WO2021220990A1 - 画像認識装置および画像認識プログラム - Google Patents

画像認識装置および画像認識プログラム Download PDF

Info

Publication number
WO2021220990A1
WO2021220990A1 PCT/JP2021/016538 JP2021016538W WO2021220990A1 WO 2021220990 A1 WO2021220990 A1 WO 2021220990A1 JP 2021016538 W JP2021016538 W JP 2021016538W WO 2021220990 A1 WO2021220990 A1 WO 2021220990A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
attention
recognition
unit
network model
Prior art date
Application number
PCT/JP2021/016538
Other languages
English (en)
French (fr)
Inventor
弘亘 藤吉
隆義 山下
翼 平川
祐輔 坂下
Original Assignee
学校法人中部大学
株式会社ニデック
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 学校法人中部大学, 株式会社ニデック filed Critical 学校法人中部大学
Priority to JP2022518038A priority Critical patent/JPWO2021220990A1/ja
Publication of WO2021220990A1 publication Critical patent/WO2021220990A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present disclosure relates to an image recognition device that outputs a recognition result for an image using a network model trained by a machine learning algorithm, and an image recognition program executed by the image recognition device.
  • Non-Patent Documents 1 and 2 a technique for generating an attention map when recognizing an image using a machine learning algorithm has been known (see, for example, Non-Patent Documents 1 and 2).
  • the attention map shows the area in the image that was noticed during inference by the network model.
  • one attention map is generated for one image.
  • the distribution of the region in the image that attracts attention at the time of inference tends to be monotonous. That is, in the method of generating only one attention map, for example, the area in the image to be noticed at the time of inference is unnecessarily limited to the local area, becomes unnecessarily wide, or is noticed. In many cases, the boundaries of the regions are unclear, and it is difficult to improve the image recognition accuracy. Further, when the distribution of the region of interest at the time of inference shown by the attention map is different from the distribution of the region of interest by a person, a recognition result different from the recognition result by a person is likely to be output.
  • a typical object of the present disclosure is to provide an image recognition device and an image recognition program capable of more appropriately outputting a recognition result close to the recognition result of an image by a person.
  • the image recognition device provided by the typical embodiment in the present disclosure is an image recognition device that outputs a recognition result for an image by using a network model trained by a machine learning algorithm, and the network model is an input.
  • An attention unit that includes a plurality of units that perform different recognition processes on an input image that is an image to be imaged, and each of the units outputs an attention map showing a distribution of attention on the input image.
  • a recognition unit that outputs a recognition result for the input image based on the attention map and a feature map showing features extracted from the input image, and at least the attention unit in any one of the units. Is trained by the correct attention map, which is an attention map generated in response to an instruction by a person who grasps the input image.
  • the image recognition program provided by the typical embodiment in the present disclosure is an image recognition program executed by an image recognition device that outputs a recognition result for an image using a network model trained by a machine learning algorithm.
  • the image recognition device is made to execute the attention map and the recognition result acquisition step of outputting the recognition result of the input image based on the feature map showing the features extracted from the input image, and at least one of the above.
  • the attention unit in the unit is trained by a correct attention map, which is an attention map generated in response to an instruction by a person who grasps the input image.
  • the recognition result close to the image recognition result by a person is output more appropriately.
  • the image recognition device illustrated in the present disclosure includes a network model that is virtually realized by executing an image recognition program by a controller.
  • the network model has multiple units.
  • the plurality of units perform different recognition processes on the image (input image) input to the network model.
  • Each unit has an attention unit and a recognition unit.
  • the attention unit outputs an attention map showing the distribution of attention on the input image.
  • the recognition unit outputs the recognition result for the input image based on the attention map and the feature map showing the distribution of the features extracted from the input image.
  • the attention unit in any of the units is trained by the attention map (correct attention map) generated in response to the instruction by the person who grasps the input image.
  • the image recognition device exemplified in the present disclosure executes an image input step, an attention map acquisition step, and a recognition result acquisition step.
  • the image input step the input image is input to a network model having a plurality of units.
  • the image recognition device causes the attention unit provided in each of the plurality of units to output the attention map.
  • the recognition result acquisition step the image recognition device causes the recognition unit provided in each of the plurality of units to output the recognition result of the input image. At least the attention section in any unit is trained by the correct attention map.
  • an attention map is output and a recognition result is output by each of a plurality of units that execute different recognition processes. Therefore, a plurality of attention maps corresponding to the recognition processing executed by each unit are generated for one input image, and then a plurality of recognition results corresponding to each attention map are output. Therefore, the image is recognized more appropriately. Further, at least one of the attention units of the network model is trained by the correct attention map generated according to the instruction by the person who grasps the input image. That is, the user can individually determine whether or not to execute learning by the correct answer map for each of the plurality of attention parts included in the network model, and to individually determine the content of the correct attention map to be learned. Is.
  • model user the knowledge of the person or group (hereinafter referred to as "model user") who instructed the generation of the correct attention map is appropriately learned by the attention unit, and the recognition result close to the recognition result by the model user is easily output. Therefore, it becomes easy to appropriately output a highly accurate recognition result.
  • the training using the correct attention map may be adopted when the network model once constructed is retrained, or may be adopted at the time of the first training when constructing the network model.
  • the recognition result output by the recognition unit may be a feature amount related to the input image.
  • the final recognition result regarding the input image may be output by integrating the plurality of feature quantities output by each of the plurality of units.
  • the network model may include a feature extraction unit that outputs a feature map showing the distribution of features extracted from the input image.
  • the attention unit may generate and output an attention map based on the feature map output by the feature extraction unit. In this case, the attention map and the recognition result are appropriately output according to the features extracted by the feature extraction unit.
  • the plurality of units perform recognition processing on the same input image in which at least one of the size, number, shape, and recognition content of the area of interest to be recognized in the input image is different from each other. You may. In this case, a plurality of recognition processes in which at least one of the region of interest and the recognition content is different are appropriately executed for one input image. Therefore, the recognition accuracy is appropriately improved as compared with the case where the recognition process is executed by one unit.
  • the network model may be trained separately for each group (model users) of a person or a plurality of people who instruct the generation of a correct attention map. In this case, different findings for each model user are learned separately by the network model. Therefore, the user can also obtain the image recognition result by using, for example, a network model that has learned the knowledge of the desired model user. In addition, the user can make the network model execute a recognition close to his / her own recognition by letting the network model learn his / her knowledge.
  • Identification information that identifies the person or group who instructed the generation of the correct attention map used for training the network model may be added to the network model.
  • the control unit of the image recognition device may notify the user of the identification information given to the network model that outputs the recognition result. In this case, the user can confirm the recognition result output by the network model after identifying the model user who provided the knowledge for learning.
  • the control unit of the image recognition device displays at least a plurality of attention maps output by the plurality of attention units on the display unit in an identifiable state for the same input image, and at least the plurality of attention maps.
  • the input of the correction instruction from the user to any of them may be accepted.
  • the control unit may generate a correct attention map according to the input correction instruction.
  • the user appropriately compares the distribution of attention levels (attention area) shown in the output attention map with the attention area in the input image that he / she recognizes for each of the plurality of attention maps. , You can make corrections to the attention map that needs to be corrected. Therefore, the user's knowledge is more appropriately reflected in the network model.
  • Each of the plurality of units may output the accuracy of the executed recognition process.
  • the control unit of the image recognition device sets the priority of correction of the attention map output from the unit with low accuracy of the executed recognition process among the plurality of attention maps output from each of the plurality of units with high accuracy. It may be higher than the priority of the modification of the attention map output from.
  • the difference between the attention level distribution shown by the attention map and the attention level distribution actually recognized by a person is often large. Therefore, the attention map of the unit with low accuracy of the recognition process is preferentially corrected, so that the human knowledge is more efficiently reflected in the network model.
  • each of the plurality of attention units may output the accuracy of the recognition result for the input image together with the attention map.
  • the priority of modification of the attention map may be set based on the accuracy output by the attention unit. Further, the priority of modification of the attention map may be set based on the accuracy of the recognition result output by each of the plurality of recognition units.
  • the specific setting method of the priority to modify the attention map can be selected as appropriate.
  • the control unit may present the attention map of the unit whose recognition processing accuracy is equal to or less than the threshold value among the plurality of attention maps to the user as a candidate for correction. Further, the control unit may present a plurality of attention maps as correction candidates to the user in ascending order of accuracy of the recognition process. In addition, the control unit has a plurality of attention maps in descending order of error between the attention map output by the attention unit and the correct attention map generated in response to a human instruction (that is, in ascending order of similarity between the two). You may set the priority of the modification of. Further, the control unit may allow the user to select an attention map that needs to be modified by simply displaying a plurality of attention maps on the display unit.
  • the image input to the network model may be a biological image obtained by photographing a biological tissue.
  • the network model may output the recognition result of the degree of a specific disease in the tissue shown in the biological image by a plurality of units. In this case, the degree of a particular disease in the tissue is recognized with high accuracy by a plurality of units that perform different recognition processes.
  • the image may be a fundus image obtained by photographing the fundus tissue of the eye to be inspected.
  • the network model may recognize the extent of at least one of the diseases, such as diabetic retinopathy and age-related macular degeneration, in the tissues imaged in the fundus image.
  • the image may be a biological image obtained by photographing the internal organs of the subject.
  • the network model may recognize the degree of disease such as cancer in the tissue shown in the biological image.
  • the image may also be an inspection image of an article manufactured, processed, or repaired.
  • the network model may recognize the degree of quality of the article (eg, defects, scratches, stains, foreign objects, poor shape, etc.) in the inspection image.
  • the network model exemplified in the present disclosure may be mounted on an educational application or an educational device for educating a user on an image recognition method.
  • the user can appropriately compare the recognition result of his / her own image with the recognition result output by the network model in which the knowledge of a person (for example, a skilled person) is learned. Therefore, the user can appropriately acquire the skills of the person who provided the knowledge to the network model by using the educational application or device.
  • the image recognition device 1 and the photographing device 10 are used in this embodiment.
  • the image recognition device 1 constructs the network model 20 by training (including retraining) the network model 20 (see FIG. 2) by a machine learning algorithm. Further, the image recognition device 1 uses the constructed network model 20 to output the recognition result for the image acquired from the photographing device 10. That is, the image recognition device 1 of the present embodiment has a function as a model construction device for training and constructing the network model 20 and a function as an image recognition device for recognizing an image using the constructed network model 20. Also serves as. However, the model building device and the image recognition device may be provided separately.
  • At least one of the model building device and the image recognition device may be used in plurality.
  • one network model 20 may be constructed by a plurality of model building devices.
  • the photographing device 10 for capturing an image may function as at least one of the model building device and the image recognition device.
  • a PC is used for the image recognition device 1 of the present embodiment.
  • the device that can function as the image recognition device 1 is not limited to the PC.
  • a photographing device 10 for capturing an image, a server, or the like may function as the image recognition device 1.
  • a mobile terminal such as a tablet terminal or a smartphone may function as the image recognition device 1.
  • the control units of the plurality of devices (for example, the CPU of the PC and the CPU 13 of the photographing device 10) may cooperate to perform various processes.
  • the image to be recognized may be a two-dimensional tomographic image or a three-dimensional tomographic image including information on the depth direction of the fundus of the eye to be inspected.
  • the image to be recognized may be an image of a tissue other than the fundus of the eye to be inspected (for example, an image of the anterior segment of the eye) or an image of a biological tissue other than the eye to be inspected (for example, an image of internal organs). You may. Further, the image to be recognized may be an inspection image obtained by photographing an article manufactured, processed, or repaired.
  • the image recognition device 1 will be described.
  • the image recognition device 1 of the present embodiment is arranged, for example, in a facility (for example, a hospital or a health examination facility) for diagnosing or inspecting a subject.
  • the image recognition device 1 includes a control unit 2 that performs various control processes and a communication I / F 5.
  • the control unit 2 includes a CPU 3 which is a controller that controls control, and a storage device 4 that can store programs, data, and the like.
  • the storage device 4 stores an image recognition program for executing a model training process (see FIG. 3) and an image recognition process (see FIG. 5), which will be described later.
  • the image recognition program also includes a program that realizes the network model 20 (see FIG. 2) described later.
  • the communication I / F 5 connects the image recognition device 1 to another device (for example, a photographing device 10 or the like).
  • the image recognition device 1 is connected to the operation unit 7 and the display device 8.
  • the operation unit 7 is operated by the user in order for the user to input various instructions to the image recognition device 1.
  • the operation unit 7 for example, at least one of a keyboard, a mouse, a touch panel, and the like can be used.
  • a microphone or the like for inputting various instructions may be used together with the operation unit 7 or instead of the operation unit 7.
  • the display device 8 displays various images.
  • various devices capable of displaying an image for example, at least one of a monitor, a display, a projector, and the like
  • the "image" in the present disclosure includes both a still image and a moving image.
  • the image recognition device 1 can acquire image data (hereinafter, may be simply referred to as an "image") from the photographing device 10.
  • the image recognition device 1 may acquire image data from the photographing device 10 by, for example, at least one of wired communication, wireless communication, a detachable storage medium (for example, a USB memory), and the like.
  • the photographing device 10 includes a control unit 12 that performs various control processes and a photographing unit 16.
  • the control unit 12 includes a CPU 13 that is a controller that controls control, and a storage device 14 that can store programs, data, and the like.
  • the imaging unit 16 includes various configurations necessary for capturing an image of the tissue of the subject (in the present embodiment, an image of the front of the fundus).
  • the photographing unit 16 when the photographing device 10 is a fundus camera, the photographing unit 16 includes an illumination optical system, a light receiving optical system, a photographing element, and the like for capturing a front image of the fundus of the subject.
  • the device that can be used as the photographing device 10 is not limited to the fundus camera.
  • a scanning laser ophthalmoscope (SLO), an OCT device, a corneal endothelial cell imaging device (CEM), a computed tomography (CT) device, or the like may be used as the imaging device 10.
  • the network model 20 illustrated in this embodiment will be described with reference to FIG. As described above, the network model 20 illustrated in FIG. 2 is virtually realized by executing the image recognition program stored in the storage device 4 of the image recognition device 1.
  • a biological image obtained by photographing the tissue of the living body (specifically, a fundus image obtained by photographing the fundus tissue of the eye to be inspected) is input, and a specific disease (in detail) in the tissue reflected in the input image is input. Outputs the recognition result of the degree of diabetic retinopathy).
  • the network model 20 of the present embodiment includes a feature extraction unit 21 and a plurality of units 30 (first unit 30A, second unit 30B, third unit 30C). Needless to say, the number of units 30 included in the network model 20 is not limited to three, and may be two or four or more.
  • the input image 40 which is image data, is input to the feature extraction unit 21.
  • the feature extraction unit 21 extracts features from the input image 40 and outputs a feature map 41 showing the distribution of the extracted features.
  • the feature extraction unit 21 of the present embodiment has a first feature map 41A input to the first unit 30A, a second feature map 41B input to the second unit 30B, and a third feature map 41B input to the third unit 30C.
  • the feature map 41C is output.
  • the feature extraction unit 21 includes a plurality of layers including a plurality of convolution layers.
  • the plurality of layers of the feature extraction unit 21 may include a plurality of pooling layers and the like.
  • the feature extraction unit 21 generates the feature map 41 by propagating the data of the input image 40 to a plurality of layers.
  • the feature map 41 is a map having K resolutions h ⁇ w (h and w are arbitrary integers) corresponding to K classes.
  • the resolution of the feature map 41 may be the same as the resolution of the input image 40, or may be lower than the resolution of the input image 40.
  • Each of the plurality of units 30 (30A, 30B, 30C) executes different recognition processes for the input image 40. Specifically, each of the plurality of units 30 recognizes the size, number, and shape of the region of interest in the input image 40 and the recognition content of the input image 40 (in the present embodiment, abnormalities in the fundus tissue). At least one of the types, etc.) is different from each other.
  • the first unit 30A outputs the recognition result of the presence or absence of a microaneurysm in the fundus tissue shown in the input image 40 as the first recognition result 46A.
  • the second unit 30B outputs the recognition result of the presence or absence of intraretinal hemorrhage, venous abnormality, and intraretinal microvascular abnormality in the fundus tissue shown in the input image 40 as the second recognition result 46B.
  • the third unit 30C outputs the recognition result of the presence or absence of new blood vessels and vitreous hemorrhage in the fundus tissue shown in the input image 40 as the third recognition result 46C.
  • the plurality of recognition results 46 (first recognition result 46A, second recognition result 46B, and third recognition result 46C) output by each unit 30 are input to the fully connected layer 23.
  • the fully connected layer 23 outputs the combined recognition result 48 based on the plurality of input recognition results 46. Therefore, the recognition accuracy of the combination recognition result 48 is improved.
  • the network model 20 may output a plurality of recognition results 46 as they are without outputting the combination recognition result 48. Even in this case, the input image 40 is more appropriately recognized by the plurality of recognition results 46. Further, at least one of the plurality of recognition results 46 may be a feature amount related to the input image 40.
  • the recognition result of the degree (grade) of diabetic retinopathy of the fundus tissue reflected in the input image 40 is output as the binding recognition result 48. Specifically, if all of the three recognition results 46A, 46B, and 46C are "no abnormality”, “grade 0: no diabetic retinopathy” is output. If the presence of a microaneurysm is recognized in the first recognition result 46A and the second recognition result 46B and the third recognition result 46C are "no abnormality", "grade 1: mild nonproliferative diabetic retinopathy”. Is output.
  • the first unit 30A includes a first attention unit 31A, a first synthesis unit 32A, and a first recognition unit 33A.
  • the first feature map 41A output from the feature extraction unit 21 is input to each of the first attention unit 31A and the first synthesis unit 32A.
  • the first attention unit 31A outputs the first attention map 42A and the first attention unit recognition result 44A based on the input first feature map 41A.
  • the first attention map 42A is the degree of attention that the first unit 30A pays attention to on the input image 40 in order to output a predetermined recognition result (in this embodiment, the presence or absence of a microaneurysm in the fundus tissue reflected in the input image 40). The distribution of is shown.
  • the first attention unit recognition result 44A is a tentative recognition result once obtained when the first attention map 42A is generated, and is the first recognition finally output from the first recognition unit 33A of the first unit 30A. The result may differ from 46A.
  • the first attention unit recognition result 44A also includes information on the accuracy (likelihood) of the recognition result.
  • the first synthesis unit 32A synthesizes the first feature map 41A output from the feature extraction unit 21 and the first attention map 42A output from the first attention unit 31A. Specifically, the pixels at the same positions of the first feature map 41A and the first attention map 42A are multiplied or added. Note that arithmetic processing that combines addition and multiplication may be performed on pixels at the same position.
  • the first recognition unit 33A outputs the first recognition result 46A for the input image 40 based on the first feature map 41A and the first attention map 42A (combined maps of these in the present embodiment). As described above, the first recognition result 46A of the present embodiment indicates the presence or absence of microaneurysms in the fundus tissue shown in the input image 40, and the likelihood thereof.
  • the second unit 30B includes a second attention unit 31B, a second synthesis unit 32B, and a second recognition unit 33B.
  • the second feature map 41B output from the feature extraction unit 21 is input to each of the second attention unit 31B and the second synthesis unit 32B.
  • the second attention unit 31B outputs the second attention map 42B and the second attention unit recognition result 44B.
  • the third unit 30C includes a third attention unit 31C, a third synthesis unit 32C, and a third recognition unit 33C.
  • the third feature map 41C output from the feature extraction unit 21 is input to each of the third attention unit 31C and the third synthesis unit 32C.
  • the third attention unit 31C outputs the third attention map 42C and the third attention unit recognition result 44C. Since the configurations of the respective parts of the second unit 30B and the third unit 30C are the same as the configurations of the respective parts of the first unit 30A, detailed description thereof will be omitted.
  • Model training process The model training process executed by the image recognition device 1 of the present embodiment will be described with reference to FIGS. 3 and 4.
  • the network model 20 is trained (retrained in this embodiment) by the correct attention map 43 (see FIG. 5) created according to the instruction by the person who grasps the learning image (input image 40).
  • NS The model training process is executed by the CPU 3 according to the image recognition program stored in the storage device 4.
  • the CPU 3 inputs an instruction to start the retraining of the network model 20
  • the CPU 3 executes the model training process shown in FIG.
  • the CPU 3 determines whether or not an instruction for designating a model user has been input (S1).
  • the model user is a person or group who has instructed the generation of the correct attention map 43 (details will be described later) for training (learning) the network model 20. That is, the model user can be said to be a person who provided the knowledge to be trained by the network model 20, or a group of a plurality of people.
  • the network model 20 of the present embodiment recognizes the degree of diabetic retinopathy in the tissue shown in the input image 40. Therefore, the model user may be, for example, an ophthalmologist, a medical institution having an ophthalmology, a health examination institution, or the like. When the ophthalmologist himself creates the correct attention map 43 and trains the network model 20, the ophthalmologist may specify his name as a model user.
  • the CPU 3 reads out the network model 20 of the designated model user (that is, the network model 20 for learning the knowledge of the designated model user) (S2).
  • the CPU 3 reads out the network model 20 corresponding to the designated model user from the constructed network model 20. If the network model 20 corresponding to the specified model user has not yet been constructed (that is, when the knowledge of the model user is newly learned), the CPU 3 is a default network model that has not yet been retrained. 20 is read out.
  • the CPU 3 inputs the learning image as the input image 40 into the network model 20 read in S2 (S4).
  • the feature map 41 is input to each of the plurality of units 30, and the attention map 42 and the attention unit recognition result 44 are input from the attention unit 31 of each unit 30. Is output.
  • the recognition result 46 is output from the recognition unit 33 of each unit.
  • the bond recognition result 48 is output from the fully bonded layer 23.
  • the CPU 3 acquires a plurality of attention maps 42 (42A, 42B, 42C) output by each attention unit 31 (31A, 31B, 31C) (S5).
  • the CPU 3 displays the plurality of attention maps 42 acquired in S5 on the display device 8 in an identifiable state (S6).
  • FIG. 4 shows an example of the display screen 50 in the display device 8 when receiving the input of the generation instruction (correction instruction in the present embodiment) of the correct answer attention map 43.
  • the first attention map 42A, the second attention map 42B, and the third attention map output from the respective attention units 31A, 31B, and 31C together with the input image 40 input to the network model. 42C are displayed separately.
  • the method of displaying a plurality of attention maps 42 in a distinguishable state can be appropriately selected.
  • the CPU 3 may change the display color or the like of each of the plurality of attention maps 42 and superimpose the display in one frame. In this case, the user can easily compare the position and range of each of the plurality of attention maps 42. Further, each attention map 42 may be superimposed and displayed on the input image 40.
  • the CPU 3 acquires the recognition result of the input image by the network model 20 and displays it on the display device 8 (S7).
  • the recognition result acquired and displayed in S7 is at least one of a plurality of attention unit recognition results 44, a recognition result 46 output by the plurality of recognition units 33, and a combination recognition result 48.
  • the recognition result 46 (“with microaneurysm”, “with venous abnormality”, “without new blood vessel, etc.”) and the binding recognition result 48 (“with microaneurysm”) output by the recognition unit 33 for each attention map 42 Grade 3 ") is displayed.
  • the CPU 3 sets the priority of correction for at least one of the plurality of attention maps 42 (S8).
  • the priority of the modification of the attention map 42 output from the unit 30 having the low accuracy of the executed recognition process is the priority of the modification of the attention map 42 output from the unit 30 having the high accuracy. Will be higher than.
  • the priority "high” is set when the accuracy of the attention portion recognition result 44 is less than the threshold value
  • the priority "low” is set when the accuracy is abnormal.
  • the priority of correction may be set together with the accuracy of the attention unit recognition result 44 or based on the accuracy of the recognition result 46 output by the recognition unit 33 instead of the accuracy of the attention unit recognition result 44.
  • the CPU 3 may display only the attention map 42 of the unit 30 whose recognition processing accuracy is equal to or less than the threshold value on the display screen 50 as a candidate for correction. Further, the CPU 3 may display a plurality of attention maps 42 as correction candidates on the display screen 50 in ascending order of accuracy of the recognition process.
  • the CPU 3 determines whether or not a correction instruction for any of the plurality of attention maps 42 has been input (S10).
  • the user operates the operation unit 7 to input a modification instruction for the attention map 42 that needs modification.
  • the user selects the attention map 42 to be modified (second attention map 42B in the present embodiment) from the plurality of displayed attention maps 42, and erases or adds the attention area on the selected attention map 42. Enter the instructions for.
  • the correction instruction is input (S10: YES)
  • the CPU 3 displays the correct answer map 43 (in FIG. 4, the second correct attention map 43B in which the second attention map 42B is modified) according to the input instruction.
  • Generate S11).
  • the CPU 3 determines whether or not a correction instruction for the recognition result has been input (S12).
  • the user specifies a recognition result that needs to be corrected (in this embodiment, one of a plurality of recognition results 46 output by each recognition unit 33 and a combination recognition result 48). And enter the correction instruction.
  • the correction instruction is input (S12: YES)
  • the CPU 3 generates a correct answer recognition result in response to the instruction (S13).
  • the attention portion recognition result 44 may be modified. Further, the process of correcting the recognition result (S12, S13) may be omitted, and only the process of generating the correct attention map 43 may be executed.
  • the CPU 3 determines whether or not the attention map 42 and the recognition result have been modified (S14). If the completion instruction is not input and the correction is not completed (S14: NO), the process returns to S10, and the processes of S10 to S14 are repeated. When the correction is completed (S14: YES), the CPU 3 trains at least the attention unit 31 that outputs the correct answer map 43 of the network model 20 using the training data including the generated correct attention map 43 (S14: YES). Retraining) (S16).
  • the CPU 3 uses the unit 30 instructed to generate the correct attention map 43 as the target unit (retraining unit) among the plurality of units 30 included in the network model 20. Identify.
  • the CPU 3 uses the learning error Lmap of the attention map 42 (attention map 42B in the example of FIG. 4) output by the retraining unit and the generated correct attention map 43 (correct attention map 43B in the example of FIG. 4).
  • the learning parameters such as the weight and bias of the attention unit 31 of the retraining unit are updated.
  • the CPU 3 may update the learning parameters of the recognition unit 33 in the retraining unit as well as the learning parameters of the attention unit 31 in the retraining unit based on the correct attention map 43.
  • the CPU 3 updates at least one of the learning parameters of the attention unit 31 and the recognition unit 33 by using the correct answer recognition result together with the correct answer attention map 43.
  • the user determines whether or not to execute training (learning) by the correct answer attention map 43 for each of the plurality of attention units 31 included in the network model 20, and whether or not to train the correct answer map 43. It is possible to judge the contents individually. Therefore, the knowledge of the model user is appropriately reflected in the network model 20.
  • the program, data, and the like for realizing the network model 20 constructed by the model training process are different from the device that executed the model training process (image recognition device 1 in this embodiment). It can also be provided. Therefore, the user can easily acquire the image recognition result by the network model 20 that has learned the knowledge of the desired model user.
  • the image recognition process executed by the image recognition device 1 of the present embodiment will be described with reference to FIGS. 2 and 5.
  • the recognition result for the image is acquired by the network model 20 trained according to the instruction by the model user among one or a plurality of network models 20.
  • the image recognition process is executed by the CPU 3 according to the image recognition program stored in the storage device 4.
  • the CPU 3 determines whether or not an instruction for designating a model user has been input (S21).
  • the network model 20 is trained for each model user who provided the knowledge.
  • the CPU 3 reads out the network model 20 of the designated model user (that is, the network model 20 that has learned the knowledge of the designated model user) (S22).
  • the CPU 3 inputs the acquired image as the input image 40 into the network model 20 read in S22 (S24).
  • the feature map 41 is input to each of the plurality of units 30, and the attention map 42 is output from the attention unit 31 of each unit 30 (FIG. FIG. 2).
  • the CPU 3 acquires a plurality of attention maps 42 output from the attention units 31 of each unit 30 (S25).
  • the CPU 3 acquires the recognition result (at least one of the recognition result 46 and the combination recognition result 48) of the input image 40, which is output based on the attention map 42 and the feature map 41 (S26).
  • the CPU 3 acquires identification information that identifies the model user who provided the knowledge to the network model 20 read in S22 (that is, used in S24 to S26) (S27).
  • the identification information that identifies the model user may be, for example, the name, ID, or the like of the model user, and is stored in the storage device 4 in association with each network model 20.
  • the CPU 3 displays the identification information that identifies the model user on the display device 8 together with the recognition result of the input image 40 acquired in S26 (S28). Therefore, the user can confirm the recognition result of the input image output by the network model 20 after identifying the model user who provided the knowledge for learning.
  • the image recognition process described above is executed by an educational application for educating the user on the image recognition method. That is, the image recognition device of the present embodiment functions as an educational device used to educate the user on the image recognition method. Therefore, the user can appropriately compare the recognition result of his / her own image with the recognition result of the image output by the network model in which the human knowledge is learned. Therefore, the user can appropriately acquire the image recognition skill of a skilled person or the like.
  • the technology disclosed in the above embodiment is only an example. Therefore, it is possible to modify the techniques exemplified in the above embodiments. First, it is also possible to implement only some of the plurality of techniques exemplified in the above embodiments. For example, when the image recognition device 1 is used in a small facility, it is possible to omit the process of training the network model 20 for each model user, the process of notifying the model user, and the like.
  • the network model 20 of the above embodiment is a multi-scale network model including a plurality of units that execute different recognition processes for input images.
  • the techniques exemplified in this disclosure are also applicable in network models with only one unit.
  • the network model when the network model is trained separately for each person or group (that is, for each model user) who instructs the generation of the correct attention map, the network model may have one or more units.
  • the network model when notifying the user of the person or group who provided the knowledge to the network model, the network model may have one or a plurality of units.
  • the network model 20 once constructed is read out, and then retrained by the correct attention map 43.
  • the training of the network model 20 using the correct attention map 43 may be executed at the time of the first training when constructing the network model 20.
  • the network model 20 is trained every time the attention map 42 output to one input image 40 is modified.
  • the network model 20 may be trained after the plurality of attention maps 42 for the plurality of input images 40 have been modified.
  • the process of inputting an image into the network model 20 in S4 of FIG. 3 and S24 of FIG. 5 is an example of the “image input step”.
  • the process of acquiring the attention map 42 in S5 of FIG. 3 and S25 of FIG. 5 is an example of the “attention map acquisition step”.
  • the process of acquiring the recognition result of the input image 40 in S7 of FIG. 3 and S26 of FIG. 5 is an example of the “recognition result acquisition step”.
  • the process of training the network model 20 using the correct attention map in S16 of FIG. 3 is an example of the “training step”.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

ネットワークモデル２０は、入力画像４０に対して互いに異なる認識処理を実行する複数のユニット３０を備える。各々のユニット３０は、アテンション部３１と認識部３３を備える。アテンション部３１は、入力画像４０上で注目される注目度の分布を示すアテンションマップ４２を出力する。認識部３３は、アテンションマップ４２と、入力画像４０から抽出された特徴を示す特徴マップ４１に基づいて、入力画像４０に対する認識結果を出力する。いずれかのユニット３０におけるアテンション部３１が、入力画像４０を把握した人による指示に応じて生成された正解アテンションマップによって訓練される。

Description

画像認識装置および画像認識プログラム
　本開示は、機械学習アルゴリズムによって訓練されたネットワークモデルを使用して、画像に対する認識結果を出力する画像認識装置、および、画像認識装置によって実行される画像認識プログラムに関する。
　近年、機械学習アルゴリズムを利用して画像を認識する際に、アテンションマップを生成する技術が知られている（例えば、非特許文献１、２参照）。アテンションマップは、ネットワークモデルによる推論時に注目された画像内の領域を示す。
Ｒａｍｐｒａｓａａｔｈ，　Ｒ．，　Ｓ．，　Ｍｉｃｈａｅｌ，　Ｃ．，　Ａｂｈｉｓｈｅｋ，　Ｄ．，　Ｒａｍａｋｒｉｓｈｎａ，　Ｖ．，　Ｄｅｖｉ，　Ｐ．　ａｎｄ　Ｄｈｒｕｖ，　Ｂ．：　Ｇｒａｄ－ＣＡＭ：　Ｖｉｓｕａｌ　Ｅｘｐｌａｎａｔｉｏｎｓ　ｆｒｏｍ　Ｄｅｅｐ　Ｎｅｔｗｏｒｋｓ　ｖｉａ　Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ　Ｌｏｃａｌｉｚａｔｉｏｎ，　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，　ｐｐ．　６１８－６２６　（２０１７）． Ｚｈｏｕ，　Ｂ．，　Ｋｈｏｓｌａ，　Ａ．，　Ｌａｐｅｄｒｉｚａ，　Ａ．　ａｎｄ　Ｔｏｒｒａｌｂａ，　Ａ．：　Ｌｅａｒｎｉｎｇ　Ｄｅｅｐ　Ｆｅａｔｕｒｅｓ　ｆｏｒ　Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ　Ｌｏｃａｌｉｚａｔｉｏｎ，　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，　ｐｐ．　２９２１－２９２９　（２０１６）．
　従来の技術では、１つの画像に対して１つのアテンションマップが生成される。この場合、推論時に注目される画像内の領域の分布が単調となり易かった。つまり、１つのアテンションマップのみを生成する方法では、例えば、推論時に注目される画像内の領域が不要に局所領域に限定されてしまう場合、不必要に広くなり過ぎてしまう場合、または、注目される領域の境界が不明瞭となってしまう場合等が多く、画像の認識精度を向上させることが困難であった。さらに、アテンションマップによって示される推論時の注目領域の分布が、人が注目する領域の分布と異なっている場合には、人による認識結果とは異なる認識結果が出力され易い。
　本開示の典型的な目的は、人による画像の認識結果に近い認識結果をより適切に出力することが可能な画像認識装置および画像認識プログラムを提供することである。
　本開示における典型的な実施形態が提供する画像認識装置は、機械学習アルゴリズムによって訓練されたネットワークモデルを使用して、画像に対する認識結果を出力する画像認識装置であって、前記ネットワークモデルは、入力される画像である入力画像に対して互いに異なる認識処理を実行する複数のユニットを備え、各々の前記ユニットは、前記入力画像上で注目される注目度の分布を示すアテンションマップを出力するアテンション部と、前記アテンションマップと、入力画像から抽出された特徴を示す特徴マップとに基づいて、前記入力画像に対する認識結果を出力する認識部と、を備え、少なくとも、いずれかの前記ユニットにおける前記アテンション部が、前記入力画像を把握した人による指示に応じて生成されたアテンションマップである正解アテンションマップによって訓練される。
　本開示における典型的な実施形態が提供する画像認識プログラムは、機械学習アルゴリズムによって訓練されたネットワークモデルを使用して、画像に対する認識結果を出力する画像認識装置によって実行される画像認識プログラムであって、前記画像認識プログラムが前記画像認識装置のコントローラによって実行されることで、画像に対して互いに異なる認識処理を実行する複数のユニットを備えた前記ネットワークモデルに、入力画像を入力する画像入力ステップと、前記複数のユニットの各々が備えるアテンション部に、前記入力画像上で注目される注目度の分布を示すアテンションマップを出力させるアテンションマップ取得ステップと、前記複数のユニットの各々が備える認識部に、前記アテンションマップと、前記入力画像から抽出された特徴を示す特徴マップとに基づく前記入力画像の認識結果を出力させる認識結果取得ステップと、を前記画像認識装置に実行させ、少なくとも、いずれかの前記ユニットにおける前記アテンション部が、前記入力画像を把握した人による指示に応じて生成されたアテンションマップである正解アテンションマップによって訓練される。
　本開示に係る画像認識装置および画像認識プログラムによると、人による画像の認識結果に近い認識結果がより適切に出力される。
　本開示で例示する画像認識装置は、画像認識プログラムがコントローラによって実行されることで仮想的に実現されるネットワークモデルを備える。ネットワークモデルは複数のユニットを備える。複数のユニットは、ネットワークモデルに入力される画像（入力画像）に対して互いに異なる認識処理を実行する。各々のユニットは、アテンション部と認識部を備える。アテンション部は、入力画像上で注目される注目度の分布を示すアテンションマップを出力する。認識部は、アテンションマップと、入力画像から抽出された特徴の分布を示す特徴マップとに基づいて、入力画像に対する認識結果を出力する。少なくとも、いずれかのユニットにおけるアテンション部が、入力画像を把握した人による指示に応じて生成されたアテンションマップ（正解アテンションマップ）によって訓練される。
　換言すると、本開示で例示する画像認識装置は、画像入力ステップ、アテンションマップ取得ステップ、および、認識結果取得ステップを実行する。画像入力ステップでは、複数のユニットを備えたネットワークモデルに入力画像が入力される。アテンションマップ取得ステップでは、画像認識装置は、複数のユニットの各々が備えるアテンション部に、アテンションマップを出力させる。認識結果取得ステップでは、画像認識装置は、複数のユニットの各々が備える認識部に、入力画像の認識結果を出力させる。少なくとも、いずれかのユニットにおけるアテンション部が、正解アテンションマップによって訓練される。
　本開示で例示する画像認識装置によると、互いに異なる認識処理を実行する複数のユニットの各々によって、アテンションマップが出力され、且つ、認識結果が出力される。従って、各々のユニットが実行する認識処理に応じた複数のアテンションマップが、１つの入力画像に対して生成されたうえで、各々のアテンションマップに応じた複数の認識結果が出力される。よって、画像がより適切に認識される。さらに、ネットワークモデルのうち、少なくともいずれかのアテンション部が、入力画像を把握した人による指示に応じて生成された正解アテンションマップによって訓練される。つまり、ユーザは、ネットワークモデルに含まれる複数のアテンション部の各々に対して、正解アテンションマップによる学習を実行させるか否か、および、学習させる正解アテンションマップの内容を、個別に判断することが可能である。その結果、正解アテンションマップの生成を指示した人またはグループ（以下、「模範ユーザ」という）の知見が、アテンション部によって適切に学習され、模範ユーザによる認識結果に近い認識結果が出力され易くなる。よって、高い精度の認識結果が適切に出力され易くなる。
　なお、正解アテンションマップを用いた訓練は、一旦構築されたネットワークモデルが再訓練される際に採用されてもよいし、ネットワークモデルを構築する際の最初の訓練時に採用されてもよい。また、認識部が出力する認識結果は、入力画像に関する特徴量であってもよい。この場合、複数のユニットの各々によって出力された複数の特徴量が統合されることで、入力画像に関する最終的な認識結果が出力されてもよい。
　ネットワークモデルは、入力画像から抽出される特徴の分布を示す特徴マップを出力する特徴抽出部を備えていてもよい。アテンション部は、特徴抽出部によって出力された特徴マップに基づいて、アテンションマップを生成して出力してもよい。この場合、特徴抽出部によって抽出される特徴に応じて、アテンションマップおよび認識結果が適切に出力される。
　複数のユニットは、入力画像内で注目する注目領域の大きさ、数、形状、および、入力画像について認識する認識内容の少なくともいずれかが互いに異なる認識処理を、同一の入力画像に対して実行してもよい。この場合、１つの入力画像に対して、注目領域および認識内容の少なくともいずれかが異なる複数の認識処理が、適切に実行される。従って、１つのユニットによって認識処理が実行される場合に比べて、認識精度が適切に向上する。
　正解アテンションマップの生成を指示する人または複数の人のグループ（模範ユーザ）毎に、ネットワークモデルが別々に訓練されてもよい。この場合、模範ユーザ毎に異なる知見が、別々にネットワークモデルによって学習される。よって、ユーザは、例えば、希望する模範ユーザの知見を学習したネットワークモデルを用いて、画像の認識結果を得ることも可能である。また、ユーザは、自分の知見をネットワークモデルに学習させることで、自分の認識に近い認識をネットワークモデルに実行させることも可能である。
　ネットワークモデルの訓練に用いられた正解アテンションマップの生成を指示した人またはグループを識別する識別情報が、ネットワークモデルに付与されていてもよい。画像認識装置の制御部は、認識結果を出力したネットワークモデルに付与された識別情報を、ユーザに通知してもよい。この場合、ユーザは、学習のための知見を提供した模範ユーザを識別したうえで、ネットワークモデルによって出力された認識結果を確認することができる。
　画像認識装置の制御部は、同一の入力画像について、複数のアテンション部によって出力された複数のアテンションマップを、各々を識別可能な状態で表示部に表示させた状態で、複数のアテンションマップの少なくともいずれかに対するユーザからの修正指示の入力を受け付けてもよい。制御部は、入力された修正指示に応じた正解アテンションマップを生成してもよい。この場合、ユーザは、出力されたアテンションマップに示される注目度の分布（注目領域）と、自らが認識する入力画像内の注目領域とを、複数のアテンションマップの各々について適切に比較したうえで、修正が必要なアテンションマップに対して修正を行うことができる。従って、ユーザの知見がより適切にネットワークモデルに反映される。
　複数のユニットの各々は、実行した認識処理の確度を出力してもよい。画像認識装置の制御部は、複数のユニットの各々から出力された複数のアテンションマップのうち、実行した認識処理の確度が低いユニットから出力されたアテンションマップの修正の優先順位を、確度が高いユニットから出力されたアテンションマップの修正の優先順位よりも高くしてもよい。実行した認識処理の確度が低いユニットでは、アテンションマップが示す注目度の分布と、実際に人が認識する注目度の分布との間の差が大きい場合が多い。従って、認識処理の確度が低いユニットのアテンションマップが、優先して修正されることで、人の知見がより効率よくネットワークモデルに反映される。
　なお、認識処理の確度を示す情報には、種々の情報を利用することができる。例えば、複数のアテンション部の各々は、アテンションマップと共に、入力画像に対する認識結果の確度を出力してもよい。この場合、アテンション部によって出力された確度に基づいて、アテンションマップの修正の優先順位が設定されてもよい。また、複数の認識部の各々が出力する認識結果の確度に基づいて、アテンションマップの修正の優先順位が設定されてもよい。
　アテンションマップを修正する優先順位の具体的な設定方法も、適宜選択できる。例えば、制御部は、複数のアテンションマップのうち、認識処理の確度が閾値以下であるユニットのアテンションマップを、修正する候補としてユーザに提示してもよい。また、制御部は、認識処理の確度が低い順に、複数のアテンションマップを修正候補としてユーザに提示してもよい。また、制御部は、アテンション部によって出力されたアテンションマップと、人の指示に応じて生成された正解アテンションマップの誤差が大きい順（つまり、両者の類似度が小さい順）に、複数のアテンションマップの修正の優先順位を設定してもよい。また、制御部は、単純に複数のアテンションマップを表示部に表示させることで、修正が必要なアテンションマップをユーザに選択させてもよい。
　ネットワークモデルに入力される画像は、生体の組織を撮影した生体画像であってもよい。ネットワークモデルは、複数のユニットによって、生体画像に写る組織における特定の疾患の程度の認識結果を出力してもよい。この場合、互いに異なる認識処理を実行する複数のユニットによって、組織における特定の疾患の程度が高い精度で認識される。
　ネットワークモデルによって認識される特定の疾患の種類は、適宜選択できる。例えば、画像は、被検眼の眼底組織を撮影した眼底画像であってもよい。ネットワークモデルは、眼底画像に写る組織における糖尿病網膜症および加齢黄斑変性等の少なくともいずれかの疾患の程度を認識してもよい。また、画像は、被検者の内臓を撮影した生体画像であってもよい。ネットワークモデルは、生体画像に写る組織における癌等の疾患の程度を認識してもよい。また、画像は、製造、加工、または修理された物品を撮影した検査画像であってもよい。ネットワークモデルは、検査画像に写る物品の品質（例えば、欠陥、傷、汚れ、異物、形状不良等）の程度を認識してもよい。
　本開示で例示するネットワークモデルを、画像の認識方法をユーザに教育するための教育用アプリケーションまたは教育用装置に搭載してもよい。この場合、ユーザは、自らの画像の認識結果と、人（例えば熟練者等）の知見が学習されたネットワークモデルによって出力された認識結果を適切に比較することができる。よって、ユーザは、ネットワークモデルに知見を提供した人の技能を、教育用アプリケーションまたは装置を用いて適切に習得することができる。
画像認識装置１および撮影装置１０の概略構成を示すブロック図である。 本実施形態のネットワークモデル２０の構成を示す図である。 画像認識装置１が実行するモデル訓練処理のフローチャートである。 正解アテンションマップが生成される際の表示画面５０、および、生成された正解アテンションマップ４３Ｂの一例を示す図である。 画像認識装置１が実行する画像認識処理のフローチャートである。
（装置構成）
　以下、本開示における典型的な実施形態の１つについて、図面を参照して説明する。図１に示すように、本実施形態では画像認識装置１および撮影装置１０が用いられる。画像認識装置１は、機械学習アルゴリズムによってネットワークモデル２０（図２参照）を訓練（再訓練を含む）させることで、ネットワークモデル２０を構築する。また、画像認識装置１は、構築されたネットワークモデル２０を使用して、撮影装置１０から取得した画像に対する認識結果を出力する。つまり、本実施形態の画像認識装置１は、ネットワークモデル２０を訓練して構築するモデル構築装置としての機能と、構築されたネットワークモデル２０を使用して画像を認識する画像認識装置としての機能を兼ねる。しかし、モデル構築装置と画像認識装置が別々に設けられていてもよい。また、モデル構築装置および画像認識装置の少なくとも一方が、複数使用されてもよい。例えば、複数のモデル構築装置によって、１つのネットワークモデル２０が構築されてもよい。また、画像を撮影する撮影装置１０が、モデル構築装置および画像認識装置の少なくとも一方として機能してもよい。
　本実施形態の画像認識装置１にはＰＣが用いられる。しかし、画像認識装置１として機能できるデバイスは、ＰＣに限定されない。例えば、画像を撮影する撮影装置１０、またはサーバ等が、画像認識装置１として機能してもよい。また、タブレット端末またはスマートフォン等の携帯端末が、画像認識装置１として機能してもよい。複数のデバイスの制御部（例えば、ＰＣのＣＰＵと、撮影装置１０のＣＰＵ１３）が、協働して各種処理を行ってもよい。
　なお、本実施形態では、認識処理を行う対象の画像として、被検眼の眼底組織を被検眼の視線方向から撮影した二次元の眼底正面画像が用いられる場合を例示する。しかし、認識処理を行う対象の画像が、眼底正面画像以外の画像である場合でも、本開示で例示する技術の少なくとも一部を適用できる。例えば、認識処理を行う対象の画像は、被検眼の眼底の深さ方向の情報を含む二次元断層画像または三次元断層画像であってもよい。認識処理を行う対象の画像は、被検眼の眼底以外の組織の画像（例えば前眼部画像等）であってもよいし、被検眼以外の生体組織の画像（例えば内臓の画像等）であってもよい。また、認識処理を行う対象の画像は、製造、加工、または修理された物品を撮影した検査画像等であってもよい。
　画像認識装置１について説明する。本実施形態の画像認識装置１は、例えば、被検者の診断または検査等を行う施設（例えば、病院または健康診断施設等）に配置される。画像認識装置１は、各種制御処理を行う制御ユニット２と、通信Ｉ／Ｆ５を備える。制御ユニット２は、制御を司るコントローラであるＣＰＵ３と、プログラムおよびデータ等を記憶することが可能な記憶装置４を備える。記憶装置４には、後述するモデル訓練処理（図３参照）および画像認識処理（図５参照）を実行するための画像認識プログラムが記憶されている。なお、画像認識プログラムには、後述するネットワークモデル２０（図２参照）を実現させるプログラムも含まれる。また、通信Ｉ／Ｆ５は、画像認識装置１を他のデバイス（例えば、撮影装置１０等）と接続する。
　画像認識装置１は、操作部７および表示装置８に接続されている。操作部７は、ユーザが各種指示を画像認識装置１に入力するために、ユーザによって操作される。操作部７には、例えば、キーボード、マウス、タッチパネル等の少なくともいずれかを使用できる。なお、操作部７と共に、または操作部７に代えて、各種指示を入力するためのマイク等が使用されてもよい。表示装置８は、各種画像を表示する。表示装置８には、画像を表示可能な種々のデバイス（例えば、モニタ、ディスプレイ、プロジェクタ等の少なくともいずれか）を使用できる。なお、本開示における「画像」には、静止画像も動画像も共に含まれる。
　画像認識装置１は、撮影装置１０から画像のデータ（以下、単に「画像」という場合もある）を取得することができる。画像認識装置１は、例えば、有線通信、無線通信、着脱可能な記憶媒体（例えばＵＳＢメモリ）等の少なくともいずれかによって、撮影装置１０から画像のデータを取得してもよい。
　撮影装置１０について説明する。撮影装置１０は、各種制御処理を行う制御ユニット１２と、撮影部１６を備える。制御ユニット１２は、制御を司るコントローラであるＣＰＵ１３と、プログラムおよびデータ等を記憶することが可能な記憶装置１４を備える。
　撮影部１６は、被検者の組織の画像（本実施形態では眼底正面画像）を撮影するために必要な各種構成を備える。例えば、撮影装置１０が眼底カメラである場合には、撮影部１６には、被検者の眼底の正面画像を撮影するための照明光学系、受光光学系、撮影素子等が含まれる。なお、撮影装置１０として使用できるデバイスは眼底カメラに限定されない。例えば、走査型レーザ検眼鏡（ＳＬＯ）、ＯＣＴ装置、角膜内皮細胞撮影装置（ＣＥＭ）、コンピュータ断層撮影（ＣＴ）装置等が、撮影装置１０として使用されてもよい。
（ネットワークモデル）
　図２を参照して、本実施形態で例示するネットワークモデル２０について説明する。前述したように、画像認識装置１の記憶装置４に記憶された画像認識プログラムが実行されることで、図２に例示するネットワークモデル２０が仮想的に実現される。本実施形態のネットワークモデル２０は、生体の組織を撮影した生体画像（詳細には、被検眼の眼底組織を撮影した眼底画像）を入力し、入力した画像に写る組織における特定の疾患（詳細には、糖尿病網膜症）の程度の認識結果を出力する。本実施形態のネットワークモデル２０は、特徴抽出部２１と、複数のユニット３０（第１ユニット３０Ａ、第２ユニット３０Ｂ、第３ユニット３０Ｃ）を備える。なお、ネットワークモデル２０が備えるユニット３０の数は３つに限定されず、２つまたは４つ以上であってもよいことは言うまでもない。
　特徴抽出部２１には、画像のデータである入力画像４０が入力される。特徴抽出部２１は、入力画像４０から特徴を抽出し、抽出された特徴の分布を示す特徴マップ４１を出力する。本実施形態の特徴抽出部２１は、第１ユニット３０Ａに入力される第１特徴マップ４１Ａと、第２ユニット３０Ｂに入力される第２特徴マップ４１Ｂと、第３ユニット３０Ｃに入力される第３特徴マップ４１Ｃを出力する。
　詳細には、特徴抽出部２１は、複数の畳み込み層を含む複数の層を備える。特徴抽出部２１の複数の層には、複数のプーリング層等が含まれていてもよい。特徴抽出部２１は、入力画像４０のデータを複数の層に伝播させることで、特徴マップ４１を生成する。特徴マップ４１は、Ｋ個のクラスにそれぞれ対応するＫ個の解像度ｈ×ｗ（ｈ、ｗは任意の整数）のマップである。特徴マップ４１の解像度は、入力画像４０の解像度と同じであってもよいし、入力画像４０の解像度より低くてもよい。
　複数のユニット３０（３０Ａ，３０Ｂ，３０Ｃ）の各々は、入力画像４０に対して互いに異なる認識処理を実行する。詳細には、複数のユニット３０の各々は、入力画像４０内で注目する注目領域の大きさ、数、形状、および、入力画像４０について認識する認識内容（本実施形態では、眼底組織における異常の種類等）の少なくともいずれかが、互いに異なる。
　一例として、本実施形態では、第１ユニット３０Ａは、入力画像４０に写る眼底組織における微小動脈瘤の有無の認識結果を、第１認識結果４６Ａとして出力する。第２ユニット３０Ｂは、入力画像４０に写る眼底組織における網膜内出血、静脈異常、および網膜内微小血管異常の有無の認識結果を、第２認識結果４６Ｂとして出力する。第３ユニット３０Ｃは、入力画像４０に写る眼底組織における新生血管、および硝子体出血の有無の認識結果を、第３認識結果４６Ｃとして出力する。
　本実施形態では、各々のユニット３０によって出力された複数の認識結果４６（第１認識結果４６Ａ、第２認識結果４６Ｂ，および第３認識結果４６Ｃ）は、全結合層２３に入力される。全結合層２３は、入力された複数の認識結果４６に基づいて、結合認識結果４８を出力する。よって、結合認識結果４８の認識精度が向上する。ただし、ネットワークモデル２０は、結合認識結果４８を出力せずに、複数の認識結果４６をそのまま出力してもよい。この場合でも、複数の認識結果４６によって、入力画像４０がより適切に認識される。また、複数の認識結果４６の少なくともいずれかは、入力画像４０に関する特徴量であってもよい。
　本実施形態では、入力画像４０に写る眼底組織の糖尿病網膜症の程度（グレード）の認識結果が、結合認識結果４８として出力される。詳細には、３つの認識結果４６Ａ，４６Ｂ，４６Ｃのいずれも「異常無し」であれば、「グレード０：糖尿病網膜症無し」が出力される。第１認識結果４６Ａにおいて微小動脈瘤の存在が認識され、且つ、第２認識結果４６Ｂおよび第３認識結果４６Ｃが「異常無し」であれば、「グレード１：軽度の非増殖性糖尿病網膜症」が出力される。第１認識結果４６Ａにおいて微小動脈瘤の存在が認識され、第２認識結果４６Ｂにおいて所定数以下の網膜内出血等の存在が認識され、且つ、第３認識結果４６Ｃが「異常無し」であれば、「グレード２：中程度の非増殖性糖尿病網膜症」が出力される。第１認識結果４６Ａにおいて微小動脈瘤の存在が認識され、第２認識結果４６Ｂにおいて所定数よりも多い網膜内出血等の存在が認識され、且つ、第３認識結果４６Ｃが「異常無し」であれば、「グレード３：深刻な非増殖性糖尿病網膜症」が出力される。第３認識結果４６Ｃにおいて、新生血管および硝子体出血の少なくとも一方の存在が認識されていれば、「グレード４：増殖性糖尿病網膜症」が出力される。
　第１ユニット３０Ａは、第１アテンション部３１Ａ、第１合成部３２Ａ、および第１認識部３３Ａを備える。特徴抽出部２１から出力された第１特徴マップ４１Ａは、第１アテンション部３１Ａおよび第１合成部３２Ａの各々に入力される。
　第１アテンション部３１Ａは、入力された第１特徴マップ４１Ａに基づいて、第１アテンションマップ４２Ａと第１アテンション部認識結果４４Ａを出力する。第１アテンションマップ４２Ａは、第１ユニット３０Ａが所定の認識結果（本実施形態では、入力画像４０に写る眼底組織における微小動脈瘤の有無）を出力するために入力画像４０上で注目する注目度の分布を示す。第１アテンション部認識結果４４Ａは、第１アテンションマップ４２Ａが生成される際に一旦得られる仮の認識結果であり、第１ユニット３０Ａの第１認識部３３Ａから最終的に出力される第１認識結果４６Ａとは異なる場合もある。第１アテンション部認識結果４４Ａには、認識結果の確度（尤度）の情報も含まれる。
　第１合成部３２Ａは、特徴抽出部２１から出力された第１特徴マップ４１Ａと、第１アテンション部３１Ａから出力された第１アテンションマップ４２Ａを合成する。具体的には、第１特徴マップ４１Ａと第１アテンションマップ４２Ａの、同じ位置の画素同士が乗算または加算される。なお、同じ位置の画素同士に対し、加算および乗算を組み合わせた演算処理が行われてもよい。
　第１認識部３３Ａは、第１特徴マップ４１Ａと第１アテンションマップ４２Ａ（本実施形態ではこれらの合成マップ）に基づいて、入力画像４０に対する第１認識結果４６Ａを出力する。前述したように、本実施形態の第１認識結果４６Ａは、入力画像４０に写る眼底組織における微小動脈瘤の有無、およびその尤度を示す。
　なお、第２ユニット３０Ｂは、第２アテンション部３１Ｂ、第２合成部３２Ｂ、および第２認識部３３Ｂを備える。特徴抽出部２１から出力された第２特徴マップ４１Ｂは、第２アテンション部３１Ｂおよび第２合成部３２Ｂの各々に入力される。第２アテンション部３１Ｂは、第２アテンションマップ４２Ｂおよび第２アテンション部認識結果４４Ｂを出力する。また、第３ユニット３０Ｃは、第３アテンション部３１Ｃ、第３合成部３２Ｃ、および第３認識部３３Ｃを備える。特徴抽出部２１から出力された第３特徴マップ４１Ｃは、第３アテンション部３１Ｃおよび第３合成部３２Ｃの各々に入力される。第３アテンション部３１Ｃは、第３アテンションマップ４２Ｃおよび第３アテンション部認識結果４４Ｃを出力する。第２ユニット３０Ｂおよび第３ユニット３０Ｃの各部の構成は、第１ユニット３０Ａの各部の構成と同様であるため、これらの詳細な説明は省略する。
（モデル訓練処理）
　図３および図４を参照して、本実施形態の画像認識装置１が実行するモデル訓練処理について説明する。モデル訓練処理では、学習用画像（入力画像４０）を把握した人による指示に応じて作成された正解アテンションマップ４３（図５参照）によって、ネットワークモデル２０が訓練（本実施形態では再訓練）される。モデル訓練処理は、記憶装置４に記憶された画像認識プログラムに従って、ＣＰＵ３によって実行される。ＣＰＵ３は、ネットワークモデル２０の再訓練を開始させる指示を入力すると、図３に示すモデル訓練処理を実行する。
　まず、ＣＰＵ３は、模範ユーザを指定する指示が入力されたか否かを判断する（Ｓ１）。模範ユーザとは、ネットワークモデル２０を訓練（学習）させるための正解アテンションマップ４３（詳細は後述する）の生成を指示した人、またはグループである。つまり、模範ユーザは、ネットワークモデル２０に学習させる知見を提供した人、または複数の人のグループとも言える。本実施形態のネットワークモデル２０は、入力画像４０に写る組織における糖尿病網膜症の程度を認識する。従って、模範ユーザは、例えば、眼科医、眼科を有する医療機関、および健康診断機関等のいずれかであってもよい。眼科医が自ら正解アテンションマップ４３を作成してネットワークモデル２０を訓練させる場合には、眼科医は、自らの名前を模範ユーザとして指定してもよい。
　模範ユーザが指定されると（Ｓ１：ＹＥＳ）、ＣＰＵ３は、指定された模範ユーザのネットワークモデル２０（つまり、指定された模範ユーザの知見を学習させるネットワークモデル２０）を読み出す（Ｓ２）。本実施形態では、１つまたは複数のネットワークモデル２０が、模範ユーザ毎に別々に訓練される。指定された模範ユーザに対応するネットワークモデル２０が既に構築されている場合には、ＣＰＵ３は、構築されているネットワークモデル２０の中から、指定された模範ユーザに対応するネットワークモデル２０を読み出す。指定された模範ユーザに対応するネットワークモデル２０が未だ構築されていない場合（つまり、模範ユーザの知見を新たに学習させる場合）には、ＣＰＵ３は、未だ再訓練が行われていないデフォルトのネットワークモデル２０が読み出される。
　次いで、ＣＰＵ３は、学習用画像を入力画像４０として、Ｓ２で読み出されたネットワークモデル２０に入力する（Ｓ４）。前述したように、ネットワークモデル２０に入力画像４０が入力されると、複数のユニット３０の各々に特徴マップ４１が入力され、各々のユニット３０のアテンション部３１からアテンションマップ４２とアテンション部認識結果４４が出力される。また、各々のユニットの認識部３３から認識結果４６が出力される。さらに、全結合層２３から結合認識結果４８が出力される。
　ＣＰＵ３は、各々のアテンション部３１（３１Ａ，３１Ｂ，３１Ｃ）が出力した複数のアテンションマップ４２（４２Ａ，４２Ｂ，４２Ｃ）を取得する（Ｓ５）。ＣＰＵ３は、Ｓ５で取得した複数のアテンションマップ４２を、各々を識別可能な状態で表示装置８に表示させる（Ｓ６）。
　図４は、正解アテンションマップ４３の生成指示（本実施形態では修正指示）の入力を受け付ける際の、表示装置８における表示画面５０の一例を示す。本実施形態の表示画面５０では、ネットワークモデルに入力された入力画像４０と共に、各々のアテンション部３１Ａ，３１Ｂ，３１Ｃから出力された第１アテンションマップ４２Ａ、第２アテンションマップ４２Ｂ、および第３アテンションマップ４２Ｃが、別々に表示されている。
　なお、複数のアテンションマップ４２を判別可能な状態で表示する方法は、適宜選択できる。例えば、ＣＰＵ３は、複数のアテンションマップ４２の各々の表示色等を変えて、１つの枠内に重畳表示させてもよい。この場合、ユーザは、複数のアテンションマップ４２の各々の位置および範囲を容易に比較することができる。また、各々のアテンションマップ４２が、入力画像４０に重畳して表示されてもよい。
　ＣＰＵ３は、ネットワークモデル２０による入力画像の認識結果を取得して、表示装置８に表示させる（Ｓ７）。Ｓ７で取得および表示される認識結果は、複数のアテンション部認識結果４４、複数の認識部３３が出力する認識結果４６、および、結合認識結果４８のうちの少なくともいずれかである。図４に示す例では、アテンションマップ４２毎に、認識部３３が出力した認識結果４６（「微小動脈瘤あり」「静脈異常等あり」「新生血管等無し」）と、結合認識結果４８（「グレード３」）が表示されている。
　ＣＰＵ３は、複数のアテンションマップ４２の少なくともいずれかについて、修正の優先順位を設定する（Ｓ８）。詳細には、本実施形態では、実行した認識処理の確度が低いユニット３０から出力されたアテンションマップ４２の修正の優先順位が、確度が高いユニット３０から出力されたアテンションマップ４２の修正の優先順位よりも高くされる。一例として、本実施形態のＣＰＵ３は、各々のアテンション部３１が出力するアテンション部認識結果４４の確度が低い程、アテンションマップ４２の修正の優先順位が高くなるように、複数のアテンションマップ４２の各々の修正の優先順位を設定する。図４に示す例では、アテンション部認識結果４４の確度が閾値未満である場合に優先順位「高」、確度が閾値異常である場合に優先順位「低」が設定される。しかし、３段階以上の優先順位が設定されてもよいことは勿論である。また、アテンション部認識結果４４の確度と共に、または、アテンション部認識結果４４の確度の代わりに、認識部３３が出力する認識結果４６の確度に基づいて、修正の優先順位が設定されてもよい。また、ＣＰＵ３は、認識処理の確度が閾値以下であるユニット３０のアテンションマップ４２のみを、修正する候補として表示画面５０に表示させてもよい。また、ＣＰＵ３は、認識処理の確度が低い順に、複数のアテンションマップ４２を修正候補として表示画面５０に表示させてもよい。
　次いで、ＣＰＵ３は、複数のアテンションマップ４２のいずれかに対する修正指示が入力されたか否かを判断する（Ｓ１０）。ユーザは、表示画面５０に表示された複数のアテンションマップ４２のいずれかを修正する場合、操作部７を操作することで、修正が必要なアテンションマップ４２に対する修正の指示を入力する。例えば、ユーザは、表示された複数のアテンションマップ４２のうち、修正するアテンションマップ４２（本実施形態では第２アテンションマップ４２Ｂ）を選択し、選択したアテンションマップ４２上で、注目領域の消去または追加の指示を入力する。ＣＰＵ３は、修正指示が入力されると（Ｓ１０：ＹＥＳ）、入力された指示に応じて、正解アテンションマップ４３（図４では、第２アテンションマップ４２Ｂが修正された第２正解アテンションマップ４３Ｂ）を生成する（Ｓ１１）。
　次いで、ＣＰＵ３は、認識結果に対する修正指示が入力されたか否かを判断する（Ｓ１２）。ユーザは、操作部７を操作することで、修正が必要な認識結果（本実施形態では、各々の認識部３３が出力する複数の認識結果４６、および結合認識結果４８のいずれか）を指定して修正指示を入力する。ＣＰＵ３は、修正指示が入力されると（Ｓ１２：ＹＥＳ）、指示に応じて、正解認識結果を生成する（Ｓ１３）。なお、Ｓ１２，Ｓ１３では、アテンション部認識結果４４が修正されてもよい。また、認識結果を修正する処理（Ｓ１２，Ｓ１３）が省略され、正解アテンションマップ４３を生成する処理のみが実行されてもよい。
　ＣＰＵ３は、アテンションマップ４２および認識結果の修正が完了したか否かを判断する（Ｓ１４）。完了指示が入力されておらず、修正が完了していない場合には（Ｓ１４：ＮＯ）、処理はＳ１０へ戻り、Ｓ１０～Ｓ１４の処理が繰り返される。修正が完了すると（Ｓ１４：ＹＥＳ）、ＣＰＵ３は、生成された正解アテンションマップ４３を含む訓練用データを用いて、ネットワークモデル２０のうち、少なくとも、正解アテンションマップ４３を出力したアテンション部３１を訓練（再訓練）する（Ｓ１６）。
　詳細には、本実施形態では、ＣＰＵ３は、ネットワークモデル２０が備える複数のユニット３０のうち、正解アテンションマップ４３の生成を指示されたユニット３０を、再訓練する対象のユニット（再訓練ユニット）として特定する。ＣＰＵ３は、再訓練ユニットが出力したアテンションマップ４２（図４の例ではアテンションマップ４２Ｂ）と、生成された正解アテンションマップ４３（図４の例では正解アテンションマップ４３Ｂ）の学習誤差Ｌｍａｐを用いて、再訓練ユニットのアテンション部３１の重み、バイアス等の学習パラメータを更新する。なお、ＣＰＵ３は、再訓練ユニットにおけるアテンション部３１の学習パラメータと共に、再訓練ユニットにおける認識部３３の学習パラメータも、正解アテンションマップ４３に基づいて更新してもよい。ＣＰＵ３は、Ｓ１３で正解認識結果が生成されている場合、正解アテンションマップ４３と共に正解認識結果も用いて、アテンション部３１および認識部３３の少なくともいずれかの学習パラメータを更新する。以上のように、ユーザは、ネットワークモデル２０に含まれる複数のアテンション部３１の各々に対して、正解アテンションマップ４３による訓練（学習）を実行させるか否か、および、学習させる正解アテンションマップ４３の内容を、個別に判断することが可能である。よって、模範ユーザの知見がネットワークモデル２０に適切に反映される。
　次いで、指定されたネットワークモデル２０の再訓練を完了させるか否かが判断される（Ｓ１７）。完了指示が入力されていなければ（Ｓ１７：ＮＯ）、処理はＳ４へ戻り、別の学習用画像を用いた再訓練処理（Ｓ４～Ｓ１６）が実行される。完了指示が入力されると（Ｓ１７：ＹＥＳ）、モデル訓練処理は終了する。
　なお、モデル訓練処理（図３参照）によって構築されたネットワークモデル２０を実現させるためのプログラムおよびデータ等は、モデル訓練処理を実行したデバイス（本実施形態では画像認識装置１）とは異なるデバイスに提供されることも可能である。従って、ユーザは、所望の模範ユーザの知見を学習したネットワークモデル２０によって、画像の認識結果を容易に取得することができる。
（画像認識処理）
　図２および図５を参照して、本実施形態の画像認識装置１が実行する画像認識処理について説明する。画像認識処理では、１つまたは複数のネットワークモデル２０のうち、模範ユーザによる指示に応じて訓練されたネットワークモデル２０によって、画像に対する認識結果が取得される。画像認識処理は、記憶装置４に記憶された画像認識プログラムに従って、ＣＰＵ３によって実行される。
　まず、ＣＰＵ３は、模範ユーザを指定する指示が入力されたか否かを判断する（Ｓ２１）。前述したように、本実施形態では、知見を提供した模範ユーザ毎に、ネットワークモデル２０が訓練されている。模範ユーザが指定されると（Ｓ２１：ＹＥＳ）、ＣＰＵ３は、指定された模範ユーザのネットワークモデル２０（つまり、指定された模範ユーザの知見を学習したネットワークモデル２０）を読み出す（Ｓ２２）。
　認識対象とする画像が取得されると（Ｓ２３：ＹＥＳ）、ＣＰＵ３は、取得された画像を入力画像４０として、Ｓ２２で読み出されたネットワークモデル２０に入力する（Ｓ２４）。前述したように、ネットワークモデル２０に入力画像４０が入力されると、複数のユニット３０の各々に特徴マップ４１が入力され、各々のユニット３０のアテンション部３１からアテンションマップ４２が出力される（図２参照）。ＣＰＵ３は、各々のユニット３０のアテンション部３１から出力された複数のアテンションマップ４２を取得する（Ｓ２５）。ＣＰＵ３は、アテンションマップ４２および特徴マップ４１に基づいて出力される、入力画像４０の認識結果（認識結果４６および結合認識結果４８の少なくともいずれか）を取得する（Ｓ２６）。
　ＣＰＵ３は、Ｓ２２で読み出された（つまり、Ｓ２４～Ｓ２６で使用された）ネットワークモデル２０に知見を提供した模範ユーザを識別する識別情報を取得する（Ｓ２７）。模範ユーザを識別する識別情報は、例えば、模範ユーザの名前、ＩＤ等であってもよく、各々のネットワークモデル２０に対応付けて記憶装置４に記憶されている。
　ＣＰＵ３は、模範ユーザを識別する識別情報を、Ｓ２６で取得された入力画像４０の認識結果と共に、表示装置８に表示させる（Ｓ２８）。従って、ユーザは、学習のための知見を提供した模範ユーザを識別したうえで、ネットワークモデル２０によって出力された入力画像の認識結果を確認することができる。
　以上説明した画像認識処理は、画像の認識方法をユーザに教育するための教育用アプリケーションによって実行される。つまり、本実施形態の画像認識装置は、画像の認識方法をユーザに教育するために使用される教育用装置として機能する。従って、ユーザは、自らの画像の認識結果と、人の知見が学習されたネットワークモデルによって出力された画像の認識結果を、適切に比較することができる。よって、ユーザは、熟練者等の画像認識の技能を適切に習得することが可能である。
　上記実施形態で開示された技術は一例に過ぎない。従って、上記実施形態で例示された技術を変更することも可能である。まず、上記実施形態で例示された複数の技術のうちの一部のみを実行することも可能である。例えば、画像認識装置１が小規模な施設で使用される場合等には、模範ユーザ毎にネットワークモデル２０を訓練する処理、および、模範ユーザを通知する処理等を省略することも可能である。
　上記実施形態のネットワークモデル２０は、入力画像に対して互いに異なる認識処理を実行する複数のユニットを備えたマルチスケールのネットワークモデルである。しかし、本開示で例示した技術の少なくとも一部は、ユニットを１つのみ備えたネットワークモデルにおいても適用できる。例えば、正解アテンションマップの生成を指示する人またはグループ毎（つまり、模範ユーザ毎）に、ネットワークモデルを別々に訓練する場合、ネットワークモデルが備えるユニットは１つでも複数でもよい。また、ネットワークモデルに知見を提供した人またはグループをユーザに通知する場合にも、ネットワークモデルが備えるユニットは１つでも複数でもよい。
　上記実施形態のモデル訓練処理（図３参照）では、一旦構築されたネットワークモデル２０が読み出された後、正解アテンションマップ４３によって再訓練される。しかし、正解アテンションマップ４３を用いたネットワークモデル２０の訓練は、ネットワークモデル２０を構築する際の最初の訓練時に実行されてもよい。
　上記実施形態のモデル訓練処理（図３参照）では、１つの入力画像４０に対して出力されたアテンションマップ４２が修正される毎に、ネットワークモデル２０が訓練される。しかし、複数の入力画像４０についての複数のアテンションマップ４２が修正された後に、ネットワークモデル２０が訓練されてもよい。
　なお、図３のＳ４および図５のＳ２４で画像をネットワークモデル２０に入力する処理は、「画像入力ステップ」の一例である。図３のＳ５および図５のＳ２５でアテンションマップ４２を取得する処理は、「アテンションマップ取得ステップ」の一例である。図３のＳ７および図５のＳ２６で入力画像４０の認識結果を取得する処理は、「認識結果取得ステップ」の一例である。図３のＳ１６で正解アテンションマップによってネットワークモデル２０を訓練する処理は、「訓練ステップ」の一例である。

 

Claims (8)

  1. 　機械学習アルゴリズムによって訓練されたネットワークモデルを使用して、画像に対する認識結果を出力する画像認識装置であって、
    　前記ネットワークモデルは、入力される画像である入力画像に対して互いに異なる認識処理を実行する複数のユニットを備え、
    　各々の前記ユニットは、
    　前記入力画像上で注目される注目度の分布を示すアテンションマップを出力するアテンション部と、
    　前記アテンションマップと、入力画像から抽出された特徴を示す特徴マップとに基づいて、前記入力画像に対する認識結果を出力する認識部と、
    　を備え、
    　少なくとも、いずれかの前記ユニットにおける前記アテンション部が、前記入力画像を把握した人による指示に応じて生成されたアテンションマップである正解アテンションマップによって訓練されることを特徴とする画像認識装置。
  2. 　請求項１に記載の画像認識装置であって、
    　前記複数のユニットは、前記入力画像内で注目する注目領域の大きさ、数、形状、および、前記入力画像について認識する認識内容の少なくともいずれかが互いに異なる認識処理を、同一の前記入力画像に対して実行することを特徴とする画像認識装置。
  3. 　請求項１または２に記載の画像認識装置であって、
    　前記正解アテンションマップの生成を指示する人または複数の人のグループ毎に、前記ネットワークモデルが別々に訓練されることを特徴とする画像認識装置。
  4. 　請求項１から３のいずれかに記載の画像認識装置であって、
    　前記ネットワークモデルの訓練に用いられた前記正解アテンションマップの生成を指示した人またはグループを識別する識別情報が、前記ネットワークモデルに付与されており、
    　制御部は、前記認識結果を出力した前記ネットワークモデルに付与された前記識別情報を、ユーザに通知することを特徴とする画像認識装置。
  5. 　請求項１から４のいずれかに記載の画像認識装置であって、
    　制御部は、
    　同一の前記入力画像について、複数の前記アテンション部によって出力された複数の前記アテンションマップを、各々を識別可能な状態で表示部に表示させた状態で、前記複数のアテンションマップの少なくともいずれかに対する修正指示の入力を受け付けると共に、
    　前記修正指示に応じた前記正解アテンションマップを生成することを特徴とする画像認識装置。
  6. 　請求項１から５のいずれかに記載の画像認識装置であって、
    　前記複数のユニットの各々は、実行した認識処理の確度を出力し、
    　制御部は、前記複数のユニットの各々から出力された複数の前記アテンションマップのうち、実行した認識処理の前記確度が低い前記ユニットから出力された前記アテンションマップの修正の優先順位を、前記確度が高い前記ユニットから出力された前記アテンションマップの修正の優先順位よりも高くすることを特徴とする画像認識装置。
  7. 　請求項１から６のいずれかに記載の画像認識装置であって、
    　前記ネットワークモデルに入力される画像は、生体の組織を撮影した生体画像であり、
    　前記ネットワークモデルは、前記複数のユニットによって、前記生体画像に写る組織における特定の疾患の程度の認識結果を出力することを特徴とする画像認識装置。
  8. 　機械学習アルゴリズムによって訓練されたネットワークモデルを使用して、画像に対する認識結果を出力する画像認識装置によって実行される画像認識プログラムであって、
    　前記画像認識プログラムが前記画像認識装置のコントローラによって実行されることで、
    　画像に対して互いに異なる認識処理を実行する複数のユニットを備えた前記ネットワークモデルに、入力画像を入力する画像入力ステップと、
    　前記複数のユニットの各々が備えるアテンション部に、前記入力画像上で注目される注目度の分布を示すアテンションマップを出力させるアテンションマップ取得ステップと、
    　前記複数のユニットの各々が備える認識部に、前記アテンションマップと、前記入力画像から抽出された特徴を示す特徴マップとに基づく前記入力画像の認識結果を出力させる認識結果取得ステップと、
    　を前記画像認識装置に実行させ、
    　少なくとも、いずれかの前記ユニットにおける前記アテンション部が、前記入力画像を把握した人による指示に応じて生成されたアテンションマップである正解アテンションマップによって訓練されることを特徴とする画像認識プログラム。

     
PCT/JP2021/016538 2020-04-28 2021-04-23 画像認識装置および画像認識プログラム WO2021220990A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022518038A JPWO2021220990A1 (ja) 2020-04-28 2021-04-23

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020079769 2020-04-28
JP2020-079769 2020-04-28

Publications (1)

Publication Number Publication Date
WO2021220990A1 true WO2021220990A1 (ja) 2021-11-04

Family

ID=78373580

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/016538 WO2021220990A1 (ja) 2020-04-28 2021-04-23 画像認識装置および画像認識プログラム

Country Status (2)

Country Link
JP (1) JPWO2021220990A1 (ja)
WO (1) WO2021220990A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018121885A (ja) * 2017-01-31 2018-08-09 株式会社ニデック 画像処理装置、画像処理システム、および画像処理プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018121885A (ja) * 2017-01-31 2018-08-09 株式会社ニデック 画像処理装置、画像処理システム、および画像処理プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Decision-making Analysis by Attention Mechanism and Applications", 20 June 2019 (2019-06-20), JP, pages 1 - 8, XP009532032, Retrieved from the Internet <URL:http://mprg.jp/research/abn_j> [retrieved on 20210708] *
FUKUI HIROSHI; HIRAKAWA TSUBASA; YAMASHITA TAKAYOSHI; FUJIYOSHI HIRONOBU: "Attention Branch Network: Learning of Attention Mechanism for Visual Explanation", 2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), IEEE, 15 June 2019 (2019-06-15), pages 10697 - 10706, XP033687020, DOI: 10.1109/CVPR.2019.01096 *

Also Published As

Publication number Publication date
JPWO2021220990A1 (ja) 2021-11-04

Similar Documents

Publication Publication Date Title
US11633096B2 (en) Ophthalmologic image processing device and non-transitory computer-readable storage medium storing computer-readable instructions
US20220175325A1 (en) Information processing apparatus, information processing method, information processing system, and program
US20210390696A1 (en) Medical image processing apparatus, medical image processing method and computer-readable storage medium
JP2018516718A (ja) 拡張リアリティの形態学的診断法
CN111770735B (zh) 手术仿真信息生成方法及程序
JP2024040372A (ja) 眼科画像処理プログラムおよび眼科画像処理装置
WO2020026535A1 (ja) 眼科画像処理装置、ｏｃｔ装置、および眼科画像処理プログラム
JP2024045441A (ja) 眼科画像処理装置、および眼科画像処理プログラム
WO2021106967A1 (ja) 眼底画像処理装置および眼底画像処理プログラム
JP2019208852A (ja) 眼科画像処理装置、および眼科画像処理プログラム
JP2019208851A (ja) 眼底画像処理装置および眼底画像処理プログラム
WO2021220990A1 (ja) 画像認識装置および画像認識プログラム
WO2020116351A1 (ja) 診断支援装置、および診断支援プログラム
JP7439990B2 (ja) 医療画像処理装置、医療画像処理プログラム、および医療画像処理方法
WO2020003524A1 (ja) 眼科画像処理装置、ｏｃｔ装置、眼科画像処理プログラム、および、数学モデル構築方法
WO2021020419A1 (ja) 医療画像処理装置および医療画像処理プログラム
JP6747617B2 (ja) 眼科画像処理装置、およびｏｃｔ装置
JP2021100572A (ja) 眼科画像処理装置、ｏｃｔ装置、眼科画像処理プログラム、および、数学モデル構築方法
JP2021074095A (ja) 眼科画像処理装置および眼科画像処理プログラム
Lee et al. Validation of retinal image registration algorithms by a projective imaging distortion model
CN115100380B (zh) 基于眼部体表特征点的医学影像自动识别方法
JP7468163B2 (ja) 眼科画像処理プログラムおよび眼科画像処理装置
JP2020036837A (ja) 眼科画像処理装置、および眼科撮影装置
JP7302184B2 (ja) 眼科画像処理装置、および眼科画像処理プログラム
WO2024057942A1 (ja) 眼底画像処理装置および眼底画像処理プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21795643

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022518038

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21795643

Country of ref document: EP

Kind code of ref document: A1