第1局部區(qū)域類別計(jì)算部(22a)計(jì)算輸入圖像的第1局部區(qū)域類別。圖像類別計(jì)算部(24)根據(jù)第1局部區(qū)域類別，計(jì)算圖像類別。圖像類別輸出部(26)輸出圖像類別。第2局部區(qū)域類別計(jì)算部(22b)計(jì)算輸入圖像的第2局部區(qū)域類別。局部區(qū)域類別輸出部(28)輸出第2局部區(qū)域類別。

技術(shù)領(lǐng)域

本發(fā)明涉及對輸入圖像進(jìn)行解析的技術(shù)。

背景技術(shù)

已知有一種圖像解析技術(shù)，該圖像解析技術(shù)對被攝體圖像局部地進(jìn)行解析，按照圖像內(nèi)的多個(gè)局部區(qū)域中的每個(gè)局部區(qū)域來判定是異常區(qū)域還是并非異常的正常區(qū)域(參照專利文獻(xiàn)1、非專利文獻(xiàn)1)。在該圖像解析技術(shù)中，基于每個(gè)局部區(qū)域的解析結(jié)果，判定圖像整體是包括異常區(qū)域的異常圖像還是不包括異常區(qū)域的正常圖像。通過像這樣確定異常圖像，并將確定出的異常圖像提示給圖像的觀察者，能夠支援觀察者的有效觀察。

提供了一種使用神經(jīng)網(wǎng)絡(luò)而對圖像內(nèi)的多個(gè)局部區(qū)域分別進(jìn)行類別分類的圖像解析技術(shù)(參照非專利文獻(xiàn)2)。在該圖像解析技術(shù)中，按照每個(gè)局部區(qū)域，估計(jì)多個(gè)類別分別對應(yīng)的概率，確定概率最高的類別，將其決定為局部區(qū)域類別。準(zhǔn)備大量的輸入圖像與將輸入圖像分割而得到的多個(gè)局部區(qū)域的正確類別的數(shù)據(jù)集，通過監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的參數(shù)(權(quán)重和偏置)，從而取得高精度地估計(jì)局部區(qū)域類別的參數(shù)。

現(xiàn)有技術(shù)文獻(xiàn)

專利文獻(xiàn)

專利文獻(xiàn)1：日本特開2010-203949號公報(bào)

非專利文獻(xiàn)

非專利文獻(xiàn)1：Yun Liu，Krishna Gadepalli，Mohammad Norouzi，George E.Dahl，Timo Kohlberger，Aleksey Boyko，Subhashini Venugopalan，Aleksei Timofeev，PhilipQ.Nelson，Greg S.Corrado，Jason D.Hipp，Lily Peng，and Martin C.Stumpe，DetectingCancer Metastases on Gigapixel Pathology Images，arXiv：1703.02442v2[cs.CV]8Mar 2017

非專利文獻(xiàn)2：Liang-Chieh Chen，George Papandreou，Iasonas Kokkinos，KevinMurphy，Alan L.Yuille，SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONALNETS AND FULLY CONNECTED CRFS，arXiv：1412.7062v4[cs.CV]7Jun 2016

發(fā)明內(nèi)容

發(fā)明要解決的問題

根據(jù)上述的判定方法，只要在圖像內(nèi)的多個(gè)局部區(qū)域中存在1個(gè)被分類為異常區(qū)域的局部區(qū)域，則該圖像被判定為異常圖像，如果1個(gè)被分類為異常區(qū)域的局部區(qū)域也不存在，則該圖像被判定為正常圖像。在由病理醫(yī)生進(jìn)行病理診斷時(shí)，如果能夠?qū)ú∽兊膱D像提示為異常圖像，則有助于病理醫(yī)生的有效診斷。

在這樣的圖像解析處理中，將包括病變的圖像誤判定為正常圖像會產(chǎn)生病理醫(yī)生看漏的可能性，因此是不允許的。因此，需要有效學(xué)習(xí)大量的病理圖像，預(yù)先取得提高了局部區(qū)域的各類別的估計(jì)精度的神經(jīng)網(wǎng)絡(luò)的參數(shù)(權(quán)重和偏置)。但是，實(shí)際上，實(shí)現(xiàn)100％的類別估計(jì)精度是不容易的，也可能產(chǎn)生表示是病變的類別的概率與表示是非病變的類別的概率成為大致相同的值的事態(tài)。

另外，作為用于不將包括病變的圖像誤判定為正常圖像的方法，在決定局部區(qū)域類別時(shí)，考慮使表示是病變的類別的概率比計(jì)算值高。通過進(jìn)行提高處理，容易將表示是病變的類別確定為概率最高的類別，結(jié)果是，能夠降低將包括病變的圖像誤判定為正常圖像的可能性。