JP7429036B2 - 判定装置、モデル生成装置、判定方法及び判定プログラム - Google Patents
判定装置、モデル生成装置、判定方法及び判定プログラム Download PDFInfo
- Publication number
- JP7429036B2 JP7429036B2 JP2020029654A JP2020029654A JP7429036B2 JP 7429036 B2 JP7429036 B2 JP 7429036B2 JP 2020029654 A JP2020029654 A JP 2020029654A JP 2020029654 A JP2020029654 A JP 2020029654A JP 7429036 B2 JP7429036 B2 JP 7429036B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- model
- test
- image
- level
- 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 70
- 238000012360 testing method Methods 0.000 claims description 170
- 230000003925 brain function Effects 0.000 claims description 83
- 238000012545 processing Methods 0.000 claims description 68
- 238000010801 machine learning Methods 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 32
- 238000004364 calculation method Methods 0.000 description 30
- 238000012986 modification Methods 0.000 description 17
- 230000004048 modification Effects 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000010365 information processing Effects 0.000 description 13
- 230000003247 decreasing effect Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000003920 cognitive function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 208000007542 Paresis Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Description
図2は、本発明を適用した場面の一例を模式的に例示する。本実施形態に係る判定システム100は、モデル生成装置1及び判定装置2を備える。
[ハードウェア構成]
<モデル生成装置>
図3は、本実施形態に係るモデル生成装置1のハードウェア構成の一例を模式的に例示する。図3に示されるとおり、本実施形態に係るモデル生成装置1は、制御部11、記憶部12、通信インタフェース13、入力装置14、出力装置15、及びドライブ16が電気的に接続されたコンピュータである。なお、図3では、通信インタフェースを「通信I/F」と記載している。後述の図4でも同様の表記を用いる。
図4は、本実施形態に係る判定装置2のハードウェア構成の一例を模式的に例示する。図4に示されるとおり、本実施形態に係る判定装置2は、制御部21、記憶部22、通信インタフェース23、入力装置24、出力装置25、及びドライブ26が電気的に接続されたコンピュータである。
<モデル生成装置>
図5は、本実施形態に係るモデル生成装置1のソフトウェア構成の一例を模式的に例示する。モデル生成装置1の制御部11は、記憶部12に記憶されたモデル生成プログラム81をRAMに展開する。そして、制御部11は、CPUにより、RAMに展開されたモデル生成プログラム81に含まれる命令を解釈及び実行して、各構成要素を制御する。これにより、図5に示されるとおり、本実施形態に係るモデル生成装置1は、データ取得部111、学習処理部112、及び保存処理部113をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、各ソフトウェアモジュールは、制御部11(CPU)により実現される。
判定モデル6は、複数の演算パラメータを有する機械学習可能なモデルにより構成される。図5に示されるとおり、本実施形態では、判定モデル6には、畳み込みニューラルネットワークが用いられる。判定モデル6は、畳み込み層61、プーリング層62、及び全結合層(63、64)を備えている。
図6は、本実施形態に係る判定装置2のソフトウェア構成の一例を模式的に例示する。判定装置2の制御部21は、記憶部22に記憶された判定プログラム82をRAMに展開する。そして、制御部21は、CPUにより、RAMに展開された判定プログラム82に含まれる命令を解釈及び実行して、各構成要素を制御する。これにより、図6に示されるとおり、本実施形態に係る判定装置2は、画像取得部211、レベル取得部212、判定部213、及び出力部214をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、判定装置2の各ソフトウェアモジュールは、上記モデル生成装置1と同様に、制御部21(CPU)により実現される。
[モデル生成装置]
図7は、本実施形態に係るモデル生成装置1の処理手順の一例を示すフローチャートである。以下のモデル生成装置1の処理手順は、モデル生成方法の一例である。ただし、以下のモデル生成装置1の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。更に、以下のモデル生成装置1の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
ステップS101では、制御部11は、学習試験画像311、学習画力情報312、及び正解ラベル313の組み合わせによりそれぞれ構成される複数の学習データセット31を取得する。
ステップS102では、制御部11は、学習処理部112として動作し、取得された複数の学習データセット31を使用して、判定モデル6の機械学習を実施する。本実施形態では、制御部11は、各学習データセット31について、学習試験画像311及び学習画力情報312を判定モデル6に入力することで判定モデル6から取得される脳機能の能力レベルを判定した結果が正解ラベル313に適合するように判定モデル6を訓練する。すなわち、制御部11は、学習試験画像311及び学習画力情報312を訓練データ(入力データ)として使用し、正解ラベル313を教師信号(正解データ)として使用して、判定モデル6の教師あり学習を実行する。この訓練処理には、例えば、バッチ勾配降下法、確率的勾配降下法、ミニバッチ勾配降下法等が用いられてよい。
ステップS103では、制御部11は、保存処理部113として動作し、ステップS102の機械学習の結果に関する情報を学習結果データ125として生成する。本実施形態では、制御部11は、上記機械学習により構築された訓練済みの判定モデル6の構造及び各演算パラメータの値を示す情報を学習結果データ125として生成する。そして、制御部11は、生成された学習結果データ125を所定の記憶領域に保存する。
図8は、本実施形態に係る判定装置2の処理手順の一例を示すフローチャートである。以下の判定装置2の処理手順は、判定方法の一例である。ただし、以下の判定装置2の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。更に、以下の判定装置2の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
ステップS201では、制御部21は、画像取得部211として動作し、検査対象者に対して図形の模写試験を実施した結果として生成された試験画像221を取得する。
ステップS202では、制御部21は、レベル取得部212として動作し、検査対象者の画力レベルを示す画力情報222を取得する。
ステップS203では、制御部21は、判定部213として動作し、訓練済みの判定モデル6を使用して、取得された試験画像221及び画力情報222から検査対象者の脳機能の能力レベルを判定する。
ステップS204では、制御部21は、出力部214として動作し、検査対象者の脳機能の能力レベルを判定した結果を示す情報を出力する。出力先及び出力する情報の内容はそれぞれ、実施の形態に応じて適宜決定されてよい。出力先は、例えば、出力装置25、他のコンピュータの出力装置、RAM、記憶部22、データサーバ、外部記憶装置、他のコンピュータの記憶装置等であってよい。一方、出力情報の内容に関して、制御部21は、例えば、判定結果を示す結果情報をそのまま出力してもよい。また、制御部21は、判定結果に基づいて、所定の情報処理を実行してもよい。そして、制御部21は、所定の情報処理の結果を示す情報を判定情報として出力してもよい。一例として、制御部21は、判定結果に応じて特定のメッセージ(例えば、能力レベルが悪化していることを知らせるための警告)を出力してもよい。結果情報は、試験画像221と共に出力されてもよいし、或いは単独で出力されてもよい。判定結果に関する情報の出力が完了すると、制御部21は、本動作例に係る処理手順を終了する。
以上のとおり、本実施形態では、モデル生成装置1において、上記ステップS101及びステップS102の処理により、図形の模写試験を実施した結果として得られた試験画像及び画力レベルを示す画力情報を脳機能の能力レベルの判定に用いるように構成された訓練済みの判定モデル6が生成される。これにより、判定装置2の上記ステップS203において、模写試験の結果のみではなく、画力レベルに応じて、検査対象者の脳機能の能力レベルを判定することができる。その結果、脳機能の能力レベルは低下していないにも関わらず、画力レベルが低いことで、脳機能の能力レベルが低下していると誤判定してしまうのを抑制することができる。したがって、本実施形態によれば、検査対象者の脳機能の能力レベルをより正確に判定することができる。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
本実施形態では、判定モデル6には、畳み込みニューラルネットワークが用いられている。しかしながら、判定モデル6に用いるニューラルネットワークの種類は、このような例に限定されなくてよく、実施の形態に応じて適宜選択されてよい。例えば、判定モデル6には、全結合型ニューラルネットワークが用いられてよい。また、判定モデル6には、ニューラルネットワーク以外の機械学習モデルが用いられてよい。例えば、判定モデル6には、回帰モデル、サポートベクタマシン、決定木モデル等により構成されてよい。判定モデル6の演算処理は、判定モデル6に使用する機械学習モデルの種類、機械学習モデルの構造等に応じて適宜決定されてよい。更に、判定モデル6の入力及び出力の形式は、上記実施形態の例に限定されなくてよく、実施の形態に応じて適宜決定されてよい。例えば、判定モデル6は、試験画像及び画力情報以外の情報の入力を更に受け付けるように構成されてよい。また、例えば、判定モデル6は、脳機能の能力レベルの判定結果以外の情報を更に出力するように構成されてよい。この情報は、例えば、判定モデル6の判定結果が正しいか否かを検証するのに利用されてよい。
上記実施形態において、属性情報、参考画像等の他の情報から画力レベルを特定するのに、機械学習により生成された訓練済みの特定モデルが使用されてよい。特に、参考画像から画力レベルを特定するケースにおいて、訓練済みの特定モデルが使用されてよい。
図9は、本変形例に係るモデル生成装置1のソフトウェア構成の一例を模式的に例示する。本変形例に係るモデル生成装置1は、特定モデル7の機械学習を更に実施するように構成される。特定モデル7の機械学習に関する処理手順は、上記判定モデル6の機械学習に関する処理手順とほぼ同様であってよい。
図10は、本変形例に係る判定装置2のソフトウェア構成の一例を模式的に例示する。本変形例では、レベル取得部212は、他の学習結果データ127を保持することで、参考画像から画力レベルを特定するように機械学習により構築された訓練済みの特定モデル7を有する。
11…制御部、12…記憶部、13…通信インタフェース、
14…入力装置、15…出力装置、16…ドライブ、
91…記憶媒体、81…モデル生成プログラム、
111…データ取得部、112…学習処理部、
113…保存処理部、
125…学習結果データ、
2…判定装置、
21…制御部、22…記憶部、23…通信インタフェース、
24…入力装置、25…出力装置、26…ドライブ、
92…記憶媒体、82…判定プログラム、
211…画像取得部、212…レベル取得部、
213…判定部、214…出力部、
221…試験画像、222…画力情報、
31…学習データセット、
311…学習試験画像、312…学習画力情報、
313…正解ラベル、
6…判定モデル、
61…畳み込み層、62…プーリング層、
63・64…全結合層
Claims (11)
- 検査対象者に対して図形の模写試験を実施した結果として生成された試験画像を取得する画像取得部と、
前記検査対象者の画力レベルを示す画力情報を取得するレベル取得部と、
取得された前記試験画像及び前記画力情報を機械学習により生成された訓練済みの判定モデルに入力し、当該訓練済みの判定モデルの演算処理を実行することで、前記検査対象者の脳機能の能力レベルを判定した結果を取得する判定部と、
前記能力レベルを判定した結果を示す情報を出力する出力部と、
を備え、
前記訓練済みの判定モデルは、学習データを使用した機械学習により、前記図形の模写試験の結果及び画力レベルから脳機能の能力レベルを判定するように構築されたものである、
判定装置。 - 前記画力情報は、オペレータの入力により取得される、
請求項1に記載の判定装置。 - 前記画力レベルは、前記検査対象者の画力に関する属性から特定される、
請求項1又は2に記載の判定装置。 - 前記画力レベルは、前記検査対象者により描画された参考画像から特定される、
請求項1から3のいずれか1項に記載の判定装置。 - 前記レベル取得部は、他の学習データを使用した機械学習により、参考画像から画力レベルを特定するように構築された訓練済みの特定モデルを有し、
前記レベル取得部は、前記検査対象者の前記参考画像を前記訓練済みの特定モデルに入力し、前記訓練済みの特定モデルの演算処理を実行することで、特定された前記画力レベルを示す前記画力情報を取得する、
請求項4に記載の判定装置。 - 前記判定モデルは、畳み込みニューラルネットワークにより構成される、
請求項1から5のいずれか1項に記載の判定装置。 - 被験者に対して模写試験を実施した結果として生成された学習試験画像、前記被験者の画力レベルを示す学習画力情報、及び前記被験者の脳機能の能力レベルを示す正解ラベルの組み合わせによりそれぞれ構成される複数の学習データセットを取得するデータ取得部と、
取得された複数の学習データセットを使用して、判定モデルの機械学習を実施する学習処理部であって、機械学習を実施することは、前記各学習データセットについて、前記学習試験画像及び前記学習画力情報を前記判定モデルに入力することで前記判定モデルから取得される前記被験者の脳機能の能力レベルを判定した結果が前記正解ラベルに適合するように前記判定モデルを訓練することにより構成される、学習処理部と、
を備える、
モデル生成装置。 - 前記データ取得部は、被験者により描画された学習参考画像、及び前記被験者の画力レベルを示す他の正解ラベルによりそれぞれ構成される複数の他の学習データセットを更に取得し、
前記学習処理部は、取得された複数の他の学習データセットを使用して、特定モデルの機械学習を更に実施し、
前記特定モデルの機械学習を実施することは、前記各他の学習データセットについて、前記学習参考画像を前記特定モデルに入力することで前記特定モデルから取得される前記被験者の画力レベルを特定した結果が前記他の正解ラベルに適合するように前記特定モデルを訓練することにより構成される、
請求項7に記載のモデル生成装置。 - 前記判定モデルは、畳み込みニューラルネットワークにより構成される、
請求項7又は8に記載のモデル生成装置。 - コンピュータが、
検査対象者に対して図形の模写試験を実施した結果として生成された試験画像を取得するステップと、
前記検査対象者の画力レベルを示す画力情報を取得するステップと、
取得された前記試験画像及び前記画力情報を機械学習により生成された訓練済みの判定モデルに入力し、当該訓練済みの判定モデルの演算処理を実行することで、前記検査対象者の脳機能の能力レベルを判定した結果を取得するステップであって、前記訓練済みの判定モデルは、学習データを使用した機械学習により、前記図形の模写試験の結果及び画力レベルから脳機能の能力レベルを判定するように構築されたものである、ステップと、
前記能力レベルを判定した結果を示す情報を出力するステップと、
を実行する、
判定方法。 - コンピュータに、
検査対象者に対して図形の模写試験を実施した結果として生成された試験画像を取得するステップと、
前記検査対象者の画力レベルを示す画力情報を取得するステップと、
取得された前記試験画像及び前記画力情報を機械学習により生成された訓練済みの判定モデルに入力し、当該訓練済みの判定モデルの演算処理を実行することで、前記検査対象者の脳機能の能力レベルを判定した結果を取得するステップであって、前記訓練済みの判定モデルは、学習データを使用した機械学習により、前記図形の模写試験の結果及び画力レベルから脳機能の能力レベルを判定するように構築されたものである、ステップと、
前記能力レベルを判定した結果を示す情報を出力するステップと、
を実行させるための、
判定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020029654A JP7429036B2 (ja) | 2020-02-25 | 2020-02-25 | 判定装置、モデル生成装置、判定方法及び判定プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020029654A JP7429036B2 (ja) | 2020-02-25 | 2020-02-25 | 判定装置、モデル生成装置、判定方法及び判定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021135603A JP2021135603A (ja) | 2021-09-13 |
JP7429036B2 true JP7429036B2 (ja) | 2024-02-07 |
Family
ID=77661207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020029654A Active JP7429036B2 (ja) | 2020-02-25 | 2020-02-25 | 判定装置、モデル生成装置、判定方法及び判定プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7429036B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4393918A1 (en) | 2021-08-23 | 2024-07-03 | Sumitomo Pharma Co., Ltd. | Self degradation-type cdk9 inhibitor prodrug and liposome encapsulating same |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014138873A (ja) | 2014-02-26 | 2014-07-31 | Yunimekku:Kk | 三次元加速度計を備えた脳・神経系疾患の病状診断システム |
JP6528024B1 (ja) | 2018-06-19 | 2019-06-12 | 実 木本 | 図形要素表示プログラム及び図形要素表示装置 |
-
2020
- 2020-02-25 JP JP2020029654A patent/JP7429036B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014138873A (ja) | 2014-02-26 | 2014-07-31 | Yunimekku:Kk | 三次元加速度計を備えた脳・神経系疾患の病状診断システム |
JP6528024B1 (ja) | 2018-06-19 | 2019-06-12 | 実 木本 | 図形要素表示プログラム及び図形要素表示装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2021135603A (ja) | 2021-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102166010B1 (ko) | 얼굴인식을 이용한 인지장애 판단 방법 및 시스템 | |
CN106250914B (zh) | 基于结构稀疏多核学习的多模态数据特征筛选和分类方法 | |
JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
CN106897573A (zh) | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 | |
EP4177901A1 (en) | Method and apparatus for providing diagnosis result | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
JP6625504B2 (ja) | 情報処理装置、情報処理システム及びプログラム | |
CN114387317B (zh) | Ct图像和mri三维图像的配准方法、装置 | |
US20190228302A1 (en) | Learning method, learning device, and computer-readable recording medium | |
Orhan et al. | Development and validation of a magnetic resonance imaging‐based machine learning model for TMJ pathologies | |
JP7429036B2 (ja) | 判定装置、モデル生成装置、判定方法及び判定プログラム | |
CN111429547A (zh) | 一种基于假同色搜索的异常色觉测试图合成方法 | |
CN114842270A (zh) | 一种目标图像的分类方法、装置、电子设备及介质 | |
CN108932593B (zh) | 一种认知影响因素分析方法及装置 | |
CN114298299A (zh) | 基于课程学习的模型训练方法、装置、设备及存储介质 | |
Stanley et al. | A fully convolutional neural network for explainable classification of attention deficit hyperactivity disorder | |
CN113592769A (zh) | 异常图像的检测、模型的训练方法、装置、设备及介质 | |
Wahid et al. | Pneumonia Detection in Chest X‐Ray Images Using Enhanced Restricted Boltzmann Machine | |
CN113763332B (zh) | 一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质 | |
Hoebel et al. | Do I know this? segmentation uncertainty under domain shift | |
WO2021020339A1 (ja) | 学習用画像生成装置、方法及びプログラム、並びに学習方法、装置及びプログラム | |
JP6326264B2 (ja) | 肺疾患判別プログラム、記録媒体及び肺疾患判別方法 | |
KR20230011012A (ko) | 그림을 이용한 아동정서, 심리, 행동 사전 점검 및 치유 솔루션 시스템 및 이를 이용한 아동정서, 심리, 행동 사전 점검 및 치유 방법 | |
KR102294255B1 (ko) | 인지증 개호 부담도 판정 장치, 인지증 개호 부담도 판정 방법, 인지증 개호 부담도 판정 프로그램, 인지증 치료 효과 판정 장치, 인지증 치료 효과 판정 방법 및 인지증 치료 효과 판정 프로그램 | |
KR20210010769A (ko) | 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200318 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230206 |
|
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: 20240116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240119 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7429036 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |