推理装置及方法、医用图像诊断装置及学习完成神经网络生成方法制造方法及图纸

本发明专利技术提供推理装置及方法、医用图像诊断装置及学习完成神经网络生成方法。课题在于，提高使用激活函数的学习完成神经网络的推理性能。解决手段在于，实施方式所涉及的推理装置具备取得部和推理部。取得部取得处理对象数据。推理部对于所述处理对象数据适用学习完成神经网络来计算推理数据。所述学习完成神经网络具有融合激活函数，该融合激活函数按照将输入矢量要素变换为输出矢量要素的多个单位网络构造中的每个单位网络构造，执行基于多个激活函数以及与所述多个激活函数分别对应的多个混合系数的运算。个混合系数的运算。个混合系数的运算。

【技术实现步骤摘要】
推理装置及方法、医用图像诊断装置及学习完成神经网络生成方法
[0001]关联申请：
[0002]本申请基于2021年11月1日提交的日本专利申请2021
‑
178506主张优先权，该申请的全部内容被引用至本申请中。


[0003]在此记载的实施方式总体涉及推理装置、医用图像诊断装置、推理方法及学习完成神经网络生成方法。

技术介绍

[0004]在对于医用图像数据或其原始数据等医用数据执行期望的推理的神经网络中，有适用深度神经网络(DNN：Deep Neural Network)或卷积神经网络(CNN：Convolutional Neural Network)的方法。
[0005]在这样的神经网络中，作为用于活化处理的函数，探讨了各种激活函数(活化函数)。作为激活函数的种类，例如可以举出逻辑Sigmoid函数(逻辑函数)、双曲线正切函数(tanh)、归一化线性函数(ReLU：修正线性单元(Rectified Liner Unit))、线性映射、恒等映射、Maxout函数、ELU、LeakyReLU、Complex ReLU等。但是，采用这些激活函数中的任一个的情况下的推理性能都有利有弊。
[0006]以往，在神经网络中使用的激活函数的种类由设计者决定。因此，设计者需要预先知晓与使用目的或优化方法相应的最佳的激活函数的种类。另一方面，已知所使用的激活函数的种类的选择对神经网络的推理性能造成很大影响。因此，期望使用使得神经网络的推理性能提高的恰当的激活函数。
[0007]现有技术文献：
[0008]非专利文献1：Hidenori Takeshima，“Deep Learning and Its Application to Function Approximation for MR in Medicine：An Overview”，[Online]，2021年9月17日，Magnetic Resonance in Medical Sciences，[2021年10月15日检索]，互联网＜URL：https：//doi.org/10.2463/mrms.rev.2021
‑
0040＞

技术实现思路

[0009]专利技术所要解决的课题：
[0010]本说明书及附图所公开的实施方式所要解决的课题之一在于，提高使用了激活函数的学习完成神经网络的推理性能。但是，通过本说明书及附图中公开的实施方式所要解决的课题不限于上述课题。也能够将与后述的实施方式所示的各构成所具有的各效果对应的课题定位为其他课题。
[0011]实施方式所涉及的推理装置具备取得部和推理部。取得部取得处理对象数据。推理部对于所述处理对象数据适用学习完成神经网络来计算推理数据。所述学习完成神经网
络具有融合激活函数(Ensemble activities function)，该融合激活函数按照将输入矢量要素变换为输出矢量要素的多个单位网络构造中的每个单位网络构造，执行基于多个激活函数以及与所述多个激活函数分别对应的多个混合系数的运算。
[0012]专利技术效果：
[0013]专利技术的目的在于，提高使用了激活函数的学习完成神经网络的推理性能。
附图说明
[0014]图1是表示实施方式所涉及的医用数据处理装置所属的医用数据处理系统的构成及处理的概要的图。
[0015]图2是表示实施方式所涉及的神经网络的构造的图。
[0016]图3是概略性地表示实施方式所涉及的基于融合激活函数的运算的情形的图。
[0017]图4是表示实施方式所涉及的卷积层的构成的图。
[0018]图5是表示实施方式所涉及的医用图像诊断装置的构成的图。
[0019]图6是表示实施方式所涉及的学习完成神经网络的输入与输出的组合的一例的图。
[0020]图7是表示实施方式所涉及的模型学习装置的构成的图。
[0021]图8是概略性地表示实施方式的第1变形例所涉及的基于融合激活函数的运算的情形的图。
[0022]图9是概略性地表示实施方式的第2变形例所涉及的基于融合激活函数的运算的情形的图。
[0023]附图标记说明：
[0024]100
……
医用数据处理系统
[0025]1……
医用数据处理装置
[0026]3……
医用摄像装置
[0027]5……
模型学习装置
[0028]7……
学习数据保管装置
[0029]9……
医用图像诊断装置
[0030]11
……
处理电路
[0031]111
……
摄像控制功能
[0032]112
……
复原功能
[0033]113
……
取得功能
[0034]114
……
推理功能
[0035]115
……
图像处理功能
[0036]116
……
显示控制功能
[0037]13
……
存储器
[0038]15
……
输入接口
[0039]17
……
通信接口
[0040]19
……
显示器
[0041]50
……
模型学习程序
[0042]51
……
处理电路
[0043]511
……
取得功能
[0044]512
……
学习功能
[0045]53
……
存储器
[0046]55
……
输入接口
[0047]57
……
通信接口
[0048]59
……
显示器
[0049]90
……
学习完成模型
[0050]A1
‑
A6
……
激活函数
[0051]M、M1、M2
……
混合函数
[0052]a1
‑
a6、b1
‑
b3、c1
‑
c2
……
系数
[0053]y1
‑
y2、z1
‑
z6、z
’1‑
z
’3……
输出值
具体实施方式
[0054]实施方式所涉及的推理装置具备取得部和推理部。取得部取得处理对象数据。推理部对于所述处理对象数据适用学习完成神经网络来计算推理数据。所述学习完成神经网络具有融合激活函数，该融合激活函数按照将输入矢量要素变换为输出矢量要素的多个单位网络构造中的每个单位网络构造，执行基于多个激活函数以及与所述多个激活函数分别对应的多个混合系数的运算。
[0055]以下，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推理装置，其中，具备：取得部，取得处理对象数据；以及推理部，对于所述处理对象数据适用学习完成神经网络来计算推理数据，所述学习完成神经网络具有融合激活函数，该融合激活函数按照将输入矢量要素变换为输出矢量要素的多个单位网络构造中的每个单位网络构造，执行基于多个激活函数以及与所述多个激活函数分别对应的多个混合系数的运算。2.如权利要求1所述的推理装置，其中，所述融合激活函数向同一输入矢量要素适用所述多个激活函数来运算多个第1输出值，向所述多个第1输出值分别适用所述多个混合系数来运算多个第2输出值，并基于所述多个第2输出值运算所述输出矢量要素。3.如权利要求1所述的推理装置，其中，所述融合激活函数向同一输入矢量要素适用所述多个混合系数来运算多个第1输出值，向所述多个第1输出值分别适用所述多个激活函数来运算多个第2输出值，并基于所述多个第2输出值运算所述输出矢量要素。4.如权利要求1所述的推理装置，其中，所述融合激活函数向输入矢量要素适用基于所述多个混合系数和所述多个激活函数重构而成的函数，来运算所述输出矢量要素。5.一种医用图像诊断装置，其中，具备：如权利要求1至4中任一项所述的推理装置；以及医用摄像装置，对于被检体进行医用摄像，所述取得部取得由所述医用摄像装置取得的医用数据，作为所述处理对象数据。6.一种推理方法，其中，具备：取得工序，取得处理对象数据；以及推理工序，对于所述处理对象数据适用学习完成神经网络来计算推理数据，所述学习完成神经网络具有融合...

【专利技术属性】
技术研发人员：竹岛秀则，
申请(专利权)人：佳能医疗系统株式会社，
类型：发明
国别省市：