前回の投稿では、医療画像解析に関するルネット特許について説明したいと思います。 今回説明した特許は、CNNモデルにも関連しています。これは、セルを含む画像を分析し、ミトーシス細胞の数と場所を決定します。
しかし、前の投稿に記載されている特許がCNNモデルの精度を向上させる方法に関連していた場合、 今日の特許は、CNNモデルを使用してミトーシスの数と場所を決定する方法について説明します。です。
特許。
画像をクリックすると登録特許が確認できます。
まず、最初のコンボリューションレイヤーで、セルはキャプチャされた画像を入力して、特徴的なマップを抽出します。
その後、第二回コンボリューション層に特徴的なマップを入力します。 1stクラスのアクティベーションマップクラスアクティベーションマップも参照してください。 詳細はこちら。 1stクラスのアクティベーションマップミトーシス細胞の特徴の地図です。
1stクラスのアクティベーションマップリリース時に、 1stクラスのアクティベーションマップ出力レイヤーを入力して、グローバルプール(最大プールまたは平均プールなど)を実行します。 この場合、 1stクラスのアクティベーションマップ世界保健機関 2ndクラスのアクティベーションマップこれは生まれます。
2ndクラスのアクティベーションマップこれが生成されると、 2ndクラスのアクティベーションマップサイズを上げます。 最初のコンボリューションレイヤーと2番目のコンボリューションレイヤーを通過すると、出力データは初期入力データよりも小さくなります。 第1および第2の汚染の層を渡すとき、次元は収縮します。 2ndクラスのアクティベーションマップ類似の分裂セルが初期入力データにある場所を見つけることは困難です。 ですから、 2ndクラスのアクティベーションマップ画像のサイズは、最初の画像のサイズと同じです。 拡張クラスアクティベーションマップ 第三級アクティベーションマップ呼び出します。
第三級アクティベーションマップこれが生成されると、 第三級アクティベーションマップセットしきい値やピーク値以上の領域を検索します。 エリアは、写真の暗い色で表されます。 第三級アクティベーションマップ設定しきい値またはピーク値を持つ領域に対応する最初の入力画像の領域は、ミトーシス細胞が配置されている領域であると仮定することができます。 したがって、領域の場所と、そこにある領域の数を判断して、擬似分割セルが最初の入力画像内にある場所と、擬似分割セルがいくつ存在するかを判断することができます。
特許は、CNNモデルの一般的な説明である可能性があります。 しかし... この特許は、ミトーシスを検出するためにCNNモデルが使用される方法を指定します。と判断します。
この記事は公表時点の情報に基づいています。個別の事情については、当事務所にご相談ください。