CN112334070B - 医用图像处理装置和方法、机器学习系统以及存储介质 - Google Patents

医用图像处理装置和方法、机器学习系统以及存储介质 Download PDF

Info

Publication number
CN112334070B
CN112334070B CN201980042852.8A CN201980042852A CN112334070B CN 112334070 B CN112334070 B CN 112334070B CN 201980042852 A CN201980042852 A CN 201980042852A CN 112334070 B CN112334070 B CN 112334070B
Authority
CN
China
Prior art keywords
learning
information
medical image
recognizer
image processing
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
CN201980042852.8A
Other languages
English (en)
Other versions
CN112334070A (zh
Inventor
川原岬
三浦悟朗
内藤慧
加门骏平
大酒正明
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.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Publication of CN112334070A publication Critical patent/CN112334070A/zh
Application granted granted Critical
Publication of CN112334070B publication Critical patent/CN112334070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/70—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G16H50/20—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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种医用图像处理装置和方法、机器学习系统及程序，可抑制通信量，从而能够减轻通过机器学习装置进行的再学习或追加学习的处理的负担。医用图像处理装置(13)具备：学习器(26)，其基于输入的医用图像，进行第一计算机辅助诊断装置的追加学习；评价部，其将通过追加学习而获得的第二计算机辅助诊断装置与第一计算机辅助诊断装置进行比较，评价是否追加学习的学习差分信息有助于提高第一计算机辅助诊断装置的性能；通信判定部，其基于评价结果，判定是否需要进行学习差分信息的通信；以及通信部(34)，其根据通信判定部的判定结果，输出学习差分信息。

Description

医用图像处理装置和方法、机器学习系统以及存储介质
技术领域
本发明涉及一种医用图像处理装置和方法、机器学习系统及程序，特别是涉及应用于计算机辅助诊断(CAD：Computer-Aided Diagnosis)的机器学习技术。
背景技术
在医疗现场中，内窥镜诊断、超声波诊断、X射线图像诊断、或CT(ComputerizedTomography)图像诊断等医用图像诊断的重要性很高。例如，如专利文献1-3中所记载的那样，在使用计算机分析医用图像来辅助诊断的CAD系统中，使用利用了机器学习的图像识别方法。
在专利文献1中，记载有一种医用图像系统，其具备进行判别医用图像的摄影部位的类别分类的辨别器，辨别器使用机器学习的方法来构成。专利文献1中记载的医用图像系统具备将现有的辨别器与一个以上的新辨别器的性能进行比较，并切换到判别精度最高的辨别器的结构。“辨别器”与识别器含义相同。
在专利文献2中，记载有一种CAD系统，该CAD系统自动检测医用图像中的问题部位，并将检测到的问题部位与标记一起显示。专利文献2中记载的CAD系统包括学习引擎，且进行改善用于检测问题部位的处理的分类模型等知识库的机器学习。
在专利文献3中，记载有一种诊断支援装置，其具有使用包含医用图像的病例数据更新诊断知识的功能和使用诊断知识辨别病例数据的功能。专利文献3中的“诊断支援装置”可理解为与CAD装置对应的用语。
现有技术文献
专利文献
专利文献1：国际公开第2010/050334号
专利文献2：日本特表2007-528746号公报
专利文献3：日本特开2015-116319号公报
发明内容
发明要解决的技术课题
在以深度学习为首的图像的机器学习装置中，为了通过机器学习装置制作识别处理部，需要收集学习用数据。但是，在学习中需要大量优质的学习用数据。因此，在医用图像的情况下，例如，在医院内各设置一个或多个边缘设备，边缘设备具有图像存储部，该图像存储部预先存储在医院内新制作的医用图像作为用于学习的数据，并且构建从多个医院的各边缘设备分散并收集学习数据的系统。即，基于在多个边缘设备的每一个中新获取的医用图像制作学习用数据，并将在各边缘设备制作的学习用数据发送到医院外的设施等进行汇总。
而且，在医院外系统评价如此收集到的大量的学习用数据的精度，通过教师图像制作部制作教师数据，并使用机器学习装置制作CAD模块。CAD模块可以是用于CAD系统的识别处理部的程序模块。CAD模块可以用“CAD装置”、“识别模型”、或“识别器”等用语替换。
在如上所说明的结构的情况下，为了在机器学习装置中实施一次性再学习或追加学习从各个具有图像存储部的边缘设备收集到的学习用图像的学习处理，需要大量的处理能力和时间。另外，经由通信线路从各边缘设备向医院外的系统传送的学习用数据的通信量也变得庞大。
本发明是鉴于上述情况而完成的，其目的在于提供一种可抑制通信量，从而能够减轻通过机器学习装置进行的再学习或追加学习的处理的负担的医用图像处理装置和方法、机器学习系统及程序。
用于解决技术课题的手段
为了解决课题，提供以下发明方面。
方面1所涉及的医用图像处理装置具备：学习器，其基于输入的医用图像，进行第一计算机辅助诊断装置的追加学习；评价部，其将通过使用了学习器的追加学习而获得的第二计算机辅助诊断装置与第一计算机辅助诊断装置进行比较，评价是否追加学习的学习差分信息有助于提高第一计算机辅助诊断装置的性能；通信判定部，其基于评价部的评价结果，判定是否需要进行学习差分信息的通信；以及通信部，其根据通信判定部的判定结果，输出学习差分信息。
根据方面1，通过在医用图像处理装置中搭载学习器，使用输入的医用图像在医用图像处理装置的内部进行第一计算机辅助诊断装置的追加学习，并评价追加学习的效果，能够有选择地对作为可有助于提高第一计算机辅助诊断装置的性能的优质的学习用数据的学习差分信息进行通信。根据方面1，可避免通过通信输出无助于提高性能的数据或有助的程度极小的数据。由此，可减少无谓的信号处理，从而能够减少通信量。
另外，可减轻接收从方面1所涉及的医用图像处理装置输出的学习差分信息并收集数据的外部信息处理装置中的学习用数据制作处理的负担，从而能够使在外部装置中进行的再学习或追加学习的处理轻量化。
“追加学习”是指为了更新通过已实施的学习获得的计算机辅助诊断的性能而追加进行的学习。“追加学习”可以通过批量学习(batch learning)实施，也可以通过在线学习(online learning)实施。在线学习与按序学习含义相同。
医用图像处理装置可以构成为单一的装置，也可以组合多个装置来构成。例如，医用图像处理装置可使用一台或多台计算机来实现。“装置”包括“系统”和“模块”的概念。“数据”包括“信息”和“信号”的概念。
在“医用图像”中，可能有内窥镜图像、CT图像、X射线图像、超声波诊断图像、MRI(Magnetic Resonance Imaging)图像、PET(Positron Emission Tomography)图像、SPECT(Single Photon Emission Computed Tomography)图像、或眼底图像等各种类型的图像。
方面2可以是如下的结构：在方面1的医用图像处理装置中，还具备输出医用图像的特征量信息的特征量提取部、和基于特征量信息进行识别处理的识别处理部，学习器基于特征量信息和识别处理部的识别结果进行追加学习。
“识别”这一用语包括辨别、判别、推论、推定、检测、及区域提取等概念。“识别处理部”包括识别器、辨别器、判别器、检测器、及识别模型等概念。“识别模型”是通过机器学习获得了一定的识别性能的已学习模型。识别模型也可以理解为进行识别处理的程序模块。
方面3可以是如下的结构：在方面1或方面2的医用图像处理装置中，还具备预先存储第一计算机辅助诊断装置的参数信息的第一信息存储部。
方面4可以是如下的结构：在方面1至方面3中任一方面的医用图像处理装置中，学习差分信息包括表示第一计算机辅助诊断装置的参数信息与第二计算机辅助诊断装置的参数信息之间的差分的参数差分信息。
根据方面4，可进一步减少通信量。
方面5可以是如下的结构：在方面1至方面3中任一方面的医用图像处理装置中，学习差分信息包括第二计算机辅助诊断装置的参数信息。
方面6可以是如下的结构：在方面2的医用图像处理装置中，学习差分信息包括特征量信息。
通过使用从医用图像提取的特征量信息作为学习用数据，与对医用图像本身进行通信的情况相比，可抑制通信量。
方面7可以是如下的结构：在方面1至方面6中任一方面的医用图像处理装置中，学习差分信息包括供追加学习的医用图像。
方面8可以是如下的结构：在方面1至方面7中任一方面的医用图像处理装置中，第一计算机辅助诊断装置是通过预先使用第一学习用数据集进行机器学习而制作的第一识别器，第二计算机辅助诊断装置是变更了第一识别器的参数的第二识别器。
方面9所涉及的机器学习系统具备方面1至方面8中任一方面的医用图像处理装置以及信息处理装置，信息处理装置接收从通信部输出的学习差分信息，并收集包含学习差分信息的学习用数据。
医用图像处理装置和信息处理装置能够可通信地连接。在此所说的“连接”包含经由了通信线路的连接的概念。“连接”中包含有线连接和无线连接双方的概念。
机器学习系统可以构成为包括多个医用图像处理装置和至少一个信息处理装置。根据该方面，可从多个医用图像处理装置中高效收集优质的学习用数据。
方面10可以是如下的结构：在方面9的机器学习系统中，信息处理装置包括使用接收到的学习差分信息进行第一计算机辅助诊断装置的学习处理的学习处理部。
方面10中的信息处理装置作为机器学习装置发挥功能。根据方面10，可减轻机器学习装置中的再学习或追加学习的处理的负担。
方面11在方面9或方面10的机器学习系统中，信息处理装置还具备预先存储接收到的学习差分信息的第二信息存储部。
方面11中的信息处理装置作为机器学习装置发挥功能。根据方面11，可减轻机器学习装置中的再学习或追加学习的处理的负担。
方面12所涉及的医用图像处理方法是医用图像处理装置实施的医用图像处理方法，包括：获取医用图像的步骤；基于获取的医用图像，使用学习器进行第一计算机辅助诊断装置的追加学习的步骤；将通过使用了学习器的追加学习而获得的第二计算机辅助诊断装置与第一计算机辅助诊断装置进行比较，评价是否追加学习的学习差分信息有助于提高第一计算机辅助诊断装置的性能的步骤；基于通过评价获得的评价结果，判定是否需要进行学习差分信息的通信的步骤；以及根据通过判定获得的判定结果，从通信部输出学习差分信息的步骤。
在方面12的医用图像处理方法中，可适当组合与通过方面2至方面10特定的事项同样的事项。在该情况下，作为负责在装置的结构中特定的处理或动作的单元的处理部或功能部的要素可理解为与此对应的处理或动作的步骤(工序)要素。另外，方面12的医用图像处理方法也可以理解为医用图像处理装置的工作方法。
方面13所涉及的程序是用于使计算机实现以下功能的程序：基于输入的医用图像，进行第一计算机辅助诊断装置的追加学习的学习器的功能；将通过使用了学习器的追加学习而获得的第二计算机辅助诊断装置与第一计算机辅助诊断装置进行比较，评价是否追加学习的学习差分信息有助于提高第一计算机辅助诊断装置的性能的功能；基于通过评价获得的评价结果，判定是否需要进行学习差分信息的通信的功能；以及根据通过判定获得的判定结果，从通信部输出学习差分信息的功能。
在方面13的程序中，可适当组合与通过方面2至方面10特定的事项同样的事项。在该情况下，作为负责在装置的结构中特定的处理或动作的单元的处理部或功能部的要素可理解为实现与此对应的处理或动作的步骤或功能的程序要素。
本公开的另一方面所涉及的医用图像处理装置是包括至少一个处理器的医用图像处理装置，处理器进行以下处理：基于输入的医用图像，进行第一计算机辅助诊断装置的追加学习的学习器的处理；将通过使用了学习器的追加学习而获得的第二计算机辅助诊断装置与第一计算机辅助诊断装置进行比较，评价是否追加学习的学习差分信息有助于提高第一计算机辅助诊断装置的性能的评价处理；基于评价处理的评价结果，判定是否需要进行学习差分信息的通信的通信判定处理；以及根据通信判定处理的判定结果，输出学习差分信息的通信处理。
发明效果
根据本发明，可减少通信量，从而能够高效收集优质的学习用数据。另外，根据本发明，可使用从医用图像处理装置收集的学习用数据来减轻在机器学习装置中实施的再学习或追加学习的处理的负担。
附图说明
图1是示意性表示包括第一实施方式所涉及的医用图像处理装置的机器学习系统的功能的框图。
图2是表示医用图像处理装置的动作例的流程图。
图3是表示医院外系统的信息处理装置的动作例的流程图。
图4是示意性表示包括第二实施方式所涉及的医用图像处理装置的机器学习系统的功能的框图。
图5是示意性表示包括第三实施方式所涉及的医用图像处理装置的机器学习系统的功能的框图。
图6是表示机器学习系统的另一形态例的框图。
图7是表示将多个医院内系统与一个医院外系统组合而构成的机器学习系统的概要的框图。
图8是表示计算机的硬件结构的例子的框图。
具体实施方式
以下，参照附图对本发明优选实施方式进行详细说明。
《第一实施方式》
图1是示意性表示包括第一实施方式所涉及的医用图像处理装置的机器学习系统的整体结构的框图。机器学习系统10是实施有助于提高现有的CAD模块的性能的新学习用数据的收集、和使用收集的学习用数据进行针对现有的CAD模块的再学习或追加学习的学习处理并制作比现有的CAD模块进一步改善了性能的新CAD模块的处理的信息处理系统。
“CAD模块的性能”是指CAD模块的识别精度、或诊断精度。有时将CAD模块的性能标记为“CAD性能”。现有的CAD模块是“第一计算机辅助诊断装置”和“第一识别器”的一例。
现有的CAD模块是通过已实施的机器学习获得了识别性能的已学习模型。将进行识别处理的已学习模型称为“识别模型”。将为了获得作为现有的CAD模块的初始的识别性能而进行的学习称为“第一学习”。将用于现有的CAD模块的第一学习的学习用数据集称为“第一学习用数据集”。第一学习用数据集也可以是预先准备的学习用数据集。
机器学习系统10包括医院内系统12和医院外系统14。医院内系统12包括设置在医院内的边缘设备即医用图像处理装置13。此外，“医院”包括医院、诊所、健康检查中心、及与这些类似的其他医疗机构的概念。医院外系统14包括设置在医院外的设施中的信息处理装置15。医用图像处理装置13与信息处理装置15经由通信线路连接。此外，在图1中省略了通信线路的图示。
医用图像处理装置13可使用一台或多台计算机来构成。概述医用图像处理装置13的功能而言，医用图像处理装置13获取使用未图示的医用图像摄影装置拍摄到的医用图像的数据，并使用从获取的医用图像中提取的特征量信息实施追加学习。另外，医用图像处理装置13评价追加学习的结果，并基于该评价结果，有选择地将真正有助于提高CAD模块的性能的学习用信息传送到医院外系统14。
医用图像摄影装置例如可以是内窥镜观测器、X射线摄影装置、CT摄影装置、MRI(magnetic resonance imaging)摄影装置、核医学诊断装置、或眼底摄像装置中的一个或组合。在本实施方式中，作为医用图像的一例，举例说明使用内窥镜观测器拍摄到的内窥镜图像。该情况下的医用图像处理装置13可以是与内窥镜观测器连接的处理器装置，也可以是从处理器装置收集医用图像的数据的图像采集终端或图像信息管理装置等。
医用图像处理装置13包括被评价对象CAD信息保持部20、特征量提取部22、识别处理部24、学习器26、CAD评价部28、学习差分信息制作部30、处理部32、以及通信部34。
被评价对象CAD信息保持部20是预先保持被评价对象CAD信息的存储装置。被评价对象CAD信息是指成为与使用学习器26进行了追加学习的CAD模块进行比较评价的对象的CAD模块的信息。被评价对象CAD信息包括现有的CAD模块的参数信息。CAD模块中的处理算法的参数是参数信息的一例。将特定CAD模块的内容的参数信息称为CAD参数。CAD参数例如包括神经网络的模型中的节点间的连接的权重及节点的偏差等。
被评价对象CAD信息保持部20可使用存储装置构成，存储装置例如使用硬盘装置、光盘、磁光盘、或半导体存储器、或者这些的适当组合来构成。被评价对象CAD信息保持部20是“第一信息存储部”的一例。
特征量提取部22进行处理输入的医用图像并提取特征量的处理。特征量提取部22例如也可以是通过机器学习已学习的卷积神经网络(CNN：Convolutional NeuralNetwork)的低层部分。为了提取图像的特征量，可将CNN的低层作为特征量提取部22来利用。特征量提取部22输出从医用图像提取的特征量信息。特征量信息例如也可以是多通道的特征图。由特征量提取部22提取的特征量信息被分别发送到识别处理部24和学习器26。
在识别处理部24中，可应用与现有的CAD模块相同的CAD模块。识别处理部24例如可以是进行类别分类的任务的CNN的高层部分。或者另外，识别处理部24也可以是进行分割的任务的层次网络的高层部分。此外，识别处理部24不限于神经网络的模型，也可以是支持向量机(SVM：Support Vector Machine)等通过学习可提高性能的其他模型。
识别处理部24基于由特征量提取部22提取的特征量信息，进行类别分类的任务或分割的任务等识别处理，并输出识别结果。识别处理部24的识别结果被输入学习器26。
学习器26在其内部包括学习模型，使用从特征量提取部22获得的特征量信息和从识别处理部24获得的识别结果作为学习用数据，进行学习模型的追加学习。学习模型可以与识别处理部24相同，也可以兼用作识别处理部24。学习模型在初始的状态中也可以是与现有的CAD模块相同的模型。学习器26的学习模型通过进行追加学习来更新参数。
即，使用学习器26实施追加学习，学习模型被更新为新CAD参数。此外，学习器26可以实施批量学习，也可以实施在线学习。将由学习器26制作的新CAD参数称为“新CAD参数”。将由学习器26制作的新CAD参数发送到CAD评价部28。由新CAD参数特定的CAD模块是“第二计算机辅助诊断装置”和“第二识别器”的一例。
CAD评价部28将由通过学习器26学习的新CAD参数特定的学习后的CAD模块的性能与由被保持于被评价对象CAD信息保持部20的CAD参数特定的现有的CAD模块的性能进行比较，评价是否用于学习器26中的追加学习的信息有助于提高CAD的性能。CAD评价部28中的评价模型性能的指标可使用以“灵敏度”、“特异度”、或“准确度”等为代表的公知的指标的一个或多个组合。CAD评价部28的评价结果被发送到学习差分信息制作部30。CAD评价部28是“评价部”的一例。
学习差分信息制作部30根据从CAD评价部28输出的评价结果，判定是否将学习差分信息发送到医院外系统14、即是否需要进行通信，并在判定为进行发送的情况下，制作通信用学习差分信息。学习差分信息制作部30是判定是否需要进行通信的“通信判定部”的一例。此外，CAD评价部28可以包括通信判定的功能。
在此，“学习差分信息”是指可再现学习前的CAD模块与学习后的CAD模块的“差异”的信息。即，学习差分信息是引起学习前的现有的CAD模块与学习后的新CAD模块的“差异”的信息。
“学习差分信息”这一用语的概念中，包含以下例示的形态1～4。
[形态1]学习差分信息可以是学习前的现有的CAD参数与学习后的新CAD参数的差分，即表示变化量的参数差分信息。在现有的CAD参数为已知的条件下，只要存在参数差分信息，就能够再现学习后的新CAD模块。
[形态2]学习差分信息也可以是学习后的新CAD参数其本身。只要存在新CAD参数，就能够再现学习后的新CAD模块。
[形态3]学习差分信息也可以是在通过学习器26的追加学习中用作输入的特征量信息。通过使用作为用于追加学习的学习用数据的特征量信息来实施与学习器26同样的学习处理，能够再现与通过学习器26的学习结果同样的学习后的新CAD模块。
[形态4]学习差分信息也可以是提取了在通过学习器26的追加学习中用作输入的特征量信息的原来的医用图像的组。由于可通过对医用图像进行与特征量提取部22相同的处理来根据医用图像制作特征量信息，所以可再现与上述[形态3]同样的特征量信息的组，进而能够再现与学习器26相同的学习后的新CAD模块。
上述例示的[形态1]～[形态4]中，通信量最少的形态为[形态1]。按从通信量少的形态开始[形态1]→[形态2]→[形态3]→[形态4]的顺序，存在通信量增大的趋势。在第一实施方式中，使用[形态1]的学习差分信息。
即，图1所示的学习差分信息制作部30制作作为学习差分信息的参数差分信息，该学习差分信息表示从被评价对象CAD信息保持部20读出的现有的CAD参数与从学习器26获得的新CAD参数的差分。通过学习差分信息制作部30制作的学习差分信息被发送到处理部32。学习差分信息制作部30与处理部32的组合起到作为学习用数据制作部的作用。
处理部32是进行适合于通信部34的通信形式的信号转换的通信信号处理部。处理部32可从被评价对象CAD信息保持部20获取被评价对象CAD信息。学习差分信息和被评价对象CAD信息在处理部32中被实施所需的信号转换并从通信部34发送。通信部34是通信接口，与未图示的通信线路连接。
医院外系统14的信息处理装置15包括通信部42和学习处理部46。通信部42是与通信部34同样的通信接口，与未图示的通信线路连接。
学习处理部46使用包含从医用图像处理装置13收集的学习差分信息的学习用数据进行机器学习。学习处理部46对现有的CAD模块进行再学习或追加学习的处理，并制作改善了CAD性能的新CAD模块。
通过学习处理部46制作的新CAD模块可作为替代现有的CAD模块的更新后的CAD模块，在适当的时期提供。信息处理装置15作为收集学习用数据的学习用数据收集装置发挥功能。另外，信息处理装置15作为使用收集的学习用数据进行机器学习的机器学习装置发挥功能。此外，用于制作现有的CAD模块的第一学习可以使用学习处理部46来实施，也可以使用未图示的其他机器学习装置来实施。
〈医用图像处理装置13实施的医用图像处理方法的说明〉
图2是表示医用图像处理装置13的动作例的流程图。图2所示的各步骤由构成医用图像处理装置13的计算机根据程序来执行。
在步骤S102中，医用图像处理装置13获取医用图像。
在步骤S104中，医用图像处理装置13从获取的医用图像中提取特征量来制作特征量信息。医用图像处理装置13的特征量提取部22输出的特征量信息被作为追加学习的输入来利用。
在步骤S106中，医用图像处理装置13使用特征量信息进行识别处理。医用图像处理装置13的识别处理部24输出对应于输入的特征量信息的识别结果。
在步骤S108中，医用图像处理装置13使用特征量信息和识别结果，进行有关现有的CAD模块的追加学习。通过在医用图像处理装置13的学习器26中实施追加学习，制作新CAD参数。
在步骤S110中，医用图像处理装置13将通过追加学习获得的新CAD模块与现有的CAD模块进行比较，评价CAD性能。医用图像处理装置13的CAD评价部28评价是否用于追加学习的信息有助于提高CAD的性能。
在步骤S112中，医用图像处理装置13基于步骤S110的评价结果，进行是否将学习差分信息发送到外部的通信判定。
步骤S112的判定结果为Yes判定时，即，当判定为发送到外部时，前进到步骤S114。
在步骤S114中，医用图像处理装置13制作用于输出到外部的学习差分信息。
接着，在步骤S114中，医用图像处理装置13发送制作的学习差分信息。
另一方面，步骤S112的判定结果为No判定时，即，当判定无需发送到外部时，医用图像处理装置13省略步骤S114和步骤S116的处理，结束图2的流程图。
图3是表示医院外系统14的信息处理装置15的动作例的流程图。图3所示的各步骤由构成信息处理装置15的计算机根据程序来执行。
在步骤S202中，信息处理装置15经由通信部42接收学习差分信息。
在步骤S204中，信息处理装置15存储接收的学习差分信息。信息处理装置15具备存储装置，从医用图像处理装置13接收到的学习差分信息被存储在存储装置中。
在步骤S206中，信息处理装置15利用从医用图像处理装置13接收到的学习差分信息作为学习用数据来进行学习处理。信息处理装置15的学习处理部46使用学习差分信息，进行现有的CAD模块的再学习或追加学习。此外，除学习差分信息以外，学习处理部46还可以利用制作现有的CAD模块时使用的第一学习用数据集。步骤S206的学习处理可以是批量学习，也可以是在线学习。经过了步骤S206的学习处理，可制作改善了CAD性能的新CAD模块。
在步骤S208中，信息处理装置15输出所制作的新CAD模块的CAD信息。在此所说的CAD信息的“输出”中，例如包括经由通信部42发送数据的形态、或为了使CAD信息存储于外部存储装置而输出数据的形态等。
可以将通过信息处理装置15制作的新CAD模块的CAD信息发送到医用图像处理装置13，并将该新CAD模块置换为“现有的CAD模块”，更新“现有的CAD模块”。从信息处理装置15输出的新CAD模块的CAD信息可成为医用图像处理装置13中的“被评价对象CAD信息”。
另外，也可以使通过信息处理装置15制作的新CAD模块的CAD信息存储于外部存储装置，通过外部存储装置进行分发。
在步骤S208之后，结束图3的流程图。
根据上述结构的第一实施方式，可抑制医用图像处理装置13与信息处理装置15之间的通信量，从而能够减少信息处理装置15中的学习处理的负担。
《第二实施方式》
图4是示意性表示包括第二实施方式所涉及的医用图像处理装置的机器学习系统的整体结构的框图。在图4中，对与图1所示的结构相同或类似的要素赋予相同的符号，并省略重复说明。对与图1不同之处进行说明。
图4所示的机器学习系统60取代在图1中说明的医用图像处理装置13，包括医用图像处理装置63。第二实施方式所涉及的医用图像处理装置63使用在[形态3]中说明的特征量信息作为学习差分信息。即，医用图像处理装置63将特征量信息作为学习差分信息发送到医院外系统14的信息处理装置15。
医用图像处理装置63取代图1的学习差分信息制作部30和处理部32，包括处理部31。图4所示的处理部31基于CAD评价部28的评价结果，进行特征量信息的通信判定。作为通信判定的结果，当判定为应发送的特征量信息时，处理部31将从特征量提取部22输出的特征量信息发送到通信部34。处理部31是“通信判定部”的一例。其他结构和动作与第一实施方式同样。
《第三实施方式》
图5是示意性表示包括第三实施方式所涉及的医用图像处理装置的机器学习系统的整体结构的框图。在图5中，对与图1所示的结构相同或类似的要素赋予相同的符号，并省略重复说明。对与图1不同之处进行说明。
图5所示的机器学习系统70取代在图1中说明的医用图像处理装置13，包括医用图像处理装置73和多个设备74A、74B、74C。
医用图像处理装置73与多个设备74A、74B、74C连接。在图5中，示出了三个设备74A、74B、74C，但设备的个数没有限定。多个设备74A、74B、74C的每一个例如可以是内窥镜的处理器装置。医用图像处理装置73例如可以是从多个处理器装置收集数据的数据收集系统或数据管理系统。
设备74A包括特征量提取部22A和识别处理部24A。设备74B包括特征量提取部22B和识别处理部24B。设备74C包括特征量提取部22C和识别处理部24C。
特征量提取部22A、22B、22C的每一个是与图1中说明的特征量提取部22同样的结构。识别处理部24A、24B、24C的每一个是与图1中说明的识别处理部24同样的结构。
医用图像处理装置73包括被评价对象CAD信息保持部20、学习器26、CAD评价部28、学习差分信息制作部30、处理部32、以及通信部34。
学习器26从各设备74A、74B、74C获取特征量信息和识别结果，并制作新CAD参数。
CAD评价部28对使用从多个设备74A、74B、74C的每一个中获得的信息分别制作的多个新CAD参数分别进行评价，将评价为良好的参数作为选择性发送的对象。例如，可以将多个新CAD参数中仅性能居上位的一个参数、或仅上位的两个参数作为选择性发送的对象。其他结构与第一实施方式同样。
《变形例1》
在从第一实施方式至第三实施方式的各实施方式中，对将作为医院内系统12的边缘设备的医用图像处理装置与医院外系统14的信息处理装置进行一对一连接的例子进行了说明，但也可以将多个医用图像处理装置(边缘设备)与医院外系统14的信息处理装置以多对一的关系进行连接。
在图6中，示出了机器学习系统的另一形态例。图6是表示医院内系统12中包括多个边缘设备的例子的框图。在图6中，对与图1相同或类似的要素赋予相同的符号，并省略重复说明。
医院内系统12包括多个边缘设备16，各边缘设备经由通信线路18与医院外系统14连接。在图6中，例示了两个边缘设备16，分别标记为“E1”、“E2”。各边缘设备16的结构与图1的医用图像处理装置13的结构同样。
医院外系统14的信息处理装置15包括信息存储部44。信息存储部44可使用存储装置构成，存储装置例如使用硬盘装置、光盘、磁光盘、或半导体存储器、或者这些的适当组合来构成。信息存储部44是“第二信息存储部”的一例。信息存储部44可以保持用于第一学习的第一学习用数据集。
经由通信部42获取的信息被保存在信息存储部44中。另外，通过学习处理部46制作的新CAD信息被保存在信息存储部44中。
《变形例2》
图7是表示将多个医院内系统与一个医院外系统组合而构成的机器学习系统的概要的框图。在图7中，对与图1和图6相同或类似的要素赋予相同的符号，并省略重复说明。
如图7所示，可以将多个医院内系统12与一个医院外系统14以多对一的关系进行连接。另外，根据图6中所作说明，医院内系统12的每一个包括一个或多个边缘设备。在图7中，将多个医院内系统12的每一个标记为“IHS1”、“IHS2”…“IHSn”。
另外，将包括在各个医院内系统12中的边缘设备16标记为“E11”、“E12”、“E21”、“En1”、“Enm”。“n”是特定医院内系统12的索引编号，“m”是特定一个医院内系统12中的边缘设备16的索引编号。
根据图7所示的结构，可从大量的边缘设备16中高效收集优质的学习用数据，从而能够获取大量的学习用数据。
《关于各处理部和控制部的硬件结构》
执行在各实施方式中说明的特征量提取部22、识别处理部24、学习器26、CAD评价部28、学习差分信息制作部30、处理部31、32、通信部34、42、以及学习处理部46等各种处理的处理部(processing unit)的硬件结构是如下所示的各种处理器(processor)。
在各种处理器中，包括执行程序并作为各种处理部发挥功能的通用处理器即CPU(Central Processing Unit)、专门用于图像处理的处理器即GPU(Graphics ProcessingUnit)、制造FPGA(Field Programmable Gate Array)等后可改变电路结构的处理器即可编程逻辑器件(Programmable Logic Device：PLD)、以及具有为了执行ASIC(ApplicationSpecific Integrated Circuit)等特定处理而专门设计的电路结构的处理器即专用电路等。
一个处理部可以由这些各种处理器中的一个构成，也可以由同种或异种的两个以上的处理器构成。例如，一个处理部可以由多个FPGA、或CPU与FPGA的组合、或CPU与GPU的组合构成。另外，还可以用一个处理器构成多个处理部。作为用一个处理器构成多个处理部的例子，首先，有诸如以客户端或服务器等计算机为代表，使用一个以上的CPU与软件的组合构成一个处理器、并将该处理器作为多个处理部发挥功能的形态。其次，有诸如以片上系统(System On Chip：SoC)等为代表，使用以一个IC(Integrated Circuit)芯片实现包括多个处理部的系统整体的功能的处理器的形态。像这样，使用一个以上的上述各种处理器作为硬件结构来构成各种处理部。
而且，更具体而言，这些各种处理器的硬件结构是组合了半导体元件等电路元件的电路(circuitry)。
《计算机的硬件结构的例子》
图8是表示计算机的硬件结构的例子的框图，该计算机的硬件结构可用作实现医用图像处理装置和信息处理装置的功能的一部分或全部的装置。在计算机中，包括台式、笔记本式或平板式等各种形态的计算机。另外，计算机可以是服务器计算机，也可以是微型计算机。
计算机500具备CPU502、存储器504、GPU506、存储装置508、输入接口部510、网络连接用通信接口部512、显示控制部514、周边机器用接口部516、以及总线518。在图8中，“IF”的标记表示“接口”。
存储装置508例如可以使用硬盘装置来构成。在存储装置508中，存储有学习处理和/或识别处理等图像处理所需的各种程序或数据等。存储在存储装置508中的程序被加载到存储器504中，通过CPU502执行该程序，计算机发挥作为进行按程序规定的各种处理的单元的功能。
输入装置520与输入接口部510连接。输入装置520例如可以是操作按钮或键盘、鼠标、触摸屏、或声音输入装置、或者这些的适当组合。用户可通过操作输入装置520，输入各种指示。
显示装置530与显示控制部514连接。显示装置530例如可以是液晶显示器、有机EL(organic electro-luminescence：OEL)显示器、或投影仪、或者这些的适当组合。
《关于使计算机动作的程序》
可以将使计算机实现在上述各实施方式中说明的医用图像处理装置的处理功能、及信息处理装置的学习用数据的收集功能和学习功能中的至少一个功能的程序记录在光盘、磁盘或半导体存储器及其他作为有形物体的非暂时性信息存储介质即计算机可读介质中，通过该信息存储介质来提供程序。另外，也可以取代使程序存储于这种作为有形物体的非暂时性信息存储介质来提供的形态，利用互联网等电通信线路作为下载服务来提供程序信号。
《关于实施方式及变形例等的组合》
在上述各实施方式中说明的构成要素及在变形例中说明的构成要素可适当组合使用，另外，也可置换一部分构成要素。
例如，医用图像处理装置13可以将参数差分信息和特征量信息发送到医院外系统14。另外，医用图像处理装置13也可以将新CAD参数和特征量信息发送到医院外系统14。
[其他]
以上说明的本发明的实施方式在不偏离本发明的主旨的范围内，可以适当变更、追加或删除构成要件。本发明不限定于以上说明的实施方式，可在本发明的技术思想内由具有同等相关领域的普通知识的人员进行多种变形。
符号说明
10 机器学习系统
12 医院内系统
13 医用图像处理装置
14 医院外系统
15 信息处理装置
16 边缘设备
18 通信线路
20 被评价对象CAD信息保持部
22、22A、22B、22C 特征量提取部
24、24A、24B、24C 识别处理部
26 学习器
28 CAD评价部
30 学习差分信息制作部
31、32 处理部
34、42 通信部
44 信息存储部
46 学习处理部
60 机器学习系统
63 医用图像处理装置
70 机器学习系统
73 医用图像处理装置
74A、74B、74C 设备
500 计算机
502 CPU
504 存储器
506 GPU
508 存储装置
510 输入接口部
512 通信接口部
514 显示控制部
516 周边机器用接口部
518 总线
520 输入装置
530 显示装置
S102～S116 医用图像处理装置实施的处理的步骤
S202～S208 信息处理装置实施的处理的步骤

Claims (12)

1.一种医用图像处理装置，其中，该医用图像处理装置具备：
学习器，其基于所输入的医用图像，进行第一识别器的追加学习，获得第二识别器，所述第一识别器是通过预先使用第一学习用数据集进行机器学习而制作的识别器，所述第二识别器是所述第一识别器的参数被变更后的识别器；
评价部，其将通过使用了所述学习器的所述追加学习而获得的第二识别器与所述第一识别器进行比较，评价所述追加学习的能够再现所述第一识别器与所述第二识别器之间的差异的学习差分信息是否有助于提高所述第一识别器的性能；
通信判定部，其基于所述评价部的评价结果，判定是否需要进行所述学习差分信息的通信；以及
通信部，其根据所述通信判定部的判定结果，输出所述学习差分信息，
在所述评价部的评价结果是所述学习差分信息有助于提高所述第一识别器的性能的情况下，所述通信部输出有助于提高所述第一识别器的性能的所述学习差分信息，在除此以外的情况下，所述通信部不输出所述学习差分信息。
2.根据权利要求1所述的医用图像处理装置，其中，
该医用图像处理装置还具备：
特征量提取部，其输出所述医用图像的特征量信息；以及
识别处理部，其基于所述特征量信息，进行识别处理，
所述学习器基于所述特征量信息和所述识别处理部的识别结果进行所述追加学习。
3.根据权利要求1或2所述的医用图像处理装置，其中，
该医用图像处理装置还具备第一信息存储部，该第一信息存储部存储有所述第一识别器的参数信息。
4.根据权利要求1或2所述的医用图像处理装置，其中，
所述学习差分信息包含参数差分信息，所述参数差分信息表示所述第一识别器的参数信息与所述第二识别器的参数信息之间的差分。
5.根据权利要求1或2所述的医用图像处理装置，其中，
所述学习差分信息包含所述第二识别器的参数信息。
6.根据权利要求2所述的医用图像处理装置，其中，
所述学习差分信息包含所述特征量信息。
7.根据权利要求1或2所述的医用图像处理装置，其中，
所述学习差分信息包含提供于所述追加学习的所述医用图像。
8.一种机器学习系统，其中，该机器学习系统具备：
根据权利要求1至7中任意一项所述的医用图像处理装置；以及
信息处理装置，其接收从所述通信部输出的所述学习差分信息，并收集包含所述学习差分信息的学习用数据。
9.根据权利要求8所述的机器学习系统，其中，
所述信息处理装置包含学习处理部，所述学习处理部使用所述接收到的所述学习差分信息进行所述第一识别器的学习处理。
10.根据权利要求8或9所述的机器学习系统，其中，
所述信息处理装置还具备第二信息存储部，所述第二信息存储部存储有所述接收到的所述学习差分信息。
11.一种医用图像处理方法，其是医用图像处理装置实施的医用图像处理方法，其中，该医用图像处理方法包括以下步骤：
获取医用图像的步骤；
基于所述获取的所述医用图像，使用学习器进行第一识别器的追加学习，获得第二识别器的步骤，其中，所述第一识别器是通过预先使用第一学习用数据集进行机器学习而制作的识别器，所述第二识别器是所述第一识别器的参数被变更后的识别器；
将通过使用了所述学习器的所述追加学习而获得的第二识别器与所述第一识别器进行比较，评价所述追加学习的能够再现所述第一识别器与所述第二识别器之间的差异的学习差分信息是否有助于提高所述第一识别器的性能的步骤；
基于通过所述评价而获得的评价结果，判定是否需要进行所述学习差分信息的通信的步骤；以及
根据通过所述判定而获得的判定结果，从通信部输出所述学习差分信息的步骤，
在所述评价结果是所述学习差分信息有助于提高所述第一识别器的性能的情况下，所述通信部输出有助于提高所述第一识别器的性能的所述学习差分信息，在除此以外的情况下，所述通信部不输出所述学习差分信息。
12.一种存储介质，其是计算机能够读取的非易失性的存储介质，在通过计算机读取了存储于所述存储介质的指令的情况下，使计算机执行以下功能：
学习器的功能，该学习器基于所输入的医用图像，进行第一识别器的追加学习，获得第二识别器，其中，所述第一识别器是通过预先使用第一学习用数据集进行机器学习而制作的识别器，所述第二识别器是所述第一识别器的参数被变更后的识别器；
将通过使用了所述学习器的所述追加学习而获得的第二识别器与所述第一识别器进行比较，评价所述追加学习的能够再现所述第一识别器与所述第二识别器之间的差异的学习差分信息是否有助于提高所述第一识别器的性能的功能；
基于通过所述评价而获得的评价结果，判定是否需要进行所述学习差分信息的通信的功能；以及
根据通过所述判定而获得的判定结果，从通信部输出所述学习差分信息的功能，
在所述评价结果是所述学习差分信息有助于提高所述第一识别器的性能的情况下，所述通信部输出有助于提高所述第一识别器的性能的所述学习差分信息，在除此以外的情况下，所述通信部不输出所述学习差分信息。
CN201980042852.8A 2018-06-28 2019-06-10 医用图像处理装置和方法、机器学习系统以及存储介质 Active CN112334070B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-123441 2018-06-28
JP2018123441 2018-06-28
PCT/JP2019/022908 WO2020003990A1 (ja) 2018-06-28 2019-06-10 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体

Publications (2)

Publication Number Publication Date
CN112334070A CN112334070A (zh) 2021-02-05
CN112334070B true CN112334070B (zh) 2024-03-26

Family

ID=68984823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980042852.8A Active CN112334070B (zh) 2018-06-28 2019-06-10 医用图像处理装置和方法、机器学习系统以及存储介质

Country Status (6)

Country Link
US (1) US12009104B2 (zh)
EP (1) EP3815610A4 (zh)
JP (1) JP7033202B2 (zh)
CN (1) CN112334070B (zh)
CA (1) CA3104779A1 (zh)
WO (1) WO2020003990A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12014823B2 (en) * 2019-08-30 2024-06-18 GE Precision Healthcare LLC Methods and systems for computer-aided diagnosis with deep learning models
WO2022138876A1 (ja) * 2020-12-24 2022-06-30 富士フイルム株式会社 画像診断支援装置、画像診断支援装置の作動方法、及びプログラム
WO2022264608A1 (ja) * 2021-06-17 2022-12-22 富士フイルム株式会社 医用画像診断システム、医用画像診断システム評価方法及びプログラム
TWI795108B (zh) * 2021-12-02 2023-03-01 財團法人工業技術研究院 用於判別醫療影像的電子裝置及方法
CN115274099B (zh) * 2022-09-26 2022-12-30 之江实验室 一种人与智能交互的计算机辅助诊断系统与方法
CN116664966B (zh) * 2023-03-27 2024-02-20 北京鹰之眼智能健康科技有限公司 一种红外图像处理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015116319A (ja) * 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
WO2018070285A1 (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002174603A (ja) * 2000-12-08 2002-06-21 Olympus Optical Co Ltd 欠陥分類方法
US7529394B2 (en) 2003-06-27 2009-05-05 Siemens Medical Solutions Usa, Inc. CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
WO2006093523A2 (en) * 2004-07-15 2006-09-08 Kenji Suzuki Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct
CN102077464B (zh) 2008-07-11 2014-02-26 歌乐株式会社 声学处理装置
WO2010050334A1 (ja) 2008-10-30 2010-05-06 コニカミノルタエムジー株式会社 情報処理装置
US20100135552A1 (en) * 2008-11-28 2010-06-03 David Leib Medical Imaging with Accessible Computer Assisted Detection
JP5868231B2 (ja) * 2012-03-16 2016-02-24 株式会社日立製作所 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US20160259899A1 (en) * 2015-03-04 2016-09-08 Expeda ehf Clinical decision support system for diagnosing and monitoring of a disease of a patient
US10878320B2 (en) * 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
JP6623110B2 (ja) * 2016-04-05 2019-12-18 日本電信電話株式会社 訓練画像選択装置、方法、及びプログラム
KR101879207B1 (ko) * 2016-11-22 2018-07-17 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
SG11202003337VA (en) * 2017-10-13 2020-05-28 Ai Tech Inc Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
CN108056789A (zh) * 2017-12-19 2018-05-22 飞依诺科技(苏州)有限公司 一种生成超声扫描设备的配置参数值的方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015116319A (ja) * 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
WO2018070285A1 (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法

Also Published As

Publication number Publication date
CN112334070A (zh) 2021-02-05
US12009104B2 (en) 2024-06-11
EP3815610A1 (en) 2021-05-05
US20210125724A1 (en) 2021-04-29
EP3815610A4 (en) 2021-09-15
JP7033202B2 (ja) 2022-03-09
WO2020003990A1 (ja) 2020-01-02
JPWO2020003990A1 (ja) 2021-07-08
CA3104779A1 (en) 2020-01-02

Similar Documents

Publication Publication Date Title
CN112334070B (zh) 医用图像处理装置和方法、机器学习系统以及存储介质
Maghdid et al. Diagnosing COVID-19 pneumonia from X-ray and CT images using deep learning and transfer learning algorithms
KR101818074B1 (ko) 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템
Wang et al. A fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis
US20190279751A1 (en) Medical document creation support apparatus, method, and program
CN111225614B (zh) 诊断辅助装置及信息处理方法
Ghayvat et al. AI-enabled radiologist in the loop: novel AI-based framework to augment radiologist performance for COVID-19 chest CT medical image annotation and classification from pneumonia
CN109191451B (zh) 异常检测方法、装置、设备和介质
JP2021056995A (ja) 医用情報処理装置、医用情報処理システム及び医用情報処理方法
US11093699B2 (en) Medical image processing apparatus, medical image processing method, and medical image processing program
US11574717B2 (en) Medical document creation support apparatus, medical document creation support method, and medical document creation support program
CN111564223A (zh) 传染病生存概率的预测方法、预测模型的训练方法及装置
JP2017191469A (ja) 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
CN112100286A (zh) 基于多维度数据的计算机辅助决策方法、装置、系统及服务器
US20230005580A1 (en) Document creation support apparatus, method, and program
JP2022036125A (ja) 検査値のコンテキストによるフィルタリング
US20240266056A1 (en) Information processing apparatus, information processing method, and information processing program
US11923069B2 (en) Medical document creation support apparatus, method and program, learned model, and learning apparatus, method and program
Kaushik et al. [Retracted] Computational Intelligence‐Based Method for Automated Identification of COVID‐19 and Pneumonia by Utilizing CXR Scans
US20220277448A1 (en) Information processing system, information processing method, and information processing program
US20220076796A1 (en) Medical document creation apparatus, method and program, learning device, method and program, and trained model
Sun et al. Study protocol and design for the assessment of paediatric pneumonia from X-ray images using deep learning
Moosavi et al. Segmentation and classification of lungs CT-scan for detecting COVID-19 abnormalities by deep learning technique: U-Net model
US20150302171A1 (en) Bioimaging grid
Pivithuru et al. E-patient Card: An Integrated Electronic Health Recording System for Patient

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
GR01 Patent grant
GR01 Patent grant