ホーム > 特許ランキング > 国立大学法人千葉大学
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-06-03
(45)【発行日】2024-06-11
(54)【発明の名称】診断装置
(51)【国際特許分類】
G01N 27/02 20060101AFI20240604BHJP
【ＦＩ】
G01N27/02 Z
【請求項の数】
4
(21)【出願番号】P 2020122988
(22)【出願日】2020-07-17
(65)【公開番号】P2022019252
(43)【公開日】2022-01-27
【審査請求日】2023-03-30
(73)【特許権者】
【識別番号】304021831
【氏名又は名称】国立大学法人千葉大学
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100181722
【弁理士】
【氏名又は名称】春田 洋孝
(74)【代理人】
【識別番号】100153763
【弁理士】
【氏名又は名称】加藤 広之
(72)【発明者】
【氏名】武居 昌宏
(72)【発明者】
【氏名】パンジー ヌルセティア ダルマ
(72)【発明者】
【氏名】田中 光二
【審査官】吉田 将志
(56)【参考文献】
【文献】特開２００３－３３９６５８（ＪＰ，Ａ）
【文献】特開２０１９－１５２９７７（ＪＰ，Ａ）
【文献】特表２０１６－５２４１３８（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１３／０３０７５６６（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ ２７／００ － Ｇ０１Ｎ ２７／１０
Ｇ０１Ｎ ２７／１４ － Ｇ０１Ｎ ２７／２４
(57)【特許請求の範囲】
【請求項1】
被測定対象の周囲に配置され、前記被測定対象の表面形状に沿って変位する電極と、
前記電極の変位量を測定する変位計と、
を備える４以上のフレキシブル電極を備え、
前記被測定対象を配置する前の前記電極がつくる形状境界の中心を原点としたときに、前記電極が、前記原点と前記電極とを結んだ方向に変位する、電気インピーダンス・トモグラフィセンサを用いる診断装置であって、
前記電気インピーダンス・トモグラフィセンサに前記被測定対象を配置後、前記被測定対象の表面形状に沿って変位した後の前記電極の変位量を測定し、かつ、前記フレキシブル電極間に電流を印加し、電圧を測定するか、または、電圧を印加し、電流を測定する、変位量及び電圧電流測定部と、
前記変位量及び電圧電流測定部から測定される各前記フレキシブル電極の前記電極の変位量から、前記被測定対象の輪郭を推測する輪郭推定部と、
前記変位量および電圧電流測定部で測定される電圧測定パターンまたは電流測定パターン、前記輪郭推定部で推測した前記被測定対象の輪郭を分割して得たメッシュの座標、および各前記電極の前記原点からの距離から構成される入力変数を基に、機械学習から前記被測定対象のヤコビ行列を予測するヤコビ行列予測部と、
を備える、診断装置。
【請求項2】
前記ヤコビ行列予測部で予測された前記被測定対象の前記ヤコビ行列と、前記変位量及び電圧電流測定部で測定された電圧または電流と、から前記被測定対象の導電率分布を計算する導電率分布計算部を
さらに備える、請求項１に記載の診断装置。
【請求項3】
前記導電率分布計算部から得られた前記被測定対象の導電率分布を前記被測定対象の構成成分に対応するクラスタに分類することで、前記被測定対象の構成成分分布を得る構成成分分布計算部を、さらに備える、請求項２に記載の診断装置。
【請求項4】
前記構成成分分布計算部によって得られた、前記被測定対象の構成成分分布から各構成成分の境界線を検出する境界線検出部をさらに備える、請求項３に記載の診断装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、診断装置に関する。
【背景技術】
【0002】
食肉業界および水産業界では、食肉の品質を判断したり、自動で食肉の解体を行ったりするために、食肉の脂肪量、赤身量、骨量およびそれらの位置を測定することが求められている。
【0003】
食肉の品質を判断する装置としては、例えば、マグロ尾部の断面に光を照射し、反射された近赤外波長のスペクトルから脂肪含有量を測定する装置がある。このような装置によって、経験や勘に頼らずに、マグロの脂肪含有量を簡易に測定できる。また、特許文献１には、魚肉および食肉を含む被測定物のインピーダンスを得るための電圧を測定するインピーダンス測定部と、前記インピーダンスに基づいて前記被測定物の品質を示す品質指標の値を演算する演算部と、を備えた、品質状態測定装置が開示されている。
【0004】
食肉の解体のための装置としては、特許文献２にＸ線を照射し、筋入れや抜骨処理に必要な骨部表面の座標を決定できる豚屠体腕部位の左右判別システムが開示されている。
【先行技術文献】
【特許文献】
【0005】
【文献】特開２０１８－１５９５９１号公報
【文献】特許第５７８８１０８号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、特許文献１の技術では、魚肉及び食肉の特定の部位の脂肪率を測定しているので、全体の脂肪率が分からないという問題がある。また、特許文献１の技術では、骨などの構成成分がどこの位置にどれだけ存在しているかが分からないという問題がある。特許文献２の技術では、Ｘ線を用いているため、設備が高価であり、加えて、食品にＸ線を照射するため、一般消費者からは安全性に対する懸念がある。
【0007】
本発明は、上記の課題を鑑みてなされたものであり、低コストで、かつ、短時間に、被測定対象の構成成分を診断可能な診断装置を提供することを目的とする。
【課題を解決するための手段】
【0008】
前記課題を解決するために、本発明は以下の手段を提案している。
＜１＞ 本発明の一態様に係る診断装置は、被測定対象の周囲に配置され、前記被測定対象の表面形状に沿って変位する電極と、前記電極の変位量を測定する変位計と、を備える４以上のフレキシブル電極を備え、前記被測定対象を配置する前の前記電極がつくる形状境界の中心を原点としたときに、前記電極が、前記原点と前記電極とを結んだ方向に変位する、電気インピーダンス・トモグラフィセンサを用いる前記診断装置であって、前記電気インピーダンス・トモグラフィセンサに被測定対象を配置後、前記被測定対象の表面形状に沿って変位した後の前記電極の変位量を測定し、かつ、前記フレキシブル電極間に電流を印加し、電圧を測定するか、または電圧を印加し、電流を測定する、変位量及び電圧電流測定部と、前記変位量及び電圧電流測定部から測定される各前記フレキシブル電極の前記電極の変位量から、前記被測定対象の輪郭を推測する輪郭推定部と、前記変位量および電圧電流測定部で測定される電圧測定パターンまたは電流測定パターン、前記輪郭推定部で推測した前記被測定対象の輪郭を分割して得たメッシュの座標、および各前記電極の前記原点からの距離から構成される入力変数を基に、機械学習から前記被測定対象のヤコビ行列を予測するヤコビ行列予測部と、を備える。
＜２＞ 上記＜１＞に記載の診断装置は、前記ヤコビ行列予測部で予測された前記被測定対象の前記ヤコビ行列と、前記変位量及び電圧電流測定部で測定された電圧または電流と、から前記被測定対象の導電率分布を計算する導電率分布計算部をさらに備えてもよい。
＜３＞ 上記＜２＞に記載の診断装置は、前記導電率分布計算部から得られた前記被測定対象の導電率分布を前記被測定対象の構成成分に対応するクラスタに分類することで、前記被測定対象の構成成分分布を得る構成成分分布計算部を、さらに備えてもよい。
＜４＞ 上記＜３＞に記載の診断装置は、前記構成成分分布計算部によって得られた、前記被測定対象の構成成分分布から各構成成分の境界線を検出する境界線検出部をさらに備えてもよい。
＜１＞ 本発明の一態様に係る診断装置は、被測定対象の周囲に配置され、前記被測定対象の表面形状に沿って変位する電極と、前記電極の変位量を測定する変位計と、を備える４以上のフレキシブル電極を備え、前記被測定対象を配置する前の前記電極がつくる形状境界の中心を原点としたときに、前記電極が、前記原点と前記電極とを結んだ方向に変位する、電気インピーダンス・トモグラフィセンサを用いる前記診断装置であって、前記電気インピーダンス・トモグラフィセンサに被測定対象を配置後、前記被測定対象の表面形状に沿って変位した後の前記電極の変位量を測定し、かつ、前記フレキシブル電極間に電流を印加し、電圧を測定するか、または電圧を印加し、電流を測定する、変位量及び電圧電流測定部と、前記変位量及び電圧電流測定部から測定される各前記フレキシブル電極の前記電極の変位量から、前記被測定対象の輪郭を推測する輪郭推定部と、前記変位量および電圧電流測定部で測定される電圧測定パターンまたは電流測定パターン、前記輪郭推定部で推測した前記被測定対象の輪郭を分割して得たメッシュの座標、および各前記電極の前記原点からの距離から構成される入力変数を基に、機械学習から前記被測定対象のヤコビ行列を予測するヤコビ行列予測部と、を備える。
＜２＞ 上記＜１＞に記載の診断装置は、前記ヤコビ行列予測部で予測された前記被測定対象の前記ヤコビ行列と、前記変位量及び電圧電流測定部で測定された電圧または電流と、から前記被測定対象の導電率分布を計算する導電率分布計算部をさらに備えてもよい。
＜３＞ 上記＜２＞に記載の診断装置は、前記導電率分布計算部から得られた前記被測定対象の導電率分布を前記被測定対象の構成成分に対応するクラスタに分類することで、前記被測定対象の構成成分分布を得る構成成分分布計算部を、さらに備えてもよい。
＜４＞ 上記＜３＞に記載の診断装置は、前記構成成分分布計算部によって得られた、前記被測定対象の構成成分分布から各構成成分の境界線を検出する境界線検出部をさらに備えてもよい。
【発明の効果】
【0009】
本発明の上記態様によれば、低コストで、かつ、短時間に、被測定対象の構成成分を診断可能な診断装置および当該診断装置に用いられる電気インピーダンス・トモグラフィセンサを提供することができる。
【図面の簡単な説明】
【0010】
【図1】本発明の実施形態に係る診断装置の模式図である。
【図2A】被測定対象配置前の電気インピーダンス・トモグラフィの模式図である。
【図2B】被測定対象配置後の電気インピーダンス・トモグラフィの模式図である。
【図3A】フレキシブル電極を説明するための図である。
【図3B】被測定対象配置前のフレキシブル電極を説明するための図である。
【図3C】被測定対象配置後のフレキシブル電極を説明するための図である。
【図4】フレキシブル電極への電流の印加方法を説明するための図である。
【図5】ラメ曲線により求めた被測定対象の輪郭∂Ωを説明するための図である。
【図6】既知の輪郭∂Ωｇの入力変数のデータセットについて説明するための図である。
【図7】ヤコビ行列予測部におけるヤコビ行列の予測のフローチャートである。
【図8】ｋ近傍法によるヤコビ行列Ｊ＊の予測方法を説明する図である。
【図9】被測定対象の構成成分に対応するクラスタに分類する前後の被測定対象の導電率分布を示す図である。
【図10】被測定対象の導電率分布を被測定対象の構成成分に対応するクラスタに分類する流れを説明するフローチャートである。
【図11】測定試料の外観図である。
【図12】予測された輪郭と実際の輪郭との比較を示す図である。
【図13】測定試料の予測されたヤコビ行列を示す図である。
【図14】測定試料のヤコビ行列の計算時間を示す図である。
【図15】測定試料の導電率分布を示す図である。
【図16】測定試料の各構成分分布とｋ平均法で得られた構成成分分布との比較を示す図である。
【図17】測定試料の各構成分割合の真値と、ｋ平均法で得られた構成成分割合との比較を示す図である。
【図18】Ｃａｎｎｙ法で検出された境界線を示す図である。
【発明を実施するための形態】
【0011】
（診断装置）
以下、図面を参照し、本発明の一実施形態に係る診断装置１００について説明する。図１に示すように、診断装置１００は、変位量及び電圧電流測定部１、輪郭推定部２、ヤコビ行列予測部３、導電率分布計算部４、構成成分分布計算部５、境界線検出部６及び出力部７を備える。
以下、図面を参照し、本発明の一実施形態に係る診断装置１００について説明する。図１に示すように、診断装置１００は、変位量及び電圧電流測定部１、輪郭推定部２、ヤコビ行列予測部３、導電率分布計算部４、構成成分分布計算部５、境界線検出部６及び出力部７を備える。
【0012】
診断装置１００は、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ），Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（ＲＯＭ）、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（ＲＡＭ）及びＨａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ（ＨＤＤ）／Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ（ＳＳＤ）を備える。輪郭推定部２、ヤコビ行列予測部３、導電率分布計算部４、構成成分分布計算部５、境界線検出部６及び出力部７は、ＣＰＵにおいて、所定のプログラムを実行することで実現される。プログラムは、記録媒体経由で取得してもよく、ネットワーク経由で取得してもよい。また、診断装置１００の構成を実現するための専用のハードウェア構成を用いてもよい。以下、各部について説明する。
【0013】
(変位量及び電圧電流測定部）
変位量及び電圧電流測定部１を図２Ａおよび図２Ｂを用いて説明する。以下の説明で用いる図面は、特徴をわかりやすくするために便宜上特徴となる部分を拡大して示している場合があり、各構成要素の寸法比率などは実際とは異なっていることがある。以下の説明において例示される材料、寸法等は一例であって、本発明はそれらに限定されるものではなく、本発明の効果を奏する範囲で適宜変更して実施することが可能である。
変位量及び電圧電流測定部１を図２Ａおよび図２Ｂを用いて説明する。以下の説明で用いる図面は、特徴をわかりやすくするために便宜上特徴となる部分を拡大して示している場合があり、各構成要素の寸法比率などは実際とは異なっていることがある。以下の説明において例示される材料、寸法等は一例であって、本発明はそれらに限定されるものではなく、本発明の効果を奏する範囲で適宜変更して実施することが可能である。
【0014】
まず方向について定義する。食肉台Ｅの上面の一方向をｘ方向、上面に沿って、ｘ方向と直交する方向をｙ方向とする。ｚ方向は、食肉台Ｅの上面と垂直な方向である。ｚ方向は、ｘ方向及びｙ方向と直交する方向である。以下、＋ｚ方向を「上」、－ｚ方向を「下」と表現する場合がある。上下は、必ずしも重力が加わる方向とは一致しない。
【0015】
図２Ａに示すように、変位量及び電圧電流測定部１は、電気インピーダンス・トモグラフィセンサ１０と制御測定部３０とを備える。電気インピーダンス・トモグラフィセンサ１０は、Ｑ個のフレキシブル電極２０と、フレキシブル電極２０を固定する外枠２５および内枠２６とを備える。ここで、フレキシブル電極２０の数Ｑは４以上である。フレキシブル電極２０の数が４以上あることで、被測定対象の輪郭の測定およびヤコビ行列の予測をすることができる。フレキシブル電極２０の配置位置は特に限定されないが、外枠２５および内枠２６の円周方向に均等に配置されることが好ましい。変位量及び電圧電流測定部１は、電気インピーダンス・トモグラフィセンサ１０に被測定対象を配置後、被測定対象の表面形状に沿って変位した後の電極２１の変位量を測定し、かつ、フレキシブル電極２０間に所定の電流または電圧を印加し、電圧または電流を測定する。
【0016】
被測定対象は、電気インピーダンス・トモグラフィセンサ１０の内枠２６の内側に配置される。ここで、被測定対象は、例えば食肉および魚肉である。図２Ａの∂Ω０は、Ｑ個の電極２１がつくる形状境界を意味する。原点Ｏは被測定対象を配置する前のＱ個の電極がつくる形状境界∂Ω０の中心である。形状境界∂Ω０の形状は特に限定されず、例えば、円形でもよいし、四角形でもよい。被測定対象が内枠２６の内側に配置されると、図２Ｂのように、フレキシブル電極２０は、被測定対象に接触し、被測定対象の表面形状に沿って変位する。変位後の電極２１の位置によって、被測定対象の表面形状（輪郭）∂Ωの測定がなされる。
【0017】
フレキシブル電極２０は、図３Ａに示すように、筐体１５、電極２１、支持棒２２、コイルばね２３、変位計２４を備える。フレキシブル電極２０の筐体１５は、外枠２５および内枠２６に固定され、制御測定部３０と導線などで電気的に接続される。フレキシブル電極２０の電極２１は、被測定対象の表面形状に沿って変位し、その変位量を測定することができる。フレキシブル電極２０の電極２１は、原点Ｏと電極２１とを結んだ方向（半径距離）に変位する。また、フレキシブル電極２０は、電極２１から電流または電圧を印加することで、被測定対象の電圧または電流を測定することができる。
【0018】
筐体１５は、中空で片側開放の筒状体である。コイルばね２３の一端が筐体１５の内部の閉塞ふた部に取り付けられている。コイルばね２３の他端に支持棒２２の一端が取り付けられている。支持棒２２の他端に電極２１が取り付けられている。変位計２４は、コイルばね２３のばね長さを計測する。以下、各部について説明する。
【0019】
コイルばね２３は、支持棒２２から伝達された荷重に従って伸縮する。コイルばね２３は、被測定対象の表面形状を変化させない程度のばね定数であることが好ましい。
【0020】
電極２１は、電気的に制御測定部３０と接続される。電流または電圧を印加できれば、その材質や形状は特に限定されない。電極２１の材質としては、例えば、金めっきを施したＣｕなどが挙げられる。
【0021】
支持棒２２は電極２１およびコイルばね２３と接続される。支持棒２２は、電極２１が被測定対象の表面に接触した後の荷重をコイルばね２３に伝える。
【0022】
変位計２４は、例えばポテンショメータである。ポンテンショメータは、電気抵抗値の変化から、コイルばね２３の長さＳqを計測する機器であり、測定された電気抵抗値は導線を通して制御測定部３０に送信される。
【0023】
図３Ｂおよび図３Ｃに示すように、被測定対象の配置前後でコイルばね２３の長さｓｑおよび電極の位置（半径距離）ｒｑが変位する。被測定対象の配置前の原点Ｏから各電極２１までの半径距離は以下の式（１）で表される。また、被測定対象を配置後の原点Ｏから各電極までの半径距離は以下の式（２）で表される。変位計２４により被測定対象の配置前後の電極２１の半径方向の移動距離の差Δｒｑ= ｒｑ－ｒq
0が下記（３）式より求まる。ここで、ｒｑは、変位後の電極２１の半径距離を示し、ｒｑ
０は、変位前の電極２１の半径距離を示し、ｓｑは、変位後のコイルばね２３の長さを示し、ｓｑ
０は、変位前のコイルばね２３の長さを示す。
【0024】
【数1】
【0025】
（制御測定部）
制御測定部３０は、例えば、印加電極と計測電極の切り替えを行うためのマルチプレクサ、インピーダンス測定を行うインピーダンスアナライザを備える。制御測定部３０は、ＣＰＵにおいて、所定のプログラムを実行し、マルチプレクサおよびインピーダンスアナライザを制御することで、変位量測定及びインピーダンス測定を行う。得られた電極２１の変位量の測定結果は輪郭推定部２に送られ、インピーダンス測定の結果は、ヤコビ行列予測部３に送られる。
制御測定部３０は、例えば、印加電極と計測電極の切り替えを行うためのマルチプレクサ、インピーダンス測定を行うインピーダンスアナライザを備える。制御測定部３０は、ＣＰＵにおいて、所定のプログラムを実行し、マルチプレクサおよびインピーダンスアナライザを制御することで、変位量測定及びインピーダンス測定を行う。得られた電極２１の変位量の測定結果は輪郭推定部２に送られ、インピーダンス測定の結果は、ヤコビ行列予測部３に送られる。
【0026】
制御測定部３０は、被測定対象によって、電極２１が変位し、変位量が変動しなくなった時点の変位量を測定する。得られた結果は、輪郭推定部２に送られる。
【0027】
制御測定部３０は、電極２１間に電流を印加し、電圧を測定する。または、制御測定部３０は、電極２１間に電圧を印加し、電流を測定する。電流を印加する場合、どの電極間に電流を印加するかについては、特に限定されない。同様に電圧を印加する場合も、どの電極間に電圧を印加するかについては、特に限定されない。以下、電流を印加し、電圧を測定する場合について説明する。電流印加方法としては、例えば、対極法、隣接法およびリファレンス法などが挙げられる。測定数Ｍは、各電流印加方法で異なる。以下、各電流印加方法について説明する。なお、以下に説明する電流印可方法は、電圧印加方法にも適用することができる。
【0028】
対極法は、対向する一対の電極間に電流を印加する方法であり、例えば図４（ａ）で説明をすると、１番電極と９番電極、２番電極と１０番電極といったように、対向する電極に電流を印加する。図４（ａ）の場合は、電極数Ｑが１６であるので、全部で８通りある。電圧は、電流を印加する電極を除外した第２電極および第３電極、第３電極および第４電極のように電極ペアで測定し、第２電極および第３電極の電極ペアから第１５電極と第１６電極の電極ペアまで測定するので、１つの電流印加パターンに１３通りの電圧測定パターンが存在する。したがって、対極法では、この場合、測定数（測定パターン）Ｍは、全部で１０４通りとなる。ここで、電流を印加して電圧を測定した場合は、測定パターンは、電圧測定パターンとなる。電圧を印加して電流を測定した場合は、測定パターンは電流測定パターンとなる。
【0029】
隣接法は、隣接する電極間に電流を印加する方法であり、例えば図４（ｂ）で説明をすると、１番電極と２番電極、２番電極と３番電極といったように、隣接する電極に電流を印加する。図４（ｂ）の場合は、電極数Ｑが１６であるので、全部で１６通りある。電圧は、電流を印加する電極を除外した第３電極および第４電極のように電極ペアで測定し、第３電極および第４電極から第１５電極と第１６電極まで測定するので、１つの電流印加パターンに１３通りの電圧測定パターンが存在する。したがって、隣接法では、測定数（測定パターン）Ｍは、全部で２０８通りとなる。
【0030】
リファレンス法は、基準となる電極と、基準となる電極以外の電極との間のすべての組み合わせで電圧を測定する方法であり、例えば図４（ｃ）で説明をすると、１番電極と２番電極、１番電極と３番電極といったように、基準となる電極と基準となる電極以外の電極との間に電流を印加する。図４（ｃ）の場合は、電極数Ｑが１６であるので、全部で１６通りある。電圧は、電流を印加する電極を除外した第３電極および第４電極のように電極ペアで測定し、第３電極および第４電極の電極ペアから第１５電極と第１６電極の電極ペアまで測定するので、１つの電流印加パターンに１３通りの電圧測定パターンが存在する。したがって、リファレンス法では、測定数（測定パターン）Ｍは、全部で２０８通りとなる。
【0031】
以下、本実施形態の診断装置１００では、隣接法を用いて、電圧を測定した例について説明する。
【0032】
（輪郭推定部２）
輪郭推定部２は、変位量及び電圧電流測定部１から送られてきたフレキシブル電極２０の電極２１の変位量から被測定対象の表面形状を推測する。変位量及び電圧電流測定部１から送られてきた変位量データ（座標データ）は、電極数Ｑと同じ数のみしかなく、被測定対象の輪郭∂Ωを得るためには、その間（各座標点間）を補う必要がある。輪郭推定部２は、変位量データ（電極２１の位置座標）およびラメ曲線から、被測定対象の輪郭∂Ωを推測する。ここでは、ラメ曲線で被測定対象の輪郭∂Ωを推測したが、スプライン曲線やベジエ曲線を用いてもよい。図５にラメ曲線で推測された被測定対象の輪郭∂Ωを示す。図５に示す通り、各電極２１の位置は半径方向の長さｒと、電極２１の中心および原点Ｏを結んだ線とｘ軸とのなす角度θと、で表される。輪郭∂Ωの座標（ｘ、ｙ）は下記の式（４）で表現される。得られた被測定対象の輪郭∂Ωの座標情報は、ヤコビ行列予測部３に送られる。
輪郭推定部２は、変位量及び電圧電流測定部１から送られてきたフレキシブル電極２０の電極２１の変位量から被測定対象の表面形状を推測する。変位量及び電圧電流測定部１から送られてきた変位量データ（座標データ）は、電極数Ｑと同じ数のみしかなく、被測定対象の輪郭∂Ωを得るためには、その間（各座標点間）を補う必要がある。輪郭推定部２は、変位量データ（電極２１の位置座標）およびラメ曲線から、被測定対象の輪郭∂Ωを推測する。ここでは、ラメ曲線で被測定対象の輪郭∂Ωを推測したが、スプライン曲線やベジエ曲線を用いてもよい。図５にラメ曲線で推測された被測定対象の輪郭∂Ωを示す。図５に示す通り、各電極２１の位置は半径方向の長さｒと、電極２１の中心および原点Ｏを結んだ線とｘ軸とのなす角度θと、で表される。輪郭∂Ωの座標（ｘ、ｙ）は下記の式（４）で表現される。得られた被測定対象の輪郭∂Ωの座標情報は、ヤコビ行列予測部３に送られる。
【0033】
【数2】
【0034】
（ヤコビ行列予測部３）
ヤコビ行列予測部３は、変位量及び電圧電流測定部１から送られた電極２１の変位量および測定パターン、および、輪郭推定部２で推測した被測定対象の輪郭∂Ωを用い、最近傍探索手法やニューラルネットワークなどの機械学習から被測定対象のヤコビ行列を予測する。具体的には、ヤコビ行列予測部３は、変位量および電圧電流測定部１で測定される測定パターン、輪郭推定部２で推測した被測定対象の輪郭∂Ωを分割して得たメッシュの座標、および各フレキシブル電極２０の電極２１の原点Ｏからの距離から構成される入力変数を基に、変位量および測定パターン、および、輪郭推定部２で推測した被測定対象の輪郭∂Ωを用い、例えば最近傍探索手法から被測定対象のヤコビ行列を予測する。ヤコビ行列は測定電圧ベクトルが変化したときの導電率ベクトル（導電率分布）の感度を表す感度行列である。したがって、ヤコビ行列（感度行列）が分かれば導電率分布を算出することができる。最近傍探索手法としては、特に限定されないが、ｋ近傍法、近似最近傍探索、局所性鋭敏型ハッシュ、ｋd木などが挙げられる。ここでは、ｋ近傍法を例に挙げて説明する。
ヤコビ行列予測部３は、変位量及び電圧電流測定部１から送られた電極２１の変位量および測定パターン、および、輪郭推定部２で推測した被測定対象の輪郭∂Ωを用い、最近傍探索手法やニューラルネットワークなどの機械学習から被測定対象のヤコビ行列を予測する。具体的には、ヤコビ行列予測部３は、変位量および電圧電流測定部１で測定される測定パターン、輪郭推定部２で推測した被測定対象の輪郭∂Ωを分割して得たメッシュの座標、および各フレキシブル電極２０の電極２１の原点Ｏからの距離から構成される入力変数を基に、変位量および測定パターン、および、輪郭推定部２で推測した被測定対象の輪郭∂Ωを用い、例えば最近傍探索手法から被測定対象のヤコビ行列を予測する。ヤコビ行列は測定電圧ベクトルが変化したときの導電率ベクトル（導電率分布）の感度を表す感度行列である。したがって、ヤコビ行列（感度行列）が分かれば導電率分布を算出することができる。最近傍探索手法としては、特に限定されないが、ｋ近傍法、近似最近傍探索、局所性鋭敏型ハッシュ、ｋd木などが挙げられる。ここでは、ｋ近傍法を例に挙げて説明する。
【0035】
次に、既知の輪郭のヤコビ行列のデータセット、既知の輪郭の入力データセット、輪郭推定部２で推測された被測定対象の輪郭∂Ω、および測定パターンｍ（１＜ｍ＜Ｍ）を基に、ｋ近傍法で、ヤコビ行列を予測する方法について説明する。ここで、既知の輪郭のヤコビ行列のデータセットとは、複数の既知の試料の輪郭から有限要素法などで取得した複数のヤコビ行列のデータをいう。既知の輪郭のデータセットとは、複数の既知の試料の輪郭から得られた複数の入力変数のデータをいう。
【0036】
既知の輪郭のヤコビ行列のデータセットは、例えば、有限要素法を用い、ヤコビ行列を計算することで、既知のヤコビ行列のデータセットを作成してもよい。ヤコビ行列は、被測定対象の輪郭∂Ωによって変わるので、多数の既知の輪郭およびヤコビ行列を用意することが好ましい。ここでは、既知の輪郭を∂Ωｇ（１≦ｇ≦Ｇ）とする。Ｇは、データセット中の既知の輪郭の数であり、例えば１００から１００００である。∂Ωｇの種類やＧの数は、被測定対象によって、適宜修正できる。
【0037】
既知の輪郭∂Ωｇを電極２１の個数に応じて、適切な解像度が得られるように、分割する。例えば、電極２１が１６個の場合は、既知の輪郭∂Ωｇを含む領域を縦６４個、横６４個に分割してメッシュｎを作成してもよい（１≦ｎ≦Ｎ）。Ｎは、６４×６４の場合は、４０９６となる。メッシュの数や形状は、電極２１の個数や必要な解像度に合わせて適宜設定することができる。
【0038】
既知の輪郭Ωｇのヤコビ行列Ｊｇは、下記の式（５）で表される。式（５）のＭは、測定数（測定パターン）の数を示し、Ｎは、メッシュの数を示す。測定パターンｍおよびメッシュｎにおけるヤコビ行列Ｊｍｎは、下記の式（６）を用い、計算される。ここで、σｎは、メッシュｎにおける導電率を示す。Ａｎはｎ番目のメッシュ面積を示す。Ｖｍ（ｅ，ｄ）は、測定パターンｍにおける測定電圧Ｖを示す。ｅは、測定パターンｍにおける電流印加電極ペアを示し、ｄは、測定パターンｍにおける電圧測定電極ペアを意味する。Ｖ（ｉｅ）は、電流印加電極ペアｅへの電流印加により誘発された、電圧測定電極ペアd間の電位を示す。Ｖ（ｉｄ）は電圧測定電極ペアｄへの電流印加により誘発された、電流印加電極ペアｅ間の電位である。
【0039】
【数3】
【0040】
次に、図６を用いて、既知の輪郭∂Ωｇの入力データセットについて説明する。入力データセットＩは、以下の式（７）で表される。Ｉｇは、既知の輪郭∂Ωｇにおける入力変数であり、下記の式（８）で表される。式（８）中のＩｇ
ｍｎは、既知の輪郭∂Ωｇにおける、測定パターンｍおよびメッシュｎの入力変数であり、下記の式（９）で表される。式（９）中のｍは測定パターンを示す。また、式（９）中のＸｇ
ｎは、既知の輪郭∂Ωｇにおけるメッシュｎのデカルト座標を示し、下記の式（１０）で表される。式（９）中のｒｇは、既知の輪郭∂Ωｇに配置される電極２１の原点からの距離で、下記の式（１１）で表される。式（１１）中のＱは、電極２１の個数を示す。
【0041】
【数4】
【0042】
次に、図７を用いてｋ近傍法によるヤコビ行列の予測の方法について説明する。ヤコビ行列予測部３は、輪郭推定部２から送られてきた被測定対象の輪郭∂Ωを既知の輪郭∂Ωｇのデータセットと同じメッシュ数となるように分割する（Ｓ１１）。その後、変位量及び電圧電流測定部１から送られてきた変位量及び測定パターンｍと、メッシュｎから入力変数Ｉ＊を作成する（Ｓ１２）。入力変数Ｉ＊は、被測定対象の輪郭∂Ωにおける入力変数であり、下記の式（１２）で表される。式（１２）中のＩｇ
ｍｎは、被測定対象の輪郭∂Ωにおける、測定パターンｍおよびメッシュｎの入力変数であり、下記の式（１３）で表される。式（１３）中のｍは測定パターンを示す。また、式（１３）中のＸｇ
ｎは、被測定対象の輪郭∂Ωにおけるメッシュｎのデカルト座標を示し、下記の式（１４）で表される。式（１３）中のｒ＊は、被測定対象の輪郭∂Ωに配置される電極２１の原点からの距離で、下記の式（１５）で表される。式（１５）中のＱは、電極２１の個数を示す。
【0043】
【数5】
【0044】
次に、被測定対象のヤコビ行列Ｊ＊の予測の流れを説明する。ヤコビ行列予測部３は、初期値（例えば、ｎ＝１、ｍ＝１）を入力する（Ｓ１３）。次にヤコビ行列予測部３は、下記の式（１６）に従って、Ｉ＊とＩｇとのユークリッド距離が小さいｋ個のヤコビ行列Ｊｇ
ｍｎを基に、被測定対象の輪郭∂Ωにおけるヤコビ行列Ｊ＊
ｍｎを予測する（Ｓ１４）。ここで、ｄ（Ｉ＊
ｍｎ， Ｉｇ
ｍｎ）は、下記の式（１７）で計算され、Ｉｇ
ｍｎとＩ＊
ｍｎのユークリッド距離を示す。Ｉｇ
ｍｎは既知の輪郭Ωｇにおける測定パターンｍ、メッシュｎにおける入力を示す。Ｉ＊
ｍｎは変位量及び電圧電流測定部１より送られた測定パターンｍ、メッシュｎにおける電気インピーダンス・トモグラフィセンサ１０で測定した入力変数である。Ｃｍｎは下記の式（１８）で表され、Ｉ＊
ｍｎとユークリッド距離が小さいｋ個の入力変数Ｉｇ
ｍｎを示す。ｋの数は特に限定されず、例えば１０である。
図８を用いてｋ近傍法によるヤコビ行列Ｊ＊の予測について説明する。この例では、被測定対象の入力変数とのユークリッド距離が小さい、既知の輪郭Ω１のヤコビ行列Ｊ１ 1,９、既知の輪郭Ω８のヤコビ行列Ｊ８ 1,１２、および既知の輪郭Ω１５のヤコビ行列Ｊ１５ 1,１０から、ヤコビ行列Ｊ＊ 1,８が予測される。
図８を用いてｋ近傍法によるヤコビ行列Ｊ＊の予測について説明する。この例では、被測定対象の入力変数とのユークリッド距離が小さい、既知の輪郭Ω１のヤコビ行列Ｊ１ 1,９、既知の輪郭Ω８のヤコビ行列Ｊ８ 1,１２、および既知の輪郭Ω１５のヤコビ行列Ｊ１５ 1,１０から、ヤコビ行列Ｊ＊ 1,８が予測される。
【0045】
Jｍｎ
＊の予測が終わったところで、ヤコビ行列予測部３は、ｎの数がメッシュ数Ｎと等しいか判定する（Ｓ１５）。ｎとＮが等しくない場合は、ｎの数を１つ上げ、再度Ｓ１４に戻る（Ｓ１６）。ｎとＮが等しい場合は、次にｍが測定パターンの数Ｍと等しいか判定する（Ｓ１７）。ｍとＭが等しくない場合は、ｍの数を１つ上げ、再度Ｓ１４に戻る（Ｓ１８）。ｎとｍが等しくなれば、ヤコビ行列予測部３は、ヤコビ行列の予測を終了し、導電率分布計算部４に予測された被測定対象のヤコビ行列Ｊ＊および、測定パターンを送る。通常上記の式（６）を用いてヤコビ行列を計算すると、１０分以上計算に時間がかかる。本実施形態に係る診断装置１００では、既知の輪郭∂Ωｇのヤコビ行列のデータセットおよび入力データセットを用意し、被測定対象の輪郭および測定パターンを基に、ｋ近傍法のような機械学習を用いることで、被測定対象のヤコビ行列Ｊ＊を短時間で精度高く予測することができる。
【0046】
【数6】
【0047】
（導電率分布計算部）
導電率分布計算部４は、ヤコビ行列予測部３から送られてきた被測定対象の予測されたヤコビ行列Ｊ＊と、変位量及び電圧電流測定部１で測定された電圧とから被測定対象の導電率分布を計算する。初期の導電率分布は被測定対象のヤコビ行列Ｊ＊を用い下記の式（１９）から計算される。式（１９）中のΔＶは、下記の式（２０）で表される。式（２０）中のΔＶｍは、低周波数における電圧Ｖ（ｆ０）と高周波数における電圧Ｖ（ｆ１）で規格化された電圧であり、下記の式（２１）で表される。ここで、低周波数としては、例えば５００Ｈｚであり、高周波数としては例えば１ｋＨｚである。式（２１）中のｍは、測定パターンである。
被測定対象の導電率分布は、下記の式（２２Ａ）から計算される。式（２２Ａ）中のｉは、繰り返し計算のイタレーション数を表す。式（２２Ａ）中のＲは正則化行列、λは、弛緩因子スカラーを示す。Ｒは例えば、下記の式（２２Ｂ）で表される。λは任意のハイパーパラメータであり、例えば、０．０１である。計算された被測定対象の導電率分布は、構成成分分布計算部５に送られる。
導電率分布計算部４は、ヤコビ行列予測部３から送られてきた被測定対象の予測されたヤコビ行列Ｊ＊と、変位量及び電圧電流測定部１で測定された電圧とから被測定対象の導電率分布を計算する。初期の導電率分布は被測定対象のヤコビ行列Ｊ＊を用い下記の式（１９）から計算される。式（１９）中のΔＶは、下記の式（２０）で表される。式（２０）中のΔＶｍは、低周波数における電圧Ｖ（ｆ０）と高周波数における電圧Ｖ（ｆ１）で規格化された電圧であり、下記の式（２１）で表される。ここで、低周波数としては、例えば５００Ｈｚであり、高周波数としては例えば１ｋＨｚである。式（２１）中のｍは、測定パターンである。
被測定対象の導電率分布は、下記の式（２２Ａ）から計算される。式（２２Ａ）中のｉは、繰り返し計算のイタレーション数を表す。式（２２Ａ）中のＲは正則化行列、λは、弛緩因子スカラーを示す。Ｒは例えば、下記の式（２２Ｂ）で表される。λは任意のハイパーパラメータであり、例えば、０．０１である。計算された被測定対象の導電率分布は、構成成分分布計算部５に送られる。
【0048】
【数7】
【0049】
（構成成分分布計算部）
構成成分分布計算部５は、導電率分布計算部４から得られた被測定対象の導電率分布を被測定対象の構成成分に対応するクラスタに分類することで、被測定対象の構成成分分布を得る。被測定対象の導電率分布を被測定対象の構成成分に対応するクラスタに分類する方法は、特に限定されないが、例えば、ｋ平均法、ＥＭアルゴリズム、ＩＳＯＤＡＴＡ法、Ｆｕｚｚｙ クラスタリング、最長距離法などが挙げられる。ここでは、ｋ平均法の例を説明する。
構成成分分布計算部５は、導電率分布計算部４から得られた被測定対象の導電率分布を被測定対象の構成成分に対応するクラスタに分類することで、被測定対象の構成成分分布を得る。被測定対象の導電率分布を被測定対象の構成成分に対応するクラスタに分類する方法は、特に限定されないが、例えば、ｋ平均法、ＥＭアルゴリズム、ＩＳＯＤＡＴＡ法、Ｆｕｚｚｙ クラスタリング、最長距離法などが挙げられる。ここでは、ｋ平均法の例を説明する。
【0050】
図９（ａ）は、被測定対象の構成成分に対応するクラスタに分類する前の２５×２０メッシュの導電率分布を示す。以下、図１０を用いて被測定対象の構成成分に対応するクラスタに分類する流れを説明する。導電率分布計算部４から送られてきた導電率分布（図９（ａ））に対し、３種のクラスタ（脂肪ｋ＝１σ０、赤身ｋ＝２σ０、骨ｋ＝３σ０）に分け、クラスタの初期化を行う（Ｓ２１）。次に、導電率ｋσｎにクラスタされているメッシュｎの座標ｋｒｎ＝（ｘｎ，ｙｎ）から成分ｋの重心位置ｋｒｃを下記の式（２３）を用いて計算する（Ｓ２２）。各クラスタ毎に、重心位置ｋｒｃを計算した後、メッシュｎにおける導電率σｎは、下記の式（２４）で計算されるメッシュｎの座標ｒｎとのユークリッド距離が最小であった重心位置ｋｒｃと同じ成分ｋの導電率ｋσｎが割り当てられる（Ｓ２３）。その後、再度各クラスタ毎に、重心位置ｋｒｃを計算する（Ｓ２４）。各クラスタの重心位置を計算後、最新の各クラスタの重心位置とその１回前の計算における各クラスタの重心位置とが一致していない場合、Ｓ２３に戻る。最新の各クラスタの重心位置とその一回前の計算における各クラスタの重心位置が一致していれば、計算を終了する。構成成分分布計算部５は、得られた被測定対象の構成成分分布を境界線検出部６に送る。被測定対象の構成成分に対応するクラスタに分類した後の被測定対象の構成成分分布は、図９（ｂ）のようになる。ｋ平均法のような被測定対象の導電率分布を被測定対象の構成成分に対応するクラスタに分類する方法で構成成分を分けることで、導電率の閾値で分けるよりも高精度に構成成分を分類することができる。
【0051】
【数8】
【0052】
（境界線検出部）
境界線検出部６は、構成成分分布計算部５から送られてきた被測定対象の構成成分分布から各構成成分の境界線を検出する。境界線の検出方法は、特に限定されず、例えば、Ｃａｎｎｙ法、ソーベル法・ガウスのラプラシアン法などが挙げられる。ここでは、Ｃａｎｎｙ法の例を説明する。
境界線検出部６は、構成成分分布計算部５から送られてきた被測定対象の構成成分分布から各構成成分の境界線を検出する。境界線の検出方法は、特に限定されず、例えば、Ｃａｎｎｙ法、ソーベル法・ガウスのラプラシアン法などが挙げられる。ここでは、Ｃａｎｎｙ法の例を説明する。
【0053】
Ｃａｎｎｙ法は、隣接するメッシュにおける導電率の勾配｜Ｇｎ｜とその勾配方向θｎから境界線を検出する。メッシュ間での導電率の急激な変化があると、｜Ｇｎ｜が大きくなる。そのため、｜Ｇｎ｜が大きいと境界線を意味する。勾配方向θｎは、境界線の向きを意味する。境界線は以下の式（２５）～（２９）で検出する。ここで、Ｇｎ（ｘ）は、メッシュｎのｘ方向の勾配を示す。Ｇｎ（ｙ）は、メッシュｎのｙ方向の勾配を示す。Ｓｘはｘ方向に対するソーベルフィルタを示す。Ｓｙは、ｙ方向に対するソーベルフィルタを意味する。境界線検出部６によって、境界線を検出することで被測定対象の導電率分布を被測定対象の構成成分に対応するクラスタに分類した後の各構成成分の境界を明確にすることができ、各成分の位置関係をより明確することができる。境界線検出部６は境界線を検出後の被測定対象の構成成分分布を出力部７に送る。
【0054】
【数9】
【0055】
（出力部）
出力部７は、境界線検出部６から送られてきた境界線を検出後の被測定対象の構成成分分布を出力する。被測定対象の構成成分分布の出力先は特に限定されない。出力先は、液晶ディスプレイのような表示部であってもよいし、ＨＤＤのような記憶装置であってもよい。
出力部７は、境界線検出部６から送られてきた境界線を検出後の被測定対象の構成成分分布を出力する。被測定対象の構成成分分布の出力先は特に限定されない。出力先は、液晶ディスプレイのような表示部であってもよいし、ＨＤＤのような記憶装置であってもよい。
【0056】
以上、本実施形態に係る診断装置１００を詳説した。なお、本発明の技術的範囲は前記実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。例えば、コイルバネではなく、空気ばねなどを用いてもよい。
【0057】
その他、本発明の趣旨に逸脱しない範囲で、前記実施形態における構成要素を周知の構成要素に置き換えることは適宜可能であり、また、前記した変形例を適宜組み合わせてもよい。
【0058】
（実施例）
次に、本実施形態に係る診断装置１００の有効性を検証するために実験した例について説明する。
次に、本実施形態に係る診断装置１００の有効性を検証するために実験した例について説明する。
【0059】
（測定試料）
２種の寒天ファントムを用意した。これらの寒天ファントムは、脂肪部分の導電率を０．０２４Ｓ／ｍ、赤身部分の導電率を０．３５１Ｓ／ｍ、骨部分の導電率を０．０８３Ｓ／ｍに調整して作成した。各成分の導電率は、蒸留水と食塩によって、調整した。寒天パウダー（Ｆｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ社製Ａ３６０）を混合し、８５℃で寒天を溶かし、図１１のような形状に成型した。
また、ｎｅｗｚｅｅ社から購入した牛肉、および３種の羊肉を用意した。各牛肉および羊肉の外観は図１１に示す通りである。
２種の寒天ファントムを用意した。これらの寒天ファントムは、脂肪部分の導電率を０．０２４Ｓ／ｍ、赤身部分の導電率を０．３５１Ｓ／ｍ、骨部分の導電率を０．０８３Ｓ／ｍに調整して作成した。各成分の導電率は、蒸留水と食塩によって、調整した。寒天パウダー（Ｆｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ社製Ａ３６０）を混合し、８５℃で寒天を溶かし、図１１のような形状に成型した。
また、ｎｅｗｚｅｅ社から購入した牛肉、および３種の羊肉を用意した。各牛肉および羊肉の外観は図１１に示す通りである。
【0060】
（電圧測定）
インピーダンスアナライザ（ＩＭ ３５７０、日置電機株式会社製）、マルチプレクサ（Ａｒｄｕｉｎｏ（ＬＬＳ社製、イタリア）およびＣＤ７４ＨＣ４０６７（Ｔｅｘａｓ Ｉｎｓｔｒｕｍｅｎｔ、アメリカ、Ａｎａｌｏｇ Ｍｕｘ／Ｄｅｍｕｘ）から構成）、電気インピーダンス・トモグラフィセンサ、およびパーソナルコンピュータを用いて、上記測定試料の電圧測定を行った。電極数は１６とし、隣接法に基づき、各電極を組み合わせて、電流を印加し、電圧を測定した。測定パターンｍは２０８通りとなった。インピーダンスアナライザは、５００Ｈｚ～１ｋＨｚで複素インピーダンスの周波数を掃引した。また、同時に各電極の変位量も合わせて測定した。
インピーダンスアナライザ（ＩＭ ３５７０、日置電機株式会社製）、マルチプレクサ（Ａｒｄｕｉｎｏ（ＬＬＳ社製、イタリア）およびＣＤ７４ＨＣ４０６７（Ｔｅｘａｓ Ｉｎｓｔｒｕｍｅｎｔ、アメリカ、Ａｎａｌｏｇ Ｍｕｘ／Ｄｅｍｕｘ）から構成）、電気インピーダンス・トモグラフィセンサ、およびパーソナルコンピュータを用いて、上記測定試料の電圧測定を行った。電極数は１６とし、隣接法に基づき、各電極を組み合わせて、電流を印加し、電圧を測定した。測定パターンｍは２０８通りとなった。インピーダンスアナライザは、５００Ｈｚ～１ｋＨｚで複素インピーダンスの周波数を掃引した。また、同時に各電極の変位量も合わせて測定した。
【0061】
（被測定対象の輪郭の推測）
得られた各電極の変位量から、ラメ曲線を用い、測定試料の輪郭の推定を行った。得られた結果を図１２に示す。図１２における点線が真値を示し、実線が予測値を示す。輪郭の真値は、図１１の画像より求めた。これらの結果より下記の式（３０）で誤差を計算した。寒天ファントム１の誤差は、４．８１％、寒天ファントム２の誤差は、３．３８％、牛肉の誤差は、１０．４７％、羊肉１の誤差は、４．８１％、羊肉２に誤差は３．１９％、羊肉３の誤差は、５．３５％となった。したがって、各測定試料の平均の誤差は、４．８１％となった。この誤差の値は小さい。したがって、ラメ曲線によって推測された輪郭は実際の輪郭に高い精度で一致することが分かった。
得られた各電極の変位量から、ラメ曲線を用い、測定試料の輪郭の推定を行った。得られた結果を図１２に示す。図１２における点線が真値を示し、実線が予測値を示す。輪郭の真値は、図１１の画像より求めた。これらの結果より下記の式（３０）で誤差を計算した。寒天ファントム１の誤差は、４．８１％、寒天ファントム２の誤差は、３．３８％、牛肉の誤差は、１０．４７％、羊肉１の誤差は、４．８１％、羊肉２に誤差は３．１９％、羊肉３の誤差は、５．３５％となった。したがって、各測定試料の平均の誤差は、４．８１％となった。この誤差の値は小さい。したがって、ラメ曲線によって推測された輪郭は実際の輪郭に高い精度で一致することが分かった。
【0062】
（ヤコビ行列の予測）
上記で説明したｋ近傍法を用い、推測された輪郭および測定パターンからヤコビ行列の予測を行った。既知のヤコビ行列は有限要素法で計算し、Ｇ＝２００のデータセットを用意した。予測されたヤコビ行列を図１３に示す。次に、これらの予測したヤコビ行列Ｊ＊と従来の計算法である、上記の式（６）を用いて計算したヤコビ行列Ｊとの比較を行った。具体的には、下記の式（３１）に従って、Ｊ＊およびＪの相互相関関数の平均値＜ＣＣ＞を求めた。＜ＣＣ＞は、－１から１の値の範囲であり、１に近いほど正の相関、－１に近いほど負の相関、０に近いほど無相関であることを示す。図１３より求めた寒天ファントム１の＜ＣＣ＞は、０．９３２、寒天ファントム２の＜ＣＣ＞は、０．９１５、牛肉の＜ＣＣ＞は、０．９４１、羊肉１の＜ＣＣ＞は、０．９３４、羊肉２の＜ＣＣ＞は、０．９３０、羊肉３の＜ＣＣ＞は、０．９０５であった。各測定試料の＜ＣＣ＞の平均値は０．９２と高い値を示した。これは、いずれの測定試料においても、ｋ近傍法により予測したヤコビ行列Ｊ＊が従来の計算結果であるＪと同等であることを示す。
上記で説明したｋ近傍法を用い、推測された輪郭および測定パターンからヤコビ行列の予測を行った。既知のヤコビ行列は有限要素法で計算し、Ｇ＝２００のデータセットを用意した。予測されたヤコビ行列を図１３に示す。次に、これらの予測したヤコビ行列Ｊ＊と従来の計算法である、上記の式（６）を用いて計算したヤコビ行列Ｊとの比較を行った。具体的には、下記の式（３１）に従って、Ｊ＊およびＪの相互相関関数の平均値＜ＣＣ＞を求めた。＜ＣＣ＞は、－１から１の値の範囲であり、１に近いほど正の相関、－１に近いほど負の相関、０に近いほど無相関であることを示す。図１３より求めた寒天ファントム１の＜ＣＣ＞は、０．９３２、寒天ファントム２の＜ＣＣ＞は、０．９１５、牛肉の＜ＣＣ＞は、０．９４１、羊肉１の＜ＣＣ＞は、０．９３４、羊肉２の＜ＣＣ＞は、０．９３０、羊肉３の＜ＣＣ＞は、０．９０５であった。各測定試料の＜ＣＣ＞の平均値は０．９２と高い値を示した。これは、いずれの測定試料においても、ｋ近傍法により予測したヤコビ行列Ｊ＊が従来の計算結果であるＪと同等であることを示す。
【0063】
（ヤコビ行列の予測時間）
次にヤコビ行列の予測をするための時間の比較を行った。図１４の白丸は、ヤコビ行列Ｊ＊のｋ近傍法による予測にかかる時間ｔ（Ｊ＊）、黒丸は上記の式（６）による計算にかかる時間ｔ（Ｊ）を示す。計算速度の比較のために計算速度比ｓｐを下記の式（３２）から計算し、その結果を棒グラフで示した。従来法の計算にかかる時間は、寒天ファントム１で５１．５８ｓ、寒天ファントム２で、１３．３２ｓ、牛肉で１４．９９ｓ、羊肉１で、２７．６９ｓ、羊肉２で、２３．５２ｓ、羊肉３で、８．２５ｓとなった。よって、従来法の計算にかかる平均の時間は、２３．２２ｓであった。一方、ｋ近傍法で予測した場合にかかる時間は、寒天ファントム１で８．０７ｓ、寒天ファントム２で３．５８ｓ、牛肉で３．８２ｓ、羊肉１で５．２８ｓ、羊肉２で４．７２ｓ、羊肉３で２．９５ｓであった。よって、ｋ近傍法で予測した場合にかかる平均時間は４．７３ｓであった。また、速度比ｓｐは、寒天ファントム１で６．３９、寒天ファントム２で３．７２、牛肉で３．９３、羊肉１で５．２４、羊肉２で４．９８、羊肉３で２．７９であった。よって、速度比ｓｐの平均は、４．５１となった。以上より、ｋ近傍法による計算では、従来の計算法よりも大幅に計算時間を短縮できることが分かった。
次にヤコビ行列の予測をするための時間の比較を行った。図１４の白丸は、ヤコビ行列Ｊ＊のｋ近傍法による予測にかかる時間ｔ（Ｊ＊）、黒丸は上記の式（６）による計算にかかる時間ｔ（Ｊ）を示す。計算速度の比較のために計算速度比ｓｐを下記の式（３２）から計算し、その結果を棒グラフで示した。従来法の計算にかかる時間は、寒天ファントム１で５１．５８ｓ、寒天ファントム２で、１３．３２ｓ、牛肉で１４．９９ｓ、羊肉１で、２７．６９ｓ、羊肉２で、２３．５２ｓ、羊肉３で、８．２５ｓとなった。よって、従来法の計算にかかる平均の時間は、２３．２２ｓであった。一方、ｋ近傍法で予測した場合にかかる時間は、寒天ファントム１で８．０７ｓ、寒天ファントム２で３．５８ｓ、牛肉で３．８２ｓ、羊肉１で５．２８ｓ、羊肉２で４．７２ｓ、羊肉３で２．９５ｓであった。よって、ｋ近傍法で予測した場合にかかる平均時間は４．７３ｓであった。また、速度比ｓｐは、寒天ファントム１で６．３９、寒天ファントム２で３．７２、牛肉で３．９３、羊肉１で５．２４、羊肉２で４．９８、羊肉３で２．７９であった。よって、速度比ｓｐの平均は、４．５１となった。以上より、ｋ近傍法による計算では、従来の計算法よりも大幅に計算時間を短縮できることが分かった。
【0064】
【0065】
（構成成分分布）
得られた導電率分布を上記のｋ平均法を用い、測定試料の構成成分分布を作成した。得られた構成成分分布を図１６（ｂ）に示す。図１１の画像から画像オーバーレイ法で得られた構成成分分布の真値を図１６（ａ）に示す。ｋ平均法より得られた各構成成分の構成成分割合をｋη、図１６（ｂ）より得られた構成成分の真値をｋηtrueとした。誤差は、下記の式（３３）より求めた。式３３中のｋＡｔｒｕｅは、ｋ番目の構成成分の面積を表し、Ａｔｒｕｅは被測定対象の全面積を示す。これらの結果を図１７に示す。図１７（ａ）は、脂肪の割合を示し、図１７（ｂ）は、赤身の割合を示し、図１７（ｃ）は、骨の割合を示す。各図中の黒丸は、測定試料の構成成分の割合の真値を示し、白丸は、ｋ平均法で得られた測定試料の構成成分の割合を示す。脂肪における寒天ファントム１の誤差は、７．４８％、寒天ファントム２の誤差は、４．１１％、牛肉の誤差は、３．４５％、羊肉１の誤差は、９．１６％、羊肉２の誤差は、３．９５％、羊肉３の誤差は、９．８２％であった。よって、脂肪における各測定試料の誤差の平均は６．３３％であった。また、赤身における寒天ファントム１の誤差は７．０３％、寒天ファントム２の誤差は、３．０９％、牛肉の誤差は、６．３３％、羊肉１の誤差は、１０．９１％、羊肉２の誤差は、５．０７％、羊肉３の誤差は１１．５３％であった。よって、赤身における各測定試料の誤差の平均は、７．０３％であった。そして、骨における寒天ファントム１の誤差は、２．２５％、寒天ファントム２の誤差は、１．０３、牛肉の誤差は９．７８％、羊肉１の誤差は、１．７５％、羊肉２の誤差は１．１２％、羊肉３の誤差は、１．７１％であった。よって、骨における各測定試料の誤差の平均は、２．９４％であった。以上より、ｋ平均法によって、高い精度で測定試料の構成成分割合を診断できることが分かった。
得られた導電率分布を上記のｋ平均法を用い、測定試料の構成成分分布を作成した。得られた構成成分分布を図１６（ｂ）に示す。図１１の画像から画像オーバーレイ法で得られた構成成分分布の真値を図１６（ａ）に示す。ｋ平均法より得られた各構成成分の構成成分割合をｋη、図１６（ｂ）より得られた構成成分の真値をｋηtrueとした。誤差は、下記の式（３３）より求めた。式３３中のｋＡｔｒｕｅは、ｋ番目の構成成分の面積を表し、Ａｔｒｕｅは被測定対象の全面積を示す。これらの結果を図１７に示す。図１７（ａ）は、脂肪の割合を示し、図１７（ｂ）は、赤身の割合を示し、図１７（ｃ）は、骨の割合を示す。各図中の黒丸は、測定試料の構成成分の割合の真値を示し、白丸は、ｋ平均法で得られた測定試料の構成成分の割合を示す。脂肪における寒天ファントム１の誤差は、７．４８％、寒天ファントム２の誤差は、４．１１％、牛肉の誤差は、３．４５％、羊肉１の誤差は、９．１６％、羊肉２の誤差は、３．９５％、羊肉３の誤差は、９．８２％であった。よって、脂肪における各測定試料の誤差の平均は６．３３％であった。また、赤身における寒天ファントム１の誤差は７．０３％、寒天ファントム２の誤差は、３．０９％、牛肉の誤差は、６．３３％、羊肉１の誤差は、１０．９１％、羊肉２の誤差は、５．０７％、羊肉３の誤差は１１．５３％であった。よって、赤身における各測定試料の誤差の平均は、７．０３％であった。そして、骨における寒天ファントム１の誤差は、２．２５％、寒天ファントム２の誤差は、１．０３、牛肉の誤差は９．７８％、羊肉１の誤差は、１．７５％、羊肉２の誤差は１．１２％、羊肉３の誤差は、１．７１％であった。よって、骨における各測定試料の誤差の平均は、２．９４％であった。以上より、ｋ平均法によって、高い精度で測定試料の構成成分割合を診断できることが分かった。
【0066】
（境界線検出）
上記のｃａｎｎｙ法によって、ｋ平均法で得られた構成成分分布から各構成成分の境界線を検出した。各構成成分の境界は図１８に示される。実際の食肉成分の境界の誤差は、下記の式（３４）に基づいて計算した。境界線の真値は、図１１の画像より求めた。得られた各測定試料における各クラスタの境界線の誤差ｋｅｅからその平均値ｅｅを計算した。寒天ファントム１の各クラスタの境界線の誤差の平均値ｅｅは、６．２２％、寒天ファントム２の各クラスタの境界線の誤差の平均値ｅｅは、５．３７％、牛肉の各クラスタの境界線の誤差の平均値ｅｅは、８．４６％、羊肉１の各クラスタの境界線の誤差の平均値ｅｅは４．６６％、羊肉２の各クラスタの境界線の誤差の平均値ｅｅは、１．６９％、羊肉３の各クラスタの境界線の誤差の平均値ｅｅは９．０１％であった。各測定試料のｅｅの平均値は、５．９０％であった。よって、Ｃａｎｎｙ法によって、高精度の各構成成分の境界線を検出できることが分かった。
上記のｃａｎｎｙ法によって、ｋ平均法で得られた構成成分分布から各構成成分の境界線を検出した。各構成成分の境界は図１８に示される。実際の食肉成分の境界の誤差は、下記の式（３４）に基づいて計算した。境界線の真値は、図１１の画像より求めた。得られた各測定試料における各クラスタの境界線の誤差ｋｅｅからその平均値ｅｅを計算した。寒天ファントム１の各クラスタの境界線の誤差の平均値ｅｅは、６．２２％、寒天ファントム２の各クラスタの境界線の誤差の平均値ｅｅは、５．３７％、牛肉の各クラスタの境界線の誤差の平均値ｅｅは、８．４６％、羊肉１の各クラスタの境界線の誤差の平均値ｅｅは４．６６％、羊肉２の各クラスタの境界線の誤差の平均値ｅｅは、１．６９％、羊肉３の各クラスタの境界線の誤差の平均値ｅｅは９．０１％であった。各測定試料のｅｅの平均値は、５．９０％であった。よって、Ｃａｎｎｙ法によって、高精度の各構成成分の境界線を検出できることが分かった。
【0067】
【数10】
【0068】
以上、詳説したように、本実施形態に係る診断装置１００は、短時間に高い精度で被測定対象の構成成分を診断することができる。
【符号の説明】
【0069】
１ 変位量及び電圧電流測定部
２ 輪郭推定部
３ ヤコビ行列予測部
４ 導電率分布計算部
５ 構成成分分布計算部
６ 境界線検出部
７ 出力部
１０ 電気インピーダンス・トモグラフィセンサ
１５ 筐体
２０ フレキシブル電極
２１ 電極
２２ 支持棒
２３ コイルばね
２４ 変位計
２５ 外枠
２６ 内枠
３０ 制御測定部
１００ 診断装置
２ 輪郭推定部
３ ヤコビ行列予測部
４ 導電率分布計算部
５ 構成成分分布計算部
６ 境界線検出部
７ 出力部
１０ 電気インピーダンス・トモグラフィセンサ
１５ 筐体
２０ フレキシブル電極
２１ 電極
２２ 支持棒
２３ コイルばね
２４ 変位計
２５ 外枠
２６ 内枠
３０ 制御測定部
１００ 診断装置
【図1】
【図2A】
【図2B】
【図3A】
【図3B】
【図3C】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
