図面 (/)

技術 医用情報処理システム、および医用情報処理装置

出願人 キヤノンメディカルシステムズ株式会社
発明者 津雪昌快
出願日 2019年4月16日 (1年10ヶ月経過) 出願番号 2019-077701
公開日 2020年10月29日 (3ヶ月経過) 公開番号 2020-177333
状態 未査定
技術分野 診断用測定記録装置 学習型計算機 放射線診断機器 医療・福祉事務
主要キーワード 絞り込み範囲 対向支 要求圧 モデル分割 圧縮度合い 機械学習モデル 所定セット 後処理画像
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年10月29日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (12)

課題

展開後の画質を所望のレベルに維持しつつ、リソース消費を低減することである。

解決手段

第1処理部は、入力層に第1医用画像データを入力することで出力層から第2医用画像データを出力するように学習された学習済みモデルを、中間層を境に分割した二つの学習済みモデルのうち、入力層及び中間層を含む圧縮用モデルに対して、第3医用画像データを入力することで、第3医用画像データよりデータ量が小さい中間データを出力する。第2処理部は、二つの学習済みモデルのうち、出力層を含む展開用モデルに対して、ネットワークを介して第1処理部から取得した中間データを入力することで、中間データよりデータ量が大きい第4医用画像データを出力する。

概要

背景

X線CT(Computed Tomography)装置やMR(Magnetic Resonance)装置などの診断装置によって生成された医用画像データは、圧縮された状態でサーバなどに保管される場合がある。医用画像データをどの程度の圧縮率で圧縮するかを検討した種々の文献が公知となっている。しかしながら、従来の技術では、圧縮された画像を展開した画像の画質を好適に調整することを主眼として圧縮処理の内容が設定されていないため、圧縮が不十分になったり、展開後の画像の画質が低下してしまったりする場合があった。

概要

展開後の画質を所望のレベルに維持しつつ、リソース消費を低減することである。第1処理部は、入力層に第1医用画像データを入力することで出力層から第2医用画像データを出力するように学習された学習済みモデルを、中間層を境に分割した二つの学習済みモデルのうち、入力層及び中間層を含む圧縮用モデルに対して、第3医用画像データを入力することで、第3医用画像データよりデータ量が小さい中間データを出力する。第2処理部は、二つの学習済みモデルのうち、出力層を含む展開用モデルに対して、ネットワークを介して第1処理部から取得した中間データを入力することで、中間データよりデータ量が大きい第4医用画像データを出力する。

目的

本発明が解決しようとする課題は、展開後の画質を所望のレベルに維持しつつ、リソースの消費を低減することである

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

第1ノード数入力層、第2ノード数の出力層、及び前記入力層と前記出力層の間の層であり、前記第1ノード数及び前記第2ノード数より少ないノード数の中間層を含み、前記入力層に第1医用画像データを入力することで前記出力層から第2医用画像データを出力するように学習された学習済みモデルを、前記中間層を境に分割した二つの学習済みモデルのうち、前記入力層及び前記中間層を含む圧縮用モデルに対して、第3医用画像データを入力することで、前記第3医用画像データよりデータ量が小さい中間データを出力する第1処理部と、前記二つの学習済みモデルのうち、前記出力層を含む展開用モデルに対して、ネットワークを介して前記第1処理部から取得した前記中間データを入力することで、前記中間データよりデータ量が大きい第4医用画像データを出力する第2処理部と、を備える医用情報処理システム

請求項2

前記第2医用画像データは、前記第1医用画像データと同一である、請求項1に記載の医用情報処理システム。

請求項3

前記第2医用画像データは、前記第1医用画像データの少なくとも一部に対して処理を行うことで得られる、請求項1に記載の医用情報処理システム。

請求項4

前記第1医用画像データは、第1部位と第2部位を含む領域に対応する画像データであり、前記第2医用画像データは、前記第1部位と前記第2部位で画質を異ならせる処理を前記第1医用画像データに施すことで得られる、請求項3に記載の医用情報処理システム。

請求項5

機械学習モデルに基づいて前記学習済みモデルを生成する第3処理部を更に備え、前記第3処理部は、前記機械学習モデルに対して機械学習を実施した結果、出力層の値と出力側の学習データとの残差閾値を超える場合、前記機械学習モデルの中間層のノード数を増やし且つ/または前記中間層のノードが保持するビット数を増やして前記機械学習モデルを再設定し、再度、機械学習を実施する、請求項1に記載の医用情報処理システム。

請求項6

機械学習モデルに基づいて前記学習済みモデルを生成する第3処理部を更に備え、前記第3処理部は、前記機械学習モデルに対して機械学習を実施した結果、出力層の値と出力側の学習データとの残差が閾値以下である場合、前記機械学習モデルの中間層のノード数を減らし且つ/または前記中間層のノードが保持するビット数を減らして前記機械学習モデルを再設定し、再度、機械学習を実施する、請求項1に記載の医用情報処理システム。

請求項7

前記第2処理部は、前記第1ノード数の第2入力層、第3ノード数の第2出力層、及び前記第2入力層と前記第2出力層の間の層であり、前記第1ノード数及び前記第3ノード数より少ないノード数の第2中間層を含み、前記第2入力層に前記第1医用画像データを入力することで前記第2出力層から前記第2医用画像データとは異なる第5医用画像データを出力するように学習された第2学習済みモデルを、前記第2中間層を境に分割した二つの学習済みモデルのうち、前記第2出力層を含む第2展開用モデルに対して、前記中間データを入力することで、前記中間データよりデータ量が大きく、前記第4医用画像データとは異なる第6医用画像データを出力する、請求項1に記載の医用情報処理システム。

請求項8

前記第2学習済みモデルは、前記学習済みモデルに含まれる圧縮用モデルに対応する部分を固定した状態で学習されたモデルである、請求項7に記載の医用情報処理システム。

請求項9

第1ノード数の入力層、第2ノード数の出力層、及び前記入力層と前記出力層の間の層であり、前記第1ノード数及び前記第2ノード数より少ないノード数の中間層を含み、前記入力層に第1医用画像データを入力することで前記出力層から第2医用画像データを出力するように学習された学習済みモデルを、前記中間層を境に分割した二つの学習済みモデルのうち、前記入力層及び前記中間層を含む圧縮用モデルに対して、第3医用画像データを入力することで、前記第3医用画像データよりデータ量が小さい中間データを出力する第1処理部を備える、医用情報処理装置

請求項10

第1ノード数の入力層、第2ノード数の出力層、及び前記入力層と前記出力層の間の層であり、前記第1ノード数及び前記第2ノード数より少ないノード数の中間層を含み、前記入力層に第1医用画像データを入力することで前記出力層から第2医用画像データを出力するように学習された学習済みモデルを、前記中間層を境に分割した二つの学習済みモデルのうち、前記出力層を含む展開用モデルに対して、前記入力層及び前記中間層を含む圧縮用モデルにより出力された中間データを入力することで、前記中間データよりデータ量が大きい第4医用画像データを出力する第2処理部を備える、医用情報処理装置。

技術分野

0001

本発明の実施形態は、医用情報処理システム、および医用情報処理装置に関する。

背景技術

0002

X線CT(Computed Tomography)装置やMR(Magnetic Resonance)装置などの診断装置によって生成された医用画像データは、圧縮された状態でサーバなどに保管される場合がある。医用画像データをどの程度の圧縮率で圧縮するかを検討した種々の文献が公知となっている。しかしながら、従来の技術では、圧縮された画像を展開した画像の画質を好適に調整することを主眼として圧縮処理の内容が設定されていないため、圧縮が不十分になったり、展開後の画像の画質が低下してしまったりする場合があった。

先行技術

0003

米国特許出願公開第2015/0172681号明細書
米国特許第9111345号明細書
米国特許第6608915号明細書

発明が解決しようとする課題

0004

本発明が解決しようとする課題は、展開後の画質を所望のレベルに維持しつつ、リソース消費を低減することである。

課題を解決するための手段

0005

実施形態の医用情報処理システムは、第1処理部と、第2処理部とをもつ。第1処理部は、第1ノード数入力層、第2ノード数の出力層、及び前記入力層と前記出力層の間の層であり、前記第1ノード数及び前記第2ノード数より少ないノード数の中間層を含み、前記入力層に第1医用画像データを入力することで前記出力層から第2医用画像データを出力するように学習された学習済みモデルを、前記中間層を境に分割した二つの学習済みモデルのうち、前記入力層及び前記中間層を含む圧縮用モデルに対して、第3医用画像データを入力することで、前記第3医用画像データよりデータ量が小さい中間データを出力する。第2処理部は、前記二つの学習済みモデルのうち、前記出力層を含む展開用モデルに対して、ネットワークを介して前記第1処理部から取得した前記中間データを入力することで、前記中間データよりデータ量が大きい第4医用画像データを出力する。

図面の簡単な説明

0006

医用情報処理システム100の構成の一例を示す図。
診断装置200に相当するX線CT装置1の構成図。
画像再生装置300に相当する端末装置80の構成図。
学習済みモデルを生成する情報処理装置500の構成図。
処理回路510の機能について説明するための図。
画像圧縮機能57の機能を簡易に示す図。
画像展開機能91の機能を簡易に示す図。
処理回路510により実行される処理の流れの一例を示すフローチャート
第2実施形態に係る情報処理装置500Aの構成図。
パラメータ最適化機能513Aの機能について説明するための図。
出力画像画質調整部512Bの処理について説明するための図。

実施例

0007

以下、実施形態の医用情報処理システム、および医用情報処理装置を、図面を参照して説明する。医用情報処理システムは、一以上のプロセッサにより実現される。医用情報処理システムは、例えば、第1処理部と第2処理部を含む。第1処理部と第2処理部のそれぞれは、別体の装置により実現されてもよいし、一つの装置により実現されてもよい。以下の説明における医用画像データは、二次元データ平面データ)であってもよいし、三次元データボリュームデータ)であってもよい。

0008

図1は、医用情報処理システム100の構成の一例を示す図である。医用情報処理システム100は、例えば、第1処理部を備える診断装置200と、第2処理部を備える画像再生装置300とにより実現される。この例において、診断装置200と画像再生装置300のそれぞれは、医用情報処理装置の一例である。

0009

診断装置200は、X線CT装置、MR装置PET装置SPECT装置超音波診断装置核医学診断装置など、医用画像データを生成することができる任意の装置である。診断装置200の第1処理部は、生成した医用画像データ(第3医用画像データ)を圧縮用モデルに入力することで、医用画像データよりデータ量が小さい中間データを出力する。診断装置200は、ネットワークNWを介して中間データをデータベースサーバ400に送信し、中間データをデータベースサーバ400に格納させる。ネットワークNWは、例えば、WAN(Wide Area Network)やLAN(Local Area Network)、インターネットなどを含む。

0010

画像再生装置300は、診断装置200が生成した医用画像データに基づく医用画像閲覧可能にする装置である。画像再生装置300は、診断装置100と同じ施設(例えば病院)に設置されてもよいし、診断装置100とは異なる施設に設置されてもよい。また、画像再生装置300は、診断装置200に包含される装置であってもよい。画像再生装置300は、ネットワークNWを介して中間データをデータベースサーバ400から取得し、中間データを展開用モデルに入力することで、中間データよりデータ量が大きい閲覧用医用画像データ(第4医用画像データ)を出力し、閲覧用医用画像データを表示装置に表示させる。

0011

圧縮用モデルは、学習済みモデルを中間層を境に分割した2つの学習済みモデルのうち、入力層及び中間層を含むものである。展開用モデルは、学習済みモデルを中間層を境に分割した2つの学習済みモデルのうち、出力層を含むものである。学習済みモデルは、圧縮用モデルと展開用モデルに分けて学習されるのではなく、分割される前のモデルとして一体に学習される。これによって、医用情報処理システム100は、展開後の画質を維持しつつ、適切な度合いで圧縮処理を行うことができる。

0012

図1に示す第1処理部と第2処理部の配置はあくまで一例であり、これらは任意の箇所に配置することができる。例えば、第1処理部は診断装置とは別の装置により実現されてもよいし、データベースサーバ400が第1処理部および/または第2処理部の機能を有してもよい。

0013

以下、診断装置200がX線CT装置であり、画像再生装置300がX線CT装置と同じ施設に設置される端末装置であるものとして、具体的な態様の一例について説明する。

0014

<第1実施形態>
[X線CT装置]
図2は、診断装置200に相当するX線CT装置1の構成図である。X線CT装置1は、例えば、架台装置10と、寝台装置30と、コンソール装置40とを有する。図2では、説明の都合上、架台装置10をZ軸方向から見た図とX軸方向から見た図の双方を掲載しているが、実際には、架台装置10は一つである。実施形態では、非チルト状態での回転フレーム17の回転軸または寝台装置30の天板33の長手方向をZ軸方向、Z軸方向に直交し、床面に対して水平である軸をX軸方向、Z軸方向に直交し、床面に対して垂直である方向をY軸方向とそれぞれ定義する。

0015

架台装置10は、例えば、X線管11と、ウェッジ12と、コリメータ13と、X線高電圧装置14と、X線検出器15と、データ収集システム(以下、DAS:Data Acquisition System)16と、回転フレーム17と、制御装置18とを有する。

0016

X線管11は、X線高電圧装置14からの高電圧印加により、陰極フィラメント)から陽極ターゲット)に向けて熱電子照射することでX線を発生させる。X線管11は、真空管を含む。例えば、X線管11は、回転する陽極に熱電子を照射することでX線を発生させる回転陽極型のX線管である。

0017

ウェッジ12は、X線管11から被検体Pに照射されるX線量を調節するためのフィルタである。ウェッジ12は、X線管11から被検体Pに照射されるX線量の分布が予め定められた分布になるように、自身を透過するX線を減衰させる。ウェッジ12は、ウェッジフィルタ(wedge filter)、ボウタイフィルタ(bow-tie filter)とも呼ばれる。ウェッジ12は、例えば、所定のターゲット角度や所定の厚みとなるようにアルミニウムを加工したものである。

0018

コリメータ13は、ウェッジ12を透過したX線の照射範囲絞り込むための機構である。コリメータ13は、例えば、複数の鉛板の組み合わせによってスリットを形成することで、X線の照射範囲を絞り込む。コリメータ13は、X線絞りと呼ばれる場合もある。コリメータ13の絞り込み範囲は、機械的に駆動可能であってよい。

0019

X線高電圧装置14は、例えば、高電圧発生装置と、X線制御装置とを有する。高電圧発生装置は、変圧器トランス)および整流器などを含む電気回路を有し、X線管11に印加する高電圧を発生させる。X線制御装置は、X線管11に発生させるべきX線量に応じて高電圧発生装置の出力電圧を制御する。高電圧発生装置は、上述した変圧器によって昇圧を行うものであってもよいし、インバータによって昇圧を行うものであってもよい。X線高電圧装置14は、回転フレーム17に設けられてもよいし、架台装置10の固定フレーム(不図示)の側に設けられてもよい。

0020

X線検出器15は、X線管11が発生させ、被検体Pを通過して入射したX線の強度を検出する。X線検出器15は、検出したX線の強度に応じた電気信号光信号などでもよい)をDAS18に出力する。X線検出器15は、例えば、複数のX線検出素子列を有する。複数のX線検出素子列のそれぞれは、X線管11の焦点を中心とした円弧に沿ってチャネル方向に複数のX線検出素子が配列されたものである。複数のX線検出素子列は、スライス方向(列方向、row方向)に配列される。

0021

X線検出器15は、例えば、グリッドと、シンチレータアレイと、光センサアレイとを有する間接型検出器である。シンチレータアレイは、複数のシンチレータを有する。それぞれのシンチレータは、シンチレータ結晶を有する。シンチレータ結晶は、入射するX線の強度に応じた光量の光を発する。グリッドは、シンチレータアレイのX線が入射する面に配置され、散乱X線を吸収する機能を有するX線遮蔽板を有する。なお、グリッドは、コリメータ(一次元コリメータまたは二次元コリメータ)と呼ばれる場合もある。光センサアレイは、例えば、光電子増倍管フォトマルチプライヤー:PMT)等の光センサを有する。光センサアレイは、シンチレータにより発せられる光の光量に応じた電気信号を出力する。X線検出器15は、入射したX線を電気信号に変換する半導体素子を有する直接変換型の検出器であってもかまわない。

0022

DAS16は、例えば、増幅器と、積分器と、A/D変換器とを有する。増幅器は、X線検出器15の各X線検出素子により出力される電気信号に対して増幅処理を行う。積分器は、増幅処理が行われた電気信号をビュー期間(後述)に亘って積分する。A/D変換器は、積分結果を示す電気信号をデジタル信号に変換する。DAS16は、デジタル信号に基づく検出データをコンソール装置40に出力する。検出データは、生成元のX線検出素子のチャンネル番号列番号、及び収集されたビューを示すビュー番号により識別されたX線強度デジタル値である。ビュー番号は、回転フレーム17の回転に応じて変化する番号であり、例えば、回転フレーム17の回転に応じてインクリメントされる番号である。従って、ビュー番号は、X線管11の回転角度を示す情報である。ビュー期間とは、あるビュー番号に対応する回転角度から、次のビュー番号に対応する回転角度に到達するまでの間に収まる期間である。DAS16は、ビューの切り替わりを、制御装置18から入力されるタイミング信号によって検知してもよいし、内部のタイマーによって検知してもよいし、図示しないセンサから取得される信号によって検知してもよい。フルスキャンを行う場合においてX線管11によりX線が連続曝射されている場合、DAS16は、全周囲分(360度分)の検出データ群を収集する。ハーフスキャンを行う場合においてX線管11によりX線が連続曝射されている場合、DAS16は、半周囲分(180度分)の検出データを収集する。

0023

回転フレーム17は、X線管11、ウェッジ12、およびコリメータ13と、X線検出器15とを対向支持する円環状の部材である。回転フレーム17は、固定フレームによって、内部に導入された被検体Pを中心として回転自在に支持される。回転フレーム17は、更にDAS16を支持する。DAS16が出力する検出データは、回転フレーム17に設けられた発光ダイオードLED)を有する送信機から、光通信によって、架台装置10の非回転部分(例えば固定フレーム)に設けられたフォトダイオードを有する受信機に送信され、受信機によってコンソール装置40に転送される。なお、回転フレーム17から非回転部分への検出データの送信方法として、前述の光通信を用いた方法に限らず、非接触型の任意の送信方法を採用してよい。回転フレーム17は、X線管11などを支持して回転させることができるものであれば、円環状の部材に限らず、アームのような部材であってもよい。

0024

X線CT装置1は、例えば、X線管11とX線検出器15の双方が回転フレーム17によって支持されて被検体Pの周囲を回転するRotate/Rotate−TypeのX線CT装置(第3世代CT)であるが、これに限らず、円環状に配列された複数のX線検出素子が固定フレームに固定され、X線管11が被検体Pの周囲を回転するStationary/Rotate−TypeのX線CT装置(第4世代CT)であってもよい。

0025

制御装置18は、例えば、CPU(Central Processing Unit)などのプロセッサを有する処理回路と、モータアクチュエータなどを含む駆動機構とを有する。制御装置18は、コンソール装置40または架台装置10に取り付けられた入力インターフェース43からの入力信号受け付けて、架台装置10および寝台装置30の動作を制御する。例えば、制御装置18は、回転フレーム17を回転させたり、架台装置10をチルトさせたり、寝台装置30の天板33を移動させたりする。架台装置10をチルトさせる場合、制御装置18は、入力インターフェース43に入力された傾斜角度チルト角度)に基づいて、Z軸方向に平行な軸を中心に回転フレーム17を回転させる。制御装置18は、図示しないセンサの出力等によって回転フレーム17の回転角度を把握している。また、制御装置18は、回転フレーム17の回転角度を随時、スキャン制御機能55に提供する。制御装置18は、架台装置10に設けられてもよいし、コンソール装置40に設けられてもよい。

0026

寝台装置30は、スキャン対象の被検体Pを載置して移動させ、架台装置10の回転フレーム17の内部に導入する装置である。寝台装置30は、例えば、基台31と、寝台駆動装置32と、天板33と、支持フレーム34とを有する。基台31は、支持フレーム34を鉛直方向(Y軸方向)に移動可能に支持する筐体を含む。寝台駆動装置32は、モータやアクチュエータを含む。寝台駆動装置32は、被検体Pが載置された天板33を、支持フレーム34に沿って、天板33の長手方向(Z軸方向)に移動させる。天板33は、被検体Pが載置される板状の部材である。

0027

寝台駆動装置32は、天板33だけでなく、支持フレーム34を天板33の長手方向に移動させてもよい。また、上記とは逆に、架台装置10がZ軸方向に移動可能であり、架台装置10の移動によって回転フレーム17が被検体Pの周囲に来るように制御されてもよい。また、架台装置10と天板33の双方が移動可能な構成であってもよい。また、X線CT装置1は、被検体Pが立位または座位スキャンされる方式の装置であってもよい。この場合、X線CT装置1は、寝台装置30に代えて被検体支持機構を有し、架台装置10は、回転フレーム17を、床面に垂直な軸方向を中心に回転させる。

0028

コンソール装置40は、例えば、メモリ41と、ディスプレイ42と、入力インターフェース43と、処理回路50とを有する。実施形態では、コンソール装置40は架台装置10とは別体として説明するが、架台装置10にコンソール装置40の各構成要素の一部または全部が含まれてもよい。

0029

メモリ41は、例えば、RAM(Random Access Memory)、フラッシュメモリ等の半導体メモリ素子ハードディスク光ディスク等により実現される。メモリ41は、例えば、検出データや投影データ再構成画像データCT画像データ、圧縮用モデル41A等を記憶する。これらのデータは、メモリ41ではなく(或いはメモリ41に加えて)、X線CT装置1が通信可能な外部メモリに記憶されてもよい。外部メモリは、例えば、外部メモリを管理するクラウドサーバが読み書きの要求を受け付けることで、クラウドサーバによって制御されるものである。

0030

ディスプレイ42は、各種の情報を表示する。例えば、ディスプレイ42は、処理回路によって生成された医用画像(CT画像)や、操作者による各種操作を受け付けるGUI(Graphical User Interface)画像等を表示する。ディスプレイ42は、例えば、液晶ディスプレイやCRT(Cathode Ray Tube)、有機EL(Electroluminescence)ディスプレイ等である。ディスプレイ42は、架台装置10に設けられてもよい。ディスプレイ42は、デスクトップ型でもよいし、コンソール装置40の本体部と無線通信可能な表示装置(例えばタブレット端末)であってもよい。

0031

入力インターフェース43は、操作者による各種の入力操作を受け付け、受け付けた入力操作の内容を示す電気信号を処理回路50に出力する。例えば、入力インターフェース43は、検出データまたは投影データ(後述)を収集する際の収集条件、CT画像を再構成する際の再構成条件、CT画像から後処理画像を生成する際の画像処理条件などの入力操作を受け付ける。例えば、入力インターフェース43は、マウスキーボードタッチパネルドラッグボール、スイッチ、ボタンジョイスティックカメラ赤外線センサマイク等により実現される。入力インターフェース43は、架台装置10に設けられてもよい。また、入力インターフェース43は、コンソール装置40の本体部と無線通信可能な表示装置(例えばタブレット端末)により実現されてもよい。

0032

ネットワーク接続回路44は、例えば、プリント回路基板を有するネットワークカード、或いは無線通信モジュール等を含む。ネットワーク接続回路44は、接続する対象のネットワークの形態に応じた情報通信用プロトコル実装する。

0033

処理回路50は、X線CT装置1の全体の動作を制御する。処理回路50は、第1処理部の一例である。処理回路50は、例えば、システム制御機能51、前処理機能52、再構成処理機能53、画像処理機能54、スキャン制御機能55、表示制御機能56などを実行する。これらの構成要素は、例えば、ハードウェアプロセッサがメモリ41に格納されたプログラムソフトウェア)を実行することにより実現される。ハードウェアプロセッサとは、例えば、CPU(Central Processing Unit)、GPU(Graphics Processing Unit)、特定用途向け集積回路(Application Specific IntegratedCircuit;ASIC)、プログラマブル論理デバイス(例えば、単純プログラマブル論理デバイス(Simple Programmable Logic Device; SPLD)または複合プログラマブル論理デバイス(Complex Programmable Logic Device; CPLD)、フィールドプログラマブルゲートアレイ(Field Programmable Gate Array;FPGA))などの回路(circutry)を意味する。メモリ41にプログラムを記憶させる代わりに、ハードウェアプロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、ハードウェアプロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。ハードウェアプロセッサは、単一の回路として構成されるものに限らず、複数の独立した回路を組み合わせて1つのハードウェアプロセッサとして構成され、各機能を実現するようにしてもよい。また、複数の構成要素を1つのハードウェアプロセッサに統合して各機能を実現するようにしてもよい。

0034

コンソール装置40または処理回路50が有する各構成要素は、分散化されて複数のハードウェアにより実現されてもよい。処理回路50は、コンソール装置40が有する構成ではなく、コンソール装置40と通信可能な処理装置によって実現されてもよい。処理装置は、例えば、一つのX線CT装置と接続されたワークステーション、或いは、複数のX線CT装置に接続され、以下に説明する処理回路50と同等の処理を一括して実行する装置(例えばクラウドサーバ)である。

0035

システム制御機能51は、入力インターフェース43が受け付けた入力操作に基づいて、処理回路50の各種機能を制御する。

0036

前処理機能52は、DAS16により出力された検出データに対して対数変換処理オフセット補正処理チャネル間の感度補正処理ビームハードニング補正等の前処理を行い、投影データを生成する。

0037

再構成処理機能53は、前処理機能52によって生成された投影データに対して、フィルタ補正逆投影法逐次近似再構成法等による再構成処理を行って、CT画像データを生成し、生成したCT画像データをメモリ41に記憶させる。

0038

画像処理機能54は、入力インターフェース43が受け付けた入力操作に基づいて、CT画像データを公知の方法により、三次元画像データ任意断面断面像データに変換する。三次元画像データへの変換は、前処理機能52によって行われてもよい。

0039

スキャン制御機能55は、X線高電圧装置14、DAS16、制御装置18、および寝台駆動装置32に指示することで、架台装置10における検出データの収集処理を制御する。スキャン制御機能55は、位置決め画像を収集する撮影、および診断に用いる画像を撮影する際の各部の動作をそれぞれ制御する。

0040

表示制御機能56は、各種画像をディスプレイ42に表示させる。

0041

上記構成により、X線CT装置1は、ヘリカルスキャンコンベンショナルスキャンステップアンドシュートなどのスキャン態様で被検体Pのスキャンを行う。ヘリカルスキャンとは、天板33を移動させながら回転フレーム17を回転させて被検体Pをらせん状にスキャンする態様である。コンベンショナルスキャンとは、天板33を静止させた状態で回転フレーム17を回転させて被検体Pを円軌道でスキャンする態様である。ステップアンドシュートとは、天板33の位置を一定間隔で移動させて、コンベンショナルスキャンを複数のスキャンエリアで行う態様である。

0042

画像圧縮機能57は、メモリ41に記憶された圧縮用モデル41Aを用いて、各種画像を圧縮し、中間データを生成する。画像圧縮機能57は、生成した中間データを、ネットワーク接続回路44を用いて、ネットワークNWを介してデータベースサーバ400に送信する。中間データの生成処理の詳細については後述する。

0043

[端末装置]
図3は、画像再生装置300に相当する端末装置80の構成図である。端末装置80は、例えば、メモリ81と、ディスプレイ82と、入力インターフェース83と、ネットワーク接続回路84と、処理回路90とを備える。

0044

メモリ81は、例えば、RAM、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。メモリ81は、例えば、展開用モデル81Aを記憶する。展開用モデル81Aなどのデータは、メモリ81ではなく(或いはメモリ81に加えて)、端末装置80が通信可能な外部メモリに記憶されてもよい。

0045

ディスプレイ82は、各種の情報を表示する。例えば、ディスプレイ82は、処理回路によって展開された医用画像(CT画像)や、操作者による各種操作を受け付けるGUI画像等を表示する。ディスプレイ82は、例えば、液晶ディスプレイやCRT、有機ELディスプレイ等である。

0046

入力インターフェース83は、操作者による各種の入力操作を受け付け、受け付けた入力操作の内容を示す電気信号を処理回路90に出力する。例えば、入力インターフェース83は、画像を展開する際の各種設定などを受け付ける。例えば、入力インターフェース83は、マウスやキーボード、タッチパネル、ドラッグボール、スイッチ、ボタン、ジョイスティック、カメラ、赤外線センサ、マイク等により実現される。

0047

ネットワーク接続回路84は、例えば、プリント回路基板を有するネットワークカード、或いは無線通信モジュール等を含む。ネットワーク接続回路84は、接続する対象のネットワークの形態に応じた情報通信用プロトコルを実装する。

0048

処理回路90は、第2処理部の一例である。処理回路90は、例えば、画像展開機能91、表示制御機能92などを実行する。これらの構成要素は、例えば、ハードウェアプロセッサがメモリ81に格納されたプログラム(ソフトウェア)を実行することにより実現される。ハードウェアプロセッサについては前述の通りである。メモリ81にプログラムを記憶させる代わりに、ハードウェアプロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、ハードウェアプロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。ハードウェアプロセッサは、単一の回路として構成されるものに限らず、複数の独立した回路を組み合わせて1つのハードウェアプロセッサとして構成され、各機能を実現するようにしてもよい。また、複数の構成要素を1つのハードウェアプロセッサに統合して各機能を実現するようにしてもよい。

0049

画像展開機能91は、ネットワーク接続回路84を用いて、ネットワークNWを介してデータベースサーバ400から中間データを取得し、中間データを展開用モデル81Aに入力することで、中間データよりデータ量が大きい閲覧用医用画像データを出力する。表示制御機能92は、閲覧用医用画像データに基づく画像をディスプレイ82に表示させる。

0050

[各種モデルについて]
以下、圧縮用モデル41A、展開用モデル81A、並びにこれらの元となる学習済みモデルの生成および利用について説明する。学習済みモデルは、任意の情報処理装置によって生成される。図4は、学習済みモデルを生成する情報処理装置500の構成図である。情報処理装置500は、例えば、メモリ501と、ディスプレイ502と、入力インターフェース503と、ネットワーク接続回路504と、処理回路510とを備える。

0051

メモリ501は、例えば、RAM、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。メモリ501は、例えば、学習データ501Aを記憶する。学習データ501Aなどのデータは、メモリ501ではなく(或いはメモリ501に加えて)、情報処理装置500が通信可能な外部メモリに記憶されてもよい。

0052

ディスプレイ502は、各種の情報を表示する。例えば、ディスプレイ502は、処理回路によって展開された閲覧用医用画像や、操作者による各種操作を受け付けるGUI画像等を表示する。ディスプレイ502は、例えば、液晶ディスプレイやCRT、有機ELディスプレイ等である。

0053

入力インターフェース503は、操作者による各種の入力操作を受け付け、受け付けた入力操作の内容を示す電気信号を処理回路510に出力する。例えば、入力インターフェース510は、機械学習モデル初期設定などを受け付ける。例えば、入力インターフェース83は、マウスやキーボード、タッチパネル、ドラッグボール、スイッチ、ボタン、ジョイスティック、カメラ、赤外線センサ、マイク等により実現される。

0054

ネットワーク接続回路504は、例えば、プリント回路基板を有するネットワークカード、或いは無線通信モジュール等を含む。ネットワーク接続回路504は、接続する対象のネットワークの形態に応じた情報通信用プロトコルを実装する。

0055

処理回路510は、例えば、機械学習モデル設定機能511、パラメータ最適化機能513、モデル分割機能514などを実行する。これらの構成要素は、例えば、ハードウェアプロセッサがメモリ501に格納されたプログラム(ソフトウェア)を実行することにより実現される。ハードウェアプロセッサについては前述の通りである。メモリ501にプログラムを記憶させる代わりに、ハードウェアプロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、ハードウェアプロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。ハードウェアプロセッサは、単一の回路として構成されるものに限らず、複数の独立した回路を組み合わせて1つのハードウェアプロセッサとして構成され、各機能を実現するようにしてもよい。また、複数の構成要素を1つのハードウェアプロセッサに統合して各機能を実現するようにしてもよい。処理回路510は、第3処理部の一例である。

0056

図5は、処理回路510の機能について説明するための図である。処理回路510は、機械学習モデルLMに対して、複数セットの入力側の学習データおよび出力側の学習データ(教師データ正解データ、ラベル)を適用し、バックプロパゲーション誤差伝播法)などの手法によって、機械学習モデルLMの出力と出力側の学習データとの残差が小さくなるように、機械学習モデルLMのパラメータを調整する。入力側の学習データは、第1医用画像データの一例であり、出力側の学習データは、第2医用画像データの一例である。

0057

機械学習モデルLMは、第1ノード数の入力層IL、第2ノード数の出力層OL、及び入力層と出力層の間の層であり、第1ノード数と第2ノード数とのいずれよりも少ないノード数の中間層MLを含む。学習済みモデルTMの構造も同様である。図5では、図示を簡便にするために入力層ILと一つの中間層MLと出力層LMのみ示しているが、実際には複数層の中間層が存在してよい。図示するノード数は実際よりも少ないものとなっている。機械学習モデルLMは、全結合のニューラルネットワークに限らず、任意の結合構造を有してもよい。機械学習モデルは、例えば、CNN(Convolution Neural Network)を利用したDNN(Deep Neural Network)である。

0058

入力側の学習データは、学習データ501Aとしてメモリ510に格納されている複数の医用画像データであり、X線CT装置1などの診断装置200が生成した医用画像データである。第1実施形態において、入力側の学習データと出力側の学習データは同じものが使用される。従って、第1実施形態において第1ノード数と第2ノード数は同じである。

0059

機械学習モデル設定機能511は、入力インターフェース503に対してなされた設定操作等に基づいて、機械学習モデルLMの初期設定を行う。初期設定とは、例えば、ニューラルネットワークのノード数や結合関係、層の数などを設定することである。これらの初期設定は、機械学習モデル設定機能511が要求圧縮率に基づいて自動的に行ってもよい。

0060

パラメータ最適化機能513は、前述したバックプロパゲーションなどの処理を行って、機械学習モデルLMのパラメータを調整する。所定セット数の学習データについて学習が行われると、最終時点の機械学習モデルLMが学習済みモデルTMとなる。

0061

モデル分割機能514は、学習済みモデルTMを分割し、圧縮用モデルCMと展開用モデルEMを生成する。圧縮用モデルCMは、第1ノード数の入力層ILに対して医用画像データ(第3医用画像データ)が入力されると、入力された医用画像データよりもデータ量が小さい中間データを出力するものである。中間データを出力する中間層、すなわち圧縮用モデルCMと展開用モデルEMの境界となる中間層は、学習済みモデルTMのうち最もノード数が少ない層であってもよいし、最もノード数が少ない層よりも入力層または出力層の側に偏した層であってもよい。図5の例では、中間データを出力する中間層が、最もノード数が少ない層よりも出力層の側に偏した層となっている。

0062

情報処理装置500が生成した圧縮用モデルCMは、X線CT装置1のメモリ41に圧縮用モデル41Aとして格納される。画像圧縮機能57は、X線CT装置1が生成した医用画像データを圧縮用モデル41Aに入力することで中間データを生成し、中間データをデータベースサーバ400に送信する。図6は、画像圧縮機能57の機能を簡易に示す図である。

0063

情報処理装置500が生成した展開用モデルEMは、端末装置80のメモリ81に展開用モデル81Aとして格納される。画像展開機能91は、ネットワーク接続回路84を用いて、ネットワークNWを介してデータベースサーバ400から中間データを取得し、中間データを展開用モデル81Aに入力することで、中間データよりデータ量が大きい医用画像データ(第4医用画像データ)を出力する。図7は、画像展開機能91の機能を簡易に示す図である。このように展開された医用画像データは、X線CT装置1において生成された医用画像データに近いものになるように学習されたものであるため、これに近い視認性を有するものとなる。この結果、医用情報処理システムは、展開後の画質を所望のレベルに維持することができる。また、圧縮用モデルCMは、展開後の画質の維持を実現可能な範囲内で、入力された医用画像データよりもデータ量が小さい中間データを出力するものである。この結果、医用情報処理システムは、通信やデータ記憶に関するリソースの消費を低減することができる。

0064

上記の説明において、機械学習モデルおよび学習済みもでるにおける中間層は、入力層および出力層に比してノード数が少ないものとしたが、これに代えて(或いは加えて)、中間層は入力層および出力層に比してノードが保持するビット数桁数)が少なくなるように設定されたものであってもよい。第2実施形態以降についても同様である。

0065

機械学習モデル設定機能511は、機械学習モデルの設定を固定的に行うのではなく、学習結果に基づいて動的に再設定を行ってもよい。図8は、処理回路510により実行される処理の流れの一例を示すフローチャートである。

0066

まず、機械学習モデル設定機能511が、機械学習モデルの初期設定を行う(ステップS1)。初期設定は、例えば、要求圧縮率を満たすように、中間層のノード数が十分に少なくなるように行われる。

0067

次に、パラメータ最適化機能513が機械学習を実施する(ステップS2)。次に、機械学習モデル設定機能511が、出力層の値と、出力側の学習データとの残差(例えば要素ごとの誤差の二乗和)が閾値以下であるか否かを判定する(ステップS3)。残差が閾値を超える場合、機械学習モデル設定機能511が、機械学習モデルの中間層のノード数を増やして(且つ/または中間層のノードが保持するビット数を増やして)機械学習モデルを再設定し(S4)、パラメータ最適化機能513が再度、機械学習を実施する(ステップS2)。

0068

上記のように一回以上、機械学習が実行された結果、残差が閾値以下となると、パラメータ最適化機能513が、最終時点の機械学習モデルを学習済みモデルとして確定する(ステップS5)。そして、モデル分割機能514が、学習済みモデルを分割して圧縮用モデルと展開用モデルを生成する。係る処理によって、展開後の画質を所望のレベルに維持することができる。なお、図8に示す処理に代えて、残差が閾値以下である限り、ノード数またはビット数を徐々に減らす方向で処理を行ってもよいし、ノード数またはビット数を増やしたり減らしたりして微調整する処理を行ってもよい。

0069

以上説明した第1実施形態の医用情報処理システムによれば、一体に学習された学習済みモデルを中間層を境に分割した2つの学習済みモデルのうち、入力層及び中間層を含む圧縮用モデルと、出力層を含む展開用モデルとをそれぞれ用いて圧縮および展開を行うため、展開後の画質を所望のレベルに維持しつつ、リソースの消費を低減することができる。

0070

<第2実施形態>
以下、第2実施形態について説明する。第2実施形態では、学習済みモデルの生成過程が第1実施形態と異なる。従って、係る相違点を中心に説明する。図9は、第2実施形態に係る情報処理装置500Aの構成図である。情報処理装置500Aは、第1実施形態の情報処理装置500と比較すると、出力画像画質調整部512を更に備える。また、パラメータ最適化機能の機能が第1実施形態と異なるため、パラメータ最適化機能513Aと表記する。

0071

第2実施形態において、入力側の学習データには、診断対象の部位(例えば、頭部、肝臓肺野心臓など)、および/または診断の目的などの属性が付与されている。出力画像画質調整部512は、この属性に応じて出力側の学習データの画質を調整する。例えば、出力画像画質調整部512は、冠動脈や肺野など、詳細な構造を見る必要がある部位の場合には画質が高く、肝臓や心筋など、構造を画像にした場合に低周波な形態となる部位の場合には画質が低くなるように、出力側の学習データの画質を調整する。出力画像画質調整部512は、画質の高い学習データを用意する場合、入力側の学習データをそのまま出力側の学習データとして使用したり、入力側の学習データに対してノイズ低減処理を行った画像データを出力側の学習データとしたりする。一方、出力画像画質調整部512は、画質の低い出力側の学習データを用意する場合、入力側の学習データに対してFFT(Fast Fourier Transform)処理を行った画像データを出力側の学習データとしたり、入力側の学習データに対してローパスフィルタ処理を行った画像データを出力側の学習データとしたりする。これによって、高画質用の学習済みモデルと、低画質用の学習済みモデルが生成されることになる。以下の説明では、画質の高い学習データと画質の低い学習データの二種類の学習データが、出力画像画質調整部512によって用意されるものとする。が、画質による分類三種類以上であってもよい。画質の高い学習データは、第2医用画像データの一例であり、画質の低い学習データは、第5医用画像データの一例である。なお、人の感覚では、ノイズを低減した低解像度の画像の方が視認性が良いと感じる場合があるが、本明細書において「画質が高い」とは「高解像度であること」を意味するものとする。

0072

第2実施形態に係るパラメータ最適化機能513Aは、例えば、高画質用の学習済みモデルと、低画質用の学習済みモデルとで、圧縮用モデルに相当する部分が同じになるように機械学習を行う。具体的に、パラメータ最適化機能513Aは、まず高画質用の学習済みモデルを生成した後、圧縮用モデルに相当する部分を固定して機械学習を行って低画質用の学習済みモデルを生成する。なお、この順序は逆でもよい。

0073

図10は、パラメータ最適化機能513Aの機能について説明するための図である。まず、パラメータ最適化機能513Aは、第1実施形態と同様に、入力側の学習データと出力側の学習データを用いて第1段階の機械学習を行う。このとき、出力側の学習データは、第2段階の機械学習に用いられるものよりも画質が高い学習データである。例えば、第1段階の機械学習では、入力側の学習データと出力側の学習データは同じものが使用される。パラメータ最適化機能513は、前述したバックプロパゲーションなどの処理を行って、機械学習モデルLM1のパラメータを調整する。所定セット数の学習データについて学習が行われると、最終時点の機械学習モデルLM1が学習済みモデルTM1となる。学習済みモデルTM1は、圧縮用モデルCMと、展開用モデルEM1とに分割される。

0074

次に、パラメータ最適化機能513Aは、入力側の学習データとして第1段階の機械学習と同じものを用いると共に、第1段階の機械学習よりも画質の低い学習データを用いた第2段階の機械学習を行う。このとき、パラメータ最適化機能513Aは、学習済みモデルTM1のうち圧縮用モデルCMの部分を引き継いだ機械学習モデルLM2を使用し、圧縮用モデルEMの部分を固定して(誤差を伝播させず)、機械学習を行う。機械学習モデルLM2のうち圧縮用モデルCMの部分の入力層のノード数は、第1段階における機械学習モデルLM1の入力層のノード数と同じである。機械学習モデルLM2のうち展開用モデルLM2の部分の出力層のノード数(第3ノード数の一例)は、第1段階における機械学習モデルLM1の出力層のノード数と同じであってもよいし、異なってもよい(より少なくてもよい)。所定セット数の学習データについて学習が行われると、最終時点の機械学習モデルLM2が学習済みモデルTM2となる。圧縮用モデルCMは第1段階と変わらないため、学習済みモデルTM2から展開用モデルEM2が切り出される。

0075

情報処理装置500Aが生成した圧縮用モデルCMは、X線CT装置1のメモリ41に圧縮用モデル41Aとして格納される。情報処理装置500Aが生成した展開用モデルEM1およびEM2は、端末装置80のメモリ81に二種類の展開用モデル81Aとして格納される。二種類の展開用モデル81Aは、高画質な画像を展開するモデルと、低画質な画像を展開するモデルである。端末装置80の利用者は、用途に応じてモデルを使い分けることで、所望の画質の医用画像をディスプレイ82に表示させることができる。

0076

以上説明した第2実施形態によれば、第1実施形態と同様に、展開後の画質を所望のレベルに維持しつつ、リソースの消費を低減することができる。また、第2実施形態によれば、展開後の画質の異なる二種類以上の展開用モデルを用意することで、所望の画質の医用画像を表示させることができる。

0077

<第3実施形態>
以下、第3実施形態について説明する。第3実施形態において、出力側の学習データは、入力側の学習データの一部に対して処理を行うことで得られる。より具体的に、入力側の学習データが、第1部位と第2部位を含む複数の部位を含む場合に、出力側の学習データは、入力側の学習データに対して、第1部位と第2部位とで画質を異ならせる処理を施すことで得られる。画質を異ならせる処理を施すとは、一方にフィルタ処理FFT処理などの処理を行うと共に他方には行わないことを意味してもよいし、双方にフィルタ処理やFFT処理などの処理を行うが、処理の度合いや種類を異ならせることを意味してもよい。

0078

以下、構成について図示しないが、第3実施形態に係る情報処理装置を情報処理装置500Bと称し、第3実施形態に係る出力画像画質調整部を出力画像画質調整部512Bと称する。出力画像画質調整部512Bは、入力側の学習データに対して、部位ごとに処理を行ったり、行わなかったりする。図11は、出力画像画質調整部512Bの処理について説明するための図である。本図は、学習データが、胸部検査に係るアキシャル断面である例を示している。この学習データにおける領域A1には、肺野が映されている。肺野はコントラストが高く、且つ微細構造であるため、出力画像画質調整部512Bは領域A1について画質を高く維持する。領域A2には、冠動脈が映されている。冠動脈は詳細な形状を視認することが好ましいため、出力画像画質調整部512Bは領域A2について画質を高く維持する。領域A3には、心筋が映されている。心筋は比較的均一な構造を有しているため、出力画像画質調整部512Bは領域A3について画質を低くする。

0079

係る処理を行う上で、学習データにおける各画素、或いは画素群には、部位を示すラベルが付与されていると好適である。ラベルは、任意の装置において、画像から解剖学的な特徴点を抽出することで部位を自動的に特定する技術を利用して付与される。こうすれば、出力画像画質調整部512Bは、利用者による部位の指定を受けることなく、自動的に処理を進行させることができる。これに限らず、情報処理装置500Bが、入力インターフェース503に対する部位の指定を受け付けるようにしてもよい。

0080

なお、例えば、冠動脈に対応する領域を設定する際に、辺縁石灰化も含めて画質を高くすることが望ましいため、冠動脈などの特定の部位に関しては、ラベルが示す領域、或いは利用者が指定した領域から領域拡張を行うと好適である。

0081

このように出力側の学習データを設定することで、画質が低くなるように学習された部位に関しては、中間データにおいても、展開後の画像においても画質が低くなることが想定される。この結果、詳細な観察が不要な部位に関しては、圧縮度合いを高くすることができるため、リソースの消費を効果的に低減することができる。また、詳細な観察が必要な部位に関しては、圧縮度合いを低くすることができるため、展開後の画質を所望のレベルに維持することができる。

0082

以上説明した第3実施形態によれば、展開後の画質を所望のレベルに維持しつつ、リソースの消費を更に効果的に低減することができる。

0083

上記各実施形態において、運用時(X線CT装置が医用画像データを圧縮したり、端末装置が医用画像データを展開したりするとき)における学習済みモデルの更新について言及していないが、学習時だけでなく、これらの装置の運用時にも、例えば再構成された画像と展開された画像の差分が小さければ、圧縮用モデルまたは展開用モデルのビット数を減らすなどの調整を行うことが可能である。

0084

以上説明した少なくともひとつの実施形態によれば、第1ノード数の入力層、第2ノード数の出力層、及び入力層と出力層の間の層であり、第1ノード数及び第2ノード数より少ないノード数の中間層を含み、入力層に第1医用画像データを入力することで出力層から第2医用画像データを出力するように学習された学習済みモデルを、中間層を境に分割した二つの学習済みモデルのうち、入力層及び中間層を含む圧縮用モデルに対して、第3医用画像データを入力することで、第3医用画像データよりデータ量が小さい中間データを出力する第1処理部(例えば処理回路50)と、二つの学習済みモデルのうち、出力層を含む展開用モデルに対して、ネットワークを介して第1処理部から取得した中間データを入力することで、中間データよりデータ量が大きい第4医用画像データを出力する第2処理部(例えば処理回路90)と、を持つことにより、展開後の画質を所望のレベルに維持しつつ、リソースの消費を低減することができる。

0085

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

0086

1X線CT装置
10架台装置
30寝台装置
40コンソール装置
41メモリ
41A圧縮用モデル
50処理回路
57画像圧縮機能
80端末装置
81 メモリ
81A展開用モデル
90 処理回路
100医用情報処理システム
200診断装置
300画像再生装置
500情報処理装置
510 処理回路

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い技術

関連性が強い 技術一覧

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