JP7378063B2

JP7378063B2 - 温度推定装置及び温度推定方法

Info

Publication number: JP7378063B2
Application number: JP2019194514A
Authority: JP
Inventors: 健史関; 明大長縄; 潔岡
Original assignee: Akita University NUC
Current assignee: Akita University NUC
Priority date: 2019-10-25
Filing date: 2019-10-25
Publication date: 2023-11-13
Anticipated expiration: 2039-10-25
Also published as: JP2021067604A

Description

特許法第３０条第２項適用（公開１）発行日平成３０年１０月２６日刊行物日本コンピュータ外科学会誌第２７回日本コンピュータ外科学会大会特集号、第２７２頁一般社団法人日本コンピュータ外科学会（公開２）開催日平成３０年１１月９日集会名第２７回日本コンピュータ外科学会大会開催場所奈良県文化会館（奈良県奈良市登大路町６－２）

本発明は、温度推定装置及び温度推定方法に関する。

体内の病変部の処置法として、内視鏡の鉗子口に挿入した光ファイバーを通じてレーザー光を直接照射することで病変部を処置する内視鏡下レーザー治療が知られている。現在、この内視鏡下レーザー治療時に術者が把握可能な病変部に関する情報は、病変部の２次元画像だけであるが、病変部の温度がリアルタイムに把握できれば、病変部の内視鏡下レーザー治療をより適切に（過加熱や加熱不足が生じない形で）行うことが出来る。

そのため、病変部の温度を病変部の光学的特性から推定する技術（非特許文献１参照）の開発が進められている。

関健史、高橋朗人、岡潔、長縄明大、「内視鏡下レーザー治療のための温度推定法に関する基礎検証」、計測自動制御学会東北支部第３１０回研究集会（２０１７．７．２１）、資料番号３１０－１

内視鏡下レーザー治療時における病変部の温度と病変部の光学的特性との間には強い相関がある。ただし、内視鏡下レーザー治療時には、加熱により病変部が変性し、その結果として、病変部の光学的特性及び熱的特性が変化してしまう。そのため、病変部の温度を病変部の光学的特性から正確に推定することは困難であった。また、工業分野においても、特定箇所の温度を光学的特性から精度よく推定する技術に対する強い要望があった。

本発明は、上記問題に鑑みてなされたものであり、昇温により変性し得る試料の昇温中の温度をその光学的特性からリアルタイム且つ正確に推定できる技術を提供することを目的とする。

本発明の一観点に係る温度推定装置は、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的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的特性値が測定される度に、前記光学的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。

すなわち、この温度推定装置は、昇温（加熱）により変性し得る試料の各時点の温度を、その時点までに測定された試料についての反射率に関する光学的特性値を考慮に入れて推定する構成を有する。そして、各時点までに測定された試料についての反射率に関する光学的特性値は、試料の変性の程度を示す情報であるため、本温度推定装置によれば、昇温により変性し得る試料の昇温中の温度をその光学的特性からリアルタイム且つ正確に推定できる。

温度推定装置の光学的特性値としては、様々な値を採用することが出来る。例えば、光
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。

温度の推定対象試料が、レーザー光の照射により昇温されているものである場合には、ニューラルネットワークとして、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ものを採用しておいても良い。

また、本発明は、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、温度推定装置であってもよい。

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。なお、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。

また、本発明において、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ようにしてもよい。これにより、温度推定装置の推定精度を向上させることが可能である。また、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ようにしてもよい。これによれば、試料の画像を用いて温度推定する場合の推定精度を向上させることが可能である。

また、本発明の一観点に係る温度推定方法は、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的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、前記測定ステップ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、前記測定ステップにより前記光学的特性値が測定される度に、前記光学的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。

この温度推定方法によっても、昇温により変性し得る試料の昇温中の温度をその光学的特性からリアルタイム且つ正確に推定することができる。なお、本発明において「学習済みのニューラルネットワーク」とは、学習を完了し更なる学習が行われないニューラルネットワークの他、学習が継続的に行われるニューラルネットワークも含む。例えば、学習済みのニューラルネットワークを，レーザー光の強度を示す値や光学物性値などを利用して，リアルタイムに再学習し，精度を高めることも可能である。

また、本発明の温度推定方法は、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。

本発明によれば、昇温により変性し得る試料の昇温中の温度をその光学的特性からリアルタイム且つ正確に推定することができる。

図１は、本発明の実施例１に係る温度推定装置の概略構成図である。図２は、実施形態に係る温度推定装置の使用形態の説明図である。図３は、反射光強度を測定しやすい光ファイバーの構成例の説明図である。図４は、ＡＵＣ（曲線下面積）の説明図である。図５は、温度推定部が温度推定に使用するニューラルネットワークの説明図である。図６は、ニューラルネットワークの隠れユニットの説明図である。図７は、レーザー光照射開始後の経過時間に対して、レーザー光照射対象の実測温度と、温度推定装置による推定温度（“推定温度”）と、線形モデルによる推定温度とをプロットした図である。図８は、本発明の実施例２に係る温度推定部が温度推定に使用するニューラルネットワークの説明図である。図９は、本発明の実施例２に係る温度推定装置の学習処理のフローチャートである。図１０は、本発明の実施例２に係るレーザー光照射開始後の経過時間に対して、レーザー光照射対象の実測温度と、温度推定装置による推定温度（“推定温度”）とをプロットした図である。

以下、図面を参照して本発明の実施の形態について説明する。

＜実施例１＞
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。

本実施形態に係る温度推定装置１０（図１）は、内視鏡下レーザー治療時における病変
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。

図１に示してあるように、温度推定装置１０は、分光器１１と情報処理装置１２と表示装置１３とを備える。

分光器１１は、病変部４０からの反射光のスペクトル（以下、反射光スペクトルと表記する）を周期的に測定する装置である。以下、この分光器１１による反射光スペクトルの測定周期をサンプリング周期と表記する。

表示装置１３は、情報処理装置１２（後述する温度推定部２２）による病変部４０の温度の推定結果をユーザに提示するための装置である。この表示装置１３としては、文字情報等も表示可能な液晶ディスプレイや、温度のみを表示可能なセグメントディスプレイが使用される。

情報処理装置１２は、いわゆるコンピュータ（コンピュータ本体）である。情報処理装置１２は、ＡＵＣ算出部２１、温度推定部２２、学習処理部２３、記憶部２４として機能するように構成（プログラミング）されている。また、情報処理装置１２は、内視鏡３０のレーザー光源（図示略）と接続可能に構成されており、情報処理装置１２は、病変部４０の温度の推定時には、内視鏡３０のレーザー光源からレーザー光強度が入力される状態で動作する。

ＡＵＣ算出部２１は、分光器１１により反射光スペクトルが測定される度に、その反射光スペクトルのＡＵＣを算出するユニットである。なお、反射光スペクトルのＡＵＣ（Area Under the Curve；曲線下面積）とは、図４に示したように、反射光スペクトルの曲線より下の部分の面積のことである。

温度推定部２２は、ＡＵＣ算出部２１により算出される各ＡＵＣと、内視鏡３０のレーザー光源からのレーザー光強度とに基づき、病変部４０の温度を推定し、推定結果を表示装置１３に表示するユニットである。この温度推定部２２は、図５に示した構成のニューラルネットワークを用いて、病変部４０の温度を推定するものとなっている。なお、図５におけるＺ^-kは、入力をｋサンプリング周期分遅らせて出力する離散時間演算子である。

すなわち、温度推定部２２が病変部４０の温度の推定に用いるニューラルネットワークの入力層は、ＡＵＣが互いに異なる遅延時間で入力されるｑ＋１個の入力ユニット２６と、レーザー光強度が互いに異なる遅延時間で入力されるｑ＋１個の入力ユニット２６とを含む。また、ニューラルネットワークの中間層は、各入力ユニット２６の出力又は他の隠れユニット２７からの出力が入力される複数の隠れユニット２７を含む。そして、ニューラルネットワークの出力層は、病変部４０の温度を出力する１つの出力ユニット２８で構成されている。

各入力ユニット２６は、入力（ＡＵＣ又はレーザー光強度）を、予め定められている複数の隠れユニット２７に出力するユニットである。

また、本実施形態における各隠れユニット２７は、図６に模式的に示したように、各入力ｘ_i（ｉ＝１～ｎ）と重みｗ_iの乗算結果の総和ａを算出し、総和ａから、ｙ＝１／（１＋ｅ^-a）を算出して算出結果ｙを出力するユニット（人工ニューロン）である。出力ユニット２８も、各隠れユニット２７と同様のユニットである。なお、隠れユニット２７、出力ユニット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。

記憶部２４（図１）は、温度推定部２２を教育する（詳細は後述）ための複数の教師データが記憶されるユニット（ハードディスク等）である。ここで、教師データとは、内視鏡下レーザー治療を模擬した実験により得られるＡＵＣの時系列データ（サンプリング周期毎のＡＵＣ）と、当該実験時のレーザー光強度の時系列データ及び病変部４０（病変部４０相当の部分）の温度の時系列データとからなるデータのことである。教師データとしては、条件（レーザー光強度等）が異なる比較的に多数のデータが用意される。

学習処理部２３は、記憶部２４内の教師データ群に基づき、温度推定部２２を教育するユニットである。なお、温度推定装置１０（温度推定部２２）が、病変部４０の温度をリアルタイム且つ正確に推定できる装置として機能するのは、この学習処理部２３による温度推定部２２の教育が完了した後である。

具体的には、この学習処理部２３は、温度推定部２２が温度推定に使用するニューラルネットワークの各重み値（及びバイアス値）を所定の評価関数が最小となるように決定する処理を行う。本実施形態に係る学習処理部２３が行うこの処理は、誤差逆伝播法に評価関数を最小化する処理である。また、学習処理部２３が最小化する評価関数は、教師データ＃ｊ（ｊは、教師データの識別番号）内のＡＵＣ、レーザー光強度の入力時における温度推定部２２の各時刻における出力と対応する時刻における教師データ＃ｊ内の温度との差の二乗値の総和をＣ_jと表記すると、ΣＣ_j（＝Ｃ₁＋Ｃ₂＋…＋Ｃ_m；ｍは教師データの
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。

以上の説明から明らかなように、温度推定装置１０は、昇温（加熱）により変性し得る試料（病変部４０）の各時点の温度を、その時点までに測定された試料についてのＡＵＣを考慮に入れて推定する構成を有する。そして、各時点までに測定された試料についてのＡＵＣは、試料の変性の程度を示す情報である。従って、本温度推定装置１０によれば、図７に例示したように、昇温により変性し得る試料の昇温中の温度をその光学的特性からリアルタイム且つ正確に推定できる。なお、この図７は、レーザー光照射開始後の経過時間に対して、レーザー光照射対象の実測温度（“実温度”）と、温度推定装置１０による推定温度（“推定温度”）と、線形モデル（一次遅れモデル）による推定温度とをプロットした図である。また、この実験結果における実温度と温度推定装置１０による推定温度との間の誤差は、±２℃である。

《変形例》
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。

温度推定用のニューラルネットワークを、ＡＵＣではなく、特定波長の光の反射光強度
、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。

＜実施例２＞
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。

図８は、本実施例における温度推定装置１０を説明するための図である。本実施例では、温度推定部２２は、図８に示したニューラルネットワークを用いて、病変部２０の温度を推定する。すなわち、本実施例では、試料である病変部４０にレーザー光と、計測用光を照射する。そして、時刻ｋにおける、（１）反射光を分光器によって分光することで得られる波長分布、（２）反射光を血流計に入力することで得られる血流速度に代表される生体情報、（３）レーザー光を光センサに照射することで得られるレーザー光量（レーザー光強度）、（４）ＣＣＤカメラ３３で得られるファイバースコープ画像を処理した後の画像を、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。ここで、生体情報としては、血流速度の他、酸素飽和濃度、蛍光、薬剤反応などを用いてもよい。また、ここでは画像を取得するためのカメラとして、ＣＣＤカメラ３３を用いた例について説明したが、ＣＭＯＳカメラ等、他の方式のカメラを用いても良いことは当然である。

そして、本実施例の隠れユニット（中間層）２７では、実施例１と同様、図６に模式的に示したように、各入力ｘ_i（ｉ＝１～ｎ）と重みｗ_iの乗算結果の総和ａを算出し、総和ａから、ｙ＝１／（１＋ｅ^-a）を算出して算出結果ｙを出力する。そして、出力ユニット（出力層）２８は、以下の（１）式に基づく、ソフトマックス関数を出力する。

なお、このソフトマックス関数は、複数の出力ユニット（出力層）２８の値の総和が１になる関数と言える。

そして、学習させる温度に相当する出力には正解ラベル“１”を、それ以外の出力には“０”を付与する。そして、以下の（２）式に基づく交差エントロピー誤差Ｅが、小さくなるように、重み（結合係数）Ｗを調整する。

図８では、３０℃を学習させる場合について記載しており、３０℃に相当する出力に正
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。

図９には本実施例における学習処理部２３による学習処理のフローチャートを示す。本処理が実行されると、まず、ステップＳ１０１において、光ファイバー３５の中心の照射用光ファイバー３６から、温度上昇用のレーザー光と、波長分布と血流計測用の計測用光を試料としての病変部４０に照射する。ステップＳ１０２においては、周囲の複数の受光用光ファイバー３７で２つの計測用光の反射光を受光する。ステップＳ１０３においては、レーザー光量、反射光の波長分布、生体情報（この例では組織の血流速度）、ファイバースコープ画像を取得する。ステップＳ１０４においては、ステップＳ１０３で取得された信号を正規化し、各入力ユニット（入力層）２６に入力する。

ステップＳ１０５においては、各信号と重み（結合係数）Ｗにより隠れユニット（中間層）２７を通過する。ステップＳ１０６においては、ソフトマックス関数として出力ユニット（出力層）２８から信号を出力させる。ここで、出力ユニット２８の数は、対象となる温度範囲中の温度値の数と一致させる。この例では、対象となる温度範囲を１℃～８０℃とし、出力ユニット２７の数は、教師データとしての病変部４０の温度の数と同数の８０個としている。ステップＳ１０７においては、各出力ユニット（出力層）２８からの出力に正解ラベルを付与する。ここで、推定のための学習をさせたい温度（この例では３０℃）にラベル“１”を付与し、それ以外の温度にラベル“０”を付与する。

ステップＳ１０８においては、（２）式に示した交差エントロピー誤差Ｅが小さくなるように重み（結合係数）Ｗを更新する。ステップＳ１０９においては、Ｓ１０５に戻る。そして、Ｓ１０５～Ｓ１０８の処理を繰り返し実行する。ステップＳ１１０においては、対象となる温度範囲（この例では１℃～８０℃）の各温度に対して、Ｓ１０４～Ｓ１０９の処理を繰り返し実行し、各温度に対する学習を完了させる。対象となる温度範囲の各温度について学習が終了すると本ルーチンを終了する。

実施例１で示した温度推定装置１０では、過去に遡る時刻の数（ｑ＋１）だけニューラルネットワークを準備する必要があったのに対し、本実施例で示した温度推定装置１０では、時刻の数に関わらず、１つのニューラルネットワークを準備することで充分である。また、実施例１で示した温度推定装置１０では、入力ユニット２６に対して、過去に遡ったＡＵＣ、レーザー光強度の情報を入力する必要があったのに対し、本実施例で示した温度推定装置１０では、波長分布、レーザー光量、生体情報、ファイバースコープ画像の現在の情報のみを入力すれば足りる。

図１０には、レーザー光照射開始後の経過時間に対する、レーザー光照射対象の実測温度（“実温度”）と、本実施例における学習済の温度推定装置１０による推定温度（“推定温度”）とをプロットした図である。図１０を見て分かるように、本実施例では、１つのニューラルネットワークを用いた推定であるにも関わらず、実施例１と同等の精度で病変部４０の温度を推定することが可能となっている。

本実施例においては、試料である病変部４０にレーザー光と、計測用光を照射し、時刻ｋにおける、ＣＣＤカメラ３３で得られるファイバースコープ画像を処理した後の画像を、ニューラルネットワークの入力ユニット（入力層）２６に入力した。この画像については、画像自体の代わりに、あるいは、画像自体に加えて、光ファイバーあるいは、ＣＣＤカメラ３３で撮影した画像情報を、ＲＧＢ（赤（Ｒｅｄ）、緑（Ｇｒｅｅｎ）、青（Ｂｌｕｅ））や、ＨＬＳ（色相（Ｈｕｅ）、彩度（Ｓａｔｕｒａｔｉｏｎ）、輝度（Ｌｉｇｈｔｎｅｓｓ／Ｌｕｍｉｎａｎｃｅ））等の、色空間分解することで得られた数値データ、
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。

また、本実施例においては、出力ユニット（出力層）２８からの信号を、ソフトマックス関数として出力させる例について説明した。しかしながら、出力ユニット（出力層）２８からの信号は、シグモイド関数、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といった、他の関数として出力しても構わない。

また、上記の実施例においては、入力ユニット（入力層）２６、隠れユニット（中間層）２７、出力ユニット（出力層）２８を備えた多層構造のニューラルネットワークを用いたが、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ：畳み込みニューラルネットワーク）、ＲＮＮ（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ：リカレントニューラルネットワーク）、強化学習などを含むニューラルネットワークを用いても構わない。

上記の実施例においては、内視鏡のチャネルに光ファイバーを挿入して行う医療シーンを例にとって本発明を説明したが、本発明が適用される分野はこれに限られない。例えば、電気メス等の熱的手法により対象を切開する場合の切開対象の温度推定といった、他の医療分野の他、配管内における溶接対象の温度推定といった、工業分野に本発明を適用しても構わない。

１０温度推定装置
１１分光器
１２情報処理装置
１３表示装置
２１ＡＵＣ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
３３ＣＣＤ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

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。