JP7378063B2 - 温度推定装置及び温度推定方法 - Google Patents
温度推定装置及び温度推定方法 Download PDFInfo
- Publication number
- JP7378063B2 JP7378063B2 JP2019194514A JP2019194514A JP7378063B2 JP 7378063 B2 JP7378063 B2 JP 7378063B2 JP 2019194514 A JP2019194514 A JP 2019194514A JP 2019194514 A JP2019194514 A JP 2019194514A JP 7378063 B2 JP7378063 B2 JP 7378063B2
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- sample
- function
- value
- neural network
- 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
- 238000000034 method Methods 0.000 title claims description 28
- 230000006870 function Effects 0.000 claims description 56
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 230000003287 optical effect Effects 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 29
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 5
- 230000001678 irradiating effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 230000003902 lesion Effects 0.000 description 35
- 239000013307 optical fiber Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000013532 laser treatment Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000010365 information processing Effects 0.000 description 7
- 230000017531 blood circulation Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004925 denaturation Methods 0.000 description 2
- 230000036425 denaturation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002647 laser therapy Methods 0.000 description 2
- 238000013103 analytical ultracentrifugation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Landscapes
- Measuring Temperature Or Quantity Of Heat (AREA)
Description
学的特性値として、前記試料の反射光スペクトルの曲線下面積を採用しても良い。
前記試料の温度を出力するための出力ユニット、及び、前記測定部により測定される前記特性値が入力される複数の入力ユニットを含む学習済みのニューラルネットワークを用いて、前記試料の温度を推定する温度推定部と、
を備え、
前記ニューラルネットワークの学習に際して、
前記出力ユニットは、測定対象の温度範囲における前記試料の温度に相当する、特定関数の値を出力し、
出力された前記特定関数の値のうち、学習対象の温度に相当する値に1なるラベルを付与するとともに、それ以外の値に0なるラベルを付与し、
前記出力ユニットにより出力された特定関数の値と、前記ラベルの値とに基づく、交差エントロピー誤差が小さくなるように、前記ニューラルネットワークにおける結合係数を更新する繰り返し演算を実行する、温度推定装置であってもよい。
射光から得られる特性値を測定する測定ステップと、
前記試料の温度を出力するための出力ユニット、及び、前記測定部により測定される前記特性値が入力される複数の入力ユニットを含む学習済みのニューラルネットワークを用いて、前記試料の温度を推定する温度推定ステップと、
を含む、温度推定方法であって、
前記ニューラルネットワークの学習に際して、
前記出力ユニットは、測定対象の温度範囲における前記試料の温度に相当する、特定関数の値を出力し、
出力された前記特定関数の値のうち、学習対象の温度に相当する値に1なるラベルを付与するとともに、それ以外の値に0なるラベルを付与し、
前記出力ユニットにより出力された特定関数の値と、前記ラベルの値とに基づく、交差エントロピー誤差が小さくなるように、前記ニューラルネットワークにおける結合係数を更新する繰り返し演算を実行する、温度推定方法であってもよい。これによれば、試料の温度情報に係る時間に関わらず、ニューラルネットワークの数は1つで済む。また、過去に遡った特性値をニューラルネットワークに入力する必要はなく、現在の情報のみを入力すれば足りる。ここで、上記の特定関数は、シグモイド関数、ソフトマックス関数、線形関数、ステップ関数、ランプ関数、ハイパボリックタンジェント関数のいずれかであってもよい。
図1に、本発明の実施例1に係る温度推定装置10の概略構成図を示し、図2に、実施形態に係る温度推定装置10の使用形態の説明図を示す。
部40(図2)を推定するために開発した装置である。ここで、内視鏡下レーザー治療とは、図2に示してあるように、内視鏡30の鉗子口31に挿入した光ファイバー35を通じてレーザー光を病変部40に直接照射することで病変部40を処置するレーザー治療法のことである。なお、温度推定装置10は、計測用光及びライドガイド32からの白色光の病変部40による反射光強度に基づき、病変部40の温度を推定する(詳細は後述)装置として構成されている。そのため、光ファイバー35としては、反射光強度を測定しやすい構成のもの、例えば、図3に示したように、レーザー光と計測用光とを病変部40に導入するための照射用光ファイバー36と、その周囲に配置された、複数(図では、6つ)の受光用光ファイバー37とを有するものが使用される。
総数)である。ただし、温度推定部22の教育(重み値等の決定)に、誤差逆伝播法以外の方法を用いても良く、上記評価関数とは異なる評価関数を用いても良い。
上記した実施例に係る温度推定装置10は、各種の変形が行えるものである。例えば、レーザー光強度の多寡により、AUCの時間変化パターンは変化する。従って、温度推定用のニューラルネットワーク(図5)から、レーザー光強度を入力する入力ユニット26を除去しておいても良い。また、レーザー光強度が一定である(時間変化しない)場合のみを対象とする場合には、温度推定用のニューラルネットワークのレーザー光強度入力用の入力ユニット26の数を1つとしておいても良い。
、特定のM(M≧2)波長の光の反射光強度の総和を入力としたものに変形しても良い。また、温度推定装置10を、光ファイバーを介さずに反射光強度を測定する装置や、レーザー光以外の熱源により昇温される試料の温度を推定する装置に変形しても良い。
次に、本発明の実施例2について示す。実施例1においては、学習処理部23が、出力ユニット(出力層)から出力される推定温度と試料(病変部40)の温度の誤差が小さくなるように、重み(結合係数)Wを更新する温度推定装置について説明したが、実施例2においては、入力ユニット(入力層)に入力される特性値を増加するとともに、複数の出力ユニット(出力層)からソフトマトリックス関数の値を出力し、これらに正解ラベルを付与し、交差エントロピー誤差が小さくなるように、重み(結合係数)Wを更新する例について説明する。なお、本実施例における温度推定装置10の概略構成は、図1に示したものと同等である。
解ラベル“1”が付与されている。なお、本実施例においても、隠れユニット(中間層)27、出力ユニット(出力層)28は、バイアスを考慮するものであっても、1/(1+e-a)とは異なる活性化関数を使用するものであっても良い。
あるいはこの数値データの変化をニューラルネットワークの入力ユニット(入力層)26に入力するようにしてもよい。
11 分光器
12 情報処理装置
13 表示装置
21 AUC算出部
22 温度推定部
23 学習処理部
24 記憶部
26 入力ユニット
27 ユニット
28 出力ユニット
30 内視鏡
31 鉗子口
32 ライドガイド
33 CCDカメラ
35 光ファイバー
36 照射用光ファイバー
37 受光用光ファイバー
40 病変部
Claims (10)
- 昇温により変性し得る試料の昇温中に、前記試料の反射率に関する光学特性値を周期的に測定する測定部と、
前記試料の温度を出力するための出力ユニット、及び、前記測定部により時系列的に測定される前記光学特性値が互いに異なる遅延時間で入力される複数の入力ユニットを含む学習済みのニューラルネットワークを用いて、前記測定部により前記光学特性値が測定される度に、前記光学特性値の今回の測定時における前記試料の温度を推定する温度推定部と、
を備えることを特徴とする、温度推定装置。 - 前記光学特性値が、前記試料の反射光スペクトルの曲線下面積である、
ことを特徴とする、請求項1に記載の温度推定装置。 - 前記測定部は、レーザー光の照射により昇温されている前記試料の前記光学特性値を周期的に測定し、
前記ニューラルネットワークは、前記レーザー光の強度を示す値を入力するための少なくとも1つの入力ユニットをさらに含む、
ことを特徴とする、請求項1又は2に記載の温度推定装置。 - 昇温により変性し得る試料の昇温中に光を照射し、反射光から得られる特性値を測定する測定部と、
前記試料の温度を出力するための出力ユニット、及び、前記測定部により測定される前記特性値が入力される複数の入力ユニットを含む学習済みのニューラルネットワークを用いて、前記試料の温度を推定する温度推定部と、
を備え、
前記ニューラルネットワークの学習に際して、
前記出力ユニットは、測定対象の温度範囲における前記試料の温度に相当する、特定関数の値を出力し、
出力された前記特定関数の値のうち、学習対象の温度に相当する値に1なるラベルを付与するとともに、それ以外の値に0なるラベルを付与し、
前記出力ユニットにより出力された特定関数の値と、前記ラベルの値とに基づく、交差エントロピー誤差が小さくなるように、前記ニューラルネットワークにおける結合係数を更新する繰り返し演算を実行することを特徴とする、温度推定装置。 - 前記特定関数は、シグモイド関数、ソフトマックス関数、線形関数、ステップ関数、ランプ関数、ハイパボリックタンジェント関数のいずれかであることを特徴とする、請求項4に記載の、温度推定装置。
- 前記特性値は、前記反射光の波長分布、前記反射光に基づく生体情報、照射する前記光の強度及び、前記試料の画像を含むことを特徴とする、請求項4または5に記載の温度推定装置。
- 前記特性値は、前記試料の画像情報を、色空間分解することで得られる数値データを含むことを特徴とする、請求項4または5に記載の温度推定装置。
- 昇温により変性し得る試料の昇温中に、前記試料の反射率に関する光学特性値を周期的に測定する測定ステップと、
前記試料の温度を出力するための出力ユニット、及び、それぞれ、前記測定ステップより時系列的に測定される前記光学特性値が互いに異なる遅延時間で入力される複数の入力ユニットを含む学習済みのニューラルネットワークを用いて、前記測定ステップにより前記光学特性値が測定される度に、前記光学特性値の今回の測定時における前記試料の温度を推定する温度推定ステップと、
を含むことを特徴とする、温度推定方法。 - 昇温により変性し得る試料の昇温中に光を照射し、反射光から得られる特性値を測定する測定ステップと、
前記試料の温度を出力するための出力ユニット、及び、前記測定ステップにおいて測定される前記特性値が入力される複数の入力ユニットを含む学習済みのニューラルネットワークを用いて、前記試料の温度を推定する温度推定ステップと、
を含む、温度推定方法であって、
前記ニューラルネットワークの学習に際して、
前記出力ユニットは、測定対象の温度範囲における前記試料の温度に相当する、特定関数の値を出力し、
出力された前記特定関数の値のうち、学習対象の温度に相当する値に1なるラベルを付与するとともに、それ以外の値に0なるラベルを付与し、
前記出力ユニットにより出力された特定関数の値と、前記ラベルの値とに基づく、交差エントロピー誤差が小さくなるように、前記ニューラルネットワークにおける結合係数を更新する繰り返し演算を実行することを特徴とする、温度推定方法。 - 前記特定関数は、シグモイド関数、ソフトマックス関数、線形関数、ステップ関数、ランプ関数、ハイパボリックタンジェント関数のいずれかであることを特徴とする、請求項9に記載の温度推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019194514A JP7378063B2 (ja) | 2019-10-25 | 2019-10-25 | 温度推定装置及び温度推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019194514A JP7378063B2 (ja) | 2019-10-25 | 2019-10-25 | 温度推定装置及び温度推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021067604A JP2021067604A (ja) | 2021-04-30 |
JP7378063B2 true JP7378063B2 (ja) | 2023-11-13 |
Family
ID=75638373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019194514A Active JP7378063B2 (ja) | 2019-10-25 | 2019-10-25 | 温度推定装置及び温度推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7378063B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6241463B2 (ja) | 2015-08-28 | 2017-12-06 | トヨタ自動車株式会社 | カウル構造 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06241463A (ja) * | 1993-02-22 | 1994-08-30 | Matsushita Electric Ind Co Ltd | 調理器具 |
JP6723964B2 (ja) * | 2017-09-25 | 2020-07-15 | Eizo株式会社 | 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム |
-
2019
- 2019-10-25 JP JP2019194514A patent/JP7378063B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6241463B2 (ja) | 2015-08-28 | 2017-12-06 | トヨタ自動車株式会社 | カウル構造 |
Also Published As
Publication number | Publication date |
---|---|
JP2021067604A (ja) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2011013694A1 (ja) | 血糖値推定装置 | |
ES2910573T3 (es) | Procedimiento y sistema para determinar la concentración de un analito en una muestra de un líquido corporal, y procedimiento y sistema para generar un módulo implementado por programa informático | |
JP6590928B2 (ja) | 画像処理装置、撮像システム、画像処理方法、及び画像処理プログラム | |
JPWO2020066670A1 (ja) | 電子内視鏡システム | |
Shu et al. | Monte Carlo investigation on quantifying the retinal pigment epithelium melanin concentration by photoacoustic ophthalmoscopy | |
WO2012093309A1 (en) | An apparatus for optical analysis of an associated tissue | |
Gupta et al. | How good is artificial intelligence (AI) at solving hairy problems? A review of AI applications in hair restoration and hair disorders | |
Ayala et al. | Live monitoring of haemodynamic changes with multispectral image analysis | |
JP7378063B2 (ja) | 温度推定装置及び温度推定方法 | |
JP4495154B2 (ja) | 哺乳動物での動的な熱力学的過程を同定し分類してそれらを識別するシステム | |
EP3737280A1 (en) | Method and system for in vivo detection of adipose tissue browning | |
Saknite et al. | Hyperspectral imaging to accurately segment skin erythema and hyperpigmentation in cutaneous chronic graft‐versus‐host disease | |
WO2017010013A1 (ja) | 画像処理装置、撮像システム、画像処理方法、及び画像処理プログラム | |
Fichera | Cognitive supervision for robot-assisted minimally invasive laser surgery | |
CN113261953B (zh) | 一种多光谱面诊测量方法 | |
Yurpolsky et al. | Development of device for analysis problem skin zones of the circumpolar region population | |
Kang et al. | Polarization color imaging system for on‐line quantitative evaluation of facial skin lesions | |
Vemuri et al. | Hyperspectral camera selection for interventional health-care | |
Gao et al. | Patient-specific temperature distribution prediction in laser interstitial thermal therapy: single-irradiation data-driven method | |
Babilon et al. | Spectral reflectance estimation of organic tissue for improved color correction of video-assisted surgery | |
Haugen et al. | Measurement of rat and human tissue optical properties for improving the optical detection and visualization of peripheral nerves | |
WO2012069637A1 (en) | Device and method for determining a disease activity | |
Kirchner et al. | Machine learning enabled multiple illumination quantitative optoacoustic oximetry imaging in humans | |
Lan | Machine Learning Models for Forward and Inverse Problems in Diffuse Reflectance Spectroscopy | |
Alvarez et al. | Using Monte Carlo simulated PPGs signals to train a deep learning model to predict hemoglobin levels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20191125 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221006 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230510 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230523 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230714 |
|
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: 20230926 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231020 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7378063 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |