JP7429514B2 - 機械学習装置 - Google Patents
機械学習装置 Download PDFInfo
- Publication number
- JP7429514B2 JP7429514B2 JP2019181165A JP2019181165A JP7429514B2 JP 7429514 B2 JP7429514 B2 JP 7429514B2 JP 2019181165 A JP2019181165 A JP 2019181165A JP 2019181165 A JP2019181165 A JP 2019181165A JP 7429514 B2 JP7429514 B2 JP 7429514B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- database
- image
- classifier
- learning database
- 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
- 238000010801 machine learning Methods 0.000 title claims description 96
- 238000011156 evaluation Methods 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 28
- 238000003745 diagnosis Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 238000012790 confirmation Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000004171 remote diagnosis Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012258 culturing Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Description
<機械学習装置の機能構成>
図1は、第1の実施形態による機械学習装置の機能構成を示すブロック図である。機械学習装置1は、入力部10と、学習部11と、適性評価部12と、更新判定部13と、描画部14と、制御部91と、学習画像データベース(DB)(確定)100、学習画像DB(確定+確定前)101、評価画像102、メモリ90と、を含む。機械学習装置1は、画像診断支援装置等の画像取得装置内に実装してもよいし、後述する(第3乃至第4の実施形態)ように、画像取得装置とネットワークを介して接続されるサーバ内に実装してもよい。
図2Aは、第1の実施形態による機械学習装置1のハードウェア構成例を示す図である。機械学習装置1は、各種プログラムを実行するCPU(プロセッサ)201と、各種プログラムを格納するメモリ202(主記憶装置)と、各種データを格納する補助記憶装置203(メモリ90に相当)を含む。機械学習装置1は、さらに、識別結果や識別器や学習画像DB(確定)100の更新可否結果を出力するための出力装置204と、ユーザによる指示や画像等を入力するための入力装置205と、他の装置と通信を行うための通信デバイス206と、を含む。機械学習装置1内のこれら構成要素は、バス207によって相互に接続されている。
以下、各要素の構成と動作について詳細に説明する。
(i)学習部11
図2Bは、学習部11の構成例を示す。学習部11は、特徴抽出部111、局所識別部112、全体識別部113を含む。
特徴抽出部111は、入力画像の特徴量を求める。図3は、特徴量を求める例を示す。図3のCNNは、Convolutional Neural Networkを表す。例えば、特徴抽出部111は、式1の演算を行う特徴抽出器FEAを用いて、入力画像Aiから入力画像Aiの物体(例えば、組織・細胞等)の特徴量FAiを求める。
局所識別部112は、図5に示すように、特徴抽出部111で求めた特徴抽出器FEAの特徴量FAiと非線形関数NF(例えば、sigmoid関数等)を用いて、式2により、局所領域毎に物体らしさ(例えば、病変らしさ等)の値を算出する。局所識別部112は、算出した値に基づき、入力画像Ai内の物体が検出すべき物体か否か(例えば、正常細胞、もしくは異常細胞等)を判定する。
全体識別部113は、図6に示すように、局所識別部112にて求めた局所識別値LSと非線形関数(例えば、sigmoid関数等)を用いて基礎識別値BSを求める。全体識別部113は、基礎識別値BSを入力画像内の各物体画像の物体らしさ(例えば、病変らしさ等)の値を示す計算結果Rとして、入力画像Ai内の物体が検出すべき物体か否か(例えば、正常細胞、もしくは異常細胞等)を判定する(S1)。
(ii)適性評価部12
更新判定部13は、適性評価部12で求めた複数のAvedrXを比較して、識別器CAおよび学習画像DB(確定)100の更新可否を制御する。例えば、Avedr2>Avedr1かつAvedr2>TH1(例えば、TH1=0.7)の場合(K1)、更新判定部13は、識別器CAおよび学習画像DB(確定)100の更新を行う。具体的には、更新判定部13は学習画像DB(確定)100の内容を学習画像DB(確定+確定前)101の内容に更新し、識別器CAを学習画像DB(確定+確定前)101で学習した識別器CBの内容に更新する。
(iv)描画部14
図9は、第1の実施形態による機械学習装置1の学習部11の動作を説明するためのフローチャートである。以下では、学習部11を動作主体として記述するが、CPU201を動作主体とし、CPU201がプログラムとしての各処理部を実行するように読み替えてもよい。
入力部10は、学習用入力画像Aiを受け付け、当該入力画像Aiを学習部11に出力する。
(ii)ステップ902
学習部11は、機械学習によって、上述の式1により、フィルタを用いて入力画像Aiにおける物体(例えば、組織や細胞等)の特徴量を求め、特徴抽出器FEAを作成する。学習部11は、特徴量FAiについて、フィルタ係数wj、オフセット値biを求める。
学習部11は、機械学習によって、式2により、特徴量FAiから局所識別値LSを求め、局所領域毎に物体らしさ(例えば、病変らしさ等)の値を算出し、入力画像Ai内の物体が検出すべき物体か否か(例えば、正常細胞、もしくは異常細胞等)を判定するように、局所識別値を求めるための式2の各パラメータ(フィルタWの係数、オフセット値B等)を求める。
学習部11は、機械学習によって、局所識別値LSから求めた基礎識別値BSを用いて、各対象物体の画像を各対象物体(例えば、異常組織や異常細胞を異常組織や異常細胞、正常組織や正常細胞を正常組織や正常細胞)と判定するように、式3の各パラメータ(フィルタWの係数、オフセット値B等)を求める。
学習部11は、式1、式2および式3の各パラメータ(フィルタ係数wj、フィルタWの係数、オフセット値bi、B等)をメモリ90に保存する。
入力部10は、学習画像DB(確定+確定前)の入力画像Aiを学習部11に出力する。
(ii)ステップ1002
学習部11は、メモリ90から識別器CAに関する式1、式2および式3の各パラメータを読込む。学習部11は、さらに、学習画像DB(確定+確定前)101を用いて機械学習を行い、識別器CBに関する式1、式2および式3の各パラメータを算出する。
(iii)ステップ1003
適性評価部12は、識別器CAおよびCBそれぞれの各パラメータと評価画像を用いて、式5より、識別器CAのAvedr1と識別器CBのAvedr2を算出する。
更新判定部13は、算出したAvedr1とAvedr2を比較する。Avedr2>Avedr1の場合、更新判定部13は、ステップ1005に移行する。一方、計算結果Avedr2≦Avedr1の場合、更新判定部13は、ステップ1006に移行する。
(v)ステップ1005
Avedr2>TH1の場合、更新判定部13は、ステップ1007に移行する。一方、Avedr2≦TH1の場合、更新判定部13は、ステップ1008に移行する。
Avedr2>TH1の場合、更新判定部13は、ステップ1008に移行する。一方、Avedr2≦TH1の場合、更新判定部13は、はステップ1009に移行する。
(vii)ステップ1007
更新判定部13は、識別器CAと学習画像DB(確定)100を更新する。
更新判定部13は、学習画像DB(確定+確定前)の画像の順番を入れ換える。
(ix)ステップ1009
更新判定部13は、学習画像DB(確定前)の正解ラベルを付け替える。
更新判定部13は、学習画像DB(確定+確定前)の全ての画像について更新判定が終了したかをチェックし、終了していればステップ1011に移行する。一方、終了していない場合、更新判定部13は、ステップ1002に戻って、ステップ1002からステップ1009を繰返し行う。
(xi)ステップ1011
更新判定部13は、識別器CAの情報をメモリ90(補助記憶装置203に相当)に保存する。
以下において、第2の実施形態を説明する。図12に示す第2の実施形態に係る機械学習装置1は、第1の実施形態の図1と同様の構成要素を多く含むが、第1の実施形態の学習画像DB(確定+確定前)101の代わりに、学習画像DB(確定前)201を含み、また、更新判定部23を含む。以下において、図1と異なる構成について主に説明をする。
以下、図1と異なる各要素の構成と動作について詳細に説明する。
(i)学習画像DB(確定前)201
学習画像DB(確定前)201は、入力部10から入力された画像を格納し、その他の画像を格納していない。
本実施形態による機械学習装置1のハードウェア構成例は、図2と同様の構成を有するが、第1の実施形態に係る機械学習装置1と異なり、メモリ202に更新判定部23を含む。
入力部10は、学習画像DB(確定前)201の入力画像Aiを学習部11に出力する。
(ii)ステップ1302
学習部11は、メモリ90から識別器CAに関する式1、式2および式3の各パラメータを読込む。また、学習画像DB(確定前)201を用いて機械学習を行い、識別器CBに関する式1、式2および式3の各パラメータを算出する。
適性評価部12は、識別器CAおよびCBそれぞれの各パラメータと評価画像を用いて、式5より、識別器CAのAvedr1と識別器CBのAvedr2を算出する。
(iv)ステップ1304
更新判定部13は、算出したAvedr1とAvedr2を比較する。Avedr2>Avedr1の場合、更新判定部13は、ステップ1305に移行する。一方、Avedr2≦Avedr1の場合、更新判定部13は、ステップ1306に移行する。
更新判定部13は、識別器CB、学習画像DB(確定前)201、評価画像および計算結果(Avedr2、Avedr1)をセットにしてメモリ90(補助記憶装置203に相当)に保存する。
更新判定部13は、識別器CA、学習画像DB(確定)100、評価画像および計算結果(Avedr2、Avedr1)をセットにしてメモリ90(補助記憶装置203に相当)に保存する。
更新判定部13は、学習画像DB(確定前)201の全ての画像について更新判定が終了したかをチェックし、終了していれば処理を終える。一方、終了していない場合、更新判定部13はステップ1302に戻って、ステップ1302からステップ1306を繰返し行う。
図14は、第3の実施形態による遠隔診断支援システム1400の構成を示す機能ブロック図である。遠隔診断支援システム1400は、サーバ(計算機)1403と、画像取得装置1405と、を含む。
図15は、第4の実施形態によるネット受託サービス提供システム1500の構成を示す機能ブロック図である。ネット受託サービス提供システム1500は、サーバ(計算機)1503と、画像取得装置1505と、を含む。
5・・・画像診断支援装置
10・・・入力部
11・・・学習部
12・・・適性評価部
13・・・更新判定部
14・・・描画部
23・・・更新判定部
91・・・制御部
1400・・・遠隔診断支援システム
1500・・・ネット受託サービス提供システム
Claims (10)
- データサンプルを処理するプロセッサと、
前記処理の結果を格納する記憶装置と、を含み、
前記プロセッサは、
複数学習データベースから複数識別器を作成し、前記複数学習データベースそれぞれは複数学習データサンプルを格納し、
前記複数識別器それぞれの識別性能の評価結果を作成し、
前記評価結果に基づいて、前記複数学習データベースにおける一つの学習データベースおよび前記一つの学習データベースから生成される識別器を、使用する学習データベースおよび識別器と決定し、
前記複数学習データベースは、第1学習データベースおよび第2学習データベースを含み、
前記第2学習データベースは、前記第1学習データベースが格納する画像および新規入力画像を格納し、
前記プロセッサは、前記第2学習データベースにより前記第1学習データベースを更新し、前記第2学習データベースから生成される識別器を使用する、ことの可否を判定する、機械学習装置。 - 請求項1に記載の機械学習装置であって、
前記データサンプルは画像であり、
前記複数学習データベースは、それぞれ、学習画像データベースである、機械学習装置。 - 請求項1に記載の機械学習装置であって、
前記プロセッサは、前記第1学習データベースから生成した第1識別器および前記第2学習データベースから生成した第2識別器それぞれの識別結果の比較結果に基づき、前記第2学習データベースにより前記第1学習データベースを更新し、前記第2学習データベースから生成される識別器を使用する、ことの可否を判定する、機械学習装置。 - 請求項3に記載の機械学習装置であって、
前記プロセッサは、
前記第1識別器の識別結果と前記第2識別器の識別結果との比較結果に基づき、前記新規入力画像の順番を入れ替えるか判定し、
前記順番を入れ替えると判定した場合に、前記新規入力画像の順番を入れ換えた前記第2学習データベースから、新規第2識別器を作成し、
前記第1識別器および前記新規第2識別器の識別結果の比較結果に基づき、前記第2学習データベースにより前記第1学習データベースを更新し、前記第2学習データベースから生成される識別器を使用する、ことの可否を判定する、機械学習装置。 - 請求項1に記載の機械学習装置であって、
前記第1学習データベースおよび前記第2学習データベースにおいて、識別タイプの画像数のバランスが調整されている、機械学習装置。 - 画像を処理するプロセッサと、
前記処理の結果を格納する記憶装置と、を含み、
前記プロセッサは、
複数学習画像データベースから複数識別器を作成し、
前記複数識別器それぞれの識別性能の評価結果を作成し、
前記評価結果に基づいて、前記複数学習画像データベースにおける一つの学習画像データベースおよび前記一つの学習画像データベースから生成される識別器を、使用する学習画像データベースおよび識別器と決定し、
前記複数学習画像データベースは、第1学習データベースおよび第2学習データベースを含み、
前記第2学習データベースは、前記第1学習データベースが格納する画像および新規入力画像を格納し、
前記プロセッサは、前記第2学習データベースにより前記第1学習データベースを更新し、前記第2学習データベースから生成される識別器を使用する、ことの可否を判定し、
前記一つの学習画像データベースから生成される前記識別器による新たな入力画像の識別結果を表示する、画像診断支援装置。 - 機械学習装置が識別器を作成する機械学習方法であって、
前記機械学習装置は、
データサンプルを処理するプロセッサと、
前記処理の結果を格納する記憶装置と、を含み、
前記機械学習方法は、
前記プロセッサが、複数学習データベースから複数識別器を作成し、前記複数学習データベースそれぞれは複数学習データサンプルを格納し、
前記プロセッサが、前記複数識別器それぞれの識別性能の評価結果を作成し、
前記プロセッサが、前記評価結果に基づいて、前記複数学習データベースにおける一つの学習データベースおよび前記一つの学習データベースから生成される識別器を、使用する学習データベースおよび識別器と決定し、
前記複数学習データベースは、第1学習データベースおよび第2学習データベースを含み、
前記第2学習データベースは、前記第1学習データベースが格納する画像および新規入力画像を格納し、
前記機械学習方法は、前記プロセッサが、前記第2学習データベースにより前記第1学習データベースを更新し、前記第2学習データベースから生成される識別器を使用する、ことの可否を判定する、機械学習方法。 - 請求項7に記載の機械学習方法であって、
前記データサンプルは画像であり、
前記複数学習データベースは、それぞれ、学習画像データベースである、機械学習方法。 - 請求項7に記載の機械学習方法であって、
前記プロセッサが、前記第1学習データベースから生成した第1識別器および前記第2学習データベースから生成した第2識別器それぞれの識別結果の比較結果に基づき、前記第2学習データベースにより前記第1学習データベースを更新し、前記第2学習データベースから生成される識別器を使用する、ことの可否を判定する、機械学習方法。 - 画像診断支援装置による画像診断支援方法であって、
前記画像診断支援装置は、
画像を処理するプロセッサと、
前記処理の結果を格納する記憶装置と、を含み、
前記画像診断支援方法は、
前記プロセッサが、複数学習画像データベースから複数識別器を作成し、
前記プロセッサが、前記複数識別器それぞれの識別性能の評価結果を作成し、
前記プロセッサが、前記評価結果に基づいて、前記複数学習画像データベースにおける一つの学習画像データベースおよび前記一つの学習画像データベースから生成される識別器を、使用する学習画像データベースおよび識別器と決定し、
前記複数学習画像データベースは、第1学習データベースおよび第2学習データベースを含み、
前記第2学習データベースは、前記第1学習データベースが格納する画像および新規入力画像を格納し、
前記画像診断支援方法は、
前記プロセッサが、前記第2学習データベースにより前記第1学習データベースを更新し、前記第2学習データベースから生成される識別器を使用する、ことの可否を判定し、
前記プロセッサが、前記一つの学習画像データベースから生成される前記識別器による新たな入力画像の識別結果を表示する、画像診断支援方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019181165A JP7429514B2 (ja) | 2019-10-01 | 2019-10-01 | 機械学習装置 |
CN202080064619.2A CN114424218A (zh) | 2019-10-01 | 2020-09-29 | 机器学习装置 |
PCT/JP2020/036985 WO2021065937A1 (ja) | 2019-10-01 | 2020-09-29 | 機械学習装置 |
US17/762,479 US20220351078A1 (en) | 2019-10-01 | 2020-09-29 | Machine learning device |
EP20870459.3A EP4039194A4 (en) | 2019-10-01 | 2020-09-29 | MACHINE LEARNING DEVICE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019181165A JP7429514B2 (ja) | 2019-10-01 | 2019-10-01 | 機械学習装置 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021056919A JP2021056919A (ja) | 2021-04-08 |
JP2021056919A5 JP2021056919A5 (ja) | 2022-08-03 |
JP7429514B2 true JP7429514B2 (ja) | 2024-02-08 |
Family
ID=75270988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019181165A Active JP7429514B2 (ja) | 2019-10-01 | 2019-10-01 | 機械学習装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220351078A1 (ja) |
EP (1) | EP4039194A4 (ja) |
JP (1) | JP7429514B2 (ja) |
CN (1) | CN114424218A (ja) |
WO (1) | WO2021065937A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022259648A1 (ja) * | 2021-06-09 | 2022-12-15 | ソニーグループ株式会社 | 情報処理プログラム、情報処理装置、情報処理方法、及び顕微鏡システム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018180794A (ja) | 2017-04-07 | 2018-11-15 | 株式会社日立ハイテクノロジーズ | 画像診断支援装置及び画像診断支援システム、並びに画像診断支援方法 |
JP2019109553A (ja) | 2017-12-15 | 2019-07-04 | コニカミノルタ株式会社 | 情報処理装置及び情報処理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015192239A1 (en) * | 2014-06-20 | 2015-12-23 | Miovision Technologies Incorporated | Machine learning platform for performing large scale data analytics |
US10389928B2 (en) * | 2016-08-11 | 2019-08-20 | United States Of America, As Represented By The Secretary Of The Army | Weapon fire detection and localization algorithm for electro-optical sensors |
-
2019
- 2019-10-01 JP JP2019181165A patent/JP7429514B2/ja active Active
-
2020
- 2020-09-29 CN CN202080064619.2A patent/CN114424218A/zh active Pending
- 2020-09-29 WO PCT/JP2020/036985 patent/WO2021065937A1/ja unknown
- 2020-09-29 EP EP20870459.3A patent/EP4039194A4/en active Pending
- 2020-09-29 US US17/762,479 patent/US20220351078A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018180794A (ja) | 2017-04-07 | 2018-11-15 | 株式会社日立ハイテクノロジーズ | 画像診断支援装置及び画像診断支援システム、並びに画像診断支援方法 |
JP2019109553A (ja) | 2017-12-15 | 2019-07-04 | コニカミノルタ株式会社 | 情報処理装置及び情報処理方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021065937A1 (ja) | 2021-04-08 |
CN114424218A (zh) | 2022-04-29 |
EP4039194A1 (en) | 2022-08-10 |
JP2021056919A (ja) | 2021-04-08 |
US20220351078A1 (en) | 2022-11-03 |
EP4039194A4 (en) | 2023-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giovannucci et al. | CaImAn an open source tool for scalable calcium imaging data analysis | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
US20180189610A1 (en) | Active machine learning for training an event classification | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
US11676268B2 (en) | Image diagnosis assisting apparatus, image diagnosis assisting system and image diagnosis assisting method | |
US20230420072A1 (en) | Method and system for predicting response to immune checkpoint inhibitor | |
GB2602581A (en) | Automatic detection and replacement of identifying information in images using machine learning | |
EP4105943A1 (en) | Method and system for predicting reaction to immuno-oncology agent | |
CN112116957A (zh) | 基于小样本的疾病亚型预测方法、***、装置及介质 | |
US11972560B2 (en) | Machine learning device, image diagnosis support device, machine learning method and image diagnosis support method | |
EP3676750B1 (en) | Detection of biological cells and tracing of cell lineage | |
JP7429514B2 (ja) | 機械学習装置 | |
CN117038055A (zh) | 一种基于多专家模型的疼痛评估方法、***、装置及介质 | |
JP2021168131A (ja) | 画像における対象体を識別する分類器を決定する装置および画像における対象体を識別する装置および対応する方法 | |
Nebili et al. | Background subtraction using artificial immune recognition system and single gaussian (airs-sg) | |
JP7412279B2 (ja) | 画像診断方法、画像診断支援装置、及び計算機システム | |
WO2023248788A1 (ja) | 識別器生成装置および画像診断支援装置 | |
Thomas et al. | Eisoc with ifodpso and dcnn classifier for diabetic retinopathy recognition system | |
Kavitha et al. | Brain tumour segmentation and detection using modified region growing and genetic algorithm in MRI images | |
Hu et al. | Trajectory energy minimization for cell growth tracking and genealogy analysis | |
WO2022185905A1 (ja) | 画像診断支援装置、画像診断支援方法、遠隔診断支援システム、ネット受託サービスシステム | |
JP7365261B2 (ja) | コンピュータシステムおよびプログラム | |
Naz et al. | Micro‐segmentation of retinal image lesions in diabetic retinopathy using energy‐based fuzzy C‐Means clustering (EFM‐FCM) | |
Chethana et al. | Detection of Diabetic Retinopathy Using Deep Learning | |
Bhagat et al. | Pattern-based feature set for efficient segmentation of color images using modified FCM clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220725 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220725 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231102 |
|
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: 20240109 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240129 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7429514 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |