图像处理装置、学习装置、图像处理方法、识别基准的生成方法、学习方法和程序制造方法及图纸

本发明专利技术提供能够捕捉医疗图像特有的特征的图像处理装置、学习装置、图像处理方法、识别基准的生成方法、学习方法和程序。学习装置1包括：预先学习部61，其基于相似图像组进行预先学习，所述相似图像组的特性与在作为学习对象的对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似；和正式学习部62，其基于预先学习部61的预先学习结果和对象图像组，进行正式学习。

Image Processing Device, Learning Device, Image Processing Method, Recognition Benchmark Generation Method, Learning Method and Program

The invention provides an image processing device, a learning device, an image processing method, a generation method of a recognition datum, a learning method and a program capable of capturing the unique characteristics of a medical image. The learning device 1 includes: a pre-learning unit 61, which performs pre-learning based on a similar image group, at least one of the three characteristics of the similar image group and the shape of the object shown in the object image group as the learning object, the organization structure of the object shown in the object image group and the camera system of the device that captures the object image group. Similar to the formal learning department 62, which carries out formal learning based on the pre-learning results of the pre-learning Department 61 and the object image group.

【技术实现步骤摘要】
【国外来华专利技术】图像处理装置、学习装置、图像处理方法、识别基准的生成方法、学习方法和程序
本专利技术涉及生成识别器的图像处理装置、学习装置、图像处理方法、识别基准的生成方法、学习方法和程序，所述识别器用于根据活体内医疗图像识别活体是否正常。
技术介绍
近年来，在使用大容量的数据进行识别器的学习的学习装置中，为了避免在少量数据集的学习中出现过度拟合(Overfitting)，已知一种这样的学习方法，即，在使用Imagenet等大量的普通物体图像数据集进行识别器的预先学习之后，使用少量数据集进行正式学习(参考非专利文献1)。现有技术文献非专利文献非专利文献1：PulkitAgrawal,et.al“AnalyzingthePerformanceofMultilayerNeuralNetworksforObjectRecognition”,arXiv:1407.1610V2,arXiv.org,(22,Sep,2014)
技术实现思路
专利技术要解决的技术问题在医疗领域中，也是可以考虑在进行上述预先学习之后进行正式学习。但是，在如上述现有技术那样使用普通物体图像数据集进行的预先学习中，因为普通物体图像数据和医疗图像数据各自的特征不同，所以存在不能捕捉医疗图像数据特有的特征，预先学习不充分这样的问题。本专利技术就是鉴于上述的问题而完成的，目的在于提供一种能够捕捉医疗图像数据特有的特征的图像处理装置、学习装置、图像处理方法、识别基准的生成方法、学习方法和程序。用于解决技术问题的技术手段为了解决上述的技术问题，达到本专利技术的目的，本专利技术的图像处理装置的特征在于：包括识别部，该识别部输出基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似。本专利技术的学习装置的特征在于，包括：预先学习部，其基于相似图像组进行预先学习，所述相似图像组的特性与在作为学习对象的对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似；和正式学习部，其基于所述预先学习部的预先学习结果和所述对象图像组，进行正式学习。本专利技术的图像处理方法是图像处理装置执行的图像处理方法，其特征在于：包括识别步骤，输出基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似。本专利技术的识别基准的生成方法是学习装置执行的识别基准的生成方法，其特征在于：包括识别步骤，将基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果作为所述识别基准输出，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似。本专利技术的学习方法是学习装置执行的学习方法，其特征在于，包括：预先学习步骤，从记录部获取相似图像组，基于获取的所述相似图像组进行预先学习，所述相似图像组的特性与在作为学习对象的对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似；和正式学习步骤，从所述记录部获取所述对象图像组，基于获取的所述对象图像组和所述预先学习步骤的预先学习结果，进行正式学习。本专利技术的程序的特征在于：使图像处理装置执行下述的识别步骤，该识别步骤输出基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似。本专利技术的程序的特征在于：使学习装置执行下述的识别步骤，该识别步骤将基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果作为识别基准输出，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似。本专利技术的程序的特征在于：所述程序使学习装置执行下述的预先学习步骤和正式学习步骤，其中，所述预先学习步骤从记录部获取相似图像组，基于获取的所述相似图像组进行预先学习，所述相似图像组的特性与在作为学习对象的对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似，所述正式学习步骤从所述记录部获取所述对象图像组，基于获取的所述对象图像组和所述预先学习步骤的预先学习结果，进行正式学习。专利技术的效果依照本专利技术，能够获得能够捕捉医疗图像数据特有的特征的效果。附图说明图1是表示本专利技术的实施方式1的学习装置的结构的框图。图2是表示本专利技术的实施方式1的学习装置执行的处理的概要的流程图。图3是表示图2的预先学习处理的概要的流程图。图4是表示图3的预先学习用医疗图像获取处理的概要的流程图。图5是表示图2的正式学习的概要的流程图。图6是表示本专利技术的实施方式1的变形例1的预先学习用医疗图像获取处理的概要的流程图。图7是表示本专利技术的实施方式1的变形例2的预先学习部执行的预先学习处理的概要的流程图。图8是表示图7的医疗图像获取处理的概要的流程图。图9是表示本专利技术的实施方式1的变形例3的预先学习部执行的预先学习处理的概要的流程图。图10是表示图9的医疗图像获取处理的概要的流程图。图11是表示本专利技术的实施方式2的学习装置的结构的框图。图12是表示本专利技术的实施方式2的学习装置执行的处理的概要的流程图。图13是表示图12的基础学习处理的概要的流程图。图14是表示本专利技术的实施方式3的图像处理装置的结构的框图。图15是表示本专利技术的实施方式3的图像处理装置执行的处理的概要的流程图。具体实施方式下面，参考附图，对包括本专利技术的实施方式的学习装置的图像处理装置、学习方法和程序进行说明。但是，本专利技术并不限定于这些实施方式。在各附图的记载中，对相同的部本文档来自技高网...

【技术保护点】
1.一种图像处理装置，其特征在于：包括识别部，其输出基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似。

【技术特征摘要】
【国外来华专利技术】1.一种图像处理装置，其特征在于：包括识别部，其输出基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似。2.如权利要求1所述的图像处理装置，其特征在于：所述被摄体的形状是活体内的管结构。3.如权利要求2所述的图像处理装置，其特征在于：所述对象图像组是对规定区间的活体内管腔进行摄像而得到的图像组，所述相似图像组是对区间与所述对象图像组不同的活体内管腔进行摄像而得到的图像组。4.如权利要求2所述的图像处理装置，其特征在于：所述相似图像组是对模仿所述管结构的仿真脏器进行摄像而得到的仿真脏器图像组。5.如权利要求1所述的图像处理装置，其特征在于：所述被摄体的组织结构是器官系统的黏膜结构；所述相似图像组是对与所述对象图像组属于相同的器官系统的黏膜结构进行摄像而得到的图像组。6.如权利要求5所述的图像处理装置，其特征在于：所述器官系统是消化器官、呼吸器官、泌尿器官和循环器官中的任一者。7.如权利要求1所述的图像处理装置，其特征在于：所述设备的摄像系统是内窥镜的摄像系统。8.如权利要求7所述的图像处理装置，其特征在于：所述相似图像组是与所述对象图像组同样地利用所述内窥镜的摄像系统对模仿规定脏器的仿真脏器进行摄像而得到的图像组。9.如权利要求1～8中任意一项所述的图像处理装置，其特征在于：所述预先学习基于基础学习结果和所述相似图像组而进行，其中，所述基础学习结果是基于特性与所述对象图像组不同的非相似图像组进行基础学习而得到的。10.一种学习装置，其特征在于，包括：预先学习部，其基于相似图像组进行预先学习，所述相似图像组的特性与在作为学习对象的对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系统这3个特性中的至少1个特性相似；和正式学习部，其基于所述预先学习部的预先学习结果和所述对象图像组，进行正式学习。11.一种图像处理装置执行的图像处理方法，其特征在于：包括识别步骤，输出基于正式学习结果对作为识别对象的图像组进行识别而得到的识别结果，其中，所述正式学习结果是基于预先学习的结果和作为学习对象的对象图像组进行正式学习而得到的，所述预先学习的结果是基于相似图像组进行预先学习而得到的，所述相似图像组的特性与在所述对象图像组中映现的被摄体的形状、在所述对象图像组中映现的被摄体的组织结构和拍摄得到所述对象图像组的设备的摄像系...

【专利技术属性】
技术研发人员：上山都士也，神田大和，
申请(专利权)人：奥林巴斯株式会社，
类型：发明
国别省市：日本,JP