JP2022061191A - 情報処理装置、情報処理方法、プログラム及び情報処理システム - Google Patents
情報処理装置、情報処理方法、プログラム及び情報処理システム Download PDFInfo
- Publication number
- JP2022061191A JP2022061191A JP2020169031A JP2020169031A JP2022061191A JP 2022061191 A JP2022061191 A JP 2022061191A JP 2020169031 A JP2020169031 A JP 2020169031A JP 2020169031 A JP2020169031 A JP 2020169031A JP 2022061191 A JP2022061191 A JP 2022061191A
- Authority
- JP
- Japan
- Prior art keywords
- inference
- model
- information
- trained model
- information processing
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 86
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 abstract description 4
- 230000004048 modification Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 11
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000003902 lesion Effects 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
【課題】 本発明は、学習済みモデルが更新等により変更された場合に、変更前の学習済みモデルで推論を行ったユーザに対して適切に通知を行うことができる情報処理システムを提供することを目的とする。【解決手段】 本発明に係る情報処理装置は、学習済みモデルを記憶するモデル情報記憶部を有し、該モデル情報記憶部に記憶された学習済みモデルを用いて医用画像データに対して推論を行う情報処理装置であって、第一の学習済みモデルを用いて第一の推論を行った推論対象を記憶する推論情報記憶部と、前記第一の学習済みモデルが第二の学習済みモデルに変更された場合に、前記推論対象に対して、前記第二の学習済みモデルを用いて第二の推論を行う推論部と、前記第一の推論による第一の推論結果と前記第二の推論による第二の推論結果とを比較する比較部と、前記比較部による比較結果に基づいてユーザに対して通知を行う通知部と、を有する。【選択図】 図2
Description
本発明は、学習済みモデルの変更に伴って通知を行う情報処理装置、情報処理方法、プログラム及び情報処理システムに関する。
医用撮像装置において取得された医用データを解析し、医師に診断支援情報を提示するコンピュータ支援診断(Computer Aided Diagnosis:CAD)システムが知られている。CADシステムは、医用データの内、例えば医用画像データに対して機械学習技術を適用し、診断支援情報を出力する。
特許文献1には、機械学習に基づく解析の信頼性を高めるため、異なる撮影方法および異なる信号処理の少なくとも一方の実行により、被検者に関する複数の加工医用信号を取得する。そして取得された複数の加工医用信号のそれぞれに対して複数の学習済みモデルを用いて推論を行うことが開示されている。
特許文献1では、学習済みモデルが更新等により変更された場合に、変更前の学習済みモデルで推論を行ったユーザに対して通知することについて開示されていない。
そこで、本発明は、学習済みモデルが更新等により変更された場合に、変更前の学習済みモデルで推論を行ったユーザに対して適切に通知を行うことができる情報処理装置を提供することを目的とする。
本発明の目的を達成するために、本発明に係る情報処理装置は、学習済みモデルを記憶するモデル情報記憶部を有し、該モデル情報記憶部に記憶された学習済みモデルを用いて医用画像データに対して推論を行う情報処理装置であって、第一の学習済みモデルを用いて第一の推論を行った推論対象を記憶する推論情報記憶部と、第一の学習済みモデルが第二の学習済みモデルに変更された場合に、推論対象に対して第二の学習済みモデルを用いて第二の推論を行う推論部と、第一の推論による第一の推論結果と第二の推論による第二の推論結果とを比較する比較部と、比較部による比較結果に基づいて、ユーザに対して通知を行う通知部と、を備える。
本発明によれば、学習済みモデルが更新等により変更された場合に、変更前の学習済みモデルで推論を行ったユーザに対して適切に通知を行うことができる。
以下、添付図面を参照して本発明の好適な実施形態について説明する。
〔第一の実施形態〕
図1は、本発明の情報処理システムの構成を示す。
図1は、本発明の情報処理システムの構成を示す。
本発明の情報処理システムは、被検者に関する医用データを取得する医用撮像装置100と、情報端末110と、ネットワーク120と、情報処理装置130とからなる。情報端末110は、一つの情報端末でもよく、複数の情報端末でもよい。
情報端末110には、操作部112と表示部114が接続されている。操作部112は、操作者からの各種指示を受け付け、情報端末110及び医用撮像装置100に対して、各種指示を伝達する。操作部112は、例えば、マウス、キーボード、ボタン、パネルスイッチ、フットスイッチ、トラックボール、ジョイスティックなどからなる。表示部114は、操作部112における各種指示を入力するためのGUIを表示したり、医用撮像装置100において取得された医用データに基づく画像データを表示したりする。情報端末110は、ネットワークを介して情報処理装置130と通信可能となっている。
図1では、情報端末110に対して、操作部112と表示部114が別体として設けられているが、情報端末110は、操作部112と表示部114の機能を内部に有していてもよい。
医用撮像装置100は、X線CT(Computed Tomography)装置、MRI(Magnetic Resonance Imaging)装置、超音波診断装置などの被検者の医用データを取得する装置である。
X線CT装置は、X線源とX線検出器を備えている。X線源とX線検出器とを被検者の周りで回転させながら、X線源からX線を被検者に照射してX線検出器で検出したデータを投影することによってCTデータを生成する。
MRI装置は、静磁場内に載置された被検者に対して所定の磁場を発生させ、取得されたデータに対してフーリエ変換することによってMRIデータを生成する。
超音波診断装置は、被検者に対して超音波を送信し、被検者からの反射波である超音波を受信して超音波データを生成する。
医用撮像装置100によって生成される医用データ(CTデータ、MRIデータ、超音波データなど)は、三次元データ(ボリュームデータ)、二次元データである。医用データは、例えば、被検者に関する画像データである。画像データには、生データも含まれる。医用画像データは、複数のフレームデータからなる動画像データであってもよい。また、医用データには、医用画像データを用いて各種計測を行った計測データも含まれる。
医用撮像装置100は、情報端末110に接続されている。情報端末110は、PC端末、スマートフォンなどの携帯電話、ノート端末、タブレット端末などである。情報端末110は、被検者情報を設定することもでき、医用撮像装置100から取得される医用データと被検者情報を関連付けることができる。情報端末110は、医用撮像装置100から取得される医用データ、計測データの各種データを表示することもできる。
情報端末110及び情報処理装置130は、ネットワーク120に接続されている。ネットワーク120は、病院外の通信ネットワーク、例えば、無線通信(Wi-Fi)、インターネット、無線基地局、プロバイダ、通信回線などを含む。また、ネットワーク120は、病院内の通信ネットワークであるイントラネットなどを含んでいてもよい。情報端末110は、ネットワーク120により、情報処理装置130と通信可能となる。情報端末110は、医用データ(医用画像データを含む)を情報処理装置130に伝達することができる。情報処理装置130は、医用データ(医用画像データを含む)を用いて推論を行った推論結果を情報端末110に伝達することができる。
図2は、本発明の情報処理装置130の構成を示す。情報処理装置130は、医用画像データを用いて教師データを生成する教師データ生成部200と、教師データ生成部200において生成された教師データを用いて、医用画像データに関する学習を行う学習部202を有する。さらに情報処理装置130は学習部202において生成された学習済みモデルから構成されるモデル情報と、推論対象とを記憶する記憶部204と、学習済みモデルを用いて推論を行う推論部206とを有する。また情報処理装置130は、学習済みモデルが更新等によって変更された場合に、更新前の学習済みモデルで推論された推論対象に対する推論結果と、更新済みの学習済みモデルで推論された推論対象に対する推論結果とを比較する比較部208と、比較部208による比較結果に基づいて、ユーザに対して通知を行う通知部210を備えている。
教師データ生成部200は、ネットワーク120に接続されており、医用画像データ、計測データなどを含む医用データを取得することができる。教師データ生成部200は、医用画像データを用いて教師データを生成する。教師データ生成部200によって生成される教師データは、ニューラルネットワークに基づくモデルが行う推論のタスクや分類の対象に応じて決定される。
ニューラルネットワークが行う推論のタスクとしては、医用画像データのクラスを分類する分類タスクや、医用画像データのどの位置に何が写り込んでいるかを検出する検出タスクがある。さらに医用画像データから対象の領域を抽出するセグメンテーションタスク等が挙げられる。
分類タスクを行うニューラルネットワークに基づくモデルを学習する際には、教師データ生成部200は、医用画像データと、医用画像データに写り込んでいる対象を示すラベルである正解ラベルとを対にした教師データを生成する。
一方、ニューラルネットワークに基づくモデルによって検出のタスクを行う場合について説明する。教師データ生成部200は、医用画像データと、医用画像データに対して、医用画像データに写り込んでいる対象の位置を示すROI(Region Of Interest)と対象を示すラベルである正解ラベルを付与した正解画像とを対にした教師データを生成する。
ニューラルネットワークに基づくモデルによって行うタスクがセグメンテーションの場合について説明する。教師データ生成部200は、医用画像データと、医用画像データに対して、医用画像データに写り込んでいる対象の画素の位置情報と、対象を示すラベルである正解ラベルを付与した正解画像とを対にした教師データを生成する。
病変領域をセグメンテーション(抽出)するタスクを行うニューラルネットワークに基づくモデルを学習させる場合について説明する。教師データ生成部200は、病変領域を有する医用画像データと、医用画像データに対して病変の種類を示す正解ラベルの情報と該病変の画素の位置情報と付与した正解画像とを対にした教師データを生成する。
また、教師データ生成部200は、学習部202で学習を行うニューラルネットワークに基づくモデルに応じて、医用データの前処理を行ってもよい。例えば、ニューラルネットワークに基づくモデルによる推論の対象が医用画像データである場合には、取得した医用画像データに対して、ノイズ除去や、フィルタ処理、画像の切り出し、解像度の変更等の処理を行う。推論の対象が文章等の自然言語であった場合には、形態素解析を行い、ベクトル変換技術を適用する等、ニューラルネットワークに基づくモデルにおける推論の対象と、タスクに応じて、教師データ生成部200は処理対象のデータの前処理を行う。
なお、図2では、情報処理装置130の内部に教師データ生成部200の機能を有している形態を示したが、情報端末110や、他の情報処理装置が教師データ生成部200の機能を内部に有していてもよい。例えば、上述したような教師データを情報端末110や外部の情報処理装置で生成した後に、ネットワーク120を介して、情報処理装置130の学習部202によってモデルの学習を行ってもよい。
学習部202は、教師データ生成部200と接続されている。学習部202は、ニューラルネットワークに基づくモデルに対して、医用画像データを教師データと対応づけて学習させることにより学習済みモデルを生成する。ここで、学習済みモデルは、学習処理を所定基準まで実施することにより決定されたパラメータと該パラメータに対応するモデルの情報とを示す。なお、学習済みモデルは、転移学習やファインチューニングによる他のモデルの学習に用いられても、該学習済みモデルに対してさらに学習処理(追加学習)が実行されてもよい。なお、学習部202による学習処理を、情報処理装置130外の情報処理装置や情報端末110で行ってもよい。例えば外部の情報処理装置や情報端末110が、教師データ生成部200と、学習部202を機能として有し、ニューラルネットワークに基づくモデルに対して学習処理を実施し、生成された学習済みモデルを情報処理装置130の記憶部204に記憶してもよい。
ニューラルネットワークに基づくモデルには、複数の層が含まれる。ニューラルネットワークの中でも、特にディープラーニング技術の一種であるCNN(Convolutional Neural Network)において、図示はしないが、入力層と出力層との間に複数の中間層を有している。複数の中間層は、畳み込み層、プーリング層、アップサンプリング層、合成層がある。畳み込み層は、入力値群に対して畳み込み処理を行う層である。畳み込み層では、入力された医用画像データの畳み込みを行い、医用画像データの特徴を抽出する。
プーリング層は、入力値群を間引いたり、合成したりすることによって、出力値群の数を入力値群の数よりも少なくする処理を行う層である。アップサンプリング層は、入力値群を複製したり、入力値群から補間した値を追加したりすることによって、出力値群の数を入力値群の数よりも多くする処理を行う層である。合成層は、ある層の出力値群や医用画像データを構成する画素値群といった値群を、複数のソースから入力し、それらを連結したり、加算したりして合成する処理を行う層である。中間層の数は、学習内容に応じて、随時変更することができる。
記憶部204は、学習部202に接続されている。記憶部204には、例えば医用画像データにおける病変の種類及び領域を抽出するように学習された学習済みモデルが記憶される。学習済みモデルは、例えば、ニューラルネットワーク技術の中のディープラーニング技術の一つであるCNNやRNN(Recurrent Neural Network)のモデルを記憶していてもよい。またCNNやRNNを派生させたモデル以外にも、サポートベクターマシンやロジスティック回帰、ランダムフォレスト等の他の機械学習技術によるモデルを記憶していてもよいし、ルールベースに基づく方法を記憶していてもよい。また記憶部204はさらに、記憶部204に記憶された学習済みモデルを用いて推論を行った推論対象等の推論情報を記憶する。記憶部204は、学習済みモデルと推論対象の情報とを対応付けて推論情報として記憶する。さらに記憶部204は、アカウント情報を推論情報と対応付けて記憶し、ユーザが例えばネットワーク120を介して、情報処理装置130に接続をすると、該ユーザのアカウント情報に対応づけられた過去の推論情報を参照することができる。また、記憶部204におけるアカウント情報は複数のユーザによるグループアカウントとして記憶されていてもよい。
推論部206は、ネットワーク120に接続されており、医用画像データ、計測データなどを含む医用データを取得することができる。推論部206は、記憶部204に接続されており、記憶部204に記憶された学習済みモデルを用いて推論を行うことができる。
推論部206は、例えば医用画像データにおける病変の種類及び領域を抽出するように学習された学習済みモデルを用いて、推論対象の医用画像データに対して推論を行う。推論対象の医用画像データに病変がある場合、推論部206は、病変の種類及び領域を出力することができる。
比較部208は、記憶部204において、記憶されている学習済みモデルが更新等の変更がされた場合に、変更前の学習済みモデルが推論対象に対して推論をした第一の推論結果と、該推論対象に対して変更後の学習済みモデルを用いた推論部206による第二の推論結果とを比較する。比較部208は、第一の推論結果と、第二の推論結果との差分が所定値以上である場合に、通知部210によってユーザもしくはモデルの管理者の少なくとも一方に推論結果の通知をする。また比較部208は、第一の推論結果と第二の推論結果との差分が所定未満である場合には、通知を行わない。なお、比較部208による推論結果の比較については以下で詳述する。
通知部210は、比較部208による比較結果に応じて決定された通知先に対して、通知を行う。ここで、通知部210は比較結果をユーザに通知する場合には、記憶部204に記憶されているユーザのアカウント情報を参照し、該ユーザに対して、通知を行う。また比較部208による比較の結果が所定値未満である場合にはユーザへの通知を行わない。本構成により、ユーザは学習済みモデルが変更される度に通知を受けることによる手間を削減し、過去の推論結果と更新後のモデルによる推論結果との差分が大きい場合に、ユーザに通知をすることができる。アカウントがグループアカウントであった場合には、通知部210はグループアカウントを構成する複数のユーザを通知先として決定する。もしくは、グループアカウントを構成する複数のユーザのうち、特定のユーザに対して通知してもよい。なお通知部210における通知は、ユーザが通知を把握できればよく、例えば情報処理装置130に備えついている表示部(不図示)や、情報処理装置130に対して情報端末110等を介してユーザがアクセスすることで確認がされてもよい。もしくは情報処理装置130からネットワーク120を介して情報端末110に通知を行ってもよい。
本発明の情報処理装置130の構成によって、学習済みモデルが変更された場合に、更新前の学習済みモデルで推論を行ったユーザに対して適切に通知を行うことができる。
図3は、本発明の記憶部204の構成を示す。記憶部204は、学習部202において学習された学習済みモデルと付帯情報を記憶するモデル情報記憶部300と、推論対象やアカウント情報等の推論に関する情報を記憶する推論情報記憶部302とを有する。なお、記憶部204におけるそれぞれの記憶部は単一の記憶部204として機能してもよい。
図4を用いて、モデル情報記憶部300について説明する。モデル情報記憶部300は、推論対象やタスクごとに学習済みモデルを記憶している。例えば、モデル情報記憶部300は、肺野領域から異常陰影を検出する学習済みモデル、肺癌鑑別診断を行う学習済みモデル等の複数の学習済みモデルを記憶している。ネットワーク120を介して、ユーザによって選択されたモデルを用いて推論部206が推論処理を行う。
肺野領域から異常陰影抽出を行うモデルとして、学習部202において学習された異常陰影を抽出する第一の学習済みモデル400に対してモデル情報記憶部300が第一の付帯情報410を付与し、第一の学習済みモデル400を記憶する。また、モデル情報記憶部300はさらに肺野領域から異常陰影抽出を行うモデルとして、第二の学習済みモデル402と、第二の学習済みモデルに対して第二の付帯情報を付与して記憶している。さらに肺癌鑑別を行うモデルとして、第一の学習済みモデル420と、第一の学習済みモデルに対して第一の付帯情報を付与して記憶している。付帯情報は、該モデルを識別するための情報である。付帯情報には、モデルのバージョン情報や、更新情報、推論対象や、分類対象の情報の少なくともいずれかが含まれる。付帯情報によって、学習済みモデルを特定することができる。
ここで、モデル情報記憶部300に記憶されている学習済みモデルは、モデルの管理者によって適宜更新や変更がなされ、番号が大きいほど時系列的に後に記憶された学習済みモデルを指す。また推論部206が推論を行う際に利用する学習済みモデルは、より新しい学習済みモデルである。
例えば、ユーザによって肺野領域から異常陰影を抽出するモデルが選択された場合には、モデル情報記憶部300における肺野領域から異常陰影を抽出されるモデルのうち、最新のモデルである第二の学習済みモデルが選択される。そして選択されたモデルを用いて推論部206が推論処理を実施する。
また、肺野領域の異常陰影の抽出等の同一のタスクを行う複数の学習済みモデルのそれぞれは、推論するタスク、分類対象を示すクラス、モデル構造、教師データのいずれかの少なくとも一部が共通する。例えば、肺野領域の異常陰影抽出を行う第二の学習済みモデルは、第一の学習済みモデルを転移学習やファインチューニングすることによって生成されてもよい。また第二の学習済みモデルは第一の学習済みモデルに対してさらに追加の学習処理(追加学習)が実行されたりして生成されたモデルでもよい。即ち第二の学習済みモデルは、第一の学習済みモデルに基づいて生成された学習済みモデルである。
モデル情報記憶部300から選択されたモデル情報、推論対象、該選択されたモデルによって推論された推論結果が、ユーザのアカウント情報と共に推論情報記憶部302に記憶される。なお、図4では、3つの学習済みモデルを付帯情報とともに記憶部204に記憶する形態を示したが、モデル情報記憶部300は、4つ以上の学習済みモデルを付帯情報とともに記憶することもできる。
図5を用いて推論情報記憶部302について説明をする。推論情報記憶部302は、第一のユーザの第一のアカウント情報500と、推論情報510とを対応づけて記憶している。第一のアカウント情報500に対応づいた推論情報510は、第一の推論情報として、推論対象と、該推論対象に対して推論を行った推論に用いたモデル情報と、推論結果とを記憶している。また推論情報510は第二の推論情報として、推論対象と、モデル情報、推論結果とを記憶している。また推論情報記憶部302は、第二のアカウント情報502と、推論情報512とを対応づけて記憶している。推論情報記憶部302が記憶する推論情報はアカウントごとに管理されており、また各アカウントの推論情報は、推論対象や、推論に用いたモデル情報ごとに異なる推論情報として記憶されている。なお、ユーザの情報端末110に、該推論情報記憶部302の記憶する情報の全体もしくは一部を記憶させてもよいし、該記憶する情報の容量や、情報端末110と情報処理装置130をつなぐネットワーク120の回線に依存して記憶する媒体が決定されてもよい。ユーザは情報端末110を操作することによって、情報処理装置130に対して、推論するモデルの指定や、推論処理、推論結果を参照することができる。さらにユーザが推論情報記憶部302に記憶されている情報にアクセスすることで、推論対象に対する過去の推論結果を参照することができる。また、アカウント情報は複数のユーザによるグループのアカウントとして記憶されていてもよい。
以下、図6を用いて、本実施形態における情報処理装置130の学習済みモデルが変更された際に通知を行うまでの処理フローについて説明をする。
ステップS600において、比較部208は、推論を行う学習済みモデルが変更されたか否かを判定する。推論を行う学習済みモデルが更新されていない場合には本処理を終了し、更新されている場合には、ステップS602へと進む。
ステップS602において、比較部208は、記憶部204における推論情報記憶部302に対して、該推論対象に対する更新前の第一の学習済みモデルによる推論結果が記憶されているかを判定する。推論情報記憶部302は、アカウント情報に対応づけて推論情報を記憶しており、推論情報として例えば、推論対象、推論に用いたモデル情報、推論結果を記憶している。しかしながら、推論結果のデータ保存容量が大きい場合には、推論情報の一部をユーザの情報端末110や、外部の情報処理装置に記憶しておくことがある。故に、推論情報記憶部302が記憶する推論情報に第一の学習済みモデルによる第一の推論結果が記憶されていない場合には、ステップS604へと進む。第一の学習済みモデルによる第一の推論結果が記憶されている場合には、ステップS606へと進む。
ステップS604において、比較部208は、推論情報記憶部302から推論対象と、推論に用いたモデル情報を取得し、モデル情報記憶部300から該推論に用いたモデルを取得し、モデルおよび推論対象の情報を推論部206に送信する。推論部206は、比較部208より送信されたモデル(第一の学習済みモデル)を用いて、比較部208より送信された推論対象に対して第一の推論結果を取得する。比較部208は第一の推論結果を取得すると、ステップS606へと進む。
ステップS606において、変更された学習済みモデルである第二の学習済みモデルを用いて、推論部206は推論対象に対して第二の推論を行い、第二の推論結果を取得する。比較部208は、第二の推論結果を取得するとステップS608へと進む。
ステップS608において、比較部208は、取得した第一の学習済みモデルによる第一の推論結果と、第二の学習済みモデルによる第二の推論結果とを比較する。比較部208は、第一の推論結果と、第二の推論結果との差分が所定の値以上か否かを判定し、所定の値未満である場合には処理を終了する。第一の推論結果と、第二の推論結果との差分が所定の値以上である場合には、ステップS610に進む。ここで、両推論結果の比較の方法は、モデルの出力に応じて異なる。例えば、推論を行う学習済みモデルが分類結果を出力する学習済みモデルである場合には、比較部208は、クラスの分類結果と、分類に対する尤度とを比較して差分を算出する。具体的には、推論を行った学習済みモデルが、クラスAと、クラスB、クラスCの3つに分類をするモデルであった場合には、それぞれのクラスに割り振られた尤度の差分を算出する。第一の学習済みモデルによる第一の推論結果が(0.8、0.1、0.1)で、第二の学習済みモデルによる第二の推論結果が(0.5、0.3、0.2)であった場合には、両推論結果の差分は|0.8-0.5|+|0.1-0.3|+|0.1-0.2|=0.6である。例えば所定の値として、0.5が設定されている場合には、比較部208によって差分が所定値以上であると判定されステップS610へ進む。
推論を行う学習済みモデルが、抽出結果を出力する学習済みモデルである場合には、比較部208は、クラスの分類結果と、該当する画素とを比較して差分を算出する。例えば、比較部208は同じ画素位置に対する推論結果の尤度の差分を上述のように算出し、差分の総和が所定の値以上である場合にはステップS610へ進む。
ここで所定の値は、例えばユーザや過去の統計等によって導かれる値を基に設定された閾値である。
ステップS610において、通知部210は、比較部208より送信された比較結果に基づいて通知先を決定し、決定された通知先に対して通知を行う。通知先として、ユーザが決定された場合には、通知部210は、推論情報記憶部302におけるアカウント情報を参照し、推論結果等の通知を行う。ここで、通知部210は、例えばクラス分類結果における尤度が最も高いクラスが異なる場合には、ユーザと、モデルの管理者を通知先として決定する。クラス分類結果における尤度が最も高いクラスが同一で、尤度の差分による通知はユーザを対象として行う。即ち通知部201は、比較部208による比較結果に応じて通知先を異ならせる。通知部210による通知が行われると処理を終了する。
即ち、情報処理装置130は、学習済みモデルを記憶するモデル情報記憶部300を有し、該モデル情報記憶部に記憶された学習済みモデルを用いて医用画像データに対して推論を行う情報処理装置130である。さらに情報処理装置130は第一の学習済みモデルを用いて第一の推論を行った推論対象を記憶する推論情報記憶部302と、を有する。さらに第一の学習済みモデルが第二の学習済みモデルに変更された場合に、推論対象に対して、第二の学習済みモデルを用いて第二の推論を行う推論部206と、第一の推論による第一の推論結果と、第二の推論による第二の推論結果とを比較する比較部208と、比較部208による比較結果に基づいて、ユーザに対して通知を行う通知部210と、を有することを特徴とする。
上述の実施形態において、比較部208は更新前の第一の学習済みモデルによる第一の推論結果と、更新後の第二の学習済みモデルを比較部208が比較をすることによって、通知部210は第一の学習済みモデルの出力と、第二の学習済みモデルの出力が大きく異なる場合には、ユーザに通知をする。一方で出力が大きく異ならない場合には通知部210はユーザに通知をしないことで、変更の度にユーザに通知がされることで、ユーザが確認する手間を削減することができる。即ち、情報処理装置130における通知部210は、比較部208による比較の結果に応じて、ユーザへの通知の有無を決定することを特徴とする。
よって本発明の情報処理装置130の構成とフローによって、学習済みモデルが変更された場合に、更新前の学習済みモデルで推論を行ったユーザに対して適切に通知を行うことができる。
〔第二の実施形態〕
上述の実施形態において、推論対象に対する第一の学習済みモデルの第一の推論結果と、第二の学習済みモデルの第二の推論結果とを比較することで、通知の有無と通知先を決定した。
上述の実施形態において、推論対象に対する第一の学習済みモデルの第一の推論結果と、第二の学習済みモデルの第二の推論結果とを比較することで、通知の有無と通知先を決定した。
本実施形態では、第一の学習済みモデルによる第一の推論結果を受けて、医師等が決定した診断情報を、推論情報記憶部702がさらに記憶する。そして、比較部208が、第一の学習済みモデルの第一の推論結果と、第二の学習済みモデルによる第二の推論結果とを診断情報と比較することによって、通知部210は通知の有無と通知先を決定する。以下では、上述までの実施形態との差分について説明をし、重複部分については適宜省略して説明をする。
図7には、本実施形態における推論情報記憶部702が記憶している情報について示している。推論情報記憶部702は、アカウント情報と推論情報を対応付けて記憶している。また推論情報記憶部702は、第一のアカウント情報と対応づいている推論情報710のうち、第一の推論情報には、推論結果を受けて、医師等が決定した診断情報をさらに記憶している。また、第二のアカウント情報502に対応づいている推論情報712のうち、第一の診断情報には、推論結果を受けて、医師等が決定した診断情報を記憶している。診断情報は、推論を行った学習済みモデルの推論結果によらず、医師が入力や記載することができ、本実施形態では、比較部208が診断情報と学習済みモデルの推論結果との比較を行うことによって、通知部210は、通知の有無と通知先を決定する。診断情報とは、医師等が推論結果を受けて決定した情報であり、例えば病名や、病名の位置を示す情報である。
本実施形態では、推論を行う学習済みモデルが変更された場合に、変更前の学習済みモデルである第一の学習済みモデルによる第一の推論結果と、変更後の学習済みモデルである第二の学習済みモデルによる第二の推論結果と、診断情報とを比較部208が比較する。具体的に、比較部208は、診断情報と第一の学習済みモデルによる第一の推論結果との第一の差分と、診断情報と第二の学習済みモデルによる第二の推論結果との第二の差分とを比較し、第一の差分が大きい場合には、通知部210による推論結果等の通知先をユーザを含む通知先に設定する。第二の差分が大きい場合には、通知部210による推論結果等の通知先をモデルの管理者を含む通知先に設定をする。
比較部208における比較の方法として、医師の診断情報が病名であった場合には、病名に対応するクラスの値を1として、第一の推論結果および第二の推論結果のそれぞれとの差分を算出する。
推論を行った学習済みモデルが、クラスAと、クラスB、クラスCの3つに分類をするモデルであった場合で且つ医師によってクラスAに対応する病名が入力された場合には、クラスAに対する値を1として(1.0、0.0、0.0)として、第一の推論結果および第二の推論結果との差分を算出する。実施形態1と同様に第一の学習済みモデルによる第一の推論結果が(0.5、0.3、0.2)で、第二の学習済みモデルによる第二の推論結果が(0.8、0.1、0.1)であった場合について説明する。この場合には、比較部208によって算出される診断情報と第一の推論結果との第一の差分は、|1.0-0.5|+|0.0-0.3|+|0.0-0.2|=1.0である。また比較部208によって算出される診断情報と第二の推論結果との第二の差分は、|1.0-0.8|+|0.0-0.1|+|0.0-0.1|=0.4である。比較部208による比較の結果、第一の差分が第二の差分よりも大きいので、通知部210は、推論結果等の通知先をユーザを含む通知先に決定する。
比較部208における比較の方法として、医師の診断情報が病名と該病名の位置であった場合には、病名の位置に対応する画素の該病名に対応するクラスの値を1として、第一の推論結果および第二の推論結果のそれぞれとの差分を算出する。
第一の差分が大きい場合には、第二の学習済みモデルへの変更によって、推論部202における推論対象への推論精度が向上したことを意味し、第二の差分が大きい場合には、第二の学習済みモデルへの変更によって、推論部202における推論対象への推論精度が低下したことを意味する。推論精度が向上した場合には管理者が、該推論結果を把握しなくともよいが、推論精度が低下した場合には、該推論結果をモデルの管理者に把握させることが必要となる場合がある。モデルの管理者は、推論対象と、両学習済みモデルによる推論結果等を把握することにより、第二の学習済みモデルを更新、停止、続行するかを判断することができる。
以下、図8を用いて本実施形態におけるフローを説明する。図8のステップS800において、比較部208は記憶部204における推論情報記憶部702の変更前の学習済みモデルである第一の学習済みモデルの推論結果に対する診断情報があるか否かを判定する。診断情報がない場合には、上述の実施形態のステップS608へと進む。診断情報がある場合には、ステップS802へと進む。
ステップS802では、比較部208は、各推論結果と、診断情報との差分が所定値以上であるか否かを判定する。具体的には、第一の学習済みモデルによる推論結果と、診断情報との第一の差分と、第二の学習済みモデルによる推論結果と、診断情報との第二の差分の少なくとも一方が所定の値以上であるかを判定し、所定の値以上である場合には、ステップS804へと進み、所定の値未満である場合には、処理を終了する。
ステップS804において、通知部210は、第一の差分が大きい場合には、通知先にユーザを含む通知先を設定する。一方で、第二の差分が大きい場合には、通知先にモデルの管理者を含む通知先を設定する。なお、通知先は、任意に変更や設定が可能である。本実施形態によって、推論部202における推論精度が所定値以上向上した場合には、ユーザに通知し、推論部202における推論精度が所定値以上低下した場合には、モデルの管理者へ通知することで、学習済みモデルが更新された場合に、更新前の学習済みモデルで推論を行ったユーザと、モデルの管理者に対して適切に通知を行うことができる。
(変形例1)
第一の学習済みモデルによる第一の推論結果と診断情報との第一の差分と、第二の学習済みモデルによる第二の差分とを比較部208が比較をし、第二の差分が大きくなっている場合に、通知部210により通知を受けたモデルの管理者もしくは、情報処理装置130は、第二の学習済みモデルの利用を停止することができる。
第一の学習済みモデルによる第一の推論結果と診断情報との第一の差分と、第二の学習済みモデルによる第二の差分とを比較部208が比較をし、第二の差分が大きくなっている場合に、通知部210により通知を受けたモデルの管理者もしくは、情報処理装置130は、第二の学習済みモデルの利用を停止することができる。
通知部210は、利用が停止された該第二の学習済みモデルもしくは、第一の学習済みモデルまたは第二の学習済みモデルを更新した第三の学習済みモデルが利用可能となった場合に、通知部210はユーザに対して、該モデルの利用が再開された旨を通知する。
〔第三の実施形態〕
本実施形態において、情報処理装置130はさらに医師等によって決定した診断情報と推論対象とを教師データに追加・更新する更新部900を有する。図9を用いて更新部900について説明をする。更新部900は、推論情報記憶部702に対して、診断情報が記憶された場合に、記憶部204から、推論対象と、診断情報を取得し、教師データ生成部200に送信する。教師データ生成部200は、プールされている教師データに対して、送信された推論対象と診断情報とを対にした教師データを追加し、学習部202によって、ニューラルネットワークに基づくモデルの学習を行う。なお、学習部202におけるニューラルネットワークに基づくモデルの学習の際には、該診断情報から生成された教師データに対する損失関数の計算のペナルティを小さくする。もしくはパラメータの更新率を小さくしたりするなどの処理によって、予め保有している教師データよりも、モデルに与える影響を小さくしてもよい。更新部900によって教師データが増加することにより、生成される学習済みモデルの精度が向上し、通知部210による通知の精度が向上する。
本実施形態において、情報処理装置130はさらに医師等によって決定した診断情報と推論対象とを教師データに追加・更新する更新部900を有する。図9を用いて更新部900について説明をする。更新部900は、推論情報記憶部702に対して、診断情報が記憶された場合に、記憶部204から、推論対象と、診断情報を取得し、教師データ生成部200に送信する。教師データ生成部200は、プールされている教師データに対して、送信された推論対象と診断情報とを対にした教師データを追加し、学習部202によって、ニューラルネットワークに基づくモデルの学習を行う。なお、学習部202におけるニューラルネットワークに基づくモデルの学習の際には、該診断情報から生成された教師データに対する損失関数の計算のペナルティを小さくする。もしくはパラメータの更新率を小さくしたりするなどの処理によって、予め保有している教師データよりも、モデルに与える影響を小さくしてもよい。更新部900によって教師データが増加することにより、生成される学習済みモデルの精度が向上し、通知部210による通知の精度が向上する。
〔第四の実施形態〕
上述までの実施形態においては、推論部206がユーザによって選択された学習済みモデルを用いて推論をし、記憶部204における推論情報記憶部302が、推論対象や推論に用いたモデル情報、推論結果等を記憶していた。本実施形態において、情報処理装置130は推論を行った学習済みモデルが推論対象に対して推論を行うモデルとして適切であるかを判定する判定部1010をさらに有する。また通知部210は、判定部1010によってより適切であると判定される学習済みモデルがあった場合には、該学習済みモデルの選択を推奨する通知をユーザに行う。本実施形態によって、第一の学習済みモデルを変更した第二の学習済みモデルよりも、ユーザによる推論時よりも後に追加された異なる学習済みモデルの方が推論に適する場合(即ち、推論対象を推論するモデルとして適切でないと判定された場合)に、ユーザに異なる学習済みモデルによる推論の推奨を通知できる。
上述までの実施形態においては、推論部206がユーザによって選択された学習済みモデルを用いて推論をし、記憶部204における推論情報記憶部302が、推論対象や推論に用いたモデル情報、推論結果等を記憶していた。本実施形態において、情報処理装置130は推論を行った学習済みモデルが推論対象に対して推論を行うモデルとして適切であるかを判定する判定部1010をさらに有する。また通知部210は、判定部1010によってより適切であると判定される学習済みモデルがあった場合には、該学習済みモデルの選択を推奨する通知をユーザに行う。本実施形態によって、第一の学習済みモデルを変更した第二の学習済みモデルよりも、ユーザによる推論時よりも後に追加された異なる学習済みモデルの方が推論に適する場合(即ち、推論対象を推論するモデルとして適切でないと判定された場合)に、ユーザに異なる学習済みモデルによる推論の推奨を通知できる。
図10を用いて本実施形態における情報処理装置130について説明をする。
判定部1010は、記憶部204の推論情報記憶部302における推論対象と、推論に用いたモデル情報を取得する。また判定部1010は取得したモデル情報に基づいてさらに、それぞれのモデルを学習する際に用いた教師データを取得し、該教師データに対して、モデルをクラスとした判定モデルを学習する。判定部1010は学習された判定モデルを用いて、記憶部204の推論情報記憶302から取得した推論対象に対して、推論を行う。判定部1010は、該推論の結果と該取得したモデル情報が示すモデルと合致している場合には処理を終了し、該推論の結果と該取得したモデル情報が示すモデルが異なる場合には、該推論結果を通知部210に送信する。通知部210は、判定部1010から送信された推論結果が示すモデルをユーザに推奨する通知を行う。なお、判定部1010は、新たに推論を行う推論対象が推論部206に送信された場合に、記憶部204のモデル情報記憶部300に記憶されているモデルのうち、推論に適した学習済みモデル判定し、推奨するモデルを通知部210が通知してもよい。
本実施形態により、ユーザによる推論時よりも後に追加された異なる学習済みモデルの方が推論に適すると、判定部1010によって判定された場合に、異なる学習済みモデルによる推論の推奨を通知することができる。
(変形例2)
上述までは実施形態ごとに説明を行ったが、適宜上述の実施形態や変形例が組み合わされて実施されてもよい。
上述までは実施形態ごとに説明を行ったが、適宜上述の実施形態や変形例が組み合わされて実施されてもよい。
(その他の変形例)
上記実施例の機能を実現するコンピュータプログラムを、ネットワーク又は記憶媒体(図示しない。)を介してコンピュータに供給し、当該コンピュータプログラムを実行させることができる。上述した情報処理方法をコンピュータに実行させるためのコンピュータプログラムである。つまり、コンピュータプログラムは、コンピュータで情報処理装置の機能を実現するためのプログラムである。記憶媒体は、当該コンピュータプログラムを記憶している。
上記実施例の機能を実現するコンピュータプログラムを、ネットワーク又は記憶媒体(図示しない。)を介してコンピュータに供給し、当該コンピュータプログラムを実行させることができる。上述した情報処理方法をコンピュータに実行させるためのコンピュータプログラムである。つまり、コンピュータプログラムは、コンピュータで情報処理装置の機能を実現するためのプログラムである。記憶媒体は、当該コンピュータプログラムを記憶している。
130 情報処理装置
200 教師データ生成部
202 学習部
204 記憶部
206 推論部
208 比較部
210 通知部
200 教師データ生成部
202 学習部
204 記憶部
206 推論部
208 比較部
210 通知部
Claims (18)
- 学習済みモデルを記憶するモデル情報記憶部を有し、該モデル情報記憶部に記憶された学習済みモデルを用いて医用画像データに対して推論を行う情報処理装置であって、
第一の学習済みモデルを用いて第一の推論を行った推論対象を記憶する推論情報記憶部と、
前記第一の学習済みモデルが第二の学習済みモデルに変更された場合に、前記推論対象に対して、前記第二の学習済みモデルを用いて第二の推論を行う推論部と、
前記第一の推論による第一の推論結果と前記第二の推論による第二の推論結果とを比較する比較部と、
前記比較部による比較結果に基づいてユーザに対して通知を行う通知部と、
を有することを特徴とする情報処理装置。 - 前記推論情報記憶部は、前記推論対象を、前記第一の推論を指示したユーザのアカウント情報と対応付けて記憶することを特徴とする請求項1に記載の情報処理装置。
- 前記通知部は、前記推論情報記憶部に記憶された前記アカウント情報に基づいて、前記ユーザに対して通知を行うことを特徴とする請求項2に記載の情報処理装置。
- 前記通知部は、前記比較部による比較の結果に応じてユーザへの通知の有無を決定することを特徴とする請求項1乃至3のいずれか一項に記載の情報処理装置。
- 前記第一の学習済みモデルと前記第二の学習済みモデルは、モデル構造、分類をするクラス、モデルのパラメータ、学習に用いた教師データのうち、いずれかの少なくとも一部が共通していることを特徴とする請求項1乃至4のいずれか一項に記載の情報処理装置。
- 前記第二の学習済みモデルは、前記第一の学習済みモデルに基づいて生成された学習済みモデルであることを特徴とする請求項1乃至5のいずれか一項に記載の情報処理装置。
- 前記第二の学習済みモデルは、前記第一の学習済みモデルを転移学習、ファインチューニング、追加学習の少なくとも一つの方法によって生成された学習済みモデルであることを特徴とする請求項6に記載の情報処理装置。
- 前記モデル情報記憶部は、記憶されたモデルのバージョン情報および更新情報のうち、少なくとも一方をさらに記憶することを特徴とする請求項1乃至7のいずれか一項に記載の情報処理装置。
- 該推論を行った学習済みモデルが前記推論対象を推論するモデルとして適切であるかを判定する判定部をさらに有することを特徴とする請求項1乃至8のいずれか一項に記載の情報処理装置。
- 前記判定部によって、前記推論対象を推論するモデルとして適切でないと判定された場合には、前記通知部はユーザに対して推論したモデルと異なるモデルを通知することを特徴とする請求項9に記載の情報処理装置。
- 前記比較部は、前記第一の推論結果を受けてユーザが決定した診断情報をさらに取得し、
前記第一の推論結果、前記第二の推論結果のそれぞれを前記診断情報と比較することを特徴とする請求項1乃至10のいずれか一項に記載の情報処理装置。 - 前記比較部は、前記診断情報と前記第一の推論結果との第一の差分と、前記診断情報と前記第二の推論結果との第二の差分とを比較し、
前記通知部は、前記第一の差分が前記第二の差分よりも大きい場合には通知先をユーザとすることを特徴とする請求項11に記載の情報処理装置。 - 前記比較部は、前記診断情報と前記第一の推論結果との第一の差分と、前記診断情報と前記第二の推論結果との第二の差分とを比較し、
前記通知部は、前記第二の差分が前記第一の差分よりも大きい場合には通知先を前記モデルの管理者とすることを特徴とする請求項11または12に記載の情報処理装置。 - 前記比較部は、前記第二の差分が前記第一の差分よりも大きい場合に前記第二の学習済みモデルの利用を停止することを特徴とする請求項13に記載の情報処理装置。
- 前記利用できなくなった第二の学習済みモデルもしくは、前記第一の学習済みモデルまたは該第二の学習済みモデルを更新した第三の学習済みモデルが利用可能となった場合に、通知部はユーザに通知を行うことを特徴とする請求項14に記載の情報処理装置。
- 記憶された学習済みモデルを用いて医用画像データに対して推論を行う情報処理装置であって、
推論対象に対して第一の推論を行った第一の学習済みモデルが第二の学習済みモデルに変更された場合に、前記推論対象に対して、前記第二の学習済みモデルを用いて第二の推論を行う推論ステップと、
前記第一の推論による第一の推論結果と、前記第二の推論による第二の推論結果とを比較する比較ステップと、
前記比較ステップによる比較結果に基づいて、ユーザに対して通知を行う通知ステップと、を有することを特徴とする情報処理方法。 - 請求項16に記載の情報処理方法をコンピュータに実行させるためのプログラム。
- 学習済みモデルを記憶するモデル情報記憶部を有し、該モデル情報記憶部に記憶された学習済みモデルを用いて医用画像データに対して推論を行う情報処理装置と、該情報処理装置とネットワークを介して通信可能な情報端末とを備える情報処理システムであって、
前記情報処理装置は、
第一の学習済みモデルを用いて第一の推論を行った推論対象を記憶する推論情報記憶部と、
前記第一の学習済みモデルが第二の学習済みモデルに変更された場合に、前記推論対象に対して、前記第二の学習済みモデルを用いて第二の推論を行う推論部と、
前記第一の推論による第一の推論結果と前記第二の推論による第二の推論結果とを比較する比較部と、
前記比較部による比較結果に基づいて、前記情報端末に対して通知を行う通知部と、
を有することを特徴とする情報処理システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020169031A JP2022061191A (ja) | 2020-10-06 | 2020-10-06 | 情報処理装置、情報処理方法、プログラム及び情報処理システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020169031A JP2022061191A (ja) | 2020-10-06 | 2020-10-06 | 情報処理装置、情報処理方法、プログラム及び情報処理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022061191A true JP2022061191A (ja) | 2022-04-18 |
Family
ID=81206622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020169031A Pending JP2022061191A (ja) | 2020-10-06 | 2020-10-06 | 情報処理装置、情報処理方法、プログラム及び情報処理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022061191A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023228722A1 (ja) * | 2022-05-27 | 2023-11-30 | 日立Astemo株式会社 | 画像認識システム |
-
2020
- 2020-10-06 JP JP2020169031A patent/JP2022061191A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023228722A1 (ja) * | 2022-05-27 | 2023-11-30 | 日立Astemo株式会社 | 画像認識システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288550B2 (en) | Data processing apparatus and method, recognition apparatus, learning data storage apparatus, machine learning apparatus, and program | |
EP3982292B1 (en) | Method for training image recognition model, and method and apparatus for image recognition | |
US11850021B2 (en) | Dynamic self-learning medical image method and system | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
US20220254023A1 (en) | System and Method for Interpretation of Multiple Medical Images Using Deep Learning | |
CN109074869B (zh) | 医疗诊断支持装置、信息处理方法以及医疗诊断支持*** | |
US20190130565A1 (en) | Method of processing medical image, and medical image processing apparatus performing the method | |
JP2021002338A (ja) | 画像セグメンテーション及び識別のための方法及びシステム | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
WO2021153648A1 (ja) | 記憶媒体、診断支援装置及び診断支援方法 | |
JP2020021228A (ja) | 情報処理装置、情報処理方法およびプログラム | |
Wollek et al. | Attention-based saliency maps improve interpretability of pneumothorax classification | |
Pujitha et al. | Solution to overcome the sparsity issue of annotated data in medical domain | |
Luo et al. | Rethinking annotation granularity for overcoming shortcuts in deep learning–based radiograph diagnosis: A multicenter study | |
KR102356348B1 (ko) | 흉부 엑스-레이 영상에서 폐 영역 분할 시스템 및 방법 | |
US11967424B2 (en) | Information processing apparatus, information processing method, and recording medium | |
JP2022061191A (ja) | 情報処理装置、情報処理方法、プログラム及び情報処理システム | |
US11995834B2 (en) | Method and system for the automated determination of examination results in an image sequence | |
CN111436212A (zh) | 用于医学成像评估的深度学习的应用 | |
EP4080449A1 (en) | Medical image quality assessment | |
JP7387457B2 (ja) | 医用画像処理装置、プログラム、および医用画像処理システム | |
US20230033263A1 (en) | Information processing system, information processing method, information terminal, and non-transitory computer-readable medium | |
JP2022069738A (ja) | 情報処理システム、情報端末、情報処理方法及びプログラム | |
JP2022061192A (ja) | 情報処理システム、情報処理装置、情報処理方法及びプログラム | |
Rao et al. | OCTAI: Smartphone-based Optical Coherence Tomography Image Analysis System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230927 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20231213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240625 |