JP6390746B2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP6390746B2 JP6390746B2 JP2017081415A JP2017081415A JP6390746B2 JP 6390746 B2 JP6390746 B2 JP 6390746B2 JP 2017081415 A JP2017081415 A JP 2017081415A JP 2017081415 A JP2017081415 A JP 2017081415A JP 6390746 B2 JP6390746 B2 JP 6390746B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- captured
- query
- lesion
- feature vector
- 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.)
- Active
Links
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
本発明の他の特徴は、本明細書及び添付図面の記載により明らかにする。
図1は、第1実施形態に係る診断支援装置1の構成を示すブロック図である。図1に示すように、本実施態に係る診断支援装置1には、ダーモスコープ付撮影装置20が接続されている。
以下、図2,図3のフローチャートを参照しながら、図1に示す第1実施形態に係る診断支援装置1の処理手順について詳細に説明する。最初に図2のフローチャートを参照しながら第1実施形態に係る診断支援装置1の特徴ベクトル生成処理の手順から説明する。なお、特徴ベクトルの生成処理はオフラインで実行される。
第1実施形態に係る診断支援装置1によれば、装置本体10(リファレンス画像特徴ベクトル抽出部12)が、病変に係る既知の撮影画像(第1撮影画像)に幾何変形処理を施して増量することによって形成されるリファレンス画像から画像特徴ベクトル(第1画像特徴ベクトル)を抽出してデータ記憶部16上に特徴ベクトルDB160を構築する。そして、装置本体10(クエリ画像特徴ベクトル抽出部13)が、病変に係る未知の撮影画像(第2撮影画像)に基づいて形成されるクエリ画像について画像特徴ベクトル(第2特徴ベクトル)を抽出し、検索手段14が、データ記憶部16の特徴ベクトルDB160を参照してリファレンス画像の画像特徴ベクトルとクエリ画像の画像特徴ベクトルとを対比し、リファレンス画像の中からクエリ画像に類似する少なくとも1つの候補を検索して表示装置40へ出力することにより、医師が、画像を複数並べて目視したときに、疾患部の違いを俯瞰的に把握することを容易にし、その結果、精度の高い診断支援を行うことができる。なお、画像は1画像ずつ表示させて見比べるようにしてもよい(以下同じ。)
次に、第2実施形態について説明する。従来の正方形画像入力の機械学習では、長方形画像を正方形にリサイズしたり、事前にサイドカットして正方形にしたりして得た低解像度画像から、幾何増量を行っていたので、画質劣化の問題があった。そこで、第2実施形態は、ニューラルネットワークから構成される識別器を用いて低解像度正方形画像入力の機械学習を行うのに際し、高解像度長方形画像から、回転角、倍率を複数パターン変えた低解像度正方形画像を事前に用意し、機械学習の学習時には、事前に用意した画像に対して劣化しない90度回転と反転に留めたオンライン幾何増量を行い、画像の情報量低下を最小限に留め精度の高い学習を行う。そして、識別器の推論時にも、同様な幾何増量を行い、増量分の複数の推論値を平均して最終推論値とする。
以下、図9から図12のフローチャートを参照しながら、本発明の第2実施形態に係る診断装置100Aの動作について詳細に説明する。図9は画像事前増量処理のシーケンスを、図10は画像事前増量のための幾何変形のパターンの一例を説明する図、図11は事前画像増量処理を用いてアンサンブル識別器14aに機械学習(ニューラルネットワーク)を行わせる学習手順を、図12は学習済みのアンサンブル識別器14aを用いた推論手順を、それぞれ示している。なお、以下の動作は、コンピュータに実行させる学習処理プログラムとして構成することができる。
事前に高解像度画像から、回転・リサイズを行った画像を用意しておくことにより、拡大などによる画質劣化、回転による見切れ部の発生などを抑制することができ、元画像の情報損失を最小限に抑える効果がある。
[請求項1]
撮影画像から病変を診断するための診断支援装置における画像処理方法であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像がデータベースに登録されており、病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援を行うに際し、
前記リファレンス画像から幾何変形が施されたリファレンス画像を作成し、または前記クエリ画像から幾何変形が施されたクエリ画像を作成することを特徴とする方法。
[請求項2]
(a)前記病変に係る既知の第1撮影画像に基づいて形成されるリファレンス画像について、その第1画像特徴ベクトルを抽出し、
(b)前記抽出された第1画像特徴ベクトルを登録し、
(c)前記リファレンス画像が、前記既知の第1撮影画像に幾何変形を施して増量することによって形成されており、前記幾何変形を施されたリファレンス画像により診断支援が行われることを特徴とする請求項1に記載の方法。
[請求項3]
前記第1画像特徴ベクトルの抽出において、
前記第1撮影画像の第1短辺実寸長を算出し、
前記第1短辺実寸長を用いて前記第1撮影画像の第1リサイズ増量倍率を決定し、
前記第1撮影画像に外挿処理を施して第1外挿画像とし、
前記第1外挿画像に回転、反転及び前記第1リサイズ増量倍率に基づくリサイズによって幾何変形処理を施すことにより増量して第1幾何変形画像とし、
前記第1幾何変形画像から中央正方形領域をクロップすることにより第1切出し画像を得、前記第1切出し画像において前記第1画像特徴ベクトルを抽出することを特徴とする請求項2に記載の方法。
[請求項4]
前記第1リサイズ増量倍率が、前記第1短辺実寸長を踏まえ、前記第1短辺実寸長の全体平均よりも小さいものは大きくなる方向に、前記第1短辺実寸長の全体平均よりも大きいものは小さくなる方向に設定されることを特徴とする請求項3に記載の方法。
[請求項5]
(d)病変に係る未知の第2撮影画像に基づいて形成されるクエリ画像について第2画像特徴ベクトルを抽出し、
(e)前記第2画像特徴ベクトルを前記第1画像特徴ベクトルと対比し、前記リファレンス画像の中から前記クエリ画像に類似する少なくとも1つの候補を検索することを特徴とする請求項2から4のいずれか1項に記載の方法。
[請求項6]
前記第2画像特徴ベクトルの抽出において、
前記第2撮影画像の第2短辺実寸長を算出し、
前記第2短辺実寸長を用いて前記第2撮影画像の第2リサイズ増量倍率を決定し、
前記第2撮影画像に外挿処理を施して第2外挿画像とし、
前記第2外挿画像に回転、反転及び前記第2リサイズ増量倍率に基づくリサイズによって幾何変形処理を施すことにより増量して第2幾何変形画像とし、
前記第2幾何変形画像から中央正方形領域をクロップすることにより第2切出し画像を得、前記第2切出し画像において前記第2画像特徴ベクトルを抽出することを特徴とする請求項5に記載の方法。
[請求項7]
前記第2リサイズ増量倍率が、前記第2短辺実寸長を踏まえ、前記第2短辺実寸長の全体平均よりも小さいものは大きくなる方向に、前記第2短辺実寸長の全体平均よりも大きいものは小さくなる方向に設定されることを特徴とする請求項6に記載の方法。
[請求項8]
前記病変に係る既知の前記第1撮影画像に基づいて形成される前記リファレンス画像について第1画像特徴ベクトルを抽出して登録するデータベースを生成するステップ(A)を備え、
前記ステップ(A)が、
前記第1撮影画像を入力するステップ(A2)と、
前記第1撮影画像の第1短辺実寸長を算出するステップ(A3)と、
前記第1短辺実寸長を用いて前記第1撮影画像の第1リサイズ増量倍率を決定するステップ(A4)と、
前記第1撮影画像に外挿処理を施して第1外挿画像とするステップ(A5)と、
前記第1外挿画像に回転、反転及び前記第1リサイズ増量倍率に基づくリサイズによって幾何変形処理を施すことにより増量して第1幾何変形画像とするステップ(A6)と、
前記第1幾何変形画像から中央正方形領域をクロップすることにより第1切出し画像を得るステップ(A7)と、
前記第1切出し画像において前記第1画像特徴ベクトルを抽出して登録するステップ(A8)と、を備えることを特徴とする請求項1に記載の方法。
[請求項9]
前記病変に係る未知の前記第2撮影画像に基づいて形成される前記クエリ画像について第2画像特徴ベクトルを抽出して、病変に係る既知の前記第1撮影画像に基づいて形成される前記リファレンス画像について抽出された第1画像特徴ベクトルと対比し、前記リファレンス画像の中から前記クエリ画像に類似する少なくとも1つの候補を検索するステップ(B)を備え、
前記ステップ(B)が、
前記第2撮影画像を入力するステップ(B2)と、
前記第2撮影画像の第2短辺実寸長を算出するステップ(B3)と、
前記第2短辺実寸長を用いて前記第2撮影画像の第2リサイズ増量倍率を決定するステップ(B4)と、
前記第2撮影画像に外挿処理を施して第2外挿画像とするステップ(B5)と、
前記第2外挿画像に回転、反転及び前記第2リサイズ増量倍率に基づくリサイズによって幾何変形処理を施すことにより増量して第2幾何変形画像とするステップ(B6)と、
前記第2幾何変形画像から中央正方形領域をクロップすることにより第2切出し画像を得るステップ(B7)と、
前記第2切出し画像において前記第2画像特徴ベクトルを抽出するステップ(B8)と、
前記第2画像特徴ベクトルと前記第1画像特徴ベクトルとのベクトル間距離を算出するステップ(B9)と、
前記第1画像特徴ベクトルのサンプルごとに前記ベクトル間距離を求め、最短距離のサンプルのみを残すステップ(B10)と、
各サンプルの最短距離を短い順に並べ替えて検索候補順位とするステップ(B11)と、
検索候補順位順に各サンプルの候補提示を行うステップ(B12)と、を備えることを特徴とする請求項1に記載の方法。
[請求項10]
前記幾何変形が施されたリファレンス画像をニューラルネットワークに入力して機械学習しアンサンブル識別器を生成し、前記幾何変形が施されたクエリ画像を機械学習済みの前記アンサンブル識別器に入力して前記クエリ画像の識別を行うことを特徴とする請求項1に記載の方法。
[請求項11]
前記リファレンス画像の幾何変形において前記第1撮影画像としての高解像度長方形画像から低解像度正方形画像を事前に用意し、その低解像度正方形画像を幾何増量してニューラルネットワークに入力して機械学習しアンサンブル識別器を生成することを特徴とする請求項1から9のいずれか1項に記載の方法。
[請求項12]
前記クエリ画像の幾何変形において前記第2撮影画像としての高解像度長方形画像から低解像度正方形画像を事前に用意し、その低解像度正方形画像を幾何増量して機械学習済みの前記アンサンブル識別器に入力して前記クエリ画像の識別を行うことを特徴とする請求項1から9のいずれか1項に記載の方法。
[請求項13]
前記アンサンブル識別器が複数の単位識別器を含み、前記リファレンス画像及び/又は前記クエリ画像が、各単位識別器向けに異なるパターンによって幾何変形されることを特徴とする請求項10から12のいずれか1項に記載の方法。
[請求項14]
前記リファレンス画像について、
機械学習用にM枚の前記第1撮影画像を用意し、
前記第1撮影画像をN通りの事前増量をしてM×N枚とし、
M×N枚の前記学習画像の中から所定の画像を取り出し、90×L度の回転、反転する/しないをランダムに幾何変形し、
幾何変形した前記第1撮影画像をニューラルネットワークに入力して機械学習を行い、
必要な回数に達するまで、幾何変形及び機械学習を繰り返し、
識別器を生成することを特徴とする請求項1から9のいずれか1項に記載の方法。
ここで、M及びNは2以上の整数、Lは0〜3の整数である。
[請求項15]
前記第1撮影画像として高解像度長方形画像を入力し、前記高解像度長方形画像から低解像度正方形画像を事前に用意することを特徴とする請求項14に記載の方法。
[請求項16]
前記クエリ画像について、
予測対象の前記第2撮影画像を1枚入力し、
前記第2撮影画像をN通りの事前増量をしてN枚とし、
N枚の前記第2撮影画像それぞれについて、90×L度の回転、反転する/しないの組み合わせで8通りに幾何変形し、
幾何変形した8×N枚の前記第2撮影画像を機械学習済みの前記識別器に個別に入力し、8×N個の推論値を得、
8×N個の推論値を平均して最終推論値とすることを特徴とする請求項1から9のいずれか1項に記載の方法。
ここで、Nは2以上の整数、Lは0〜3の整数である。
[請求項17]
前記第2撮影画像として高解像度長方形画像を入力し、前記高解像度長方形画像から低解像度正方形画像を事前に用意することを特徴とする請求項16に記載の方法。
[請求項18]
撮影画像から病変を診断するための診断支援装置であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像が登録されているデータベースを備え、
病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援が行われるに際し、
前記リファレンス画像から幾何変形を施されたリファレンス画像を作成し、または前記クエリ画像から幾何変形を施されたクエリ画像を作成する増量手段を備えることを特徴とする診断支援装置。
[請求項19]
コンピュータに請求項1から17のいずれか1項に記載の画像処理方法を実行させるプログラム。
Claims (15)
- 撮影画像から病変を診断するための診断支援装置における画像処理方法であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像がデータベースに登録されており、病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援を行うに際し、
前記病変に係る既知の第1撮影画像に基づいて形成されるリファレンス画像について、その第1画像特徴ベクトルを抽出し、
前記抽出された第1画像特徴ベクトルを登録し、
前記リファレンス画像が、前記第1撮影画像に幾何変形を施して増量することによって形成されており、前記幾何変形を施されたリファレンス画像を用いて診断支援が行われ、
前記第1画像特徴ベクトルの抽出において、
前記第1撮影画像の第1短辺実寸長を算出し、
前記第1短辺実寸長を用いて前記第1撮影画像の第1リサイズ増量倍率を決定し、
前記第1撮影画像に外挿処理を施して第1外挿画像とし、
前記第1外挿画像に回転、反転及び前記第1リサイズ増量倍率に基づくリサイズによって幾何変形処理を施すことにより増量して第1幾何変形画像とし、
前記第1幾何変形画像から中央正方形領域をクロップすることにより第1切出し画像を得、前記第1切出し画像において前記第1画像特徴ベクトルを抽出することを特徴とする方法。 - 前記第1リサイズ増量倍率が、前記第1短辺実寸長を踏まえ、前記第1短辺実寸長の全体平均よりも小さいものは大きくなる方向に、前記第1短辺実寸長の全体平均よりも大きいものは小さくなる方向に設定されることを特徴とする請求項1に記載の方法。
- 病変に係る未知の第2撮影画像に基づいて形成されるクエリ画像について第2画像特徴ベクトルを抽出し、
前記第2画像特徴ベクトルを前記第1画像特徴ベクトルと対比し、前記リファレンス画像の中から前記クエリ画像に類似する少なくとも1つの候補を検索することを特徴とする請求項1又は2に記載の方法。 - 撮影画像から病変を診断するための診断支援装置における画像処理方法であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像がデータベースに登録されており、病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援を行うに際し、
前記リファレンス画像について、その第1画像特徴ベクトルを抽出し、
前記抽出された第1画像特徴ベクトルを登録し、
前記リファレンス画像が、前記第1撮影画像に幾何変形を施して増量することによって形成されており、前記幾何変形を施されたリファレンス画像を用いて診断支援が行われ、
前記クエリ画像について第2画像特徴ベクトルを抽出し、
前記第2画像特徴ベクトルを前記第1画像特徴ベクトルと対比し、前記リファレンス画像の中から前記クエリ画像に類似する少なくとも1つの候補を検索し、
前記第2画像特徴ベクトルの抽出において、
前記第2撮影画像の第2短辺実寸長を算出し、
前記第2短辺実寸長を用いて前記第2撮影画像の第2リサイズ増量倍率を決定し、
前記第2撮影画像に外挿処理を施して第2外挿画像とし、
前記第2外挿画像に回転、反転及び前記第2リサイズ増量倍率に基づくリサイズによって幾何変形処理を施すことにより増量して第2幾何変形画像とし、
前記第2幾何変形画像から中央正方形領域をクロップすることにより第2切出し画像を得、前記第2切出し画像において前記第2画像特徴ベクトルを抽出することを特徴とする方法。 - 前記第2リサイズ増量倍率が、前記第2短辺実寸長を踏まえ、前記第2短辺実寸長の全体平均よりも小さいものは大きくなる方向に、前記第2短辺実寸長の全体平均よりも大きいものは小さくなる方向に設定されることを特徴とする請求項4に記載の方法。
- 撮影画像から病変を診断するための診断支援装置における画像処理方法であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像がデータベースに登録されており、病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援を行うに際し、
前記リファレンス画像から幾何変形が施されたリファレンス画像を作成し、
前記クエリ画像から幾何変形が施されたクエリ画像を作成し、
前記幾何変形が施されたリファレンス画像をニューラルネットワークに入力して機械学習しアンサンブル識別器を生成し、
前記幾何変形が施されたクエリ画像を機械学習済みの前記アンサンブル識別器に入力して前記クエリ画像の識別を行い、
前記リファレンス画像について、
機械学習用にM枚の前記第1撮影画像を用意し、
前記第1撮影画像をN通りの事前増量をしてM×N枚とし、
M×N枚の前記学習画像の中から所定の画像を取り出し、90×L度の回転、反転する/しないをランダムに幾何変形し、
幾何変形した前記第1撮影画像を前記ニューラルネットワークに入力して機械学習を行い、
必要な回数に達するまで、幾何変形及び機械学習を繰り返し、前記アンサンブル識別器を生成することを特徴とする方法。
ここで、M及びNは2以上の整数、Lは0〜3の整数である。 - 前記第1撮影画像として高解像度長方形画像を入力し、前記高解像度長方形画像から低解像度正方形画像を事前に用意することを特徴とする請求項6に記載の方法。
- 撮影画像から病変を診断するための診断支援装置における画像処理方法であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像がデータベースに登録されており、病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援を行うに際し、
前記リファレンス画像から幾何変形が施されたリファレンス画像を作成し、
前記クエリ画像から幾何変形が施されたクエリ画像を作成し、
前記幾何変形が施されたリファレンス画像をニューラルネットワークに入力して機械学習しアンサンブル識別器を生成し、
前記幾何変形が施されたクエリ画像を機械学習済みの前記アンサンブル識別器に入力して前記クエリ画像の識別を行い、
前記クエリ画像について、
予測対象の前記第2撮影画像を1枚入力し、
前記第2撮影画像をN通りの事前増量をしてN枚とし、
N枚の前記第2撮影画像それぞれについて、90×L度の回転、反転する/しないの組み合わせで8通りに幾何変形し、
幾何変形した8×N枚の前記第2撮影画像を機械学習済みの前記アンサンブル識別器に個別に入力し、8×N個の推論値を得、
8×N個の推論値を平均して最終推論値とすることを特徴とする方法。
ここで、Nは2以上の整数、Lは0〜3の整数である。 - 前記第2撮影画像として高解像度長方形画像を入力し、前記高解像度長方形画像から低解像度正方形画像を事前に用意することを特徴とする請求項8に記載の方法。
- 前記アンサンブル識別器が複数の単位識別器を含み、前記リファレンス画像及び/又は前記クエリ画像が、各単位識別器向けに異なるパターンによって幾何変形されることを特徴とする請求項6から9のいずれか1項に記載の方法。
- 撮影画像から病変を診断するための診断支援装置における画像処理方法であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像がデータベースに登録されており、病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援を行うに際し、
前記第2撮影画像の第2短辺実寸長を算出し、
前記第2短辺実寸長を用いて前記第2撮影画像の第2リサイズ増量倍率を決定し、
前記第2撮影画像に少なくとも前記第2リサイズ増量倍率に基づくリサイズによる幾何変形処理を施して増量することにより、前記クエリ画像を作成することを特徴とする方法。 - 撮影画像から病変を診断するための診断支援装置における画像処理方法であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像がデータベースに登録されており、病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援を行うに際し、
前記リファレンス画像をニューラルネットワークに入力して機械学習しアンサンブル識別器を生成し、
前記クエリ画像を機械学習済みの前記アンサンブル識別器に入力して前記クエリ画像の識別を行うに際し、前記クエリ画像について、
予測対象の前記第2撮影画像を1枚入力し、
前記第2撮影画像を複数通り増量し、
前記増量した複数枚の第2撮影画像それぞれについて複数通りに幾何変形し、
前記幾何変形した複数枚の前記第2撮影画像を機械学習済みの前記アンサンブル識別器に個別に入力し、複数個の推論値を得、
前記複数個の推論値を平均して最終推論値とすることを特徴とする方法。 - 撮影画像から病変を診断するための診断支援装置であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像が登録されているデータベースを備え、
病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援が行われるに際し、
前記リファレンス画像から幾何変形を施されたリファレンス画像を作成し、前記クエリ画像から幾何変形を施されたクエリ画像を作成する作成手段と、
前記幾何変形が施されたリファレンス画像をニューラルネットワークに入力して機械学習しアンサンブル識別器を生成する生成手段と、
前記幾何変形が施されたクエリ画像を機械学習済みの前記アンサンブル識別器に入力して前記クエリ画像の識別を行う識別手段と、をさらに備え、
前記作成手段は、前記リファレンス画像について、機械学習用にM枚の前記第1撮影画像を用意し、前記第1撮影画像をN通りの事前増量をしてM×N枚とし、M×N枚の前記学習画像の中から所定の画像を取り出し、90×L度の回転、反転する/しないをランダムに幾何変形し、
前記生成手段は、幾何変形した前記第1撮影画像を前記ニューラルネットワークに入力して機械学習を行い、必要な回数に達するまで、幾何変形及び機械学習を繰り返し、前記アンサンブル識別器を生成することを特徴とする診断支援装置。
ここで、M及びNは2以上の整数、Lは0〜3の整数である。 - 撮影画像から病変を診断するための診断支援装置であって、
病変に係る既知の第1撮影画像に対応するリファレンス画像が登録されているデータベースを備え、
病変に係る未知の第2撮影画像に対応するクエリ画像を前記データベースのリファレンス画像と対比することにより診断支援が行われるに際し、
前記リファレンス画像から幾何変形を施されたリファレンス画像を作成し、前記クエリ画像から幾何変形を施されたクエリ画像を作成する作成手段と、
前記幾何変形が施されたリファレンス画像をニューラルネットワークに入力して機械学習しアンサンブル識別器を生成する生成手段と、
前記幾何変形が施されたクエリ画像を機械学習済みの前記アンサンブル識別器に入力して前記クエリ画像の識別を行う識別手段と、をさらに備え、
前記作成手段は、前記クエリ画像について、予測対象の前記第2撮影画像を1枚入力し、前記第2撮影画像をN通りの事前増量をしてN枚とし、前記N枚の前記第2撮影画像それぞれについて、90×L度の回転、反転する/しないの組み合わせで8通りに幾何変形し、
前記識別手段は、前記幾何変形した8×N枚の前記第2撮影画像を機械学習済みの前記アンサンブル識別器に個別に入力し、8×N個の推論値を得、
8×N個の推論値を平均して最終推論値とすることを特徴とする診断支援装置。
ここで、Nは2以上の整数、Lは0〜3の整数である。 - コンピュータに請求項1から12のいずれか1項に記載の画像処理方法を実行させるプログラム。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2017204494A AU2017204494B2 (en) | 2016-09-01 | 2017-06-30 | Diagnosis assisting device, image processing method in diagnosis assisting device, and non-transitory storage medium having stored therein program |
US15/642,275 US10586331B2 (en) | 2016-09-01 | 2017-07-05 | Diagnosis assisting device, image processing method in diagnosis assisting device, and non-transitory storage medium having stored therein program |
EP23201534.7A EP4283560A3 (en) | 2016-09-01 | 2017-07-05 | Diagnosis assisting device, image processing method in diagnosis assisting device, and computer program |
EP18192773.2A EP3432268B1 (en) | 2016-09-01 | 2017-07-05 | Diagnosis assisting device, image processing method in diagnosis assisting device, and computer program |
EP17179754.1A EP3291174A1 (en) | 2016-09-01 | 2017-07-05 | Diagnosis assisting device, image processing method in diagnosis assisting device, and computer program |
CN201710610753.8A CN107798673B (zh) | 2016-09-01 | 2017-07-25 | 诊断支援装置、诊断支援装置的图像处理方法、以及存储程序的存储介质 |
CA2974814A CA2974814A1 (en) | 2016-09-01 | 2017-07-31 | Diagnosis assisting device, image processing method in diagnosis assisting device, and non-transitory storage medium having stored therein program |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016170477 | 2016-09-01 | ||
JP2016170477 | 2016-09-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018041434A JP2018041434A (ja) | 2018-03-15 |
JP6390746B2 true JP6390746B2 (ja) | 2018-09-19 |
Family
ID=61626184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017081415A Active JP6390746B2 (ja) | 2016-09-01 | 2017-04-17 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6390746B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563767B (zh) | 2018-04-19 | 2020-11-27 | 深圳市商汤科技有限公司 | 图像检索方法及装置 |
CN112188861A (zh) * | 2018-05-17 | 2021-01-05 | 宝洁公司 | 用于毛发覆盖分析的系统和方法 |
US11172873B2 (en) | 2018-05-17 | 2021-11-16 | The Procter & Gamble Company | Systems and methods for hair analysis |
KR102359860B1 (ko) * | 2020-01-20 | 2022-02-09 | 주식회사 아이도트 | 뇌동맥류 파열 예측 시스템 |
JP7446559B2 (ja) * | 2020-01-28 | 2024-03-11 | オムロン株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
JP6827245B1 (ja) * | 2020-10-23 | 2021-02-10 | 株式会社アドイン研究所 | Aiを用いる診断装置、学習データ生成装置、データ要求装置、診断システム、及び、プログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09328404A (ja) * | 1996-06-07 | 1997-12-22 | Iwao Hishida | 殺菌、抗菌および不活化剤 |
JPH11328404A (ja) * | 1998-05-08 | 1999-11-30 | Matsushita Electric Ind Co Ltd | 画像認識装置および画像認識方法 |
JP2003317098A (ja) * | 2002-04-19 | 2003-11-07 | Ricoh Co Ltd | 画像認識装置およびプログラム |
JP4628882B2 (ja) * | 2005-06-16 | 2011-02-09 | 富士フイルム株式会社 | 判別器の学習方法、顔判別方法および装置並びにプログラム |
JP4493679B2 (ja) * | 2007-03-29 | 2010-06-30 | 富士フイルム株式会社 | 対象領域抽出方法および装置ならびにプログラム |
JP5318503B2 (ja) * | 2008-09-02 | 2013-10-16 | ヤフー株式会社 | 画像検索装置 |
JP5633248B2 (ja) * | 2010-08-23 | 2014-12-03 | 株式会社ニコン | 信号処理装置、欠陥検出装置、信号処理方法、欠陥検出方法およびプログラム |
JP6099593B2 (ja) * | 2014-03-27 | 2017-03-22 | 富士フイルム株式会社 | 類似症例検索装置、類似症例検索方法、及び類似症例検索プログラム |
JP6298838B2 (ja) * | 2016-01-22 | 2018-03-20 | 株式会社日立製作所 | 個人認証装置 |
-
2017
- 2017-04-17 JP JP2017081415A patent/JP6390746B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018041434A (ja) | 2018-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6390746B2 (ja) | 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 | |
CN107798673B (zh) | 诊断支援装置、诊断支援装置的图像处理方法、以及存储程序的存储介质 | |
JP6039156B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
KR101374041B1 (ko) | 화상 처리 장치 | |
JPWO2018008593A1 (ja) | 画像診断学習装置、画像診断装置、方法およびプログラム | |
CN110619318B (zh) | 基于人工智能的图像处理方法、显微镜、系统和介质 | |
US9824189B2 (en) | Image processing apparatus, image processing method, image display system, and storage medium | |
JP2010142428A (ja) | 撮影装置及び撮影方法、プログラム、記録媒体 | |
CN105979847A (zh) | 内窥镜图像诊断辅助系统 | |
JP2017046814A (ja) | 情報処理装置、画像処理装置、情報処理システム、情報処理方法、及びプログラム。 | |
JP2019180545A (ja) | 予測装置、予測方法、及び予測プログラム | |
JP2015091564A (ja) | 撮影装置及び撮影方法、プログラム、記録媒体 | |
JP7439990B2 (ja) | 医療画像処理装置、医療画像処理プログラム、および医療画像処理方法 | |
JP2019013461A (ja) | プローブ型共焦点レーザー顕微内視鏡画像診断支援装置 | |
Xu et al. | Improving the resolution of retinal OCT with deep learning | |
WO2024117192A1 (ja) | 検体を撮影した画像の分解能を向上させる画像処理 | |
JP6720267B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN117710233B (zh) | 一种内窥图像的景深扩展方法及装置 | |
JP6419115B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP2007299219A (ja) | 撮影画像におけるゆがみの較正方法 | |
JP7086630B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP2024025181A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP6131149B2 (ja) | 画像処理装置、方法およびプログラム | |
Shen et al. | Improving the Resolution of Retinal OCT with Deep Learning | |
Qidwai et al. | Image stitching system with scanning microscopy for histopathological applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20171212 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180522 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180614 |
|
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: 20180724 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180806 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6390746 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |