度値の変化量に基づいて前記対象領域に含まれる画素の濃度値を一律に変更し、かつ前記対象領域以外の領域に含まれる画素の濃度値を変更せずに学習画像を生成する生成部と、
前記学習画像を用いて識別器の学習を行う学習部と、
を備えることを特徴とする情報処理装置。 - 画像を取得する取得工程と、
前記画像に含まれる一部の領域を対象領域として抽出する抽出工程と、
前記対象領域以外の領域に含まれる画素の濃度値の変化量に比べて大きくなるように決定された前記対象領域に含まれる画素の濃度値の変化量に基づいて前記対象領域に含まれる画素の濃度値を変更した学習画像を生成する生成工程と、
前記学習画像を用いて識別器の学習を行う学習工程と、
を備えることを特徴とする情報処理方法。 - 請求項1乃至14のいずれか1項に記載の情報処理装置の各手段をコンピュータに実行させることを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023009355A JP7463575B2 (ja) | 2018-07-31 | 2023-01-25 | 情報処理装置、情報処理方法およびプログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018143719A JP7218118B2 (ja) | 2018-07-31 | 2018-07-31 | 情報処理装置、情報処理方法およびプログラム |
JP2023009355A JP7463575B2 (ja) | 2018-07-31 | 2023-01-25 | 情報処理装置、情報処理方法およびプログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018143719A Division JP7218118B2 (ja) | 2018-07-31 | 2018-07-31 | 情報処理装置、情報処理方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023033639A true JP2023033639A (ja) | 2023-03-10 |
JP7463575B2 JP7463575B2 (ja) | 2024-04-08 |
Family
ID=69231125
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018143719A Active JP7218118B2 (ja) | 2018-07-31 | 2018-07-31 | 情報処理装置、情報処理方法およびプログラム |
JP2023009355A Active JP7463575B2 (ja) | 2018-07-31 | 2023-01-25 | 情報処理装置、情報処理方法およびプログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018143719A Active JP7218118B2 (ja) | 2018-07-31 | 2018-07-31 | 情報処理装置、情報処理方法およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11961161B2 (ja) |
JP (2) | JP7218118B2 (ja) |
WO (1) | WO2020026852A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7307166B2 (ja) | 2019-06-28 | 2023-07-11 | 富士フイルム株式会社 | 学習用画像生成装置、方法及びプログラム、並びに学習方法、装置及びプログラム |
CN111476729B (zh) * | 2020-03-31 | 2023-06-09 | 北京三快在线科技有限公司 | 一种目标识别的方法及装置 |
JP7483528B2 (ja) | 2020-06-29 | 2024-05-15 | キヤノン株式会社 | 画像処理装置、画像処理方法、プログラム |
WO2022153474A1 (ja) * | 2021-01-15 | 2022-07-21 | 日本電信電話株式会社 | 画像処理装置、画像処理方法、およびプログラム |
JP2023065028A (ja) * | 2021-10-27 | 2023-05-12 | 堺化学工業株式会社 | 教師データ生成方法、画像解析モデル生成方法、画像解析方法、教師データ生成プログラム、画像解析プログラムおよび教師データ生成装置 |
JP2023179333A (ja) * | 2022-06-07 | 2023-12-19 | ブラザー工業株式会社 | コンピュータプログラム、処理方法、および、処理装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007029467A1 (ja) * | 2005-09-05 | 2007-03-15 | Konica Minolta Medical & Graphic, Inc. | 画像処理方法及び画像処理装置 |
JP2008287378A (ja) * | 2007-05-16 | 2008-11-27 | Hitachi Omron Terminal Solutions Corp | 画像識別学習装置及びそれを用いた印刷物識別装置 |
JP2013122723A (ja) * | 2011-12-12 | 2013-06-20 | Seiko Epson Corp | 検出装置、及び、検出方法 |
JP2016062225A (ja) * | 2014-09-17 | 2016-04-25 | 大日本印刷株式会社 | 画像生成装置、画像検出システム及び画像生成方法 |
JP2017037424A (ja) * | 2015-08-07 | 2017-02-16 | 日本放送協会 | 学習装置、認識装置、学習プログラム、及び認識プログラム |
CN106485695A (zh) * | 2016-09-21 | 2017-03-08 | 西北大学 | 基于统计形状模型的医学图像Graph Cut分割方法 |
JP2018089065A (ja) * | 2016-12-01 | 2018-06-14 | 株式会社島津製作所 | X線透視装置 |
CN108288064A (zh) * | 2017-01-09 | 2018-07-17 | 北京京东尚科信息技术有限公司 | 用于生成图片的方法和装置 |
WO2018159775A1 (ja) * | 2017-03-03 | 2018-09-07 | 国立大学法人筑波大学 | 対象追跡装置 |
JP2019175093A (ja) * | 2018-03-28 | 2019-10-10 | パナソニックIpマネジメント株式会社 | 推定装置、推定方法、推定プログラム、学習装置、学習方法、及び学習プログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048370A (ja) | 2004-08-04 | 2006-02-16 | Kagawa Univ | パターン認識方法、それに用いられる教示データ生成方法およびパターン認識装置 |
JP2006301779A (ja) | 2005-04-18 | 2006-11-02 | Konica Minolta Photo Imaging Inc | 画像処理システム、画像処理方法及び画像処理プログラム |
US8041090B2 (en) * | 2005-09-10 | 2011-10-18 | Ge Healthcare Uk Limited | Method of, and apparatus and computer software for, performing image processing |
US20190272651A1 (en) * | 2008-05-07 | 2019-09-05 | Lawrence A. Lynn | Patient Monitoring System For Detecting Adverse Clinical Conditions |
US20140241602A1 (en) * | 2013-02-28 | 2014-08-28 | Lawrence A. Lynn | System for Presentation of Sequential Blood Laboratory Measurements to Image Recognition Systems |
US9836839B2 (en) | 2015-05-28 | 2017-12-05 | Tokitae Llc | Image analysis systems and related methods |
JP6361776B2 (ja) | 2016-09-02 | 2018-07-25 | カシオ計算機株式会社 | 診断支援装置、及び診断支援装置における画像処理方法、並びにプログラム |
US10657444B2 (en) * | 2017-03-09 | 2020-05-19 | Thomas Danaher Harvey | Devices and methods using machine learning to reduce resource usage in surveillance |
EP3918987A4 (en) * | 2019-01-31 | 2022-09-07 | FUJIFILM Corporation | LEARNED MODEL, LEARNING METHOD AND PROGRAM, AND MEDICAL INFORMATION GATHERING DEVICE, METHOD AND PROGRAM |
-
2018
- 2018-07-31 JP JP2018143719A patent/JP7218118B2/ja active Active
-
2019
- 2019-07-19 WO PCT/JP2019/028475 patent/WO2020026852A1/ja active Application Filing
-
2021
- 2021-01-25 US US17/157,699 patent/US11961161B2/en active Active
-
2023
- 2023-01-25 JP JP2023009355A patent/JP7463575B2/ja active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007029467A1 (ja) * | 2005-09-05 | 2007-03-15 | Konica Minolta Medical & Graphic, Inc. | 画像処理方法及び画像処理装置 |
JP2008287378A (ja) * | 2007-05-16 | 2008-11-27 | Hitachi Omron Terminal Solutions Corp | 画像識別学習装置及びそれを用いた印刷物識別装置 |
JP2013122723A (ja) * | 2011-12-12 | 2013-06-20 | Seiko Epson Corp | 検出装置、及び、検出方法 |
JP2016062225A (ja) * | 2014-09-17 | 2016-04-25 | 大日本印刷株式会社 | 画像生成装置、画像検出システム及び画像生成方法 |
JP2017037424A (ja) * | 2015-08-07 | 2017-02-16 | 日本放送協会 | 学習装置、認識装置、学習プログラム、及び認識プログラム |
CN106485695A (zh) * | 2016-09-21 | 2017-03-08 | 西北大学 | 基于统计形状模型的医学图像Graph Cut分割方法 |
JP2018089065A (ja) * | 2016-12-01 | 2018-06-14 | 株式会社島津製作所 | X線透視装置 |
CN108288064A (zh) * | 2017-01-09 | 2018-07-17 | 北京京东尚科信息技术有限公司 | 用于生成图片的方法和装置 |
WO2018159775A1 (ja) * | 2017-03-03 | 2018-09-07 | 国立大学法人筑波大学 | 対象追跡装置 |
JP2019175093A (ja) * | 2018-03-28 | 2019-10-10 | パナソニックIpマネジメント株式会社 | 推定装置、推定方法、推定プログラム、学習装置、学習方法、及び学習プログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2020026852A1 (ja) | 2020-02-06 |
US11961161B2 (en) | 2024-04-16 |
JP7463575B2 (ja) | 2024-04-08 |
US20210150711A1 (en) | 2021-05-20 |
JP7218118B2 (ja) | 2023-02-06 |
JP2020021228A (ja) | 2020-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7218118B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
US11861829B2 (en) | Deep learning based medical image detection method and related device | |
Zhong et al. | An attention-guided deep regression model for landmark detection in cephalograms | |
US11961226B2 (en) | Medical image recognition method, model training method, and computer device | |
US11132792B2 (en) | Cross domain medical image segmentation | |
JP6824845B2 (ja) | 画像処理システム、装置、方法およびプログラム | |
Li et al. | Superpixel-guided iterative learning from noisy labels for medical image segmentation | |
CN110023995A (zh) | 用于心脏运动校正的心脏分割方法 | |
CN116797612B (zh) | 基于弱监督深度活动轮廓模型的超声图像分割方法及装置 | |
Ratul et al. | CCX-rayNet: a class conditioned convolutional neural network for biplanar X-rays to CT volume | |
Mangalagiri et al. | Toward generating synthetic CT volumes using a 3D-conditional generative adversarial network | |
Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet | |
Chen et al. | Deep learning-based tooth segmentation methods in medical imaging: A review | |
Ding et al. | Research on Spinal Canal GenerationMethod based on Vertebral Foramina Inpainting of Spinal CT Images by using BEGAN. | |
Luo et al. | Research on several key problems of medical image segmentation and virtual surgery | |
CN111180046A (zh) | 确定用于处理图像的处理序列 | |
Miao et al. | Spinal neoplasm image inpainting with deep convolutional neutral networks | |
Pérez-García et al. | RadEdit: stress-testing biomedical vision models via diffusion image editing | |
JP7483528B2 (ja) | 画像処理装置、画像処理方法、プログラム | |
Liu et al. | Su-unet: A novel self-updating network for hepatic vessel segmentation in ct images | |
DREVICKÝ et al. | Deep Learning Model Uncertainty in Medical Image Analysis | |
US20240037739A1 (en) | Image processing apparatus, image processing method, and image processing program | |
EP4386680A1 (en) | Cbct simulation for training ai-based ct-to-cbct registration and cbct segmentation | |
Pandey et al. | A Framework for Mathematical Methods in Medical Image Processing | |
Ciano et al. | A Multi-Stage GAN for Multi-Organ Chest X-ray Image Generation and Segmentation. Mathematics 2021, 9, 2896 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230216 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230216 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231212 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20231213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240213 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240327 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7463575 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |