JP6976360B2 - データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム - Google Patents
データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム Download PDFInfo
- Publication number
- JP6976360B2 JP6976360B2 JP2019568932A JP2019568932A JP6976360B2 JP 6976360 B2 JP6976360 B2 JP 6976360B2 JP 2019568932 A JP2019568932 A JP 2019568932A JP 2019568932 A JP2019568932 A JP 2019568932A JP 6976360 B2 JP6976360 B2 JP 6976360B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- recognition
- learning
- unit
- recognition result
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
- G06F18/41—Interactive pattern learning with a human teacher
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
- G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Description
機械学習を用いた画像認識は、ユーザが与えた教師信号と同じ認識結果を導出するよう、認識器のパラメータを繰り返し修正させる、「教師あり学習」によって実現される。
yi = f(w,xi)
である。ここでwは認識器が持つパラメータである。なお、wとxは、それぞれベクトルである。教師あり学習の場合、i番目の入力画像に対して与えられた教師信号tiと認識結果信号yiとの誤差Ei(w,xi)を計算し、学習に用いるn枚の画像に対して和をとったE(w)を定義する。
しかし、レアケースのデータをこの認識器に入力した場合、正しい認識がされない可能性がある。なぜなら、レアケースのデータは学習データ中で相対的に数が少なく、学習が不十分な場合が多いからである。認識器において「認識誤り」が発生するケースのデータは、レアケースのデータに相当する。「認識誤り」は「推論誤り」或いは「誤判定」と言い換えてもよい。
本発明の実施形態に係る画像システムは、認識器を用いた認識結果に誤りが発生したケースのデータに正しい正解ラベルを付与して、レアケースの学習データとして自動的に収集する。また、本実施形態に係る画像システムは、収集したレアケースの学習データを用いて認識器の追加学習を行う際に、レアケース以外の(通常の)学習データに比べて、レアケースの学習データを相対的に重視し、レアケース以外の学習データからの学習への寄与の度合いに比べて、レアケースの学習データからの学習への寄与の度合いを大きくして、認識器の学習を行う。
図1は、第1実施形態に係る画像システムの機能を示すブロック図である。画像システム10は、医療画像を扱うデータ処理システムであり、画像取得部12と、画像認識部14と、認識結果修正部16と、学習画像保存部20と、機械学習部22と、を備える。また、画像システム10は、ユーザインターフェースとしての表示装置17及び入力装置18を備える。
ミニバッチは、用意された学習用データ群(学習データセット)の部分集合であり、用意された学習用データ群の全体の中から選ばれた複数の学習サンプルで構成される学習用データ群である。ミニバッチ学習は、ミニバッチに含まれる全ての学習サンプルを用いて各学習サンプルについて出力信号と正解(教師信号)との誤差を評価し、これらの誤差の評価結果を利用して、ミニバッチ単位で認識器のパラメータをまとめて更新する手法である。
図3は、第1実施形態に係る画像システムの動作を示すフローチャートである。ステップS12において、画像取得部12は、処理の対象とする画像を取得する。ステップS12は「データ取得ステップ」の一例である。
図4は、機械学習部が実施する機械学習方法の一例を示すフローチャートである。ステップS32において、機械学習部22は、学習画像保存部20から学習データを取得する。
なお、ステップS38の演算は、ステップS40とステップS42の間で実施してもよい。例えば、ミニバッチ単位でまとめて誤差を評価する評価関数の中でステップS38に相当する演算が実施されてもよい。
第1実施形態では、誤差重み係数aiに関して、「修正無し」の場合はai=1.0、「修正有り」の場合はai=2.0の2種類を用いる例を示したが、誤差重み係数aiの具体的数値はこの例に限らない。また、誤差重み係数aiは、3種類以上の多段階に設定してもよい。例えば、誤差重み係数aiは、誤判定リスクの重大性、症例の希少度、若しくは、病変の深刻度、又はこれらの組み合わせに応じて、3種類以上の多段階に可変設定してよい。
医療画像診断の現場においては、同じ陽性の病変であっても、その深刻度が異なる。すなわち、深刻度の高い病変の認識精度はより高くする必要がある。
第3実施形態で説明した「深刻度」に代えて、症例の「希少度」を用いてもよい。図9は、第4実施形態に係る画像システムの機能を示すブロック図である。図9において、図7で説明した構成と同一又は類似する要素には同一の符号を付し、重複する説明は省略する。第3実施形態との相違点を説明する。図9に示す第4実施形態に係る画像システム104は、第3実施形態に係る画像システム103の深刻度設定部36と変換テーブル記憶部38に代えて、希少度設定部40と変換テーブル記憶部42を備えている。
機械学習によって認識器の認識能力を高めていく場合、基本的には学習用画像として保存されている画像全てを学習に使用する。このように、学習用画像全てを用いて認識器のパラメータ等を更新し、認識精度を高めようとする一連の処理を、「1エポック」という単位で扱う。学習方法が深層学習の場合などは、1エポックで目標の性能が得られることは稀であり、数エポック繰り返すことが多い。この1エポックで行う認識器の更新は、基本的に全ての画像を1度ずつ利用して更新を行う。これは、各データからの認識性能への寄与が平等になるようにするためである。
第1実施形態から第5実施形態の各実施形態として説明した画像システムの構築例1としては、画像取得部12、画像認識部14、認識結果修正部16、学習画像保存部20、及び機械学習部22の全てを、病院等の施設に設置することが考えられる。この場合、例えば、ユーザである医師が、画像認識部14の認識結果を修正し、その結果を基に、学習画像保存部20に修正結果とその画像(誤判定画像)が保存される。機械学習部22は、学習画像保存部20に保存されている画像を用いて画像認識部14の認識器の更新を行う。
本発明の実施形態に係る画像システムの他の構築例2として、画像取得部12、画像認識部14、認識結果修正部16、及び学習画像保存部20を、病院等の施設に設置し、機械学習部22を遠隔地の施設に設置することが考えられる。
また、第1実施形態から第5実施形態の各実施形態として説明した画像システムの他の構築例3として、画像取得部12、画像認識部14、認識結果修正部16を、病院等の施設に設置し、学習画像保存部20と機械学習部22を遠隔地の施設に設置することが考えられる。
図12は、画像認識部14に用いられる認識器の構成例を示す概念図である。ここでは、階層型ニューラルネットワークである畳み込みニューラルネットワークを用いた認識器を例示する。ニューラルネットワークとは、脳神経系の仕組みを模擬した情報処理の数理モデルである。ニューラルネットワークを用いた処理は、コンピュータを用いて実現することができる。
図13は、機械学習部22の機能を示すブロック図である。機械学習部22は、学習データ取得部140と、学習用認識器142と、出力取得部144と、誤差算出部146と、パラメータ更新量算出部148と、パラメータ更新処理部150と、パラメータ決定部152と、学習済みパラメータ出力部154と、を含む。機械学習部22には、図示せぬ表示装置及び入力装置が接続されていてもよい。
図14は、表示装置17に表示される内視鏡診断支援画面の一例である。図14に例示したウインドウ300は、画像表示エリア301と、認識結果表示エリア310と、を含む。例えば、画像表示エリア301には、電子内視鏡を用いて撮影された内視鏡画像302がリアルタイムで表示される。図14では、内視鏡画像302の画像内に、病変領域303が含まれている例が示されている。なお、1枚の画像内に複数の病変領域が含まれる場合がある。認識結果表示エリア310には、例えば、認識結果として「癌性」であるか、「非癌性」であるかを示す情報が表示される。
図15は、学習画像保存部20に保存された学習データの集合体の例を示す概念図である。学習画像保存部20には、第1の学習に用いた第1の学習データセットと、認識結果の修正に伴って生成されたレアケースの学習データセットとが保存される。学習画像保存部20において、第1の学習データセットと、レアケースの学習データセットをグループ分けして管理する構成が好ましい。なお、レアケースの学習データセットを、「第2の学習データセット」と呼んでもよい。
第1実施形態から第8実施形態の各実施形態で説明した画像取得部12、画像認識部14、認識結果修正部16、機械学習部22、寄与度合い設定部32、深刻度設定部36、希少度設定部40などの各種の処理を実行する処理部(processing unit)のハードウェア的な構造は、次に示すような各種のプロセッサ(processor)である。
図16は、本発明の実施形態に係る画像システムの機能の一部又は全部を実現する装置として用いることができるコンピュータのハードウェア構成の例を示すブロック図である。コンピュータには、デスクトップ型、ノート型、又はタブレット型など、各種形態のコンピュータが含まれる。また、コンピュータは、サーバコンピュータであってもよいし、マイクロコンピュータであってもよい。
上述の実施形態で説明した学習データの生成機能、認識モデルを用いた認識機能、及び学習機能のうち少なくとも1つの処理機能をコンピュータに実現させるプログラムを光ディスク、磁気ディスク、若しくは、半導体メモリその他の有体物たる非一時的な情報記憶媒体であるコンピュータ可読媒体に記録し、この情報記憶媒体を通じてプログラムを提供することが可能である。またこのような有体物たる非一時的な情報記憶媒体にプログラムを記憶させて提供する態様に代えて、インターネットなどの電気通信回線を利用してプログラム信号をダウンロードサービスとして提供することも可能である。
上述した本発明の実施形態によれば、次のような作用効果が得られる。
画像取得部12を介して取得される画像は、電子内視鏡などからリアルタイムで得られる医療画像に限らず、図示せぬ画像保存サーバなどに保存されている静止画、又は動画のデータであってもよい。
上述の実施形態では、医療画像を扱う画像システムを例示したが、本発明は、医療画像に限らず、様々な用途又は画像種類の画像を扱う画像システムに適用することができる。また、本発明は、画像認識に限らず、音声認識、或いは言語認識などの処理を行うシステムについても同様に適用可能である。
図1で説明した画像システム10の機能の一部又は全部は、診察、治療、診断などの支援を行うワークステーションに搭載されてもよいし、医療業務を支援する業務支援装置に搭載されてもよい。業務支援装置は、臨床情報の蓄積、診断書類の作成支援、レポート作成支援などを行う機能を備えていてよい。
上述した各実施形態で説明した構成要素、及び変形例で説明した構成要素は、適宜組み合わせて用いることができ、また、一部の構成要素を置き換えることもできる。
以上説明した本発明の実施形態は、本発明の趣旨を逸脱しない範囲で、適宜構成要件を変更、追加、又は削除することが可能である。本発明は以上説明した実施形態に限定されるものではなく、本発明の技術的思想内で同等関連分野の通常の知識を有する者により、多くの変形が可能である。
12 画像取得部
14 画像認識部
16 認識結果修正部
17 表示装置
18 入力装置
20 学習画像保存部
22 機械学習部
32 寄与度合い設定部
34 重みテーブル記憶部
36 深刻度設定部
38 変換テーブル記憶部
40 希少度設定部
42 変換テーブル記憶部
50 クラウド
80 認識器
81 ニューラルネットワーク
82 入力層
84 中間層
86 出力層
102、103、104 画像システム
111、121 エッジ
140 学習データ取得部
142 学習用認識器
144 出力取得部
146 誤差算出部
148 パラメータ更新量算出部
150 パラメータ更新処理部
152 パラメータ決定部
154 パラメータ出力部
300 ウインドウ
301 画像表示エリア
302 内視鏡画像
303 病変領域
310 認識結果表示エリア
321、322 修正指示入力ボタン
323 深刻度入力ボックス
323A ドロップダウンアロー
324 OKボタン
326 キャンセルボタン
500 コンピュータ
502 CPU
504 メモリ
506 GPU
508 記憶装置
510 入力インターフェース部
512 通信インターフェース部
514 表示制御部
516 周辺機器用インターフェース部
518 バス
520 入力装置
530 表示装置
S12〜S24 認識処理及び学習データ生成処理のステップ
S32〜S44 学習処理のステップ
Claims (25)
- 処理の対象とするデータを取得するデータ取得部と、
学習データセットを用いて学習させた認識部であって、前記データ取得部を介して取得された前記データの入力を受けて、前記データに対する認識結果を出力する認識部と、
前記認識部の前記認識結果をユーザからの指示に従って修正する認識結果修正部と、
前記認識結果修正部によって前記認識結果が修正された前記データを用いて、前記認識部の学習を行う機械学習部と、
を備え、
前記機械学習部は、前記学習データセットに含まれる学習データからの前記認識部の学習に対する寄与の度合いに比べて、前記認識結果が修正された前記データからの学習への寄与の度合いを大きくして、前記認識部の学習を行うデータ処理装置。 - 前記データ取得部が取得する前記データは画像であり、
前記認識部が画像認識のタスクを行う画像認識部である画像処理装置として用いられる請求項1に記載のデータ処理装置。 - 前記画像は医療画像である請求項2に記載のデータ処理装置。
- 前記認識部及び前記機械学習部の各々は、畳み込みニューラルネットワークを用いて構成される請求項1から3のいずれか一項に記載のデータ処理装置。
- 前記認識結果修正部によって前記認識結果が修正された前記データと、前記データに対応する教師信号とを含む学習データを保存する学習データ保存部を備える請求項1から4のいずれか一項に記載のデータ処理装置。
- 前記学習データ保存部に保存される前記学習データには、学習に用いる際の前記寄与の度合いを示す寄与度情報が付与される請求項5に記載のデータ処理装置。
- 前記学習データ保存部には、前記認識部の学習に使用した前記学習データセットが保存される請求項5又は6に記載のデータ処理装置。
- 前記機械学習部は、前記認識部の認識結果を示す認識結果信号と教師信号との誤差を評価して、前記誤差に基づいて前記認識部のパラメータを更新する請求項1から7のいずれか一項に記載のデータ処理装置。
- 前記寄与の度合いは、前記誤差に乗じる誤差重み係数で表される請求項8に記載のデータ処理装置。
- 前記寄与の度合いは、前記学習データを学習に使用する回数で表される請求項1から8のいずれか一項に記載のデータ処理装置。
- 前記認識結果修正部によって前記認識結果が修正された前記データについて学習に用いる際の前記寄与の度合いを設定する寄与度合い設定部を備える請求項1から10のいずれか一項に記載のデータ処理装置。
- 前記寄与度合い設定部は、前記ユーザからの指示に基づく前記認識結果修正部による修正結果のカテゴリに応じて、前記寄与の度合いを設定する請求項11に記載のデータ処理装置。
- 前記寄与度合い設定部は、前記ユーザからの入力に応じて前記寄与の度合いを可変設定する請求項11に記載のデータ処理装置。
- 前記認識結果修正部は、前記認識結果を修正した前記データの深刻度及び希少度のうち少なくとも一方を示す情報の入力を受け付け、
前記寄与度合い設定部は、前記認識結果修正部を介して入力された前記深刻度及び前記希少度のうち少なくとも一方に応じて前記寄与の度合いを段階的に設定する請求項13に記載のデータ処理装置。 - 処理の対象とするデータを取得するデータ取得部と、
学習データセットを用いて学習させた認識部であって、前記データ取得部を介して取得された前記データの入力を受けて、前記データに対する認識結果を出力する認識部と、
前記認識部の前記認識結果をユーザからの指示に従って修正する認識結果修正部と、
を備え、
前記認識結果修正部は、前記認識結果を修正した前記データと、前記データに対応する教師信号とを含む追加学習用の学習データを生成し、かつ、前記認識結果を修正した前記データに対して、前記認識結果を修正したことを示す修正情報を生成する認識装置であって、
前記認識部は、前記生成された前記学習データを用いて機械学習が行われることによって生成された学習済みパラメータが適用される認識モデルを含み、
前記機械学習において、前記学習データセットに含まれる学習データからの前記認識モデルの学習に対する寄与の度合いに比べて、前記認識結果が修正された前記データからの学習への寄与の度合いを大きくして、前記認識モデルの学習が行われる、
認識装置。 - 前記認識結果修正部は、前記認識結果を修正した前記データを学習に用いる際の前記認識部の学習に対する寄与の度合いを示す寄与度情報を生成する請求項15に記載の認識装置。
- 前記認識結果修正部によって生成された前記学習データ及び前記修正情報を保存する学習データ保存部を含む請求項15又は16に記載の認識装置。
- 請求項15又は16に記載の認識装置によって生成された前記学習データ及び前記修正情報が保存された学習データ保存装置。
- 前記認識結果を修正した前記データと、
前記認識結果を修正した前記データに対応する前記教師信号と、
前記認識結果を修正した前記データを学習に用いる際の前記認識部の学習に対する寄与の度合いを示す寄与度情報と、
を含むデータ構造を有する前記学習データの集合体が記憶されている請求項18に記載の学習データ保存装置。 - 前記データ構造は、さらに、病変の深刻度、及び、症例の希少度のうち少なくとも一方の情報を含む請求項19に記載の学習データ保存装置。
- 処理の対象とするデータを取得するデータ取得部と、
学習データセットを用いて学習させた認識部であって、前記データ取得部を介して取得された前記データの入力を受けて、前記データに対する認識結果を出力する認識部と、
前記認識部の前記認識結果をユーザからの指示に従って修正する認識結果修正部と、
を備え、
前記認識結果修正部は、前記認識結果を修正した前記データと、前記データに対応する教師信号とを含む追加学習用の学習データを生成し、かつ、前記認識結果を修正した前記データに対して、前記認識結果を修正したことを示す修正情報を生成する認識装置によって生成された前記学習データを用いて、認識モデルのパラメータを生成する機械学習装置であって、
前記機械学習装置は、前記学習データセットに含まれる学習データからの前記認識モデルの学習に対する寄与の度合いに比べて、前記認識結果が修正された前記データからの学習への寄与の度合いを大きくして、前記認識モデルの学習を行う機械学習装置。 - データ処理装置が実行するデータ処理方法であって、
処理の対象とするデータを取得するデータ取得ステップと、
学習データセットを用いて学習させた認識モデルを用いる認識ステップであって、前記データ取得ステップにより取得された前記データの入力を受けて、前記データに対する認識結果を出力する認識ステップと、
前記認識ステップの前記認識結果をユーザからの指示に従って修正する認識結果修正ステップと、
前記認識結果修正ステップによって前記認識結果が修正された前記データを用いて、前記認識モデルの学習を行う機械学習ステップと、
を含み、
前記機械学習ステップは、前記学習データセットに含まれる学習データからの前記認識モデルの学習に対する寄与の度合いに比べて、前記認識結果が修正された前記データからの学習への寄与の度合いを大きくして、前記認識モデルの学習を行うデータ処理方法。 - コンピュータに、
処理の対象とするデータを取得するデータ取得ステップと、
学習データセットを用いて学習させた認識モデルを用いる認識ステップであって、前記データ取得ステップにより取得された前記データの入力を受けて、前記データに対する認識結果を出力する認識ステップと、
前記認識ステップの前記認識結果をユーザからの指示に従って修正する認識結果修正ステップと、
前記認識結果修正ステップによって前記認識結果が修正された前記データを用いて、前記認識モデルの学習を行う機械学習ステップと、
を実行させるプログラムであって、
前記機械学習ステップは、前記学習データセットに含まれる学習データからの前記認識モデルの学習に対する寄与の度合いに比べて、前記認識結果が修正された前記データからの学習への寄与の度合いを大きくして、前記認識モデルの学習を行うプログラム。 - 非一時的かつコンピュータ読取可能な記録媒体であって、前記記録媒体に格納された指令がコンピュータによって読み取られた場合に、
処理の対象とするデータを取得するデータ取得ステップと、
学習データセットを用いて学習させた認識モデルを用いる認識ステップであって、前記データ取得ステップにより取得された前記データの入力を受けて、前記データに対する認識結果を出力する認識ステップと、
前記認識ステップの前記認識結果をユーザからの指示に従って修正する認識結果修正ステップと、
前記認識結果修正ステップによって前記認識結果が修正された前記データを用いて、前記認識モデルの学習を行う機械学習ステップと、
をコンピュータに実行させ、
前記機械学習ステップは、前記学習データセットに含まれる学習データからの前記認識モデルの学習に対する寄与の度合いに比べて、前記認識結果が修正された前記データからの学習への寄与の度合いを大きくして、前記認識モデルの学習を行う、
記録媒体。 - 請求項15に記載の認識装置であって、
前記機械学習を実行する機械学習装置から前記学習済みパラメータを受信する通信インターフェース部を備え、
前記受信した前記学習済みパラメータによって前記認識モデルが更新される、
認識装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018013764 | 2018-01-30 | ||
JP2018013764 | 2018-01-30 | ||
PCT/JP2018/046747 WO2019150813A1 (ja) | 2018-01-30 | 2018-12-19 | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019150813A1 JPWO2019150813A1 (ja) | 2021-01-28 |
JP6976360B2 true JP6976360B2 (ja) | 2021-12-08 |
Family
ID=67479721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019568932A Active JP6976360B2 (ja) | 2018-01-30 | 2018-12-19 | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11288550B2 (ja) |
JP (1) | JP6976360B2 (ja) |
WO (1) | WO2019150813A1 (ja) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10594991B1 (en) | 2018-01-09 | 2020-03-17 | Wm Intellectual Property Holdings, Llc | System and method for managing service and non-service related activities associated with a waste collection, disposal and/or recycling vehicle |
JP7273470B2 (ja) * | 2018-08-14 | 2023-05-15 | キヤノン株式会社 | 医用情報処理装置及び医用情報処理方法、プログラム |
WO2020054032A1 (ja) * | 2018-09-13 | 2020-03-19 | オリンパス株式会社 | 内視鏡画像処理装置、内視鏡画像処理方法及びプログラム |
JP7162550B2 (ja) * | 2019-02-15 | 2022-10-28 | オムロン株式会社 | モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム |
KR102200809B1 (ko) * | 2019-04-01 | 2021-01-12 | 주식회사 엘렉시 | 학습기반 데이터 처리 시스템 및 모델 갱신 방법 |
EP4023143A4 (en) * | 2019-08-30 | 2023-08-30 | Canon Kabushiki Kaisha | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM AND PROGRAM |
WO2021060899A1 (ko) * | 2019-09-26 | 2021-04-01 | 주식회사 루닛 | 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치 |
CN110837869A (zh) * | 2019-11-11 | 2020-02-25 | 深圳市商汤科技有限公司 | 图像分类模型训练方法、图像处理方法及装置 |
JP7472471B2 (ja) | 2019-11-14 | 2024-04-23 | オムロン株式会社 | 推定システム、推定装置および推定方法 |
JP7510760B2 (ja) | 2020-01-15 | 2024-07-04 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置及び医用情報処理システム |
JP7357551B2 (ja) * | 2020-01-17 | 2023-10-06 | 株式会社日立ソリューションズ・クリエイト | 画像判定システム |
US20230196192A1 (en) * | 2020-08-11 | 2023-06-22 | Mitsubishi Electric Corporation | Learning system, learning method, and recording medium |
CN112541447B (zh) * | 2020-12-18 | 2024-06-14 | 深圳地平线机器人科技有限公司 | 机器模型的更新方法、装置、介质及设备 |
JP7143906B2 (ja) * | 2021-01-15 | 2022-09-29 | 沖電気工業株式会社 | 情報処理装置、情報処理方法およびプログラム |
US11373536B1 (en) | 2021-03-09 | 2022-06-28 | Wm Intellectual Property Holdings, L.L.C. | System and method for customer and/or container discovery based on GPS drive path and parcel data analysis for a waste / recycling service vehicle |
FR3124880A1 (fr) * | 2021-07-01 | 2023-01-06 | Artéka | Dispositif portable d’analyse d’un flux vidéo |
EP4383148A1 (en) * | 2021-08-06 | 2024-06-12 | Fujitsu Limited | Evaluation program, evaluation method, and accuracy evaluation device |
JP2023098304A (ja) * | 2021-12-28 | 2023-07-10 | 川崎重工業株式会社 | 教師データ生成装置および教師データ生成プログラム |
WO2023145089A1 (ja) * | 2022-01-31 | 2023-08-03 | 株式会社Abeja | 人工知能システム及び人工知能の動作方法を実施するコンピュータシステム、並びにコンピュータプログラム記録媒体 |
WO2024008388A1 (en) * | 2022-07-06 | 2024-01-11 | Koninklijke Philips N.V. | Federated learning with hard examples |
WO2024122476A1 (ja) * | 2022-12-06 | 2024-06-13 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN117912698B (zh) * | 2024-03-18 | 2024-05-17 | 简阳市人民医院 | 一种针对扁桃体术后患者的健康监控方法和*** |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5953384B2 (ja) | 1981-07-21 | 1984-12-25 | 衣子 山下 | 手編物の立体花モチ−フ編上げ方法 |
JPH03102477A (ja) | 1989-06-26 | 1991-04-26 | Fuji Photo Film Co Ltd | 放射線画像処理装置 |
JPH0490076A (ja) | 1990-08-03 | 1992-03-24 | Hitachi Ltd | 医用画像特徴抽出方法 |
JP4517537B2 (ja) * | 2001-05-22 | 2010-08-04 | 国立大学法人北海道大学 | 個人適応型生体信号被動機器制御システム及びその制御方法 |
US7301572B2 (en) * | 2002-03-08 | 2007-11-27 | Canon Kabushiki Kaisha | Pixel correction processing apparatus, image processing apparatus, pixel correction processing method, program, and storage medium |
JP4305079B2 (ja) * | 2003-07-30 | 2009-07-29 | セイコーエプソン株式会社 | 画像管理装置 |
JP4586420B2 (ja) | 2004-05-28 | 2010-11-24 | Kddi株式会社 | 多層ニューラルネットワーク学習装置及びソフトウェア |
JP6231944B2 (ja) * | 2014-06-04 | 2017-11-15 | 日本電信電話株式会社 | 学習モデル作成装置、判定システムおよび学習モデル作成方法 |
JP6195542B2 (ja) | 2014-06-20 | 2017-09-13 | ヤフー株式会社 | 学習装置、学習方法及び学習プログラム |
JP5953384B1 (ja) * | 2015-02-04 | 2016-07-20 | エヌ・ティ・ティ・コムウェア株式会社 | 学習装置、学習方法、およびプログラム |
JP6494416B2 (ja) * | 2015-05-19 | 2019-04-03 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法および画像処理プログラム |
JP6623851B2 (ja) | 2016-03-08 | 2019-12-25 | 富士通株式会社 | 学習方法、情報処理装置および学習プログラム |
JP6983800B2 (ja) * | 2016-03-15 | 2021-12-17 | イムラ ウーロプ ソシエテ・パ・アクシオンス・シンプリフィエ | ニューラルネットワークにおける強化学習によるユニーク/希少なケースの分類のための方法 |
-
2018
- 2018-12-19 JP JP2019568932A patent/JP6976360B2/ja active Active
- 2018-12-19 WO PCT/JP2018/046747 patent/WO2019150813A1/ja active Application Filing
-
2020
- 2020-07-13 US US16/927,987 patent/US11288550B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JPWO2019150813A1 (ja) | 2021-01-28 |
WO2019150813A1 (ja) | 2019-08-08 |
US11288550B2 (en) | 2022-03-29 |
US20200342267A1 (en) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6976360B2 (ja) | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム | |
JP7051849B2 (ja) | ディープラーニング医療システムおよび医療処置のための方法 | |
JP7309605B2 (ja) | ディープラーニング医療システムおよび画像収集のための方法 | |
US10347010B2 (en) | Anomaly detection in volumetric images using sequential convolutional and recurrent neural networks | |
US11003988B2 (en) | Hardware system design improvement using deep learning algorithms | |
US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
US11205516B2 (en) | Machine learning systems and methods for assessing medical interventions for utilization review | |
Gao et al. | Chest X-ray image analysis and classification for COVID-19 pneumonia detection using Deep CNN | |
CN115719328A (zh) | 用于量化医学图像评估的不确定性的方法、***和装置 | |
Shao et al. | A two stage method for abnormality diagnosis of musculoskeletal radiographs | |
Angelica et al. | Impact of computer vision with deep learning approach in medical imaging diagnosis | |
Alam et al. | CNN based COVID-19 prediction from chest X-ray images | |
WO2020099941A1 (en) | Application of deep learning for medical imaging evaluation | |
CN115440371A (zh) | 一种胸部疾病诊断模型及其创建方法和装置 | |
Mahdy et al. | Automatic COVID-19 lung images classification system based on convolution neural network | |
Ogungbe et al. | Design and Implementation of Diagnosis System for Cardiomegaly from Clinical Chest X-ray Reports | |
Ismail et al. | Genetic-efficient fine-tuning with layer pruning on multimodal Covid-19 medical imaging | |
EP4379672A1 (en) | Methods and systems for classifying a medical image dataset | |
Vetrithangam et al. | prediction of pneumonia disease from x-ray images using a modified resnet152v2 deep learning model | |
Madhusoodanan et al. | The Role of Imaging Techniques in the Diagnosis and Management of Respiratory Problems | |
Nahimana | Detection of pneumonia by chest x-ray using machine learning techniques. | |
Archana et al. | Automated Classification of Chest Image Using Deep Learning | |
Pranavi et al. | Lung Disease Detection using Deep Learning | |
Keshamoni et al. | Revolutionizing COVID-19 Patient Identification: Multi-modal Data Analysis with Emphasis on CNN Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200722 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200722 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210426 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210623 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210806 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210928 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211026 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211109 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6976360 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |