JP2565791B2 - 多層型ニューラルネットワークの係数格納装置 - Google Patents

多層型ニューラルネットワークの係数格納装置

Info

Publication number
JP2565791B2
JP2565791B2 JP2103394A JP10339490A JP2565791B2 JP 2565791 B2 JP2565791 B2 JP 2565791B2 JP 2103394 A JP2103394 A JP 2103394A JP 10339490 A JP10339490 A JP 10339490A JP 2565791 B2 JP2565791 B2 JP 2565791B2
Authority
JP
Japan
Prior art keywords
coupling
connection
neural network
reading
coefficient
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.)
Expired - Fee Related
Application number
JP2103394A
Other languages
English (en)
Other versions
JPH041875A (ja
Inventor
一男 志村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Holdings Corp
Original Assignee
Fuji Photo Film Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuji Photo Film Co Ltd filed Critical Fuji Photo Film Co Ltd
Priority to JP2103394A priority Critical patent/JP2565791B2/ja
Priority to US07/868,966 priority patent/US5490164A/en
Publication of JPH041875A publication Critical patent/JPH041875A/ja
Application granted granted Critical
Publication of JP2565791B2 publication Critical patent/JP2565791B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radiography Using Non-Light Waves (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は、誤差逆伝幡学習（バックプロパゲーショ
ン）機能を備えた多層型ニューラルネットワークを構成
する多数のニューロン間の結合の重みを表わす係数を格
納しておく係数格納装置に関するものである。
（従来の技術） 従来から種々の分野において多数の情報を入力しこれ
らの情報を分析してその分析結果を出力する種々の知識
データベースが用いられている。
ところが近年、上記知識データベースとして用いるこ
とのできる、これまでの知識データベースの概念と全く
異なる概念を備えたニューラルネットワークなる考え方
が出現し、種々の分野に適用されつつある。
このニューラルネットワークは、ある入力信号を与え
たときに出力された出力信号が正しい信号であるか誤っ
た信号であるかという情報（教師信号）を入力すること
により、ニューラルネットワーク内部の各ユニット間の
結合の重み（シナプス結合のウェイト）を修正するとい
う誤差逆伝幡学習（バックプロパゲーション）機能を備
えたものであり、繰り返し‘学習’させることにより、
新たな信号が入力されたときに正解を出力する確率を高
めることができるものである（例えば、「D.E.Rumelhar
t,G.E.Hinton and R.J.Williams:Learning representat
ions by back-propagating errors,Nature,323-9,533-3
56,1986a」，「麻生英樹：バックプロパゲーションComp
utrol No.24 53-60」，「合原一幸著 ニューラルコン
ピュータ 東京電機大学出版局」参照）。
（発明が解決しようとする課題） 多数の信号をこのニューラルネットワークに入力し、
この入力信号に基づくある判断結果を得るには、多数の
ニューロンを備えた、多数の階層から構成されるニュー
ラルネットワークを用いる必要がある。
ところが、ニューロンの数を増やすほどこれらのニュ
ーロン間の結合の本数が極めて多数となり、これらの結
合の重みを記憶しておく記憶装置として厖大な記憶容量
を備えたものを用意する必要がある。
例えば人体のＸ線画像を入力とし、そのＸ線画像の各
特徴量（例えば被写体部位（頭部，頸部，胸部，腹部
等），撮影方法（通常撮影，断層撮影，拡大撮影等）
等）を出力するニューラルネットワークとして、入力層
を構成するユニット数が16×16＝256、即ち入力される
画像の画素数が16点×16点、中間層を構成するニューロ
ン数が16、出力層を構成するニューロン数が２の計三層
からなるニューラルネットワークを100個の特徴量のそ
れぞれについて備えることを想定し、ニューロン間の結
合の重み係数を８バイトで表現することとすると、この
結合の重み係数を記憶しておく記憶装置の記憶容量とし
て、 （256×16＋16×２）×100×８≒３メガバイト必要とな
り、極めて大容量の記憶装置が必要となる。
本発明は、上記事情に鑑み、記憶容量が削減された、
多層型ニューラルネットワークの係数格納装置を提供す
ることを目的とするものである。
また本発明は、多数の多層型ニューラルネットワーク
を記憶しておくに適した多層型ニューラルネットワーク
の係数格納装置を提供することも目的のひとつとするも
のである。
（課題を解決するための手段） 本発明の多層型ニューラルネットワークの係数格納装
置は、 それぞれが一つ若しくは複数のニューロンから構成さ
れる、入力層、一つ若しくは複数の中間層、および出力
層の各層からなる多層型ニューラルネットワークの、各
ニューロン間の各結合の強さを表わす各結合係数が格納
される多層型ニューラルネットワークの係数格納装置に
おいて、 前記各結合係数を所定のしきい値と比較することによ
り、前記各結合を結合度の高い結合と結合度の低い結合
とに分類するとともに、前記各ニューロンの出力側の結
合が全て前記結合度の低い結合に分類された場合に該各
ニューロンの入力側の各結合も前記結合度の低い結合に
分類する結合度分類手段と、 前記結合度の高い結合に分類された各結合の結合係数
を、前記各ニューロン間の各結合が前記結合度分類手段
により分類された前記結合度の高い結合であるか前記結
合度の低い結合であるかを表わすテーブルとともに該テ
ーブルと対応づけて記憶する記憶手段とを備えたことを
特徴とするものである。
（作用） 本発明は、各結合係数を所定のしきい値と比較するこ
とにより、各結合を結合度の高い結合と結合度の低い結
合とに分類するとともに、各ニューロンの出力側の結合
が全て結合度の低い結合に分類された場合に各ニューロ
ンの入力側の各結合も結合度の低い結合に分類する結合
分類手段を備えているため、結合度の高い結合のみを抽
出することができる。
また、結合度の高い結合に分類された各結合の結合係
数を、各ニューロン間の各結合が上記のようにして分類
された結合度の高い結合であるか結合度の低い結合であ
るかを表わすテーブルとともに該テーブルと対応づけて
記憶する記憶手段を備えたため、記憶容量が削減され、
かつ多数のニューラルネットワークを記憶しておく場合
に極めて整理された形で記憶されることとなり、この記
憶されたニューラルネットワークを用いて所定の出力を
得るための演算を効率良く行なうことができる。
（実施例） 以下、本発明の実施例について、図面を参照して説明
する。尚、ここでは蓄積性蛍光体シートを用い、人体の
Ｘ線画像を取扱う例について説明する。
ここで蓄積性蛍光体シートとは、放射線（Ｘ線，α
線，β線，γ線，電子線，紫外線等）を照射するとこの
放射線エネルギーの一部が蓄積され、その後可視光等の
励起光を照射すると蓄積されたエネルギーに応じて輝尽
発光を示す蓄積性蛍光体（輝尽性蛍光体）をシート状に
形成したものをいう。この蓄積性蛍光体シートを利用し
て、人体等の被写体の放射線画像情報を蓄積性蛍光体シ
ートに記録し、この蓄積性蛍光体シートをレーザー光等
の励起光で走査して輝尽発光光を生ぜしめ、得られた輝
尽発光光を光電的に読み取って画像信号を得、この画像
データに基づき被写体の放射線画像を写真感光材料等の
記録材料、CRT等に可視像として出力させる放射線画像
記録再生システムがすでに提案されている（特開昭55-1
2429号，同56-11395号，同55-163472号，同56-104645
号，同55-116340号等）。
このシステムは、従来の銀塩写真を用いる放射線写真
システムと比較して極めて広い放射線露出域にわたって
画像を記録しうるという実用的な利点を有している。す
なわち、蓄積性蛍光体においては、放射線露光量に対す
る蓄積後に励起によって発光する輝尽発光光の光量が極
めて広い範囲にわたって比例することが認められてお
り、従って種々の撮影条件により放射線露光量がかなり
大幅に変動しても、蓄積性蛍光体シートより放射される
輝尽発光光の光量を読取ゲインを適当な値に設定して光
電変換手段により読み取って電気信号に変換し、この電
気信号を用いて写真感光材料等の記録材料、CRT等の表
示装置に放射線画像を可視像として出力させることによ
って、放射線露光量の変動に影響されない放射線画像を
得ることができる。
上記システムにおいて、蓄積性蛍光体シートに照射さ
れた放射線の線量等に応じて最適な読取条件で読み取っ
て画像信号を得る前に、予め低レベルの光ビームにより
蓄積性蛍光体シートを走査してこのシートに記録された
放射線画像の概略を読み取る先読みを行ない、この先読
みにより得られた先読画像信号を分析し、その後上記シ
ートに高レベルの光ビームを照射して走査し、この放射
線画像に最適な読取条件で読み取って画像信号を得る本
読みを行なうように構成されたシステムもある。
ここで読取条件は、読取りにおける輝尽発光光の光量
と読取装置の出力との関係に影響を与える各種の条件を
総称するものであり、例えば入出力の関係を定める読取
ゲイン，スケールファクタあるいは、読取りにおける励
起光のパワー等を意味するものである。
また、光ビームの高レベル／低レベルとは、それぞ
れ、上記シートの単位面積当りに照射される光ビームの
エネルギーの大／小、もしくは上記シートから発せられ
る輝尽発光光のエネルギーが上記光ビームの波長に依存
する（波長感度分布を有する）場合は、上記シートの単
位面積当りに照射される光ビームのエネルギーを上記波
長感度で重みづけした後の重みづけエネルギーの大／小
をいい、光ビームのレベルを変える方法としては、異な
る波長の光ビームを用いる方法、レーザ光源等から発せ
られる光ビームの強度そのものを変える方法、光ビーム
の光路上にNDフィルター等を挿入，除去することにより
光ビームの強度を変える方法、光ビームのビーム径を変
えて走査密度を変える方法、走査速度を変える方法等、
公知の種々の方法を用いることができる。
上記先読画像信号に基づいて読取条件を求める演算
は、あらかじめ多数の放射線画像を統計的に処理した結
果からそのアルゴリズムが定められている（たとえば、
特開昭60-185944号公報，特開昭61-280163号公報参
照）。
この従来採用されているアルゴリズムは、一般的には
画像信号のヒストグラムを求め、ヒストグラム上におけ
る画像信号の最大値、最小値、画像信号の出現頻度が最
大となる点の画像信号の値等の種々の特徴点を求め、こ
の特徴点に基づいて読取条件を求めるものである。
ここでは、被写体部位（頭部，頸部，胸部，腹部等お
よびこれらの向き（正面，左側面，右側面等）をいう）
毎に上記読取条件を求めるためのニューラルネットワー
クが準備されているものとする。
第２図は、Ｘ線撮影装置の一例の概略図である。
このＸ線撮影装置１のＸ線源２からＸ線３が人体４に
むけて照射され、人体４を通過したＸ線3aが蓄積性蛍光
体シート11に照射されることにより、人体の透過Ｘ線画
像が蓄積性蛍光体シート11に蓄積記録される。
第3A図，第3B図は、蓄積性蛍光体シート上に蓄積記録
されたＸ線画像の例を模式的に表わした図である。
第3A図，第3B図はそれぞれ右肩のＸ線画像および頭部
側面のＸ線画像を表わしているが、これらは例に過ぎず
頸部正面，頸部側面，胸部正面等種々の被写体部位につ
いてＸ線撮影が行なわれる。
第４図は、Ｘ線画像読取装置の一例、および本発明の
一例を内包したコンピュータシステムの一例を示した斜
視図である。このシステムは前述した蓄積性蛍光体シー
トを用い、先読みを行なうシステムである。
Ｘ線画像が記録された蓄積性蛍光体シート11は、まず
弱い光ビームで走査してこの蓄積性蛍光体シート11に蓄
積された放射線エネルギーの一部のみを放出させて先読
みを行なう先読手段100の所定位置にセットされる。こ
の所定位置にセットされた蓄積性蛍光体シート11は、モ
ータ12により駆動されるエンドレスベルト等のシート搬
送手段13により、矢印Ｙ方向に搬送（副走査）される。
一方、レーザー光源14から発せられた弱い光ビーム15は
モータ23により駆動され矢印方向に高速回転する回転多
面鏡16によって反射偏向され、ｆθレンズ等の集束レン
ズ17を通過した後、ミラー18により光路を変えて蓄積性
蛍光体シート11に入射し副走査の方向（矢印Ｙ方向）と
略垂直な矢印Ｘ方向に主走査する。蓄積性蛍光体シート
11の、この光ビーム15が照射された箇所からは、蓄積記
録されているＸ線画像情報に応じた光量の輝尽発光光19
が発散され、この輝尽発光光19は光ガイド20によって導
かれ、フォトマルチプライヤ（光電子増倍管）21によっ
て光電的に検出される。上記光ガイド20はアクリル板等
の導光性材料を成形して作られたものであり、直線状を
なす入射端面20aが蓄積性蛍光体シート11上の主走査線
に沿って延びるように配され、円環状に形成された射出
端面20bに上記フォトマルチプライヤ21の受光面が結合
されている。上記入射端面20aから光ガイド20内に入射
した輝尽発光光19は、該光ガイド20の内部を全反射を繰
り返して進み、射出端面20bから射出してフォトマルチ
プライヤ21に受光され、放射線画像を表わす輝尽発光光
19の光量がフォトマルチプライヤ21によって電気信号に
変換される。
フォトマルチプライヤ21から出力されたアナログ出力
信号Ｓは対数増幅器26で対数的に増幅され、A/D変換器2
7でディジタル化され、先読画像信号Spが得られる。こ
の先読画像信号Spの信号レベルは、蓄積性蛍光体シート
11の各画素から発せられた輝尽発光光の光量の対数と比
例している。
上記先読みにおいては、蓄積性蛍光体シート11に蓄積
された放射線エネルギーの広い領域にわたって読み取る
ことができるように、読取条件即ちフォトマルチプライ
ヤ21に印加する電圧値や対数増幅器26の増幅率等が定め
られている。
得られた先読画像信号Spは、コンピュータシステム40
に入力される。このコンピュータシステム40は、本発明
の一例を内包するものであり、CPUおよび内部メモリが
内蔵された本体部41,補助メモリとしてのフロッピィデ
ィスクが挿入されドライブされるドライブ部42,オペレ
ータがこのコンピュータシステム40に必要な指示等を入
力するためのキーボード43および必要な情報を表示する
ためのCRTディスプレイ44から構成されている。
上記先読みと相前後して、コンピュータシステム40に
は、上記先読みにより読み取られるまたは読み取られた
Ｘ線画像の被写体部位がキーボード43から入力される。
このコンピュータシステム40には、被写体部位毎のニ
ューラルネットワーク（これを構成する各ニューロンの
結合の重みを表わす係数をいう。以下単にニューラルネ
ットワークということがある。）が記憶されており、こ
のコンピュータシステムに被写体部位が入力されるとこ
の入力された被写体部位に対応したニューラルネットワ
ークが読み出される。尚、キーボード43から被写体部位
を入力することに代えて、上記のようにして得られた先
読画像信号Spに基づいて被写体部位を認識するニューラ
ルネットワークを備えてもよい。
上記被写体部位に対応したニューラルネットワークが
読み出されると、入力点数を削減するために上記先読画
像信号SpがＸ線画像の全面にわたって均一に間引かれ、
間引かれた先読画像信号Spがニューラルネットワークに
入力され、該ニューラルネットワークから本読みの際の
読取条件、即ち本読みの際の感度およびコントラストが
求められ、この感度，コントラストに従ってたとえばフ
ォトマルチプライヤ21′に印加する電圧値や対数増幅器
26′の増幅率等が制御される。
ここでコントラストとは、本読みの際に画像信号に変
換される最も微弱な輝尽発光光に対する最も強大な輝尽
発光光の光量比に対応するものであり、感度とは所定の
光量の輝尽発光光レベルの画像信号とするかという光電
変換率をいう。
先読みの終了した蓄積性蛍光体シート11′は、本読手
段100′の所定位置にセットされ、上記先読みに使用し
た光ビームより強い光ビーム15′によりシート11′が走
査され、先読画像信号Spに基づいて求められた読取条件
により画像信号が得られるが、本読手段100′の構成は
上記先読手段100の構成と略同一であるため、先読手段1
00の各構成要素と対応する構成要素には先読手段100で
用いた番号にダッシュを付して示し、説明は省略する。
A/D変換器27′でディジタル化されることにより得ら
れた画像信号ＳQは、再度コンピュータシステム40に入
力される。コンピュータシステム40内では画像信号ＳQ
に適切な画像処理が施され、この画像処理の施された画
像信号は図示しない再生装置に送られ、再生装置におい
てこの画像信号に基づくＸ線画像が再生表示される。
次にニューラルネットワークの学習機能、およびこの
学習の結果得られた各ニューロン間の結合の重みを表わ
す係数の格納方法について説明する。
第５図は誤差逆伝播学習（バックプロパゲーション）
機能を備えたニューラルネットワークの一例を表わした
図である。誤差逆伝播学習（バックプロパゲーション）
とは、前述したように、ニューラルネットワークの出力
を正解（教師信号）と比べることにより、出力側から入
力側に向かって順次結合の重み（シナプス結合のウェイ
ト）を修正するという“学習”アルゴリズムをいう。
図に示すように、このニューラルネットワークの第１
層（入力層），第２層（中間層），第３層（出力層）は
それぞれｎ1個,n2個,2個のユニット（ニューロン）から
構成される。第１層（入力層）に入力される各信号Ｆ1,
F2，……,Fn1はＸ線画像の間引かれた後の各画素に対応
する先読画像信号Spであり、第３層（出力層）からの２
つの出力ｙ▲3 1▼,y▲3 2▼は本読みの際のそれぞれ感度
およびコントラストに対応した信号である。第ｋ層のｉ
番目のユニットをｕ▲k i▼、該ユニットｕ▲k i▼への各
入力をｘ▲k i▼、各出力をｙ▲k i▼、ｕ▲k i▼からｕ▲
k+1 j▼への結合の重みを とし、各ユニットｕ▲k j▼は同一の特性関数 を有するものとする。このとき、各ユニットｕ▲k j▼の
入力ｘ▲k j▼、出力ｙ▲k j▼は、 ｙ▲k j▼＝ｆ（ｘ▲k j▼） ……（３） となる。ただし入力層を構成する各ユニットｕ▲1 i▼
（ｉ＝1,2,……,n1）への各入力Ｆ1,F2，……,Fn1は重
みづけされずにそのまま各ユニットｕ▲1 i▼（ｉ＝1,2,
……,n1）に入力される。入力されたｎ1個の信号Ｆ1,
F2，……,Fn1は、各結合の重み によって重み付けられながら最終的な出力ｙ▲3 1▼,y▲
3 2▼にまで伝達され、これにより本読みの際の読取条件
（感度とコントラスト）が求められる。
ここで、上記各結合の重み の決定方法について説明する。先ず乱数により各結合の
重み の初期値が与えられる。このとき、入力Ｆ1〜Ｆn1が最
大に変動しても、出力ｙ▲3 1▼,y▲3 2▼が所定範囲内の
値またはこれに近い値となるように、その乱数の範囲を
制限しておくことが好ましい。
最適な読取条件が既知のＸ線画像が記録された蓄積性
蛍光体シートが多数前述したようにして読み取られ、こ
れにより得られた先読画像信号Spが、間引きされること
により上記ｎ1個の入力Ｆ1,F2，……,Fn1が求められ
る。このｎ1個の入力Ｆ1,F2，……,Fn1が第５図に示す
ニューラルネットワークに入力され、各ユニットｕ▲k i
▼の出力ｙ▲k i▼がモニタされる。
各出力ｙ▲k i▼が求められると、最終的な出力である
ｙ▲3 1▼,y▲3 2▼と、この画像に関し正しい読取条件と
しての教師信号（感度 およびコントラスト との二乗誤差 が求められる。これらの二乗誤差Ｅ1,E2がそれぞれ最小
となるように、以下のようにして各結合の重み が修正される。尚、以下ｙ▲3 1▼の出力に関して延べ、
ｙ▲3 2▼についてはｙ▲3 1▼と同様であるため、ここで
は省略する。
二乗誤差Ｅ1を最小にするには、このＥ1は の関数であるから のように各結合の重み が修正される。ここでηは学習係数と呼ばれる係数であ
る。
ここで、 であり、（２）式より であるから、（７）式は、 となる。
ここで、（４）式より、 （３）式を用いてこの（９）式を変形すると、 ここで、（１）式より、 ｆ′（ｘ）＝ｆ（ｘ）（１−ｆ（ｘ）） ……（11） であるから、 ｆ′（ｘ▲3 1▼）＝ｙ▲3 1▼・（１−ｙ▲3 1▼） ……
（12） となる。
（８）式にいてｋ＝２と置き、（10），（12）式を
（８）式に代入すると、 この（13）式を（６）式に代入して、 となる。この（14）式に従って、 （ｉ＝1,2,……,n1）の各結合の重みが修正される。
次に、 であるから、この（15）式に（２），（３）式を代入し
て、 ここで（11）式より、 ｆ′（ｘ▲2 j▼）＝ｙ▲2 j▼・（１−ｙ▲2 j▼） ……
（17） であるから、この（17）式と、（10），（12）式を（1
6）式に代入して、 （８）式においてｋ＝１と置き、（18）式を（８）式
に代入すると、 この（19）式を（６）式に代入すると、ｋ＝１と置い
て、 となり、（14）式で修正された （ｉ＝1,2,……,n1）がこの（20）式に代入され、 （ｉ＝1,2,……,n1;j＝1,2,……,n2）が修正される。
尚、理論的には（14）式，（20）式を用い、学習係数
ηを十分小さくとって学習回数を十分に多くすることに
より、各結合の重み を所定の値に集束させ得るが、学習係数ηをあまり小さ
くすることは学習の進みを遅くするため現実的ではな
い。一方学習係数ηを大きくとると学習が振動してしま
う（上記結合の重みが所定の値に収束しない）ことがあ
る。そこで実際には、結合の重みの修正量に次式のよう
な慣性項を加えて振動を抑え、学習係数ηはある程度大
きな値に設定される。
（例えば、D.E.Rumelhart,G.E.Hinton and R.J.William
s:Learning internal representations by error propa
gation In Parallel Distributed Processing,Volume
1,J.L.McClelland,D.E.Rumelhart and The PDP Researc
h Group,MIT Press,1986b」参照） ただしΔ （ｔ）は、ｔ回目の学習における、修正後の結合重み から修正前の該結合の重み を引いた修正量を表わす。また、αは、慣性項と呼ばれ
る係数である。
慣性項α、学習係数ηとしてたとえばα＝0.9η＝0.2
5を用いて各結合の重み の修正（学習）をたとえば20万回行ない、その後は、各
結合の重み は最終の値に固定される。この学習の終了時には、２つ
の出力ｙ▲3 1▼,y▲3 2▼は本読みの際のそれぞれ感度、
コントラストを正しく表わす信号となる。
以上のようにして各結合の重み を求めた後、該各結合の重み が所定のしきい値Thと比較され、 を満足する結合の重み を とする。即ち、（22）式を満足するような結合は、ほと
んど結合されていないと同じであり、全く結合されてい
ないことと同一視するものである。このような近似を行
なっても最終の出力にはほとんど影響はない。
次に各ユニットｕ▲k i▼の出力側の結合の重み が全て とされた場合、該各ユニットｕ▲k i▼の入力側の結合も
不要であるため、該各ユニットｕ▲k i▼入力側の各結合
の重み も０とされる。例えば、ユニットｕ▲2 3▼の出力側の結
合の重みＷ▲23 31▼,W▲23 32▼が上記（22），（23）式
の演算により とされた場合、該ユニットｕ▲2 3▼の入力側の結合の重
みＷ▲12 13▼,W▲12 23▼,W▲12 33▼，…,W▲12 n1,3▼も
０とされる。
第1A図，第1B図は、コンピュータシステム40内に記憶
されるニューラルネットワークの記憶形式を表わした図
である。
第1A図，第1B図はそれぞれ例えば第3A図，第3B図に示
した肩のＸ線画像，頭部のＸ線画像の読取条件を求める
ためのニューラルネットワークに対応しており、Ａの領
域は各ニューラルネットワークの全ての結合の重み が上記（22），（23）式により０とされたか否かのテー
ブルであり、B,C,D,…には上記（22），（23）式の演算
で０にされていない各結合の重み の値が格納されている。即ち、領域Ａは多数のフラグか
ら構成されており、各フラグが１つのニューラルネット
ワークを構成する各結合と一対一に対応している。この
領域Ａのフラグ１に対応する結合はその重み であり、領域B,C,D,…に順に格納される。コンピュータ
システム40内にはこのような形式でニューラルネットワ
ークが記憶されているため、 とした結合については記憶されずその分記憶容量が削減
され、 の結合の重みのみテーブル（領域Ａ）と対応づけて記憶
されているため、各ニューラルネットワークに共通な、
整理された形式で格納される。
尚、上記ニューラルネットワークは３層構造のものに
限られるものではなく、さらに多層にしてもよいことは
もちろんである。また各層のユニットの数も、入力され
る先読画像信号Spの画素の数、必要とする読取条件の精
度等に応じた任意の数のユニットで各層を構成し得るこ
とももちろんである。
上記のようにしてニューラルネットワークにより求め
られた読取条件に従って本読手段100′のフォトマルチ
プライヤ21′に印加する電圧や増幅器26′の増幅率等が
制御され、この制御された条件に従って本読みが行なわ
れる。
尚、上記実施例はＸ線画像の読取条件を求めることに
ついて用いるニューラルネットワークを例に説明した
が、本発明の多層型ニューラルネットワークの係数格納
装置は、何を入力とし何を出力とするニューラルネット
ワークを対象としているかに拘らず、複数の互いに共通
化されたニューラルネットワークの係数を格納しておく
場合に広く用いるものである。
（発明の効果） 以上詳細に説明したように、本発明の多層型ニューラ
ルネットワークの係数格納装置は、各結合係数を所定の
しきい値と比較することにより、各結合を結合度の高い
結合と結合度の低い結合とに分類するとともに、各ニュ
ーロンの出力側の結合が全て結合度の低い結合に分類さ
れた場合に該各ニューロンの入力側の各結合も結合度の
低い結合に分類する結合度分類手段と、結合度の高い結
合に分類された各結合の結合係数を、各ニューロン間の
各結合が結合度分類手段により分類された結合度の高い
結合であるか結合度の低い結合であるかを表わすテーブ
ルとともに該テーブルと対応づけて記憶する記憶手段と
を備えたため、記憶容量が削減され、かつ多数のニュー
ラルネットワークの係数が整理された形で記憶されるた
め、この記憶されたニューラルネットワークを用いて所
定の出力を得るための演算を効率良く行なうことができ
る。
【図面の簡単な説明】
第1A図，第1B図は、ニューラルネットワークの記憶形式
を表わした図、 第２図は、Ｘ線撮影装置の一例の概略図、 第3A図，第3B図は、それぞれ肩部，頭部のＸ線画像の一
例を表わした図、 第４図は、Ｘ線画像読取装置の一例、および本発明の一
例を内包したコンピュータシステムの一例を示した斜視
図、 第５図は、ニューラルネットワークの一例を表わした図
である。 １……Ｘ線撮影装置、２……Ｘ線源 ５……被写体部、６……直接Ｘ線部 11,11′……蓄積性蛍光体シート 19,19′……輝尽発光光 21,21′……フォトマルチプライヤ 26,26′……対数増幅器 27,27′……A/D変換器 40……コンピュータシステム 100……先読手段、100′……本読手段

Claims (1)

    (57)【特許請求の範囲】
  1. 【請求項１】それぞれが一つ若しくは複数のニューロン
    から構成される、入力層、一つ若しくは複数の中間層、
    および出力層の各層からなる多層型ニューラルネットワ
    ークの、各ニューロン間の各結合の強さを表わす各結合
    係数が格納される多層型ニューラルネットワークの係数
    格納装置において、 前記各結合係数を所定のしきい値と比較することによ
    り、前記各結合を結合度の高い結合と結合度の低い結合
    とに分類するとともに、前記各ニューロンの出力側の結
    合が全て前記結合度の低い結合に分類された場合に該各
    ニューロンの入力側の各結合も前記結合度の低い結合に
    分類する結合度分類手段と、 前記結合度の高い結合に分類された各結合の結合係数
    を、前記各ニューロン間の各結合が前記結合度分類手段
    により分類された前記結合度の高い結合であるかあるい
    は前記結合度の低い結合であるかを表わすテーブルとと
    もに該テーブルと対応づけて記憶する記憶手段とを備え
    たことを特徴とする多層型ニューラルネットワークの係
    数格納装置。
JP2103394A 1990-04-19 1990-04-19 多層型ニューラルネットワークの係数格納装置 Expired - Fee Related JP2565791B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2103394A JP2565791B2 (ja) 1990-04-19 1990-04-19 多層型ニューラルネットワークの係数格納装置
US07/868,966 US5490164A (en) 1990-04-19 1991-04-18 Apparatus for classifying and storing connection coefficients for a multi-layer neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2103394A JP2565791B2 (ja) 1990-04-19 1990-04-19 多層型ニューラルネットワークの係数格納装置

Publications (2)

Publication Number Publication Date
JPH041875A JPH041875A (ja) 1992-01-07
JP2565791B2 true JP2565791B2 (ja) 1996-12-18

Family

ID=14352849

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2103394A Expired - Fee Related JP2565791B2 (ja) 1990-04-19 1990-04-19 多層型ニューラルネットワークの係数格納装置

Country Status (2)

Country Link
US (1) US5490164A (ja)
JP (1) JP2565791B2 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5630024A (en) * 1994-01-19 1997-05-13 Nippon Telegraph And Telephone Corporation Method and apparatus for processing using neural network with reduced calculation amount
US10475214B2 (en) * 2017-04-05 2019-11-12 General Electric Company Tomographic reconstruction based on deep learning
JP2020503075A (ja) * 2017-11-17 2020-01-30 ヨンセム アン、 診断映像変換装置、診断映像変換モジュール生成装置、診断映像撮影装置、診断映像変換方法、診断映像変換モジュール生成方法、診断映像撮影方法、及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4912649A (en) * 1988-12-14 1990-03-27 Gte Government Systems Corporation Accelerating learning in neural networks
US5195169A (en) * 1989-03-03 1993-03-16 Sharp Kabushiki Kaisha Control device for controlling learning of a neural network

Also Published As

Publication number Publication date
JPH041875A (ja) 1992-01-07
US5490164A (en) 1996-02-06

Similar Documents

Publication Publication Date Title
US5157733A (en) Radiation image processing apparatus, determination apparatus, and radiation image read-out apparatus
EP0726542B1 (en) Method and apparatus for adjusting read-out conditions and/or image processing conditions for radiation images, radiation image read-out apparatus, and radiation image analyzing method and apparatus
US5502775A (en) Method and apparatus for adjusting read-out and processing conditions for radiation images
US5272339A (en) Method for adjusting conditions in radiation image recording, readout, and reproducing systems
JP2565791B2 (ja) 多層型ニューラルネットワークの係数格納装置
JP2694580B2 (ja) 被写体像内画像点決定方法
US5553159A (en) Radiation image processing method utilizing neural networks
JP2678815B2 (ja) 放射線画像読取装置
JP3013095B2 (ja) 放射線画像読取条件及び／又は画像処理条件決定方法
JPH04261649A (ja) 放射線画像解析方法および装置
JP2739386B2 (ja) 放射線画像読取条件及び／又は画像処理条件決定方法および装置
JP2952422B2 (ja) 放射線画像解析装置
JP2707355B2 (ja) 画像記録位置認識装置
JP2981677B2 (ja) ニューラルネットワーク学習方法
EP0452915B1 (en) Apparatus for adjusting read-out conditions and/or image processing conditions for radiation images
JP2896799B2 (ja) 放射線画像読取条件及び／又は画像処理条件決定装置
JP2739385B2 (ja) 放射線画像読取条件及び／又は画像処理条件決定方法および装置
JPH06102599A (ja) 放射線画像読取条件および／または画像処理条件決定方法および装置
JPH04204936A (ja) 経過観察用放射線画像の読取条件決定方法
JP2727258B2 (ja) 放射線画像読取条件及び／又は画像処理条件決定方法および装置
JPH04152478A (ja) 放射線画像読取条件及び／又は画像処理条件決定方法及び装置
JPH04141153A (ja) 放射線画像の体位認識方法
JPH04317047A (ja) 放射線画像読取条件及び／又は画像処理条件決定方法および装置
EP0802428A2 (en) Method for setting read-out conditions and/or image processing conditions
JPH04102842A (ja) 放射線画像読取装置

Legal Events

Date Code Title Description
R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees