JP7350582B2 - モデル学習用のシステム、装置、及び学習方法 - Google Patents
モデル学習用のシステム、装置、及び学習方法 Download PDFInfo
- Publication number
- JP7350582B2 JP7350582B2 JP2019165417A JP2019165417A JP7350582B2 JP 7350582 B2 JP7350582 B2 JP 7350582B2 JP 2019165417 A JP2019165417 A JP 2019165417A JP 2019165417 A JP2019165417 A JP 2019165417A JP 7350582 B2 JP7350582 B2 JP 7350582B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- training
- model
- learning
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims description 87
- 238000012549 training Methods 0.000 claims description 215
- 238000013528 artificial neural network Methods 0.000 claims description 119
- 238000012545 processing Methods 0.000 claims description 46
- 230000003416 augmentation Effects 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 24
- 230000003902 lesion Effects 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 210000000056 organ Anatomy 0.000 claims description 9
- 230000008092 positive effect Effects 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000007170 pathology Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000013459 approach Methods 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 16
- 238000013434 data augmentation Methods 0.000 description 14
- 238000003909 pattern recognition Methods 0.000 description 14
- 210000004556 brain Anatomy 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000302 ischemic effect Effects 0.000 description 7
- 230000002792 vascular Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 208000028867 ischemia Diseases 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000010968 computed tomography angiography Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 208000037516 chromosome inversion disease Diseases 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- 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
-
- 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
- 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
Description
[1] 学習法を実行し、入力データから少なくとも1つの予測出力を出力するようにモデルを学習させる処理装置を具備し、
前記学習法は、
複数の学習データセットを受け取り、
前記学習データセットの第1の特性の識別を、前記予測出力の予測に関係する正の特性としてユーザから受け取り、
前記学習データセットの第2の特性の識別を、前記予測出力の予測と関係が薄い又は無関係である負の特性としてユーザから受け取り、
前記モデルを学習させ、
前記モデルの前記学習は、
前記モデルが前記正の特性に対する値を使用して学習されるように、前記正の特性を使用して前記モデルを教示し、
前記モデルが前記負の特性に対する値を考慮しないで学習されるように、前記負の特性を使用して前記モデルを教示するシステム。
[2] 前記モデルは、ニューラルネットワークを有する、[1]に記載のシステム。
[3] 前記複数の学習データセットのそれぞれは、画像データを有し、
前記モデルの前記学習は、前記モデルが前記画像データを使用して学習されるように、前記画像データを使用して前記モデルを教示する、[1]又は[2]に記載のシステム。
[4] 前記正の特性は、前記画像データの一部を形成せず、かつ/又は、前記負の特性は、前記画像データの一部を形成しない、[3]に記載のシステム。
[5] 前記処理装置は、ターゲットデータセットを受け取り、前記学習されたモデルに前記ターゲットデータセットを入力することで、前記ターゲットデータセットに対する少なくとも1つの予測出力を出力する、[1]乃至[4]のいずれかに記載のシステム。
[6] 前記複数の学習データセットの第1のサブセットは、前記正の特性に対する値を含む学習データセットを有し、前記学習データセットの第2のサブセットは、前記負の特性に対する値を含む学習データセットを有する、[1]乃至[5]のいずれかに記載のシステム。
[7] 前記モデルの前記学習は、前記正の特性に対する値、及び前記負の特性に対する値がない場合、前記学習されたモデルが、ターゲットデータセットから、前記画像データから少なくとも一つの予測出力を出力するように前記モデルを学習させる、[3]に記載のシステム。
[8] 前記負の特性を使用する前記モデルの前記教示は、勾配逆転を用いて実行される、[1]乃至[7]のいずれかに記載のシステム。
[9] 前記正の特性は、臓器セグメンテーション、臓器ボリューム、測定された形状、測定されたテクスチャ、生理学的測定、及び関心の病変に関連するデータタイプのうちの少なくとも1つを含む、[1]乃至[8]のいずれかに記載のシステム。
[10] 前記正の特性は、前記学習データセットから抽出された特徴量、前記学習データセットから計算された特徴量、手動で定義された特徴量、前記学習データセットに含まれる画像データから抽出された特徴量、及び前記画像データから計算された特徴量のうちの少なくとも1つを含む、[1]乃至[10]のいずれかに記載のシステム。
[11] 前記負の特性は、スキャナ製造者、収集命令、画像モダリティ、列挙プロトコル変化、画像スケール、輝度、収集方向、画像アーチファクトの存在、及び関心の病状とは無関係のデータタイプのうちの少なくとも1つを含む、[1]乃至[10]のいずれかに記載のシステム。
[12] 前記負の特性は、前記学習データセットから抽出された特徴量、前記学習データセットから計算された特徴量、手動で定義された特徴量、前記学習データセットに含まれる画像データから抽出された特徴量、及び前記画像データから計算された特徴量のうちの少なくとも1つを含む、[1]乃至[11]のいずれかに記載のシステム。
[13] 前記少なくとも1つの予測出力は、分類、回帰、検出、スコア、及びセグメンテーションのうちの少なくとも1つを含む、[1]乃至[12]のいずれかに記載のシステム。
[14] 前記処理装置は、さらなるデータセットを人工的に生成し、
前記モデルの前記学習は、前記複数の学習データセット及び前記生成されたさらなるデータセットを使用する、[1]乃至[13]のいずれかに記載のシステム。
[15] 前記処理装置は、前記複数の学習データセットのうちの少なくともいくつかを増大することで、前記さらなるデータセットを人工的に生成し、
各データセットの前記増大は、前記学習データセットの少なくとも1つの増大パラメータの調整を含み、
前記モデルの前記学習は、前記少なくとも1つの予測出力の予測において、前記モデルが、前記人工的に生成したデータセット対する値を考慮しないで学習されるように、前記少なくとも一つの増大パラメータを使用して前記モデルを教示する、[14]に記載のシステム。
[16] 前記少なくとも1つの増大パラメータは、並進、回転、輝度、コントラスト、明るさ、スケール、バイアスフィールド、上下反転、左右反転、のうちの少なくとも1つを含む、[15]に記載のシステム。
[17] 前記処理装置は、データ合成により前記さらなるデータセットを人工的に生成する、[14]に記載のシステム。
[18] 前記入力データ、及び前記学習データセットは、ドキュメントデータ、テキストデータ、ゲノムデータ、タイムシリーズデータ、実験データ、及びバイタルサインデータのうちの少なくとも1つを有する、[1]乃至[17]のいずれかに記載のシステム。
[19] 少なくとも1つの予測出力を入力データから出力するようにモデルを学習させる学習方法であって、
前記学習方法は、
複数の学習データセットを受け取り、
前記学習データセットの第1の特性の識別を、前記予測出力の予測に関係する正の特性としてユーザから受け取り、
前記学習データセットの第2の特性の識別を、前記予測出力の予測と関係が薄い又は無関係である負の特性としてユーザから受け取り、
前記モデルを学習させ、
前記モデルの前記学習は、
前記モデルが前記正の特性に対する値を使用して学習されるように、前記正の特性を使用してニューラルネットワークを教示し、
前記モデルが前記負の特性に対する値を考慮しないで学習されるように、前記負の特性を使用して前記ニューラルネットワークを教示する学習方法。
[20] ターゲットデータセットを受け取り、
入力データから少なくとも1つの予測出力を出力するよう学習されたニューラルネットワークを使用し、前記ターゲットデータセットを前記ニューラルネットワークに入力する、
処理回路を具備し、
前記ニューラルネットワークは、
複数の学習データセットを受け取り、
前記学習データセットの第1の特性の識別を、前記予測出力の予測に関係する正の特性としてユーザから受け取り、
前記学習データセットの第2の特性の識別を、前記予測出力の予測と関係が薄い又は無関係である負の特性としてユーザから受け取り、
前記正の特性に対する値を使用して学習されるように、前記正の特性を使用して教示され、
前記負の特性に対する値を考慮しないで学習されるように、前記負の特性を使用して教示されるシステム。
32…計算装置
34…スキャナ
36…表示スクリーン
38…入力デバイス
40…データストア
42…処理装置
44…学習回路
46…予測回路
48…増大回路
Claims (23)
- 学習法を実行し、入力データから少なくとも1つの予測出力を出力するようにモデルを学習させる処理装置を具備し、
前記学習法は、
複数の学習データセットを受け取り、
前記学習データセットの第1の特性を前記予測出力の予測に関係する正の特性として識別し、
前記学習データセットの第2の特性を前記予測出力の予測と関係が薄い又は無関係である負の特性として識別し、
前記モデルを学習させ、
前記モデルの前記学習は、
前記モデルが前記正の特性を使用して学習されるように、前記正の特性を使用して前記モデルを教示し、
前記モデルが前記負の特性を考慮しないで学習されるように、前記負の特性を使用して前記モデルを教示するシステム。 - 前記モデルは、ニューラルネットワークを有する請求項1記載のシステム。
- 前記複数の学習データセットのそれぞれは、画像データを有し、
前記モデルの前記学習は、前記モデルが前記画像データを使用して学習されるように、前記画像データを使用して前記モデルを教示する請求項1又は2に記載のシステム。 - 前記正の特性は、前記画像データの一部を形成せず、かつ/又は、前記負の特性は、前記画像データの一部を形成しない、請求項3記載のシステム。
- 前記処理装置は、ターゲットデータセットを受け取り、前記学習されたモデルに前記ターゲットデータセットを入力することで、前記ターゲットデータセットに対する少なくとも1つの予測出力を出力する請求項1乃至4のいずれかに記載のシステム。
- 前記複数の学習データセットの第1のサブセットは、前記正の特性に関わる学習データセットを有し、前記学習データセットの第2のサブセットは、前記負の特性に関わる学習データセットを有する請求項1乃至5のいずれかに記載のシステム。
- 前記モデルの前記学習は、前記正の特性に対する値、及び前記負の特性に対する値がない場合、前記学習されたモデルが、ターゲットデータセットから、前記画像データから少なくとも一つの予測出力を出力するように、前記モデルを学習させる請求項3記載のシステム。
- 前記負の特性を使用する前記モデルの前記教示は、勾配逆転を用いて実行される請求項1乃至7のいずれかに記載のシステム。
- 前記正の特性は、臓器セグメンテーション、臓器ボリューム、測定された形状、測定されたテクスチャ、生理学的測定、及び関心の病変に関連するデータタイプのうちの少なくとも1つを含む請求項1乃至8のいずれかに記載のシステム。
- 前記正の特性は、前記学習データセットから抽出された特徴量、前記学習データセットから計算された特徴量、手動で定義された特徴量、前記学習データセットに含まれる画像データから抽出された特徴量、及び前記画像データから計算された特徴量のうちの少なくとも1つを含む請求項1乃至9のいずれかに記載のシステム。
- 前記負の特性は、不純なデータ収集の結果となるために関心の病変に関係が無い特性である請求項1乃至10のいずれかに記載のシステム。
- 前記負の特性は、スキャナ製造者、収集命令、画像モダリティ、列挙プロトコル変化、画像スケール、輝度、収集方向、画像アーチファクトの存在、及び関心の病状とは無関係のデータタイプのうちの少なくとも1つを含む請求項1乃至11のいずれかに記載のシステム。
- 前記負の特性は、前記学習データセットから抽出された特徴量、前記学習データセットから計算された特徴量、手動で定義された特徴量、前記学習データセットに含まれる画像データから抽出された特徴量、及び前記画像データから計算された特徴量のうちの少なくとも1つを含む請求項1乃至12のいずれかに記載のシステム。
- 前記少なくとも1つの予測出力は、分類、回帰、検出、スコア、及びセグメンテーションのうちの少なくとも1つを含む請求項1乃至13のいずれかに記載のシステム。
- 前記処理装置は、さらなるデータセットを人工的に生成し、
前記モデルの前記学習は、前記複数の学習データセット及び前記生成されたさらなるデータセットを使用する請求項1乃至14のいずれかに記載のシステム。 - 前記処理装置は、前記複数の学習データセットのうちの少なくともいくつかを増大することで、前記さらなるデータセットを人工的に生成し、
各データセットの前記増大は、前記学習データセットの少なくとも1つの増大パラメータの調整を含み、
前記モデルの前記学習は、前記少なくとも1つの予測出力の予測において、前記モデルが、前記人工的に生成したデータセットを考慮しないで学習されるように、前記少なくとも一つの増大パラメータを使用して前記モデルを教示する請求項15記載のシステム。 - 前記増大パラメータは、スプリアス変化を表し得るパラメータである請求項16記載のシステム。
- 前記少なくとも1つの増大パラメータは、並進、回転、輝度、コントラスト、明るさ、スケール、バイアスフィールド、上下反転、左右反転、タイムスタンプのうちの少なくとも1つを含む請求項16又は17記載のシステム。
- 前記処理装置は、データ合成により前記さらなるデータセットを人工的に生成する請求項15記載のシステム。
- 前記入力データ、及び前記学習データセットは、ドキュメントデータ、テキストデータ、ゲノムデータ、タイムシリーズデータ、実験データ、及びバイタルサインデータのうちの少なくとも1つを有する請求項1乃至19のいずれかに記載のシステム。
- 少なくとも1つの予測出力を入力データから出力するようにモデルを学習させる学習方法であって、
前記学習方法は、
複数の学習データセットを受け取り、
前記学習データセットの第1の特性を前記予測出力の予測に関係する正の特性として識別し、
前記学習データセットの第2の特性を前記予測出力の予測と関係が薄い又は無関係である負の特性として識別し、
前記モデルを学習させ、
前記モデルの前記学習は、
前記モデルが前記正の特性を使用して学習されるように、前記正の特性を使用してニューラルネットワークを教示し、
前記モデルが前記負の特性を考慮しないで学習されるように、前記負の特性を使用して前記ニューラルネットワークを教示する学習方法。 - ターゲットデータセットを受け取り、
入力データから少なくとも1つの予測出力を出力するよう学習されたニューラルネットワークを使用し、前記ターゲットデータセットを前記ニューラルネットワークに入力する、
処理回路を具備し、
前記ニューラルネットワークは、
複数の学習データセットを受け取り、
前記学習データセットの第1の特性を前記予測出力の予測に関係する正の特性として識別し、
前記学習データセットの第2の特性を前記予測出力の予測と関係が薄い又は無関係である負の特性として識別し、
前記正の特性を使用して学習されるように、前記正の特性を使用して教示され、
前記負の特性を考慮しないで学習されるように、前記負の特性を使用して教示されるシステム。 - 学習法を実行し、入力データから少なくとも1つの予測出力を出力するようにモデルを学習させる信号処理装置において、
前記学習法は、
複数の学習データセットを受け取り、
前記学習データセットの第1の特性を前記予測出力の予測に関係する正の特性として識別し、
前記学習データセットの第2の特性を前記予測出力の予測と関係が薄い又は無関係である負の特性として識別し、
前記モデルを学習させ、
前記モデルの前記学習は、
前記モデルが前記正の特性を使用して学習されるように、前記正の特性を使用して前記モデルを教示し、
前記モデルが前記負の特性を考慮しないで学習されるように、前記負の特性を使用して前記モデルを教示する信号処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20155084.5A EP3716157A1 (en) | 2019-03-28 | 2020-02-03 | Apparatus and method for training models |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/367,955 | 2019-03-28 | ||
US16/367,955 US11373298B2 (en) | 2019-03-28 | 2019-03-28 | Apparatus and method for training neural networks using small, heterogeneous cohorts of training data |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020166809A JP2020166809A (ja) | 2020-10-08 |
JP7350582B2 true JP7350582B2 (ja) | 2023-09-26 |
Family
ID=72606123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019165417A Active JP7350582B2 (ja) | 2019-03-28 | 2019-09-11 | モデル学習用のシステム、装置、及び学習方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11373298B2 (ja) |
JP (1) | JP7350582B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10997495B2 (en) | 2019-08-06 | 2021-05-04 | Capital One Services, Llc | Systems and methods for classifying data sets using corresponding neural networks |
US11568174B2 (en) * | 2020-02-18 | 2023-01-31 | Ping An Technology (Shenzhen) Co., Ltd. | Co-heterogeneous and adaptive 3D pathological abdominal organ segmentation using multi-source and multi-phase clinical image datasets |
KR102165840B1 (ko) * | 2020-05-21 | 2020-10-16 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 장치 및 방법 |
JPWO2022168969A1 (ja) * | 2021-02-05 | 2022-08-11 | ||
CN112905891B (zh) * | 2021-03-05 | 2021-12-10 | 中国科学院计算机网络信息中心 | 基于图神经网络的科研知识图谱人才推荐方法及装置 |
EP4300427A1 (en) * | 2022-07-01 | 2024-01-03 | Peek Health, S.A. | Standardizing images of anatomical structures for analysis by machine learning systems |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005309535A (ja) | 2004-04-16 | 2005-11-04 | Hitachi High-Technologies Corp | 画像自動分類方法 |
US20080177680A1 (en) | 2007-01-19 | 2008-07-24 | Microsoft Corporation | Resilient classification of data |
JP2012226607A (ja) | 2011-04-20 | 2012-11-15 | Canon Inc | 特徴選択方法及び装置、パターン識別方法及び装置 |
US20160174902A1 (en) | 2013-10-17 | 2016-06-23 | Siemens Aktiengesellschaft | Method and System for Anatomical Object Detection Using Marginal Space Deep Neural Networks |
JP2016133895A (ja) | 2015-01-16 | 2016-07-25 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP2016173682A (ja) | 2015-03-16 | 2016-09-29 | シャープ株式会社 | 異常判定装置および異常判定方法 |
JP2018013887A (ja) | 2016-07-19 | 2018-01-25 | 日本電信電話株式会社 | 特徴選択装置、タグ関連領域抽出装置、方法、及びプログラム |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009527063A (ja) | 2006-02-14 | 2009-07-23 | インテリサイエンス コーポレーション | 仮想環境において見本及びデータを使用及び統合するシステム及びその方法 |
JP4999163B2 (ja) | 2006-04-17 | 2012-08-15 | 富士フイルム株式会社 | 画像処理方法および装置ならびにプログラム |
JP5640773B2 (ja) * | 2011-01-28 | 2014-12-17 | 富士通株式会社 | 情報照合装置、情報照合方法および情報照合プログラム |
US9235781B2 (en) | 2013-08-09 | 2016-01-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, landmark location |
US9922272B2 (en) * | 2014-09-25 | 2018-03-20 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
US10410096B2 (en) | 2015-07-09 | 2019-09-10 | Qualcomm Incorporated | Context-based priors for object detection in images |
JP6271085B2 (ja) * | 2015-10-30 | 2018-01-31 | 株式会社モルフォ | 学習システム、学習装置、学習方法、学習プログラム、教師データ作成装置、教師データ作成方法、教師データ作成プログラム、端末装置及び閾値変更装置 |
GB2547712A (en) * | 2016-02-29 | 2017-08-30 | Fujitsu Ltd | Method and apparatus for generating time series data sets for predictive analysis |
GB2566369B (en) * | 2016-03-17 | 2021-08-25 | Avigilon Corp | System and method for training object classifier by machine learning |
US11132529B2 (en) | 2016-11-16 | 2021-09-28 | Ventana Medical Systems, Inc. | Convolutional neural networks for locating objects of interest in images of biological samples |
WO2018148493A1 (en) * | 2017-02-09 | 2018-08-16 | Painted Dog, Inc. | Methods and apparatus for detecting, filtering, and identifying objects in streaming video |
US10679753B2 (en) * | 2017-02-20 | 2020-06-09 | General Electric Company | Methods and systems for hierarchical machine learning models for medical imaging |
US20190005547A1 (en) * | 2017-06-30 | 2019-01-03 | Facebook, Inc. | Advertiser prediction system |
CN114820494B (zh) * | 2017-08-30 | 2023-08-29 | 威里利生命科学有限责任公司 | 用于可视化流动的使用机器学习的散斑对比度分析 |
US10209974B1 (en) * | 2017-12-04 | 2019-02-19 | Banjo, Inc | Automated model management methods |
US11263185B2 (en) * | 2018-03-19 | 2022-03-01 | Perkinelmer Informatics, Inc. | Methods and systems for automating clinical data mapping and transformation |
US20190325861A1 (en) * | 2018-04-18 | 2019-10-24 | Maneesh Kumar Singh | Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques |
-
2019
- 2019-03-28 US US16/367,955 patent/US11373298B2/en active Active
- 2019-09-11 JP JP2019165417A patent/JP7350582B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005309535A (ja) | 2004-04-16 | 2005-11-04 | Hitachi High-Technologies Corp | 画像自動分類方法 |
US20080177680A1 (en) | 2007-01-19 | 2008-07-24 | Microsoft Corporation | Resilient classification of data |
JP2012226607A (ja) | 2011-04-20 | 2012-11-15 | Canon Inc | 特徴選択方法及び装置、パターン識別方法及び装置 |
US20160174902A1 (en) | 2013-10-17 | 2016-06-23 | Siemens Aktiengesellschaft | Method and System for Anatomical Object Detection Using Marginal Space Deep Neural Networks |
JP2016133895A (ja) | 2015-01-16 | 2016-07-25 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP2016173682A (ja) | 2015-03-16 | 2016-09-29 | シャープ株式会社 | 異常判定装置および異常判定方法 |
JP2018013887A (ja) | 2016-07-19 | 2018-01-25 | 日本電信電話株式会社 | 特徴選択装置、タグ関連領域抽出装置、方法、及びプログラム |
Non-Patent Citations (1)
Title |
---|
武井 翔一,識別性能の予測評価に基づく選択的特徴量を用いた物体認識,SSII2014 第20回画像センシングシンポジウム 講演論文集 [CD-ROM],日本,画像センシング技術研究会,2014年06月11日,IS2-06,P. IS2-06-1 ~ IS2-06-6 |
Also Published As
Publication number | Publication date |
---|---|
JP2020166809A (ja) | 2020-10-08 |
US11373298B2 (en) | 2022-06-28 |
US20200311911A1 (en) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7350582B2 (ja) | モデル学習用のシステム、装置、及び学習方法 | |
Greenspan et al. | Guest editorial deep learning in medical imaging: Overview and future promise of an exciting new technique | |
US10496884B1 (en) | Transformation of textbook information | |
EP3806745B1 (en) | Second reader | |
US20200401854A1 (en) | Method and system for image segmentation and identification | |
EP3716157A1 (en) | Apparatus and method for training models | |
Zhao et al. | Automatic spondylolisthesis grading from MRIs across modalities using faster adversarial recognition network | |
Aamir et al. | Brain tumor classification utilizing deep features derived from high-quality regions in MRI images | |
Wang et al. | Label cleaning multiple instance learning: Refining coarse annotations on single whole-slide images | |
Peña-Solórzano et al. | Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting | |
GB2579244A (en) | Second reader | |
Iqbal et al. | Hybrid Parallel Fuzzy CNN Paradigm: Unmasking Intricacies for Accurate Brain MRI Insights | |
Vallathan et al. | An Analysis and Study of Brain Cancer with RNN Algorithm based AI Technique | |
CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
Iqbal et al. | AMIAC: adaptive medical image analyzes and classification, a robust self-learning framework | |
Li et al. | Context Label Learning: Improving Background Class Representations in Semantic Segmentation | |
Xi et al. | Computer-aided detection of abnormality in mammography using deep object detectors | |
Riva | Breast arterial calcifications: detection, visualization and quantification through a convolutional neural network | |
Ramkumar et al. | Histopathological Image Analysis for Breast Cancer Identification Using Gradient Boosting Classifier | |
Akpan et al. | XAI for medical image segmentation in medical decision support systems | |
Shakir | Early detection of lung cancer | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
Sweetline et al. | A Comprehensive Survey on Deep Learning-Based Pulmonary Nodule Identification on CT Images | |
Riva | Breast Arterial Calcifications: detection, visualization and quantification | |
Christina Sweetline et al. | A Comprehensive Survey on Deep Learning-Based Pulmonary Nodule Identification on CT Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220720 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20230106 |
|
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: 20230815 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230913 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7350582 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |