データ処理装置、方法及びプログラム
【課題】回帰関数により得られた学習量の信頼度を算出し得るデータ処理装置、方法及びプログラムを提供する。
【解決手段】データを入力する入力部１４と、入力されたデータを記憶する記憶部１５と、制御部１１と、を備え、制御部１１は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出し、当該算出された第1推定値の信頼度を過去データのデータ量又は前記過去データの特徴量に基づいて算出するデータ処理装置１０とする。
【解決手段】データを入力する入力部１４と、入力されたデータを記憶する記憶部１５と、制御部１１と、を備え、制御部１１は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出し、当該算出された第1推定値の信頼度を過去データのデータ量又は前記過去データの特徴量に基づいて算出するデータ処理装置１０とする。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、データ処理装置、方法及びプログラムに関する。
【背景技術】
【０００２】
学習システムの典型的なものに、分類問題と回帰問題がある。
分類問題では、過去データに基づき学習された学習分類器により、入力データに対する一の推定値（分類結果）が算出される。入力データが例えば放射線画像である場合、入力された放射線画像に対して分類すべき胸部、腹部等の分類結果が算出される。すなわち、分類問題では、分類器により部位認識が行われる。
【０００３】
回帰問題では、過去データに基づき学習された回帰関数により入力データに対して一の推定値（学習量）が算出される。入力データが例えば放射線画像である場合、入力された放射線画像に対して調整すべき濃度又はコントラスト等の学習量が算出される。
入力された放射線画像は、算出された学習量に基づいて濃度又はコントラスト等が調整され、調整された放射線画像が表示部等により表示される。
【０００４】
ここで、学習システムによれば、上記したように過去に入力した入力データ（過去データ）に基づいて、上記の分類問題及び回帰問題におけるデータ処理が行われる。つまり、過去データから学習して分類結果又は学習量（以下、総称して「学習結果」）が算出される。よって、過去データのデータ量が不十分な場合、得られる学習結果の信頼度は低くなる。
【０００５】
特許文献１によれば、予め用意された標準モデルを備え、少ない過去データによって標準モデルのパラメータを適応化する技術が開示されている（特許文献１参照）。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開平８−９５５９２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかし、特許文献１の技術によれば、少ない過去データが局所的な範囲内のものである場合、適応化された標準モデルによって得られる学習結果の信頼度はデフォルトの標準モデルによって得られる学習結果よりも低くなる。
【０００８】
本発明の課題は、回帰関数により得られた調整量の第1推定値（学習量）の信頼度を算出し得るデータ処理装置、方法及びプログラムを提供することである。
【課題を解決するための手段】
【０００９】
本発明によれば、
データを入力する入力部と、
前記入力されたデータを記憶する記憶部と、
制御部と、を備え、
前記制御部は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データに対して第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量に基づいて算出するデータ処理装置が提供される。
【００１０】
また、本発明によれば、
入力部により、データを入力する工程と、
記憶部により、前記入力されたデータを記憶する工程と、
制御部により、制御する工程と、を含み、
前記制御する工程は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出する工程と、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量に基づいて算出する工程と、を含むデータ処理方法が提供される。
【００１１】
また、本発明によれば、
コンピュータを、
データを入力する入力手段、
前記入力されたデータを記憶する記憶手段、
制御手段、として機能させるプログラムであって、
前記制御手段は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量に基づいて算出するプログラムが提供される。
【発明の効果】
【００１２】
本発明によれば、回帰関数により得られる調整量の第1推定値（学習量）の信頼度に基づいて、回帰関数又は標準関数による学習量を最適化して一の学習量を算出することができる。よって、少ない過去データが局所的な範囲内のものであっても、標準関数により得られる学習量よりも信頼度の高い学習量を算出することができる。
【図面の簡単な説明】
【００１３】
【図１】データ処理装置の機能的構成図である。
【図２】データ処理の概要を示すフロー図である。
【図３】学習量算出処理を示すフロー図である。
【図４】学習量算出処理の概念図である。
【図５】信頼度算出処理を示すフロー図である。
【図６Ａ】画像数信頼係数と画像数との関係を示す図である。
【図６Ｂ】特徴量信頼係数と平均距離及び距離閾値との関係を示す図である。
【図７】距離閾値決定処理を示すフロー図である。
【図８】距離閾値決定処理の概念図である。
【図９】他のデータ処理を示すフロー図である。
【図１０】分類結果算出処理を示すフロー図である。
【図１１】分類処理を示すフロー図である。
【図１２】出力値決定テーブルを示す図である。
【発明を実施するための形態】
【００１４】
本実施形態におけるデータ処理装置の構成及び動作について、図面を用いて詳細に説明する。なお、本実施形態は本発明における実施形態の一例にすぎず、本発明はこれに限定されるものではない。
以下、一例として入力データが放射線画像である場合を想定して説明する。放射線画像以外には、例えば音声データが適応可能である。
【００１５】
図１に、データ処理装置１０の機能的構成を示す。
データ処理装置１０は、制御部１１、操作部１２、表示部１３、入力部１４、記憶部１５等を備えて構成される。
【００１６】
制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等を備えて構成される。
制御部１１は、記憶部１５に記憶されているプログラムとの協働により各種演算を行い、各部（１２〜１５）の動作を集中制御する。
【００１７】
操作部１２は、キーボードやマウス等を備えて構成される。
操作部１２は、ユーザの操作により操作信号を生成し、生成された操作信号を制御部１１に出力する。
【００１８】
表示部１３は、ディスプレイ等を備えて構成され、制御部１１の表示制御に従い各種操作画面や放射線画像を表示する。
【００１９】
なお、ここでは表示部１３は放射線画像を表示する、としているが表示対象は放射線画像に限定されず、一般的なデジタル画像を表示することもできる。以下の説明においても同様に、本発明は「放射線画像」に限定されない。
【００２０】
入力部１４は、通信用のインターフェイス等を備えて構成される。
入力部１４は、同一ネットワーク上に設置されている放射線撮影装置から放射線画像を入力する。
【００２１】
記憶部１５は、ＲＯＭ（Read Only Memory）等の不揮発性の半導体メモリを備えて構成される。
記憶部１５は、システムプログラムや各種処理プログラムを記憶し、各種処理により得られたデータ等を記憶する。また、記憶部１５は、入力部１４により入力された画像を記憶する。
【００２２】
図２を参照して、本実施形態におけるデータ処理について説明する。
ここでは、回帰問題におけるデータ処理について説明する。
【００２３】
制御部１１は、放射線撮影装置から出力される放射線画像を入力部１４により入力する（ステップＳ１）。
【００２４】
制御部１１は、入力された放射線画像（入力データ）の特徴量を算出する（ステップＳ２）。
特徴量とは、撮影対象の大きさ（画素数）、撮影対象の中心線の形状、濃度ヒストグラムの形状、主走査又は副走査方向における1次微分値の分布等に基づいて算出される値である。
【００２５】
制御部１１は、（１）回帰関数による学習量ＳＱ１、及び（２）標準関数による学習量ＳＱ２、を算出する（ステップＳ３）。
【００２６】
（１）「回帰関数による学習量ＳＱ１」とは、過去に入力されて現在は記憶されている入力データ（過去データ）に基づいて、最新の入力データに対して算出される調整量の第1推定値である。
調整量の推定値とは、入力データが表示部１３に表示される際に調整されるべき濃度補正値又はコントラスト値の推定値である。
【００２７】
（２）「標準関数による学習量ＳＱ２」とは、標準的な学習量を出力する関数に基づいて、最新の入力データに対して算出される調整量の第2推定値である。
【００２８】
図３を参照して、回帰関数による学習量算出処理について説明する。
制御部１１は、過去データの特徴量及び入力データの特徴量を記憶部１５から抽出する（ステップＳ３１）。
【００２９】
過去データの特徴量は、過去に入力された時点で算出されて記憶部１５に記憶される。
過去データの調整量は、画像処理条件確定時に操作部１２を介して調整された濃度補正値又はコントラスト値であって、特徴量と対応付けられて記憶部１５に記憶される。
【００３０】
入力データの特徴量は、入力された時点で算出されて（ステップＳ２参照）記憶部１５に記憶される。
【００３１】
制御部１１は、過去データの特徴量と入力データの特徴量とが近似する度合い（距離ｄ）を算出する（ステップＳ３２）。
【００３２】
距離ｄが小さい過去データほど入力データと類似するといえる。具体的には、２つの放射線画像の特徴量の距離ｄが小さい場合、２つの放射線画像は共に同一部位（例えば腹部）の画像であるといえる。
【００３３】
制御部１１は、算出された距離ｄのうち、小さい順から予め定められたｋ個の過去データを抽出する（ステップＳ３３）。
【００３４】
制御部１１は、抽出されたｋ個の過去データの調整量に１／ｋだけ重み付けをし、他の過去データの調整量には０の重み付けをする（ステップＳ３４）。
【００３５】
制御部１１は、１／ｋ又は０の重み付けをした過去データの調整量の平均を学習量ＳＱ１として算出し（ステップＳ３５）、学習量算出処理を終了する。
【００３６】
標準関数による学習量算出処理では、制御部１１は全ての過去データの調整量の平均を学習量ＳＱ２として算出する。
【００３７】
図４に、学習量算出処理の概念図を示す。
Ｘ１は、入力データの特徴量である。
Ａ１〜Ａ５は、Ｘ１から距離ｄが近い順で抽出されたｋ個（ここではｋ=5）の過去データの調整量である。
【００３８】
学習量ＳＱ１は、Ａ１〜Ａ５にｋの逆数を掛けて重み付けし、他の調整量に０の重み付けをして平均した調整量である。
【００３９】
つまり、ｋ=５の場合の学習量ＳＱ１は、ＳＱ１＝（Ａ１＋Ａ２＋Ａ３＋Ａ４＋Ａ５）×１／５＋（残りの過去データの調整量）×０、によって算出される。
なお、ＳＱ２＝（Ａ１＋Ａ２＋Ａ３＋Ａ４＋Ａ５）×１／５＋（残りの標準データの調整量）×０、である。
【００４０】
図２に戻り、制御部１１は、ステップＳ３で算出された回帰関数による学習量の信頼度（以下、単に「信頼度」）を算出する（ステップＳ４）。
【００４１】
図５を参照して、信頼度算出処理について説明する。
信頼度とは、回帰関数により算出された学習量の信頼度を示す値である。
信頼度は、下記式１により算出される。
＜式１＞
（信頼度Ａ）＝（データ量信頼係数ａ１）×（特徴量信頼係数ａ２）
【００４２】
詳細は以下に説明するが、データ量信頼係数ａ１は、過去データが増加するに連れて大きくなる係数である。ここではデータ＝放射線画像であるから、「画像数信頼係数ａ１」として説明する。
【００４３】
また、特徴量信頼係数ａ２は、過去データの特徴量と入力データの特徴量とが近似する度合いの平均が小さいほど大きくなる係数である。
【００４４】
以下、画像数信頼係数ａ１及び特徴量信頼係数ａ２の算出処理とともに、信頼度の算出処理について説明する。
【００４５】
制御部１１は、過去データのデータ数（画像数）ｎを記憶部１５から抽出する（ステップＳ４１）。
制御部１１は、画像数ｎが予め定められた画像数閾値Ｎ（例えば、Ｎ=１００枚）よりも大きいか否か判断する（ステップＳ４２）。
【００４６】
ｎ＞Ｎでない場合（ステップＳ４２；Ｎ）、制御部１１は、画像数信頼係数ａ１＝ｎ／Ｎに設定する（ステップＳ４３）。
【００４７】
ｎ＞Ｎの場合（ステップＳ４２；Ｙ）、制御部１１は、画像数信頼係数ａ１＝１に設定する（ステップＳ４４）。
【００４８】
図６Ａに、画像数信頼係数ａ１と画像数ｎとの関係を示す。
縦軸は画像数信頼係数ａ１であり、横軸は過去データの画像数ｎである。
画像数信頼係数ａ１は、画像数ｎに比例して大きくなり（ａ１=ｎ／Ｎ）、記憶される画像数ｎが予め定められた閾値Ｎを超えた以降は一定値となる（ａ１=１）。
【００４９】
図５に戻り、制御部１１は、過去データの特徴量と入力データの特徴量（ステップＳ２参照）とが近似する度合いの平均値（平均距離ｄＡ）を算出する（ステップＳ４５）。
平均距離ｄＡは、入力データと類似する過去データｋ個の距離ｄの平均値である。
【００５０】
制御部１１は、近似する度合いの閾値（距離閾値Ｄ）を決定する（ステップＳ４６）。
【００５１】
図７を参照して、距離閾値決定処理について説明する。
制御部１１は、過去データのうち、何れか一のデータを選択する（ステップＳ４６１）。
制御部１１は、選択された一のデータ以外の過去データ全てとの距離を算出した後、選択された一のデータの特徴量とこの特徴量から距離が近いｋ個の他のデータの特徴量との平均距離ｄＡｋ１を算出する（ステップＳ４６２）。
【００５２】
制御部１１は、ｎ個の過去データを全て選択し、選択されたデータごとに平均距離ｄＡを算出したか否か判断する（ステップＳ４６３）。
【００５３】
過去データを全て選択していない場合（ステップＳ４６３；Ｎ）、制御部１１は、他のデータを選択して（ステップＳ４６４）、ステップＳ４６２に移行する。
【００５４】
過去データを全て選択した場合（ステップＳ４６３；Ｙ）、制御部１１は、算出された過去データ分（ｎ個）の平均距離ｄＡｋ１〜ｄＡｋｎのデータを値の小さい順に並び替える（ステップＳ４６５）。
【００５５】
制御部１１は、予め定められた累積％点及び過去データの数ｎから距離閾値Ｄを決定するためのカウント数を決定し、値の小さい順にデータ数をカウントする（ステップＳ４６６）。
制御部１１は、決定されたカウント数に達したデータの平均距離を距離閾値Ｄとして決定し（ステップＳ４６７）、距離閾値決定処理を終了する。
【００５６】
図８に、距離閾値決定処理の概念図を示す。
縦軸はカウント数、横軸は平均距離ｄＡを示す。また、面積Ｕは累積％を示す。総面積Ｕの累積％は１００％である。
予め定められた累積％点（例えば９７％）のデータの平均距離が距離閾値Ｄとして決定される。
【００５７】
図５に戻り、制御部１１は、ｋ個の過去データの特徴量と入力データの特徴量との平均距離ｄＡが距離閾値Ｄよりも大きいか否か判断する（ステップＳ４７）。
【００５８】
ｄＡ＞Ｄでない場合（ステップＳ４７；Ｎ）、制御部１１は、特徴量信頼係数ａ２=１に設定する（ステップＳ４８）。
ｄＡ＞Ｄである場合（ステップＳ４７；Ｙ）、制御部１１は、特徴量信頼係数ａ２=１−１／Ｄ×（ｄＡ−Ｄ）に設定する（ステップＳ４９）。
【００５９】
図６Ｂに、特徴量信頼係数ａ２と平均距離ｄＡ及び距離閾値Ｄとの関係を示す。
縦軸は特徴量信頼係数ａ２であり、横軸は平均距離ｄＡである。
特徴量信頼係数ａ２は、平均距離ｄＡが距離閾値Ｄの範囲内の場合は一定値（ａ２=１）であり、平均距離ｄＡが距離閾値Ｄを超えた以降は平均距離ｄＡに比例して小さくなる（ａ２=１−１／Ｄ×（ｄＡ−Ｄ））。
【００６０】
制御部１１は、信頼度Ａを信頼度Ａ=ａ１×ａ２により算出し（ステップＳ５０）、信頼度算出処理を終了する。
【００６１】
図２に戻り、制御部１１は、信頼度Ａに基づいて調整量の第3推定値（学習量）を算出する（ステップＳ５）。
信頼度Ａに基づく学習量は、下記式２により算出される。
＜式２＞
（信頼度Ａに基づく学習量ＳＱＡ）＝（回帰関数による学習量ＳＱ１）×（信頼度Ａ）＋（標準関数による学習量ＳＱ２）×（１−信頼度Ａ）
【００６２】
制御部１１は、算出された学習量ＳＱＡに基づいて入力データ（＝放射線画像）の濃度又はコントラストを調整し、調整された放射線画像を表示部１３に表示して（ステップＳ６）、データ処理を終了する。
【００６３】
図９を参照して、他のデータ処理について説明する。
ここでは、分類問題におけるデータ処理について説明する。
【００６４】
ステップＳ１１、Ｓ１２までは、図２で説明した処理と同様であるため、ここでの説明は省略する。
【００６５】
制御部１１は、（１）学習分類器による学習結果ＳＲ１、及び（２）標準関数による学習結果ＳＲ２、を算出する（ステップＳ１３）。
【００６６】
（１）「学習分類器による学習結果ＳＲ１」とは、過去に入力されて現在は記憶されている入力データ（過去データ）に基づいて、最新の入力データに対して算出される分類結果の第1推定値である。
分類結果の推定値とは、入力データが分類されるべき部位の推定値である。
【００６７】
（２）「標準関数による学習結果ＳＲ２」とは、標準的な分類結果を出力する関数に基づいて、最新の入力データに対して算出される分類結果の第2推定値である。
【００６８】
図１０を参照して、学習分類器による学習結果算出処理について説明する。
制御部１１は、過去データの特徴量及び入力データの特徴量を記憶部１５から抽出する（ステップＳ１３１）。
【００６９】
過去データの特徴量は、過去に入力された時点で算出されて記憶部１５に記憶される。
過去データの分類結果は、画像処理条件確定時に操作部１２を介して入力された部位の情報であって、特徴量と対応付けられて記憶部１５に記憶される。
【００７０】
入力データの特徴量は、入力された時点で算出されて記憶部１５に記憶される。
【００７１】
制御部１１は、過去データの特徴量と入力データの特徴量とが近似する度合い（距離ｄ）を算出する（ステップＳ１３２）。
【００７２】
距離ｄが小さい過去データほど入力データと類似するといえる。具体的には、２つの放射線画像の特徴量の距離ｄが小さい場合、２つの放射線画像は共に同一部位（例えば腹部）の画像であるといえる。
【００７３】
制御部１１は、算出された距離ｄのうち、小さい順から予め定められたｋ個の過去データを抽出する（ステップＳ１３３）。
【００７４】
制御部１１は、抽出されたｋ個の過去データの分類結果のうち、最も数の多い分類結果を学習結果として算出する（ステップＳ１３４）。
【００７５】
上記の処理で「過去データ」を「標準データ」とした場合、標準関数による学習結果ＳＲ２が算出される。他の処理は学習分類器による学習結果算出処理（図１２）と同様であるため、標準関数による学習結果算出処理の説明は省略する。
【００７６】
図９に戻り、制御部１１は、ステップＳ１３で算出された学習分類器による学習結果の信頼度（信頼度）を算出する（ステップＳ１４）。
【００７７】
ステップＳ１４の処理は、ステップＳ４の処理と同様であるため、ここでの説明は省略する。
制御部１１は、信頼度Ａに基づく分類処理を行う（ステップＳ１５）。
【００７８】
図１１を参照して、学習分類器による分類処理について説明する。
制御部１１は、信頼度Ａが１／３以上であるか否か判断する（ステップＳ１５１）。
【００７９】
Ａ≧１／３でない場合（ステップＳ１５１；Ｎ）、制御部１１は、標準関数により算出された学習結果ＳＲ２を選択して（ステップＳ１５２）、学習分類器による分類処理を終了する。
【００８０】
Ａ≧１／３である場合（ステップＳ１５１；Ｙ）、制御部１１は、信頼度Ａが２／３以上であるか否か判断する（ステップＳ１５３）。
【００８１】
Ａ≧２／３である場合（ステップＳ１５３；Ｙ）、制御部１１は、学習分類器により算出された学習結果ＳＲ１を選択して（ステップＳ１５４）、学習分類器による分類処理を終了する。
【００８２】
Ａ≧２／３でない場合（ステップＳ１５３；Ｎ）、制御部１１は、予め記憶している出力値決定テーブルに基づいて標準関数又は学習分類器の何れかにより算出された学習結果を選択して（ステップＳ１５５）、学習分類器による分類処理を終了する。
【００８３】
図１２に、出力値決定テーブルＴを示す。
出力値決定テーブルＴに示されるＣ１〜Ｃ３は、学習分類器又は標準関数により算出された学習結果である。
【００８４】
ここでは、学習分類器又は標準関数により、特殊な画像として算出される学習結果をＣ１、一般的な画像として算出される学習結果をＣ２、より一般的な画像として算出される学習結果をＣ３とする。
【００８５】
なお、Ｃ１が算出される「特殊な画像」とは、例えばマンモグラフィーである。
また、Ｃ２が算出される「一般的な画像」とは、例えば四肢骨の画像である。
また、Ｃ３が算出される「より一般的な画像」とは、例えば胸部の画像である。
【００８６】
出力値決定テーブルＴによれば、学習分類器又は標準関数による学習結果が同一の場合は、同一の学習結果が選択される。
【００８７】
例えば、学習分類器により算出された学習結果がＣ１であり、標準関数により算出された学習結果がＣ１である場合、Ｃ１が選択される。
【００８８】
学習分類器又は標準関数により算出された学習結果が異なる場合は、Ｃ３、Ｃ２、Ｃ１の順に選択される。つまり、より一般的な画像に対して算出される学習結果Ｃ３が優先的に選択され、Ｃ２、Ｃ１の順に選択される。
【００８９】
例えば、学習分類器による学習結果がＣ１であり、標準学習器により算出された学習結果がＣ２の場合、Ｃ２が選択される。
また、学習分類器により算出された学習結果がＣ３であり、標準関数により算出された学習結果がＣ１の場合、Ｃ３が選択される。
【００９０】
図９に戻り、制御部１１は、選択された学習結果（Ｃ１〜Ｃ３）に基づいて入力データ（＝放射線画像）の濃度又はコントラストを調整し、調整された放射線画像を表示部１３により表示して（ステップＳ１６）、他のデータ処理を終了する。
【００９１】
以上のように、本実施形態によれば、回帰問題において、回帰関数による学習量ＳＱ１を算出し、算出された学習量ＳＱ１の信頼度Ａを算出することができる。
【００９２】
また、信頼度Ａは、画像数信頼係数ａ１と特徴量信頼係数ａ２との積により算出することができる。
【００９３】
また、画像数信頼係数ａ１は、画像数ｎが画像数閾値Ｎよりも小さい場合はａ１＝ｎ／Ｎに設定し、画像数ｎが画像数閾値Ｎよりも大きい場合はａ１＝１に設定することができる。
【００９４】
また、特徴量信頼係数ａ２は、平均距離ｄＡが距離閾値Ｄよりも大きい場合はａ２＝１−１／Ｄ（ｄＡ−Ｄ）に設定し、平均距離ｄＡが距離閾値Ｄよりも小さい場合はａ２＝１に設定することができる。
【００９５】
また、距離閾値Ｄは、過去データの全てのデータについて、他のデータとの平均距離ｄＡを算出し、平均距離ｄＡの小さい順に過去データを並び替え、並び替えた過去データのデータ数をカウントして予め定められた割合になった時点の平均距離ｄＡを距離閾値Ｄに決定することができる。
【００９６】
また、回帰関数による学習量ＳＱ１、標準関数による学習量ＳＱ２及び信頼度Ａに基づいて最適化された一の学習量ＳＱＡを算出することができる。
【００９７】
また、最適化された一の学習量ＳＱＡは、ＳＱＡ＝（回帰関数による学習量）×Ａ＋（標準関数による学習量）×（１−信頼度Ａ）、により算出することができる。
【００９８】
また、分類問題において、信頼度Ａに基づいて、学習分類器により算出された学習結果（Ｃ１〜Ｃ３）又は標準関数により算出された学習結果（Ｃ１〜Ｃ３）の何れか一方の学習結果を選択して、一の学習結果を算出することができる。
【００９９】
また、入力データが放射線画像である場合、学習量または学習結果（ＳＱ１、ＳＱ２、Ｃ１〜Ｃ３）として放射線画像の濃度補正値又はコントラスト値を算出することができる。
【０１００】
また、データ処理装置１０が表示部１３を備えて構成される場合、学習量または学習結果（ＳＱ１、ＳＱ２、Ｃ１〜Ｃ３）に基づいて濃度又はコントラストが調整された放射線画像を表示部１３により表示することができる。
【符号の説明】
【０１０１】
１０ データ処理装置
１１ 制御部
１２ 操作部
１３ 表示部
１４ 入力部
１５ 記憶部
【技術分野】
【０００１】
本発明は、データ処理装置、方法及びプログラムに関する。
【背景技術】
【０００２】
学習システムの典型的なものに、分類問題と回帰問題がある。
分類問題では、過去データに基づき学習された学習分類器により、入力データに対する一の推定値（分類結果）が算出される。入力データが例えば放射線画像である場合、入力された放射線画像に対して分類すべき胸部、腹部等の分類結果が算出される。すなわち、分類問題では、分類器により部位認識が行われる。
【０００３】
回帰問題では、過去データに基づき学習された回帰関数により入力データに対して一の推定値（学習量）が算出される。入力データが例えば放射線画像である場合、入力された放射線画像に対して調整すべき濃度又はコントラスト等の学習量が算出される。
入力された放射線画像は、算出された学習量に基づいて濃度又はコントラスト等が調整され、調整された放射線画像が表示部等により表示される。
【０００４】
ここで、学習システムによれば、上記したように過去に入力した入力データ（過去データ）に基づいて、上記の分類問題及び回帰問題におけるデータ処理が行われる。つまり、過去データから学習して分類結果又は学習量（以下、総称して「学習結果」）が算出される。よって、過去データのデータ量が不十分な場合、得られる学習結果の信頼度は低くなる。
【０００５】
特許文献１によれば、予め用意された標準モデルを備え、少ない過去データによって標準モデルのパラメータを適応化する技術が開示されている（特許文献１参照）。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開平８−９５５９２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかし、特許文献１の技術によれば、少ない過去データが局所的な範囲内のものである場合、適応化された標準モデルによって得られる学習結果の信頼度はデフォルトの標準モデルによって得られる学習結果よりも低くなる。
【０００８】
本発明の課題は、回帰関数により得られた調整量の第1推定値（学習量）の信頼度を算出し得るデータ処理装置、方法及びプログラムを提供することである。
【課題を解決するための手段】
【０００９】
本発明によれば、
データを入力する入力部と、
前記入力されたデータを記憶する記憶部と、
制御部と、を備え、
前記制御部は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データに対して第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量に基づいて算出するデータ処理装置が提供される。
【００１０】
また、本発明によれば、
入力部により、データを入力する工程と、
記憶部により、前記入力されたデータを記憶する工程と、
制御部により、制御する工程と、を含み、
前記制御する工程は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出する工程と、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量に基づいて算出する工程と、を含むデータ処理方法が提供される。
【００１１】
また、本発明によれば、
コンピュータを、
データを入力する入力手段、
前記入力されたデータを記憶する記憶手段、
制御手段、として機能させるプログラムであって、
前記制御手段は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量に基づいて算出するプログラムが提供される。
【発明の効果】
【００１２】
本発明によれば、回帰関数により得られる調整量の第1推定値（学習量）の信頼度に基づいて、回帰関数又は標準関数による学習量を最適化して一の学習量を算出することができる。よって、少ない過去データが局所的な範囲内のものであっても、標準関数により得られる学習量よりも信頼度の高い学習量を算出することができる。
【図面の簡単な説明】
【００１３】
【図１】データ処理装置の機能的構成図である。
【図２】データ処理の概要を示すフロー図である。
【図３】学習量算出処理を示すフロー図である。
【図４】学習量算出処理の概念図である。
【図５】信頼度算出処理を示すフロー図である。
【図６Ａ】画像数信頼係数と画像数との関係を示す図である。
【図６Ｂ】特徴量信頼係数と平均距離及び距離閾値との関係を示す図である。
【図７】距離閾値決定処理を示すフロー図である。
【図８】距離閾値決定処理の概念図である。
【図９】他のデータ処理を示すフロー図である。
【図１０】分類結果算出処理を示すフロー図である。
【図１１】分類処理を示すフロー図である。
【図１２】出力値決定テーブルを示す図である。
【発明を実施するための形態】
【００１４】
本実施形態におけるデータ処理装置の構成及び動作について、図面を用いて詳細に説明する。なお、本実施形態は本発明における実施形態の一例にすぎず、本発明はこれに限定されるものではない。
以下、一例として入力データが放射線画像である場合を想定して説明する。放射線画像以外には、例えば音声データが適応可能である。
【００１５】
図１に、データ処理装置１０の機能的構成を示す。
データ処理装置１０は、制御部１１、操作部１２、表示部１３、入力部１４、記憶部１５等を備えて構成される。
【００１６】
制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等を備えて構成される。
制御部１１は、記憶部１５に記憶されているプログラムとの協働により各種演算を行い、各部（１２〜１５）の動作を集中制御する。
【００１７】
操作部１２は、キーボードやマウス等を備えて構成される。
操作部１２は、ユーザの操作により操作信号を生成し、生成された操作信号を制御部１１に出力する。
【００１８】
表示部１３は、ディスプレイ等を備えて構成され、制御部１１の表示制御に従い各種操作画面や放射線画像を表示する。
【００１９】
なお、ここでは表示部１３は放射線画像を表示する、としているが表示対象は放射線画像に限定されず、一般的なデジタル画像を表示することもできる。以下の説明においても同様に、本発明は「放射線画像」に限定されない。
【００２０】
入力部１４は、通信用のインターフェイス等を備えて構成される。
入力部１４は、同一ネットワーク上に設置されている放射線撮影装置から放射線画像を入力する。
【００２１】
記憶部１５は、ＲＯＭ（Read Only Memory）等の不揮発性の半導体メモリを備えて構成される。
記憶部１５は、システムプログラムや各種処理プログラムを記憶し、各種処理により得られたデータ等を記憶する。また、記憶部１５は、入力部１４により入力された画像を記憶する。
【００２２】
図２を参照して、本実施形態におけるデータ処理について説明する。
ここでは、回帰問題におけるデータ処理について説明する。
【００２３】
制御部１１は、放射線撮影装置から出力される放射線画像を入力部１４により入力する（ステップＳ１）。
【００２４】
制御部１１は、入力された放射線画像（入力データ）の特徴量を算出する（ステップＳ２）。
特徴量とは、撮影対象の大きさ（画素数）、撮影対象の中心線の形状、濃度ヒストグラムの形状、主走査又は副走査方向における1次微分値の分布等に基づいて算出される値である。
【００２５】
制御部１１は、（１）回帰関数による学習量ＳＱ１、及び（２）標準関数による学習量ＳＱ２、を算出する（ステップＳ３）。
【００２６】
（１）「回帰関数による学習量ＳＱ１」とは、過去に入力されて現在は記憶されている入力データ（過去データ）に基づいて、最新の入力データに対して算出される調整量の第1推定値である。
調整量の推定値とは、入力データが表示部１３に表示される際に調整されるべき濃度補正値又はコントラスト値の推定値である。
【００２７】
（２）「標準関数による学習量ＳＱ２」とは、標準的な学習量を出力する関数に基づいて、最新の入力データに対して算出される調整量の第2推定値である。
【００２８】
図３を参照して、回帰関数による学習量算出処理について説明する。
制御部１１は、過去データの特徴量及び入力データの特徴量を記憶部１５から抽出する（ステップＳ３１）。
【００２９】
過去データの特徴量は、過去に入力された時点で算出されて記憶部１５に記憶される。
過去データの調整量は、画像処理条件確定時に操作部１２を介して調整された濃度補正値又はコントラスト値であって、特徴量と対応付けられて記憶部１５に記憶される。
【００３０】
入力データの特徴量は、入力された時点で算出されて（ステップＳ２参照）記憶部１５に記憶される。
【００３１】
制御部１１は、過去データの特徴量と入力データの特徴量とが近似する度合い（距離ｄ）を算出する（ステップＳ３２）。
【００３２】
距離ｄが小さい過去データほど入力データと類似するといえる。具体的には、２つの放射線画像の特徴量の距離ｄが小さい場合、２つの放射線画像は共に同一部位（例えば腹部）の画像であるといえる。
【００３３】
制御部１１は、算出された距離ｄのうち、小さい順から予め定められたｋ個の過去データを抽出する（ステップＳ３３）。
【００３４】
制御部１１は、抽出されたｋ個の過去データの調整量に１／ｋだけ重み付けをし、他の過去データの調整量には０の重み付けをする（ステップＳ３４）。
【００３５】
制御部１１は、１／ｋ又は０の重み付けをした過去データの調整量の平均を学習量ＳＱ１として算出し（ステップＳ３５）、学習量算出処理を終了する。
【００３６】
標準関数による学習量算出処理では、制御部１１は全ての過去データの調整量の平均を学習量ＳＱ２として算出する。
【００３７】
図４に、学習量算出処理の概念図を示す。
Ｘ１は、入力データの特徴量である。
Ａ１〜Ａ５は、Ｘ１から距離ｄが近い順で抽出されたｋ個（ここではｋ=5）の過去データの調整量である。
【００３８】
学習量ＳＱ１は、Ａ１〜Ａ５にｋの逆数を掛けて重み付けし、他の調整量に０の重み付けをして平均した調整量である。
【００３９】
つまり、ｋ=５の場合の学習量ＳＱ１は、ＳＱ１＝（Ａ１＋Ａ２＋Ａ３＋Ａ４＋Ａ５）×１／５＋（残りの過去データの調整量）×０、によって算出される。
なお、ＳＱ２＝（Ａ１＋Ａ２＋Ａ３＋Ａ４＋Ａ５）×１／５＋（残りの標準データの調整量）×０、である。
【００４０】
図２に戻り、制御部１１は、ステップＳ３で算出された回帰関数による学習量の信頼度（以下、単に「信頼度」）を算出する（ステップＳ４）。
【００４１】
図５を参照して、信頼度算出処理について説明する。
信頼度とは、回帰関数により算出された学習量の信頼度を示す値である。
信頼度は、下記式１により算出される。
＜式１＞
（信頼度Ａ）＝（データ量信頼係数ａ１）×（特徴量信頼係数ａ２）
【００４２】
詳細は以下に説明するが、データ量信頼係数ａ１は、過去データが増加するに連れて大きくなる係数である。ここではデータ＝放射線画像であるから、「画像数信頼係数ａ１」として説明する。
【００４３】
また、特徴量信頼係数ａ２は、過去データの特徴量と入力データの特徴量とが近似する度合いの平均が小さいほど大きくなる係数である。
【００４４】
以下、画像数信頼係数ａ１及び特徴量信頼係数ａ２の算出処理とともに、信頼度の算出処理について説明する。
【００４５】
制御部１１は、過去データのデータ数（画像数）ｎを記憶部１５から抽出する（ステップＳ４１）。
制御部１１は、画像数ｎが予め定められた画像数閾値Ｎ（例えば、Ｎ=１００枚）よりも大きいか否か判断する（ステップＳ４２）。
【００４６】
ｎ＞Ｎでない場合（ステップＳ４２；Ｎ）、制御部１１は、画像数信頼係数ａ１＝ｎ／Ｎに設定する（ステップＳ４３）。
【００４７】
ｎ＞Ｎの場合（ステップＳ４２；Ｙ）、制御部１１は、画像数信頼係数ａ１＝１に設定する（ステップＳ４４）。
【００４８】
図６Ａに、画像数信頼係数ａ１と画像数ｎとの関係を示す。
縦軸は画像数信頼係数ａ１であり、横軸は過去データの画像数ｎである。
画像数信頼係数ａ１は、画像数ｎに比例して大きくなり（ａ１=ｎ／Ｎ）、記憶される画像数ｎが予め定められた閾値Ｎを超えた以降は一定値となる（ａ１=１）。
【００４９】
図５に戻り、制御部１１は、過去データの特徴量と入力データの特徴量（ステップＳ２参照）とが近似する度合いの平均値（平均距離ｄＡ）を算出する（ステップＳ４５）。
平均距離ｄＡは、入力データと類似する過去データｋ個の距離ｄの平均値である。
【００５０】
制御部１１は、近似する度合いの閾値（距離閾値Ｄ）を決定する（ステップＳ４６）。
【００５１】
図７を参照して、距離閾値決定処理について説明する。
制御部１１は、過去データのうち、何れか一のデータを選択する（ステップＳ４６１）。
制御部１１は、選択された一のデータ以外の過去データ全てとの距離を算出した後、選択された一のデータの特徴量とこの特徴量から距離が近いｋ個の他のデータの特徴量との平均距離ｄＡｋ１を算出する（ステップＳ４６２）。
【００５２】
制御部１１は、ｎ個の過去データを全て選択し、選択されたデータごとに平均距離ｄＡを算出したか否か判断する（ステップＳ４６３）。
【００５３】
過去データを全て選択していない場合（ステップＳ４６３；Ｎ）、制御部１１は、他のデータを選択して（ステップＳ４６４）、ステップＳ４６２に移行する。
【００５４】
過去データを全て選択した場合（ステップＳ４６３；Ｙ）、制御部１１は、算出された過去データ分（ｎ個）の平均距離ｄＡｋ１〜ｄＡｋｎのデータを値の小さい順に並び替える（ステップＳ４６５）。
【００５５】
制御部１１は、予め定められた累積％点及び過去データの数ｎから距離閾値Ｄを決定するためのカウント数を決定し、値の小さい順にデータ数をカウントする（ステップＳ４６６）。
制御部１１は、決定されたカウント数に達したデータの平均距離を距離閾値Ｄとして決定し（ステップＳ４６７）、距離閾値決定処理を終了する。
【００５６】
図８に、距離閾値決定処理の概念図を示す。
縦軸はカウント数、横軸は平均距離ｄＡを示す。また、面積Ｕは累積％を示す。総面積Ｕの累積％は１００％である。
予め定められた累積％点（例えば９７％）のデータの平均距離が距離閾値Ｄとして決定される。
【００５７】
図５に戻り、制御部１１は、ｋ個の過去データの特徴量と入力データの特徴量との平均距離ｄＡが距離閾値Ｄよりも大きいか否か判断する（ステップＳ４７）。
【００５８】
ｄＡ＞Ｄでない場合（ステップＳ４７；Ｎ）、制御部１１は、特徴量信頼係数ａ２=１に設定する（ステップＳ４８）。
ｄＡ＞Ｄである場合（ステップＳ４７；Ｙ）、制御部１１は、特徴量信頼係数ａ２=１−１／Ｄ×（ｄＡ−Ｄ）に設定する（ステップＳ４９）。
【００５９】
図６Ｂに、特徴量信頼係数ａ２と平均距離ｄＡ及び距離閾値Ｄとの関係を示す。
縦軸は特徴量信頼係数ａ２であり、横軸は平均距離ｄＡである。
特徴量信頼係数ａ２は、平均距離ｄＡが距離閾値Ｄの範囲内の場合は一定値（ａ２=１）であり、平均距離ｄＡが距離閾値Ｄを超えた以降は平均距離ｄＡに比例して小さくなる（ａ２=１−１／Ｄ×（ｄＡ−Ｄ））。
【００６０】
制御部１１は、信頼度Ａを信頼度Ａ=ａ１×ａ２により算出し（ステップＳ５０）、信頼度算出処理を終了する。
【００６１】
図２に戻り、制御部１１は、信頼度Ａに基づいて調整量の第3推定値（学習量）を算出する（ステップＳ５）。
信頼度Ａに基づく学習量は、下記式２により算出される。
＜式２＞
（信頼度Ａに基づく学習量ＳＱＡ）＝（回帰関数による学習量ＳＱ１）×（信頼度Ａ）＋（標準関数による学習量ＳＱ２）×（１−信頼度Ａ）
【００６２】
制御部１１は、算出された学習量ＳＱＡに基づいて入力データ（＝放射線画像）の濃度又はコントラストを調整し、調整された放射線画像を表示部１３に表示して（ステップＳ６）、データ処理を終了する。
【００６３】
図９を参照して、他のデータ処理について説明する。
ここでは、分類問題におけるデータ処理について説明する。
【００６４】
ステップＳ１１、Ｓ１２までは、図２で説明した処理と同様であるため、ここでの説明は省略する。
【００６５】
制御部１１は、（１）学習分類器による学習結果ＳＲ１、及び（２）標準関数による学習結果ＳＲ２、を算出する（ステップＳ１３）。
【００６６】
（１）「学習分類器による学習結果ＳＲ１」とは、過去に入力されて現在は記憶されている入力データ（過去データ）に基づいて、最新の入力データに対して算出される分類結果の第1推定値である。
分類結果の推定値とは、入力データが分類されるべき部位の推定値である。
【００６７】
（２）「標準関数による学習結果ＳＲ２」とは、標準的な分類結果を出力する関数に基づいて、最新の入力データに対して算出される分類結果の第2推定値である。
【００６８】
図１０を参照して、学習分類器による学習結果算出処理について説明する。
制御部１１は、過去データの特徴量及び入力データの特徴量を記憶部１５から抽出する（ステップＳ１３１）。
【００６９】
過去データの特徴量は、過去に入力された時点で算出されて記憶部１５に記憶される。
過去データの分類結果は、画像処理条件確定時に操作部１２を介して入力された部位の情報であって、特徴量と対応付けられて記憶部１５に記憶される。
【００７０】
入力データの特徴量は、入力された時点で算出されて記憶部１５に記憶される。
【００７１】
制御部１１は、過去データの特徴量と入力データの特徴量とが近似する度合い（距離ｄ）を算出する（ステップＳ１３２）。
【００７２】
距離ｄが小さい過去データほど入力データと類似するといえる。具体的には、２つの放射線画像の特徴量の距離ｄが小さい場合、２つの放射線画像は共に同一部位（例えば腹部）の画像であるといえる。
【００７３】
制御部１１は、算出された距離ｄのうち、小さい順から予め定められたｋ個の過去データを抽出する（ステップＳ１３３）。
【００７４】
制御部１１は、抽出されたｋ個の過去データの分類結果のうち、最も数の多い分類結果を学習結果として算出する（ステップＳ１３４）。
【００７５】
上記の処理で「過去データ」を「標準データ」とした場合、標準関数による学習結果ＳＲ２が算出される。他の処理は学習分類器による学習結果算出処理（図１２）と同様であるため、標準関数による学習結果算出処理の説明は省略する。
【００７６】
図９に戻り、制御部１１は、ステップＳ１３で算出された学習分類器による学習結果の信頼度（信頼度）を算出する（ステップＳ１４）。
【００７７】
ステップＳ１４の処理は、ステップＳ４の処理と同様であるため、ここでの説明は省略する。
制御部１１は、信頼度Ａに基づく分類処理を行う（ステップＳ１５）。
【００７８】
図１１を参照して、学習分類器による分類処理について説明する。
制御部１１は、信頼度Ａが１／３以上であるか否か判断する（ステップＳ１５１）。
【００７９】
Ａ≧１／３でない場合（ステップＳ１５１；Ｎ）、制御部１１は、標準関数により算出された学習結果ＳＲ２を選択して（ステップＳ１５２）、学習分類器による分類処理を終了する。
【００８０】
Ａ≧１／３である場合（ステップＳ１５１；Ｙ）、制御部１１は、信頼度Ａが２／３以上であるか否か判断する（ステップＳ１５３）。
【００８１】
Ａ≧２／３である場合（ステップＳ１５３；Ｙ）、制御部１１は、学習分類器により算出された学習結果ＳＲ１を選択して（ステップＳ１５４）、学習分類器による分類処理を終了する。
【００８２】
Ａ≧２／３でない場合（ステップＳ１５３；Ｎ）、制御部１１は、予め記憶している出力値決定テーブルに基づいて標準関数又は学習分類器の何れかにより算出された学習結果を選択して（ステップＳ１５５）、学習分類器による分類処理を終了する。
【００８３】
図１２に、出力値決定テーブルＴを示す。
出力値決定テーブルＴに示されるＣ１〜Ｃ３は、学習分類器又は標準関数により算出された学習結果である。
【００８４】
ここでは、学習分類器又は標準関数により、特殊な画像として算出される学習結果をＣ１、一般的な画像として算出される学習結果をＣ２、より一般的な画像として算出される学習結果をＣ３とする。
【００８５】
なお、Ｃ１が算出される「特殊な画像」とは、例えばマンモグラフィーである。
また、Ｃ２が算出される「一般的な画像」とは、例えば四肢骨の画像である。
また、Ｃ３が算出される「より一般的な画像」とは、例えば胸部の画像である。
【００８６】
出力値決定テーブルＴによれば、学習分類器又は標準関数による学習結果が同一の場合は、同一の学習結果が選択される。
【００８７】
例えば、学習分類器により算出された学習結果がＣ１であり、標準関数により算出された学習結果がＣ１である場合、Ｃ１が選択される。
【００８８】
学習分類器又は標準関数により算出された学習結果が異なる場合は、Ｃ３、Ｃ２、Ｃ１の順に選択される。つまり、より一般的な画像に対して算出される学習結果Ｃ３が優先的に選択され、Ｃ２、Ｃ１の順に選択される。
【００８９】
例えば、学習分類器による学習結果がＣ１であり、標準学習器により算出された学習結果がＣ２の場合、Ｃ２が選択される。
また、学習分類器により算出された学習結果がＣ３であり、標準関数により算出された学習結果がＣ１の場合、Ｃ３が選択される。
【００９０】
図９に戻り、制御部１１は、選択された学習結果（Ｃ１〜Ｃ３）に基づいて入力データ（＝放射線画像）の濃度又はコントラストを調整し、調整された放射線画像を表示部１３により表示して（ステップＳ１６）、他のデータ処理を終了する。
【００９１】
以上のように、本実施形態によれば、回帰問題において、回帰関数による学習量ＳＱ１を算出し、算出された学習量ＳＱ１の信頼度Ａを算出することができる。
【００９２】
また、信頼度Ａは、画像数信頼係数ａ１と特徴量信頼係数ａ２との積により算出することができる。
【００９３】
また、画像数信頼係数ａ１は、画像数ｎが画像数閾値Ｎよりも小さい場合はａ１＝ｎ／Ｎに設定し、画像数ｎが画像数閾値Ｎよりも大きい場合はａ１＝１に設定することができる。
【００９４】
また、特徴量信頼係数ａ２は、平均距離ｄＡが距離閾値Ｄよりも大きい場合はａ２＝１−１／Ｄ（ｄＡ−Ｄ）に設定し、平均距離ｄＡが距離閾値Ｄよりも小さい場合はａ２＝１に設定することができる。
【００９５】
また、距離閾値Ｄは、過去データの全てのデータについて、他のデータとの平均距離ｄＡを算出し、平均距離ｄＡの小さい順に過去データを並び替え、並び替えた過去データのデータ数をカウントして予め定められた割合になった時点の平均距離ｄＡを距離閾値Ｄに決定することができる。
【００９６】
また、回帰関数による学習量ＳＱ１、標準関数による学習量ＳＱ２及び信頼度Ａに基づいて最適化された一の学習量ＳＱＡを算出することができる。
【００９７】
また、最適化された一の学習量ＳＱＡは、ＳＱＡ＝（回帰関数による学習量）×Ａ＋（標準関数による学習量）×（１−信頼度Ａ）、により算出することができる。
【００９８】
また、分類問題において、信頼度Ａに基づいて、学習分類器により算出された学習結果（Ｃ１〜Ｃ３）又は標準関数により算出された学習結果（Ｃ１〜Ｃ３）の何れか一方の学習結果を選択して、一の学習結果を算出することができる。
【００９９】
また、入力データが放射線画像である場合、学習量または学習結果（ＳＱ１、ＳＱ２、Ｃ１〜Ｃ３）として放射線画像の濃度補正値又はコントラスト値を算出することができる。
【０１００】
また、データ処理装置１０が表示部１３を備えて構成される場合、学習量または学習結果（ＳＱ１、ＳＱ２、Ｃ１〜Ｃ３）に基づいて濃度又はコントラストが調整された放射線画像を表示部１３により表示することができる。
【符号の説明】
【０１０１】
１０ データ処理装置
１１ 制御部
１２ 操作部
１３ 表示部
１４ 入力部
１５ 記憶部
【特許請求の範囲】
【請求項１】
データを入力する入力部と、
前記入力されたデータを記憶する記憶部と、
制御部と、を備え、
前記制御部は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データに対して第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量及び前記入力データの特徴量に基づいて算出するデータ処理装置。
【請求項２】
前記制御部は、前記過去データのデータ量に基づいて算出されるデータ量信頼係数と前記過去データの特徴量及び前記入力データの特徴量に基づいて算出される特徴量信頼係数との積により、前記信頼度を算出する請求項１に記載のデータ処理装置。
【請求項３】
前記制御部は、前記過去データのデータ量が予め定められたデータ量閾値よりも小さい場合は前記過去データのデータ量を前記データ量閾値で割った値を前記データ量信頼係数とし、前記過去データのデータ量が前記データ量閾値よりも大きい場合は１を前記データ量信頼係数とする請求項２に記載のデータ処理装置。
【請求項４】
前記制御部は、前記過去データからｋ個の過去データを抽出し、当該抽出されたｋ個の過去データの特徴量と前記入力データの特徴量との平均距離を算出し、当該算出された平均距離が予め定められた距離閾値よりも大きい場合は前記平均距離と前記距離閾値との差に前記距離閾値の逆数を掛けて１で引いた値を前記特徴量信頼係数とし、前記平均距離が前記距離閾値よりも小さい場合は１を前記特徴量信頼係数とする請求項２又は３に記載のデータ処理装置。
【請求項５】
前記制御部は、前記過去データの全てのデータについて、一の過去データの特徴量と前記ｋ個の過去データの特徴量との平均距離を算出して当該一の過去データに対応付け、当該対応付けられた平均距離の小さい順に前記過去データを並び替え、当該並び替えられた前記過去データのデータ数をカウントしていき、前記過去データの全てのデータ数に対して予め定められた割合になった時点の過去データの平均距離を前記距離閾値とする請求項４に記載のデータ処理装置。
【請求項６】
前記制御部は、前記過去データ及び前記入力データに基づいて算出された第1推定値、標準関数及び前記入力データに基づいて算出された第2推定値及び前記算出された信頼度に基づいて、第3推定値を算出する請求項１〜５の何れか一項に記載のデータ処理装置。
【請求項７】
前記推定値は、調整量の推定値であり、
前記制御部は、前記第1推定値に前記信頼度を掛けた値と前記第2推定値に１を引いた前記信頼度を掛けた値とを足して、前記第3推定値を算出する請求項６に記載のデータ処理装置。
【請求項８】
前記推定値は、分類結果の推定値であり、
前記制御部は、前記信頼度に基づいて、前記第1推定値、又は標準関数及び前記入力データに基づいて算出された第2推定値、の何れか一を選択する請求項１〜７の何れか一項に記載のデータ処理装置。
【請求項９】
前記記憶部は、前記信頼度に基づいて前記第1推定値又は前記第2推定値のうち、何れか一を決定するためのテーブルを記憶し、
前記制御部は、前記記憶されているテーブルに基づいて、前記第1推定値又は前記第2推定値の何れか一を選択する請求項８に記載のデータ処理装置。
【請求項１０】
前記推定値は調整量の推定値であり、
前記入力データは放射線画像であり、
前記第1推定値、前記第2推定値及び前記第3推定値は、前記放射線画像の濃度補正値又はコントラスト値である請求項６又は７に記載のデータ処理装置。
【請求項１１】
前記推定値は調整量の推定値であり、
前記入力データを表示する表示部を備え、
前記制御部は、前記第1推定値、前記第2推定値、又は前記第3推定値の何れか一の推定値に基づいて、前記入力データを前記表示部により表示する請求項６又は７に記載のデータ処理装置。
【請求項１２】
入力部により、データを入力する工程と、
記憶部により、前記入力されたデータを記憶する工程と、
制御部により、制御する工程と、を含み、
前記制御する工程は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出する工程と、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量及び前記入力データの特徴量に基づいて算出する工程と、を含むデータ処理方法。
【請求項１３】
前記制御する工程は、前記過去データ及び前記入力データに基づいて算出された第1推定値、標準関数及び前記入力データに基づいて算出された第2推定値及び前記算出された信頼度に基づいて、第3推定値を算出する工程を含む請求項１２に記載のデータ処理方法。
【請求項１４】
前記制御する工程は、前記信頼度に基づいて、前記第1推定値、又は標準関数及び前記入力データに基づいて算出された第2推定値、の何れか一を選択する工程を含む請求項１２に記載のデータ処理方法。
【請求項１５】
表示部により、前記入力データを表示する工程を含み、
前記制御する工程は、前記第1推定値、前記第2推定値、又は前記第3推定値の何れか一の推定値に基づいて、前記入力データを前記表示部により表示する工程を含む請求項１３に記載のデータ処理方法。
【請求項１６】
コンピュータを、
データを入力する入力手段、
前記入力されたデータを記憶する記憶手段、
制御手段、として機能させるプログラムであって、
前記制御手段は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量及び前記入力データの特徴量に基づいて算出するプログラム。
【請求項１７】
前記制御手段は、前記過去データ及び前記入力データに基づいて算出された第1推定値、標準関数及び前記入力データに基づいて算出された第2推定値及び前記算出された信頼度に基づいて、第3推定値を算出する請求項１６に記載のプログラム。
【請求項１８】
前記制御手段は、前記信頼度に基づいて、前記第1推定値、又は標準関数及び前記入力データに基づいて算出された第2推定値、の何れか一を選択する請求項１６に記載のプログラム。
【請求項１９】
前記入力データを表示する表示手段、として機能させるプログラムであって、
前記制御手段は、前記第1推定値、前記第2推定値、又は前記第3推定値の何れか一の推定値に基づいて、前記入力データを前記表示手段により表示する請求項１７に記載のプログラム。
【請求項１】
データを入力する入力部と、
前記入力されたデータを記憶する記憶部と、
制御部と、を備え、
前記制御部は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データに対して第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量及び前記入力データの特徴量に基づいて算出するデータ処理装置。
【請求項２】
前記制御部は、前記過去データのデータ量に基づいて算出されるデータ量信頼係数と前記過去データの特徴量及び前記入力データの特徴量に基づいて算出される特徴量信頼係数との積により、前記信頼度を算出する請求項１に記載のデータ処理装置。
【請求項３】
前記制御部は、前記過去データのデータ量が予め定められたデータ量閾値よりも小さい場合は前記過去データのデータ量を前記データ量閾値で割った値を前記データ量信頼係数とし、前記過去データのデータ量が前記データ量閾値よりも大きい場合は１を前記データ量信頼係数とする請求項２に記載のデータ処理装置。
【請求項４】
前記制御部は、前記過去データからｋ個の過去データを抽出し、当該抽出されたｋ個の過去データの特徴量と前記入力データの特徴量との平均距離を算出し、当該算出された平均距離が予め定められた距離閾値よりも大きい場合は前記平均距離と前記距離閾値との差に前記距離閾値の逆数を掛けて１で引いた値を前記特徴量信頼係数とし、前記平均距離が前記距離閾値よりも小さい場合は１を前記特徴量信頼係数とする請求項２又は３に記載のデータ処理装置。
【請求項５】
前記制御部は、前記過去データの全てのデータについて、一の過去データの特徴量と前記ｋ個の過去データの特徴量との平均距離を算出して当該一の過去データに対応付け、当該対応付けられた平均距離の小さい順に前記過去データを並び替え、当該並び替えられた前記過去データのデータ数をカウントしていき、前記過去データの全てのデータ数に対して予め定められた割合になった時点の過去データの平均距離を前記距離閾値とする請求項４に記載のデータ処理装置。
【請求項６】
前記制御部は、前記過去データ及び前記入力データに基づいて算出された第1推定値、標準関数及び前記入力データに基づいて算出された第2推定値及び前記算出された信頼度に基づいて、第3推定値を算出する請求項１〜５の何れか一項に記載のデータ処理装置。
【請求項７】
前記推定値は、調整量の推定値であり、
前記制御部は、前記第1推定値に前記信頼度を掛けた値と前記第2推定値に１を引いた前記信頼度を掛けた値とを足して、前記第3推定値を算出する請求項６に記載のデータ処理装置。
【請求項８】
前記推定値は、分類結果の推定値であり、
前記制御部は、前記信頼度に基づいて、前記第1推定値、又は標準関数及び前記入力データに基づいて算出された第2推定値、の何れか一を選択する請求項１〜７の何れか一項に記載のデータ処理装置。
【請求項９】
前記記憶部は、前記信頼度に基づいて前記第1推定値又は前記第2推定値のうち、何れか一を決定するためのテーブルを記憶し、
前記制御部は、前記記憶されているテーブルに基づいて、前記第1推定値又は前記第2推定値の何れか一を選択する請求項８に記載のデータ処理装置。
【請求項１０】
前記推定値は調整量の推定値であり、
前記入力データは放射線画像であり、
前記第1推定値、前記第2推定値及び前記第3推定値は、前記放射線画像の濃度補正値又はコントラスト値である請求項６又は７に記載のデータ処理装置。
【請求項１１】
前記推定値は調整量の推定値であり、
前記入力データを表示する表示部を備え、
前記制御部は、前記第1推定値、前記第2推定値、又は前記第3推定値の何れか一の推定値に基づいて、前記入力データを前記表示部により表示する請求項６又は７に記載のデータ処理装置。
【請求項１２】
入力部により、データを入力する工程と、
記憶部により、前記入力されたデータを記憶する工程と、
制御部により、制御する工程と、を含み、
前記制御する工程は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出する工程と、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量及び前記入力データの特徴量に基づいて算出する工程と、を含むデータ処理方法。
【請求項１３】
前記制御する工程は、前記過去データ及び前記入力データに基づいて算出された第1推定値、標準関数及び前記入力データに基づいて算出された第2推定値及び前記算出された信頼度に基づいて、第3推定値を算出する工程を含む請求項１２に記載のデータ処理方法。
【請求項１４】
前記制御する工程は、前記信頼度に基づいて、前記第1推定値、又は標準関数及び前記入力データに基づいて算出された第2推定値、の何れか一を選択する工程を含む請求項１２に記載のデータ処理方法。
【請求項１５】
表示部により、前記入力データを表示する工程を含み、
前記制御する工程は、前記第1推定値、前記第2推定値、又は前記第3推定値の何れか一の推定値に基づいて、前記入力データを前記表示部により表示する工程を含む請求項１３に記載のデータ処理方法。
【請求項１６】
コンピュータを、
データを入力する入力手段、
前記入力されたデータを記憶する記憶手段、
制御手段、として機能させるプログラムであって、
前記制御手段は、過去に入力されて現在は記憶されている過去データ及び最新の入力データに基づいて、最新の入力データの第1推定値を算出し、当該算出された第1推定値の信頼度を前記過去データのデータ量又は前記過去データの特徴量及び前記入力データの特徴量に基づいて算出するプログラム。
【請求項１７】
前記制御手段は、前記過去データ及び前記入力データに基づいて算出された第1推定値、標準関数及び前記入力データに基づいて算出された第2推定値及び前記算出された信頼度に基づいて、第3推定値を算出する請求項１６に記載のプログラム。
【請求項１８】
前記制御手段は、前記信頼度に基づいて、前記第1推定値、又は標準関数及び前記入力データに基づいて算出された第2推定値、の何れか一を選択する請求項１６に記載のプログラム。
【請求項１９】
前記入力データを表示する表示手段、として機能させるプログラムであって、
前記制御手段は、前記第1推定値、前記第2推定値、又は前記第3推定値の何れか一の推定値に基づいて、前記入力データを前記表示手段により表示する請求項１７に記載のプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６Ａ】
【図６Ｂ】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図４】
【図５】
【図６Ａ】
【図６Ｂ】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１０−２７７２３１（Ｐ２０１０−２７７２３１Ａ）
【公開日】平成２２年１２月９日（２０１０．１２．９）
【国際特許分類】
【出願番号】特願２００９−１２７４９１（Ｐ２００９−１２７４９１）
【出願日】平成２１年５月２７日（２００９．５．２７）
【出願人】（３０３０００４２０）コニカミノルタエムジー株式会社 (2,950)
【Ｆターム（参考）】
【公開日】平成２２年１２月９日（２０１０．１２．９）
【国際特許分類】
【出願日】平成２１年５月２７日（２００９．５．２７）
【出願人】（３０３０００４２０）コニカミノルタエムジー株式会社 (2,950)
【Ｆターム（参考）】
[ Back to top ]