JPWO2020257108A5 - - Google Patents
Download PDFInfo
- Publication number
- JPWO2020257108A5 JPWO2020257108A5 JP2021575924A JP2021575924A JPWO2020257108A5 JP WO2020257108 A5 JPWO2020257108 A5 JP WO2020257108A5 JP 2021575924 A JP2021575924 A JP 2021575924A JP 2021575924 A JP2021575924 A JP 2021575924A JP WO2020257108 A5 JPWO2020257108 A5 JP WO2020257108A5
- Authority
- JP
- Japan
- Prior art keywords
- skin tone
- image
- processors
- patient
- classifier
- 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.)
- Pending
Links
Description
本開示は、機械学習を使用して、皮膚色調を客観的に分析および分類するための自動化されたシステムおよび方法に関する。そのような分析および分類は、皮膚の分析、診断、および治療を増強させるために使用され得る。ある実施形態では、本システムは、患者の基礎皮膚色調画像を受信する。本システムは、基準較正プロファイルを使用して基礎皮膚色調画像を較正することによって、較正された基礎皮膚色調画像を発生させる。本システムは、較正された基礎皮膚色調画像に基づいて、患者の基礎皮膚色調を決定する。本システムは、次いで、患者の皮膚の一部の懸念画像を受信してもよく、患者の皮膚色調測定値に基づいて、候補機械学習診断モデルの複数のセットから、機械学習診断モデルのセットを選択してもよく、候補機械学習診断モデルのセットはそれぞれ、懸念画像を受信し、患者の病状の診断を出力するように訓練されてもよい。
本発明は、例えば、以下を提供する。
(項目1)
患者の基礎皮膚色調に基づいて診断を決定するための方法であって、前記方法は、
患者の基礎皮膚色調画像を受信することと、
基準較正プロファイルを使用して前記基礎皮膚色調画像を較正することによって、較正された基礎皮膚色調画像を発生させることと、
前記較正された基礎皮膚色調画像に基づいて、前記患者の基礎皮膚色調を決定することと、
前記患者の皮膚の一部の懸念画像を受信することと、
前記患者の基礎皮膚色調に基づいて、候補機械学習診断モデルの複数のセットから機械学習診断モデルのセットを選択することであって、前記候補機械学習診断モデルのセットはそれぞれ、前記懸念画像を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を含む、方法。
(項目2)
前記較正された皮膚色調画像を発生させることは、前記基礎皮膚色調画像が品質基準を満たすことを決定することに応答して実施される、項目1に記載の方法。
(項目3)
前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記較正された基礎皮膚色調画像の各ピクセルの数値表現を決定することと、
各数値表現に基づいて統計演算を実施することによって、集計表現を発生させることと、
前記集計表現に対応する色空間内の点を識別することと、
前記色空間内の前記点を、分類システム内の離散値にマップすることと
を含む、項目1に記載の方法。
(項目4)
前記方法はさらに、複数の較正された基礎皮膚色調画像を発生させることを含み、前記複数のものは、前記較正された基礎皮膚色調画像を含み、前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することはさらに、
前記複数の較正された基礎皮膚色調画像のそれぞれを測定分類器の中に入力することと、
前記測定分類器からの出力として、前記基礎皮膚色調を受信することと
を含む、項目1に記載の方法。
(項目5)
前記方法はさらに、
前記基準較正プロファイルおよび前記基礎皮膚色調に基づいて、適合された撮像プロファイルを発生させることと、
前記適合された撮像プロファイルを使用して、前記懸念画像を較正することと
を含む、項目1に記載の方法。
(項目6)
前記方法はさらに、前記測定された皮膚色調に対応する分類を決定することを含み、前記機械学習診断モデルのセットを選択することは、前記分類に対応する診断分類器を選択することを含み、前記方法はさらに、
前記懸念画像を前記選択された診断分類器の中に入力することと、
前記選択された診断分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目1に記載の方法。
(項目7)
前記方法はさらに、
前記基礎皮膚色調および前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目1に記載の方法。
(項目8)
前記方法を決定することはさらに、
前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと、
前記基礎皮膚色調に基づいて、前記情報を修正することと、
前記修正された情報に基づいて、前記診断を決定することと
を含む、項目1に記載の方法。
(項目9)
前記方法はさらに、
前記懸念画像が前記基礎皮膚色調に基づいて診断可能であるかどうかを決定することと、
前記懸念画像が診断可能ではないことを決定することに応答して、前記懸念画像が診断されることはできないというインジケーションを出力することと
を含む、項目1に記載の方法。
(項目10)
前記病状の診断は、前記患者が前記病状を有する確率を含む、項目1に記載の方法。
(項目11)
患者の基礎皮膚色調に基づいて診断を決定するためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、コンピュータ可読記憶媒体を備え、前記コンピュータ可読記憶媒体は、
患者の基礎皮膚色調画像を受信することと、
基準較正プロファイルを使用して前記基礎皮膚色調画像を較正することによって、較正された基礎皮膚色調画像を発生させることと、
前記較正された基礎皮膚色調画像に基づいて、前記患者の基礎皮膚色調を決定することと、
前記患者の皮膚の一部の懸念画像を受信することと、
前記患者の基礎皮膚色調に基づいて、候補機械学習診断モデルの複数のセットから機械学習診断モデルのセットを選択することであって、候補機械学習診断モデルのセットはそれぞれ、前記懸念画像を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を行うためのコンピュータプログラムコードを含有する、コンピュータプログラム製品。
(項目12)
前記較正された皮膚色調画像を発生させることは、前記基礎皮膚色調画像が、品質基準を満たすことを決定することに応答して実施される、項目11に記載のコンピュータプログラム製品。
(項目13)
前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記較正された基礎皮膚色調画像の各ピクセルの数値表現を決定することと、
各数値表現に基づいて統計演算を実施することによって、集計表現を発生させることと、
前記集計表現に対応する色空間内の点を識別することと、
前記色空間内の点を、分類システム内の離散値にマップすることと
を含む、項目11に記載のコンピュータプログラム製品。
(項目14)
前記方法はさらに、複数の較正された基礎皮膚色調画像を発生させることを含み、前記複数のものは、前記較正された基礎皮膚色調画像を含み、前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することはさらに、
前記複数の較正された基礎皮膚色調画像のそれぞれを測定分類器の中に入力することと、
前記測定分類器からの出力として、前記基礎皮膚色調を受信することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目15)
前記方法はさらに、前記測定された皮膚色調に対応する分類を決定することを含み、前記機械学習診断モデルのセットを選択することは、前記分類に対応する診断分類器を選択することを含み、前記方法はさらに、
前記懸念画像を前記選択された診断分類器の中に入力することと、
前記選択された診断分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目16)
前記方法はさらに、
前記基礎皮膚色調および前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目17)
前記方法を決定することはさらに、
前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと、
前記基礎皮膚色調に基づいて、前記情報を修正することと、
前記修正された情報に基づいて、前記診断を決定することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目18)
前記病状の診断は、前記患者が前記病状を有する確率を含む、項目11に記載のコンピュータプログラム製品。
(項目19)
患者の診断を決定するための方法であって、前記方法は、
患者の少なくとも一部の生体認証データを受信することと、
前記生体認証データを、前記患者の属性を取得するように訓練される分類器の中に入力することと、
前記分類器からの出力として、前記患者の属性を受信することと、
前記患者の属性に基づいて、候補機械学習診断モデルの複数のセットから、機械学習診断モデルのセットを選択することであって、前記候補機械学習診断モデルのセットはそれぞれ、前記属性を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を含む、方法。
(項目20)
前記候補機械学習診断モデルのセットはそれぞれ、前記属性に加えて、前記患者の器官を描写する懸念画像を受信し、前記属性および前記懸念画像の両方に基づいて、前記患者の病状の診断を出力するように訓練される、項目19に記載の方法。
本発明は、例えば、以下を提供する。
(項目1)
患者の基礎皮膚色調に基づいて診断を決定するための方法であって、前記方法は、
患者の基礎皮膚色調画像を受信することと、
基準較正プロファイルを使用して前記基礎皮膚色調画像を較正することによって、較正された基礎皮膚色調画像を発生させることと、
前記較正された基礎皮膚色調画像に基づいて、前記患者の基礎皮膚色調を決定することと、
前記患者の皮膚の一部の懸念画像を受信することと、
前記患者の基礎皮膚色調に基づいて、候補機械学習診断モデルの複数のセットから機械学習診断モデルのセットを選択することであって、前記候補機械学習診断モデルのセットはそれぞれ、前記懸念画像を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を含む、方法。
(項目2)
前記較正された皮膚色調画像を発生させることは、前記基礎皮膚色調画像が品質基準を満たすことを決定することに応答して実施される、項目1に記載の方法。
(項目3)
前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記較正された基礎皮膚色調画像の各ピクセルの数値表現を決定することと、
各数値表現に基づいて統計演算を実施することによって、集計表現を発生させることと、
前記集計表現に対応する色空間内の点を識別することと、
前記色空間内の前記点を、分類システム内の離散値にマップすることと
を含む、項目1に記載の方法。
(項目4)
前記方法はさらに、複数の較正された基礎皮膚色調画像を発生させることを含み、前記複数のものは、前記較正された基礎皮膚色調画像を含み、前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することはさらに、
前記複数の較正された基礎皮膚色調画像のそれぞれを測定分類器の中に入力することと、
前記測定分類器からの出力として、前記基礎皮膚色調を受信することと
を含む、項目1に記載の方法。
(項目5)
前記方法はさらに、
前記基準較正プロファイルおよび前記基礎皮膚色調に基づいて、適合された撮像プロファイルを発生させることと、
前記適合された撮像プロファイルを使用して、前記懸念画像を較正することと
を含む、項目1に記載の方法。
(項目6)
前記方法はさらに、前記測定された皮膚色調に対応する分類を決定することを含み、前記機械学習診断モデルのセットを選択することは、前記分類に対応する診断分類器を選択することを含み、前記方法はさらに、
前記懸念画像を前記選択された診断分類器の中に入力することと、
前記選択された診断分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目1に記載の方法。
(項目7)
前記方法はさらに、
前記基礎皮膚色調および前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目1に記載の方法。
(項目8)
前記方法を決定することはさらに、
前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと、
前記基礎皮膚色調に基づいて、前記情報を修正することと、
前記修正された情報に基づいて、前記診断を決定することと
を含む、項目1に記載の方法。
(項目9)
前記方法はさらに、
前記懸念画像が前記基礎皮膚色調に基づいて診断可能であるかどうかを決定することと、
前記懸念画像が診断可能ではないことを決定することに応答して、前記懸念画像が診断されることはできないというインジケーションを出力することと
を含む、項目1に記載の方法。
(項目10)
前記病状の診断は、前記患者が前記病状を有する確率を含む、項目1に記載の方法。
(項目11)
患者の基礎皮膚色調に基づいて診断を決定するためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、コンピュータ可読記憶媒体を備え、前記コンピュータ可読記憶媒体は、
患者の基礎皮膚色調画像を受信することと、
基準較正プロファイルを使用して前記基礎皮膚色調画像を較正することによって、較正された基礎皮膚色調画像を発生させることと、
前記較正された基礎皮膚色調画像に基づいて、前記患者の基礎皮膚色調を決定することと、
前記患者の皮膚の一部の懸念画像を受信することと、
前記患者の基礎皮膚色調に基づいて、候補機械学習診断モデルの複数のセットから機械学習診断モデルのセットを選択することであって、候補機械学習診断モデルのセットはそれぞれ、前記懸念画像を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を行うためのコンピュータプログラムコードを含有する、コンピュータプログラム製品。
(項目12)
前記較正された皮膚色調画像を発生させることは、前記基礎皮膚色調画像が、品質基準を満たすことを決定することに応答して実施される、項目11に記載のコンピュータプログラム製品。
(項目13)
前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記較正された基礎皮膚色調画像の各ピクセルの数値表現を決定することと、
各数値表現に基づいて統計演算を実施することによって、集計表現を発生させることと、
前記集計表現に対応する色空間内の点を識別することと、
前記色空間内の点を、分類システム内の離散値にマップすることと
を含む、項目11に記載のコンピュータプログラム製品。
(項目14)
前記方法はさらに、複数の較正された基礎皮膚色調画像を発生させることを含み、前記複数のものは、前記較正された基礎皮膚色調画像を含み、前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することはさらに、
前記複数の較正された基礎皮膚色調画像のそれぞれを測定分類器の中に入力することと、
前記測定分類器からの出力として、前記基礎皮膚色調を受信することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目15)
前記方法はさらに、前記測定された皮膚色調に対応する分類を決定することを含み、前記機械学習診断モデルのセットを選択することは、前記分類に対応する診断分類器を選択することを含み、前記方法はさらに、
前記懸念画像を前記選択された診断分類器の中に入力することと、
前記選択された診断分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目16)
前記方法はさらに、
前記基礎皮膚色調および前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目17)
前記方法を決定することはさらに、
前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと、
前記基礎皮膚色調に基づいて、前記情報を修正することと、
前記修正された情報に基づいて、前記診断を決定することと
を含む、項目11に記載のコンピュータプログラム製品。
(項目18)
前記病状の診断は、前記患者が前記病状を有する確率を含む、項目11に記載のコンピュータプログラム製品。
(項目19)
患者の診断を決定するための方法であって、前記方法は、
患者の少なくとも一部の生体認証データを受信することと、
前記生体認証データを、前記患者の属性を取得するように訓練される分類器の中に入力することと、
前記分類器からの出力として、前記患者の属性を受信することと、
前記患者の属性に基づいて、候補機械学習診断モデルの複数のセットから、機械学習診断モデルのセットを選択することであって、前記候補機械学習診断モデルのセットはそれぞれ、前記属性を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を含む、方法。
(項目20)
前記候補機械学習診断モデルのセットはそれぞれ、前記属性に加えて、前記患者の器官を描写する懸念画像を受信し、前記属性および前記懸念画像の両方に基づいて、前記患者の病状の診断を出力するように訓練される、項目19に記載の方法。
Claims (20)
- 患者の基礎皮膚色調に基づいて診断を決定するためのシステムの作動方法であって、前記システムは、1つ以上のプロセッサを備え、前記作動方法は、
前記1つ以上のプロセッサが、患者の基礎皮膚色調画像を受信することと、
前記1つ以上のプロセッサが、基準較正プロファイルを使用して前記基礎皮膚色調画像を較正することによって、較正された基礎皮膚色調画像を発生させることと、
前記1つ以上のプロセッサが、前記較正された基礎皮膚色調画像に基づいて、前記患者の基礎皮膚色調を決定することと、
前記1つ以上のプロセッサが、前記患者の皮膚の一部の懸念画像を受信することと、
前記1つ以上のプロセッサが、前記患者の基礎皮膚色調に基づいて、候補機械学習診断モデルの複数のセットから機械学習診断モデルのセットを選択することであって、前記候補機械学習診断モデルのセットはそれぞれ、前記懸念画像を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を含む、作動方法。 - 前記較正された皮膚色調画像を発生させることは、前記基礎皮膚色調画像が品質基準を満たすことを決定することに応答して実施される、請求項1に記載の作動方法。
- 前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記1つ以上のプロセッサが、前記較正された基礎皮膚色調画像の各ピクセルの数値表現を決定することと、
前記1つ以上のプロセッサが、各数値表現に基づいて統計演算を実施することによって、集計表現を発生させることと、
前記1つ以上のプロセッサが、前記集計表現に対応する色空間内の点を識別することと、
前記1つ以上のプロセッサが、前記色空間内の前記点を、分類システム内の離散値にマップすることと
を含む、請求項1に記載の作動方法。 - 前記作動方法は、前記1つ以上のプロセッサが、複数の較正された基礎皮膚色調画像を発生させることをさらに含み、前記複数のものは、前記較正された基礎皮膚色調画像を含み、前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記1つ以上のプロセッサが、前記複数の較正された基礎皮膚色調画像のそれぞれを測定分類器の中に入力することと、
前記1つ以上のプロセッサが、前記測定分類器からの出力として、前記基礎皮膚色調を受信することと
をさらに含む、請求項1に記載の作動方法。 - 前記作動方法は、
前記1つ以上のプロセッサが、前記基準較正プロファイルおよび前記基礎皮膚色調に基づいて、適合された撮像プロファイルを発生させることと、
前記1つ以上のプロセッサが、前記適合された撮像プロファイルを使用して、前記懸念画像を較正することと
をさらに含む、請求項1に記載の作動方法。 - 前記作動方法は、前記1つ以上のプロセッサが、前記測定された皮膚色調に対応する分類を決定することをさらに含み、前記機械学習診断モデルのセットを選択することは、前記分類に対応する診断分類器を選択することを含み、前記作動方法は、
前記1つ以上のプロセッサが、前記懸念画像を前記選択された診断分類器の中に入力することと、
前記1つ以上のプロセッサが、前記選択された診断分類器からの出力として、それから前記診断が導出される情報を受信することと
をさらに含む、請求項1に記載の作動方法。 - 前記作動方法は、
前記1つ以上のプロセッサが、前記基礎皮膚色調および前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記1つ以上のプロセッサが、前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと
をさらに含む、請求項1に記載の作動方法。 - 前記作動方法は、
前記1つ以上のプロセッサが、前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記1つ以上のプロセッサが、前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと、
前記1つ以上のプロセッサが、前記基礎皮膚色調に基づいて、前記情報を修正することと、
前記1つ以上のプロセッサが、前記修正された情報に基づいて、前記診断を決定することと
をさらに含む、請求項1に記載の作動方法。 - 前記作動方法は、
前記1つ以上のプロセッサが、前記懸念画像が前記基礎皮膚色調に基づいて診断可能であるかどうかを決定することと、
前記懸念画像が診断可能ではないことを決定することに応答して、前記1つ以上のプロセッサが、前記懸念画像が診断されることはできないというインジケーションを出力することと
をさらに含む、請求項1に記載の作動方法。 - 前記病状の診断は、前記患者が前記病状を有する確率を含む、請求項1に記載の作動方法。
- 患者の基礎皮膚色調に基づいて診断を決定するためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、コンピュータ可読記憶媒体を備え、前記コンピュータ可読記憶媒体は、
患者の基礎皮膚色調画像を受信することと、
基準較正プロファイルを使用して前記基礎皮膚色調画像を較正することによって、較正された基礎皮膚色調画像を発生させることと、
前記較正された基礎皮膚色調画像に基づいて、前記患者の基礎皮膚色調を決定することと、
前記患者の皮膚の一部の懸念画像を受信することと、
前記患者の基礎皮膚色調に基づいて、候補機械学習診断モデルの複数のセットから機械学習診断モデルのセットを選択することであって、前記候補機械学習診断モデルのセットはそれぞれ、前記懸念画像を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を行うためのコンピュータプログラムコードを含有する、コンピュータプログラム製品。 - 前記較正された皮膚色調画像を発生させることは、前記基礎皮膚色調画像が、品質基準を満たすことを決定することに応答して実施される、請求項11に記載のコンピュータプログラム製品。
- 前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記較正された基礎皮膚色調画像の各ピクセルの数値表現を決定することと、
各数値表現に基づいて統計演算を実施することによって、集計表現を発生させることと、
前記集計表現に対応する色空間内の点を識別することと、
前記色空間内の点を、分類システム内の離散値にマップすることと
を含む、請求項11に記載のコンピュータプログラム製品。 - 前記方法は、複数の較正された基礎皮膚色調画像を発生させることをさらに含み、前記複数のものは、前記較正された基礎皮膚色調画像を含み、前記較正された画像に基づいて、前記患者の基礎皮膚色調を決定することは、
前記複数の較正された基礎皮膚色調画像のそれぞれを測定分類器の中に入力することと、
前記測定分類器からの出力として、前記基礎皮膚色調を受信することと
をさらに含む、請求項11に記載のコンピュータプログラム製品。 - 前記方法は、前記測定された皮膚色調に対応する分類を決定することをさらに含み、前記機械学習診断モデルのセットを選択することは、前記分類に対応する診断分類器を選択することを含み、前記方法は、
前記懸念画像を前記選択された診断分類器の中に入力することと、
前記選択された診断分類器からの出力として、それから前記診断が導出される情報を受信することと
をさらに含む、請求項11に記載のコンピュータプログラム製品。 - 前記方法は、
前記基礎皮膚色調および前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと
をさらに含む、請求項11に記載のコンピュータプログラム製品。 - 前記方法は、
前記懸念画像を、前記機械学習診断モデルの選択されたセットの少なくとも1つの分類器の中に入力することと、
前記少なくとも1つの分類器からの出力として、それから前記診断が導出される情報を受信することと、
前記基礎皮膚色調に基づいて、前記情報を修正することと、
前記修正された情報に基づいて、前記診断を決定することと
をさらに含む、請求項11に記載のコンピュータプログラム製品。 - 前記病状の診断は、前記患者が前記病状を有する確率を含む、請求項11に記載のコンピュータプログラム製品。
- 患者の診断を決定するためのシステムの作動方法であって、前記システムは、1つ以上のプロセッサを備え、前記作動方法は、
前記1つ以上のプロセッサが、患者の少なくとも一部の生体認証データを受信することと、
前記1つ以上のプロセッサが、前記生体認証データを、前記患者の属性を取得するように訓練される分類器の中に入力することと、
前記1つ以上のプロセッサが、前記分類器からの出力として、前記患者の属性を受信することと、
前記1つ以上のプロセッサが、前記患者の属性に基づいて、候補機械学習診断モデルの複数のセットから、機械学習診断モデルのセットを選択することであって、前記候補機械学習診断モデルのセットはそれぞれ、前記属性を受信し、前記患者の病状の診断を出力するように訓練される、ことと
を含む、作動方法。 - 前記候補機械学習診断モデルのセットはそれぞれ、前記属性に加えて、前記患者の器官を描写する懸念画像を受信し、前記属性および前記懸念画像の両方に基づいて、前記患者の病状の診断を出力するように訓練される、請求項19に記載の作動方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962862844P | 2019-06-18 | 2019-06-18 | |
US62/862,844 | 2019-06-18 | ||
PCT/US2020/037765 WO2020257108A1 (en) | 2019-06-18 | 2020-06-15 | Using a set of machine learning diagnostic models to determine a diagnosis based on a skin tone of a patient |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022536808A JP2022536808A (ja) | 2022-08-18 |
JPWO2020257108A5 true JPWO2020257108A5 (ja) | 2023-06-16 |
Family
ID=74040871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021575924A Pending JP2022536808A (ja) | 2019-06-18 | 2020-06-15 | 患者の皮膚色調に基づいて診断を決定するための機械学習診断モデルのセットの使用 |
Country Status (9)
Country | Link |
---|---|
US (1) | US12014828B2 (ja) |
EP (1) | EP3986251A4 (ja) |
JP (1) | JP2022536808A (ja) |
KR (1) | KR20220034790A (ja) |
CN (1) | CN114269231A (ja) |
AU (1) | AU2020297355A1 (ja) |
CA (1) | CA3143932A1 (ja) |
IL (1) | IL288988A (ja) |
WO (1) | WO2020257108A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12014828B2 (en) | 2019-06-18 | 2024-06-18 | Digital Diagnostics Inc. | Using a set of machine learning diagnostic models to determine a diagnosis based on a skin tone of a patient |
KR20210152179A (ko) * | 2020-06-08 | 2021-12-15 | 주식회사 휴먼피부임상시험센터 | 시리얼 피부 유형 분석과 맞춤형 화장품 조제 장치 |
US11138734B1 (en) * | 2021-02-19 | 2021-10-05 | Vr Media Technology, Inc. | Hyperspectral facial analysis system and method for personalized health scoring |
US20230196816A1 (en) * | 2021-12-16 | 2023-06-22 | The Gillett Company LLC | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin hyperpigmentation |
KR102606790B1 (ko) * | 2023-03-07 | 2023-11-29 | 주식회사 바스젠바이오 | 의료용 이미지 데이터 퀄리티 스크리닝 시스템 및 그 방법 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8543519B2 (en) * | 2000-08-07 | 2013-09-24 | Health Discovery Corporation | System and method for remote melanoma screening |
US6690822B1 (en) | 2000-10-20 | 2004-02-10 | Eastman Kodak Company | Method for detecting skin color in a digital image |
US20050049467A1 (en) | 2003-08-28 | 2005-03-03 | Georgios Stamatas | Method for assessing pigmented skin |
US8583216B2 (en) | 2004-04-27 | 2013-11-12 | University Of Utah Research Foundation | Skin type assessment and nevi screening for skin cancer with a noninvasive, portable reflectance spectrophotometer |
US20070016076A1 (en) | 2005-07-18 | 2007-01-18 | Kambiz Youabian | Dermatone skin analyzer |
WO2010093503A2 (en) | 2007-01-05 | 2010-08-19 | Myskin, Inc. | Skin analysis methods |
US8296247B2 (en) * | 2007-03-23 | 2012-10-23 | Three Palm Software | Combination machine learning algorithms for computer-aided detection, review and diagnosis |
US8385638B2 (en) | 2009-01-05 | 2013-02-26 | Apple Inc. | Detecting skin tone in images |
EP2502052A4 (en) * | 2009-11-17 | 2014-09-10 | Veralight Inc | METHOD AND DEVICE FOR DETECTING THE CORROSION OR DISEASE OF CORONARY ARTERIES |
US11074495B2 (en) | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US8705853B2 (en) * | 2012-04-20 | 2014-04-22 | Apple Inc. | Detecting skin tone |
EP2733664A1 (en) * | 2012-11-09 | 2014-05-21 | Skin Analytics Ltd | Skin image analysis |
WO2014172033A1 (en) * | 2013-03-12 | 2014-10-23 | University Of Washington Through Its Center For Commercialization | Estimating bilirubin levels |
EP2781191A1 (en) | 2013-03-19 | 2014-09-24 | Schnidar, Harald | Methods for assessing erythema |
US9220462B2 (en) * | 2013-05-24 | 2015-12-29 | Toshiba America Electronic Components, Inc. | Imaging sensor and method for biometric mapping of facial skin |
US10182757B2 (en) * | 2013-07-22 | 2019-01-22 | The Rockefeller University | System and method for optical detection of skin disease |
EP3251332B1 (en) * | 2015-01-27 | 2021-07-07 | Healthy.IO Ltd | Measuring and monitoring skin feature colors, form and size |
KR101812406B1 (ko) * | 2016-03-16 | 2017-12-27 | 동국대학교 산학협력단 | 피부질환 진단 방법 및 피부질환 진단 시스템 |
US10223788B2 (en) * | 2016-08-31 | 2019-03-05 | International Business Machines Corporation | Skin lesion segmentation using deep convolution networks guided by local unsupervised learning |
EP3291173A1 (en) | 2016-09-02 | 2018-03-07 | Casio Computer Co., Ltd. | Diagnosis assisting device, image processing method in diagnosis assisting device, and program |
WO2018101572A1 (ko) | 2016-12-01 | 2018-06-07 | 주식회사 엘지생활건강 | 맞춤형 화장품 제공 시스템 및 그의 동작 방법 |
US10354383B2 (en) * | 2016-12-30 | 2019-07-16 | Skinio, Llc | Skin abnormality monitoring systems and methods |
CN107563997B (zh) * | 2017-08-24 | 2020-06-02 | 京东方科技集团股份有限公司 | 一种皮肤病诊断系统、构建方法、分类方法和诊断装置 |
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
CN108272437A (zh) * | 2017-12-27 | 2018-07-13 | 中国科学院西安光学精密机械研究所 | 用于皮肤病诊断的光谱检测系统和分类器模型构建方法 |
CN108830853A (zh) * | 2018-07-20 | 2018-11-16 | 东北大学 | 一种基于人工智能的黑色素瘤辅助诊断方法 |
CN109493342B (zh) * | 2018-12-13 | 2021-02-09 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
US11176669B2 (en) * | 2019-04-14 | 2021-11-16 | Holovisions LLC | System for remote medical imaging using two conventional smart mobile devices and/or augmented reality (AR) |
US12014828B2 (en) | 2019-06-18 | 2024-06-18 | Digital Diagnostics Inc. | Using a set of machine learning diagnostic models to determine a diagnosis based on a skin tone of a patient |
-
2020
- 2020-06-15 US US17/619,173 patent/US12014828B2/en active Active
- 2020-06-15 CN CN202080058250.4A patent/CN114269231A/zh active Pending
- 2020-06-15 JP JP2021575924A patent/JP2022536808A/ja active Pending
- 2020-06-15 KR KR1020227001674A patent/KR20220034790A/ko active Search and Examination
- 2020-06-15 CA CA3143932A patent/CA3143932A1/en active Pending
- 2020-06-15 WO PCT/US2020/037765 patent/WO2020257108A1/en unknown
- 2020-06-15 AU AU2020297355A patent/AU2020297355A1/en active Pending
- 2020-06-15 EP EP20825716.2A patent/EP3986251A4/en active Pending
-
2021
- 2021-12-14 IL IL288988A patent/IL288988A/en unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11423541B2 (en) | Assessment of density in mammography | |
JP6807820B2 (ja) | 画像検索装置、方法およびプログラム | |
US9974490B2 (en) | Method and device for segmenting a medical examination object with quantitative magnetic resonance imaging | |
KR20100105627A (ko) | 피부색 평가방법, 피부색 평가장치 및 피부색 평가프로그램이 기록된 기록매체 | |
CN104093354A (zh) | 用于评估医学图像的方法和设备 | |
JP5432287B2 (ja) | レポート機能を備えた画像システム及び動作方法 | |
US12014828B2 (en) | Using a set of machine learning diagnostic models to determine a diagnosis based on a skin tone of a patient | |
WO2012064986A2 (en) | System and method of ultrasound image processing | |
CN113744801B (zh) | 肿瘤类别的确定方法、装置、系统、电子设备及存储介质 | |
JP2022180064A (ja) | 機械学習装置、機械学習方法、機械学習プログラム及び推論装置 | |
JPWO2020257108A5 (ja) | ||
KR102033484B1 (ko) | 적대적 인공지능 생성망 (gan)을 활용한 반려동물 검사의 정상범위 기준치 설정 방법 및 장치 | |
JP2023122528A (ja) | 認知症診断に必要な情報の提供方法及び装置 | |
US11893735B2 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
US11989880B2 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
Koelzer et al. | Definitions of frontal bone inclination: applicability and quantification | |
Liu | Chronological age estimation of lateral cephalometric radiographs with deep learning | |
CN114820483A (zh) | 图像检测方法、装置及计算机设备 | |
CN109816632B (zh) | 脑图像处理方法、装置、可读存储介质及电子设备 | |
CN113450306A (zh) | 提供骨折检测工具的方法 | |
CN107918943B (zh) | 用于产生与解剖图像数据相关的结果图的方法 | |
KR20210068189A (ko) | 의료 영상을 이용한 병변 여부 판단 방법 | |
TW201535320A (zh) | 增齡分析方法及增齡分析裝置 | |
JP2021068188A (ja) | 診断支援方法および診断支援システム | |
JP2019107453A (ja) | 画像処理装置及び画像処理方法 |