CN109394250A - 图像处理装置、图像处理方法及图像处理程序 - Google Patents

图像处理装置、图像处理方法及图像处理程序 Download PDF

Info

Publication number
CN109394250A
CN109394250A CN201810915798.0A CN201810915798A CN109394250A CN 109394250 A CN109394250 A CN 109394250A CN 201810915798 A CN201810915798 A CN 201810915798A CN 109394250 A CN109394250 A CN 109394250A
Authority
CN
China
Prior art keywords
aforementioned
medical imaging
index
image processing
image
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.)
Pending
Application number
CN201810915798.0A
Other languages
English (en)
Inventor
小林刚
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.)
Konica Minolta Inc
Konica Minolta Opto Inc
Original Assignee
Konica Minolta Opto 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 Konica Minolta Opto Inc filed Critical Konica Minolta Opto Inc
Publication of CN109394250A publication Critical patent/CN109394250A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明的目的是提供一种更适合于进行医用图像的综合性的诊断之用的图像处理装置。一种图像处理装置，进行医用图像摄像装置摄像的、有关被检体的诊断对象部位的医用图像的诊断，该图像处理装置具备：图像取得部，取得医用图像；以及诊断部，使用已学习的识别器进行医用图像的图像解析，计算表示医用图像符合于多个种类的病变样式中的某个的概率的指标；识别器在使用已诊断为对于多个种类的病变样式中的哪个都不符合的医用图像的学习处理时，将表示正常状态的第1值设定为指标的正解值，进行学习处理；在使用已诊断为符合于多个种类的病变样式中的某个的医用图像的学习处理时，将表示异常状态的第2值设定为指标的正解值，进行学习处理。

Description

图像处理装置、图像处理方法及图像处理程序
技术领域
本公开涉及图像处理装置、图像处理方法及图像处理程序。
背景技术
已知有通过使计算机进行对被检体的诊断对象部位进行摄像的医用图像的图像解析、提示该医用图像中的异常区域，来辅助医生等的诊断的计算机辅助诊断(Computer－Aided Diagnosis：以下也称作“CAD”)。
CAD通常诊断在医用图像中是否发生了特定的病变样式(pattern)(例如，结核或根瘤(nodule))。例如，在有关专利文献1的以往技术中，公开了一种判断在胸部单纯X射线图像(chest simple X-ray image)中是否存在根瘤的异常阴影的样式的方法。
现有技术文献
专利文献
专利文献1：美国专利第5740268号说明书
顺便说一下，在健康诊断中，与结核筛查那样的特殊诊断、或一般诊疗的特定疾患的提取不同，将医用图像(例如，胸部单纯X射线图像或超声波诊断图像)提供给医生等的阅览，关于该医用图像是否符合于多个种类的病变样式(例如，结核、根瘤、血管异常等)的某个，综合性地进行诊断。并且，在健康诊断中诊断为医用图像符合于某个病变样式的情况下，送往精密检查。
在这种健康诊断中，被要求根据医用图像来发现的病变样式有许多，例如，被要求根据胸部单纯X射线图像等来发现的病变样式达到80种以上之多。并且，在健康诊断中，要求关于是否符合于各种各样的病变样式的某个，包罗性(exhaustively)且迅速地进行检测。
关于这一点，在专利文献1的以往技术等中，不能对结核诊断这样的特定的病变样式以外进行检测，不适合上述的健康诊断的用途。换言之，在专利文献1的以往技术等中，既然不能进行关于特定的病变样式以外的病变样式的异常状态的判断，就不能对综合性地诊断健康状态的医生的诊察进行辅助。
发明内容
本公开是鉴于上述的问题而做出的，目的是提供一种更适合于如上述的健康诊断那样进行医用图像的综合性的诊断之用的图像处理装置、图像处理方法及图像处理程序。
解决前述课题的主要的本公开是一种图像处理装置，是进行医用图像摄像装置摄像的、有关被检体的诊断对象部位的医用图像的诊断的图像处理装置，
具备：
图像取得部，取得前述医用图像；以及
诊断部，使用已学习的识别器进行前述医用图像的图像解析，计算表示前述医用图像符合于多个种类的病变样式中的某个的概率的指标；
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，将表示正常状态的第1值设定为前述指标的正解值，进行学习处理；
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，将表示异常状态的第2值设定为前述指标的正解值，进行学习处理。
此外，在另一技术方案中，是一种图像处理方法，是进行医用图像摄像装置摄像的、有关被检体的诊断对象部位的医用图像的诊断的图像处理方法，
具备：
取得前述医用图像的处理；以及
使用已学习的识别器进行前述医用图像的图像解析、计算表示前述医用图像符合于多个种类的病变样式中的某个的概率的指标的处理；
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，将表示正常状态的第1值设定为前述指标的正解值，进行学习处理；
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，将表示异常状态的第2值设定为前述指标的正解值，进行学习处理。
此外，在另一技术方案中，是一种图像处理程序，使计算机执行：
取得医用图像摄像装置摄像的、有关被检体的诊断对象部位的医用图像的处理；以及
使用已学习的识别器进行前述医用图像的图像解析、计算表示前述医用图像符合于多个种类的病变样式中的某个的概率的指标的处理；
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，将表示正常状态的第1值设定为前述指标的正解值，进行学习处理；
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，将表示异常状态的第2值设定为前述指标的正解值，进行学习处理。
有关本公开的图像处理装置更适合于进行医用图像的综合性的诊断之用。
附图说明
图1是表示有关一实施方式的图像处理装置的整体结构的一例的块图。
图2是表示有关一实施方式的图像处理装置的硬件结构的一例的图。
图3是表示有关一实施方式的识别器的结构的一例的图。
图4A～B是对有关一实施方式的学习部的学习处理进行说明的图。
图5A～H是表示在异常的医用图像的教师数据中被使用的图像的一例的图。
图6A～H是表示在异常的医用图像的教师数据中被使用的图像的一例的图。
图7是表示有关变形例1的识别器的一例的图。
图8是表示有关变形例2的识别器的一例的图。
标号说明
10 图像取得部
20 诊断部
30 显示控制部
40 学习部
100 图像处理装置
200 医用图像摄像装置
300 显示装置
M 识别器
具体实施方式
以下，参照附图对本公开的优选的实施方式详细地进行说明。另外，在本说明书及附图中，关于对于实质上具有相同的功能结构的构成要素，通过赋予相同的标号，省略重复的说明。
[图像处理装置的整体结构]
首先，对有关一实施方式的图像处理装置100的结构的概要进行说明。
图1是表示图像处理装置100的整体结构的一例的块图。
图像处理装置100进行医用图像摄像装置200生成的医用图像的图像解析，关于该医用图像是否符合于多个种类的病变样式中的某个，进行诊断。
医用图像摄像装置200例如是周知的X射线诊断装置。医用图像摄像装置200例如对被检体曝射X射线，将透过该被检体或由被检体散射的X射线用X射线检测器检测，由此，生成对该被检体的诊断对象部位进行了摄像的医用图像。
显示装置300例如是液晶显示器，将从图像处理装置100取得的诊断结果对医生等可识别地显示。
图2是表示有关本实施方式的图像处理装置100的硬件结构的一例的图。
图像处理装置100是作为主要的组件而具备CPU(Central Processing Unit，中央处理单元)101、ROM(Read Only Memory，只读存储器)102、RAM(Random Access Memory，随机存取存储器)103、外部存储装置(例如，闪存存储器)104及通信接口105等的计算机。
图像处理装置100的各功能例如通过CPU101参照存储在ROM102、RAM103、外部存储装置104等中的控制程序(例如，图像处理程序)及各种数据(例如，医用图像数据、教师数据、识别器的模型数据)来实现。另外，RAM103例如作为数据的作业区域或暂时保存退避区域来发挥功能。
但是，各功能的一部分或全部也可以代替由CPU进行的处理、或与其一起还通过由DSP(Digital Signal Processor，数字信号处理器)进行的处理来实现。此外同样，各功能的一部分或全部也可以代替由软件进行的处理、或与其一起还通过由专用的硬件电路进行的处理来实现。
有关本实施方式的图像处理装置100例如具备图像取得部10、诊断部20、显示控制部30及学习部40。
[图像取得部]
图像取得部10从医用图像摄像装置200取得对被检体的诊断对象部位进行了摄像的医用图像的数据D1。
另外，图像取得部10在取得图像数据D1时，既可以从医用图像摄像装置200直接取得，也可以是取得保存在外部存储装置104中的图像数据D1、或经由因特网线路等提供的图像数据D1的结构。
[诊断部]
诊断部20从图像取得部10取得医用图像的数据D1，使用已学习的识别器M进行医用图像的图像解析，计算被检体符合于多个种类的病变样式中的某个的概率。
有关本实施方式的诊断部20作为表示医用图像符合于多个种类的病变样式中的某个的概率的指标，计算“正常度”。“正常度”例如在医用图像对于多个种类的病变样式中的哪个都不符合的情况下被用正常度100％表示，在医用图像符合于多个种类的病变样式中的某个的情况下被用正常度0％表示。
但是，“正常度”是表示被检体符合于多个种类的病变样式中的某个的概率的指标的一例，也可以使用其他的任意的形态的指标。例如，“正常度”也可以代替用0％～100％的值表示的形态，表示为符合于多个级别的等级值中的哪个等级值的形态。
图3是表示有关本实施方式的识别器M的结构的一例的图。
作为有关本实施方式的识别器M，典型的是使用CNN(卷积神经网络)。另外，识别器M的模型数据(构造数据及已学习的参数数据等)例如被与图像处理程序一起保存在外部存储装置104中。
CNN例如具有特征提取部Na和识别部Nb，特征提取部Na实施从被输入的图像提取图像特征的处理，识别部Nb根据该图像特征而输出有关图像的识别结果。
特征提取部Na分层地连接着多个特征量提取层Na1，Na2…而构成。各特征量提取层Na1，Na2…分别具备卷积层(Convolution layer)、活性化层(Activation layer)及合并层(Pooling layer)。
第1层的特征量提取层Na1对被输入的图像，通过光栅扫描按照规定尺寸进行扫描。并且，特征量提取层Na1对于扫描出的数据，通过用卷积层、活性化层及合并层实施特征量提取处理，提取输入图像中包含的特征量。第1层的特征量提取层Na1例如提取沿等级方向延伸的线状的特征量或沿斜方向延伸的线状的特征量等比较简单的单独的特征量。
第2层的特征量提取层Na2对于被从上个层级的特征量提取层Na1输入的图像(也被称作特征映射图(map))，例如通过光栅扫描按照规定尺寸进行扫描。并且，特征量提取层Na2对于扫描出的数据，同样通过实施由卷积层、活性化层及合并层进行的特征量提取处理，提取输入图像中包含的特征量。另外，第2层的特征量提取层Na2通过一边考虑第1层的特征量提取层Na1提取出的多个特征量的位置关系等一边进行综合，提取更高维度(class)的复合性的特征量。
第2层以后的特征量提取层(在图3中，为了说明的方便，对于特征量提取层Na仅表示了2个层级)执行与第2层的特征量提取层Na2同样的处理。并且，将最终层的特征量提取层的输出(多个特征映射图的映射图内的各值)对于识别部Nb输入。
识别部Nb例如由分层地连接着多个全结合层(Fully Connected)的多层感知器(perceptron)构成。
识别部Nb的输入侧的全结合层对于从特征提取部Na取得的多个特征映射图的映射图内的各值进行全结合，对于其各值一边使权重系数不同一边进行积和运算(productsum operation)并输出。
识别部Nb的下个层级的全结合层对于上个层级的全结合层的各元件输出的值进行全结合，对于其各值一边使权重系数不同一边进行积和运算。并且，在识别部Nb的最后级，设置输出正常度的输出元件。
另外，有关本实施方式的CNN关于被实施学习处理以便能够从医用图像输出正常度这一点以外，与周知的结构是同样的。
CNN等的识别器M通常通过使用教师数据预先进行学习处理，能够拥有识别功能，以便能够根据被输入的图像而输出希望的识别结果(这里是正常度)。
有关本实施方式的识别器M构成为，以医用图像为输入(图3的input)，输出与该医用图像D1的图像特征对应的正常度(图3的output)。另外，有关本实施方式的识别器M根据被输入的医用图像D1的图像特征，将正常度作为0％～100％之间的值来输出。
诊断部20将医用图像对于已学习的识别器M输入，通过该识别器M的顺传播处理，进行该医用图像的图像解析，计算正常度。
另外，识别器M更优选的是做成除了图像数据D1以外、还能够输入与年龄、性别、地域或既往病历有关的信息的结构(例如，作为识别器Nb的输入元件来设置)。医用图像的特征与有关年龄、性别、地域或既往病历的信息具有相关关系。因而，识别器M可以做成通过除了图像数据D1以外还参照年龄等信息、能够更高精度地计算正常度的结构。
此外，诊断部20也可以除了由识别器M进行的处理以外，作为前处理，还进行变换为医用图像的尺寸及纵横比的处理、医用图像的颜色分割处理、医用图像的颜色变换处理、颜色提取处理、亮度梯度提取处理等。
[显示控制部]
显示控制部30将正常度的数据D2向显示装置300输出，以使显示装置300显示正常度。
有关本实施方式的显示装置300例如如图3的output所示那样显示正常度。该正常度的数值例如被用于是否进行由医生等进行的正式的检查的判断等。
[学习部]
学习部40使用教师数据D3进行识别器M的学习处理，以使得识别器M能够根据医用图像的数据D1计算正常度。
图4是对有关本实施方式的学习部40的学习处理进行说明的图。
识别器M的识别功能依据学习部40使用的教师数据D3。有关本实施方式的学习部40如以下这样实施学习处理，以构成关于符合于各种各样的病变样式的哪个、能够包罗性且迅速地进行检测的识别器M。
有关本实施方式的学习部40使用已诊断为对于多个种类的病变样式的哪个都不符合的医用图像、已诊断为符合于多个种类的病变样式的某个的医用图像作为教师数据D3，进行学习处理(以下，分别称作“正常的医用图像的教师数据D3”、“异常的医用图像的教师数据D3”)。并且，学习部40当使用正常的医用图像的教师数据D3进行学习处理时，将表示正常状态的第1值(这里是正常度100％)设定为正常度的正解值，进行学习处理；当使用异常的医用图像的教师数据D3进行学习处理时，将表示异常状态的第2值(这里是正常度0％)设定为正常度的正解值，进行学习处理。
另外，学习部40例如进行识别器M的学习处理，以使将图像输入到识别器M中时的输出数据相对于正解值的误差(也称作损失)变小。
“多个种类的病变样式”是医生等根据医用图像判断为发生了某种异常时的基准的病变样式(参照图5、图6在后面叙述)。换言之，“多个种类的病变样式”可以是能够判定为不是正常状态的所有的要素。根据医用图像被要求发现的“病变样式”存在多个，例如有与正常状态相比血管收缩、与正常状态相比存在不自然的阴影、或与正常状态相比内脏的形状异常等。
通过这样实施学习处理，识别器M具有关于医用图像是否符合于各种各样的病变样式的某个来计算正常度的识别功能。
此时的医用图像的教师数据D3既可以是像素值的数据，也可以是被进行了规定的颜色变换处理等的数据。此外，也可以使用作为前处理而提取了纹理特征、形状特征、扩展特征等的数据。另外，教师数据D3也可以除了图像数据以外还将有关年龄、性别、地域或既往病历的信息建立关联而进行学习处理。
另外，学习部40进行学习处理时的算法也可以是周知的方法。如果是作为识别器M而使用CNN的情况，则学习部40例如使用周知的误差逆传播法，对识别器M实施学习处理，对网络参数(权重系数、偏倚(bias)等)进行调整。并且，由学习部40实施学习处理后的识别器M的模型数据(例如，已学习的网络参数)例如被与图像处理程序一起保存到外部存储装置104中。
此外，有关本实施方式的学习部40当使用正常的医用图像的教师数据D3进行学习处理时，使用该医用图像的全部图像区域进行学习处理(图4A)。或者选择m×n的矩形区域进行学习。
另一方面，有关本实施方式的学习部40当使用异常的医用图像的教师数据D3进行学习处理时，使用从医用图像的全部图像区域中提取了异常状态的部位的区域的部分性的图像区域，进行学习处理(图4B)。
这样，关于异常状态的部位，通过仅使用该异常状态的部位的图像区域，识别器M能够具有更高度的识别功能。
图5、图6是表示在异常的医用图像的教师数据D3中被使用的图像的一例的图。
更具体地讲，图5是表示异常状态的组织的图像区域的图，图6是表示异常状态的阴影的图像区域的图。
更详细地讲，在图5中，作为异常状态的组织的图像区域的一例，表示了血管区域(图5A)、肋骨区域(图5B)、心脏区域(图5C)、横膈膜区域(图5D)、下降大动脉区域(图5E)、腰椎区域(图5F)、肺区域(图5G)、锁骨区域(图5H)。
此外，在图6中，作为异常状态的阴影的图像区域的一例，表示了根瘤(图6A)、区域性阴影/肺胞性阴影(图6B)、实变(consolidation)(图6C)、胸腔积水(图6D)、边缘征象(silhouette sign)阳性(图6E)、扩散(diffuse)(图6F)、线状影/网状影/蜂巢状影(图6G)、骨折区域(图6H)。
学习部40例如通过进行从全部图像区域切割出这些图像区域的处理、或进行二值化处理以使得在全部图像区域中这些图像区域浮现，生成仅将异常状态的部位的图像区域提取的教师数据D3。
有关本实施方式的诊断部20使用采用以上那样的方法实施了学习处理的识别器M，进行医用图像的诊断处理。
如以上这样，有关本实施方式的图像处理装置100在使用对于多个种类的病变样式中的哪个都不符合的医用图像的学习处理时，对于正常度设定表示正常状态的第1值(这里是正常度100％)，进行识别器M的学习处理；另一方面，在使用符合于多个种类的病变样式中的某个的医用图像的学习处理时，对于正常度设定表示异常状态的第2值(这里是正常度0％)，进行学习处理。
因而，有关本实施方式的图像处理装置100能够仅将关于医用图像是否符合于多个种类的病变样式的某个，作为综合性的正常度来计算。由此，能够在确保包罗性地检测各种各样的病变样式的功能的同时，减轻图像解析的处理负荷，实现短时间中的检测处理。
(变形例1)
图7是表示有关变形例1的识别器M的一例的图。
有关本变形例1的诊断部20在将医用图像的全部图像区域划分为多个图像区域(这里，划分为9份D1a～D1i)、按照每个该图像区域计算正常度这一点上，与上述实施方式不同。
有关变形例1的形态例如可以通过按照医用图像的每个图像区域设置进行图像解析的识别器M来实现。在图7中，设置有9个不同的识别器Ma～Mi，以与9个图像区域D1a～D1i分别对应。另外，进行图像解析的识别器M也可以按照医用图像的每个内脏部位来设置。
有关本变形例1的显示控制部30例如将按照每个图像区域计算出的正常度与医用图像的该图像区域建立关联，显示在显示装置300上。显示控制部30例如使该正常度叠加在医用图像的图像区域中的、与该正常度建立了关联的位置，显示在显示装置300上。
另一方面，显示控制部30也可以为将多个图像区域各自的正常度中正常度最低者作为医用图像整体的正常度、显示在显示装置300上的结构。
另外，有关本变形例1的识别器Ma～Mi被单独地实施学习处理。
(变形例2)
图8是表示有关变形例2的识别器M的一例的图。
有关本变形例2的诊断部20在按照医用图像的每个像素区域(表示形成一个像素的区域或形成一个划区的多个像素的区域。以下相同)计算正常度这一点上，与上述实施方式不同。
有关本变形例2的形态例如可以通过在CNN的识别部Nb中按照医用图像的每个像素区域设置输出元件来实现(也称作R－CNN)。
有关本变形例2的显示控制部30例如将各像素区域的正常度与医用图像中的像素区域的位置建立关联而显示在显示装置300上。此时，显示控制部30例如将各像素区域的正常度变换表示为颜色信息，通过叠加到医用图像上，作为热映射图图像而显示在显示装置300上。
另外，在图8的output中，作为热映射图图像的一例，表示了根据符合于正常度0％～20％、正常度20％～40％、正常度40％～60％、正常度60％～80％及正常度80％～100％这五个级别中的哪个而使颜色不同来显示的形态。
通过如本变形例2那样生成热映射图图像，例如当医生等参照医用图像时，能够对于医生等使应该关注的区域变得容易识别。
(变形例3)
有关变形例3的图像处理装置100在显示控制部30的结构这一点上与上述实施方式不同。
显示控制部30例如在关于多个医用图像计算出正常度后，基于该多个医用图像各自的正常度，设定使该多个医用图像向显示装置300显示的顺序。并且，显示控制部30例如以所设定的顺序，将医用图像的数据D1及正常度的数据D2对于显示装置300输出。
由此，例如在多个医用图像中，从是异常状态的可能性较高者起依次显示到显示装置300上，能够使得从必要性或紧急性高的被检体起接受医生等的正式诊断。
另外，显示控制部30也可以代替基于多个医用图像各自的正常度来设定顺序的结构，而设定是否使多个医用图像分别显示在显示装置300上。
(其他实施方式)
本发明并不限于上述实施方式，可以各种各样地考虑变形形态。
在上述实施方式中，作为识别器M的一例而表示了CNN。但是，识别器M并不限于CNN，也可以使用通过实施学习处理而能够拥有识别功能的其他任意的识别器。作为识别器M，例如也可以使用SVM(Support Vector Machine，支持向量机)识别器、或贝叶斯(Bayes)识别器等。或者，也可以将它们组合多个而构成。
此外，在上述实施方式中，各种各样地表示了图像处理装置100的结构的一例。但是，当然也可以采用将在各实施方式中表示的形态各种各样地组合的形态。
此外，在上述实施方式中，作为图像处理装置100诊断的医用图像的一例，表示了X射线诊断装置摄像的X射线图像，但也能够应用于其他任意的装置摄像的医用图像。例如，对于三维CT装置摄像的医用图像或超声波诊断装置摄像的医用图像也能够应用。
此外，在上述实施方式中，作为图像处理装置100的结构的一例，记载了由一个计算机实现的结构，但当然也可以由多个计算机实现。
此外，在上述实施方式中，作为图像处理装置100的一例，表示了具备学习部40的结构。但是，如果预先在外部存储装置104等中存储被实施了学习处理的识别器M的模型数据，则图像处理装置100并不需要一定具备学习部40。
以上，详细地说明了本发明的具体例，但这些只不过是例示，并不限定权利要求的范围。在权利要求书所记载的技术中，包含将以上例示的具体例各种各样地变形、变更的形态。
工业上的可利用性
有关本公开的图像处理装置更适合进行医用图像的综合性的诊断之用。

Claims (42)

1.一种图像处理装置，进行医用图像摄像装置摄像的、有关被检体的诊断对象部位的医用图像的诊断，其中，
具备：
图像取得部，取得前述医用图像；以及
诊断部，使用已学习的识别器进行前述医用图像的图像解析，计算表示前述医用图像符合于多个种类的病变样式中的某个的概率的指标，
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，将表示正常状态的第1值设定为前述指标的正解值，进行学习处理，
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，将表示异常状态的第2值设定为前述指标的正解值，进行学习处理。
2.如权利要求1所述的图像处理装置，其中，
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，进行使用前述医用图像的全部图像区域的学习处理，
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，进行使用从前述医用图像的全部图像区域将异常状态的区域提取的部分性的图像区域的学习处理。
3.如权利要求2所述的图像处理装置，其中，
前述识别器在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，进行使用从前述医用图像的全部图像区域提取出的异常状态的组织或阴影的图像区域的学习处理。
4.如权利要求1～3中任一项所述的图像处理装置，其中，
前述诊断部以前述医用图像的全部图像区域为对象，计算前述指标。
5.如权利要求1～4中任一项所述的图像处理装置，其中，
前述诊断部将前述医用图像的全部图像区域划分为多个，按照该划分出的每个图像区域计算前述指标。
6.如权利要求1～5中任一项所述的图像处理装置，其中，
前述诊断部按照前述医用图像的每个像素区域计算前述指标。
7.如权利要求1～6中任一项所述的图像处理装置，其中，
还具备控制使显示装置显示前述指标的方式的显示控制部。
8.如权利要求7所述的图像处理装置，其中，
前述显示控制部使前述指标叠加在与前述指标建立了关联的前述医用图像的图像区域的位置，使前述显示装置显示。
9.如权利要求8所述的图像处理装置，其中，
前述显示控制部将前述指标变换为颜色信息，使前述显示装置显示前述指标。
10.如权利要求7～9中任一项所述的图像处理装置，其中，
前述显示控制部基于关于多个前述医用图像分别计算出的前述指标，决定使前述显示装置显示多个前述医用图像的顺序、或是否使前述显示装置显示多个前述医用图像。
11.如权利要求1～10中任一项所述的图像处理装置，其中，
前述医用图像是医用静止像图像。
12.如权利要求11所述的图像处理装置，其中，
前述医用图像是胸部单纯X射线图像。
13.如权利要求1～12中任一项所述的图像处理装置，其中，
前述识别器包括贝叶斯识别器、SVM识别器或卷积神经网络而构成。
14.如权利要求1～13中任一项所述的图像处理装置，其中，
前述诊断部除了前述医用图像以外，还基于与前述被检体的年龄、性别、地域或既往病历有关的信息，计算前述指标。
15.一种图像处理方法，进行医用图像摄像装置摄像的、有关被检体的诊断对象部位的医用图像的诊断，其中，
具备：
取得前述医用图像的处理；以及
使用已学习的识别器进行前述医用图像的图像解析、计算表示前述医用图像符合于多个种类的病变样式中的某个的概率的指标的处理，
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，将表示正常状态的第1值设定为前述指标的正解值，进行学习处理，
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，将表示异常状态的第2值设定为前述指标的正解值，进行学习处理。
16.如权利要求15所述的图像处理方法，其中，
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，进行使用前述医用图像的全部图像区域的学习处理，
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，进行使用从前述医用图像的全部图像区域将异常状态的区域提取的部分性的图像区域的学习处理。
17.如权利要求16所述的图像处理方法，其中，
前述识别器在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，进行使用从前述医用图像的全部图像区域提取出的异常状态的组织或阴影的图像区域的学习处理。
18.如权利要求15～17中任一项所述的图像处理方法，其中，
在计算前述指标的处理中，以前述医用图像的全部图像区域为对象，计算前述指标。
19.如权利要求15～18中任一项所述的图像处理方法，其中，
在计算前述指标的处理中，将前述医用图像的全部图像区域划分为多个，按照该划分出的每个图像区域计算前述指标。
20.如权利要求15～19中任一项所述的图像处理方法，其中，
在计算前述指标的处理中，按照前述医用图像的每个像素区域计算前述指标。
21.如权利要求15～20中任一项所述的图像处理方法，其中，
还具备控制使显示装置显示前述指标的方式的处理。
22.如权利要求21所述的图像处理方法，其中，
在控制使显示装置显示前述指标的方式的处理中，使前述指标叠加在与前述指标建立了关联的前述医用图像的图像区域的位置，使前述显示装置显示。
23.如权利要求22所述的图像处理方法，其中，
在控制使显示装置显示前述指标的方式的处理中，将前述指标变换为颜色信息，使前述显示装置显示前述指标。
24.如权利要求21～23中任一项所述的图像处理方法，其中，
在控制使显示装置显示前述指标的方式的处理中，基于关于多个前述医用图像分别计算出的前述指标，决定使前述显示装置显示多个前述医用图像的顺序、或是否使前述显示装置显示多个前述医用图像。
25.如权利要求15～24中任一项所述的图像处理方法，其中，
前述医用图像是医用静止像图像。
26.如权利要求25所述的图像处理方法，其中，
前述医用图像是胸部单纯X射线图像。
27.如权利要求15～26中任一项所述的图像处理方法，其中，
前述识别器包括贝叶斯识别器、SVM识别器或卷积神经网络而构成。
28.如权利要求15～27中任一项所述的图像处理方法，其中，
在计算前述指标的处理中，除了前述医用图像以外，还基于与前述被检体的年龄、性别、地域或既往病历有关的信息，计算前述指标。
29.一种保存有图像处理程序的计算机可读取的记录介质，所述图像处理程序使计算机执行：
取得医用图像摄像装置摄像的、有关被检体的诊断对象部位的医用图像的处理；以及
使用已学习的识别器进行前述医用图像的图像解析、计算表示前述医用图像符合于多个种类的病变样式中的某个的概率的指标的处理，
其中，
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，将表示正常状态的第1值设定为前述指标的正解值，进行学习处理，
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，将表示异常状态的第2值设定为前述指标的正解值，进行学习处理。
30.如权利要求29所述的保存有图像处理程序的计算机可读取的记录介质，其中，
前述识别器在使用已诊断为对于前述多个种类的病变样式中的哪个都不符合的前述医用图像的学习处理时，进行使用前述医用图像的全部图像区域的学习处理，
在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，进行使用从前述医用图像的全部图像区域将异常状态的区域提取的部分性的图像区域的学习处理。
31.如权利要求30所述的保存有图像处理程序的计算机可读取的记录介质，其中，
前述识别器在使用已诊断为符合于前述多个种类的病变样式中的某个的前述医用图像的学习处理时，进行使用从前述医用图像的全部图像区域提取出的异常状态的组织或阴影的图像区域的学习处理。
32.如权利要求29～31中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
在计算前述指标的处理中，以前述医用图像的全部图像区域为对象，计算前述指标。
33.如权利要求29～32中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
在计算前述指标的处理中，将前述医用图像的全部图像区域划分为多个，按照该划分出的每个图像区域计算前述指标。
34.如权利要求29～33中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
在计算前述指标的处理中，按照前述医用图像的每个像素区域计算前述指标。
35.如权利要求29～34中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
还具备控制使显示装置显示前述指标的方式的处理。
36.如权利要求35所述的保存有图像处理程序的计算机可读取的记录介质，其中，
在控制使显示装置显示前述指标的方式的处理中，使前述指标叠加在与前述指标建立了关联的前述医用图像的图像区域的位置，使前述显示装置显示。
37.如权利要求36所述的保存有图像处理程序的计算机可读取的记录介质，其中，
在控制使显示装置显示前述指标的方式的处理中，将前述指标变换为颜色信息，使前述显示装置显示前述指标。
38.如权利要求35～37中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
在控制使显示装置显示前述指标的方式的处理中，基于关于多个前述医用图像分别计算出的前述指标，决定使前述显示装置显示多个前述医用图像的顺序、或是否使前述显示装置显示多个前述医用图像。
39.如权利要求29～38中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
前述医用图像是医用静止像图像。
40.如权利要求39所述的保存有图像处理程序的计算机可读取的记录介质，其中，
前述医用图像是胸部单纯X射线图像。
41.如权利要求29～40中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
前述识别器包括贝叶斯识别器、SVM识别器或卷积神经网络而构成。
42.如权利要求29～41中任一项所述的保存有图像处理程序的计算机可读取的记录介质，其中，
在计算前述指标的处理中，除了前述医用图像以外，还基于与前述被检体的年龄、性别、地域或既往病历有关的信息，计算前述指标。
CN201810915798.0A 2017-08-18 2018-08-13 图像处理装置、图像处理方法及图像处理程序 Pending CN109394250A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017158124A JP6930283B2 (ja) 2017-08-18 2017-08-18 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
JP2017-158124 2017-08-18

Publications (1)

Publication Number Publication Date
CN109394250A true CN109394250A (zh) 2019-03-01

Family

ID=65361243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810915798.0A Pending CN109394250A (zh) 2017-08-18 2018-08-13 图像处理装置、图像处理方法及图像处理程序

Country Status (3)

Country Link
US (1) US20190057504A1 (zh)
JP (1) JP6930283B2 (zh)
CN (1) CN109394250A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111657858A (zh) * 2019-03-07 2020-09-15 株式会社日立制作所 图像诊断装置、图像处理方法和程序
CN112076398A (zh) * 2019-06-13 2020-12-15 佳能医疗系统株式会社 放射线治疗系统、治疗计划辅助方法及治疗计划方法
CN112862741A (zh) * 2019-11-12 2021-05-28 株式会社日立制作所 医用图像处理装置及医用图像处理方法、医用图像处理程序
CN113096061A (zh) * 2019-12-23 2021-07-09 株式会社日立制作所 图像诊断辅助装置、医用图像取得装置以及计算机可读记录介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019239607A1 (ja) * 2018-06-15 2019-12-19 三菱電機株式会社 診断装置、診断方法及びプログラム
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
CN109965829B (zh) * 2019-03-06 2022-05-06 重庆金山医疗技术研究院有限公司 成像优化方法、图像处理装置、成像装置及内窥镜系统
JP2020173614A (ja) * 2019-04-10 2020-10-22 キヤノンメディカルシステムズ株式会社 医用情報処理装置及び医用情報処理プログラム
JP7334900B2 (ja) * 2019-05-20 2023-08-29 国立研究開発法人理化学研究所 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体
CN110175993A (zh) * 2019-05-27 2019-08-27 西安交通大学医学院第一附属医院 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法
JP7084357B2 (ja) * 2019-07-12 2022-06-14 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
JP7144370B2 (ja) 2019-07-12 2022-09-29 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
CN110688977B (zh) * 2019-10-09 2022-09-20 浙江中控技术股份有限公司 一种工业图像识别方法、装置、服务器及存储介质
US11436725B2 (en) * 2019-11-15 2022-09-06 Arizona Board Of Regents On Behalf Of Arizona State University Systems, methods, and apparatuses for implementing a self-supervised chest x-ray image analysis machine-learning model utilizing transferable visual words
JP6737491B1 (ja) * 2020-01-09 2020-08-12 株式会社アドイン研究所 Ａｉを用いる診断装置、診断システム、及び、プログラム
KR102389628B1 (ko) * 2021-07-22 2022-04-26 주식회사 클라리파이 의료영상의 병변 특징에 따른 영상처리 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1685354A (zh) * 2002-09-24 2005-10-19 伊斯曼柯达公司 用于计算机辅助检测提示阅读医疗图像的方法和系统
US20090080732A1 (en) * 2003-03-12 2009-03-26 Siemens Corporate Research, Inc. System and Method for Performing Probabilistic Classification and Decision Support Using Multidimensional Medical Image Databases
CN104809331A (zh) * 2015-03-23 2015-07-29 深圳市智影医疗科技有限公司 一种计算机辅助诊断技术(cad)检测放射图像发现病灶的方法和系统
US20150332454A1 (en) * 2014-05-15 2015-11-19 Vida Diagnostics, Inc. Visualization and quantification of lung disease utilizing image registration
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3974946B2 (ja) * 1994-04-08 2007-09-12 オリンパス株式会社 画像分類装置
JP4480508B2 (ja) * 2004-08-02 2010-06-16 富士通株式会社 診断支援プログラムおよび診断支援装置
JP2010252989A (ja) * 2009-04-23 2010-11-11 Canon Inc 医用診断支援装置及びその制御方法
JP2012235796A (ja) * 2009-09-17 2012-12-06 Sharp Corp 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
JP5700964B2 (ja) * 2010-07-08 2015-04-15 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
JP2012026982A (ja) * 2010-07-27 2012-02-09 Panasonic Electric Works Sunx Co Ltd 検査装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1685354A (zh) * 2002-09-24 2005-10-19 伊斯曼柯达公司 用于计算机辅助检测提示阅读医疗图像的方法和系统
US20090080732A1 (en) * 2003-03-12 2009-03-26 Siemens Corporate Research, Inc. System and Method for Performing Probabilistic Classification and Decision Support Using Multidimensional Medical Image Databases
US20150332454A1 (en) * 2014-05-15 2015-11-19 Vida Diagnostics, Inc. Visualization and quantification of lung disease utilizing image registration
CN104809331A (zh) * 2015-03-23 2015-07-29 深圳市智影医疗科技有限公司 一种计算机辅助诊断技术(cad)检测放射图像发现病灶的方法和系统
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111657858A (zh) * 2019-03-07 2020-09-15 株式会社日立制作所 图像诊断装置、图像处理方法和程序
CN111657858B (zh) * 2019-03-07 2023-08-01 株式会社日立制作所 图像诊断装置、图像处理方法和存储介质
CN112076398A (zh) * 2019-06-13 2020-12-15 佳能医疗系统株式会社 放射线治疗系统、治疗计划辅助方法及治疗计划方法
CN112862741A (zh) * 2019-11-12 2021-05-28 株式会社日立制作所 医用图像处理装置及医用图像处理方法、医用图像处理程序
CN113096061A (zh) * 2019-12-23 2021-07-09 株式会社日立制作所 图像诊断辅助装置、医用图像取得装置以及计算机可读记录介质
CN113096061B (zh) * 2019-12-23 2023-09-15 富士胶片医疗健康株式会社 图像诊断辅助装置、医用图像取得装置以及计算机可读记录介质

Also Published As

Publication number Publication date
US20190057504A1 (en) 2019-02-21
JP2019033966A (ja) 2019-03-07
JP6930283B2 (ja) 2021-09-01

Similar Documents

Publication Publication Date Title
CN109394250A (zh) 图像处理装置、图像处理方法及图像处理程序
KR101887194B1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
KR101874348B1 (ko) 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치
EP3355273B1 (en) Coarse orientation detection in image data
US8334878B2 (en) Medical image processing apparatus and medical image processing program
US20200058098A1 (en) Image processing apparatus, image processing method, and image processing program
JP7218215B2 (ja) 画像診断装置、画像処理方法及びプログラム
JP6448356B2 (ja) 画像処理装置、画像処理方法、画像処理システム、及びプログラム
US20210133473A1 (en) Learning apparatus and learning method
US20120166211A1 (en) Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method
JP2003265408A (ja) 内視鏡誘導装置および方法
JP2005519685A (ja) 画素の符号化法、画像処理法と、１以上の画素により再現されるオブジェクトの定性的な認識を目的とする画像処理法
JP6930411B2 (ja) 情報処理装置及び情報処理方法
JP7187244B2 (ja) 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
CN110310723A (zh) 骨骼图像处理方法、电子设备及存储介质
JP2007151645A (ja) 医用画像診断支援システム
JP2021125230A (ja) 診断支援プログラム、装置、及び方法
JP7479546B2 (ja) 表示装置、方法およびプログラム
US11995834B2 (en) Method and system for the automated determination of examination results in an image sequence
Caesarendra et al. AutoSpine-Net: Spine detection using convolutional neural networks for Cobb angle classification in adolescent idiopathic scoliosis
JP2022164785A (ja) 情報処理装置、情報処理方法、及びプログラム
JP2011120827A (ja) 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
WO2022194855A1 (en) Detecting abnormalities in an x-ray image
JP2022050089A (ja) 判定予測システム、判定予測方法及び判定予測プログラム
EP4356837A1 (en) Medical image diagnosis system, medical image diagnosis system evaluation method, and program

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190301