DE19639884C2 - Mustererkennungssystem - Google Patents
MustererkennungssystemInfo
- Publication number
- DE19639884C2 DE19639884C2 DE19639884A DE19639884A DE19639884C2 DE 19639884 C2 DE19639884 C2 DE 19639884C2 DE 19639884 A DE19639884 A DE 19639884A DE 19639884 A DE19639884 A DE 19639884A DE 19639884 C2 DE19639884 C2 DE 19639884C2
- Authority
- DE
- Germany
- Prior art keywords
- output
- reliability
- value
- largest
- node
- 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.)
- Expired - Fee Related
Links
- 238000003909 pattern recognition Methods 0.000 title claims description 22
- 238000001514 detection method Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 40
- 210000002700 urine Anatomy 0.000 claims description 26
- 239000013049 sediment Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 239000007787 solid Substances 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims 2
- 239000010410 layer Substances 0.000 description 32
- 230000001537 neural effect Effects 0.000 description 28
- 238000000034 method Methods 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 25
- 238000005259 measurement Methods 0.000 description 22
- 210000004027 cell Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 210000000601 blood cell Anatomy 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 210000002919 epithelial cell Anatomy 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/493—Physical analysis of biological material of liquid biological material urine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1488—Methods for deciding
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Urology & Nephrology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Hematology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Description
Die Erfindung betrifft allgemein eine Mustererkennungstechnik,
d. h. ein Mustererkennungssystem, das ein Objekt zurückweisen
kann, dessen Muster schwer zu erkennen ist, bei dem also die Zu
verlässigkeit der Mustererkennungsergebnisse gering ist. Speziel
ler ist die Erfindung auf ein Mustererkennungssystem gerichtet,
das für einen Harnsedimentanalysator geeignet ist, der in Harn
enthaltene Teilchen klassifizieren kann.
Harnsedimentuntersuchung ist eine Untersuchung, bei der in Urin enthaltene
feste Komponenten wie Blutzellen und Epithelzellen untersucht werden und
dann die Sorten und Mengen der jeweiligen festen Komponenten mitgeteilt
werden. Herkömmlicherweise wird eine derartige Harnsedimentuntersuchung wie
folgt ausgeführt. Es wird eine vorbestimmte Menge an Urin zentrifugiert, um
Sedimentkomponenten zu erhalten, die dann angefärbt werden, und dann werden
die angefärbten Sedimentkomponenten als Probe auf einem Abstrichträger
gesammelt. Dann beobachtet ein Laborant diese Probe unter Verwendung eines
Mikroskops. Die jeweiligen Komponenten werden auf Grundlage von Merkmalen
mit der Form und der Anfärbbarkeit klassifiziert. Da auch dieselben Kompo
nenten verschiedene Formen zeigen können, ist die Wahrscheinlichkeit hoch,
dass die Klassifizierung dieser Komponenten schwierig ist. Auch existieren
Fälle, dass in der Luft vorhandene Verunreinigungen in die Urinprobe ein
treten, da eine solche im allgemeinen der offenen Luft ausgesetzt ist. Was
derartige Verunreinigungsteilchen betrifft, wird sie der Laborant nicht
klassifizieren, sondern er wird nur typische Teilchen klassifizieren, für
die dies korrekt ausgeführt werden kann.
Techniken zum automatischen Vornehmen einer Harnsedimentuntersuchung sind
z. B. in den Dokumenten JP-A-57-500995 (WO 81/03224), JP-A-63-94156 und JP-
A-5-296915 offenbart, gemäß denen im Urin vorhandene feste Komponenten oder
Teilchen als Stehbilder photographiert werden. Bei diesen herkömmlichen
Techniken wird die Probe so zugeführt, dass sie durch eine Strömungszelle
mit speziellen Formen läuft, und die in der Probe enthaltenen Teilchen
werden so zugeführt, dass sie in einen weiten Photographierbereich strömen.
Wenn feste Komponenten innerhalb der Probe bekannt werden, wird eine Blitz
lampe eingeschaltet, und die vergrößerten Bilder der im Urin enthaltenen
festen Komponenten werden als Stehbilder photographiert. Um die so photo
graphierten Sedimentkomponenten automatisch zu analysieren, werden als
erstes, nachdem der Bereich der Sedimentkomponenten vom zugehörigen Hinter
grundbereich des Bilds getrennt ist, die Bildmerkmalsparameter im Bereich
der Sedimentkomponenten berechnet. Die Klassifizierung erfolgt auf Grundla
ge dieser Merkmalsparameter. Als Bildmerkmalsparameter werden z. B. die
Fläche, der Umriss und die mittlere Farbdichte verwendet. Eine Technik zum
Abtrennen des Bereichs fester Komponenten vom Hintergrundbereich eines
Bilds ist z. B. im Dokument JP-A-1-119765 mit dem Titel "Bereichstrennver
fahren für Blutzellenbilder" beschrieben. Bei dieser Technik wird der Bild
bereich dadurch in Farbbereiche unterteilt, dass ein aus einem Graustufen
histogramm berechneter Schwellenwert verwendet wird.
Als Technik zum Klassifizieren eines Teilchens aus einem Bildmerkmalsparameter beschreiben z. B.
US 4,965,725 die automatische Klassifizierung der Zellen auf einem zytologischen Abstrich mittels
eines neuronalen Netzwerks und die Dokumente JP-B-58-29872 und JP-A-3-131756 die Klassifizie
rung eines Blutzellenbilds. Das Dokument JP-B-58-29872 führt
aus, dass entweder eine Unterscheidungstheorie, die mit einer mehrstufigen
statistischen Unterscheidungsfunktion auf Grundlage der Bildmerkmalsparame
ter kombiniert wird oder die Entscheidungsbaumtheorie verwendet wird. Das
Dokument JP-A-3-131756 führt aus, dass als Erkennungstheorie ein mehr
schichtiges Netzwerk verwendet wird. Wenn die Mustererkennung unter Verwen
dung einer Netzwerkstruktur ausgeführt wird, werden normalerweise die fol
genden Verfahren verwendet. Als erstes werden Ausgangsknoten bereitge
stellt, deren Menge derjenigen der Klassen entspricht, in die Objekte zu
klassifizieren sind, und dann werden diese Ausgangsknoten den Klassen je
weils einzeln zugeordnet. Danach wird das Netzwerk dadurch aufgebaut, dass
ein Trainingsmuster in solcher Weise verwendet wird, dass dann, wenn ein
bestimmtes Muster eingegeben wird, das Ausgangssignal desjenigen Knotens,
der der zum Eingangsmuster gehörenden Klasse entspricht, unter den Aus
gangssignalen der jeweiligen Ausgangsknoten maximal wird. Wenn einmal ein
unbekanntes Muster erkannt wird, wird dieses eingegeben. Wenn nun angenom
men wird, dass diejenige Klasse, die dem Ausgangsknoten entspricht, der den
Maximalwert ausgibt, als diejenige Klasse erkannt wird, die zum unbekannten
Muster gehört, wird diese Klasse als Erkennungsergebnis angezeigt. Das
Dokument JP-A-3-131756 beschreibt ferner, dass für den Ausgangswert eine
Schwelle vorhanden ist, die dazu benutzt wird, dass eine Probe nicht klas
sifiziert werden kann, wenn der maximale Ausgangswert kleiner als
oder gleich groß wie diese Schwelle ist. Auch das Dokument JP-A-
4-1870 beschreibt, dass der Bestätigungsgrad mit dem Schwellen
wert verglichen wird; wenn
der Bestätigungsgrad größer als der Schwellenwert ist, wird das Ausgangser
gebnis als Erkennungsergebnis verwendet, wohingegen andernfalls das Aus
gangsergebnis verworfen wird. Infolgedessen kann die Zuverlässigkeit des
Erkennungsergebnisses erhöht werden. Das Dokument JP-A-4-294444 beschreibt,
dass die Ausgangswert-Zuverlässigkeit eines neuralen Netzwerks durch eine
Zuverlässigkeitsbewertungseinrichtung bewertet wird.
Wie vorstehend beschrieben, ist es schwierig, bei einer Harnsedimentunter
suchung eine korrekte Klassifizierung auszuführen. Auch existieren viele
Komponenten, die von einem Laboranten nicht notwendigerweise klassifiziert
werden. Solche schwierig zu klassifizierenden Objekte können beim Aufbau
eines automatischen Untersuchungssystems zu Problemen führen. Z. B. konnten
bei einem automatischen Untersuchungssystem wie dem oben beschriebenen, bei
dem Sedimentkomponenten als Bild photographiert werden und dann die Erken
nung mittels des Bilds ausgeführt wird, wenn eine vorbestimmte Menge an
Urin als Probe verwendet wird, in der eine große Anzahl von Sedimentkompo
nenten vorhanden ist, aufgrund von Hardwarebeschränkungen nicht alle auf
tretenden Objekte verarbeitet werden, z. B. wegen Beschränkungen hinsicht
lich der Bildverarbeitungsgeschwindigkeit, der Bilddaten-Übertragungsge
schwindigkeit sowie der Speicherkapazität des Bildspeichers und eines Da
tenspeichers. Wenn in solchen Fällen eine sehr große Anzahl nicht klassifi
zierbarer Komponenten vorhanden ist, besteht die Gefahr, dass Komponenten,
die eigentlich klassifiziert werden sollten, übersehen werden, wodurch die
statistische Zuverlässigkeit der Klassifizierung beeinträchtigt ist.
