JP7049974B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

情報処理装置、情報処理方法、及びプログラム Download PDF

Info

Publication number
JP7049974B2
JP7049974B2 JP2018202948A JP2018202948A JP7049974B2 JP 7049974 B2 JP7049974 B2 JP 7049974B2 JP 2018202948 A JP2018202948 A JP 2018202948A JP 2018202948 A JP2018202948 A JP 2018202948A JP 7049974 B2 JP7049974 B2 JP 7049974B2
Authority
JP
Japan
Prior art keywords
data
input
output data
unit
correction
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
Application number
JP2018202948A
Other languages
English (en)
Other versions
JP2020071516A (ja
Inventor
健太 山田
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 Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2018202948A priority Critical patent/JP7049974B2/ja
Priority to US16/660,766 priority patent/US11710567B2/en
Publication of JP2020071516A publication Critical patent/JP2020071516A/ja
Application granted granted Critical
Publication of JP7049974B2 publication Critical patent/JP7049974B2/ja
Priority to US18/325,980 priority patent/US20230298759A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G06F18/41—Interactive pattern learning with a human teacher
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • 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
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30061—Lung
    • 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
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Description

本開示は、情報処理装置、情報処理方法、及びプログラムに関する。
従来、学習用データを用いた機械学習によって関数近似のための計算式を生成する技術が開示されている（特許文献１参照）。この技術では、追加の学習用データを用いた再学習によって関数近似のための計算式を変更する。
また、学習用データを用いた機械学習によって予め得られた識別器に対してユーザの行動に起因して得られたセンサデータを入力することによってユーザの行動を識別する技術が開示されている（特許文献２参照）。この技術では、識別結果が誤りであることがユーザにより入力された場合に、修正候補となる行動をユーザに提示し、ユーザに行動を選択させる。そして、この技術では、センサデータと、ユーザにより選択された行動とを用いて識別器を再学習させる。
特開平７－６５１６８号公報 特開２０１３－４１３２３号公報
しかしながら、特許文献１及び特許文献２に記載の技術では、学習済みモデルから出力された出力データに対して、ユーザによりどの程度の修正が行われたかを考慮していないため、適切な再学習用データを蓄積することができない場合があった。なお、ここでいう再学習用データとは、機械学習によって得られた学習済みモデルの再学習に用いられるデータを表す。
本開示は、以上の事情を鑑みて成されたものであり、適切な再学習用データを蓄積することができる情報処理装置、情報処理方法、及びプログラムを提供することを目的とする。
上記目的を達成するために、本開示の情報処理装置は、学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力する入力部と、入力部による入力により学習済みモデルから出力された出力データを取得する取得部と、取得部により取得された出力データに対するユーザによる修正を受け付ける受付部と、出力データに対する上記修正による修正量を表す値が閾値以上の場合に、入力データと、受付部により受け付けられた修正が反映された出力データとを、学習済みモデルの再学習用データとして記憶部に記憶する制御を行う記憶制御部と、を備える。
なお、本開示の情報処理装置は、修正量を表す値が、出力データに対する上記修正により追加された部分の割合の絶対値と削除された部分の割合の絶対値との和であってもよい。
また、本開示の情報処理装置は、入力データが、医用画像を表す画像データであり、出力データが、画像データから抽出された領域を表すデータであってもよい。
また、本開示の情報処理装置は、修正量を表す値が、出力データが表す領域の面積に対する、受付部により受け付けられたユーザによる修正によって追加された部分の面積と削除された部分の面積との和の割合であってもよい。
また、本開示の情報処理装置は、修正量を表す値が、出力データが表す領域の体積に対する、受付部により受け付けられたユーザによる修正によって追加された部分の体積と削除された部分の体積との和の割合であってもよい。
また、本開示の情報処理装置は、出力データが、医用の診断レポートの文章であってもよい。
また、本開示の情報処理装置は、修正量を表す値が、出力データに対してユーザによる修正が行われた頻度であってもよい。
