特許ウォッチ

公開番号2025077824
公報種別公開特許公報(A)
公開日2025-05-19
出願番号2023190310
出願日2023-11-07
発明の名称識別装置、学習装置、識別方法、学習方法、識別プログラム、および学習プログラム
出願人学校法人関西大学,学校法人松本歯科大学
代理人弁理士法人 HARAKENZO WORLD PATENT & TRADEMARK
主分類G06T 7/11 20170101AFI20250512BHJP(計算;計数)
要約【課題】高精度に異常領域の有無を識別する。
【解決手段】識別装置(2)は、第1画像(3)を取得する取得部(70)と、第1画像に対してセマンティックセグメンテーションを行うことによって、セグメンテーション後の画像である第2画像(4)を生成する生成部(10)と、第2画像に対し、異常領域の有無を識別する識別部(40)と、を備え、生成部の生成モデルにおける損失関数と、識別部の識別モデルにおける損失関数と、参照したマルチタスク学習を、生成部および識別部の学習に利用したものである。
【選択図】図2
特許請求の範囲【請求項１】
第１画像を取得する取得部と、
前記第１画像に対してセマンティックセグメンテーションを行うことによって、セグメンテーション後の画像である第２画像を生成する生成部と、
前記第２画像に対し、異常領域の有無を識別する識別部と、を備え、
前記生成部の生成モデルにおける損失関数と、前記識別部の識別モデルにおける損失関数と、を参照したマルチタスク学習を、前記生成部および前記識別部の学習に利用した、識別装置。
続きを表示（約 1,200 文字）【請求項２】
前記生成部は、初期ガイダンス領域推定機構と、前記初期ガイダンス領域推定機構に直列に接続された境界推定機構とを備えており、
前記初期ガイダンス領域推定機構は、前記第１画像を入力し第１特徴量を出力するビジョントランスフォーマと、前記第１画像を入力し第２特徴量を出力する畳み込みニューラルネットワークと、を備えており、
前記境界推定機構は、前記第１特徴量および前記第２特徴量を参照して、前記第２画像を生成する、請求項１に記載の識別装置。
【請求項３】
前記ビジョントランスフォーマは、互いに隣接しない複数の非マスク領域を含む第３画像を用いて学習されたものである、請求項２に記載の識別装置。
【請求項４】
前記生成部において、前記ビジョントランスフォーマおよび前記畳み込みニューラルネットワークは、並列に接続され、
前記生成部および前記識別部は直列に接続されている、請求項２に記載の識別装置。
【請求項５】
前記識別部は、残差ニューラルネットワークアーキテクチャである、請求項１から４のいずれか１項に記載の識別装置。
【請求項６】
前記異常領域は石灰化領域である、請求項１から４のいずれか１項に記載の識別装置。
【請求項７】
前記生成部および前記識別部のそれぞれの前記損失関数の勾配を参照して、前記生成部および前記識別部におけるパラメータを更新する学習部を、さらに備える請求項１から４のいずれか１項に記載の識別装置。
【請求項８】
第１画像を取得する取得部と、
前記第１画像に対してセマンティックセグメンテーションを行うことによって、セグメンテーション後の画像である第２画像を生成する生成部と、
前記第２画像に対し、異常領域の有無を識別する識別部と、
前記生成部の生成モデルにおける損失関数と、前記識別部の識別モデルにおける損失関数と、を参照したマルチタスク学習を、前記生成部および前記識別部の学習に利用する学習部と、を備えている学習装置。
【請求項９】
前記第１画像は、前記異常領域が含まれた画像、および前記異常領域が含まれない画像を含む、請求項８に記載の学習装置。
【請求項１０】
第１画像を取得する取得ステップと、
前記第１画像に対してセマンティックセグメンテーションを行うことによって、セグメンテーション後の画像である第２画像を生成する生成ステップと、
前記第２画像に対し、異常領域の有無を識別する識別ステップと、を含み、
前記生成ステップの生成モデルにおける損失関数と、前記識別ステップの識別モデルにおける損失関数と、を参照したマルチタスク学習を、前記生成ステップおよび前記識別ステップの学習に利用した、識別方法。
（【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】
本発明は識別装置、学習装置、識別方法、学習方法、識別プログラム、および学習プログラムに関する。
続きを表示（約 1,900 文字）【背景技術】
【０００２】
動脈硬化は、脳卒中および心卒中の原因であるが、自覚症状がなく、医科への受診の機会が少ない。歯科医で撮影される歯科パノラマＸ線写真に、頸動脈硬化の石灰化が発見されることがある。歯科医の診察において、石灰化の有無を識別（判別）できれば、医科への受診のきっかけを作ることができ、早期治療に繋げることができる。
【０００３】
しかしながら、歯科パノラマＸ線写真は、骨およびその他の組織を含む非常に複雑な画像であり、石灰化領域の形状および大きさも多様である。また、境界の形状が曖昧であるため、さらに識別を困難にしている。
【０００４】
特許文献１には、医用画像において、Ｕ－ＮｅｔおよびＲｅｓＮｅｔ（Residual Neural Networks：残差ニューラルネットワーク）を用いることが開示されている。特許文献２には、セグメント化とニューラルネットワークとによって、石灰化を検出する技術が開示されている。
【０００５】
非特許文献１には、直列に接続されたＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）であるＵ－Ｎｅｔにビジョントランスフォーマ（Vision Transformer）を適用する点が開示されている。非特許文献２には、Ｕ－Ｎｅｔにおいて、ＣＮＮとトランスフォーマとを直列に接続する点が開示されている。
【先行技術文献】
【特許文献】
【０００６】
特表２０２３－５１７０５８号公報
特表２０２２－５４９８７７号公報
【非特許文献】
【０００７】
Hu Cao et. al., Swin-Unet: Unet-like Pure Transformer for medical Image Segmentation, arXiv, 12 May 2021
Jieneng Chen. al., TransUNet: Transformers Make Strong Encorders for Medical Image Segmentation, arXiv, 8 Feb 2021
S. Gao et. al., Res2Net: A new multi-scale backbone architecture, IEEE Trans. on Pattern Analysis and Machine Intelligence, vol 43, no.2, pp.652-662, 2021
A. Navon et. al., Multi-task learning as a bargaining game, arViv:2202.01017, 2022
T. Murano et. al., New Method of Detecting Calcification Regions in Dental PanoramicRadiographs Based on U-PraNet, 2021 20th International Symposium on Communication and Information Technologies (ISCIT), Tottori, Japan, Oct.20-22, W1-3, pp.11-14, 2019
Y. Zhang et. al., TransFuse: Fusing Transformers and CNNs for Medicial Image Segmentation, arXiv: 2102.08005, 2021
【発明の概要】
【発明が解決しようとする課題】
【０００８】
近年、医用画像に対して、ＡＩ（Artificial Intelligence）の導入が進んでいる。ＡＩにおける画像処理においては、ＣＮＮが広く用いられてきている。
【０００９】
ＣＮＮでは、畳み込みによって特徴量を生成するために、近傍の特徴を集約して特徴量とすることは得意であるが、遠方の特徴を考慮した特徴量とすることは困難である。つまり、ＣＮＮでは大域的な学習をすることができないために、物体の相対的な位置関係を考慮した学習を行うことが難しい。
【００１０】
ここで、医用画像においては、腫瘍などの異常領域が骨およびその他の組織に対して、どのような位置関係にあるのかが大切な情報であることがある。つまり、周辺の情報等の大域的な情報を考慮することが求められる。
（【００１１】以降は省略されています）

関連特許