① 人のもつ知識を反映させた画像拡大手法（ファジィ論理） 従来の 線形補間 テスト画像 ①の方法 一回拡大（縦横2倍） 一回拡大（縦横2倍） ニ回拡大（縦横4倍） ニ回拡大（縦横4倍） ② 多数の画像から自己組織的に抽出した特徴を利用した画像 拡大手法（ニューラルネットワーク，自己組織化マップ） テスト画像 共一次線形補間 3次畳み込み補間 ②の手法 セファロ画像解析 治療方針の決定 治療効果の判定 X線撮影 セファロ画像とプロフィログラム 計測点の自動抽出 計測点 Layer 1 (原画像) N Or S Ptm Ba Bo ANS Ar Layer 2 A PNS B Go Pog Me 硬組織計測点 Gn Layer M ピラミッド型探索 画像1 画像1 Xˆ (i ) ・・・ C1 (i) C2 (i) C3 (i) C4 (i) C5 (i) C6 (i) C2 (i ) ・・・ 画像 N C9 (i ) F (C1 (i),LC9 (i)) Xˆ ′(i ) Yˆ ′(i ) 3/L Yˆ (i ) 0 1 2 3 1 2 3 Yˆ (i ) ・・・ μ1,1 (C1 ) ◎◎ ◎◎ μ1, 2 (C1 ) Xˆ (i ) μ1, S (C1 ) ◎ 1 ・・・ C7 (i) C8 (i) C9 (i) ・・・ Fuzzy Leaning Machine ◎：代数積 C1 (i ) ・・・ 画像 i 3/L C1 (i ) ・・・ 画像 i Σ ：代数和 ・・・ C9 (i ) μ 9,1 (C9 ) 画像 N ◎ μ 9, 2 (C9 ) ・・・ ◎ ◎ ◎ ◎ ・・・ μ 9,S (C9 ) ◎ 9 FLMの学習（Layer 1） wxi(1) wxi( 2) ・・・ wxi (N ) ◎ ( 2) w(yi1) wyi Σ (N ) ・・・ wyi Σ Xˆ ′(i ) Yˆ ′(i ) FLMの内部構造 μ 1 0 μ j ,1 μ j , 2 C min j ・・・ μ j, S j C max j メンバーシップ関数 Cj 術後側貌予測 側貌が 変わる！ 術前 術後 手術方針の決定を支援するために，術前後の硬組織計 測点と術前の軟組織計測点から術後の軟組織計測点 を予測する ⇒ 術後の側貌を予測する 症例 1 症例 1 術前 術後 術後 硬組織 硬組織 軟組織 軟組織 ・・・ ・・・ 症例 i 症例 i 術前 術後 硬組織 硬組織 軟組織 硬組織 軟組織 硬組織，軟組織計測点 ・・・ Fuzzy Leaning Machine ・・・ 術後 軟組織 ・・・ ・・・ 症例 N 症例 N 術前 術後 術後 硬組織 硬組織 軟組織 軟組織 FLMの学習 成長予測 顎骨の成長予測を行うことで，歯科矯正治療の方針を支援する 症例症例 症例 症例症例 症例 症例 症例症例 ANBの角度 ファジィクラスタリング 切り替え ANBの角度 (通常，この角度で 症例が分類される) 正常 咬合 上顎 前突 下顎 前突 各症例の 計測点data RBF RBF RBF Network Network Network B，Pog, Meの移動量を予測 （下顎形状のみに注目） 人工ニューラル ネットワークの 一種 ベクトル心電図のモデリングと特徴抽出 ベクトル心電図をダイナミカルシステム として捉える Z t +1 Yt +1 X t +1 D D Zt D Yt Xt ベクトル心電図における電極の位置と 補正回路 M a a fX Xˆ t +1 fY Yˆt +1 fZ Zˆ t +1 a Zˆ t +1 = ∑∑∑∑ WaZ,b ,c ,d Ψa ,b ,c ,d ( X t , Yt , Z t ) a =0 b =0 c =0 d =0 Ψa ,b ,c ,d ( X t , Yt , Z t ) = ψ ( aX t − b)ψ ( aYt − c)ψ ( aZ t − d ) 0 ベクトル心電図解析用ウェーブレットネットワーク ベクトル心電図の特徴抽出 重み係数の分布を特徴として考える X Y Z 次時刻への基底関数の影響方向（a = 2, (b, c, d)=(1, 1, 1) 球の色：黒→正，灰→負 球の大きさ→重みの値 例） W4 , 2,1,1 = 100 X W4 , 0, 2 ,1 = −40 X 結合荷重の表示例 X W4 , 4,1,3 = 20
© Copyright 2024 Paperzz
