CN101742961B - 诊断支持设备及系统 - Google Patents

诊断支持设备及系统 Download PDF

Info

Publication number
CN101742961B
CN101742961B CN2008800246235A CN200880024623A CN101742961B CN 101742961 B CN101742961 B CN 101742961B CN 2008800246235 A CN2008800246235 A CN 2008800246235A CN 200880024623 A CN200880024623 A CN 200880024623A CN 101742961 B CN101742961 B CN 101742961B
Authority
CN
China
Prior art keywords
pathological changes
diagnosis
processing unit
diagnosis support
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN2008800246235A
Other languages
English (en)
Other versions
CN101742961A (zh
Inventor
坂川幸雄
今村裕之
片山昭宏
新畠弘之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Inc
Original Assignee
Canon Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Inc filed Critical Canon Inc
Publication of CN101742961A publication Critical patent/CN101742961A/zh
Application granted granted Critical
Publication of CN101742961B publication Critical patent/CN101742961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Business, Economics & Management (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Child & Adolescent Psychology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)

Abstract

提供了对从被检者获得的数据进行计算机处理并呈现所获得的诊断信息的诊断支持系统的机构。诊断支持设备包括：诊断支持处理部件，用于对从被检者获得的数据进行处理，以提取诊断支持信息；存储部件，用于存储被检者的检查历史；以及改变部件，用于根据存储部件中存储的被检者的检查历史，改变诊断支持处理部件中的处理方法。例如，诊断支持设备执行用于通过对从被检者获得的数据进行计算机处理来获得医学诊断信息的诊断处理，并且根据被检者的检查历史来改变诊断支持处理的处理方法。