Ein Mustererkennungssystem, das mit einem neuronalen Netzwerk
arbeitet und die Zuverlässigkeit des Erkennungsergebnisses
bestimmt, ist auch in US 5,335,291 angegeben, von der der
Oberbegriff des Anspruchs 1 ausgehen. Bei diesem System geben
Ausgangswerte von Ausgangsknoten des neuronalen Netzwerk die
Klassenzugehörigkeit von Eingangsdaten an. Zur Abschätzung
der Zuverlässigkeit dieser Klassifizierung ist das neuronale
Netz mit weiteren Ausgangsknoten versehen, deren Ausgangs
werte beispielsweise angeben, inwieweit sich der aktuelle Zu
stand des Netzes vom Zustand zur Zeit der Lernphase des Net
zes entfernt hat, das Netz also in einen Bereich geringer
Dichte der Lerndaten extrapolieren muß, oder inwieweit sich
die Ausgangswerte von den Lerndaten unterscheiden, woraus
Vertrauensgrenzen für die Klassifizierung gewonnen werden.
Diese Ausgestaltung vergrößert das neuronale Netzwerk und
verkompliziert dessen Lernphase.
Der Erfindung liegt die Aufgabe zugrunde, ein effizientes und
zuverlässiges Mustererkennungssystem zu schaffen.
Die Lösung dieser Aufgabe gelingt mit dem in Anspruch 1 ange
gebenen System. Die Unteransprüche betreffen vorteilhafte
Ausgestaltungen der Erfindung.
Normalerweise wird, wenn ein Netzwerk aufgebaut wird (eingelernt wird), ein
zu klassifizierendes Lernmuster bereitgestellt. Wenn ein bestimmtes Muster
eingegeben wird, wird dafür gesorgt, dass sich eine solche Zielausgangsin
formation ergibt, dass das Ausgangssignal desjenigen Ausgangsknotens, der
der Klasse entspricht, zu dem das Eingangsmuster gehört, 1 wird, während
die Ausgangssignale der anderen Knoten 0 werden. Dann ist dieses Netzwerk
so aufgebaut, dass ein mittels der Trainingsdaten angenäherter Wert ausge
geben wird. Wenn ein unbekanntes Muster eingegeben wird, wird diejenige
Klasse, die dem Ausgangsknoten entspricht, der unter den jeweiligen Knoten
den maximalen Wert ausgibt, als Mustererkennungsergebnis erkannt (nachfol
gend einfach als "Erkennungsergebnis" bezeichnet). Es ist denkbar, dass
dabei ein derartiges Eingangsmuster näherungsweise einem Trainingsmuster
entspricht und entsprechend erkannt wird. D. h., dass die Kombination der
von den jeweiligen Ausgangsknoten hergeleiteten Ausgangswerte näherungswei
se der Kombination der Werte entspricht, die als Trainingsdaten vorgegeben
sind (nur ein Ausgangsknoten gibt 1 aus, und die anderen Ausgangsknoten
geben 0 aus). Umgekehrt ist dann, wenn die Kombination der Ausgangswerte
der Ausgangsknoten stark von der Kombination der als Trainingsdaten vorge
gebenen Werte ist, das Eingangsmuster stark vom Lernmuster verschieden. So
ist die Wahrscheinlichkeit groß, dass diese Komponenten nicht klassifiziert
werden müssen oder dass es schwierig ist, sie zu klassifizieren. Selbst
wenn eine Erkennung derselben ausgeführt würde, wäre die zugehörige Zuver
lässigkeit gering. Z. B. ist die Erkennungszuverlässigkeit gering, wenn der
Maximalwert relativ klein ist oder wenn Ausgangswerte neben dem maximalen
Ausgangswert relativ große Werte einnehmen.
Infolgedessen werden bei praktischen Ausführungsformen der Erfin
dung für die jeweiligen Ausgangswerte der Ausgangsknoten in der
Netzwerkstruktur Schwellenwerte vorgegeben, und die Erkennungszu
verlässigkeit wird auf Grundlage der
jeweiligen Ausgangswerte der Ausgangsknoten beurteilt. Nur wenn die Zuver
lässigkeit hoch ist, wird das Erkennungsergebnis ausgegeben, um in einer
Folgestufe einen Verarbeitungsvorgang auszuführen. Wenn die Zuverlässigkeit
gering ist, wird das Erkennungsergebnis nicht ausgegeben, und es wird kein
weiterer Verarbeitungsvorgang in der Folgestufe ausgeführt. Andernfalls
wird, wenn eine Anzahl vorausgewählter Ausgangsknoten Maximalwerte ausgibt, das Erkennungs
ergebnis in die Speichereinrichtung eingespeichert. Bei einem System, in das ein zu klassifizie
rendes Objekt als Bild eingegeben wird, werden vorzugsweise, wenn es schwierig ist, wegen der
Auflösung des Abbildungssystems ein zu kleines Objekt zu erkennen, die Fläche dieses kleinen
Objekts, sein Umfang und die Projektionslängen entlang der X- und der Y-Achse im Bild berech
net. Dann wird bei einem Objekt mit einer kleineren Abmessung als einer vorgegebenen Abmes
sung keine Erkennung ausgeführt.
Ausführungsbeispiele der Erfindung verfügen über eine Mustererkennungs-Verarbeitungsein
richtung mit einer Netzwerkstruktur aus folgendem: einer Eingangsschicht
zum Eingeben eines Merkmalsparameters eines der Erkennung unterliegenden
Objekts als Eingangsinformation; einer verborgenen oder Zwischenschicht zum
Verarbeiten dieser Eingangsinformation und einer Ausgangsschicht zum Ausge
ben des Verarbeitungsergebnisses, wobei Ausgangswerte der jeweiligen Aus
gangsknoten, die die Ausgangsschicht bilden und die der Eingangsinformation
entsprechen, durch die Mustererkennungs-Verarbeitungseinrichtung miteinan
der verglichen werden und eine Klasse, die demjenigen Ausgangsknoten ent
spricht, dessen Ausgangswert maximal ist, als Erkennungsergebnis hinsicht
lich der Eingangsinformation in eine Speichereinrichtung eingespeichert
wird, wobei (1) das Mustererkennungssystem ferner eine Zuverlässigkeitsbe
wertungseinrichtung aufweist, um einen Schwellenwert hinsichtlich des Aus
gangswerts jedes der Ausgangsknoten einzustellen und um die Zuverlässigkeit
eines jeweiligen Erkennungsergebnisses auf Grundlage der Ausgangswerte der
jeweiligen Ausgangsknoten zu bewerten, wobei dann, wenn die Zuverlässig
keitsbewertungseinrichtung beurteilt, dass die Zuverlässigkeit hoch ist,
das Erkennungsergebnis in die Speichereinrichtung eingespeichert wird; und
wobei, (2) wenn mehrere vorbestimmte Ausgangsknoten Maximalwerte ausgeben,
das Erkennungsergebnis in die Speichereinrichtung eingespeichert wird.
Gemäß einem Ausführungsbeispiel der Erfindung kann auch bei automatischer Muster
erkennung ein Objekt erkannt werden, das nur schwer zu erkennen/zu klassifizieren ist und für
das die Erkennungszuverlässigkeit gering ist. Dieses Objekt kann aus den
Verarbeitungsstufen herausgenommen werden, so dass deren Wirkungsgrad er
höht werden kann und Speicherkapazität der Speichereinrichtung eingespart
werden kann.
Es wird nun auf Fig. 1 Bezug genommen, um ein Ausführungsbeispiel der Erfindung kurz
zusammengefasst darzustellen. Zunächst wird ein Merkmalsparameter des zu erkennenden
Objekts berechnet (S6). Unter den Merkmalsparametern wird auf die Dimension
geachtet, um ein Objekt mit sehr kleiner Dimension aus dem Verarbeitungs
vorgang auszuschließen (S7). Ferner werden Parameter, die die Erkennungszu
verlässigkeit anzeigen, unter Bezugnahme auf die Ausgangswerte der jeweili
gen Ausgangsknoten des neuralen Netzwerks erhalten. Diese Parameter werden
mit Schwellenwerten verglichen, die zum Bewerten der Zuverlässigkeit ver
wendet werden. Wenn die Zuverlässigkeit gering ist, wird dieses Objekt aus
der Erkennung/Klassifizierung ausgeschlossen (S8, S9). Infolgedessen kann
bei der Mustererkennung eine Ermittlung solcher Objekte erfolgen, die
schwer zu erkennen/zu klassifizieren sind und die bei einer von Hand ausge
führten Mustererkennung vom Laboranten aus der Erkennung ausgeschlossen
werden. Dann können andere Objekte erkannt und klassifiziert werden.
Die Erfindung ist am besten aus der folgenden detaillierten Beschreibung in
Verbindung mit den beigefügten Zeichnungen zu verstehen.
Fig. 1 ist ein Flussdiagramm, das einen Verarbeitungsvorgang veranschau
licht, wie er in einem Harnsedimentanalysator mit einem Mustererkennungs
system gemäß einem Ausführungsbeispiel der Erfindung ausgeführt wird;
Fig. 2 veranschaulicht schematisch ein Aufbaubeispiel einer Durchsichtsaus
rüstung gemäß einem Ausführungsbeispiel der Erfindung;
Fig. 3 veranschaulicht schematisch ein Aufbaubeispiel eines Bildverarbei
tungssystems bei einem Ausführungsbeispiel der Erfindung;
Fig. 4 veranschaulicht schematisch ein Aufbaubeispiel eines neuralen Erken
nungsnetzwerks gemäß einem Ausführungsbeispiel der Erfindung;
Fig. 5 repräsentiert schematisch die Verbindungsbeziehung zwischen dem
neuralen Netzwerk und einem neuralen Netzwerk zur Zuverlässigkeitsbewertung
gemäß einem Ausführungsbeispiel der Erfindung; und
Fig. 6 veranschaulicht schematisch ein Aufbaubeispiel für einen Harnsedi
mentanalysator mit einem Mustererkennungssystem gemäß einem Ausführungsbei
spiel der Erfindung.
Unter Bezugnahme auf die Zeichnungen wird nun im einzelnen ein Harnsedi
mentanalysator beschrieben, bei dem ein Mustererkennungssystem gemäß einem
Ausführungsbeispiel der Erfindung verwendet ist.
Fig. 6 veranschaulicht schematisch ein Aufbaubeispiel eines derartigen
Analysators. Diese Zeichnung zeigt eine Systemanordnung mit einem Bilder
zeugungssystem und einem Erkennungssystem im Analysator. Bei diesem Analy
sator ist eine Strömungszelle 100 zum Erzeugen einer ebenen Strömung einer
Urinprobe verwendet. Diese Probenströmung verfügt über geringe Dicke und
eine Breite, die sich zwischen einer CCD-Farbfernsehkamera 500 und einer
Impulslampe 300 erstreckt. Von einem Halbleiterlaser 210 wird Laserlicht
über eine Linse 220 auf die innerhalb der Strömungszelle 100 erzeugte Harn
probenströmung gestrahlt, wobei durch die Zelle auch eine Ummantelungslö
sung strömt, wobei ein Teilchendetektor 230 ermittelt, dass feste Komponen
ten durch die Strömungszelle 100 laufen. Synchron mit diesem Ermittlungssi
gnal wird von der Impulslampe 300 emittiertes Licht auf die Urinprobenströ
mung gestrahlt. Da das Licht der Impulslampe 300 momentan eingestrahlt
wird, kann unter Verwendung der CCD-Farbfernsehkamera 500 ein Bild der im
Urin enthaltenen festen Komponenten, vergrößert über eine Objektivlinse
400, als Stehbild photographiert werden. Dieser Analysator verfügt über
eine Anzahl Messmodi, und er ändert Strömungsbedingungen, z. B. die Ge
schwindigkeit oder die Menge, hinsichtlich der durch die Strömungszelle 100
fließenden Probe, und er ändert auch die Vergrößerung der Objektlinse 400.
Das erfasste Bild wird an ein Bildverarbeitungssystem 600 übertragen. Die
ses Bildverarbeitungssystem 600 ermittelt die Art der im Bild vorhandenen
festen Komponenten und zählt die Anzahl von Objekten jeder Sorte in einer
einzelnen, gerade untersuchten Probe. Das Zählergebnis wird über eine Aus
gabeeinrichtung 700 an eine Bedienperson mitgeteilt. Als Ausgabeeinrichtung
700 wird ein Drucker verwendet. Sowohl die Bilddaten als auch das Erken
nungsergebnis zu diesem Bild werden vom Bildverarbeitungssystem 600 an
einen Speicher 800 (der ein Festplattenlaufwerk verwendet) übertragen.
Fig. 2 zeigt schematisch ein Aufbaubeispiel für eine Durchsichtausrüstung
gemäß einem Ausführungsbeispiel der Erfindung. Wie es in Fig. 2 dargestellt
ist, kann die Durchsichtausrüstung 900 ein Bild und ein Erkennungsergebnis,
wie im Speicher 800 abgespeichert, unter Verwendung eines Computers 920
anzeigen, der mit einer CRT(Kathodenstrahlröhre)-Anzeige 910 und, falls
erforderlich, einer Tastatur 930 versehen ist. Eine Bedienperson kann, wenn
das auf der CRT-Anzeige 910 angezeigte Erkennungsergebnis einen Fehler
zeigt, dieses fehlerhafte Erkennungsergebnis korrigieren, während sie das
auf der CRT-Anzeige 910 angezeigte Bild betrachtet, und dann kann sie das
korrigierte Erkennungsergebnis erneut in den Speicher einspeichern.
Nun erfolgt eine detailliertere Beschreibung zur Innenanordnung des Bild
verarbeitungssystems 600. Fig. 3 repräsentiert schematisch ein Aufbaubei
spiel für ein Bildverarbeitungssystem gemäß einem Ausführungsbeispiel der
Erfindung. Fig. 4 zeigt schematisch Aufbaubeispiel für ein neurales Erken
nungsnetzwerk gemäß einem Ausführungsbeispiel der Erfindung. Fig. 5 zeigt
schematisch eine Verbindungsbeziehung zwischen dem neuralen Erkennungsnetz
werk und einem neuralen Netzwerk zur Zuverlässigkeitsbewertung gemäß einem
Ausführungsbeispiel der Erfindung. Ein von der CCD-Farbfernsehkamera 500
eingegebenes analoges Bildsignal wird durch einen A/D-Umsetzer 610 in digi
tale Bilddaten umgesetzt, die dann an eine Bereichsunterteilungseinheit 620
geliefert werden. Die Bereichsunterteilungseinheit 620 unterteilt ein Bild
in einen Hintergrundbereich und einen Objektbereich, und die Bilddaten
jedes abgetrennten Objekts werden in einen Bildspeicher 680 eingespeichert.
Eine Merkmalsparameter-Berechnungseinheit 630 berechnet einen Merkmalspara
meter des abgetrennten Bereichs, der von der Bereichsunterteilungseinheit
620 als Objektbereich abgetrennt wurde. Wenn mehrere Objektbereiche im Bild
vorhanden sind, werden jeweils die Merkmalsparameter für diese Objektberei
che berechnet. Was die Merkmalsparameter betrifft, werden z. B. die folgen
den Größen verwendet: die Fläche des Objektbereichs, sein Umfang, seine
Projektionslänge im Bild entlang der X-Achse, eine andere Projektionslänge
desselben entlang der Y-Achse sowie die mittlere Farbdichte.
In einer Größenzurückweisungseinheit 640 wird ein mit der Dimension des
Objektbereichs, unter den erhaltenen Merkmalsparametern, in Beziehung ste
hender Merkmalsparameter verwendet, und für einen Bereich, der kleiner als
eine vorbestimmte Größe ist, wird ein Verarbeitungsvorgang weggelassen, der
auf den Erkennungsprozess durch das neurale Netzwerk folgt. Da es aufgrund
der Auflösung der CCD-Farbfernsehkamera 500 und Einflüssen, wie sie durch
die Strömungsgeschwindigkeit der Probe hervorgerufen sind, schwierig ist,
ein Objekt mit kleiner Größe korrekt zu klassifizieren, und da ferner die
meisten Objekte, die tatsächlich aus der Erkennung ausgeschlossen werden
sollten, sehr kleine Komponenten sind, können mittels der Größenzurückwei
sungseinheit 640 anschließende überflüssige Verarbeitungsvorgänge ausge
schlossen werden. Es ist zu beachten, dass die Größenzurückweisungseinheit
640 jedesmal dann, wenn ein neuer Messmodus ausgewählt wird, sie einen
geeigneten Verarbeitungsvorgang auswählen und ausführen muss, da die Ver
größerung beim Photographiervorgang und die Strömungsgeschwindigkeit der
Probe bei den Messmodi voneinander verschieden sind.
Nun wird ein typischer Verarbeitungsvorgang der Größenzurückweisungseinheit
für einen Fall beschrieben, bei dem angenommen ist, dass als Merkmalspara
meter für den Objektbereich der Umfang L zum Zurückweisen der Größe verwen
det wird. Wie bereits beschrieben, verfügt dieses System über mehrere Mess
modi mit verschiedenen Strömungsraten für die Urinproben sowie verschiede
nen Vergrößerungen der Objektivlinse 400. Für diesen Fall ist die Anzahl
von Messmodi als k angenommen. Dann sind k Werte L1 bis Lk in einen Spei
cher 645 für Zurückweisungsschwellenwert eingespeichert, und eine Auswahl
erfolgt mit dem für den Messmodus passenden Wert. Anders gesagt, wird, wenn
das System im Messmodus i betrieben wird, der Wert Li als Schwellenwert
ausgewählt. Wenn Li mit dem Durchmesser L des Objektbereichs verglichen
wird und wenn L < Li gilt, wird der Merkmalsparameter an das neurale Erken
nungsnetzwerk 650 übertragen, um in der folgenden Stufe verarbeitet zu
werden. Wenn L ≦ Li gilt, wird das Objekt zurückgewiesen, so dass kein
Verarbeitungsvorgang in der folgenden Stufe ausgeführt wird, sondern sofort
zum Verarbeitungsvorgang für das nächste Objekt übergegangen wird.
Es ist zu beachten, dass bei diesem Beispiel zwar die Verwendung des Durch
messers des Objekts beschrieben ist, dass jedoch in ähnlicher Weise ein
anderer Merkmalsparameter verwendet werden kann, der die Größe des Objekts
anzeigt, dessen Fläche, dessen Projektionslänge entlang der X-Achse oder
dessen Projektionslänge entlang der Y-Achse. Alternativ können mehrere
Merkmalsparameter kombiniert werden, und es kann der kombinierte Merkmals
parameter verwendet werden. Als Beispiel wird nun ein anderer Fall erläu
tert, bei dem die Projektionslänge der Px-Achse zusätzlich zum Umfang L
verwendet wird. In diesem Fall sind 2k Werte L1 bis Pxk im Schwellenwert
speicher abgespeichert, und wenn das System im Messmodus i betrieben wird,
wird der Verarbeitungsvorgang unter Verwendung von Li und Pxi ausgeführt.
Wenn L < Li und Px < Pxi gelten, werden die Verarbeitungsvorgänge in der
folgenden Stufe ausgeführt. Andernfalls wird kein Verarbeitungsvorgang in
der folgenden Stufe ausgeführt, sondern es wird direkt zum Verarbeitungs
vorgang für das nächste Objekt übergegangen.
Die obige Erläuterung erfolgte für Fälle, gemäß denen in jeweiligen Messmo
di derselbe Merkmalsparameter verwendet wird. Alternativ könnten z. B. in
einem Messmodus 1 der Umfang und die Fläche verwendet werden, während in
einem Messmodus 2 die Fläche und die Projektionslänge entlang der X-Achse
verwendet werden. D. h., dass in jeweiligen Messmodi verschiedene Merkmals
parameter verwendet werden können oder dass bei jedem Messmodus anders
kombinierte Merkmalsparameter verwendet werden können. Es ist auch zu be
achten, dass beim Beispiel zwar die zu verwendenden Schwellenwerte im Spei
cher 645 für Zurückweisungsschwellenwerte abgespeichert sind, dass diese
Schwellenwerte jedoch vom Benutzer bei Bedarf umgeschrieben werden können.
Dabei wird ein Schwellenwert z. B. dadurch spezifiziert, dass die Tastatur
930 der Durchsichtausrüstung 900 verwendet wird und der spezifizierte
Schwellenwert von dieser an den Speicher 645 für Zurückweisungsschwellen
werte übertragen wird.
Ein Merkmalsparameter zu einem nicht von der Größenzurückweisungseinheit
zurückgewiesenen Objekt wird in das neurale Erkennungsnetzwerk 650 eingege
ben, um dort erkannt zu werden. Wie es in Fig. 4 veranschaulicht ist, be
steht das neurale Erkennungsnetzwerk 650 aus einer Eingangsschicht 651,
einer Ausgangsschicht 653 und mehreren verborgenen Schichten 652. In Fig. 4
ist die Anordnung eines neuralen Netzwerks mit q verborgenen Schichten
dargestellt, die den Eingangsparameter unter Verwendung von p Werten von
Merkmalsparametern in r Klassen (Klassifizierungsgrößen) klassifizieren.
Die Eingangsschicht 651 verfügt über dieselbe Anzahl von Knoten, wie Merk
malsparameter vorliegen, und in jeden der Knoten wird ein spezieller Merk
malsparameter eingegeben. Die Ausgangsschicht 653 verfügt über dieselbe
Anzahl wie zu klassifizierende Klassen (Klassifizierungsgrößen) vorliegen,
wobei die jeweiligen Knoten den jeweiligen speziellen Klassen (Klassifizie
rungsgrößen) entsprechen. Im Fall eines Urinsedimentanalysators existieren
z. B. rote Blutzellen, weiße Blutzellen und Epithelzellen als Klassen
(Klassifizierungsgrößen). Die verborgene Schicht 652 besteht entweder aus
einer einzelnen Schicht oder mehreren Schichten, und jede dieser Schichten
verfügt über mehrere Knoten.
Die Eingangsschicht 651 gibt den Eingangswert an die jeweiligen Knoten in
der ersten Schicht der verborgenen oder Zwischenschicht 652. Die jeweiligen
Knoten der verborgenen Schicht 652 geben eine gewichtete Summe der Aus
gangswerte der jeweiligen Knoten der Schichten in den Vorstufen mit festge
legt monoton zunehmender Funktion, die als "S-Funktion" bezeichnet wird,
ein, und dann geben sie den auf Grundlage der S-Funktion berechneten Wert
als Ausgangswert des Knotens aus. Die von den jeweiligen Knoten der verbor
genen Schicht 652 und der Ausgangsschicht 653 ausgeführte Berechnung ist
durch die folgende Gleichung 1 wiedergegeben:
z = f (Σwixi - Θ) (1).
Es ist zu beachten, dass das Symbol z den Ausgangswert der folgenden
Schicht angibt, das Symbol xi den Ausgangswert des Knotens i der vorange
henden Schicht angibt, das Symbol wi einen Gewichtungswert angibt, das
Symbol Θ einen Schwellenwert angibt, das Symbol f die S-Funktion repräsen
tiert und die Summierung Σ so ausgeführt wird, dass i von 1 bis n läuft,
das Symbol n ist die Anzahl der Knoten in der vorangehenden Schicht. Als
Beispiel ist die S-Funktion durch die folgende Gleichung (2) gegeben:
f(x) = 1/{1 + exp(-x)} (2).
Die Funktion des neuralen Netzwerks ist durch den Gewichtungswert Wi und
den Schwellenwert Θ definiert, wie bei jedem der Knoten verwendet. Bei
diesem Analysator sind verschiedene Gewichtungswerte Wi und verschiedene
Schwellenwerte Θ für die jeweiligen Modi im Gewichtungswertspeicher 655
abgespeichert, und die Werte für die jeweiligen Modi werden während des
Betriebs in das neurale Erkennungsnetzwerk 650 eingegeben.
Das neurale Erkennungsnetzwerk 650 lernt zuvor unter Verwendung von Trai
ningsdaten für jeden Messmodus. Während des Lernvorgangs wird eine große
Anzahl von zu den jeweiligen Klassen (Klassifizierungsgrößen) gehörenden
Daten bereitgestellt, und wenn ein Merkmalsparameter für ein bestimmtes
Bild eingegeben wird, wird das Ausgangssignal des Knotens in der Ausgangs
schicht 653, der der Klasse entspricht, zu der dieses Bild gehört, auf 1
eingestellt, wohingegen die Ausgangswerte der anderen Knoten der Ausgangs
schicht 653 auf 0 eingestellt werden. Z. B. wird der Lernvorgang auf solche
Weise ausgeführt, dass Merkmalsparameter 1 bis p, die aus Bildern berechnet
wurden, die zur Klasse 1 gehören, in die jeweiligen Knoten der Eingangs
schicht 651 eingegeben werden und dafür gesorgt wird, dass die Ausgangswer
te der der Klasse 1 entsprechenden Knoten in der Ausgangsschicht 653 den
Wert 1 einnehmen, wohingegen die Ausgangssignale der den Klassen 2 bis r
entsprechenden Knoten den Wert 0 einnehmen. Als Lernverfahren für das neu
rale Netzwerk kann z. B. das Rückwärtsausbreitungsverfahren verwendet wer
den (wie es z. B. in "Neural Network Information Processing", herausgegeben
von Sangyo-Tosho, 1988, S. 50 bis 54 beschrieben ist).
Das Ausgangssignal des neuralen Erkennungsnetzwerks 650 wird an die Zuver
lässigkeitsbewertungseinheit 660 von Fig. 3 geliefert. Diese beurteilt auf
Grundlage eines der im folgenden erörterten Verfahren (1) bis (7), ob die
Zuverlässigkeit hinsichtlich des Erkennungsergebnisses hoch ist oder nicht.
Nur wenn sie beurteilt, dass die Zuverlässigkeit hoch ist, werden die Aus
gangswerte der jeweiligen Ausgangsknoten des neuralen Erkennungsnetzwerks
650 an die Ausgangswert-Umsetzeinheit 690 übertragen, Bilddaten für das
Objekt werden aus dem Bildspeicher 680 gelesen, und die gelesenen Bilddaten
werden dann in den Bildspeicher 800 eingespeichert. Alternativ kann die
Bedienperson eines der unten erörterten Verfahren (1) bis (7) auswählen.
Dabei erfolgt die Auswahl von der Bedienperson z. B. unter Verwendung der
Tastatur 930 an der Durchsichtausrüstung 900. Es ist zu beachten, dass beim
folgenden neuralen Erkennungsnetzwerk 650 die zu klassifizierende Klasse
eine von r Klassen ist, der Ausgangswert jedes Ausgangsknotens der Aus
gangsschicht 653 des neuralen Erkennungsnetzwerks 650 Zi(1 ≦ i ≦ r) ist und
der Schwellenwert hinsichtlich des Ausgabewerts jedes Ausgangsknotens
Si(1 ≦ i ≦ r) ist. Ferner werden die Werte Zi(1 ≦ i ≦ r) in absteigender
Reihenfolge sortiert, wobei die Ausgangswerte der Ausgangsknoten zu Zh1
(für den Maximalwert gilt Za = Zh1), Zh2 (zweitmaximaler Wert Zb = Zh2),
Zh3, . . ., Zhr (Minimalwert) angenommen sind, denen die Schwellenwerte
Si(1 ≦ i < r) hinsichtlich der jeweiligen Ausgangswerte der jeweiligen
Ausgangsknoten als Sh1, Sh2, Sh3, . . ., Shr entsprechen. Wenn z. B. die in
absteigender Reihenfolge sortierten Ergebnisse die Werte Z5 (Maximalwert),
Z3, Z1, . . . sind, mit h1 = 5, h2 = 3, h3 = 1, . . ., wird Z5 (Maximalwert)
mit S5 verglichen.
Es sei auch angenommen, dass der der Klasse a (1 ≦ a < r) entsprechende
Knoten den Maximalwert Z1 ausgibt und der Klasse b (1 ≦ b ≦ r) entsprechen
de Knoten den zweitmaximalen Wert Zb ausgibt.
- 1. Der Schwellenwert Si(1 ≦ i ≦ r) wird so vorab eingestellt und dann, wenn Za < Sa gilt, erfolgt die Beurteilung, dass die Erkennungszuverlässig keit hoch ist. Anders gesagt, wird beurteilt, dass die Erkennungszuverläs sigkeit hoch ist, wenn der Maximalwert unter den Ausgangswerten der jewei ligen Ausgangsknoten der Ausgangsschicht größer als der Schwellenwert ist, der für diesen Ausgangsknoten betreffend die Ausgabe des Maximalwerts ein gestellt ist. Es ist zu beachten, dass Za = Zh1 gilt.
- 2. Wenn vorab der Schwellenwert Ti(1 ≦ i ≦ r) eingestellt ist und Zb < Tb gilt, erfolgt die Beurteilung, dass die Erkennungszuverlässigkeit hoch ist. Anders gesagt, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist, wenn der zweitmaximale Wert unter den Ausgangswerten der jeweiligen Aus gangsknoten der Ausgangsschicht kleiner als der Schwellenwert ist, der für den Ausgangsknoten voreingestellt ist, der den zweitmaximalen Wert ausgeben soll. Es ist zu beachten, dass Zb = Zh2 gilt.
- 3. Wenn der Schwellenwert Ui(1 ≦ i ≦ r) eingestellt wird und wenn (Za - Zb) < Ua gilt, erfolgt die Beurteilung, dass die Erkennungszuverlässigkeit hoch ist. Anders gesagt, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist, wenn die Differenz zwischen dem Maximalwert und dem zweitmaxima len Wert unter den Ausgangswerten der jeweiligen Ausgangsknoten der Ausgangs schicht größer als der Schwellenwert ist, der für den Ausgangsknoten zum Ausgeben des Schwellenwerts voreingestellt ist. Es ist zu beachten, dass Za = Zh1 und Zb = Zh2 gelten.
- 4. Wenn der Schwellenwert Vi(1 ≦ i ≦ r) vorab eingestellt wird und wenn
der aus der Gleichung (3) bezeichnete Wert R der Bedingung R < Va genügt,
wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist. Es ist zu
beachten, dass in der Gleichung (3) Zh1 = Za gilt und dass die Summierung Σ
für i von 1 bis r ausgeführt wird. Anders gesagt, wird beurteilt, dass die
Erkennungszuverlässigkeit hoch ist, wenn das Verhältnis des Maximums unter
den Ausgangswerten der jeweiligen Ausgangsknoten der Ausgangsschicht zur
Summe der Ausgangswerte der jeweiligen Ausgangsknoten größer als der
Schwellenwert ist, der für den Ausgangsknoten zum Ausgeben des Maximalwerts
eingestellt ist:
R = Zh1/{ΣZi} (3). - 5. Wenn vorab der Schwellenwert Wi(1 ≦ i ≦ r) eingestellt wird und der aus
der Gleichung (4) berechnete Wert der Bedingung Q < Wa genügt, wird beur
teilt, dass die Erkennungszuverlässigkeit hoch ist. Es ist zu beachten,
dass in der Gleichung (4) Zh1 = Za gilt und dass die Summierung Σ für i von
1 bis r ausgeführt wird. Anders gesagt, wird beurteilt, dass die Erken
nungszuverlässigkeit hoch ist, wenn Q kleiner als der Schwellenwert ist,
der für den Ausgangsknoten zum Ausgeben des Maximalwerts unter den Aus
gangswerten der Ausgangsknoten der Ausgangsschicht eingestellt ist:
Q = (Zh1 - 1)2 + Σ(Zhi)2 (4)
In diesem Fall entspricht der berechnete Wert Q dem Quadrat des geometri schen Abstands (Summe der quadrierten Differenzen der jeweiligen Komponen ten) zwischen dem idealen Ausgangsvektor (Za = 1, Zi = 0, i ≠ a) und dem tatsächlichen Ausgangsvektor, wenn angenommen ist, dass die Kombination der Ausgangswerte des neuralen Erkennungsnetzwerks 650 als Vektor angesehen wird. - 6. Es werden mehrere der vorstehend beschriebenen Bedingungen (1) bis (5) ausgewählt, und nur dann, wenn beurteilt wird, dass die Zuverlässigkeit hinsichtlich aller ausgewählter Bedingungen hoch ist, wird der Ausgangswert des neuralen Erkennungsnetzwerks 650 an die Ausgangswert-Umsetzeinheit 690 übertragen. Wenn z. B. die Bedingungen (1) und (3) verwendet werden, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist, wenn die Schwellen werte Si und Ui (1 ≦ i < r) vorab eingestellt sind und Za < Sa gilt und auch (Za - Zb) < Ua gilt. Anders gesagt, wählt die Bedienperson aus den vorstehend erläuterten Bedingungen (1) bis (5) mehrere Bedingungen aus, und nur dann, wenn die Beurteilung erfolgt, dass die Zuverlässigkeit bei allen ausgewählten Bedingungen hoch ist, wird beurteilt, dass die Erkennungszu verlässigkeit hoch ist.
- 7. Alternativ kann als Maßnahme zum Bewerten der Erkennungszuverlässigkeit ein anderes neurales Netzwerk zum Bewerten der Zuverlässigkeit, das sich vom vorstehend beschriebenen neuralen Netzwerk 650 unterscheidet, verwendet werden. Für diesen Fall ist die Verbindungsbeziehung zwischen dem neuralen Netzwerk 650 und einem anderen neuralen Netzwerk 661 zur Zuverlässigkeits bewertung in Fig. 5 dargestellt. Das dabei verwendete neurale Zuverlässig keitsbewertungsnetzwerk verfügt über einen Eingangsknoten zum Eingeben des Ausgangswerts Zi(1 ≦ i ≦ r) des neuralen Netzwerks 650 sowie über r + 1 Ausgangsknoten. Nun sei angenommen, dass r Ausgangsknoten den jeweiligen Klassen entsprechen und der restliche eine Knoten dazu verwendet wird, "Klassifizierung unmöglich" anzuzeigen, wobei dann, wenn hohe Wahrschein lichkeit für fehlerhafte Klassifizierung besteht, ein großer Wert ausgege ben wird. Das neurale Zuverlässigkeitsbewertungsnetzwerk 661 führt einen Lernvorgang wie folgt aus. Es sei angenommen, dass die Merkmalsparameter verschiedener Testmuster (alternativ können Muster verwendet werden, wie sie beim Trainieren des neuralen Netzwerks 650 verwendet werden) nach dem Lernvorgang in das neurale Netzwerk 650 eingegeben werden und der dabei auftretende Ausgangswert als Eingangswert des neuralen Zuverlässigkeitsbe wertungsnetzwerks 661 verwendet wird. Dann wird, wenn die vom neuralen Netzwerk 650 ausgeführte Erkennung korrekt ist, ein solcher Sollausgangs wert an das neurale Zuverlässigkeitserkennungsnetzwerk geliefert, dass der dieser Klasse entsprechende Ausgangsknoten den Wert 1 einnimmt und die anderen Ausgangsknoten den Wert 0 einnehmen. Wenn die vom neuralen Netzwerk 650 ausgeführte Erkennung fehlerhaft ist, wird diejenige erwünschte Aus gangsinformation an das neurale Zuverlässigkeitsbewertungsnetzwerk gelie fert, dass der "Klassifizierung unmöglich" repräsentierende Ausgangsknoten den Wert 1 einnimmt und die anderen Ausgangsknoten den Wert 0 einnehmen.
Wenn tatsächliche Erkennung ausgeführt wird, wird der Merkmalsparameter des
Objektbilds in das neurale Netzwerk 650 eingegeben, und die Ausgangswerte
der jeweiligen Ausgangsknoten desselben werden in das neurale Zuverlässig
keitsbewertungsnetzwerk 661 eingegeben. Wenn der Knoten zum Ausgeben des
Maximalwerts unter den jeweiligen Ausgangswerten ein anderer Knoten als der
Knoten für "Klassifizierung unmöglich" ist, wird beurteilt, dass die Erken
nungszuverlässigkeit hoch ist. Anders gesagt, wird beurteilt, dass die
Erkennungszuverlässigkeit niedrig ist, wenn der Knoten zum Ausgeben des
Maximalwerts unter den jeweiligen Ausgangswerten im Knoten für "Klassifi
zierung unmöglich" entspricht. Obwohl in diesem Fall die Anzahl der Aus
gangsknoten des neuralen Zuverlässigkeitsbewertungsnetzwerks zu r + 1 ange
nommen ist, kann die Anzahl der Ausgangsknoten kleiner als r + 1 gewählt
werden, solange diese Ausgangsknoten einen Knoten für die Beurteilung
"Klassifizierung unmöglich" aufweisen.
Wenn die Verfahren (1) bis (6) verwendet werden, werden für die Messmodi
jeweils verschiedene Schwellenwerte verwendet, die in den Speicher 665 für
Zuverlässigkeitsschwellenwerte eingespeichert werden. Alternativ können für
die jeweiligen Messmodi jeweils verschiedene Verfahren verwendet werden.
In der Ausgabewert-Umsetzeinheit 690 werden die jeweiligen Ausgangsknoten
mit den Ausgangsgrößen in Beziehung gesetzt, und das Klassifizierungsergeb
nis wird an die Zähleinheit 670 und den Speicher 800 übertragen. Wenn bei
diesem System angenommen wird, dass die Anzahl der Ausgangsknoten des neu
ralen Erkennungsnetzwerks 650 r ist und die Anzahl der tatsächlich vom
System zu klassifizierenden Einzelobjekte t ist, gilt r ≧ t. Anders gesagt,
werden, wenn das Klassifizierungsergebnis ausgegeben wird, r Ausgangsknoten
des neuralen Erkennungsnetzwerks 650 mit der Anzahl zu klassifizierender
Größen (Klassen) in Beziehung gesetzt. Diese Beziehungsvorgehensweise ist
in einer Umsetzungstabelle 695 abgespeichert. In der Ausgabewert-Umsetzein
heit 690 wird der Ausgangsknoten des neuralen Erkennungsnetzwerks 650, der
den maximalen Ausgangswert liefert, mit der Klasse in Beziehung gesetzt,
während auf den Inhalt der Umsetztabelle 695 Bezug genommen wird. Wenn ein
Ausgangsknoten, für den in der Umsetztabelle 695 keine entsprechende Klasse
beschrieben ist, unter den Knoten des neuralen Erkennungsnetzwerks 650 den
Maximalwert ausgibt, wird keine Klassifizierung ausgeführt, was entspre
chend wie der Fall gehandhabt wird, dass die Erkennungszuverlässigkeit
niedrig ist. Der Inhalt dieser Umsetzungstabelle 695 kann z. B. mittels der
Tastatur 630 der Durchsichtausrüstung 900 umgeschrieben werden. Es werden
mehrere Arten von Umsetztabellen vorbereitet, und dann werden die verschie
denen Umsetzungstabellen entsprechend den jeweiligen Messmodi ausgewählt.
Der Grund, weswegen ein derartiger Vorgang ausgeführt wird, ist der, dass
klinikabhängig verschiedene Verfahren zum Klassifizieren von Harnsedimenten
ausgeführt werden. D. h., dass die Einzelobjekte im neuralen Erkennungs
netzwerk 650 mit genauen Klassifizierungen klassifiziert werden, wohingegen
in der Ausgangswert-Umsetzeinheit 690 einige Klassifizierungsklassen des
neuralen Erkennungsnetzwerks 650 so kombiniert werden, dass ein Einzelob
jekt gebildet ist, so dass eine Klassifizierung ausgeführt werden kann, die
für die Klassifizierungsverfahren jeweiliger Kliniken geeignet ist. In
diesem Fall können, da der Inhalt der Umsetzungstabelle 695 umschreibbar
ist, die Klassifizierungsgrößen für die jeweiligen Krankenhäuser leicht
geändert werden.
Die Zähleinheit 670 verfügt über Zähler, deren Anzahl derjenigen der zu
klassifizierenden Klassen (Klassifizierungsgrößen) entspricht, und sie
inkrementiert den Wert des Zählers, der der in der Ausgangswert-Umsetzein
heit 690 klassifizierten Größe entspricht. Wenn die Messung hinsichtlich
einer untersuchten Probe abgeschlossen ist, wird der Inhalt des Zählers an
die Ausgabeeinrichtung 700 übertragen, und die Werte der jeweiligen Zähler
werden auf 0 zurückgesetzt. Jedesmal dann, wenn die Messung hinsichtlich
einer untersuchten Probe abgeschlossen ist, gibt die Ausgabeeinrichtung 700
aus, wieviele Sedimentkomponenten jeder Klassengröße ermittelt werden konn
ten. Hinsichtlich dieser untersuchten Probe ist im Speicher 800 die Menge
von Objekten abgespeichert, die ermittelt, jedoch nicht klassifiziert wur
den, z. B. die Menge von Objekten, die wegen ihrer Größe zurückgewiesen
wurden, und die Anzahl von Objekten, die aufgrund geringer Zuverlässigkeit
aus der Klassifizierung ausgeschlossen wurden. Anders gesagt, ist im Spei
cher die Anzahl ermittelter, jedoch nicht klassifizierter Erkennungsobjekte
(Muster), für die kein Erkennungsergebnis erzielt werden konnte, abgespei
chert.
Fig. 1 ist ein Flussdiagramm, das die vorstehend beschriebenen Verarbei
tungsvorgänge veranschaulicht, wie sie im Urinsedimentanalysator mit dem
Mustererkennungssystem gemäß dem einen Ausführungsbeispiel der Erfindung
ausgeführt werden. D. h., dass Fig. 1 den Prozessablauf für ein gerade
untersuchtes Objekt zeigt. Nun erfolgt eine Beschreibung für diesen Verar
beitungsablauf:
- - Schritt S1: Zu Initialisierungszwecken wird der Zähler der Zähleinheit 670 gelöscht (zurückgesetzt), das Größenzurückweisungsverfahren wird ausge wählt, der Größenzurückweisungs-Schwellenwert wird in den Speicher 645 für Zurückweisungsschwellenwerte eingeschrieben, hinsichtlich der Zuverlässig keitsbewertungseinrichtung wird der Zuverlässigkeitsbewertungs-Schwellen wert in den Speicher 665 für Zuverlässigkeitsschwellenwerte eingeschrieben, und es wird die Ausgabewert-Umsetztabelle 695 ausgewählt.
- - Schritt S2: Das Objekt wird photographiert und das photographierte Bild wird eingegeben.
- - Schritt S3: Das Bildsignal wird A/D-umgesetzt.
- - Schritt S4: Es erfolgt eine Bereichsunterteilung zum Unterteilen des Bildsignals in den Objektbereich und den Hintergrundbereich.
- - Schritt S5: Überprüfen, ob ein unverarbeiteter Objektbereich vorhanden ist, da Fälle existieren, bei denen mehrere unabhängige Objekte (Bereiche) in einem einzelnen Bild vorhanden sind. Wenn kein unbearbeiteter Objektbe reich vorliegt, wird ein Verarbeitungsvorgang gemäß einem Schritt S13 aus geführt. Wenn ein unbearbeiteter Objektbereich vorliegt, werden Verarbei tungsvorgänge ausgeführt, wie sie in den auf den Schritt S6 folgenden Schritten definiert sind.
- - Schritt S6: Berechnen des Bildmerkmalsparameters für den interessierenden Objektbereich.
- - Schritt S7: Zurückweisen eines Objekts mit kleinerer Größe als einer vorbestimmten Größe unter Verwendung von Werten, die die Abmessung des Objektbereichs anzeigen, z. B. der Fläche, des Umfangs oder einer Projekti onslänge, die zu den Bildmerkmalsparametern gehören. Wenn eine Zurückwei sung vorgenommen wird, kehrt der Verarbeitungsvorgang zum Schritt S5 zu rück, in dem die Verarbeitung für einen im Bild verbliebenen Objektbereich erfolgt. Wenn keine Zurückweisung aufgrund der Größe erfolgt, wird der im Schritt S8 definierte Verarbeitungsvorgang ausgeführt.
- - Schritt S8: Eingabe des Merkmalsparameters in das neurale Erkennungsnetz werk 650, damit dieser klassifiziert wird.
- - Schritt S9: Beurteilen, unter Bezugnahme auf die Ausgangswerte des neura len Erkennungsnetzwerks 650, ob die Klassifizierungszuverlässigkeit hoch ist oder nicht. Die Beurteilung, ob die Klassifizierungszuverlässigkeit hoch ist oder nicht, wird unter Verwendung eines beliebigen der obenangege benen Verfahren (1) bis (7) ausgeführt. Wenn beurteilt wird, dass die Zu verlässigkeit gering ist, wird der im Schritt S5 definierte Verarbeitungs vorgang ausgeführt, in dem die im Bild enthaltenen restlichen Objektberei che verarbeitet werden. Wenn beurteilt wird, dass die Zuverlässigkeit hoch ist, wird der Verarbeitungsvorgang gemäß dem folgenden Schritt S10 ausge führt.
- - Schritt S10: Ausführen einer Ausgangswertumsetzung, durch die die jewei ligen Ausgangsknoten des neuralen Erkennungsnetzwerks 650 in Beziehung zur jeweiligen Klassifizierungsgröße gesetzt werden.
- - Schritt S11: Zählen, wieviele Objekte der jeweiligen Klassifizierungsgrö ßen von der Zähleinheit 670 ermittelt wurden.
- - Schritt S12: Sowohl das Objektbild als auch das Erkennungsergebnis werden in den Speicher 800 eingespeichert. Nachdem die Verarbeitungsvorgänge bis zum Schritt S12 abgeschlossen sind, kehrt der Ablauf erneut zum Schritt S5 zurück, in dem der Verarbeitungsvorgang für die restlichen im Bild enthal tenen Objektbereiche ausgeführt wird.
- - Schritt S13: Es wird beurteilt, ob die Messung für die gerade untersuchte Probe abgeschlossen ist oder nicht. Wenn die Messung abgeschlossen ist, werden die Verarbeitungsvorgänge beendet. Wenn dagegen die Messung nicht abgeschlossen ist, kehrt der Ablauf zum Schritt S2 zurück, in dem ein Bild neu eingegeben wird, und dann werden die Verarbeitungsvorgänge gemäß den obenbeschriebenen Schritten ausgeführt.
Während als Ausführungsbeispiel für ein erfindungsgemäßes Mustererkennungs
system ein Urinsedimentanalysator beschrieben ist, ist die Erfindung nicht
hierauf beschränkt, sondern sie kann z. B. bei verschiedenen Blutbildklas
sifizierungen verwendet werden, z. B. bei Klassifizierung für rote Blutzel
len oder solchen für weiße Blutzellen. Die Erfindung kann auch bei solchen
Systemen angewandt werden, die die Außenform einer Pflanze, die Außenform
eines Blatts einer Pflanze oder die Form eines Mikroorganismus klassifizie
ren.
Bei Mustererkennungssystemen können zwar häufig erscheinende Objekte mehr
oder weniger stark zurückgewiesen werden, jedoch ist es erforderlich, dass
selten auftretende Objekte nicht übersehen werden. Selten auftretende Ob
jekte sollten also so wenig wie möglich zurückgewiesen werden. Insbesondere
ist es bei Urinsedimentuntersuchungen, wie sie oben beschrieben sind, wir
kungsvoll, dass Erkennungsergebnisse dadurch zurückgewiesen werden, dass
entsprechende Schwellenwerte für die Ausgangswerte für die jeweiligen Aus
gangsknoten des neuralen Netzwerks eingestellt werden. Bei einer Urinsedi
mentuntersuchung sollte hinsichtlich auftretender Objekte z. B. die folgen
de Maßnahme vorhanden sein. Als Ergebnis eines Vergleichs zwischen der
Koinzidenzrate beim Verfahren, gemäß dem keine Zurückweisung eines Erken
nungsergebnisses erfolgt, und der Koinzidenzrate beim obenerläuterten Ver
fahren (1) zum Ausführen einer Zurückweisung von Erkennungsergebnissen,
betrug die erstgenannte Koinzidenzrate ungefähr 60% und die zweitgenannte
Koinzidenzrate ungefähr 90%. Dieser Vergleich wurde für dasselbe Untersu
chungsobjekt ausgeführt. Die Koinzidenzrate ist eine Rate, bei der das
durch das Analysatorsystem erzielte Klassifizierungsergebnis und das durch
Beobachtung erzielte Klassifizierungsergebnis für alle Objekte gleich sind.
Infolgedessen entsprach das durch das Analysatorsystem erhaltene Klassifi
zierungsergebnis ungefähr dem durch Beobachtung erhaltenen Klassifizie
rungsergebnis.
Claims (11)
1. Mustererkennungssystem mit Netzwerkaufbau (650) zur
Klassifizierung eines Objekts unter Zuordnung zu einem Klas
sifizierungsgegenstand, aufweisend:
eine Eingangsschicht (651) zum Eingeben von Merkmalspa rametern des Objekts,
eine verborgene Schicht (652) zum Verarbeiten der Merk malsparameter,
eine Ausgangsschicht (653) zum Erzeugen eines Erken nungsergebnisses,
eine Speichereinrichtung (800) zum Speichern des Erken nungsergebnisses, und
eine Zuverlässigkeitsbewertungseinrichtung (660) zum Be werten der Zuverlässigkeit des Erkennungsergebnisses,
dadurch gekennzeichnet, daß
die Ausgangsschicht (653) Ausgangsknoten aufweist, die den einzelnen Klassifizierungsgegenständen entsprechen,
die Speichereinrichtung (800) als Erkennungsergebnis den Klassifizierungsgegenstand des Ausgangsknotens mit dem größ ten Ausgangswert vermerkt, wenn die Zuverlässigkeitsbewer tungseinrichtung (660) eine hohe Zuverlässigkeit des Erken nungsergebnisses feststellt,
ein Speicher (665) zum Speichern eines Zuverlässigkeits schwellenwerts für jeden Ausgangsknoten vorgesehen ist, und
die Zuverlässigkeitsbewertungseinrichtung (660) die Zu verlässigkeit des Erkennungsergebnisses aufgrund des Aus gangswerts und des Zuverlässigkeitsschwellenwerts jedes Aus gangsknotens ermittelt.
eine Eingangsschicht (651) zum Eingeben von Merkmalspa rametern des Objekts,
eine verborgene Schicht (652) zum Verarbeiten der Merk malsparameter,
eine Ausgangsschicht (653) zum Erzeugen eines Erken nungsergebnisses,
eine Speichereinrichtung (800) zum Speichern des Erken nungsergebnisses, und
eine Zuverlässigkeitsbewertungseinrichtung (660) zum Be werten der Zuverlässigkeit des Erkennungsergebnisses,
dadurch gekennzeichnet, daß
die Ausgangsschicht (653) Ausgangsknoten aufweist, die den einzelnen Klassifizierungsgegenständen entsprechen,
die Speichereinrichtung (800) als Erkennungsergebnis den Klassifizierungsgegenstand des Ausgangsknotens mit dem größ ten Ausgangswert vermerkt, wenn die Zuverlässigkeitsbewer tungseinrichtung (660) eine hohe Zuverlässigkeit des Erken nungsergebnisses feststellt,
ein Speicher (665) zum Speichern eines Zuverlässigkeits schwellenwerts für jeden Ausgangsknoten vorgesehen ist, und
die Zuverlässigkeitsbewertungseinrichtung (660) die Zu verlässigkeit des Erkennungsergebnisses aufgrund des Aus gangswerts und des Zuverlässigkeitsschwellenwerts jedes Aus gangsknotens ermittelt.
2. System nach Anspruch 1, wobei die Zuverlässigkeitbewer
tungseinrichtung (660) eine hohe Zuverlässigkeit feststellt,
wenn der größte Ausgangswert der Ausgangsknoten größer als
der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem
größten Ausgangswert ist.
3. System nach einem der vorhergehenden Ansprüche, wobei
die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu
verlässigkeit feststellt, wenn der zweitgrößte Ausgangswert
der Ausgangsknoten kleiner als der Zuverlässigkeitsschwellen
wert des Ausgangsknotens mit dem zweitgrößten Ausgangswert
ist.
4. System nach einem der vorhergehenden Ansprüche, wobei
die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu
verlässigkeit feststellt, wenn die Differenz zwischen dem
größten und dem zweitgrößten Ausgangswert der Ausgangsknoten
größer als der Zuverlässigkeitsschwellenwert des Ausgangskno
tens mit dem größten Ausgangswert ist.
5. System nach einem der vorhergehenden Ansprüche, wobei
die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu
verlässigkeit feststellt, wenn das Verhältnis des größten
Ausgangswerts der Ausgangsknoten zur Summe der Ausgangswerte
der Ausgangsknoten größer als der Zuverlässigkeitsschwellen
wert des Ausgangsknotens mit dem größten Ausgangswert ist.
6. System nach einem der vorhergehenden Ansprüche, wobei
die Zuverlässigkeitsbewertungseinrichtung (660) die Differenz
zwischen dem Ausgangswert jedes Ausgangsknotens und einem zu
gehörigen Vergleichswert, der für den jeweiligen Ausgangskno
ten bei einem idealen Erkennungergebnis gelten würde, berech
net und eine hohe Zuverlässigkeit feststellt, wenn die Summe
der Quadrate der Differenzen kleiner als der Zuverlässig
keitsschwellenwert des Ausgangsknotens mit dem größten Aus
gangswert ist.
7. System nach einem der vorhergehenden Ansprüche, wobei
die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu
verlässigkeit feststellt, wenn mehrere der folgenden Bedin
gungen (1) bis (5) erfüllt sind:
- 1. der größte Ausgangswert der Ausgangsknoten ist grö ßer als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert,
- 2. der zweitgrößte Ausgangswert der Ausgangsknoten ist kleiner als der Zuverlässigkeitsschwellenwert des Ausgangs knotens mit dem zweitgrößten Ausgangswert,
- 3. die Differenz zwischen dem größten und dem zweit größten Ausgangswert der Ausgangsknoten ist größer als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert,
- 4. das Verhältnis zwischen dem größten Ausgangswert und der Summe der Ausgangswerte der Ausgangsknoten ist größer als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert, und
- 5. die Summe der Quadrate der Differenzen zwischen dem Ausgangswert jedes Ausgangsknotens und einem zugehörigen Ver gleichswert, der für den jeweiligen Ausgangsknoten bei einem idealen Erkennungsergebnis gelten würde, ist kleiner als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert.
8. System nach Anspruch 7 mit einer Eingabeeinrichtung
(930), mit der eine Bedienungsperson eine Kombination mehre
rer Bedingungen auswählen kann.
9. System nach einem der vorhergehenden Ansprüche mit einer
Eingabeeinrichtung (930), mit der eine Bedienungsperson die
jeweiligen Zuverlässigkeitsschwellenwerte einstellen kann.
10. System nach einem der vorhergehenden Ansprüche, mit ei
ner Ausgangswert-Umsetzeinheit (690) zur Zuordnung der ein
zelnen Ausgangsknoten zu auszugebenden Klassifizierungsgegen
ständen mittels einer Umsetztabelle (695), die eine Beziehung
zwischen den einzelnen Ausgangsknoten und den auszugebenden
Klassifizierungsgegenständen enthält.
11. System nach einem der vorhergehenden Ansprüche, das einen
Harnsedimentanalysator mit einem Bildaufnahmesystem dar
stellt, das eine Strömungszelle (100), eine Impulslampe (300)
und eine optische Vergrößerungseinrichtung (400) beinhaltet,
wobei eine Urinprobe mit festen Komponenten in die Strömungs
zelle strömt, Licht der Impulslampe auf ein Teilchen strahlt,
das durch einen Photographierbereich in der Strömungszelle
läuft, unter Verwendung der optischen Vergrößerungseinrich
tung ein vergrößertes Bild des Teilchens aufgenommen wird und
dieses als Objekt der Mustererkennung unterworfen wird.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP7249082A JPH0991430A (ja) | 1995-09-27 | 1995-09-27 | パターン認識装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19639884A1 DE19639884A1 (de) | 1997-04-03 |
DE19639884C2 true DE19639884C2 (de) | 2000-09-21 |
Family
ID=17187738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19639884A Expired - Fee Related DE19639884C2 (de) | 1995-09-27 | 1996-09-27 | Mustererkennungssystem |
Country Status (3)
Country | Link |
---|---|
US (1) | US5911002A (de) |
JP (1) | JPH0991430A (de) |
DE (1) | DE19639884C2 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19955919C1 (de) * | 1999-11-20 | 2001-05-31 | Daimler Chrysler Ag | Verfahren zur Erkennung von Objekten in Bildern auf der Bildpixelebene |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3445799B2 (ja) * | 1996-12-25 | 2003-09-08 | 株式会社日立製作所 | パターン認識装置及びパターン認識方法 |
DE19723293A1 (de) * | 1997-06-04 | 1998-12-10 | Siemens Ag | Mustererkennungsverfahren |
DE19801400C2 (de) * | 1998-01-16 | 2001-10-18 | Petra Perner | Verfahren zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern |
AU2001257299A1 (en) * | 2000-04-24 | 2001-11-07 | International Remote Imaging Systems Inc. | Multi-neural net imaging apparatus and method |
US7019834B2 (en) * | 2002-06-04 | 2006-03-28 | Lockheed Martin Corporation | Tribological debris analysis system |
DE102004018171B4 (de) * | 2004-04-08 | 2006-12-21 | Perner, Petra, Dr.-Ing. | Verfahren zur Akquisition von Formen aus Bildern luftgetragener Keime und/oder Pollen und zum fallbasierten Erkennen dieser Objekte in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens |
DE102004018174B4 (de) * | 2004-04-08 | 2006-12-21 | Perner, Petra, Dr.-Ing. | Verfahren zur Akquisition von Formen aus Bildern mit Fällen und zum fallbasierten Erkennen von Objekten in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens |
EP1733333B1 (de) * | 2004-04-08 | 2007-12-12 | Petra Perner | Verfahren zur akquisition von formen aus hep-2-zellschnitten und zum fallbasierten erkennen von hep-2-zellen |
DE102007003448A1 (de) | 2007-01-19 | 2008-07-24 | Perner, Petra, Dr.-Ing. | Verfahren und Datenverarbeitungssystem zur automatischen Erkennung, Verarbeitung, Interpretation und Schlussfolgerung von als digitale Datenmengen vorliegenden Objekten |
DE102007009485A1 (de) | 2007-02-22 | 2008-08-28 | Perner, Petra, Dr.-Ing. | Verfahren und Datenverarbeitungssystem zur Modellbildung für die Bildsegmentierung |
CN101510262B (zh) * | 2009-03-17 | 2012-05-23 | 江苏大学 | 一种钢中析出粒子的自动测量及其形态分类方法 |
JP5586889B2 (ja) * | 2009-07-29 | 2014-09-10 | 株式会社日立ハイテクノロジーズ | 粒子画像解析装置 |
JP6156137B2 (ja) * | 2013-12-27 | 2017-07-05 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
CN105096294B (zh) * | 2014-04-30 | 2019-01-18 | 西门子医疗保健诊断公司 | 用于对尿液沉渣图像的待处理区块进行区块检索的方法和装置 |
CN105096293B (zh) * | 2014-04-30 | 2018-12-07 | 西门子医疗保健诊断公司 | 用于处理尿液沉渣图像的待处理区块的方法和装置 |
CN106124373B (zh) * | 2016-06-17 | 2018-08-31 | 中国大唐集团科学技术研究院有限公司华东分公司 | 一种煤粉浓度的测量方法 |
JP6882772B2 (ja) * | 2017-07-11 | 2021-06-02 | 株式会社Rist | 検査装置、検査方法及び検査プログラム |
KR20190118332A (ko) * | 2018-04-10 | 2019-10-18 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
JP7091820B2 (ja) * | 2018-05-14 | 2022-06-28 | オムロン株式会社 | 制御システム、学習データ作成装置、学習装置および判定装置 |
EP3570288A1 (de) * | 2018-05-16 | 2019-11-20 | Siemens Healthcare GmbH | Verfahren zum erhalten von mindestens einem merkmal von interesse |
JP7510742B2 (ja) | 2018-11-19 | 2024-07-04 | アークレイ株式会社 | 情報処理装置、測定システム、及びプログラム |
JP7269778B2 (ja) * | 2019-04-04 | 2023-05-09 | 富士フイルムヘルスケア株式会社 | 超音波撮像装置、および、画像処理装置 |
US11681925B2 (en) | 2019-07-08 | 2023-06-20 | Vianai Systems, Inc. | Techniques for creating, analyzing, and modifying neural networks |
US11615321B2 (en) | 2019-07-08 | 2023-03-28 | Vianai Systems, Inc. | Techniques for modifying the operation of neural networks |
US11640539B2 (en) | 2019-07-08 | 2023-05-02 | Vianai Systems, Inc. | Techniques for visualizing the operation of neural networks using samples of training data |
CN110473167B (zh) * | 2019-07-09 | 2022-06-17 | 哈尔滨工程大学 | 一种基于深度学习的尿沉渣图像识别***及方法 |
JP7515096B2 (ja) * | 2019-09-19 | 2024-07-12 | パナソニックIpマネジメント株式会社 | 学習方法、プログラム、及び学習システム |
US11823058B2 (en) * | 2019-09-20 | 2023-11-21 | Google Llc | Data valuation using reinforcement learning |
WO2021061951A1 (en) * | 2019-09-24 | 2021-04-01 | Google Llc | Distance-based learning confidence model |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS57500995A (de) * | 1980-05-02 | 1982-06-03 | ||
JPS5829872B2 (ja) * | 1976-10-25 | 1983-06-25 | 株式会社日立製作所 | 白血球識別方法 |
JPH01119765A (ja) * | 1987-11-04 | 1989-05-11 | Hitachi Ltd | 領域分割方法 |
US4965725A (en) * | 1988-04-08 | 1990-10-23 | Nueromedical Systems, Inc. | Neural network based automated cytological specimen classification system and method |
JPH03131756A (ja) * | 1989-10-18 | 1991-06-05 | Hitachi Ltd | 血球自動分類装置 |
JPH041870A (ja) * | 1990-04-19 | 1992-01-07 | Nec Corp | パターン認識方法および装置 |
JPH04294444A (ja) * | 1991-03-22 | 1992-10-19 | Mitsubishi Electric Corp | 信号識別装置 |
EP0556971A2 (de) * | 1992-02-18 | 1993-08-25 | Hitachi, Ltd. | Gerät und Verfahren zur Untersuchung von Teilchen in einem Fluid |
US5335291A (en) * | 1991-09-20 | 1994-08-02 | Massachusetts Institute Of Technology | Method and apparatus for pattern mapping system with self-reliability check |
DE3705876C2 (de) * | 1986-10-07 | 1995-09-21 | Toa Medical Electronics | Verfahren und Vorrichtung für Fließcytometrie |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2808321B2 (ja) * | 1989-09-19 | 1998-10-08 | 東亜医用電子株式会社 | 細胞分析方法及び装置 |
JP3111706B2 (ja) * | 1992-02-18 | 2000-11-27 | 株式会社日立製作所 | 粒子分析装置及び粒子分析方法 |
-
1995
- 1995-09-27 JP JP7249082A patent/JPH0991430A/ja active Pending
-
1996
- 1996-09-18 US US08/715,592 patent/US5911002A/en not_active Expired - Lifetime
- 1996-09-27 DE DE19639884A patent/DE19639884C2/de not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5829872B2 (ja) * | 1976-10-25 | 1983-06-25 | 株式会社日立製作所 | 白血球識別方法 |
JPS57500995A (de) * | 1980-05-02 | 1982-06-03 | ||
DE3146423C2 (de) * | 1980-05-02 | 1993-09-02 | Int Remote Imaging Systems Inc | |
DE3705876C2 (de) * | 1986-10-07 | 1995-09-21 | Toa Medical Electronics | Verfahren und Vorrichtung für Fließcytometrie |
JPH01119765A (ja) * | 1987-11-04 | 1989-05-11 | Hitachi Ltd | 領域分割方法 |
US4965725A (en) * | 1988-04-08 | 1990-10-23 | Nueromedical Systems, Inc. | Neural network based automated cytological specimen classification system and method |
US4965725B1 (en) * | 1988-04-08 | 1996-05-07 | Neuromedical Systems Inc | Neural network based automated cytological specimen classification system and method |
JPH03131756A (ja) * | 1989-10-18 | 1991-06-05 | Hitachi Ltd | 血球自動分類装置 |
JPH041870A (ja) * | 1990-04-19 | 1992-01-07 | Nec Corp | パターン認識方法および装置 |
JPH04294444A (ja) * | 1991-03-22 | 1992-10-19 | Mitsubishi Electric Corp | 信号識別装置 |
US5335291A (en) * | 1991-09-20 | 1994-08-02 | Massachusetts Institute Of Technology | Method and apparatus for pattern mapping system with self-reliability check |
EP0556971A2 (de) * | 1992-02-18 | 1993-08-25 | Hitachi, Ltd. | Gerät und Verfahren zur Untersuchung von Teilchen in einem Fluid |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19955919C1 (de) * | 1999-11-20 | 2001-05-31 | Daimler Chrysler Ag | Verfahren zur Erkennung von Objekten in Bildern auf der Bildpixelebene |
Also Published As
Publication number | Publication date |
---|---|
DE19639884A1 (de) | 1997-04-03 |
US5911002A (en) | 1999-06-08 |
JPH0991430A (ja) | 1997-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19639884C2 (de) | Mustererkennungssystem | |
DE68926796T2 (de) | System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk | |
DE3146423C2 (de) | ||
DE69632447T2 (de) | Analysator zur Analyse von Urinbestandteilen | |
DE3642209C2 (de) | ||
DE4410603C1 (de) | Verfahren zur Erkennung von Fehlern bei der Inspektion von strukturierten Oberflächen | |
DE69422128T2 (de) | Verfahren zur interaktiven automatischen Zytologie | |
DE69629292T2 (de) | Verfahren zum feststellen der preparationsgüte von objektträgern und proben | |
DE69131102T2 (de) | Untersuchungskontrollverfahren für bilder die auf einer anzeige gezeigt werden | |
DE69322498T2 (de) | Verfahren zur identifizierung von normalen biomedizinischen proben | |
DE112008003337B4 (de) | Eigenschaftsanalysegerät | |
DE69532276T2 (de) | Automatisiertes cytologisches probenklassifizierungsverfahren | |
WO1997041416A1 (de) | Verfahren zur automatisierten mikroskopunterstützten untersuchung von gewebeproben oder körperflüssigkeitsproben | |
DE3226332A1 (de) | Analyseverfahren | |
DE10041354A1 (de) | Verfahren zur Überprüfung auf Fremdpartikel oder Fehler und entsprechende Vorrichtung | |
DE69634619T2 (de) | Verfahren zur Teilchenanalyse bei der Durchflusszytometrie | |
DE60026732T2 (de) | Zellenreihen-extraktionsverfahren | |
DE10057948A1 (de) | Verfahren und Vorrichtung zur Benutzerführung in der Rastermikroskopie | |
EP3971827A1 (de) | Verfahren zum detektieren einer bindung von antikörpern einer patientenprobe an doppelsträngige dns unter verwendung von crithidia luciliae zellen und fluoreszenzmikroskopie | |
EP1381846B1 (de) | Verfahren zur analyse einer biologischen probe | |
DE102009058438A1 (de) | Verfahren zur Prüfung von Wertdokumenten | |
DE2503927A1 (de) | Verfahren und vorrichtung zum unterscheiden zwischen unterschiedlich eingefaerbten bildmerkmalen | |
DE102006033294A1 (de) | Analyseverfahren für chemische und/oder biologische Proben | |
EP4016082B1 (de) | Verfahren und vorrichtung zum detektieren einer präsenz eines fluoreszenzmustertyps auf einem organschnitt mittels immunfluoreszenzmikroskopie | |
EP1154370B1 (de) | Automatische Bonitierung von biologischen Objekten auf der Basis dynamischer Farbanalyse mit nachfolgender Grössen- und Formanalyse |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |