JP2007503629A - 画像などの既存の位相情報を有するデータ配列を処理するためのニューラルネットワーク及び該ネットワーク使用方法 - Google Patents
画像などの既存の位相情報を有するデータ配列を処理するためのニューラルネットワーク及び該ネットワーク使用方法 Download PDFInfo
- Publication number
- JP2007503629A JP2007503629A JP2006523636A JP2006523636A JP2007503629A JP 2007503629 A JP2007503629 A JP 2007503629A JP 2006523636 A JP2006523636 A JP 2006523636A JP 2006523636 A JP2006523636 A JP 2006523636A JP 2007503629 A JP2007503629 A JP 2007503629A
- Authority
- JP
- Japan
- Prior art keywords
- knot
- output
- value
- function
- cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 155
- 238000012545 processing Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims description 94
- 230000004913 activation Effects 0.000 claims abstract description 118
- 230000008878 coupling Effects 0.000 claims abstract description 41
- 238000010168 coupling process Methods 0.000 claims abstract description 41
- 238000005859 coupling reaction Methods 0.000 claims abstract description 41
- 230000002452 interceptive effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 276
- 238000004422 calculation algorithm Methods 0.000 claims description 129
- 230000000694 effects Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 35
- 239000002872 contrast media Substances 0.000 claims description 27
- 238000003384 imaging method Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012567 pattern recognition method Methods 0.000 claims description 7
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 5
- 238000003754 machining Methods 0.000 claims description 5
- 230000036262 stenosis Effects 0.000 claims description 5
- 208000037804 stenosis Diseases 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 210000003484 anatomy Anatomy 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000001613 neoplastic effect Effects 0.000 claims 3
- 238000003672 processing method Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 254
- 230000008569 process Effects 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 18
- 238000009607 mammography Methods 0.000 description 16
- 230000001413 cellular effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 9
- 230000003993 interaction Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 206010057469 Vascular stenosis Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- XQFRJNBWHJMXHO-RRKCRQDMSA-N IDUR Chemical compound C1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C(I)=C1 XQFRJNBWHJMXHO-RRKCRQDMSA-N 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 210000003050 axon Anatomy 0.000 description 2
- 238000010367 cloning Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 230000002964 excitative effect Effects 0.000 description 2
- 210000001105 femoral artery Anatomy 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033115 angiogenesis Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008275 binding mechanism Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000002406 microsurgery Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/924—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
Description
本発明は、相対的位相情報を有するデータの配列を処理するためのニューラルネットワークに関する。このニューラルネットワークは、該ニューラルネットワークのノットに対応するセル(Ki)のn次元配列を備え、前記セルのそれぞれが、前記セル(Ki)に直接隣接するとともに該セル(Ki)の近傍を形成する周囲のセル(Kj)に対する結合を備え、(a)前記セル(Ki)のそれぞれが、前記周囲のセル(Kj)に直接隣接する1つのセルへの各結合のためのインプットを備え、(b)前記セル(Ki)のそれぞれが、1つ若しくはそれ以上の前記直接隣接するセル(Kj)への結合のためのアウトプットを備え、(c)前記セル(Ki)と前記直接隣接するセルの間の前記結合が重み(wij)により決定され、(d)前記セルのそれぞれが、前記セル(Ki)の活性値或いは活性化関数(Ai)として定義される内部値により特徴付けられ、(e)前記セル(Ki)のそれぞれが、セルのアウトプット信号(ui)を作り出すとともに変換関数と称される信号処理関数にしたがって信号処理を実行可能であり、(f)前記変換関数がセル(Ki)の前記出力信号(ui)を前記セル(Ki)の活性値或いは活性化関数(Ai)の関数として定義し、
該変換関数がセル(Ki)の前記活性値或いは活性化関数(Ai)を前記セル(Ki)の前記出力信号(ui)と等しくする恒等関数を更に備え、(g)入力データ・レコード(Pi)のn次元データベースが前記ニューラルネットワークにより計算され、該n次元データベースにおいて、前記データ・レコード(Pi)が対応するn次元空間に投影されたときの該データ・レコードの相対位置がデータ・レコード(Pi)の関連特性であり、前記データベースの前記データ・レコード(Pi)が前記n次元空間の点の配列により表現可能であり、該点のそれぞれが前記点の列において、前記データベースの前記データ・レコード(Pi)に対して一意的に定義された位置を有し、前記データベースの前記データ・レコード(Pi)のそれぞれが更に少なくとも1つ或いは1若しくはそれ以上の変数を備え、該変数が1つの特定の値(Ui)を備え、(h)前記データ・レコード(Pi)のそれぞれが、前記ニューラルネットワークを形成するセルの前記n次元配列のセル(Ki)に対して一意的に関連付けられ、該セル(Ki)が、セル(Ki)のn次元配列において、点の前記n次元配列における点により表される対応するデータ・レコード(Pi)と同じ位置を有し、(i)前記データ・レコード(Pi)それぞれの前記変数の前記値(Ui)が、前記ニューラルネットワークの開始値とみなされ、前記一意的に関連付けられたセル(Ki)の前記開始活性値(Ai)或いは前記開始出力値(ui)とされ、(j)前記ニューラルネットワークの特定数の相互作用的処理段階の後の前記セル(Ki)の前記活性値(Ai)或いは前記出力値(ui)が、前記一意的に関連付けられたデータ・レコード(Pi)のための前記新たな値(Ui)としてみなされることを特徴とする。
本発明は更に、前記現在の活性値(Ai)、或いは前記一意的に関連付けられたデータ・レコード(Pi)のための前記現在の新たな値(Ui)としてみなされる前記ニューラルネットワークの処理段階の後の前記セル(Ki)それぞれの前記出力値(ui)が、前記直接隣接するセル(Kj)の前記現在の出力値(uj)と前記直接隣接するセル(Kj)と前記セル(Ki)の結合を定義する対応する重み(wij)の関数として決定され、該関数がいわゆる活性化関数或いは法則であることを特徴とする。
本発明は更に、前記特定数の相互作用的処理段階の各処理段階において、前記セル(Ki)のそれぞれと前記直接隣接するセル(Kj)の間の結合を定義する前記重み(wij)が、前記セル(Ki)に直接隣接するセル(Kj)に一意的に関連付けられたデータ・レコード(Pj)の変数の前記現在の値(Uj)及び前記セル(Ki)に一意的に関連付けられたデータ・レコード(Pi)の変数の現在の値(Ui)の関数として決定されることを特徴とする。
更なる改良点は以下の詳細な説明において説明されるとともに、以下の請求の範囲に示される。
本発明の人工ニューラルネットワークは以下の理論的基礎に基づく。
本発明は更に、前記アルゴリズムにより計算されたデータ・レコードの新たな配列が、学習関数或いは法則の1つの群のみに基づく場合、前記ターゲット・データ・レコードそれぞれの前記新たなアウトプットが、前記ターゲット・データ・レコードに関連するターゲット・ユニット或いはノットそれぞれと、前記ターゲット・データ・レコードのセル或いは点に対してグラディエント1であるデータ・レコードのセル或いは点により表されるユニット或いはノットとの結合を特徴付ける新たな重みの関数として定義され、前記学習法則或いは関数の群が、前記結合の前記新たな重みを、以前の計算サイクルにおいて計算或いは定義された以前の重みの関数として、並びに前記ターゲット・データ・レコードのセル或いは点に関連するユニット或いはノットの実際のアウトプット、及び少なくともグラディエント1のデータ・レコード、若しくは前記実際のターゲット・データ・レコードのセル或いは点を直接取り囲むセル或いは点のデータ・レコードのセル或いは点に関連するユニット或いはノットの実際のアウトプットの関数として定義することを特徴とする。
上記の例との相違点は、Neti<0である場合に、項αiが異なる方法で計算されることである。
中央のノットKiのアウトプットUiの更新値αiを計算するための関数は、活性化関数の第1の例と同一である。
上記したことの例として、特定の境界線内のピクセルの動作を以下に示す。
このパラメータを用いて、ノットKiのアウトプットUiの更新値αiを計算する2つの異なる関数のうち1つが選択される。この選択は、Actiが正であるか負であるかに基づいて行われる。強化と抑制はαiを計算するための2つの関数に明らかに起因する。これは、これら関数にパラメータとしてActiが存在するからである。
これら関数には以下の表現が用いられる。
Max及びMinは、活性化法則の上限及び下限として定義される。
Decayは、各ユニットの時間にしたがった通常のディケイ値として定義される関数である。
Restは、各ユニットに対するデフォルト値として定義される。
ノットKiの新たな出力値は、特定の指数関数により定義される。この指数関数は、この例の活性化関数の興奮及び抑制メカニズムを増強する。
比較的特殊化された群II.1乃至II.6、III、及びIVと、ARと呼ばれる一般的な法則の群の相違点は、重み最適化だけでなく、ユニット活性化も実行されることである。
このようにして得られる結果であるデータ・レコードの配列に対して、再度本発明のアルゴリズムを用いた計算を行うことが可能である。ここでは、第1回目と同じ或いは異なる学習法則、及び異なる群の活性化法則を選択する。このようにして、本発明に係る2つアルゴリズムを連続して用いることにより、データ・レコードの元の配列を加工することができる。これら2つのアルゴリズムは、学習法則及び/又は活性化法則の群に関連する異なるアルゴリズムである。
図8Bは造影剤が撮像領域に既に達している動脈相において撮像された画像である。
図8Cは図8A及び図8Bと同一の領域の画像であり、動脈及び静脈相が均衡状態である瞬間に撮像された画像である。
図8Dは造影剤の注入の後遅い時期における瞬間に撮像された画像である。
図8Dにおいて、白色の円は、周囲の画像と比して暗いスポットとして現れた転移を示す。
図8Eは、図8Aの画像を処理して得られる画像であり、撮像領域に造影剤を注入する前に、上記のCMと呼ばれる関数の群を用いる本発明のアルゴリズムにより処理された画像である。
左側の図10Aの画像は元のマンモグラフィである。右側の図10Cの画像は元のマンモグラフィであり、いくつかの小節が、白色の点で強調するか或いは白色の円で囲むかされて識別されている。左側の図10Aの画像と右側の図10Cの画像を比較すると、小節の画像と周囲の画像領域との差が非常にわずかであることがわかる。中央の図10Bの画像は、上記のHigh CSと呼ばれる活性化法則の群のみを用いた本発明のアルゴリズムにしたがって図10Aに示すデジタル化画像を処理することにより得られる画像である。
この画像は、デジタルカメラなどのデジタル技術により得られる画像であっても、アナログ技術を用いて得られた画像をスキャナなどの手段によりデジタル化した画像であってもよい。
予測結果が互いに組み合わされるか或いは比較されてもよい。
このソース画像において、符号(1)、(2)及び(3)により示される円と2つの楕円は、血管の特定部分を囲んでいる。この部分においては血管狭窄部の存在が予測される。円(1)で示す血管狭窄部がソース画像においても明らかである一方、楕円(2)及び(3)で囲んだ領域は、明らかな情報を提供していない。
Claims (61)
- 人工ニューラルネットワークのノットに対応するセル(Ki)のn次元配列を備え、
前記セルのそれぞれが、前記セル(Ki)に直接隣接するとともに該セル(Ki)の近傍を形成する周囲のセル(Kj)に対する結合を備え、
(a)前記セル(Ki)のそれぞれが、前記周囲のセル(Kj)に直接隣接する1つのセルへの各結合のためのインプットを備え、
(b)前記セル(Ki)のそれぞれが、1つ若しくはそれ以上の前記直接隣接するセル(Kj)への結合のためのアウトプットを備え、
(c)前記セル(Ki)と前記直接隣接するセルの間の前記結合が重み(wij)により決定され、
(d)前記セルのそれぞれが、前記セル(Ki)の活性値或いは活性化関数(Ai)として定義される内部値により特徴付けられ、
(e)前記セル(Ki)のそれぞれが、変換関数と称される信号処理関数にしたがって信号処理を実行することによりセルのアウトプット信号(ui)を作り出し、
(f)前記変換関数がセル(Ki)の前記出力信号(ui)を前記セル(Ki)の活性値或いは活性化関数(Ai)の関数として定義し、
該変換関数がセル(Ki)の前記活性値或いは活性化関数(Ai)を前記セル(Ki)の前記出力信号(ui)と等しくする恒等関数を更に備え、
(g)入力データ・レコード(Pi)のn次元データベースが前記ニューラルネットワークにより計算され、
該n次元データベースにおいて、前記データ・レコード(Pi)が対応するn次元空間に投影されたときの該データ・レコードの相対位置がデータ・レコード(Pi)の関連特性であり、
前記データベースの前記データ・レコード(Pi)が前記n次元空間の点の配列により表現可能であり、
該点のそれぞれが前記点の列において、前記データベースの前記データ・レコード(Pi)に対して一意的に定義された位置を有し、
前記データベースの前記データ・レコード(Pi)のそれぞれが更に少なくとも1つ或いは1若しくはそれ以上の変数を備え、
該変数が1つの特定の値(Ui)を備え、
(h)前記データ・レコード(Pi)のそれぞれが、前記ニューラルネットワークを形成するセルの前記n次元配列のセル(Ki)に対して一意的に関連付けられ、
該セル(Ki)が、セル(Ki)のn次元配列において、点の前記n次元配列における点により表される対応するデータ・レコード(Pi)と同じ位置を有し、
(i)前記データ・レコード(Pi)それぞれの前記変数の前記値(Ui)が、前記ニューラルネットワークの開始値とみなされ、前記一意的に関連付けられたセル(Ki)の前記開始活性値(Ai)或いは前記開始出力値(ui)とされ、
(j)前記ニューラルネットワークの特定数の相互作用的処理段階の後の前記セル(Ki)の前記活性値(Ai)或いは前記出力値(ui)が、前記一意的に関連付けられたデータ・レコード(Pi)のための前記新たな値(Ui)としてみなされ、
(k)前記特定数の相互作用的処理段階のそれぞれの段階に対して、前記セル(Ki)のそれぞれ及び直接隣接するセル(Kj)の間の結合を定義する重み(wij)が、前記セル(Ki)に直接隣接する前記セル(Kj)に一意的に関連付けられたデータ・レコード(Pj)それぞれの変数の現在値(Uj)の関数として決定され、
前記関数が学習関数或いは法則と称され、
(l)現在の活性値(Ai)、或いは前記一意的に関連付けられたデータ・レコード(Pi)のための前記現在の新たな値(Ui)とみなされる前記ニューラルネットワークの処理段階の後の前記セル(Kj)それぞれの出力値(Ui)が、前記対応する重み(wij)により重みを付加される前記直接隣接するセル(Kj)の前記現在の出力値(Uj)の関数として決定され、
該関数が前記直接隣接するセル(Kj)と前記セル(Ki)の結合を定義することを特徴とする人工ニューラルネットワーク。 - 前記現在の活性値(Ai)、或いは前記一意的に関連付けられたデータ・レコード(Pi)のための現在の新たな値(Ui)としてみなされる前記ニューラルネットワークの処理段階の後の前記セル(Ki)の出力値(ui)を、前記直接隣接するセル(Kj)と前記セル(Ki)の結合を定義する前記重み(wij)の関数として決定することにより前記ニューラルネットワークが変更され、
該関数(wij)がいわゆる活性化関数或いは法則であることを特徴とする請求項1記載のニューラルネットワーク。 - 前記現在の活性値(Ai)、或いは前記一意的に関連付けられたデータ・レコード(Pi)のための前記現在の新たな値(Ui)としてみなされる前記ニューラルネットワークの処理段階の後の前記セル(Ki)それぞれの前記出力値(ui)が、前記直接隣接するセル(Kj)の前記現在の出力値(uj)と前記直接隣接するセル(Kj)と前記セル(Ki)の結合を定義する対応する重み(wij)の関数として決定され、
該関数がいわゆる活性化関数或いは法則であることを特徴とする請求項1記載のニューラルネットワーク。 - 前記特定数の相互作用的処理段階の各処理段階において、前記セル(Ki)のそれぞれと前記直接隣接するセル(Kj)の間の結合を定義する前記重み(wij)が、前記セル(Ki)に直接隣接するセル(Kj)に一意的に関連付けられたデータ・レコード(Pj)の変数の前記現在の値(Uj)及び前記セル(Ki)に一意的に関連付けられたデータ・レコード(Pi)の変数の現在の値(Ui)の関数として決定されることを特徴とする請求項1或いは2記載のニューラルネットワーク。
- 表1及び式3に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
- 表2及び式4に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
- 表3及び式5に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
- 式6に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
- 式7に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
- 式8に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
- 式9に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
また式9において、関数ecciとinniは同一であり、正及び負の重み結合に関連するインプットのみが異なり、活性化パラメータActiがネット・インプットNetiからノットKijへの関数として提供される。
このパラメータを用いて、2つの異なる関数のうち1つを選択し、選択した関数にしたがって、Actiが正か負かに基づき、ノットKiのアウトプットUiの更新値αiを計算する。
2つの関数によりαiを計算する。αiにおいて、Max及びMin:活性化法則の上限及び下限、Decay:各ユニットの時間にしたがった通常のディケイ値、Rest:各ユニットに向けたデフォルト値とする。 - 式10に示す活性化法則のみが用いられることを特徴とする請求項1乃至4いずれかに記載のニューラルネットワーク。
また式9において、関数ecciとinniは同一であり、正及び負の重み結合に関連するインプットのみが異なり、活性化パラメータActiがネット・インプットNetiからノットKijへの関数として提供される。
このパラメータを用いて、2つの異なる関数のうち1つを選択し、選択した関数にしたがって、Actiが正か負かに基づき、ノットKiのアウトプットUiの更新値αiを計算する。
2つの関数によりαiを計算する。αiにおいて、Max及びMin:活性化法則の上限及び下限、Decay:各ユニットの時間にしたがった通常のディケイ値、Rest:各ユニットに向けたデフォルト値とする。 - 各計算サイクルにおいて、請求項5乃至15にしたがった学習法則或いは関数の群と活性化関数の群の組み合わせを用いて、データ・レコードの新たな配列が提供され、
該新たな配列において、前記データ・レコードそれぞれの値が、前記実際のターゲット・データ・レコードと前記周囲のセル又は点のデータ・レコードの関数、或いは前記ターゲット・データ・レコードと前記周囲のセル又は点のデータ・レコードの間の結合を定義する重みの関数として既に変更されており、
前記組み合わせを用いて更に、前記結合の前記重みのための新たな値が提供され、
データ・レコードの前記新たな配列と前記結合のための新たな重みを用いてそれ以降の計算サイクルが実行されることを特徴とする請求項1乃至15いずれかに記載のニューラルネットワーク。 - 画像処理マシンであって、
ノット(Ki)の配列のノットに一意的に関連付けられるか、或いはノット(Ki)の配列のノットとして機能する前記データベースの前記データ・レコードが、ピクセル(Pi)により形成され、
前記ノットの初期値がピクセル値(Ui)により形成されることを特徴とする請求項1乃至16いずれかに記載のニューラルネットワーク。 - 前記ピクセル値がスカラー要素或いはベクトル要素であり、
前記ピクセルが、前記ベクトルの成分を形成する異なる変数により特徴付けられ、
該変数が前記ピクセル及び該ピクセルの視覚的特徴を特徴付ける物理的及び/又は視覚的特徴に関連する変数であることを特徴とする請求項17記載のニューラルネットワーク。 - 前記ピクセルがグレー・スケール画像のピクセルであり、該ピクセルが輝度により特徴付けられることを特徴とする請求項18記載のニューラルネットワーク。
- 前記ピクセルがカラー画像のピクセルであり、
前記ピクセルを特徴付ける前記変数が少なくとも3つの変数であるとともに、HSV、RGB、或いはその他従来のピクセル外観の符号化法に対応する変数であることを特徴とする請求項17或いは18記載のニューラルネットワーク。 - データベースのデータ間の関係を認識するためのアルゴリズムであって、
該データが、データ・レコードの配列、或いはデータ・レコードのn次元空間、特に2次元或いは3次元空間内の分布における該データ・レコードの相対位置が前記データ・レコードの関連特性である種類のデータであり、
前記データ・レコードがセル或いは点の配列として表現可能であり、
前記点のそれぞれが、前記データベースのデータ・レコードに一意的に関連付けられるとともに、前記配列内に一意的に定義された他のデータ・レコードのセル或いは点に対する位置を有し、
前記データ・レコードのそれぞれが更に、1つの特定の値を有する1若しくはそれ以上の変数に更に関連付けられ、
データベースのデータ・レコードを表すセル或いは点の配列内のセル或いは点のそれぞれが、人工ニューラルネットワークのユニット或いはノットとみなされることを特徴とするアルゴリズム。 - (a)前記データベースのセル或いは点により形成されるユニット或いはノットのそれぞれが、連続的にターゲット・ユニット或いはノットとして定義され、
ターゲット・ユニット或いはノットのそれぞれと、少なくともその他のユニット或いはノットのそれぞれとの間の結合が定義され、
該その他のユニット或いはノットが、データベースのその他のセル或いは点により形成されるとともに、対応するターゲット・ユニット或いはノットに対して少なくともグラディエント1であり、
(b)データベースのユニット或いはノットのそれぞれの新たな出力値が、連続的にターゲット・ユニット或いはノットとして定義され、
該ターゲット・ユニット或いはノットが、前記人工ニューラルネットワークの前記学習法則或いは関数の群、前記活性化法則或いは関数の群、若しくは前記学習法則或いは関数の群と前記活性化法則或いは関数の群の組み合わせを用いて、前記ターゲット・ユニット或いはノットに結合されたユニット或いはノットの実際のアウトプット及び前記ターゲット・ユニット或いはノットの実際のアウトプットの関数として計算され、
(c)前記ユニット或いはノットそれぞれの前記実際のアウトプットが、前記人工ニューラルネットワークのユニット或いはノットとみなされるセル或いは点により表されるデータ・レコードのそれぞれと関連付けられる変数の値或いは複数の変数の値として定義され、
(d)前記ターゲット・ユニット或いはノットの前記新たなアウトプットが、前記ターゲット・ユニット或いはノットに対応するデータ・レコードの配列を構成するセル或いは点に関連付けられた前記データ・レコードの前記変数或いは複数の変数の新たな値としてみなされ、
(e)データ・レコードの前記配列のセル或いは点の少なくとも一部或いは全てに対して、ターゲット・ユニット或いはノットの新たなアウトプットを計算する前記段階を実行することにより、データ・レコードの新たな配列が計算され、
セル或いは点のそれぞれのデータ・レコードが、前記少なくとも1つの変数の新たな値、或いは前記複数の変数の新たな値を備え、
前記新たな値が、前記段階にしたがった人工ニューラルネットワークの第1計算サイクルの結果であり、
前記計算サイクルが予め定められた特定回数実行されるまで、及び/又は前記変数の最初の値若しくはデータ・レコードの前記最初の配列の前記変数と、データ・レコードの前記配列の1若しくは複数の変数の値の間の誤差或いは不一致が、直前のサイクルにおいて計算された誤差或いは不一致にしたがって最大許容可能な程度に達せられない限り、及び/又は連続するサイクルにおいて計算された連続するデータ・レコードの配列内のデータ・レコードの変数の値或いは複数の変数の値の差が、所定の最大率を下回らない限り、データ・レコードの連続する新たな配列のそれぞれに対して、前記計算サイクルが予め定められた特定回数反復されることを特徴とする請求項21記載の人工ニューラルネットワーク。 - 学習関数或いは法則の第1群、活性化関数或いは法則の第1群、若しくはこれらを組み合わせたものが提供される該第1加工段階、学習関数或いは法則の第2群、活性化関数或いは法則の第2群、若しくはこれらを組み合わせたものが提供される第2加工段階、及び、2つ以上の加工段階が行われる場合には、学習関数或いは法則の更に別の群、活性化関数或いは法則の更に別の群、若しくはこれらを組み合わせたものが提供される更に別の加工段階において、データ・レコードの配列が、前記アルゴリズムを用いて、少なくとも2回或いはそれ以上の加工を受け、
前記第2若しくはそれ以上の加工段階において、第2若しくはそれ以上の異なる群を用いるデータ・レコードの配列が用いられ、
学習或いは活性化法則又は関数、若しくはこれらを組み合わせたものの第2或いはそれ以上の異なる群を備えるアルゴリズムが用いられる前記第2若しくはそれ以上の段階において用いられるデータ・レコードの配列が、データ・レコードの配列の前記第1加工段階、或いは、前記第2若しくはそれ以上の段階以前の加工段階から個別にもたらされたデータ・レコードの配列であることを特徴とする請求項21或いは22記載のアルゴリズム。 - データ・レコードの2次元或いは3次元配列において、前記ターゲット・データ・レコードのセル或いは点に対してグラディエント1であるデータ・レコードに関するセル或いは点が、前記ターゲット・データ・レコードに関連するデータ・レコード配列内のセル或いは点を直接取り囲むデータ・レコード配列のセル或いは点に関連するデータ・レコードにより形成されることを特徴とする請求項21乃至23いずれかに記載のアルゴリズム。
- 前記アルゴリズムにより計算されたデータ・レコードの新たな配列が、前記結合の重みを最適化するための学習関数或いは法則の群のみに基づき、
前記ターゲット・データ・レコードそれぞれの前記新たなアウトプットが、前記ターゲット・データ・レコードに関連するターゲット・ユニット或いはノットそれぞれと、前記ターゲット・データ・レコードのセル或いは点に対してグラディエント1であるデータ・レコードのセル或いは点により表されるユニット或いはノットとの結合を特徴付ける新たな重みの関数として定義され、
前記学習法則或いは関数の群が、前記結合の前記新たな重みを、以前の計算サイクルにおいて計算或いは定義された以前の重みの関数として、並びに前記ターゲット・データ・レコードのセル或いは点に関連するユニット或いはノットの実際のアウトプット、及び少なくとも段階1のデータ・レコード、若しくは前記実際のターゲット・データ・レコードのセル或いは点を直接取り囲むセル或いは点のデータ・レコードのセル或いは点に関連するユニット或いはノットの実際のアウトプットの関数として定義することを特徴とする請求項21乃至24いずれかに記載のアルゴリズム。 - 前記アルゴリズムにより計算されるデータ・レコードの新たな配列が、活性化関数の群にのみ基づき、
該関数が、前記ターゲット・データ・レコードに関連するセル或いは点に対応するターゲット・ユニット或いはノットの新たなアウトプットを定義し、
該定義が、前記ターゲット・ユニット或いはノットへのネット・インプットに基づいて行われ、
該ネット・インプットが前記データ・レコードに対して少なくともグラディエント1であるデータ・レコードに関連するセル或いは点に対応するユニット或いはノットのアウトプット、特に前記ターゲット・データ・レコードのセル或いは点を直接取り囲むデータ・レコード配列のセル或いは点に対応するユニット或いはノットのアウトプットの関数であることを特徴とする請求項21乃至24いずれかに記載のアルゴリズム。 - 第1計算サイクルにおける計算が、各結合の重みに対して固定された所定の値から開始し、
一方で前記ユニット或いはノットの開始値が前記重みと、前記周囲のノット或いはユニットの値の関数である所定の関数にしたがって、すなわち前記人工ニューラルネットワークの特定のユニット或いはノットを表すセル或いは点を直接取囲む配列内のセル或いは点に対応するデータ・レコードにしたがって変更されることを特徴とする請求項21乃至26いずれかに記載のアルゴリズム。 - 表4及び式14に示す活性化法則のみが用いられることを特徴とする請求項21乃至29いずれかに記載のニューラルネットワーク。
- 表5及び式15に示す活性化法則のみが用いられることを特徴とする請求項21乃至28いずれかに記載のニューラルネットワーク。
- 表6及び式16に示す活性化法則のみが用いられることを特徴とする請求項21乃至28いずれかに記載のニューラルネットワーク。
- 式17に示す活性化法則のみが用いられることを特徴とする請求項21乃至28いずれかに記載のニューラルネットワーク。
- 式18に示す活性化法則のみが用いられることを特徴とする請求項21乃至28いずれかに記載のニューラルネットワーク。
- 式19に示す活性化法則のみが用いられることを特徴とする請求項21乃至28いずれかに記載のニューラルネットワーク。
- 式20に示す活性化法則のみが用いられることを特徴とする請求項21乃至28いずれかに記載のニューラルネットワーク。
また式9において、関数ecciとinniは同一であり、正及び負の重み結合に関連するインプットのみが異なり、活性化パラメータActiがネット・インプットNetiからノットKijへの関数として提供される。
このパラメータを用いて、2つの異なる関数のうち1つを選択し、選択した関数にしたがって、Actiが正か負かに基づき、ノットKiのアウトプットUiの更新値αiを計算する。
2つの関数によりαiを計算する。αiにおいて、Max及びMin:活性化法則の上限及び下限、Decay:各ユニットの時間にしたがった通常のディケイ値、Rest:各ユニットに向けたデフォルト値とする。 - 式21に示す活性化法則のみが用いられることを特徴とする請求項21乃至28いずれかに記載のニューラルネットワーク。
また式9において、関数ecciとinniは同一であり、正及び負の重み結合に関連するインプットのみが異なり、活性化パラメータActiがネット・インプットNetiからノットKijへの関数として提供される。
このパラメータを用いて、2つの異なる関数のうち1つを選択し、選択した関数にしたがって、Actiが正か負かに基づき、ノットKiのアウトプットUiの更新値αiを計算する。
2つの関数によりαiを計算する。αiにおいて、Max及びMin:活性化法則の上限及び下限、Decay:各ユニットの時間にしたがった通常のディケイ値、Rest:各ユニットに向けたデフォルト値とする。 - 前記計算サイクルのそれぞれにおいて、請求項5乃至17の1若しくはそれ以上に従った学習法則或いは関数の群と活性化関数の群を組み合わせたものを用いてデータ・レコードの新たな配列が提供され、
該新たな配列において、前記実際のターゲット・データ・レコード及び前記周囲のセル或いは点のデータ・レコードのアウトプットの関数として、及び前記ターゲット・データ・レコードと前記周囲のセル或いは点のデータ・レコードの間の結合を定義する重みの関数として、データ・レコードのそれぞれが変更され、
前記学習法則或いは関数と活性化関数の群を組み合わせたものを用いて更に、前記結合の重みのための新たな値が提供され、
前記結合のデータ・レコードの新たな配列及び前記結合のための新たな重みを用いて、それ以降の計算サイクルが実行されることを特徴とする請求項21乃至38いずれかに記載のアルゴリズム。 - 画像がピクセルの2次元或いは3次元配列により形成され、
前記配列のピクセルのそれぞれが人工ニューラルネットワークのユニット或いはノットを形成し、
前記人工ニューラルネットワークのインプット及びアウトプットが、前記ユニットのそれぞれに対応するピクセルの最初の値により、及び前記ピクセルのそれぞれの計算された値により形成され、
前記ノットのそれぞれの出力値の計算が、少なくとも前記ノットを取囲むピクセルの値の関数として実行されることを特徴とする画像処理方法。 - 前記画像を形成するピクセルの配列のピクセルと一意的に対応する前記人工ニューラルネットワークのノット或いはユニットのそれぞれと、関連する少なくともグラディエント1であるユニット或いはノットの間に、重みを付加された結合が提供されることを特徴とする請求項40記載の方法。
- 重み最適化が行われることを特徴とする請求項40及び請求項41記載の方法。
- 前記重み最適化の後にユニット活性化が行われることを特徴とする請求項42記載の方法。
- 重み進化及びユニット活性化が行われることを特徴とする請求項40乃至43いずれかに記載の方法。
- 最終的に請求項21乃至39記載のアルゴリズムとして実行される請求項1乃至20記載の人工ニューラルネットワークを用いて実行されることを特徴とする請求項40乃至44いずれかに記載の方法。
- 画像パタン認識のための方法であり、
前記画像がデジタル画像或いはデジタル化されたアナログ画像であり、
画像データの配列が有限数の点或いはセルにより形成され、
該点或いはセルのそれぞれがいわゆるピクセル或いはボクセルなどの画像単位要素に対応し、
該ピクセル或いはボクセルのそれぞれが、グレー・スケール画像の該ピクセルの強度或いはグレー・レベルを表すパラメータ変数の値に関連付けられるか、或いは該ピクセル或いはボクセルのそれぞれがベクトルに関連付けられ、
該ベクトルの成分が前記ピクセル或いはボクセルの強度及び前記ピクセル或いはボクセルの色彩を表すパラメータ変数であり、
画像データの前記配列が請求項1乃至20のうち1若しくはそれ以上にしたがった人工ニューラルネットワークを用いて処理され、
前記グラディエント1のデータ・レコードのセル或いは点が、ターゲット・ピクセル或いはボクセルを直接取囲むピクセル或いはボクセルにより形成され、
前記アルゴリズムを所定回数適用して前記計算サイクルが所定回数反復され、
前記所定回数の回数が、固定された定数とされるか、前記計算サイクルが所定回数反復された後の前記ピクセルの出力値と、前記画像データ配列の最初の値との不一致或いは差異に基づいて計算されるか、或いはそれ以降の計算サイクルが、以前の計算サイクルの画像データ配列のアウトプットとの差異が、所定の差異より小さい前記画像データ配列にアウトプットを提供するときの回数として決定されることを特徴とする請求項40乃至45いずれかに記載の方法。 - 前記人工ニューラルネットワークが請求項21乃至40にしたがったアルゴリズムとして実施されることを特徴とする請求項46記載の画像パタン認識方法。
- 請求項21乃至40にしたがったアルゴリズムが、連続して2回適用され、
1回ごとに学習法則或いは関数の異なる群、或いは活性化法則或いは関数の異なる群、若しくはこれらの異なる組み合わせが用いられることを特徴とする請求項47記載の方法。 - 請求項21乃至39にしたがったアルゴリズムが、画像化されたサブジェクトの異なる領域の特徴を認識するために学習される予測アルゴリズムと組み合わせて用いられることを特徴とする請求項46乃至48いずれかに記載の画像パタン認識方法。
- 前記予測アルゴリズムが人工ニューラルネットワークであり、
前記学習データベース及びテスト・データベースが個別のサブジェクトの画像の群により形成され、
前記画像サブジェクトの前記異なる画像化領域が、前記トレーニング・データベース及びテスト・データベースの画像のそれぞれに対して一意的に識別され、
一方で前記予測アルゴリズムが、請求項21乃至40のうち1若しくはそれ以上にしたがったアルゴリズムを用いて実行される加工のアウトプットとして得られる画像データ配列に対して実行されることを特徴とする請求項46乃至48いずれかに記載の方法。 - 前記予測アルゴリズムが、前記最初の画像データ配列をインプットデータとして用いることにより実行され、
請求項21乃至40のうち1若しくはそれ以上にしたがったアルゴリズムを用いて計算された画像データ配列に対して予測アルゴリズムを実行することにより得られる予測結果と、前記最初の画像データ配列に対して前記予測アルゴリズムを実行することにより得られる予測結果が、組み合わされるか或いは比較されることを特徴とする請求項50記載の方法。 - 生体組織内において、造影剤なしにコントラスト撮像或いはハーモニック撮像を行うための方法であって、
特定の人体或いは人体の特定箇所の超音波、MRI、或いはX線画像が撮像され、
請求項1乃至20のうち1若しくはそれ以上にしたがったニューラルネットワークを用いて、撮像された画像の画像データ配列に対して、請求項40乃至51のうち1若しくはそれ以上にしたがった方法が行われ、
前記方法が、最終的に請求項21乃至40のうち1若しくはそれ以上にしたがったアルゴリズムとして実施されることを特徴とする請求項50記載の方法。 - 請求項1乃至4にしたがったニューラルネットワークに、請求項5にしたがった法則の群が提供され、
該法則の群が、請求項21乃至28のうち1若しくはそれ以上と、請求項29に従った学習法則の少なくとも1つの群にしたがったアルゴリズムにしたがって最終的に実施されることを特徴とする請求項52記載の方法。 - 請求項1乃至4にしたがったニューラルネットワークに、請求項5にしたがった法則と、請求項6乃至20のいずれかにしたがった法則の群が提供され、
前記ニューラルネットワークが、請求項21乃至28のうち1若しくはそれ以上にしたがったアルゴリズムと、請求項29にしたがった学習法則或いは関数の群、及び請求項18乃至30のいずれか1つにしたがったアルゴリズムを組み合わせたアルゴリズムとして、最終的に実施されることを特徴とする請求項53記載の方法。 - 請求項29乃至39のうち1若しくはそれ以上にしたがった学習及び/又は活性化法則の群が用いられることを特徴とする請求項53記載の方法。
- 少なくとも2つの画像加工段階が行われ、
第1の画像加工段階が学習及び/又は活性化法則の1つを用いて実行され、
第2加工段階が、前記第1加工段階において加工されたアウトプット画像のピクセル値を、学習及び/又は活性化法則の第2の群とともに、該第2加工段階に提出することにより行われることを特徴とする請求項55記載の方法。 - 少なくとも第3或いはそれ以上の加工段階が行われ、
該段階のそれぞれが学習及び/又は活性化法則の異なる群を用いて行われることを特徴とする請求項55或いは56記載の方法。 - 前記学習及び/又は活性化法則が請求項5乃至20或いは請求項28乃至39にしたがった法則であることを特徴とする請求項55乃至57いずれかに記載の方法。
- 腫瘍性組織を含む解剖学的領域のデジタル画像或いはデジタル化されたアナログ画像を取得する段階と、
請求項40乃至58のうち1若しくはそれ以上にしたがった方法を用いて前記デジタル画像或いはデジタル化されたアナログ画像を加工する段階を備えることを特徴とする前記腫瘍性組織の識別を補助するための方法。 - 血管内狭窄部を含む解剖学的領域のデジタル画像或いはデジタル化されたアナログ画像を取得する段階と、
請求項40乃至58のうち1若しくはそれ以上にしたがった方法を用いて前記デジタル画像或いはデジタル化されたアナログ画像を加工する段階を備えることを特徴とする前記血管内狭窄部の識別を補助するための方法。 - 腫瘍性組織を含む解剖学的領域のデジタル画像或いはデジタル化されたアナログ画像を取得する段階と、
請求項40乃至58のうち1若しくはそれ以上にしたがった方法を用いて前記デジタル画像或いはデジタル化されたアナログ画像を加工する段階を備えることを特徴とする生体組織の種類の識別を補助するための方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP03425559A EP1508872A1 (en) | 2003-08-22 | 2003-08-22 | An algorithm for recognising relationships between data of a database and a method for image pattern recognition based on the said algorithm |
PCT/EP2004/051821 WO2005020132A1 (en) | 2003-08-22 | 2004-08-18 | Neural network for processing arrays of data with existent topology, such as images, and application of the network |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007503629A true JP2007503629A (ja) | 2007-02-22 |
Family
ID=34043032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006523636A Pending JP2007503629A (ja) | 2003-08-22 | 2004-08-18 | 画像などの既存の位相情報を有するデータ配列を処理するためのニューラルネットワーク及び該ネットワーク使用方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US7877342B2 (ja) |
EP (2) | EP1508872A1 (ja) |
JP (1) | JP2007503629A (ja) |
CN (1) | CN1839397A (ja) |
WO (1) | WO2005020132A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010532510A (ja) * | 2007-07-06 | 2010-10-07 | ブラッコ イメージング ソチエタ ペル アチオニ | 画像処理方法 |
KR20190137283A (ko) * | 2018-06-01 | 2019-12-11 | 연세대학교 산학협력단 | 의료 영상 생성 방법 및 디바이스 |
WO2021015507A3 (ko) * | 2019-07-24 | 2021-03-18 | 가톨릭대학교 산학협력단 | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 |
JP7407618B2 (ja) | 2020-02-25 | 2024-01-04 | 謙一 井上 | 情報処理システム |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1712182B1 (en) | 2005-04-14 | 2020-12-30 | Esaote S.p.A. | Method of ultrasonic detection and localization of contrast agent microbubbles and method for local drug administration by using microbubble carriers |
JP2009528117A (ja) * | 2006-03-03 | 2009-08-06 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 画像の類似度を評価するための画像特性セットの特定 |
CA2653532A1 (en) * | 2006-06-09 | 2007-12-13 | Bracco Spa | Method of processing multichannel and multivariate signals and method of classifying sources of multichannel and multivariate signals operating according to such processing method |
US8167803B2 (en) * | 2007-05-16 | 2012-05-01 | Verathon Inc. | System and method for bladder detection using harmonic imaging |
US20090143668A1 (en) * | 2007-12-04 | 2009-06-04 | Harms Steven E | Enhancement of mri image contrast by combining pre- and post-contrast raw and phase spoiled image data |
USRE47609E1 (en) | 2007-12-28 | 2019-09-17 | Exini Diagnostics Ab | System for detecting bone cancer metastases |
WO2010034117A1 (en) | 2008-09-25 | 2010-04-01 | Vimedix Virtual Medical Imaging Training Systems Inc. | Simulation of medical imaging |
US8812414B2 (en) | 2011-05-31 | 2014-08-19 | International Business Machines Corporation | Low-power event-driven neural computing architecture in neural networks |
US8909576B2 (en) | 2011-09-16 | 2014-12-09 | International Business Machines Corporation | Neuromorphic event-driven neural computing architecture in a scalable neural network |
CN102663428B (zh) * | 2012-03-29 | 2014-11-26 | 中国科学院上海光学精密机械研究所 | 神经网络模式识别***和模式识别方法 |
CA2894791C (en) * | 2012-12-13 | 2023-10-31 | Gagan SIDHU | Processing multidimensional signals |
US9558443B2 (en) | 2013-08-02 | 2017-01-31 | International Business Machines Corporation | Dual deterministic and stochastic neurosynaptic core circuit |
CN106062786B (zh) * | 2014-09-12 | 2019-12-31 | 微软技术许可有限责任公司 | 用于训练神经网络的计算*** |
US11080587B2 (en) * | 2015-02-06 | 2021-08-03 | Deepmind Technologies Limited | Recurrent neural networks for data item generation |
CN105469423B (zh) * | 2015-11-16 | 2018-06-22 | 北京师范大学 | 一种基于连续吸引子神经网络的在线目标跟踪方法 |
CA3036754A1 (en) | 2016-10-27 | 2018-05-03 | Progenics Pharmaceuticals, Inc. | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications |
CN110574041B (zh) | 2017-02-23 | 2023-06-20 | 诺基亚技术有限公司 | 针对深度学习领域的协同激活 |
US10783432B2 (en) * | 2017-04-14 | 2020-09-22 | International Business Machines Corporation | Update management for RPU array |
EP3400878B1 (en) | 2017-05-10 | 2020-03-25 | Esaote S.p.A. | Method for postural independent location of targets in diagnostic imagines acquired by multimodal acquisitions and system for carrying out the said method |
CN107480780A (zh) * | 2017-09-03 | 2017-12-15 | 胡明建 | 一种多阀值多函数多择输出人工神经元的设计方法 |
CN107491810A (zh) * | 2017-09-23 | 2017-12-19 | 胡明建 | 一种多阀值反馈人工神经元的设计方法 |
CN107633300A (zh) * | 2017-09-28 | 2018-01-26 | 胡明建 | 一种分级电位式人工神经元的设计方法 |
CN107657315A (zh) * | 2017-09-30 | 2018-02-02 | 胡明建 | 一种分级电位式择端输出人工神经元的设计方法 |
CN107977662B (zh) * | 2017-11-06 | 2020-12-11 | 清华大学深圳研究生院 | 一种实现高速处理计算机视觉图像的分层计算方法 |
US10973486B2 (en) | 2018-01-08 | 2021-04-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
IT201800001148A1 (it) * | 2018-01-17 | 2019-07-17 | Semeion Centro Ricerche | Metodo di elaborazione di immagini e sistema per l’elaborazione di immagini |
US10685261B2 (en) * | 2018-06-11 | 2020-06-16 | GM Global Technology Operations LLC | Active segmention of scanned images based on deep reinforcement learning for OCR applications |
US11657508B2 (en) | 2019-01-07 | 2023-05-23 | Exini Diagnostics Ab | Systems and methods for platform agnostic whole body image segmentation |
JP2022530039A (ja) | 2019-04-24 | 2022-06-27 | プロジェニクス ファーマシューティカルズ, インコーポレイテッド | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 |
US11900597B2 (en) | 2019-09-27 | 2024-02-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
US11564621B2 (en) | 2019-09-27 | 2023-01-31 | Progenies Pharmacenticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
CN110852993B (zh) * | 2019-10-12 | 2024-03-08 | 拜耳股份有限公司 | 一种造影剂作用下的成像方法与设备 |
CN111310377B (zh) * | 2020-02-21 | 2022-03-15 | 北京航空航天大学 | 一种连续体结构非概率可靠性拓扑优化设计方法 |
US11321844B2 (en) | 2020-04-23 | 2022-05-03 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
US11386988B2 (en) | 2020-04-23 | 2022-07-12 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
US11721428B2 (en) | 2020-07-06 | 2023-08-08 | Exini Diagnostics Ab | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
IT202000023257A1 (it) | 2020-10-02 | 2022-04-02 | Esaote Spa | Sistema e metodo per l’imaging diagnostico di acqua e grasso |
EP3985409A1 (en) | 2020-10-19 | 2022-04-20 | Esaote S.p.A. | Method for correcting inhomogeneity of the static magnetic field particularly of the static magnetic field generated by the magnetic structure of a machine for acquiring nuclear magnetic resonance images and mri system for carrying out such method |
CN112927217B (zh) * | 2021-03-23 | 2022-05-03 | 内蒙古大学 | 一种基于目标检测的甲状腺结节侵袭性预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5140670A (en) * | 1989-10-05 | 1992-08-18 | Regents Of The University Of California | Cellular neural network |
JPH10134017A (ja) * | 1996-10-17 | 1998-05-22 | Sgs Thomson Microelectron Srl | ファジー論理ニューラルネットワークモジュール型アーキテクチュア |
JPH10283337A (ja) * | 1997-04-07 | 1998-10-23 | Atr Ningen Joho Tsushin Kenkyusho:Kk | ニューロセルラオートマトンおよび最適化装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5912986A (en) * | 1994-06-21 | 1999-06-15 | Eastman Kodak Company | Evidential confidence measure and rejection technique for use in a neural network based optical character recognition system |
US5790758A (en) * | 1995-07-07 | 1998-08-04 | The United States Of America As Represented By The Secretary Of The Navy | Neural network architecture for gaussian components of a mixture density function |
US6028956A (en) * | 1997-04-04 | 2000-02-22 | Kofile Inc. | Object location and span determination method and apparatus which determines a location and span of an object in an image |
US6011295A (en) * | 1997-07-22 | 2000-01-04 | Foveonics, Inc. | Neural network active pixel cell |
US6801655B2 (en) * | 2001-05-10 | 2004-10-05 | The United States Of America As Represented By The Secretary Of The Navy | Spatial image processor |
-
2003
- 2003-08-22 EP EP03425559A patent/EP1508872A1/en not_active Withdrawn
-
2004
- 2004-08-18 JP JP2006523636A patent/JP2007503629A/ja active Pending
- 2004-08-18 US US10/569,354 patent/US7877342B2/en active Active
- 2004-08-18 WO PCT/EP2004/051821 patent/WO2005020132A1/en active Application Filing
- 2004-08-18 EP EP04766522A patent/EP1656632B1/en active Active
- 2004-08-18 CN CNA2004800241892A patent/CN1839397A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5140670A (en) * | 1989-10-05 | 1992-08-18 | Regents Of The University Of California | Cellular neural network |
JPH10134017A (ja) * | 1996-10-17 | 1998-05-22 | Sgs Thomson Microelectron Srl | ファジー論理ニューラルネットワークモジュール型アーキテクチュア |
JPH10283337A (ja) * | 1997-04-07 | 1998-10-23 | Atr Ningen Joho Tsushin Kenkyusho:Kk | ニューロセルラオートマトンおよび最適化装置 |
Non-Patent Citations (1)
Title |
---|
JPN6010023567, Leon O. Chua, Lin Yang, "Cellular Neural Networks: Applications", IEEE Transactions on Circuits and Systems, 198810, Vol.35,No.10, pp.1273−1290, US, IEEE * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010532510A (ja) * | 2007-07-06 | 2010-10-07 | ブラッコ イメージング ソチエタ ペル アチオニ | 画像処理方法 |
KR20190137283A (ko) * | 2018-06-01 | 2019-12-11 | 연세대학교 산학협력단 | 의료 영상 생성 방법 및 디바이스 |
KR102060895B1 (ko) * | 2018-06-01 | 2020-02-11 | 연세대학교 산학협력단 | 의료 영상 생성 방법 및 디바이스 |
WO2021015507A3 (ko) * | 2019-07-24 | 2021-03-18 | 가톨릭대학교 산학협력단 | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 |
JP7407618B2 (ja) | 2020-02-25 | 2024-01-04 | 謙一 井上 | 情報処理システム |
Also Published As
Publication number | Publication date |
---|---|
US7877342B2 (en) | 2011-01-25 |
EP1508872A1 (en) | 2005-02-23 |
CN1839397A (zh) | 2006-09-27 |
EP1656632B1 (en) | 2012-10-03 |
US20070233624A1 (en) | 2007-10-04 |
EP1656632A1 (en) | 2006-05-17 |
WO2005020132A1 (en) | 2005-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2007503629A (ja) | 画像などの既存の位相情報を有するデータ配列を処理するためのニューラルネットワーク及び該ネットワーク使用方法 | |
JP5926728B2 (ja) | 内科医が直接用いるのに適応したビジュアライゼーション | |
CN109461495A (zh) | 一种医学图像的识别方法、模型训练的方法及服务器 | |
Haehn et al. | Evaluating ‘graphical perception’with CNNs | |
CN100470560C (zh) | 图像像素编码方法和图像处理方法 | |
An et al. | Medical image segmentation algorithm based on feedback mechanism CNN | |
Hashemi et al. | Mass detection in lung CT images using region growing segmentation and decision making based on fuzzy inference system and artificial neural network | |
Poap et al. | Chest radiographs segmentation by the use of nature-inspired algorithm for lung disease detection | |
Kabir | Automatic brain tumor detection and feature extraction from mriimage | |
Gahukar et al. | Segmentation of MRI brain image using fuzzy c means for brain tumor diagnosis | |
Rogai et al. | Metaheuristics for specialization of a segmentation algorithm for ultrasound images | |
Sriwong et al. | The Study of Noise Effect on CNN-Based Deep Learning from Medical Images | |
CN116433552A (zh) | 一种染色场景下病灶图像检测模型构建方法及相关装置 | |
Arman et al. | Intracranial hemorrhage classification from ct scan using deep learning and bayesian optimization | |
Sheikh | Diabetic reinopathy classification using deep learning | |
Saeki et al. | Statistical modeling of pulmonary vasculatures with topological priors in CT volumes | |
Kumar et al. | Medical image fusion based on type-2 fuzzy sets with teaching learning based optimization | |
Mudduluru | Developing and Applying Hybrid Deep Learning Models for Computer-Aided Diagnosis of Medical Image Data | |
Parvathy et al. | Multimodality medical image fusion based on non-sub-sampled contourlet transform | |
Tirmén | Using Generative Adversarial Networks for H&E-to-HER2 Stain Translation in Digital Pathology Images | |
Eriksen et al. | A machine learning approach to improve consistency in user-driven medical image analysis | |
P. S et al. | Microaneurysms detection using fundus images based on deep convolutional neural network enabled fractional hunter osprey optimization | |
Gonzalez-Soto et al. | Learning a causal structure: a Bayesian random graph approach | |
Jacobson | Vascular bifurcation detection in cerebral ct angiography using convolutional neural networks and frangi filters | |
Gomathi et al. | An Efficient Hybrid Clustering and Feature Extraction Techniques for Brain Tumor Classification. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061113 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070129 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100510 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20100806 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20100813 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20100928 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20101005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101018 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110720 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20111212 |