特許ウォッチ

公開番号2025029716
公報種別公開特許公報(A)
公開日2025-03-07
出願番号2023134496
出願日2023-08-22
発明の名称データ処理方法、吸収係数画像生成方法、画像生成方法、およびプログラム
出願人株式会社島津製作所
代理人弁理士法人深見特許事務所
主分類G06V 10/774 20220101AFI20250228BHJP(計算;計数)
要約【課題】機械学習モデルの利用において、ドメインギャップの低減のためのユーザ側の負担を抑える技術を提供すること。
【解決手段】機械学習モデル8を用いた推定の対象である対象画像5からテスト画像6を生成するためのデータ処理方法が提供される。テスト画像6は、推定のために機械学習モデル8に入力される。機械学習モデル8は、基本画像と出力画像のペアを学習データとする機械学習処理を施されている。データ処理方法は、対象画像5に対して、基本画像の特徴に基づく調整処理を施すことにより、テスト画像6を生成する。
【選択図】図4
特許請求の範囲【請求項１】
基本画像を利用した機械学習処理を施された機械学習モデルに適用される、テスト画像を生成するためのデータ処理方法であって、
前記基本画像が取得されたドメインとは異なるドメインの対象画像を取得するステップと、
前記対象画像に対して、前記基本画像が取得されたドメインに対応する特徴に基づく調整処理を施すことによって前記テスト画像を生成するステップと、を備える、データ処理方法。
続きを表示（約 1,000 文字）【請求項２】
前記対象画像は対象物を含み、
前記特徴は、前記基本画像における対象物の位置に関連し、
前記調整処理は、前記テスト画像における対象物の位置を調整することを含む、請求項１に記載のデータ処理方法。
【請求項３】
前記対象画像は対象物を含み、
前記特徴は、前記基本画像における対象物の形状に関連し、
前記調整処理は、前記テスト画像における対象物の形状を調整することを含む、請求項１に記載のデータ処理方法。
【請求項４】
前記対象画像は対象物を含み、
前記特徴は、前記基本画像における対象物の姿勢に関連し、
前記調整処理は、前記テスト画像における対象物の姿勢を調整することを含む、請求項１に記載のデータ処理方法。
【請求項５】
前記特徴は、前記基本画像におけるコントラストに関連し、
前記調整処理は、前記テスト画像におけるコントラストを調整することを含む、請求項１に記載のデータ処理方法。
【請求項６】
前記対象画像は対象物を含み、
前記特徴は、対象物の外縁と内部との画素値の比に関連し、
前記調整処理は、前記対象物における外縁の強調を含む、請求項１に記載のデータ処理方法。
【請求項７】
前記対象物は、ヒトの頭部であり、
前記外縁は、頭部の皮膚領域に相当し、
前記内部は、頭部の脳領域に相当する、請求項６に記載のデータ処理方法。
【請求項８】
前記調整処理は、フィルタを利用し、
前記フィルタは、１以上の前記基本画像の前記外縁の画素値の統計値、および、１以上の前記基本画像の前記内部の画素値の統計値の関数によって規定される、請求項６または請求項７に記載のデータ処理方法。
【請求項９】
前記調整処理は、前記フィルタを利用することにより、前記対象物以外の領域のノイズを除去することを含む、請求項８に記載のデータ処理方法。
【請求項１０】
前記対象画像は、ＰＥＴ（Positron Emission Tomography）画像またはＳＰＥＣＴ（Single Photon Emission Computed Tomography）画像である、請求項１～請求項９のいずれか１項に記載のデータ処理方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、機械学習モデルに入力されるテスト画像に関するデータ処理に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
学習データで訓練された機械学習モデルにテストデータを適用して推定結果が取得される場合、学習データが収集された環境とテストデータが収集された環境との間にドメインギャップと呼ばれる質的な違いがあるとき、基本的に、機械学習モデルは、テストデータに対して期待される性能を発揮できない。
【０００３】
ドメインギャップを低減するアプローチとして、たとえば、転移学習およびドメイン適応が存在する。転移学習では、学習用の環境下で収集されたデータで訓練された機械学習モデルに対して、テスト用の環境下で収集されたデータ（正解付きのデータ）を利用した追加学習（ファインチューニング）が実施される。
【０００４】
ドメイン適応は、学習用の環境下で収集されたデータとテスト用環境下で収集されたデータの双方を用いて、学習する手法である。ドメイン適応において採用されるアプローチの具体例として、疑似ラベルを用いるアプローチ、生成モデルを用いるアプローチ、および、学習データのドメインをテスト環境のドメインに変換するアプローチが存在する。この手法は、テスト環境のデータに正解ラベルが事前に付されていることを必要としない。
【０００５】
疑似ラベルを用いるアプローチでは、たとえば非特許文献１に記載されるように、まず、学習データで学習した機械学習モデルを用いてテスト環境のデータをテストし、その結果を疑似的な正解として、学習データとテスト用の環境下で収集されたデータの双方を用いた機械学習処理が実施される。
【０００６】
生成モデルを用いるアプローチでは、たとえば、非特許文献２または非特許文献３に記載されるように、学習データとテスト用の環境下で収集されたデータの双方を用いて、ドメインに依らず、学習データとテスト用の環境下で収集されたデータから得られる特徴量の分布が一致するような特徴抽出器を用いた機械学習処理が実施される。
【０００７】
学習データのドメインをテスト環境のデータのドメインに変換するアプローチでは、非特許文献４に記載されるように、テスト用の環境のドメイン情報を用いて、学習データのドメインをテスト環境のドメインに変換し、変換後の学習データを用いた機械学習処理が実施される。
【先行技術文献】
【非特許文献】
【０００８】
Asymmetric Tri-training for Unsupervised Domain Adaptation、［URL：https://arxiv.org/pdf/1702.08400.pdf］
Adapting Visual Category Models to New Domains (K. Saenko et al. 2010)、［URL：https://people.bu.edu/bkulis/pubs/saenko_eccv_2010.pdf］
Deep Domain Confusion: Maximizing for Domain Invariance（E. Tzeng et al. 2014）、［URL: https://arxiv.org/pdf/1412.3474.pdf］
FDA: Fourier Domain Adaptation for Semantic Segmentation（Y.Yang et al. 2020、［URL：arxiv.org/pdf/2004.05498.pdf］
【発明の概要】
【発明が解決しようとする課題】
【０００９】
上述の転移学習およびドメイン適応の双方には、テスト用の環境下で収集されたデータを大量に準備することが必要とされる。さらに、テスト用の環境が複数存在する場合には、テスト用の環境ごとに、データの準備が必要とされる。そもそも、上述の転移学習およびドメイン適応の双方は、学習という試行錯誤を要する作業が必要になる。
【００１０】
本発明は、係る実情に鑑み考え出されたものであり、その目的は、ドメインギャップの低減のためのユーザ側の負担を抑える技術を提供することである。
【課題を解決するための手段】
（【００１１】以降は省略されています）

関連特許