また、本開示の情報処理装置は、記憶制御部が、更に、ユーザが信頼できるユーザとして予め定められたユーザである場合に、上記制御を行ってもよい。
また、本開示の情報処理装置は、閾値が、ユーザの熟練度が高いほど小さい値であってもよい。
また、本開示の情報処理装置は、閾値が、被検体の治療方針に応じて定まる値であってもよい。
また、本開示の情報処理装置は、閾値が、１０％であってもよい。
また、本開示の情報処理装置は、記憶制御部により記憶部に記憶された再学習用データを用いて学習済みモデルを再学習させる学習部を更に備えてもよい。
一方、上記目的を達成するために、本開示の情報処理方法は、学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力し、入力により学習済みモデルから出力された出力データを取得し、取得した出力データに対するユーザによる修正を受け付け、出力データに対する上記修正による修正量を表す値が閾値以上の場合に、入力データと、受け付けた修正が反映された出力データとを、学習済みモデルの再学習用データとして記憶部に記憶する制御を行う処理をコンピュータが実行するものである。
また、上記目的を達成するために、本開示のプログラムは、学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力し、入力により学習済みモデルから出力された出力データを取得し、取得した出力データに対するユーザによる修正を受け付け、出力データに対する上記修正による修正量を表す値が閾値以上の場合に、入力データと、受け付けた修正が反映された出力データとを、学習済みモデルの再学習用データとして記憶部に記憶する制御を行う処理をコンピュータに実行させるためのものである。
また、本開示の情報処理装置は、コンピュータに実行させるための命令を記憶するメモリと、記憶された命令を実行するよう構成されたプロセッサと、を備え、プロセッサは、学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力し、入力により学習済みモデルから出力された出力データを取得し、取得した出力データに対するユーザによる修正を受け付け、出力データに対する上記修正による修正量を表す値が閾値以上の場合に、入力データと、受け付けた修正が反映された出力データとを、学習済みモデルの再学習用データとして記憶部に記憶する制御を行う。
本開示によれば、適切な再学習用データを蓄積することができる。
各実施形態に係る診断支援システムの構成の一例を示すブロック図である。 各実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。 第１実施形態に係る学習済みモデルの一例を示す図である。 第１実施形態に係る情報処理装置の機能的な構成の一例を示すブロック図である。 第１実施形態に係るユーザによる領域の追加の一例を示す図である。 第１実施形態に係るユーザによる領域の削除の一例を示す図である。 第１実施形態に係るユーザによる領域の追加及び削除の一例を示す図である。 第１実施形態に係る記憶制御処理の一例を示すフローチャートである。 第１実施形態に係る再学習処理の一例を示すフローチャートである。 第２実施形態に係る学習済みモデルの一例を示す図である。 第２実施形態に係る情報処理装置の機能的な構成の一例を示すブロック図である。 第２実施形態に係る記憶制御処理の一例を示すフローチャートである。 第２実施形態に係る再学習処理の一例を示すフローチャートである。
以下、図面を参照して、本開示の技術を実施するための形態例を詳細に説明する。
［第１実施形態］
まず、図１を参照して、本実施形態に係る診断支援システム１０の構成を説明する。図１に示すように、診断支援システム１０は、画像管理装置１２及び情報処理装置１４を含む。画像管理装置１２及び情報処理装置１４は、各々ネットワークＮに接続され、ネットワークＮを介した通信が可能とされる。画像管理装置１２は、ＣＴ（Computed Tomography）及びＭＲＩ（Magnetic Resonance Imaging）等の医用画像を撮影する撮影装置による撮影により得られた医用画像を表す画像データ（以下、「医用画像データ」という）を記憶する。画像管理装置１２の例としては、ＰＡＣＳ（Picture Archiving and Communication System）等が挙げられる。情報処理装置１４は、画像管理装置１２に記憶された医用画像データを用いて診断の支援を行う。情報処理装置１４の例としては、パーソナルコンピュータ及びサーバコンピュータ等の情報処理装置が挙げられる。
次に、図２を参照して、本実施形態に係る情報処理装置１４のハードウェア構成を説明する。図２に示すように、情報処理装置１４は、ＣＰＵ（Central Processing Unit）２０、一時記憶領域としてのメモリ２１、及び不揮発性の記憶部２２を含む。また、情報処理装置１４は、液晶ディスプレイ等の表示部２３、キーボードとマウス等の入力部２４、及びネットワークＮに接続されるネットワークＩ／Ｆ（InterFace）２５を含む。ＣＰＵ２０、メモリ２１、記憶部２２、表示部２３、入力部２４、及びネットワークＩ／Ｆ２５は、バス２６に接続される。
記憶部２２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、及びフラッシュメモリ等によって実現される。記憶媒体としての記憶部２２には、情報処理プログラム３０が記憶される。ＣＰＵ２０は、記憶部２２から情報処理プログラム３０を読み出してからメモリ２１に展開し、展開した情報処理プログラム３０を実行する。
また、記憶部２２には、学習済みモデル３２が記憶される。図３を参照して、学習済みモデル３２について説明する。図３に示すように、本実施形態では、学習済みモデル３２の一例として入力層、複数の中間層、及び出力層を含むニューラルネットワークを適用した形態例を説明する。
学習済みモデル３２には、入力データの一例として、ＣＴによる撮影により得られた医用画像データが入力される。また、学習済みモデル３２からは、出力データの一例として、医用画像データから抽出された領域を表すデータが出力される。本実施形態では、学習済みモデル３２は、入力の医用画像データが示す医用画像における肺領域を抽出し、抽出した肺領域を予め定められた色（例えば、赤色）で塗りつぶした画像を表す画像データを出力する。図３では、抽出された肺領域を斜線の領域で示している。
なお、本実施形態では、学習済みモデル３２が左右両方の肺領域を抽出する場合について説明するが、これに限定されない。学習済みモデル３２が左右の何れか一方の肺領域を抽出してもよいし、肺以外の領域を抽出してもよいし、複数種類の領域を抽出してもよい。学習済みモデル３２が抽出する領域の例としては、臓器領域、骨の領域、血管の領域、及び皮下脂肪の領域等が挙げられる。
学習済みモデル３２は、複数組の医用画像データ及び医用画像データにおける肺領域を表すデータを学習用データ（教師データとも称される）として用いた機械学習によって予め得られたモデルである。なお、この際の機械学習に用いられる手法の例としては、誤差逆伝播法等が挙げられる。
次に、図４を参照して、本実施形態に係る情報処理装置１４の機能的な構成について説明する。図４に示すように、情報処理装置１４は、入力部４０、取得部４２、出力部４４、受付部４６、導出部４８、記憶制御部５０、及び学習部５２を含む。ＣＰＵ２０が情報処理プログラム３０を実行することで、入力部４０、取得部４２、出力部４４、受付部４６、導出部４８、記憶制御部５０、及び学習部５２として機能する。
入力部４０は、画像管理装置１２から医用画像データを取得し、取得した医用画像データを学習済みモデル３２に入力する。取得部４２は、入力部４０による入力に対応して学習済みモデル３２から出力された出力データを取得する。
出力部４４は、取得部４２により取得された出力データを表示部２３に出力する。この出力により、表示部２３には、肺領域が予め定められた色で塗りつぶされた画像が表示される。ユーザは、表示部２３に表示された画像を確認し、修正が必要な場合は、入力部２４を介して画像における肺領域を正しい領域に修正する。
一例として図５に示すように、抽出された肺領域が実際の領域よりも狭い場合、ユーザは、領域を追加する修正を行う。図５の例では、斜線の領域Ａが、学習済みモデル３２により抽出された肺領域を表し、白塗りの領域Ｂが、ユーザによる修正により追加された領域を表す。
また、一例として図６に示すように、抽出された肺領域が実際の領域よりも広い場合、ユーザは、領域を削除する修正を行う。図６の例では、斜線の領域Ａが、学習済みモデル３２により抽出された肺領域を表し、白塗りの領域Ｃが、ユーザによる修正により削除された領域を表す。
また、一例として図７に示すように、ユーザは、抽出された肺領域から領域Ｂを追加する修正、及び領域Ｃを削除する修正の双方を行う場合もある。
受付部４６は、出力部４４により出力された出力データに対するユーザによる修正を受け付ける。具体的には、受付部４６は、前述したように、ユーザによる領域の修正が反映された出力データを受け付ける。
導出部４８は、出力部４４により出力された出力データに対する、受付部４６により受け付けられた修正による修正量を表す値を導出する。本実施形態では、導出部４８は、出力データに対する上記修正により追加された部分の割合の絶対値と、削除された部分の割合の絶対値との和を導出する。この和は、例えば、図５に示す例のように、領域が追加され、かつ削除された領域がない場合は、出力データに対する削除された部分の割合の絶対値がゼロとなり、追加された部分の割合の絶対値となる。また、この和は、例えば、図６に示す例のように、領域が削除され、かつ追加された領域がない場合は、出力データに対する追加された部分の割合の絶対値がゼロとなり、削除された部分の割合の絶対値となる。
具体的には、導出部４８は、上記修正量を表す値として、学習済みモデル３２により抽出された肺領域（図５～図７の例における領域Ａ）の面積に対する、受付部４６により受け付けられた修正により追加された部分（図５、７の例における領域Ｂ）の面積と、削除された部分（図６、７の例における領域Ｃ）の面積との和の割合を導出する。この割合は、例えば、領域Ｂの面積と領域Ｃの面積との和を、領域Ａの面積で除算することによって求めることができる。また、各領域の面積は、例えば、画像のピクセル数でもよいし、ピクセル数を実寸に換算した面積であってもよい。
なお、導出部４８は、面積に代えて体積を用いることによって上記修正量を表す値を導出してもよい。この場合、一度のＣＴ撮影により得られた複数の医用画像データが示す複数の医用画像におけるユーザにより修正された部分の画素をボクセルとして取り扱い、そのボクセル数を体積として用いる形態が例示される。
記憶制御部５０は、導出部４８により導出された修正量を表す値が閾値以上の場合に、入力部４０が学習済みモデル３２に入力した入力データと、受付部４６により受け付けられた修正が反映された出力データとを、学習済みモデル３２の再学習用データとして記憶部２２に記憶する制御を行う。
本実施形態では、上記閾値として、被検体の疾患の治療方針に応じて定まる値が適用される。具体的な一例としては、多発性嚢胞腎と呼ばれる疾患の治療薬は、腎臓の体積によって以下の（１）、（２）の処方条件が設定されている。
（１）腎臓の体積の増加率が５％／年以上である。
（２）全腎体積が７５０ｍｌ以上である。
このように、腎臓の体積を計測する場合、５％以上の誤差が発生すると被検体の疾患の治療方針に影響が出る。この例では、閾値として５％を適用し、記憶制御部５０は、導出部４８により導出された修正量を表す値が５％以上の場合に、上記の再学習用データを記憶部２２に記憶する制御を行う。
なお、上記閾値として、要求される領域の抽出精度に応じた値を適用してもよい。例えば、機械学習における、領域抽出を表すDICE accuracyは、９０％を超えると、精度の差を一目で認識することが困難とされている。そこで、１０％未満の修正については影響が小さいとし、上記閾値として１０％適用してもよい。この場合、記憶制御部５０は、導出部４８により導出された修正量を表す値が１０％以上の場合に、上記の再学習用データを記憶部２２に記憶する制御を行う。また、上記閾値は、ユーザにより設定された値を適用してもよい。
学習部５２は、記憶制御部５０による制御により記憶部２２に記憶された再学習用データを用いて学習済みモデル３２を再学習させる。この再学習に用いられる手法の例としては、誤差逆伝播法等が挙げられる。
次に、図８及び図９を参照して、本実施形態に係る情報処理装置１４の作用を説明する。ＣＰＵ２０が情報処理プログラム３０を実行することによって、図８に示す記憶制御処理及び図９に示す再学習処理が実行される。図８に示す記憶制御処理は、例えば、ユーザにより入力部２４を介して、記憶制御処理の実行指示が入力された場合に実行される。
図８のステップＳ１０で、入力部４０は、画像管理装置１２から医用画像データを取得し、取得した医用画像データを学習済みモデル３２に入力する。ステップＳ１２で、取得部４２は、ステップＳ１０の処理による入力に対応して学習済みモデル３２から出力された出力データを取得する。
ステップＳ１４で、出力部４４は、前述したように、ステップＳ１２の処理により取得された出力データを表示部２３に出力する。ステップＳ１６で、受付部４６は、前述したように、ステップＳ１４の処理により出力された出力データに対するユーザによる修正を受け付けたか否かを判定する。この判定が肯定判定となった場合は、処理はステップＳ１８に移行する。
ステップＳ１８で、導出部４８は、前述したように、ステップＳ１４の処理により出力された出力データに対するステップＳ１６の処理により受け付けられた修正による修正量を表す値を導出する。ステップＳ２０で、記憶制御部５０は、前述したように、ステップＳ１８の処理により導出された修正量を表す値が閾値以上であるか否かを判定する。この判定が肯定判定となった場合は、処理はステップＳ２２に移行する。
ステップＳ２２で、記憶制御部５０は、ステップＳ１０の処理により学習済みモデル３２に入力された入力データと、ステップＳ１６の処理により受け付けられた修正が反映された出力データとを、学習済みモデル３２の再学習用データとして記憶部２２に記憶する制御を行う。ステップＳ２２の処理が終了すると、記憶制御処理が終了する。
一方、ステップＳ１６の判定が否定判定となった場合は、ステップＳ１８、Ｓ２０、Ｓ２２の処理は実行されずに、記憶制御処理が終了する。また、ステップＳ２０の判定が否定判定となった場合は、ステップＳ２２の処理は実行されずに、記憶制御処理が終了する。
図８に示す記憶制御処理により、所定の件数（例えば、１００件）の再学習用データが記憶部２２に記憶されると、図９に示す再学習処理が実行される。なお、図９に示す再学習処理は、図８のステップＳ２２の処理により再学習用データが記憶部２２に記憶されるたびに実行されてもよいし、ユーザにより実行指示が入力された場合に実行されてもよい。
図９のステップＳ３０で、学習部５２は、図８に示す記憶制御処理により記憶部２２に記憶された再学習用データを取得する。ステップＳ３２で、学習部５２は、前述したように、ステップＳ３０の処理により取得された再学習用データを用いて学習済みモデル３２を再学習させる。ステップＳ３２の処理が終了すると、再学習処理が終了する。
以上説明したように、本実施形態によれば、出力データに対するユーザにより行われた修正による修正量を表す値が閾値以上の場合に、入力データと修正が反映された出力データとを学習済みモデル３２の再学習用データとして記憶部２２に記憶する制御を行う。従って、適切な再学習用データを蓄積することができる。
［第２実施形態］
第１実施形態では、医用画像データを処理対象とした形態例について説明した。本実施形態では、医用の診断レポートを処理対象とする形態例について説明する。なお、本実施形態に係る診断支援システム１０の構成（図１参照）及び情報処理装置１４のハードウェア構成（図２参照）は、第１実施形態と同様であるため、説明を省略する。
図１０を参照して、本実施形態に係る記憶部２２に記憶される学習済みモデル３２について説明する。図１０に示すように、本実施形態では、学習済みモデル３２の一例として入力層、複数の中間層、及び出力層を含むニューラルネットワークを適用した形態例を説明する。
学習済みモデル３２には、入力データの一例として、診断支援処理の結果として得られた病変情報が入力される。診断支援処理の例としては、肺ＣＡＤ（Computer-Aided Diagnosis）が挙げられ、病変情報の例としては、病変の大きさ、及びＣＴ画像の信号値等の質的な情報等が挙げられる。また、学習済みモデル３２からは、出力データの一例として、医用の診断レポートの文章として用いられる定型文が出力される。
学習済みモデル３２は、複数組の病変情報及び医用の診断レポートの文章を学習用データとして用いた機械学習によって予め得られたモデルである。なお、この際の機械学習に用いられる手法の例としては、誤差逆伝播法等が挙げられる。
次に、図１１を参照して、本実施形態に係る情報処理装置１４の機能的な構成について説明する。図１１に示すように、情報処理装置１４は、入力部６０、取得部６２、出力部６４、受付部６６、導出部６８、記憶制御部７０、及び学習部７２を含む。ＣＰＵ２０が情報処理プログラム３０を実行することで、入力部６０、取得部６２、出力部６４、受付部６６、導出部６８、記憶制御部７０、及び学習部７２として機能する。
入力部６０は、画像管理装置１２から診断支援処理の結果として得られた病変情報を取得し、取得した病変情報を学習済みモデル３２に入力する。取得部６２は、入力部６０による入力に対応して学習済みモデル３２から出力された出力データを取得する。
出力部６４は、取得部６２により取得された出力データを表示部２３に出力する。この出力により、表示部２３には、医用の診断レポートの文章として用いられる定型文が表示される。ユーザは、表示部２３に表示された定型文における特徴を示す単語（例えば、病変の大きさ等）と文章の体裁とを確認し、修正が必要な場合は、入力部２４を介して定型文を正しい文章に修正する。
受付部６６は、出力部６４により出力された出力データに対するユーザによる修正を受け付ける。具体的には、受付部６６は、前述したように、ユーザによる修正が反映された文章を受け付ける。
導出部６８は、出力部６４により出力された出力データに対する、受付部６６により受け付けられた修正による修正量を表す値を導出する。本実施形態では、導出部６８は、出力データに対する上記修正により追加された部分の割合の絶対値と、削除された部分の割合の絶対値との和を導出する。この和は、例えば、文字が追加され、かつ削除された文字がない場合は、出力データに対する削除された部分の割合の絶対値がゼロとなり、追加された部分の割合の絶対値となる。また、この和は、例えば、文字が削除され、かつ追加された文字がない場合は、出力データに対する追加された部分の割合の絶対値がゼロとなり、削除された部分の割合の絶対値となる。
具体的には、導出部６８は、上記修正量を表す値として、学習済みモデル３２から出力された定型文の文字数に対する、受付部６６により受け付けられた修正により追加された文字数と、削除された文字数との和の割合を導出する。なお、導出部６８は、上記修正量を表す値として、学習済みモデル３２から出力された定型文の単語数に対する、受付部６６により受け付けられた修正により追加された単語数と、削除された単語数との和の割合を導出してもよい。
記憶制御部７０は、導出部６８により導出された修正量を表す値が閾値以上の場合に、入力部６０が学習済みモデル３２に入力した入力データと、受付部６６により受け付けられた修正が反映された出力データとを、学習済みモデル３２の再学習用データとして記憶部２２に記憶する制御を行う。
学習部７２は、記憶制御部７０による制御により記憶部２２に記憶された再学習用データを用いて学習済みモデル３２を再学習させる。この再学習に用いられる手法の例としては、誤差逆伝播法等が挙げられる。
次に、図１２及び図１３を参照して、本実施形態に係る情報処理装置１４の作用を説明する。ＣＰＵ２０が情報処理プログラム３０を実行することによって、図１２に示す記憶制御処理及び図１３に示す再学習処理が実行される。図１２に示す診断支援処理は、例えば、ユーザにより入力部２４を介して、記憶制御処理の実行指示が入力された場合に実行される。
図１２のステップＳ４０で、入力部４０は、画像管理装置１２から診断支援処理の結果として得られた病変情報を取得し、取得した病変情報を学習済みモデル３２に入力する。ステップＳ４２で、取得部６２は、ステップＳ４０の処理による入力に対応して学習済みモデル３２から出力された出力データを取得する。
ステップＳ４４で、出力部６４は、前述したように、ステップＳ４２の処理により取得された出力データを表示部２３に出力する。ステップＳ４６で、受付部６６は、前述したように、ステップＳ４４の処理により出力された出力データに対するユーザによる修正を受け付けたか否かを判定する。この判定が肯定判定となった場合は、処理はステップＳ４８に移行する。
ステップＳ４８で、導出部６８は、前述したように、ステップＳ４４の処理により出力された出力データに対するステップＳ４６の処理により受け付けられた修正による修正量を表す値を導出する。ステップＳ５０で、記憶制御部７０は、前述したように、ステップＳ４８の処理により導出された修正量を表す値が閾値以上であるか否かを判定する。この判定が肯定判定となった場合は、処理はステップＳ５２に移行する。
ステップＳ５２で、記憶制御部７０は、ステップＳ４０の処理により学習済みモデル３２に入力された入力データと、ステップＳ４６の処理により受け付けられた修正が反映された出力データとを、学習済みモデル３２の再学習用データとして記憶部２２に記憶する制御を行う。ステップＳ５２の処理が終了すると、記憶制御処理が終了する。
一方、ステップＳ４６の判定が否定判定となった場合は、ステップＳ４８、Ｓ５０、Ｓ５２の処理は実行されずに、記憶制御処理が終了する。また、ステップＳ５０の判定が否定判定となった場合は、ステップＳ５２の処理は実行されずに、記憶制御処理が終了する。
図１２に示す記憶制御処理により、所定の件数（例えば、１００件）の再学習用データが記憶部２２に記憶されると、図１３に示す再学習処理が実行される。なお、図１３に示す再学習処理は、図１２のステップＳ５２の処理により再学習用データが記憶部２２に記憶されるたびに実行されてもよいし、ユーザにより実行指示が入力された場合に実行されてもよい。
図１３のステップＳ６０で、学習部７２は、図１２に示す記憶制御処理により記憶部２２に記憶された再学習用データを取得する。ステップＳ６２で、学習部７２は、前述したように、ステップＳ６０の処理により取得された再学習用データを用いて学習済みモデル３２を再学習させる。ステップＳ６２の処理が終了すると、再学習処理が終了する。
以上説明したように、本実施形態によれば、第１実施形態と同様の効果を奏することができる。
なお、上記各実施形態では、開示の技術を医用に適用した場合について説明したが、これに限定されない。開示の技術を医用以外の用途に適用する形態としてもよい。
また、上記各実施形態における修正量を表す値は、出力部４４、６４から出力された出力データに対してユーザによる修正が行われた頻度でもよい。この場合、例えば、Ｎ（Ｎは２以上の整数）件の出力データに連続して修正が行われた場合に、再学習用データを記憶部２２に記憶する形態が例示される。また、この場合、所定件数（例えば、１０件）の出力データに対する修正が行われた件数の割合が閾値（例えば、８０％）以上の場合に、再学習用データを記憶部２２に記憶する形態が例示される。
また、上記各実施形態において、更に、出力データに対して修正を行ったユーザが信頼できるユーザとして予め定められたユーザの場合に、再学習用データを記憶部２２に記憶する制御を行ってもよい。この場合、例えば、医師、放射線科医、技師、研修医、及びゲストのうち、医師、放射線科医、及び技師を信頼できるユーザとして予め登録しておく形態が例示される。
また、上記各実施形態における修正量を表す値と比較される閾値を、ユーザの熟練度が高いほど小さい値としてもよい。この場合、例えば、ユーザが熟練者である専門医の場合の閾値を、ユーザが経験の浅い医師である研修医の場合の閾値よりも小さい値とする形態が例示される。ユーザの熟練度が高いほど、修正の精度が高い場合が多い。従って、このようにユーザの熟練度が高いほど閾値を小さい値とすることによって、より適切な再学習用データを蓄積することができる。
また、上記各実施形態において、例えば、入力部、取得部、出力部、受付部、導出部、記憶制御部、及び学習部といった各種の処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
また、上記各実施形態では、情報処理プログラム３０が記憶部２２に予め記憶（インストール）されている態様を説明したが、これに限定されない。情報処理プログラム３０は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、情報処理プログラム３０は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
１０ 診断支援システム
１２ 画像管理装置
１４ 情報処理装置
２０ ＣＰＵ
２１ メモリ
２２ 記憶部
２３ 表示部
２４ 入力部
２５ ネットワークＩ／Ｆ
２６ バス
３０ 情報処理プログラム
３２ 学習済みモデル
４０、６０ 入力部
４２、６２ 取得部
４４、６４ 出力部
４６、６６ 受付部
４８、６８ 導出部
５０、７０ 記憶制御部
５２、７２ 学習部
Ｎ ネットワーク

Claims (16)

  1. 学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力する入力部と、
    前記入力部による入力により前記学習済みモデルから出力された出力データを取得する取得部と、
    前記取得部により取得された出力データに対するユーザによる修正を受け付ける受付部と、
    前記出力データに対する前記修正による修正量を表す値が閾値以上の場合に、前記入力データと、前記受付部により受け付けられた修正が反映された前記出力データとを、前記学習済みモデルの再学習用データとして記憶部に記憶する制御を行う記憶制御部と、
    を備え、
    前記修正量を表す値は、前記出力データに対する前記修正により追加された部分の割合の絶対値と削除された部分の割合の絶対値との和である
    情報処理装置。
  2. 前記入力データは、医用画像を表す画像データであり、
    前記出力データは、前記画像データから抽出された領域を表すデータである
    請求項１に記載の情報処理装置。
  3. 前記修正量を表す値は、前記出力データが表す領域の面積に対する、前記受付部により受け付けられたユーザによる修正によって追加された部分の面積と削除された部分の面積との和の割合である
    請求項２に記載の情報処理装置。
  4. 前記修正量を表す値は、前記出力データが表す領域の体積に対する、前記受付部により受け付けられたユーザによる修正によって追加された部分の体積と削除された部分の体積との和の割合である
    請求項２に記載の情報処理装置。
  5. 前記出力データは、医用の診断レポートの文章である
    請求項１に記載の情報処理装置。
  6. 前記記憶制御部は、更に、前記ユーザが信頼できるユーザとして予め定められたユーザである場合に、前記制御を行う
    請求項１から請求項５の何れか１項に記載の情報処理装置。
  7. 前記閾値は、前記ユーザの医師としての経験によって定まる熟練度が高いほど小さい値である
    請求項１から請求項６の何れか１項に記載の情報処理装置。
  8. 前記閾値は、被検体の疾患の治療方針に影響が出る誤差の下限値である
    請求項１から請求項６の何れか１項に記載の情報処理装置。
  9. 前記閾値は、１０％である
    請求項１から請求項６の何れか１項に記載の情報処理装置。
  10. 前記記憶制御部により前記記憶部に記憶された再学習用データを用いて前記学習済みモデルを再学習させる学習部を更に備えた
    請求項１から請求項９の何れか１項に記載の情報処理装置。
  11. 学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力する入力部と、
    前記入力部による入力により前記学習済みモデルから出力された出力データを取得する取得部と、
    前記取得部により取得された出力データに対するユーザによる修正を受け付ける受付部と、
    前記出力データに対する前記修正による修正量を表す値が閾値以上で、かつ前記ユーザが予め定められたユーザである場合に、前記入力データと、前記受付部により受け付けられた修正が反映された前記出力データとを、前記学習済みモデルの再学習用データとして記憶部に記憶する制御を行う記憶制御部と、
    を備えた情報処理装置。
  12. 前記修正量を表す値は、前記出力データに対して前記ユーザによる修正が行われた頻度である
    請求項１１に記載の情報処理装置。
  13. 学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力し、
    前記入力により前記学習済みモデルから出力された出力データを取得し、
    取得した出力データに対するユーザによる修正を受け付け、
    前記出力データに対する前記修正による修正量を表す値が閾値以上の場合に、前記入力データと、受け付けた修正が反映された前記出力データとを、前記学習済みモデルの再学習用データとして記憶部に記憶する制御を行う
    処理をコンピュータが実行する情報処理方法であって、
    前記修正量を表す値は、前記出力データに対する前記修正により追加された部分の割合の絶対値と削除された部分の割合の絶対値との和である
    情報処理方法。
  14. 学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力し、
    前記入力により前記学習済みモデルから出力された出力データを取得し、
    取得した出力データに対するユーザによる修正を受け付け、
    前記出力データに対する前記修正による修正量を表す値が閾値以上の場合に、前記入力データと、受け付けた修正が反映された前記出力データとを、前記学習済みモデルの再学習用データとして記憶部に記憶する制御を行う
    処理をコンピュータに実行させるためのプログラムであって、
    前記修正量を表す値は、前記出力データに対する前記修正により追加された部分の割合の絶対値と削除された部分の割合の絶対値との和である
    プログラム。
  15. 学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力し、
    前記入力により前記学習済みモデルから出力された出力データを取得し、
    取得した出力データに対するユーザによる修正を受け付け、
    前記出力データに対する前記修正による修正量を表す値が閾値以上で、かつ前記ユーザが予め定められたユーザである場合に、前記入力データと、受け付けた修正が反映された前記出力データとを、前記学習済みモデルの再学習用データとして記憶部に記憶する制御を行う
    処理をコンピュータが実行する情報処理方法。
  16. 学習用データを用いた機械学習によって予め得られた学習済みモデルに対して入力データを入力し、
    前記入力により前記学習済みモデルから出力された出力データを取得し、
    取得した出力データに対するユーザによる修正を受け付け、
    前記出力データに対する前記修正による修正量を表す値が閾値以上で、かつ前記ユーザが予め定められたユーザである場合に、前記入力データと、受け付けた修正が反映された前記出力データとを、前記学習済みモデルの再学習用データとして記憶部に記憶する制御を行う
    処理をコンピュータに実行させるためのプログラム。
JP2018202948A 2018-10-29 2018-10-29 情報処理装置、情報処理方法、及びプログラム Active JP7049974B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018202948A JP7049974B2 (ja) 2018-10-29 2018-10-29 情報処理装置、情報処理方法、及びプログラム
US16/660,766 US11710567B2 (en) 2018-10-29 2019-10-22 Information processing apparatus, information processing method, and program
US18/325,980 US20230298759A1 (en) 2018-10-29 2023-05-30 Information processing apparatus, information processing method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018202948A JP7049974B2 (ja) 2018-10-29 2018-10-29 情報処理装置、情報処理方法、及びプログラム

Publications (2)

Publication Number Publication Date
JP2020071516A JP2020071516A (ja) 2020-05-07
JP7049974B2 true JP7049974B2 (ja) 2022-04-07

Family

ID=70327254

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018202948A Active JP7049974B2 (ja) 2018-10-29 2018-10-29 情報処理装置、情報処理方法、及びプログラム

Country Status (2)

Country Link
US (2) US11710567B2 (ja)
JP (1) JP7049974B2 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10885441B2 (en) * 2016-12-22 2021-01-05 Adobe Inc. Selecting attributes by progressive sampling to generate digital predictive models
WO2021009906A1 (ja) * 2019-07-18 2021-01-21 株式会社島津製作所 細胞画像解析方法および細胞画像解析装置
KR102619486B1 (ko) * 2022-11-03 2024-01-02 시냅스이미징(주) 고해상도 컬러 변환이 구현된 검사시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015087903A (ja) 2013-10-30 2015-05-07 ソニー株式会社 情報処理装置及び情報処理方法
JP2016161823A (ja) 2015-03-03 2016-09-05 株式会社日立製作所 音響モデル学習支援装置、音響モデル学習支援方法

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0554014A (ja) * 1991-08-29 1993-03-05 Toyoda Mach Works Ltd ニユーラルネツトワークの学習装置
JPH0765168A (ja) 1993-08-31 1995-03-10 Hitachi Ltd 関数近似装置及び方法
JP3642591B2 (ja) * 1994-11-29 2005-04-27 株式会社日立メディコ 画像処理装置
JP3337597B2 (ja) * 1995-09-28 2002-10-21 松下電器産業株式会社 学習型認識判断装置
US20040122706A1 (en) * 2002-12-18 2004-06-24 Walker Matthew J. Patient data acquisition system and method
US8199981B2 (en) * 2006-05-18 2012-06-12 Elekta Ltd. Methods and systems for segmentation using boundary reparameterization
JP2008257291A (ja) * 2007-03-30 2008-10-23 Fujifilm Corp 症例データベース管理システム及び方法
US20110124976A1 (en) * 2008-08-15 2011-05-26 Koninklijke Philips Electronics N.V. Model enhanced imaging
US8577104B2 (en) * 2010-06-25 2013-11-05 Carestream Health, Inc. Liver lesion segmentation
JP5953673B2 (ja) 2011-08-11 2016-07-20 日本電気株式会社 行動識別装置、行動識別方法、及びプログラム
US9147239B2 (en) * 2011-12-23 2015-09-29 Stmicroelectronics S.R.L. Computing the mass of an object
US10748645B2 (en) * 2012-08-16 2020-08-18 Ginger.io, Inc. Method for providing patient indications to an entity
WO2015023732A1 (en) * 2013-08-13 2015-02-19 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems, methods and devices for analyzing quantitative information obtained from radiological images
US10949975B2 (en) * 2015-04-13 2021-03-16 Siemens Healthcare Gmbh Patient management based on anatomic measurements
JP2019521759A (ja) * 2016-06-17 2019-08-08 チルドレンズ ナショナル メディカル センターＣｈｉｌｄｒｅｎ’Ｓ Ｎａｔｉｏｎａｌ Ｍｅｄｉｃａｌ Ｃｅｎｔｅｒ 医学的な解剖構造の定量化：コンピュータ支援型診断ツール
US10049301B2 (en) * 2016-08-01 2018-08-14 Siemens Healthcare Gmbh Medical scanner teaches itself to optimize clinical protocols and image acquisition
US20180122509A1 (en) * 2016-10-31 2018-05-03 Talislife Sàrl Multilevel Intelligent Interactive Mobile Health System for Behavioral Physiology Self-Regulation in Real-Time
US10452813B2 (en) * 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
US10366491B2 (en) * 2017-03-08 2019-07-30 Siemens Healthcare Gmbh Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
EP3642743B1 (en) * 2017-06-19 2021-11-17 Viz.ai, Inc. A method and system for computer-aided triage
EP3643081B1 (en) * 2017-06-21 2023-11-01 Healthcare Technologies And Methods, LLC Adaptive and interactive education and communication system for people with hearing loss
US11195274B2 (en) * 2017-08-03 2021-12-07 Nucleai Ltd Systems and methods for analysis of tissue images
US11615879B2 (en) * 2017-09-08 2023-03-28 The General Hospital Corporation System and method for automated labeling and annotating unstructured medical datasets
WO2019069618A1 (ja) * 2017-10-05 2019-04-11 富士フイルム株式会社 医療画像処理装置及び機械学習装置
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
JP2019076529A (ja) * 2017-10-25 2019-05-23 テルモ株式会社 治療方法
US11625597B2 (en) * 2017-11-15 2023-04-11 Canon Medical Systems Corporation Matching network for medical image analysis
KR102165967B1 (ko) * 2017-11-17 2020-10-15 미쓰비시덴키 가부시키가이샤 3차원 공간 감시 장치, 3차원 공간 감시 방법, 및 3차원 공간 감시 프로그램
US11023531B2 (en) * 2018-01-05 2021-06-01 Goodrich Corporation Information fusion in multi-domain operational environment
JP6996633B2 (ja) * 2018-08-06 2022-01-17 株式会社島津製作所 教師ラベル画像修正方法、学習済みモデルの作成方法および画像解析装置
CN110910340A (zh) * 2018-08-28 2020-03-24 奥林巴斯株式会社 注解装置和注解方法
JP7187244B2 (ja) * 2018-10-10 2022-12-12 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム及び医用画像処理プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015087903A (ja) 2013-10-30 2015-05-07 ソニー株式会社 情報処理装置及び情報処理方法
JP2016161823A (ja) 2015-03-03 2016-09-05 株式会社日立製作所 音響モデル学習支援装置、音響モデル学習支援方法

Also Published As

Publication number Publication date
US20230298759A1 (en) 2023-09-21
JP2020071516A (ja) 2020-05-07
US20200135328A1 (en) 2020-04-30
US11710567B2 (en) 2023-07-25

Similar Documents

Publication Publication Date Title
CN107492099B (zh) 医学图像分析方法、医学图像分析系统以及存储介质
US10452899B2 (en) Unsupervised deep representation learning for fine-grained body part recognition
JP7293644B2 (ja) 画像識別装置、識別器学習方法、画像識別方法及びプログラム
JP6505124B2 (ja) 適応性放射線治療における自動輪郭抽出システム及び方法
JP7049974B2 (ja) 情報処理装置、情報処理方法、及びプログラム
JP2009087038A (ja) 画像処理装置および画像処理方法
KR102274072B1 (ko) 사용자의 치매 정도 결정 방법 및 장치
CN112396606B (zh) 一种基于用户交互的医学图像分割方法、系统和装置
JP2020054580A (ja) 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
JP6882216B2 (ja) 診断支援システム、診断支援方法、及びプログラム
JP6843785B2 (ja) 診断支援システム、診断支援方法、及びプログラム
CN112912008A (zh) 权重图像生成装置、方法及程序、判别器学习装置、方法及程序、区域提取装置、方法及程序以及判别器
JP7086818B2 (ja) 情報処理装置、情報処理方法、及びプログラム
JP7420914B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
Sohail et al. A modified U-net based framework for automated segmentation of Hippocampus region in brain MRI
US20240037739A1 (en) Image processing apparatus, image processing method, and image processing program
JP6968298B2 (ja) 情報処理装置、情報処理方法、及びプログラム
JP7204951B2 (ja) 輪郭抽出装置、輪郭抽出方法、及び輪郭抽出プログラム
CN112970043B (zh) 信息处理装置、信息处理方法及计算机程序产品
US11972570B2 (en) Image processing apparatus, image processing method, and image processing program
US20230306608A1 (en) Image processing apparatus, method and program, and learning apparatus, method and program
US20220382544A1 (en) Arithmetic device, method, and program
WO2023032345A1 (ja) 情報処理装置、方法およびプログラム
US11923072B2 (en) Image diagnosis supporting device and image processing method
US20240070544A1 (en) Model generation apparatus, document generation apparatus, model generation method, document generation method, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210120

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220121

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220125

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220224

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: 20220315

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220328

R150 Certificate of patent or registration of utility model

Ref document number: 7049974

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150