CN112236832A - 诊断辅助系统、诊断辅助方法以及诊断辅助程序 - Google Patents
诊断辅助系统、诊断辅助方法以及诊断辅助程序 Download PDFInfo
- Publication number
- CN112236832A CN112236832A CN201980036934.1A CN201980036934A CN112236832A CN 112236832 A CN112236832 A CN 112236832A CN 201980036934 A CN201980036934 A CN 201980036934A CN 112236832 A CN112236832 A CN 112236832A
- Authority
- CN
- China
- Prior art keywords
- image
- diagnosis
- learned
- learned model
- information
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000003902 lesion Effects 0.000 description 35
- 238000010827 pathological analysis Methods 0.000 description 14
- 230000001575 pathological effect Effects 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012552 review Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- 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
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20081—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
- G06T2207/30096—Tumor; Lesion
Abstract
提供一种有助于客观的诊断的信息。诊断辅助系统(1)的服务器(20)具备:已学习模型取得部(21),取得多个已学习模型,并且输入基于拍摄了诊断对象的图像的信息并输出表示针对该诊断对象的诊断结果的信息;图像取得部(22),取得解析对象的图像;运算部(23),针对所取得的图像,进行基于多个已学习模型的运算,计算该该多个已学习模型的诊断所涉及的一个信息;以及输出部(24),输出由运算部(23)计算出的信息。
Description
技术领域
本发明涉及基于图像的诊断所涉及的诊断辅助系统、诊断辅助方法以及诊断辅助程序。
背景技术
以往,在病理组织的检查(病理诊断)领域中,专业的病理学者在显微镜下观察载玻片上的病理标本来进行诊断。该诊断是很大程度上依赖于进行观察的病理学者个人的经验·知识的主观判定。因此,难以进行客观的诊断。因此,在病理诊断领域中,采取了通过其他病理学者对某一病理学者的诊断结果进行评价·评论,从而减轻主观的判定的风险的同行评审(peer review)制度。然而,对于所有病理诊断结果实施同行评审都是极其没有效率的。除此之外,由于在同行评审中的最终判定也通过病理学者间的讨论来进行,因此成为很大程度上依赖于担当者个人的经验、知识、发言影响力的结果。因此,原理上不能排除主观的要素,难以客观地进行病理诊断。
另一方面,进行了使用机械学习来自动进行基于图像的病理诊断的尝试(例如,专利文献1)。
在先技术文献
专利文献
专利文献1:国际公开第2016/152242号
发明内容
发明要解决的课题
使用了机械学习的病理诊断有助于病理诊断的高效化,但为了进行客观的病理诊断,需要收集得到了用于进行机械学习的一致性的大规模的学习数据(教师数据)。在该学习数据收集中,针对各症例的病理学者之间的对人讨论是必不可少的,产生上述问题。即,仅通过使用机械学习,不容易排除主观的要素,此外,收集得到了一致性的大规模的学习数据也是不现实的。
本发明是鉴于上述情况而完成的,其目的在于提供一种能够提供有助于客观的诊断的信息的诊断辅助系统、诊断辅助方法以及诊断辅助程序。
用于解决课题的手段
本发明的一实施方式所涉及的诊断辅助系统具备:已学习模型取得单元,取得多个已学习模型,该多个已学习模型通过机械学习而生成,并且输入基于拍摄了诊断对象的图像的信息并输出表示针对该诊断对象的诊断结果的信息;图像取得单元,取得解析对象的图像;运算单元,针对由图像取得单元取得的图像,进行基于由已学习模型取得单元取得的多个已学习模型的运算,计算该多个已学习模型的诊断所涉及的一个信息;以及输出单元,输出由运算单元计算出的信息。
在本发明的一实施方式所涉及的诊断辅助系统中,基于针对图像分别生成的多个已学习模型来进行运算来计算诊断所涉及的一个信息。作为所计算出的诊断所涉及的一个信息,例如,是表示针对图像的诊断结果自身的信息、或者表示多个已学习模型间之间的诊断结果的分布的信息。即使各个已学习模型不足够客观,通过这样使用多个已学习模型来计算诊断所涉及的一个信息,也能够有助于客观的诊断所计算的信息。即,根据本发明的一个实施方式所涉及的诊断辅助系统,能够提供有助于客观的诊断的信息。
运算单元也可以将基于由图像取得单元取得的图像的信息分别输入到由已学习模型取得单元取得的多个已学习模型,根据从多个已学习模型分别输出的表示诊断结果的信息,计算与诊断所涉及的一个信息。根据该结构,能够适当并且可靠地计算基于多个已学习模型的诊断所涉及的一个信息。其结果,能够可靠且适当地提供有助于客观的诊断的信息。
诊断辅助系统还具备已学习模型生成单元,该已学习模型生成单元取得在机械学习中使用的学习数据即拍摄到诊断对象的图像以及表示针对该诊断对象的诊断结果的信息,将基于所取得的学习数据即图像的信息作为输入值并且将表示所取得的学习数据即诊断结果的信息作为输出值进行机械学习,生成已学习模型,已学习模型取得单元取得由已学习模型生成单元生成的已学习模型。根据该结构,能够生成各个已学习模型,能够适当并且可靠地实施本发明的一实施方式。
已学习模型取得单元也可以取得包含神经网络的多个已学习模型。根据该结构,能够使已学习模型适当,能够适当并且可靠地实施本发明的一实施方式。
然而,本发明除了能够如上述那样记述为诊断辅助系统的发明以外,还能够如以下那样记述为诊断辅助方法以及诊断辅助程序的发明。这只是类别不同,实质上是相同的发明,起到同样的作用以及效果。
即,本发明的一实施方式所涉及的诊断辅助方法是诊断辅助系统的动作方法,包含:已学习模型取得步骤,取得多个已学习模型,该多个已学习模型通过机械学习而生成,并且输入基于拍摄了诊断对象的图像的信息,输出表示针对该诊断对象的诊断结果的信息;图像取得步骤,取得解析对象的图像;运算步骤,针对在图像取得步骤中取得的图像,进行基于在已学习模型取得步骤中取得的多个已学习模型的运算,计算该多个已学习模型的诊断所涉及的一个信息;以及输出步骤,输出在运算步骤中计算出的信息。
此外,本发明的一实施方式所涉及的诊断辅助程序使计算机作为如下单元发挥功能:已学习模型取得单元,取得多个已学习模型,该多个已学习模型通过机械学习而生成,并且输入基于拍摄了诊断对象的图像的信息,输出表示针对该诊断对象的诊断结果的信息;图像取得单元,取得解析对象的图像;运算单元,针对由图像取得单元取得的图像,进行基于由已学习模型取得单元取得的多个已学习模型的运算,计算该多个已学习模型的诊断所涉及的一个信息;以及输出单元,输出由运算单元计算出的信息。
发明效果
根据本发明的一实施方式,即使各个已学习模型不足够客观,也能够通过使用多个已学习模型来计算诊断所涉及的一个信息,从而有助于客观的诊断所计算的信息。即,根据本发明的一实施方式,能够提供有助于客观的诊断的信息。
附图说明
图1是表示本发明的实施方式所涉及的诊断辅助系统的结构的图。
图2是表示由本发明的实施方式所涉及的诊断辅助系统执行的处理(诊断辅助方法)的时序图。
图3是将本发明的实施方式所涉及的诊断辅助程序的结构与记录介质一起表示的图。
具体实施方式
以下,与附图一起对本发明所涉及的诊断辅助系统、诊断辅助方法以及诊断辅助程序的实施方式进行详细地说明。另外,在附图的说明中对相同要素标注相同符号,并省略重复的说明。
图1表示本实施方式所涉及的诊断辅助系统1。诊断辅助系统1是辅助基于图像的诊断的系统(数字照相机系统)。成为辅助的对象的诊断是病理诊断、即基于包含从人体等采集的病理组织的病理标本的图像的痫变的有无等的诊断。关于通过诊断辅助系统1如何辅助诊断,将在后面叙述。
如图1所示,诊断辅助系统1构成为包含多个PC(个人计算机)10、服务器20。本实施方式所涉及的诊断辅助系统1使用通过机械学习而生成的已学习模型来进行诊断的辅助。
PC10是通过机械学习来生成已学习模型的装置。PC10例如由进行诊断的病理学者、病理医师等用户使用。PC10构成该用户的个人系统。图1所示的PC10按照多个用户设置。PC10和服务器20通过因特网、或者电话网等有线或者无线的网络连接,能够相互进行信息的发送接收。
服务器20是取得由多个PC10分别生成的多个已学习模型,并进行诊断的辅助所涉及的信息处理的装置。服务器20由诊断辅助系统1的管理者等设置。服务器20也可以构成为包括云系统。
PC10以及服务器20通过包含CPU(Central Processing Unit)、GPU(GraphicsProcessing Unit)、存储器、通信模块、以及硬盘驱动器(HDD)或者固态驱动器(SDD)这样的储存设备等硬件的计算机构成。PC10以及服务器20的后述的各功能通过这些的结构要素通过程序等进行动作来发挥。另外,PC10以及服务器20也可以是包括多个计算机的计算机系统。
如图1所示,PC10构成为具备已学习模型生成部11作为本实施方式所涉及的功能。另外,PC10也可以具备上述以外的通常的PC所具备的功能。已学习模型生成部11也可以通过处理器、以及存储在由该处理器执行时使该处理器执行已学习模型生成部11的功能的命令的计算机可读取的记录介质来实现。
已学习模型生成部11是取得在机械学习中使用的学习数据,使用所取得的学习数据进行机械学习而生成已学习模型的已学习模型生成单元。学习数据包含诊断信息,诊断信息是表示拍摄了诊断对象的图像以及针对该诊断对象的诊断结果的信息。拍摄了诊断对象的图像是包含从人体等采集的病理组织的病理标本的图像即病理组织图像。该图像例如通过与显微镜连接的相机的摄像而得到。已学习模型生成部11例如将设置于PC10的用户接口由用户操作而取得如上述那样取得的图像作为学习数据。此外,PC10也可以与虚拟切片扫描仪等自动拍摄装置连接,已学习模型生成部11取得由自动拍摄装置连续拍摄到的多个图像。图像对应于已学习模型的输入。
已学习模型生成部11为了适当地进行机械学习,也可以将所取得的图像的尺寸(例如,图像的纵横的像素数)统一为预先设定的尺寸,即进行标准化。图像的标准化例如通过进行图像的缩小、放大、修边等来进行。此外,已学习模型生成部11也可以对所取得的图像进行对比度的调整、颜色的变更、以及格式的变更等各种处理。
针对作为学习数据使用的图像,通过PC10的用户等预先进行病理诊断。即,对图像诊断有无给定种类的病变(诊断种类)。作为学习数据的诊断信息例如是表示基于该诊断的预先设定的种类有无病变的信息。具体地说,如果有病变(如果是异常),则诊断信息为1,如果没有病变(如果是正常),则诊断信息为0的二值信息。此外,作为学习数据的诊断信息也可以是表示针对多个种类的病变有无的信息。在这种情况下,诊断信息例如是预先设定的多个种类的病变的数量的维度的矢量,存在病变的种类的要素被设为1,没有病变的种类的要素被设为0。作为这样的矢量的诊断信息能够基于由用户等进行的自由记载的诊断名称而生成。诊断信息对应于已学习模型的输出。已学习模型生成部11由用户操作设于PC10的用户接口,取得诊断信息作为学习数据。所取得的诊断信息与诊断源的图像对应。为了进行机械学习,通常准备多个学习数据。
由已学习模型生成部11生成的已学习模型是输入基于图像的信息并输出表示诊断结果的信息、即预测诊断结果的模型。例如,该已学习模型输出表示针对图像的有无病变的信息。已学习模型包含神经网络。已学习模型也可以包含卷积神经网络。进而,已学习模型也可以包含多个阶层(例如,8层以上)的神经网络。即,也可以通过深度学习来生成已学习模型。
神经网络例如输入图像的各像素的像素值,输出表示有无病变的信息。在神经网络的输入层设置有图像的像素的数量的神经元。在神经网络的输出层中设置有用于输出表示有无病变的信息的神经元。例如,如果诊断对象的病变是特定的一个病变,则在输出层中设置与该一个病变对应的一个神经元。如果诊断对象是多个种类的病变(如果诊断信息是上述的矢量),则在输出层中设置有与该多个病变对应的多个神经元。该神经元的输出值是与学习数据的诊断信息相应的值,例如是0~1的值。在这种情况下,神经元的值越大(值越接近1),表示有(异常),神经元的值越小(值越接近0),则表示没有病变(正常)。
已学习模型生成部11将所取得的图像的各像素值作为向神经网络的输入值,并且将与所取得的该图像对应的诊断信息作为神经网络的输出值来进行机械学习而生成神经网络。在将像素值设为输入值时,设为与各个像素(图像上的像素的位置)对应的神经元的输入值。上述机械学习本身能够与以往的机械学习算法同样地进行。
另外,在上述的例子中,对神经网络的输入值为图像的像素值,但也可以代替像素值,或者除了像素值以外,还是从图像中提取的特征量。从图像中的特征量的提取能够通过现有的任意方法进行。此外,在生成神经网络时,也可以对学习数据进行统计学处理,将偏离数据作为噪声排除。该噪声的排除能够与以往的方法同样地进行。
已学习模型生成部11将生成的已学习模型发送至服务器20。已学习模型的生成以及向服务器20的发送在各PC10中分别进行。此外,在各PC10中,也可以使用在各个PC10中生成的已学习模型,进行针对未知的图像的诊断。此外,PC10也可以如后述那样在与服务器20之间进行图像以及诊断所涉及的信息的发送接收。以上是本实施方式所涉及的PC10的功能。
如图1所示,服务器20构成为具备已学习模型取得部21、图像取得部22、运算部23以及输出部24作为本实施方式所涉及的功能。已学习模型取得部21、图像取得部22、运算部23以及输出部24也可以通过处理器以及存储在由该处理器执行时使该处理器执行各个功能部的功能的命令的计算机可读取的记录介质来实现。处理器也还可以包含任意的通用的处理器、或者软件的命令被编入实际的处理器的外观设计中的特殊用途的处理器。
已学习模型取得部21是取得多个已学习模型的已学习模型取得单元。已学习模型取得部21接收并取得在各PC10中生成并发送的已学习模型。由已学习模型取得部21取得的多个已学习模型存储(蓄积)于服务器20,用于运算部23的运算。所取得的多个已学习模型也可以与所生成的PC10相关联地存储。
图像取得部22是取得解析对象的图像的图像取得单元。解析对象的图像是成为使用了上述的多个已学习模型的解析的对象的病理组织图像。例如,在PC10中,与学习数据的图像同样地取得该图像并向服务器20发送。图像取得部22接收并取得该图像。图像取得部22也可以对该图像与学习数据的图像同样地进行图像的标准化等图像处理。此外,图像处理也可以在PC10中进行。另外,该图像也可以通过上述以外的方法取得。图像取得部22将取得的图像输出到运算部23。
运算部23是对由图像取得部22取得的图像进行基于由已学习模型取得部21取得的多个已学习模型的运算,计算该多个已学习模型的诊断所涉及的一个信息的运算单元。运算部23将基于该图像的信息分别输入到多个已学习模型,根据从多个已学习模型分别输出的表示诊断结果的信息,计算与诊断所涉及的一个信息。
如上所述,在PC10中生成的已学习模型基于由PC10的用户等预先进行的病理诊断而生成。因此,所生成的已学习模型成为高精度地再现进行了病理诊断的PC10的用户等以往的诊断基准(思考逻辑)的模型。即,如果预先的病理诊断不是客观的,则所生成的已学习模型也未必是客观的。在本实施方式中,即使各个已学习模型不是十分客观的,通过使用多个已学习模型来计算一个诊断所涉及的信息,从而计算出的信息也会有助于客观的诊断。
具体地说,运算部23如以下那样计算基于多个已学习模型的诊断所涉及的一个信息。运算部23从图像取得部22输入解析对象的图像,并且读出由已学习模型取得部21取得并存储于PC10的多个已学习模型。运算部23例如针对解析对象的图像,作为一个信息,计算基于多个已学习模型的一个诊断结果,即预测诊断结果。在该情况下,运算部23将解析对象的图像的各像素的像素值作为针对已学习模型即各神经网络的输入值,进行与各神经网络相应的运算,得到来自各神经网络的输出值。运算部23进行基于这些输出值的运算来计算一个诊断结果。
运算部23例如根据各输出值计算一个诊断结果。运算部23针对各输出值,与预先设定的阈值进行比较,在输出值为阈值以上的情况下,判定为有病变,在输出值小于阈值的情况下,判定为没有病变。由于输出值是多个已学习模型的数量,因此以与多个已学习模型的数量相应的量来进行该判定。另外,在针对多个种类的病变存在输出值的情况下,运算部23按病变的种类进行判定。运算部23将判定为有病变的输出值的数量与判定为没有病变的输出值的数量进行比较。
在判定为有病变的数量多的情况下,运算部23作为针对解析对象的图像的多个已学习模型的一个诊断结果,设为有病变。在判定为没有病变的数量多的情况下,运算部23作为针对解析对象的图像的多个已学习模型的一个诊断结果,设为不存在病变。这是表示一个诊断结果的信息的一例。或者,运算部23也可以将来自各神经网络的输出值的分布、即各个已学习模型的诊断结果的分布作为表示一个诊断结果的信息。
代替上述、或者在此基础上,运算部23也可以将直接的诊断结果以外的信息作为基于多个学习完毕模型的诊断所涉及的一个信息来计算。例如,运算部23也可以计算表示基于与解析对象的图像的生成源即PC10建立了对应的已学习模型的诊断结果与基于除此以外的已学习模型的诊断结果的一致不一致的信息。具体地说,也可以计算它们一致的数量以及不一致的数量。即,运算部23也可以进行基于已学习模型的诊断结果的差异分析。根据该信息,用户能够掌握诊断结果与其他用户一致为何种程度。即,用户能够实施同行评审。
运算部23也可以通过上述以外的方法计算诊断所涉及的一个信息。运算部23例如也可以对从各个已学习模型输出的信息进行以往任意的统计学的处理等数字处理来计算诊断所涉及的一个信息。运算部23将基于计算出的多个已学习模型的诊断所涉及的一个信息输出到输出部24。
输出部24是输出由运算部23计算出的信息的输出单元。输出部24从运算部23输入信息。输出部24例如向作为解析图像的发送源的PC10发送信息并输出。在PC10中,接收该信息并进行显示等。由此,PC10的用户能够参照基于多个已学习模型的诊断所涉及的一个信息,有助于诊断。此外,输出部24也可以通过上述以外的方法输出信息。以上是本实施方式所涉及的服务器20的功能。
接着,使用图2的时序图,对本实施方式所涉及的诊断辅助系统1所执行的处理(诊断辅助系统1所进行的动作方法)即诊断辅助方法进行说明。首先,在诊断辅助系统1所包含的各个PC10中,通过已学习模型生成部11取得学习数据,使用所取得的学习数据进行机械学习而生成已学习模型(S01、已学习模型生成步骤)。所生成的已学习模型从已学习模型生成部11发送至服务器20(S02)。
在服务器20中,由已学习模型取得部21接收并取得从多个PC10发送来的已学习模型(S02、已学习模型取得步骤)。所取得的多个已学习模型被存储于服务器20。
接着,通过PC10取得解析对象的图像(S03)。解析对象的图像例如是由与显微镜连接的相机拍摄到的病理组织图像。从PC10向服务器20发送解析对象的图像(S04)。在服务器20中,由图像取得部22接收并取得从PC10发送来的解析对象的图像(S04、图像取得步骤)。
接着,通过运算部23,将基于该图像的信息分别输入到多个已学习模型,进行与多个已学习模型分别相应的运算,得到表示从多个已学习模型分别输出的诊断结果的信息(S05、运算步骤)。接着,通过运算部23进行基于从多个已学习模型分别输出的表示诊断结果的信息的运算,计算多个已学习模型的诊断所涉及的一个信息、例如一个诊断结果(S06、运算步骤)。
接着,将由运算部23计算出的信息、例如表示一个诊断结果的信息从输出部24发送至PC10并输出(S07、输出步骤)。该信息由PC10接收,进行该信息的显示等的输出(S08)。以上是本实施方式所涉及的诊断辅助方法。
如上所述,在本实施方式中,针对解析对象的图像,基于分别生成的多个已学习模型进行运算来计算诊断所涉及的一个信息。即使各个已学习模型不充分客观,通过这样使用多个已学习模型来计算诊断所涉及的一个信息,也能够有助于将计算出的信息排除了主观的要素的客观的诊断。即,根据本实施方式,能够提供有助于客观的诊断的信息。
如上所述,已学习模型表示PC10的用户等以往的诊断基准。通过基于多个已学习模型来计算诊断所涉及的一个信息,能够实现诊断基准的标准化。此外,如果各个已学习模型是根据全世界的用户的学习数据而生成的,则能够实现诊断基准的世界标准化。
此外,通过基于图像的信息处理来计算诊断所涉及的信息,因此能够实现诊断的高效化、省力化、时间缩短等。由此,能够由少数病理学者进行多个诊断。
此外,如本实施方式那样,也可以将基于图像的信息分别输入到多个已学习模型,根据从多个已学习模型分别输出的表示诊断结果的信息,计算诊断所涉及的一个信息。其结果是,能够可靠并且适当地提供有助于客观的诊断的信息。但是,诊断所涉及的一个信息的计算也可以通过上述以外的方法进行。
此外,如本实施方式那样,也可以在诊断辅助系统1中进行机械学习而生成已学习模型。根据该结构,能够生成各个已学习模型,能够适当并且可靠地实施本发明的一实施方式。此外,如本实施方式那样,机械学习的生成也可以不在服务器20中进行,而是在各个PC10中进行。即,也可以采取边缘重计算(edge heavy computing)的结构。通过采用该结构,能够在不对服务器20施加大的负荷的情况下实现诊断辅助系统1。此外,如果各PC10的用户是病理学者,则由用户进行的诊断辅助系统1的利用本身也承担数据收集的作用,能够收集质量高的学习数据,能够将各个已学习模型设为质量高的已学习模型。此外,通过在各个PC10中取得学习数据并进行机械学习,服务器20无需自身取得学习数据,能够动态、大规模并且高效地取得已学习模型。
此外,服务器20的图像的解析结果也可以如上述的实施方式那样从PC10中利用。即,各PC10的用户也可以能够相互参照有助于客观的诊断的信息。根据该结构,能够在各用户中进行客观的诊断,能够实现诊断基准的客观化。
但是,不需要采取在各个PC10中进行已学习模型的生成的结构,也可以在服务器20中进行已学习模型的生成。此外,也可以是在诊断辅助系统1中不生成已学习模型的结构。即,诊断辅助系统1也可以构成为不具备PC10。在该情况下,诊断辅助系统1只要能够从诊断辅助系统1以外的装置取得多个已学习模型即可。
此外,如本实施方式那样,已学习模型也可以包含神经网络。根据该结构,能够使已学习模型适当,能够适当并且可靠地实施本发明的一实施方式。但是,已学习模型只要是通过机械学习而生成的模型即可,也可以是包含神经网络的模型。
如上所述,本实施方式所涉及的诊断是判定有无病变的诊断,但也可以是除此以外的诊断。例如,也可以判定表示病变的状态或者数值(例如,早期诊断标记值)等。此外,本实施方式除了人以外,也可以将人以外的动物(例如,家畜、宠物、实验动物)作为对象。此外,本实施方式也可以进行毒性病理诊断。
此外,如上所述,在本实施方式中,以病理诊断为对象,但也可以不一定以病理诊断为对象。例如,诊断中使用的图像也可以不是病理标本的图像,而是心电图、X射线照片、CT(Computed Tomography,计算机断层扫描)图像或者MRI(Magnetic Resonance Imaging,磁共振成像)图像等。此外,也可以将病变所涉及的诊断以外的诊断作为对象。
如上所述,在本实施方式中,将输入到已学习模型的信息、即用于诊断的信息设为基于图像的信息,但除此以外的信息也可以输入到已学习模型。例如,也可以将诊断的对象者的各种血液生化参数以及早期诊断标记值等输入到已学习模型。
此外,在本实施方式中,也可以使用作为学习数据而使用过去的病理图像以及当前时间点的诊断结果进行了机械学习的已学习模型。即,例如,也可以使用关于正发生病变的人物的、没有发生病变的过去时间点的病理图像来进行机械学习。由此,对于能够判定为没有病变的病理图像(正常图像),能够判定在之后产生病变(异常化)、或者在之后也不产生病变(不发生异常化)。即,通过采取这样的结构,能够进行早期诊断。
此外,也可以使用本实施方式所涉及的多个已学习模型,反算判定为有病变的图像而产生无数个。由此,能够发现以往未知的稀有异常图像。
接着,对用于使计算机执行上述一系列的诊断辅助系统1的处理的诊断辅助程序进行说明。如图3所示,诊断辅助程序100构成为包含PC侧程序110和服务器侧程序120。PC侧程序110被插入与上述的PC10相同的硬件结构的计算机并被访问,或者被存储在该计算机具备的记录介质210中形成的程序保存区域211内。服务器侧程序120被插入与上述的服务器20同的硬件结构的计算机并被访问,或者被存储在该计算机具备的记录介质220中形成的程序保存区域221内。
PC侧程序110构成为具备已学习模型生成模块111。通过使已学习模型生成模块111执行来实现的功能与上述PC10的已学习模型生成部11的功能相同。
服务器侧程序120构成为具备已学习模型取得模块121、图像取得模块122、运算模块123以及输出模块124。通过执行已学习模型取得模块121、图像取得模块122、运算模块123以及输出模块124而实现的功能分别与上述的服务器20的已学习模型取得部21、图像取得部22、运算部23以及输出部24的功能相同。
另外,诊断辅助程序100也可以构成为其一部分或者全部经由通信线路等传输介质传输,由其他设备接收并记录(包含安装)。此外,诊断辅助程序100的各模块也可以不是一个计算机,而是安装于多个计算机中的任意一个。在该情况下,通过该多个计算机的计算机系统进行上述一系列的诊断辅助程序100所涉及的处理。
-符号说明-
1…诊断辅助系统,10…PC,11…已学习模型生成部,20…服务器,21…已学习模型取得部,22…图像取得部,23…运算部,24…输出部,100…诊断辅助程序,110…PC侧程序,111…已学习模型生成模块,120…服务器侧程序,121…已学习模型取得模块,122…图像取得模块,123…运算模块,124…输出模块,210、220…记录介质,211、221…程序保存区域。
Claims (6)
1.一种诊断辅助系统,其特征在于,具备:
已学习模型取得单元,取得多个已学习模型,该多个已学习模型通过机械学习而生成,并且输入基于拍摄了诊断对象的图像的信息并输出表示针对该诊断对象的诊断结果的信息;
图像取得单元,取得解析对象的图像;
运算单元,针对由所述图像取得单元取得的图像,进行基于由所述已学习模型取得单元取得的多个已学习模型的运算,计算该多个已学习模型的诊断所涉及的一个信息;以及
输出单元,输出由所述运算单元计算出的信息。
2.根据权利要求1所述的诊断辅助系统,其中,
所述运算单元将基于通过所述图像取得单元取得的图像的信息分别输入到通过所述已学习模型取得单元取得的多个已学习模型,根据分别从多个已学习模型输出的表示诊断结果的信息计算诊断所涉及的一个信息。
3.根据权利要求1或2所述的诊断辅助系统,其中,
所述诊断辅助系统还具备已学习模型生成单元,该已学习模型生成单元取得在机械学习中使用的学习数据即拍摄到诊断对象的图像以及表示针对该诊断对象的诊断结果的信息,将基于所取得的学习数据即图像的信息作为输入值并且将表示所取得的学习数据即诊断结果的信息作为输出值进行机械学习,生成已学习模型,
所述已学习模型取得单元取得由所述已学习模型生成单元生成的已学习模型。
4.根据权利要求1~3中任一项所述的诊断辅助系统,其中,
所述已学习模型取得单元取得包含神经网络的所述多个已学习模型。
5.一种诊断辅助方法,是诊断辅助系统的动作方法,其特征在于,包含:
已学习模型取得步骤,取得多个已学习模型,该多个已学习模型通过机械学习而生成,并且输入基于拍摄了诊断对象的图像的信息,输出表示针对该诊断对象的诊断结果的信息;
图像取得步骤,取得解析对象的图像;
运算步骤,针对在所述图像取得步骤中取得的图像,进行基于在所述已学习模型取得步骤中取得的多个已学习模型的运算,计算该多个已学习模型的诊断所涉及的一个信息;以及
输出步骤,输出在所述运算步骤中计算出的信息。
6.一种诊断辅助程序,使计算机作为如下单元发挥功能:
已学习模型取得单元,取得多个已学习模型,该多个已学习模型通过机械学习而生成,并且输入基于拍摄了诊断对象的图像的信息,输出表示针对该诊断对象的诊断结果的信息;
图像取得单元,取得解析对象的图像;
运算单元,针对由所述图像取得单元取得的图像,进行基于由所述已学习模型取得单元取得的多个已学习模型的运算,计算该多个已学习模型的诊断所涉及的一个信息;以及
输出单元,输出由所述运算单元计算出的信息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018107579 | 2018-06-05 | ||
JP2018-107579 | 2018-06-05 | ||
PCT/JP2019/021386 WO2019235335A1 (ja) | 2018-06-05 | 2019-05-29 | 診断支援システム、診断支援方法及び診断支援プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112236832A true CN112236832A (zh) | 2021-01-15 |
Family
ID=68770208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980036934.1A Pending CN112236832A (zh) | 2018-06-05 | 2019-05-29 | 诊断辅助系统、诊断辅助方法以及诊断辅助程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210125332A1 (zh) |
JP (1) | JP7349425B2 (zh) |
KR (1) | KR20210015834A (zh) |
CN (1) | CN112236832A (zh) |
WO (1) | WO2019235335A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021114082A (ja) * | 2020-01-17 | 2021-08-05 | ソニーグループ株式会社 | 情報処理装置および情報処理方法 |
CN115803775A (zh) * | 2020-06-30 | 2023-03-14 | 索尼集团公司 | 判断支持装置、信息处理装置和训练方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120183187A1 (en) * | 2009-09-17 | 2012-07-19 | Sharp Kabushiki Kaisha | Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device |
US20140101080A1 (en) * | 2012-09-28 | 2014-04-10 | Samsung Electronics Co., Ltd. | Apparatus and method of diagnosis using diagnostic models |
JP2014135066A (ja) * | 2014-02-24 | 2014-07-24 | Canon Inc | 情報処理装置及びその制御方法、コンピュータプログラム |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
GB201617696D0 (en) * | 2016-10-19 | 2016-11-30 | Fujitsu Ltd | Method for aiding a diagnosis, program and apparatus |
CN106529116A (zh) * | 2015-09-11 | 2017-03-22 | 西门子保健有限责任公司 | 诊断系统和诊断方法 |
CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
JP2017153691A (ja) * | 2016-03-01 | 2017-09-07 | 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及びプログラム |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
KR101818074B1 (ko) * | 2017-07-20 | 2018-01-12 | (주)제이엘케이인스펙션 | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 |
WO2018035473A2 (en) * | 2016-08-18 | 2018-02-22 | Google Llc | Processing fundus images using machine learning models |
KR20180040287A (ko) * | 2016-10-12 | 2018-04-20 | (주)헬스허브 | 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016038803A1 (ja) * | 2014-09-11 | 2016-03-17 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、記録媒体 |
US9760990B2 (en) * | 2014-12-14 | 2017-09-12 | International Business Machines Corporation | Cloud-based infrastructure for feedback-driven training and image recognition |
JP6324338B2 (ja) | 2015-03-25 | 2018-05-16 | 株式会社日立ハイテクノロジーズ | 細胞診断支援装置、細胞診断支援方法、遠隔診断支援システム、及びサービス提供システム |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN107045720B (zh) * | 2017-05-04 | 2018-11-30 | 深圳硅基仿生科技有限公司 | 基于人工神经网络的识别眼底图像病变的处理系统 |
KR101977645B1 (ko) * | 2017-08-25 | 2019-06-12 | 주식회사 메디웨일 | 안구영상 분석방법 |
US20190110754A1 (en) * | 2017-10-17 | 2019-04-18 | Satish Rao | Machine learning based system for identifying and monitoring neurological disorders |
CA3081643A1 (en) * | 2017-11-06 | 2019-05-09 | University Health Network | Platform, device and process for annotation and classification of tissue specimens using convolutional neural network |
-
2019
- 2019-05-29 KR KR1020207034672A patent/KR20210015834A/ko not_active Application Discontinuation
- 2019-05-29 JP JP2020523660A patent/JP7349425B2/ja active Active
- 2019-05-29 CN CN201980036934.1A patent/CN112236832A/zh active Pending
- 2019-05-29 WO PCT/JP2019/021386 patent/WO2019235335A1/ja active Application Filing
- 2019-05-29 US US17/054,143 patent/US20210125332A1/en active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120183187A1 (en) * | 2009-09-17 | 2012-07-19 | Sharp Kabushiki Kaisha | Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device |
US20140101080A1 (en) * | 2012-09-28 | 2014-04-10 | Samsung Electronics Co., Ltd. | Apparatus and method of diagnosis using diagnostic models |
JP2014135066A (ja) * | 2014-02-24 | 2014-07-24 | Canon Inc | 情報処理装置及びその制御方法、コンピュータプログラム |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN106529116A (zh) * | 2015-09-11 | 2017-03-22 | 西门子保健有限责任公司 | 诊断系统和诊断方法 |
JP2017153691A (ja) * | 2016-03-01 | 2017-09-07 | 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及びプログラム |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
WO2018035473A2 (en) * | 2016-08-18 | 2018-02-22 | Google Llc | Processing fundus images using machine learning models |
KR20180040287A (ko) * | 2016-10-12 | 2018-04-20 | (주)헬스허브 | 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 |
GB201617696D0 (en) * | 2016-10-19 | 2016-11-30 | Fujitsu Ltd | Method for aiding a diagnosis, program and apparatus |
CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
KR101818074B1 (ko) * | 2017-07-20 | 2018-01-12 | (주)제이엘케이인스펙션 | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 |
Also Published As
Publication number | Publication date |
---|---|
JP7349425B2 (ja) | 2023-09-22 |
US20210125332A1 (en) | 2021-04-29 |
JPWO2019235335A1 (ja) | 2021-07-08 |
WO2019235335A1 (ja) | 2019-12-12 |
KR20210015834A (ko) | 2021-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
AU2014271202B2 (en) | A system and method for remote medical diagnosis | |
KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
US10249042B2 (en) | Method and apparatus for providing medical information service on basis of disease model | |
CN110517757B (zh) | 调谐的医学超声成像 | |
US11797846B2 (en) | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device | |
WO2019208703A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
JP7349425B2 (ja) | 診断支援システム、診断支援方法及び診断支援プログラム | |
JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质 | |
KR20230118054A (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템 | |
US11574726B2 (en) | Image analysis method for multicenter study and system thereof | |
KR102036052B1 (ko) | 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치 | |
JP7109345B2 (ja) | 優先度判定装置、方法およびプログラム | |
JP7443929B2 (ja) | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 | |
CN115274063A (zh) | 用于操作医学图像数据集的评估系统的方法、评估系统 | |
JP2022035396A (ja) | 画像変換プログラム、方法、および装置 | |
CN111192679A (zh) | 一种影像数据异常的处理方法、装置及存储介质 | |
CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
WO2023032437A1 (ja) | 造影状態判別装置、造影状態判別方法、及びプログラム | |
WO2021187483A1 (ja) | 文書作成支援装置、方法およびプログラム | |
WO2022069659A2 (en) | A method and a system for determining severity of a skin condition | |
Musleh | Machine learning framework for simulation of artifacts in paranasal sinuses diagnosis using CT images |
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 |