Description

诊断支持设备及系统
技术领域
本发明涉及对从被检者获得的数据进行计算机处理并呈现所获得的诊断信息的医用诊断支持系统。
背景技术
在医疗领域，医生在监视器上显示通过对患者摄像所获得的医用图像，解读所显示的医用图像，并观察病变部的状态及其随时间的变化。可使用以下作为被设计成生成这种类型的医用图像的设备。
·计算机放射摄影(Computed Radiography，CR)
·计算机断层摄影(Computed Tomography，CT)
·磁共振成像(Magnetic Resonance Imaging，MRI)
·超声系统(Ultrasound System，US)
为了减轻医生进行这种解读的负担，已经开发了一种通过对医用图像进行数字化并进行图像分析来自动检测病变部等、并且进行计算机辅助诊断的诊断支持设备(河田·仁木·大松、「胸部3次元CT像による肺野小型腫瘤の3次元曲率を用いた内部構造の解析」、電子情報通信学会論文誌、D-II、vol.J83-D-II、No.1、pp.209-218、2000年1月)。
下文中将计算机辅助诊断(Computer-Aided Diagnosis)称为CAD。CAD被设计成将异常阴影候选自动检测为病变部。在该异常阴影检测处理中，对表示射线图像的图像数据进行计算机处理，这将检测表示癌等的异常肿瘤阴影、高浓度微小钙化阴影等。呈现这种检测结果可以减轻医生解读的负担，并且提高解读结果的精确度。
NPO法人日本CT检诊学会为利用单层螺旋CT的肺癌CT检诊提供判断标准和过程观察指导，以帮助医生避免解读时的误诊断。
用于进行计算机支持诊断的诊断支持设备在总是考虑相互矛盾的“灵敏度”和“误诊断检测”之间的平衡的情况下，计算异常阴影候选(日本专利3417595)。
例如，增大作为用于调整要提取的肿瘤阴影候选的数量的参数的“灵敏度”将增加“误诊断检测”、即对实际上不是肿瘤的阴影的提取的次数。
如上所述，增大“灵敏度”将减少疏漏但将增加“误诊断检测”。将假阳性病变候选称为FP(假阳性(false positive))。
专利文献1：日本专利3417595
非专利文献1：河田·仁木·大松、「胸部3次元CT像による肺野小型腫瘤の3次元曲率を用いた内部構造の解析」、電子情報通信学会論文誌、D-II、vol.J83-D-II、No.1、pp.209-218、2000年1月
非专利文献2：Single slice helical CT による肺癌CT検診の判定基準と経過観察ガイドライン、「NPO法人 日本CT検診学会」
发明内容
发明要解决的问题
在日本专利3417595中公开的计算机辅助诊断系统通过仅使用从被检者所获得的数据进行计算机辅助诊断。即，该系统没有考虑被检者的检查历史，并且没有满足针对更精确的诊断的要求。
考虑到以上情况，本发明提供了一种在还考虑了被检者的检查历史的情况下通过计算机处理来获得诊断信息的机构。
用于解决问题的方案
为了实现以上目的，根据本发明的方面的诊断支持设备包括诊断支持处理部件，用于对从被检者获得的数据进行处理以提取诊断支持信息；存储部件，用于存储所述被检者的检查历史；以及改变部件，用于根据所述存储部件中存储的所述被检者的检查历史，改变所述诊断支持处理部件中的处理方法。
发明的效果
本发明的构成可以提供在考虑了被检者的检查历史的情况下通过计算机处理来提供诊断信息的机构。
根据以下结合附图所进行的说明，本发明的其它特征和优点将变得明显，其中，在整个附图中，相同的附图标记指定相同或类似的部分。
附图说明
图1是示出诊断支持设备系统的结构的框图；
图2是示出诊断支持设备的功能构成的框图；
图3是示出诊断支持设备中的处理过程的流程图；
图4是示出来自诊断支持设备的输出示例的图；
图5是示出诊断支持设备中用于计算病变候选的大小的处理过程的流程图；
图6是示出诊断支持设备中的医学知识数据库中所存储的数据的示例的图；以及
图7是示出诊断支持设备中用于搜索病例的类似图像的处理过程的流程图。
具体实施方式
以下将参考附图来详细地例示说明本发明的优选实施例。然而，注意，在实施例中所述的构成元件仅是示例，并且本发 明的范围不限于此。
第一实施例
CPU 100主要控制诊断支持设备1的各构成元件的操作。主存储器101存储要由CPU 100执行的控制程序，或者提供在CPU100执行程序时的工作区域。磁盘102存储操作系统(OS)、外围装置用的装置驱动程序、以及包括用于执行例如(后面要说明的)诊断支持处理的程序的各种类型的应用程序软件等。显示存储器103临时存储监视器104用的显示数据。监视器104是例如CRT监视器或液晶监视器，并且基于来自显示存储器103的数据显示图像。由用户操作鼠标105和键盘106以进行点击输入操作并输入字符等。上述各个构成元件经由通用总线相互连接，从而能够彼此通信。
在本实施例中，诊断支持设备1可以经由LAN 4从数据库3读出图像数据等。可选地，可以将FDD、CD-RW驱动器、MO驱动器和ZIP驱动器等的存储装置连接至诊断支持设备1，以允许该诊断支持设备1从这些驱动器读取图像数据等。另外，诊断支持设备可以经由LAN 4从医用摄像设备2直接获取医用图像等。
将参考图2来说明诊断支持设备1的构成的示例。
参考图2，诊断支持设备1包括医用检查数据输入单元201、病例数据库202、医学知识数据库203、作为诊断支持处理部件的诊断支持处理单元204、处理方法改变单元207、作为存储部件的历史记录单元208和数据输出单元209。
医用检查数据输入单元201获取与被检者有关的数据，该数据例如是从例如X射线摄像设备、CT设备、MR设备和超声或声音诊断设备获取的图像数据以及心电图、脑波数据和白血球数等的测量数据。
医用检查数据输入单元还可被配置为输入包括病历信息等的与病变候选的获取相关联的信息的医用检查数据。在这种情况下，该单元可被配置为允许用户直接输入这些数据，或者从记录了信息的FDD、CD-RW驱动器、MO驱动器和ZIP驱动器等的各种类型的存储介质读取这些数据。可选地，该单元可被配置为经由LAN连接至存储有这些数据的数据库以从该数据库接收这些数据。
病例数据库202存储由医用摄像设备2拍摄到的图像数据、包括心电图和白血球数的数值数据以及关于被检者的病历等的文本数据。各病例数据可以包括由诊断支持设备所获得的数据处理结果值和确认诊断结果。可以将这些信息用于类似病例搜索。
另外，病例数据库存储分类至用于认识/识别处理的类别的模板。将这种模板用于模式识别处理，以判断病变的类型(例如，恶性或良性)。另外，当要提取病变时，使用模板以基于与从被检者提取出的数据的类似度(例如，相关值)，提取作为病变的区域。
医学知识数据库203存储病变区域的诊断标准和作为包括转移病变和并发症的检查对象的疾病的信息。该数据库还可以存储包括用于在检测原发病变时检查是否存在关联疾病的过程等的诊断过程的数据。
诊断支持处理单元204从自被检者获得的数据获取用于支持诊断的信息。
当处理图像数据时，处理单元205从自被检者获取的数据获取关于病变的信息。例如，该单元提取出肿瘤阴影的候选区域或结石的候选区域等的病变部。
当获取作为病变的候选的病变候选时，该单元还可以通过 参考病例数据库202比较与以前的病例数据的类似度。在这种情况下，处理单元205根据图像来计算特征量，并根据病例数据库202中所存储的各病例的特征量的一致度来获取病变候选。
该处理单元可以参考医学知识数据库203中所存储的与诊断标准和诊断过程有关的数据。例如，考虑当使用CT图像时的诊断标准。在这种情况下，设置与病变相对应的CT值范围。在该范围内存在病变的可能性高。因此，从该范围提取出病变。另外，对于诊断过程，将由医生进行的诊断试验以语法结构表示为流程图。例如，在二维图像数据的情况下，根据医生的思考方式以语法结构来表示从被检者提取关注区域以及对该关注区域中的纹理特征进行数字化等的计算机处理所需要的处理过程。
注意，处理单元205的处理对象不限于图像数据。例如，处理对象包括与被检者有关的图像以外的测量数据或者病历数据。该处理单元可被配置为基于这些数据获取病变候选。
如果图像数据是对象，则输出处理单元206获取用于支持由处理单元205提取出的病变候选的病变可能性等的诊断的信息。在测量数据的情况下，输出处理单元直接分析从被检者获得的数据，并且获取和输出用于支持诊断的信息。
历史记录单元208记录与被检者有关的诊断历史信息。作为诊断历史信息，该单元记录以前进行的检查方法、通过这些方法所获得的诊断结果等。该单元还存储以前所估计的发病概率、与该发病概率相对应的下一诊断时期等。
作为检查方法，该单元还记录筛查、仔细检查或病变的过程监察等的检查的目的信息。
处理方法改变单元207根据从历史记录单元208获得的被检者的历史信息，确定处理单元204和输出处理单元205的处理方 法。
数据输出单元209以指定的格式输出由处理单元205所获得的病变候选的数据和由输出处理单元206所获得的病变候选的判断信息。
接着，将参考图3的流程图来说明CPU 100控制诊断支持设备1的方法。
在步骤S31中，CPU 100将医用检查数据从医用检查数据输入单元201输入至诊断支持设备1。
另外，由于根据检查目的而使用不同的病变检测标准和不同的病变检测过程来获取病变候选，因此CPU从历史记录单元208获取被检者的检查历史(例如，从前一摄像日到检查日的检查历史)和检查目的的信息。
在步骤S32，在CPU 100的控制下，处理方法改变单元207根据历史记录单元208上所记录的被检者的历史信息，估计当前的发病概率。在这种情况下，发病概率是发生病变的概率。该发病概率还指病变将从良性变为恶性的概率。
将根据对被检者的检查之后经过的时间而可能出现的症状变化存储为根据以前的医学发现的概率有效信息。因此，可以根据时间经过的信息来预测概率有效范围内的症状变化。即，可以根据被检者的检查历史来预测概率有效范围内被检者的症状变化。
当估计发病概率时，CPU通过使用历史记录单元208上所记录的被检者的以前和当前检查数据、检诊次数等诊断的时间间隔、以前检诊所估计出的发病概率等的历史信息和作为图像处理结果的病变候选数据等，计算病变候选的发展状况。
例如，CPU根据历史记录单元208上所记录的病变部(肿瘤或结石)的信息，预测被检者的病变部的当前大小。通过使用病 变部的以前的大小和生长速度来进行该预测。在这种情况下，CPU将通过使用病变部的以前的大小和类型而记录在医学知识数据库203上的统计量用作生长速度。另外，如果将病变部大小的变化记录在历史记录单元208上，则可以获得该病变部在以前的给定时间点处的大小。此外，例如，如果预测出的大小是5mm以上，则CPU判断为发病概率高。在这种情况下，发病概率是所提取出的病变候选是恶性的概率。处理方法改变单元207还根据该发病概率来改变由处理单元205要提取的病变部的大小。如果该发病概率高，则由于有可能将产生新的病变部，因此处理单元提取全体范围的大小的病变部。另外，在一些情况下，处理函数根据病变部的大小而改变。
如果根据历史记录单元208上所记录的被检者的历史判断为被检者正在接受首次医疗检查，则考虑到发病概率高，处理单元提取全体范围的大小的病变部。
如果历史记录单元208上所记录的被检者的历史无提取病变部的历史，则发病概率根据前一诊断之后经过的时间而变化。如果自前一检查之后未经过很长时间，则出现大的病变部的概率极大地减小。由于该原因，考虑到发病概率低，CPU改变处理方法改变单元207中的参数，以防止处理单元205提取大的病变部。这能够根据特定大小进行提取，因此降低了由处理单元205提取出的病变部的假阳性率。
这样，处理方法改变单元207基于历史记录单元208上所记录的被检者的历史，改变诊断支持处理单元204所使用的处理方法。
例如，改变诊断支持处理单元204所使用的处理方法的方式包括以下方法：调整可靠性的概率分布；调整识别异常的概率的阈值；改变贝叶斯判别器等的识别函数的参数；以及移动判 别器中的特征空间中的界面。另外，可以改变判断算法自身。选择除线性判别函数以外的支持向量机、贝叶斯判别器、神经网络或AdaBoost也等同于改变处理方法。
例如，进行了以下设置作为发病概率：发病概率＝1.0：这是在不能够估计发病概率或将发病概率看作缺省时设置的发病概率，在这种状态下，使用用作缺省的判别器的参数；发病概率＝0.9：这是在发病概率低时，通过降低判别器的灵敏度使得假阳性以缺省状态的90％的比率出现而将该判别器设置成的发病概率；以及发病概率＝1.1：这是在发病概率高时，通过提高判别器的灵敏度使得假阳性以缺省状态的110％的比率出现而将该判别器设置成的发病概率。以上设置仅是例子，并且并不限制本实施例。
在步骤S 33中，在CPU 100的控制下，处理单元205利用在步骤S32中确定的处理方法提取病变候选。在这种情况下，CPU通过使用医学知识数据库203中所存储的诊断标准的信息，从根据病变候选所计算出的特征量，获取表示病变可能性的可靠性和该病变的发展程度等的病变候选数据。在这种情况下，该可靠性表示例如基于与从以前的病变获得的特征量的相关值等的病变可能性。
在胸部CT图像的情况下，处理单元205将图像分割成肺野区域、横膈膜区域、支气管区域、肺动脉区域和肺静脉区域等的区域，并且将肺野分类成上叶区、中叶区和下叶区。作为从医用图像来检测器官区域的方法的例子，以下将说明作为一种动态轮廓方法的水平集方法。该水平集方法定义比检测对象区域高一维的水平集函数，并将要提取的区域看作为其零等高线。基于被称为水平集方程的以下发展方程来更新该函数，这将控制轮廓并检测区域。
φt + F | ▿ φ | = 0
其中，φt表示通过在时间轴方向上对水平集函数进行一次微分所获得的值，F表示轮廓的生长速度，并且 表示水平集函数的斜率的绝对值。
这样，可以从医用图像检测出器官区域。以上通过例示水平集方法已经说明了器官区域的检测。然而，作为区域检测方法，可以使用以下方法：基于阈值处理的方法、区域扩张方法、动态轮廓方法、聚类或图形最小切割算法等。通过使用这些方法的其中一个方法或其它技术来检测器官区域。
可以根据要检测的区域切换并使用这些方法。不仅可以通过仅使用图像特征量来进行区域检测，还可以通过使用作为现有知识的概率图谱、人体形状模型等来进行区域检测。
可以使用以下作为从器官区域检测肺野肿瘤等的异常的方法：用于检测异常的滤波处理、模式匹配、使用判别器的异常检测和通过例如以前的图像或平均形状图像与诊断图像之间的配准的差分检测处理。另外，用于指定肺野肿瘤的图像特征量包括从肿瘤内部各像素的CT值和三维曲率(高斯曲率、平均曲率或主曲率)获得的形状指数和曲度。
通过使用上述技术的其中一个技术或其它技术来检测病变候选。
在步骤S35中，CPU 100使输出处理单元206根据由处理方法改变单元207所确定的处理方法，评价由处理单元205检测到的病变候选。
为了对异常进行疾病分类和良性/恶性判别，使用利用判别方法(例如，线性判别函数、支持向量机、AdaBoost、贝叶斯判别器或神经网络)的判别器对恶性可能性(概率值)进行疾病分类和良性/恶性判别。要用于异常检测、疾病分类和良性/恶性 判别的方法不限于以上技术。
还可以更多地考虑特征量自身或代替特征量以及改变判别器中所使用的特征量的权重。
以下是通过将从X射线CT图像提取出的特征量应用于以下线性判别函数来进行肺野肿瘤候选的良性/恶性判别的情况。即，将病变候选分类成真病变和假阳性。
数学式1
f ( x ) = { x - 1 2 ( m 1 + m 2 ) } t Σ w - 1 ( m 1 - m 2 )
其中，x表示一个模式的特征向量，m1和m2表示类1和2的平均向量，并且∑w表示类内(within-class)协方差矩阵。将线性判别函数f的值看作为判别分数。当该值为负时，将病变候选归类为类1(良性)。当该值为正时，将病变候选归类为类2(恶性)。然后，CPU根据发病概率改变以上线性判别函数的参数∑w。即，当判断为发病概率高时，CPU设置∑w以允许f输出更多的正值。当判断为发病概率低时，CPU设置∑w以允许f输出更多的负值。
即，在估计为发病概率高时，CPU使更多的病变候选引起注意。即，CPU增加输出处理单元206的灵敏度。相反，在估计为发病概率低时，为了减少假阳性病变候选的数量，CPU减小灵敏度以呈现较少的相对不重要的病变候选。
可以结合处理单元205的灵敏度或者独立地进行输出处理单元206中的处理。即，可以通过使处理单元205的灵敏度最大化来提取多个肿瘤阴影，并且可以改变输出处理单元206中的阈值以减少假阳性病变候选的数量。可选地，可以结合处理单元205的灵敏度来进行该处理。
在步骤S36中，CPU将在步骤S32中检测到的病变候选数据缩减至在步骤S35中判断为满足识别病变的标准的病变候选数 据，并输出该病变候选数据。
在这种情况下，在CPU 100的控制下，数据输出单元209将以上数据转换成与输出目的地相对应的输出数据。该输出目的地包括薄片、存储器或硬盘等的存储装置以及监视器。
图4示出病变候选数据的输出示例。在医用检查数据上显示表示病变候选的标记。在该医用检查数据的附近显示图像特征量和患者属性/时间变化数据。另外，当要将病变候选数据输出至监视器等的显示装置时，可以以弹出形式或在其它窗口中显示数据。
接着，将参考图5来说明由上述处理方法改变单元207所执行的步骤S33中的预测病变候选的大小的方法。历史记录单元208将预测出的大小作为被检者的历史信息而记录，以允许该信息用于下次诊断处理或确定下一诊断时刻。
以下将说明基于肿瘤的大小和生长速度的预测方法作为例子。在这种情况下，使用最长直径作为肿瘤大小。
在步骤S51中，处理方法改变单元从当前的胸部图像数据获取在步骤S32中检测到的肿瘤，并且计算该肿瘤的最长直径。
在步骤S52中，处理方法改变单元检查被检者的以前的胸部图像数据或以前的诊断报告是否包括对与在步骤S51中获取到的肿瘤相对应的病变的描述。如果以前存在对该病变的描述，则处理进入步骤S53。
如果通过该体检首次检测到在步骤S51中检测到的病变候选，则处理进入步骤S55。
在步骤S53中，处理方法改变单元从历史记录单元208获取肿瘤的以前的信息。要获取的信息包括大小(在这种情况下为最长直径)、对病例的诊断和该诊断的可靠性。如果在以前的诊断报告中没有描述这些信息，则诊断支持处理单元204可以计算该 信息。
在步骤S54中，处理方法改变单元根据以下等式，基于相应肿瘤的当前的和以前的最长直径值以及自以前体检起以来的时间段来计算生长速度。尽管在这种情况下使用以下等式作为例子，但本发明不限于此。例如，可以像根据要处理的区域来使用附加包括权重和调整项的数学表达式的方法一样，使用在医学领域中可接受的计算生长速度的其它方法。
VC＝(MRpresent-MRpast)/t
其中，VC是生长速度，MRpresent是肿瘤的当前最长直径值，MRpast是以前检查时相应肿瘤的最长直径值，以及t是自以前检查起经过了的时间。
在步骤S55中，如果不存在所检测到的肿瘤的以前的信息，则处理方法改变单元使用医学领域中凭经验已知的肿瘤的生长速度的值。显然，可以使用根据被检者的其它检查数据或以前的病例等的信息来推导出肿瘤的生长速度的数学表达式或方法。
在步骤S56中，处理方法改变单元获取历史记录单元208上所记录的针对被检者的下一预定体检日期(下一体检时刻)，并基于肿瘤的当前大小、生长速度和到下次体检的天数来估计在下次体检时该肿瘤的大小。例如，作为估计肿瘤的大小的方法，可以使用以下等式。然而，方法不限于该等式，并且可以根据作为医学知识而概括在表中的经验值来估计肿瘤的大小。
MRfuture＝MRpresent+VC*tf
其中，MRfuture是对下次预定体检时肿瘤的大小的预测，并且tf是到下次预定体检的时间。
在步骤S57中，处理方法改变单元通过将在步骤S56中计算出的对下次体检时肿瘤的大小的预测与医学指导进行比较来估 计发病概率。例如，如果预测出肿瘤的大小小于5mm，则可以判断为发病概率低。如果预测出肿瘤的大小为10mm以上，则可以判断为发病概率高。
利用图5所示的以上处理，可以预测下次体检时病变的大小。使用该信息允许处理方法改变单元207估计发病概率。
在以上说明中，由肿瘤的最长直径来表示该肿瘤的大小。然而，只要能够表示肿瘤的大小和生长速度，则本发明不限于此。例如，可以使用肿瘤的体积。
作为步骤S32中估计发病概率的方法，接着将说明使用医学重要度的示例。
处理方法改变单元207根据由处理单元205所获取的病变候选的医学重要度来估计发病概率。可选地，可以根据病变候选的医学重要度的过程变化来估计发病概率。
以下将说明由处理方法改变单元207计算出的医学重要度I。
可以将医学重要度I定义为如下：
I＝A*B*C
其中，
A：重要疾病度(不同种类的疾病之间相对的疾病严重度)
B：进度(期)(同种疾病内的疾病严重度)
C：关联疾病度
例如，如果处理单元205要检测多种类型的疾病，则如下根据检查目的针对各病变来设置关联疾病度C。即，
数学式2
Figure G2008800246235D00141
图6示出重要疾病度A和进度B的示例。
假定在肺癌的过程观察的情况下，处理单元205在肺野中已检测到一个恶性肿瘤(期0)作为病变候选。在这种情况下，如下获得与恶性肿瘤有关的医学重要度IC。
IC＝10*2*1＝20
随后，为了估计发病概率，处理方法改变单元将该医学重要度与患者以前的相应病变的医学重要度进行比较。如果历史记录单元208表示在以前的检查中判断为将同一肿瘤确定为良性肿瘤，则处理方法改变单元如下获得肿瘤的以前的医学重要度IP。
IP＝5*2*1＝10
即，由于医学重要度在该给定时间段内已增加，因此估计为发病概率高。可选地，即使医学重要度未改变，当医学重要度在预定时间段内保持在等于或高于给定值的值时，也估计为发病概率高。
此外，为了基于上述医学重要度的变化来估计发病概率，可以使用由通过医学研究而收集的病例所形成的表(医学重要度、医学重要度的变化和时间段)。
注意，上述医学重要度的内容仅是例子，并且并不局限于本实施例中的定义。例如，可以在基于医学重要度来估计发病概率时考虑与筛查、仔细检查和过程观察有关的检查目的信息。
接着，将说明通过使用病变候选成为病变的概率(在某些情况下称为确信度)来估计发病概率的方法。
在这种情况下，计算病变候选成为病变的概率的方法包括通过类似图像搜索来检测病变候选。将参考图7来说明类似图像搜索的处理过程。
在步骤S71中，处理单元205通过处理医用检查数据来计算 图像特征量。例如，图像特征量包括从一般图像处理所获得的亮度分布和图像中关注区域的2D或3D特征量。可选地，可以使用“形状指数”值和“曲度”值。
在步骤S72中，通过使用计算出的特征量搜索病例数据库202，获取由具有与由处理单元205计算出的图像的特征量类似的特征量的图像所表示的病例。另外，将病例与特征量相关联地预先存储，并且从附带病例的特征量获取病例的信息。
在步骤S73中，将所找到的图像按特征量的类似度的递减顺序排列，并且按类似度的递减顺序来计算出图像的类似度。在这种情况下，用作为类似度的示例的值是用于搜索的特征空间中参考图像和类似图像的标准化特征向量的内积值。即，在特征空间中，参考图像和类似图像的特征量越接近，则这两个图像越类似。注意，上述计算类似度的方法仅是例子，并且本发明不限于本实施例中的方法。
在步骤S74中，获取与由找到的图像所表示的病例或从该图像获得的特征量相关联的结论。将用于获得以上医学重要度的要素A、B和C分别附加至结论。例如，癌包括恶性的且医学重要度高的高进展速度的癌和高转移的癌。另外，当通过模式匹配进行选择时获取所选择的病例的确信度。在这种情况下，该确信度表示在多个医生诊断病例时该病例是恶性的概率。另外，可以将在利用判别函数判断病例时所获得的成功率(医生的结论与根据判别函数的输出结论一致的概率)设置为作为统计量的确信度。如下基于所获得的类似度和病例的确信度来定义病变类似度的变化T。
T＝Spresent*Cpresent-Spast*Cpast
其中，Spresent是通过当前检查所获得的类似度，Cpresent是通过当前检查所获得的确信度，Spast是历史记录单元上记录 的患者以前的相应病例的类似度，以及Cpast是历史记录单元上记录的患者以前的相应病例的确信度。如果上述变化T在给定时间段内增加，则估计为发病概率高。
除以上方法以外，例如，还可以使用支持向量机或用于模式识别的其它判别器来计算病变候选的概率。即，要使用的计算方法不限于使用类似度的以上方法。
如上所述，根据第一实施例，考虑患者的历史可以调整诊断支持的灵敏度并减少医生解读的负担。由于减少了疏忽或不必要的活组织检查，因此使得可以减少患者的负担。
第二实施例
第一实施例已经例示了基于患者的发病概率来调整诊断支持的灵敏度的情况。然而，假定从医用检查数据获取设备所获得的检查数据是利用标准参数所获得的检查数据。
第二实施例将说明根据患者的发病概率改变医用检查数据获取设备中的获取参数的方式。
尽管依赖于医用检查数据获取设备的类型，但增加所获取的检查数据的清晰度可能增加患者的负担(检查的侵袭性)。例如，在X射线CT设备的情况下，通过减小X射线管的电压或电流量来抑制患者的曝光剂量，这将增加所获得的切片图像中的噪声。作为在无需减少X射线管(X射线源)的剂量的情况下降低患者的整体曝光剂量的方法，可以考虑增加床的移动速度。然而，切片图像之间的间隔增加，因此存在由于病变落在切片图像外部因而未能描绘该病变的可能性。
本实施例根据在第一实施例中计算出的患者的发病概率来改变医用检查数据获取设备中的获取参数。
在该X射线CT设备中，当判断为发病概率低时，减小X射线源的剂量或增加切片间隔。如果判断为发病概率高，则增加 X射线剂量来获得较清晰的医用图像或者减少切片间隔。
如果特定区域中的发病概率高，则可以仅以高清晰度对该区域进行摄像或利用负担较小的方法来检查其它区域。
还可以考虑改变检查数据的计算算法。在X射线CT设备的情况下，由于可以改变重构算法，因此在发病概率高时，可以选择能够获得较清晰的图像的算法，尽管该算法慢；相反，当发病概率低时，可以选择快速算法。
另外，可以调整MRI的造影剂的量等的获取参数。此外，发病概率可用于选择医用检查数据获取设备。例如，如果判断为发病概率高，则可以进行更适合于病例的检查(例如，PET)。
如上所述，根据第二实施例，根据从患者的历史估计出的发病概率来调整检查设备中的获取参数，这可以获取病例的更详细的特征。
第三实施例
第二实施例已经说明了可以通过根据患者的发病概率改变医用检查数据获取设备中的获取参数，来更精确地检测具有高发病概率的病变。
注意，由解读医生或主治医师等的有资格进行诊断的医生进行最终诊断。因此，为了确认诊断，图像诊断支持设备不仅需要呈现病变候选的信息，而且需要呈现用于将病变看作为候选的标准的信息。
在这种情况下，图像诊断支持设备1向医生呈现患者的发病概率、灵敏度参数的改变(改变后的参数、参数值或改变后的算法)及该变化的理由和根据、以及所检测到的病变候选的相关信息和解读报告。作为结果输出方法，可以将结果显示在用于解读的终端的画面上以及作为纸质介质的解释报告上或者使用其它呈现方法。
如上所述，根据第三实施例，与诊断报告一起呈现灵敏度参数的发病概率和变化信息，使得可以进行更精确的诊断。另外，医生可以更好地理解患者的健康并管理患者信息。
其它实施例
显然，通过向系统或设备提供存储有用于实现以上实施例的功能的程序的计算机可读存储介质、并使得该系统或设备的计算机(或CPU或MPU)读出并执行该存储介质中所存储的程序代码，也实现了本发明的目的。
在这种情况下，从存储介质读出的程序代码自身实现了以上实施例的功能，并且存储有程序代码的存储介质构成了本发明。
可以使用以下作为用于提供程序代码的存储介质：软盘、硬盘、光盘、磁光盘、CD-ROM、CD-R、磁带、非易失性存储卡或ROM等。
不仅当由计算机执行读出的程序代码时实现了以上实施例的功能，而且当运行在计算机上的OS(操作系统)基于程序代码的指令进行了部分或全部的实际处理时也实现了以上实施例的功能。显然，本发明包含通过该处理来实现以上实施例的功能的情况。
显然，本发明还包括以下情况：当将从存储介质读出的程序代码写入插入至计算机中的功能扩展板或连接至计算机的功能扩展单元中的存储器中、并且该功能扩展板或功能扩展单元中的CPU 100等基于程序代码的指令进行部分或全部的实际处理时，也实现了以上实施例的功能。
注意，本实施例的说明是根据本发明的诊断支持设备的优选例子，并且本发明不限于此。
本发明的构成可以提供在考虑了被检者的检查历史的情况 下通过计算机处理来获得诊断信息的机构。
本发明不限于以上实施例，并且可以在本发明的精神和范围内进行各种修改和变形。因此，为了告知本发明的范围，作出了所附权利要求书。
本申请要求2007年10月18日提交的日本专利申请2007-271300的优先权，在此通过引用包含其全部内容。

Claims (7)

1.一种诊断支持设备，包括：
诊断支持处理部件，用于从被检者的数据获取关于病变的信息；以及
病例数据库，用于关联并存储关于所述病变的信息的特征量和病例，
其中，所述诊断支持处理部件根据所获取的关于所述病变的信息来计算特征量，并根据计算出的特征量与所述病例数据库中存储的附带病例的特征量之间的类似度，获得所述病变的医学重要度；
所述病例数据库存储作为不同种类的疾病之间相对的疾病严重度的重要疾病度A、进度B和关联疾病度C，所述诊断支持处理部件根据等式I＝A*B*C来计算所述医学重要度I。
2.根据权利要求1所述的诊断支持设备，其特征在于，还包括：
存储部件，用于存储所述被检者的检查历史；以及
改变部件，用于根据所述存储部件中存储的所述被检者的检查历史，改变所述诊断支持处理部件中作为处理对象的病变的大小。
3.根据权利要求2所述的诊断支持设备，其特征在于，
所述存储部件存储所述被检者的病变的大小，以及
所述改变部件根据所述存储部件中存储的所述被检者的病变的大小以及从对该病变进行摄像起的经过时间，改变所述诊断支持处理部件中作为处理对象的病变的大小。
4.根据权利要求2所述的诊断支持设备，其特征在于，所述改变部件根据所述被检者的检查历史来计算病变的发病概率，并且根据所述发病概率来改变所述诊断支持处理部件中的处理方法。
5.根据权利要求2所述的诊断支持设备，其特征在于，所述改变部件改变所述诊断支持处理部件中使用的处理函数的参数、所述处理函数的算法和所述处理函数的输出值的阈值之一。
6.根据权利要求1所述的诊断支持设备，其特征在于，还包括数据输出部件，所述数据输出部件用于输出所述诊断支持处理部件中的处理方法的改变信息和所述诊断支持处理部件所获得的处理结果之一。
7.一种诊断支持系统，包括：
根据权利要求2所述的诊断支持设备；以及
医用检查数据获取设备，用于从被检者获取数据，
其中，所述改变部件根据所述病变的医学重要度，改变所述医用检查数据获取设备中的获取参数。
CN2008800246235A 2007-10-18 2008-09-09 诊断支持设备及系统 Active CN101742961B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP271300/2007 2007-10-18
JP2007271300A JP5159242B2 (ja) 2007-10-18 2007-10-18 診断支援装置、診断支援装置の制御方法、およびそのプログラム
PCT/JP2008/066238 WO2009050962A1 (ja) 2007-10-18 2008-09-09 診断支援装置、診断支援装置の制御方法、およびそのプログラム

Publications (2)

Publication Number Publication Date
CN101742961A CN101742961A (zh) 2010-06-16
CN101742961B true CN101742961B (zh) 2011-09-14

Family

ID=40567238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008800246235A Active CN101742961B (zh) 2007-10-18 2008-09-09 诊断支持设备及系统

Country Status (6)

Country Link
US (2) US9852269B2 (zh)
EP (1) EP2213224A4 (zh)
JP (1) JP5159242B2 (zh)
KR (1) KR101216259B1 (zh)
CN (1) CN101742961B (zh)
WO (1) WO2009050962A1 (zh)

Families Citing this family (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5178119B2 (ja) 2007-09-28 2013-04-10 キヤノン株式会社 画像処理装置および画像処理方法
JP5159242B2 (ja) * 2007-10-18 2013-03-06 キヤノン株式会社 診断支援装置、診断支援装置の制御方法、およびそのプログラム
CN104535765A (zh) 2009-03-12 2015-04-22 癌症预防和治疗有限公司 鉴定、评估、预防以及治疗肺疾病的方法及试剂盒
JP5478328B2 (ja) 2009-09-30 2014-04-23 富士フイルム株式会社 診断支援システム、診断支援プログラムおよび診断支援方法
JP5523891B2 (ja) 2009-09-30 2014-06-18 富士フイルム株式会社 病変領域抽出装置、その作動方法およびプログラム
JP5582772B2 (ja) * 2009-12-08 2014-09-03 キヤノン株式会社 画像処理装置及び画像処理方法
JP5655327B2 (ja) * 2010-03-09 2015-01-21 富士ゼロックス株式会社 プログラムおよび情報処理装置
JP5320335B2 (ja) * 2010-03-31 2013-10-23 富士フイルム株式会社 診断支援システム、診断支援装置、診断支援方法および診断支援プログラム
CN101877035B (zh) * 2010-04-22 2015-09-09 无锡市优特科科技有限公司 基于金标准数据库的心电图分析系统
CN102883660A (zh) * 2010-09-20 2013-01-16 德克萨斯州大学系统董事会 高级多媒体结构化报告
JP5670695B2 (ja) * 2010-10-18 2015-02-18 ソニー株式会社 情報処理装置及び方法、並びにプログラム
JP5557687B2 (ja) * 2010-10-21 2014-07-23 株式会社日立メディコ 検査計画作成装置
JP2013545520A (ja) * 2010-10-29 2013-12-26 ザ・ジョンズ・ホプキンス・ユニバーシティ 画像検索エンジン
CA3120217A1 (en) 2011-04-29 2012-11-01 Cancer Prevention And Cure, Ltd. Methods of identification and diagnosis of lung diseases using classification systems and kits thereof
JP5744631B2 (ja) * 2011-06-06 2015-07-08 キヤノン株式会社 診療支援装置、診療支援方法
JP6193225B2 (ja) * 2011-06-29 2017-09-06 インナー モンゴリア フルイ メディカル サイエンス カンパニー リミテッドＩｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｆｕｒｕｉ Ｍｅｄｉｃａｌ Ｓｃｉｅｎｃｅ Ｃｏ．， Ｌｔｄ 肝線維症検出装置および検出システム
US20140306992A1 (en) * 2011-12-26 2014-10-16 Canon Kabushiki Kaisha Image processing apparatus, image processing system and image processing method
JP6226510B2 (ja) 2012-01-27 2017-11-08 キヤノン株式会社 画像処理システム、処理方法及びプログラム
JP5750381B2 (ja) * 2012-02-13 2015-07-22 株式会社日立製作所 領域抽出処理システム
JP6021346B2 (ja) 2012-02-14 2016-11-09 キヤノン株式会社 診断支援装置及びその制御方法
JP5802144B2 (ja) * 2012-02-16 2015-10-28 株式会社日立製作所 画像診断支援システム、プログラム及び記憶媒体
US20150025405A1 (en) * 2012-02-17 2015-01-22 Koninklijke Philips N.V. Acute lung injury (ali)/acute respiratory distress syndrome (ards) assessment and monitoring
JP6106259B2 (ja) * 2012-03-21 2017-03-29 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 医用イメージングと生検データとを統合する臨床ワークステーション及びこれを使用する方法
WO2014062648A1 (en) * 2012-10-15 2014-04-24 ClinicalBox, Inc. Adaptive medical testing
US20150269339A1 (en) * 2012-10-15 2015-09-24 ClinicalBox, Inc. Adaptive Medical Testing
KR102043130B1 (ko) 2012-11-16 2019-11-11 삼성전자주식회사 컴퓨터 보조 진단 방법 및 장치
US9378551B2 (en) 2013-01-03 2016-06-28 Siemens Aktiengesellschaft Method and system for lesion candidate detection
KR20140091176A (ko) 2013-01-10 2014-07-21 삼성전자주식회사 병변 진단 장치 및 방법
US9730655B2 (en) 2013-01-21 2017-08-15 Tracy J. Stark Method for improved detection of nodules in medical images
JP6208243B2 (ja) * 2013-08-27 2017-10-04 株式会社日立製作所 罹患率評価装置、罹患率評価方法及び罹患率評価プログラム
JP6612861B2 (ja) * 2014-07-02 2019-11-27 コーニンクレッカ フィリップス エヌ ヴェ 組織を識別するシステム及び方法
US11147652B2 (en) 2014-11-13 2021-10-19 Align Technology, Inc. Method for tracking, predicting, and proactively correcting malocclusion and related issues
CN104484845B (zh) * 2014-12-30 2019-03-05 天津迈沃医药技术股份有限公司 基于医学信息本体数据库的疾病自我分析平台
US20160188823A1 (en) * 2014-12-31 2016-06-30 General Electric Company System for providing electrocardiogram (ecg) analytics for electronic medical records (emr)
US9824189B2 (en) * 2015-01-23 2017-11-21 Panasonic Intellectual Property Management Co., Ltd. Image processing apparatus, image processing method, image display system, and storage medium
KR101748019B1 (ko) 2015-02-03 2017-06-15 부산대학교 산학협력단 의료정보 제공 장치 및 의료정보 제공 방법
JP6301277B2 (ja) * 2015-03-20 2018-03-28 富士フイルム株式会社 診断補助画像生成装置および診断補助画像生成方法、並びに、診断補助画像生成プログラム
JP6408436B2 (ja) * 2015-07-29 2018-10-17 富士フイルム株式会社 診療支援装置とその作動方法および作動プログラム、並びに診療支援システム
JP6818424B2 (ja) * 2016-04-13 2021-01-20 キヤノン株式会社 診断支援装置、情報処理方法、診断支援システム及びプログラム
JP6755130B2 (ja) * 2016-06-21 2020-09-16 株式会社日立製作所 画像処理装置、及び方法
US20180060535A1 (en) * 2016-08-31 2018-03-01 International Business Machines Corporation Updating probabilities of conditions based on annotations on medical images
WO2018083844A1 (ja) * 2016-11-02 2018-05-11 株式会社島津製作所 Ｘ線透視装置およびｘ線透視方法
WO2018104158A1 (en) * 2016-12-05 2018-06-14 Koninklijke Philips N.V. Tumor tracking with intelligent tumor size change notice
EP3557449B1 (en) 2016-12-19 2022-06-22 FUJIFILM Corporation Similar case search device, method for operation and program for operation thereof, and similar case search system
CN110168461B (zh) * 2017-02-24 2022-01-11 株式会社日立制作所 异常诊断系统
CN110709936A (zh) 2017-04-04 2020-01-17 肺癌蛋白质组学有限责任公司 用于早期肺癌预后的基于血浆的蛋白质概况分析
RU2667879C1 (ru) * 2017-05-30 2018-09-24 Общество с ограниченной ответственностью "Аби Продакшн" Обработка и анализ данных на изображениях компьютерной томографии
CN111164703B (zh) * 2017-07-31 2023-12-12 皇家飞利浦有限公司 用于确定何时要选择有限的超声心动描记检查的设备、系统和方法
JP7224757B2 (ja) 2017-10-13 2023-02-20 キヤノン株式会社 診断支援装置、情報処理方法、診断支援システム及びプログラム
JP6872470B2 (ja) * 2017-11-14 2021-05-19 株式会社日立製作所 画像処理装置、画像処理方法、画像処理プログラム及び超音波撮像装置
CN108888247B (zh) * 2018-05-22 2021-11-05 广东乐心医疗电子股份有限公司 有氧能力测试方法、装置、系统和数据采集设备
CN109003670A (zh) * 2018-06-29 2018-12-14 武汉圣大东高科技有限公司 大数据医疗信息处理方法、系统、终端设备及存储介质
JP7467033B2 (ja) * 2018-07-04 2024-04-15 キヤノンメディカルシステムズ株式会社 診療情報処理装置
US11003939B2 (en) 2018-07-06 2021-05-11 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and storage medium
JP7091174B2 (ja) * 2018-07-09 2022-06-27 キヤノン株式会社 システム、システムの制御方法及びプログラム
CN117438053A (zh) * 2018-08-27 2024-01-23 卡西欧计算机株式会社 显示控制装置、显示控制系统、显示控制方法及记录介质
WO2020044735A1 (ja) * 2018-08-31 2020-03-05 富士フイルム株式会社 類似度決定装置、方法およびプログラム
JP7187244B2 (ja) * 2018-10-10 2022-12-12 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム及び医用画像処理プログラム
JP7109345B2 (ja) * 2018-11-20 2022-07-29 富士フイルム株式会社 優先度判定装置、方法およびプログラム
CN113164142B (zh) * 2018-11-27 2024-04-30 富士胶片株式会社 相似度确定装置、方法及程序
WO2020110520A1 (ja) * 2018-11-27 2020-06-04 富士フイルム株式会社 類似度決定装置、方法およびプログラム
JP7289638B2 (ja) * 2018-11-29 2023-06-12 キヤノン株式会社 医用情報処理システム及びプログラム
CN109712705A (zh) * 2018-12-19 2019-05-03 中国石油大学(华东) 一种基于深度学习的胆石病智能诊断app
KR102231677B1 (ko) * 2019-02-26 2021-03-24 사회복지법인 삼성생명공익재단 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체
CN110085299B (zh) * 2019-04-19 2020-12-08 合肥中科离子医学技术装备有限公司 一种图像识别去燥方法、系统及图像库
US11790524B2 (en) * 2019-06-20 2023-10-17 Ohio State Innovation Foundation System and method for quantitative volumetric assessment and modeling of tumor lesions
CN110309915B (zh) * 2019-07-05 2021-12-10 中国人民解放军国防科技大学 基于直方图的神经元定位异常图层处理方法、系统及介质
WO2021246047A1 (ja) * 2020-06-04 2021-12-09 富士フイルム株式会社 経過予測装置、方法およびプログラム
CN112256754A (zh) * 2020-10-19 2021-01-22 柳州市妇幼保健院 基于标准模型的超声检测分析系统及方法
US20220338805A1 (en) * 2021-04-26 2022-10-27 Wisconsin Alumni Research Foundation System and Method for Monitoring Multiple Lesions
JP2023005697A (ja) * 2021-06-29 2023-01-18 大日本印刷株式会社 診断支援装置、コンピュータプログラム及び診断支援方法
CN113496774A (zh) * 2021-07-22 2021-10-12 河北北方学院 一种数字化的医疗信息管理方法及相关装置
US20240194323A1 (en) * 2022-12-08 2024-06-13 Optellum Limited Method and apparatus for displaying and analysing medical scan images

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5260871A (en) * 1991-07-31 1993-11-09 Mayo Foundation For Medical Education And Research Method and apparatus for diagnosis of breast tumors
US5289374A (en) * 1992-02-28 1994-02-22 Arch Development Corporation Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs
US6075879A (en) * 1993-09-29 2000-06-13 R2 Technology, Inc. Method and system for computer-aided lesion detection using information from multiple images
US5483443A (en) * 1994-04-08 1996-01-09 Promt Medical Systems Method for computing current procedural terminology codes from physician generated documentation
US6317617B1 (en) * 1997-07-25 2001-11-13 Arch Development Corporation Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images
US6418238B1 (en) * 1997-09-22 2002-07-09 Olympus Optical Co., Ltd. Image detection apparatus and image detection method capable of detecting roundish shape
US6941323B1 (en) * 1999-08-09 2005-09-06 Almen Laboratories, Inc. System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images
US6901156B2 (en) * 2000-02-04 2005-05-31 Arch Development Corporation Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images
JP2001357381A (ja) * 2000-06-12 2001-12-26 Fuji Photo Film Co Ltd 異常陰影候補検出方法および検出システム
US6909792B1 (en) * 2000-06-23 2005-06-21 Litton Systems, Inc. Historical comparison of breast tissue by image processing
AU2002257235A1 (en) * 2001-05-03 2002-11-18 University Of Florida Method and system for recording carious lesions
US7917377B2 (en) 2001-11-02 2011-03-29 Siemens Medical Solutions Usa, Inc. Patient data mining for automated compliance
WO2003070102A2 (en) * 2002-02-15 2003-08-28 The Regents Of The University Of Michigan Lung nodule detection and classification
JP4087640B2 (ja) 2002-05-14 2008-05-21 富士フイルム株式会社 疾患候補情報出力システム
JP2004046594A (ja) * 2002-07-12 2004-02-12 Konica Minolta Holdings Inc 画像診断支援装置
US20040122702A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical data processing system and method
US7640051B2 (en) * 2003-06-25 2009-12-29 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for breast imaging
US7162063B1 (en) * 2003-07-29 2007-01-09 Western Research Company, Inc. Digital skin lesion imaging system and method
JP2005270635A (ja) * 2004-02-23 2005-10-06 Canon Inc 画像処理方法及び処理装置
US7406187B2 (en) 2004-02-23 2008-07-29 Canon Kabushiki Kaisha Method and system for processing an image
JP2005284846A (ja) 2004-03-30 2005-10-13 Fuji Photo Film Co Ltd 診断支援システム並びにそれに用いる方法及びサーバ
CN1976629A (zh) * 2004-04-26 2007-06-06 D·F·杨克洛维茨 用于准确测定定向瘤变化的医学影像系统
JP4731127B2 (ja) * 2004-05-26 2011-07-20 株式会社日立メディコ 画像診断支援装置及び方法
EP1789923A1 (en) * 2004-08-11 2007-05-30 Aureon Laboratories, Inc. Systems and methods for automated diagnosis and grading of tissue images
US20090324097A1 (en) * 2005-03-15 2009-12-31 Ramsay Thomas E System and method for using a template in a predetermined color space that characterizes an image source
US20080292194A1 (en) * 2005-04-27 2008-11-27 Mark Schmidt Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images
US8472682B2 (en) * 2005-09-12 2013-06-25 Dvp Technologies Ltd. Medical image processing
US7876938B2 (en) * 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
US7599893B2 (en) * 2005-10-13 2009-10-06 Aureon Laboratories, Inc. Methods and systems for feature selection in machine learning based on feature contribution and model fitness
US7805385B2 (en) * 2006-04-17 2010-09-28 Siemens Medical Solutions Usa, Inc. Prognosis modeling from literature and other sources
JP4979334B2 (ja) * 2006-10-18 2012-07-18 富士フイルム株式会社 医用画像読影支援システム及びプログラム
US8116849B2 (en) * 2007-08-08 2012-02-14 Siemens Medical Solutions Usa, Inc. Non-invasive temperature scanning and analysis for cardiac ischemia characterization
JP5159242B2 (ja) * 2007-10-18 2013-03-06 キヤノン株式会社 診断支援装置、診断支援装置の制御方法、およびそのプログラム
US8401260B2 (en) * 2008-09-22 2013-03-19 General Electric Company Systems and methods for analyzing growth of computer detected patterns on digital medical images
US9462941B2 (en) * 2011-10-17 2016-10-11 The Board Of Trustees Of The Leland Stanford Junior University Metamorphopsia testing and related methods

Also Published As

Publication number Publication date
US20100250275A1 (en) 2010-09-30
KR101216259B1 (ko) 2012-12-28
EP2213224A4 (en) 2016-12-07
US10297352B2 (en) 2019-05-21
CN101742961A (zh) 2010-06-16
US9852269B2 (en) 2017-12-26
KR20100065194A (ko) 2010-06-15
JP5159242B2 (ja) 2013-03-06
US20180137942A1 (en) 2018-05-17
EP2213224A1 (en) 2010-08-04
WO2009050962A1 (ja) 2009-04-23
JP2009095550A (ja) 2009-05-07

Similar Documents

Publication Publication Date Title
CN101742961B (zh) 诊断支持设备及系统
CN107492090B (zh) 根据合成数据利用机器学习的基于图像的肿瘤表型分析
Yousef et al. A holistic overview of deep learning approach in medical imaging
US9514416B2 (en) Apparatus and method of diagnosing a lesion using image data and diagnostic models
Giger et al. Breast image analysis for risk assessment, detection, diagnosis, and treatment of cancer
KR102289277B1 (ko) 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법
US11430119B2 (en) Spatial distribution of pathological image patterns in 3D image data
US20120166211A1 (en) Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method
US11915822B2 (en) Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination
JP5456132B2 (ja) 診断支援装置、診断支援装置の制御方法、およびそのプログラム
WO2022110525A1 (zh) 一种癌变区域综合检测装置及方法
Florez et al. Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression
Kaliyugarasan et al. Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI
Jin et al. Automatic coronary plaque detection, classification, and stenosis grading using deep learning and radiomics on computed tomography angiography images: a multi-center multi-vendor study
Kumar et al. A Novel Approach for Breast Cancer Detection by Mammograms
US8045779B2 (en) Method and device for evaluation of an image and/or of a time sequence of images of tissue or tissue samples
Eadie et al. Recommendations for research design and reporting in computer-assisted diagnosis to facilitate meta-analysis
Gutenko et al. AnaFe: Visual Analytics of Image-derived Temporal Features—Focusing on the Spleen
CN111265234A (zh) 一种肺部纵膈淋巴结的性质判定方法及系统
Bhushan Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN)
US20230099284A1 (en) System and method for prognosis management based on medical information of patient
Khattar et al. A Review on Preprocessing, Segmentation and Classification Techniques for Detection of Skin Cancer
US20230401697A1 (en) Radiogenomics for cancer subtype feature visualization
Slowinski et al. Use of Artificial Intelligence: A Literature Review on Characteristics of Computer-Aided Detection and Diagnosis Systems Used in the Diagnosis of Lung Cancer by Computed Tomography.
Gasmi et al. Prediction of Uncertainty Estimation and Confidence Calibration Using Fully Convolutional Neural Network.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant