CN113096061B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113096061B
CN113096061B CN202010473421.1A CN202010473421A CN113096061B CN 113096061 B CN113096061 B CN 113096061B CN 202010473421 A CN202010473421 A CN 202010473421A CN 113096061 B CN113096061 B CN 113096061B
Authority
CN
China
Prior art keywords
image
unit
medical
medical images
images
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
CN202010473421.1A
Other languages
English (en)
Other versions
CN113096061A (zh
Inventor
佐藤良太
雨宫知树
白猪亨
尾藤良孝
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 Healthcare Corp
Original Assignee
Fujifilm Healthcare 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 Healthcare Corp filed Critical Fujifilm Healthcare Corp
Publication of CN113096061A publication Critical patent/CN113096061A/zh
Application granted granted Critical
Publication of CN113096061B publication Critical patent/CN113096061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • A61B5/0042—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 for the brain
    • 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
    • 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]
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • A61B6/52—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
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30016—Brain
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Optics & Photonics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种图像诊断辅助装置、医用图像取得装置以及计算机可读记录介质，选择多个图像中的对于诊断对象最适当的图像，不管所选择的图像的种类或模态等如何，都能够提示精度良好的诊断辅助信息。图像诊断辅助装置具备：诊断信息生成部，其根据多个医用图像生成诊断信息；可靠度计算部，其对于多个医用图像评价画质并计算画质的可靠度；以及贡献度计算部，其使用可靠度计算部计算出的可靠度以及表示各医用图像对诊断对象的适合度的内部参数计算上述多个医用图像对上述诊断信息的贡献度。根据贡献度生成诊断信息生成部所使用的检测用图像。

Description

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
技术领域
本发明涉及利用磁共振拍摄装置(以下，称为MRI装置)、X射线拍摄装置、CT装置等医用图像取得装置取得的图像进行诊断辅助的技术。
背景技术
在医疗现场，广泛进行根据由MRI装置、CT装置拍摄到的图像来诊断疾病、病变的图像诊断。近年来，还开发了使用通过机器学习而得到的AI，对测量出的图像判断有无病变、进展程度或恶性度等的诊断辅助技术(非专利文献1等)。
在使用机器学习的图像诊断辅助中，使用对于疾病的每个种类、每个部位学习它们与图像之间的关系而得到的AI，将1个或多个测量图像作为输入来判定有无病变等。在非专利文献1中公开了通过使用由MRI装置取得的磁化率加权图像(SWI)进行学习而得到的机器学习模型来自动检测脑的小血管病变的技术。
在图像诊断中，根据疾病或病变，有适合诊断的拍摄方法或图像类型，需要根据诊断对象选择适当模态的图像、图像类型。例如，对于MRI图像而言，能够通过变换拍摄条件来取得T1加权图像(T1W)、T2加权图像(T2W)、磁化率加权图像(SWI)等使组织的对比度不同的各种图像，适合于哪种病变检测根据图像类型而不同。
另一方面，已知为了提高疾病或病变的诊断精度，不只参照一个图像，而是参照多种图像、在多个模态下取得的图像，这对提高诊断精度是有效的。在专利文献1中公开了如下技术：为了客观地表示对于诊断对象哪种模态的图像有效，提示用于表示多个模态中的哪个模态有效的指标。
在图像诊断时，在对于同一被检体测量多种图像，并从这些多种图像中选择并使用最适合诊断对象的1个或多个图像的情况下，由于身体运动等影响或根据拍摄条件等，产生在应该选择的图像的应该诊断的部位或区域产生伪影，从而无法用于诊断的情况。在该情况下，虽然考虑作为替代使用其他图像，但是其选择不容易。即使是在图像类型不同的模态下取得的图像，例如MR图像、CT图像、X射线图像等，该问题也同样存在，专利文献1记载的技术也无法解决。
另外，即使选择预定的图像，图像的对比度会根据医用图像取得装置的制造商(供应商)、拍摄条件而不同，例如，如果是MRI装置，图像的对比度根据磁场强度、拍摄参数的不同而不同，所选择的图像未必与生成已学习的AI时使用的图像的对比度相同，所以在使用既有的AI时，无法进行精度良好的图像诊断辅助。
专利文献1：日本特开2007－275440号公报
非专利文献1：Chen Y他，《Toward Automatic Detection of Radiation－Induced Cerebral Microbleeds Using a 3D Deep Residual Netword》，J DigitImaging，2019年10月，32(5)766～772
发明内容
本发明的课题在于提供用于从多个图像中选择对于诊断对象最恰当的图像的手段，并且提供不管所选择的图像的种类、模态等如何，都能够提示高精度的诊断辅助信息的手段。
为了解决上述课题，在本发明的第一方式中，具备一单元，其使用2个指标，即表示针对诊断对象的适合性的指标(内部参数)以及与图像本身的画质有关的指标(可靠度)自动选择图像。另外，在本发明的第二方式中，具备一单元，其将为了预定的诊断对象的诊断辅助而选择的图像转换为对该诊断对象进行学习而得到的已学习AI的输入图像。
即，本发明的第一方式的图像诊断辅助装置具备：诊断信息生成部，其根据多个医用图像生成诊断信息；可靠度计算部，其对于多个医用图像评价画质计算画质的可靠度；以及贡献度计算部，其使用上述可靠度计算部计算出的可靠度以及表示各医用图像对于诊断对象的适合度的内部参数来计算上述多个医用图像对上述诊断信息的贡献度。该图像诊断装置还可具备检测用图像生成部，该检测用图像生成部使用上述图像选择部选择的医用图像生成检测用图像。
另外，第二方式的图像诊断辅助装置还具备对比度调整部，该对比度调整部使上述医用图像或上述检测用图像的对比度与特定的图像的对比度一致。
另外，本发明的计算机可读记录介质记录了使计算机执行以下步骤的图像诊断辅助程序。对于多个医用图像评价画质计算画质的可靠度的步骤；使用上述可靠度以及表示各医用图像对于诊断对象的适合度的内部参数计算上述多个医用图像对上述诊断对象的贡献度的步骤；以及使用上述多个医用图像和上述贡献度生成用于生成诊断信息的检测用图像的步骤。
并且，本发明的医用图像取得装置具备取得医用图像的拍摄部、以及进行上述拍摄部取得的医用图像的处理的图像处理部，上述图像处理部具备：诊断信息生成部，其根据多个医用图像生成诊断信息；可靠度计算部，其对于多个医用图像评价画质并计算画质的可靠度；以及贡献度计算部，其使用上述可靠度计算部计算出的可靠度以及表示各医用图像对诊断对象的适合度的内部参数计算上述多个医用图像对上述诊断信息的贡献度。
附图说明
图1表示本发明的图像诊断辅助装置的一实施方式的概要。
图2是表示图像处理部的细节的功能框图。
图3是表示图像诊断辅助装置的处理的概要的流程图。
图4表示第一实施方式的图像诊断辅助装置的图像处理部的结构，图4的(A)是表示贡献度计算部的结构的功能框图，图4的(B)是表示检测用图像生成部的结构的功能框图。
图5说明第一实施方式的贡献度计算以及图像选择的处理。
图6说明第一实施方式的检测用图像生成的处理。
图7表示存储装置中存储的内部参数的一个例子。
图8表示转换函数的一个例子。
图9表示检测部的一个例子。
图10说明第二实施方式的处理的流程。
图11说明第三实施方式的解析部的处理的一个例子。
图12说明第三实施方式的解析部的处理的另一个例子。
图13表示第三实施方式的显示例。
图14表示应用了本发明的MRI装置的整体概要。
具体实施方式
以下参照附图对本发明的图像诊断辅助装置的一实施方式进行说明。
图1表示图像诊断辅助装置的整体结构的一实施方式。该图像诊断辅助装置200具备图像处理部20、用户接口(UI)部30以及存储装置40，其输入医用图像取得装置100取得的医用图像(以下也简称为图像)，在图像处理部20进行输入的图像的评价，并在UI部30提示该结果。由图像诊断辅助装置200接受图像的医用图像取得装置100可以是单一的装置，也可以如图示那样是多个医用拍摄装置100A、100B…，这些装置例如可以是MRI装置、CT装置、X射线拍摄装置、超声波装置等不同的模态。图像诊断辅助装置200和医用图像取得装置100通过有线或无线或者经由网络连接。或者，也可以经由可移动介质将医用图像取得装置100取得的图像输入给图像诊断辅助装置200。
图像诊断辅助装置200能够在具备CPU、GPU的计算机(工作站)上构建，图像处理部20的功能通过计算机读取预定的程序来执行。UI部30具备显示器(显示装置)以及触摸面板、定点设备、键盘等输入装置，显示图像处理部20中的处理结果或GUI，或者受理来自用户的指示。存储装置40存储处理结果，储存其他图像处理部20的处理所需要的数据等，除了计算机的内部存储装置以外，还可以包含外部存储装置、云等。
图像处理部20能够具有与图像的处理有关的各种功能，在本实施方式中，具有如下功能：关于输入的多个图像，选择对于经由UI部30设定的特定的诊断对象最适当的图像，提示所选择的图像、从该图像导出的诊断信息。这里，多个图像既可以是多个不同模态的图像，也可以是由同一医用拍摄装置取得的不同种类的图像、在不同时间取得的图像。并且，也可以是一个图像数据中的不同剖面的图像、一张图像中的不同的局部图像。
为了实现该功能，图像处理部20具备：贡献度计算部210，其对于多个图像中的各个图像，计算考虑了针对特定的诊断对象的适合度、图像的可靠度的权重(针对诊断信息的贡献度)；检测用图像生成部230，其根据贡献度从预定的图像生成检测用图像；以及诊断信息生成部240，其生成诊断信息。并且，如图2所示，图像处理部20还可以具备：为了生成检测用图像从多个图像中选择预定的图像的图像选择部220；调整图像间的对比度的对比度调整部260。另外，诊断信息生成部240例如包含：使用机器学习算法从输入图像检测病变、异常等的检测部250；进行图像解析的解析部270等。检测用图像是指用于输入给检测部250的机器学习算法的图像。
上述图像处理部20的各部的功能分别通过计算执行所编程的工序来实现，但一部分功能也可由ASIC、FPGA等硬件实现。
参照图3对上述结构的图像诊断辅助装置200的动作的流程进行说明。首先，设为通过UI部30，例如像腹部的肿瘤、脑的血管病变的检查等那样设定了诊断对象。图像处理部20从医用图像取得装置100或存储装置输入根据作为诊断对象的检查目的取得的多个图像(图像组)(S1)。
贡献度计算部210对于输入的各图像计算针对诊断信息的贡献度(S2)。根据图像的画质等的可靠度以及用于表示图像对于诊断对象的适合度的参数(称为内部参数)，按照预定的公式来计算贡献度。
接着，检测用图像生成部230根据贡献度使用多个图像或者使用从多个图像中选择预定的图像而得到的预定的图像，生成成为检测部250的输入图像的检测用图像(S3)。在检测用图像的生成中例如使用图像选择部220根据贡献度选择出的图像、将贡献度作为权重进行加权求和后的图像。另外，检测用图像的生成中使用的图像相比于构成检测部250的机器学习算法的学习过程中使用的输入图像(学习图像)，由于取得图像的装置或拍摄条件等的不同，对比度也不同，即使将上述图像原样地输入给检测部250也无法得到良好的结果，所以进行使其与检测部250的学习图像的对比度一致的处理(对比度调整部260)。
检测部250将检测用图像生成部230生成的检测用图像作为输入，检测有无病变或异常等以及程度(S4)。检测结果显示在UI部30的显示器(S5)。
以上是图像诊断辅助装置200的处理概要，但对于各个处理可采取若干方法。在以下的实施方式中，说明图像处理部20的处理的细节。此外，在以下的实施方式中，以输出给图像诊断辅助装置200的多个图像是由MRI装置取得的对比度不同的图像的情况为例进行说明。
＜第一实施方式＞
本实施方式从多个图像中选择一个图像，在将该图像转换为检测用图像后，检测并提示相应的疾病或病变。
本实施方式的图像处理部200的结构与图2所示的结构相同，具备根据贡献度计算部210计算出的贡献度选择多个图像中的一个图像的图像选择部220。另外，检测图像生成部230具备对比度调整部260A。图4中的(A)、(B)示出贡献度计算部210以及检测图像生成部230的细节。贡献度计算部210具备：检测图像的伪影的伪影检测部211；将伪影数值化，对此进行计算来作为可靠度的可靠度计算部213；使用可靠度和预先针对每个图像决定的内部参数计算权重的权重计算部215。权重计算部215计算的权重实际上表示图像对于诊断信息的贡献度。
检测图像生成部230具备：分割部231，其生成按组织对图像选择部220选择出的图像进行分割后的分割图像；病变临时检测部233，从图像选择部220选择出的图像(称为选择图像)检测被推定为病变的部分；转换函数计算部235，使用分割图像以及病变临时检测部233推定出的病变部的像素值，计算用于对比度调整的转换函数；以及对比度调整部260A，对选择图像应用转换函数生成检查用图像。
以下，参照图3所示的流程以及图5和图6对本实施方式的各部的处理进行说明。图5主要表示图3的步骤S2的细节，图6主要表示图3的步骤S3的细节。
首先，图像处理部20经由UI部30接受诊断对象。这里，设诊断对象为脑血管病。图像处理部20输入在医用图像取得装置(这里为MRI装置)100中，在脑血管病的检查中取得的多个图像(图3：S1)。脑血管病是诊断血管性痴呆时的一个诊断指标，根据NINDS－AIREN诊断基准，规定了血管性痴呆的按原因的分类与成为这些诊断的判断基准的梗塞、白质病变、微出血等脑血管病的关系。而且，还知道适合诊断这些脑血管病的MR图像的种类，例如，FLAR对白质病变、梗塞的诊断有效，此外，T2W对梗塞、血管周围放大有效，T2＊W或SWI对微出血的诊断有效。因此，在医用图像取得装置100(MRI装置)中，为了检查脑血管病，如图5所示，对同一被检体取得T1W、FLAIR、T2W、T2＊W、SWI等图像，图像处理装置20输入这些多个图像(图3：S1)。
在贡献度计算部210中，计算各图像对诊断对象的贡献度(S1)。因此，首先，如图5所示，伪影检测部211对于输入的多个图像分别检测伪影(S21)。关于伪影的检测，例如能够采用以下方法：使用CNN(卷积神经网络)进行检测的方法、根据通过公知的伪影去除方法去除了伪影的图像与原始图像之间的差异进行检测的方法等公知方法，上述CNN是使用没有产生伪影的图像和产生了伪影的图像的多个组合进行学习而得到的。由此，检测身体运动伪影、磁化率伪影等对画质造成的影响大的伪影的有无及其大小。
可靠度计算部213对伪影检测部211检测到的伪影的大小进行标准化，作为可靠度的指标(S22)。在图5所示的例子中，对于5个图像，作为一个例子，计算出1.0、0.2、0.9、0.9、0.7这样的可靠度。这里，关于伪影的检测，可以对整个图像进行检测，但是也可以将图像划分为多个区域来进行检测，针对每个区域计算可靠度。或者，也可以针对图像的每个切片计算可靠度。此时，作为图像的可靠度，能够使用这些部分中的每个部分的可靠度的总和(加权求和)。
接下来，权重计算部215使用可靠度计算部213计算出的各图像的可靠度和内部参数计算权重(S23)。内部参数是针对每个图像类型表示对于诊断对象(病变)的适合度的指标，例如，通过图7所示的表等形式预先决定内部参数，并存储在存储装置40中。在图5所示的例子中，对于5个图像，作为一个例子，设定了0.5、1.0、0.7、0.2、0.0的内部参数。
关于权重，可通过这些“可靠度”与“内部参数”的积、和等使用了2个值的函数来进行计算，以多个图像的权重之和为1的方式来决定。在图5所示的例子中，简单地将可靠度与内部参数的乘积作为权重。
图像选择部220按照计算出的权重从多个图像中选择一个图像或预先决定的数量的图像(S24)。即，选择权重最大的图像、或者从权重最大的开始前两位的图像。在此，设为选择一个图像，例如选择T2加权图像。
若通过图像选择部220选择了一个图像，则检测用图像生成部230进行用于使选择的图像(选择图像)与检测部250的输入图像一致的处理，即进行用于转换为输入给检测部250的检测用图像的处理(图3：S3)。因此，如图6所示，分割部231按灰白质、白质、脑脊髓液等组织对选择图像进行分割来生成分割图像，求出各分割图像的像素值(S31)。关于分割，能够采用使用了阈值的自动分割算法、神经网络(CNN)等公知方法来进行分割。
另外，病变临时检测部233从选择图像提取病变可能性高的部位，并计算该部位的像素值。关于病变的临时检测，能够通过与上述分割同样地使用了CNN等的病变分割来进行。这里进行的病变临时检测与检测部250进行的最终的病变检测不同，是为了通过对于被推定为病变的部位求出像素值来提高后述的向检测图像的转换处理的精度而进行的。因此，优选实施病变的临时检测，但在通过分割而划分的组织的数量大等情况下也可省略。
接下来，转换函数计算部235使用在上述步骤S31中计算出的各分割图像以及病变部的像素值(计算像素值)、以及检测部250在学习时使用的图像所对应的组织的像素值(学习时像素值)生成转换函数(S32)。如图8所示，关于转换函数，能够通过将计算出的像素值绘制在以横轴为学习时像素值并以纵轴为计算像素值的曲线图中，并对其进行样条插补、拟合来求出转换函数。接下来，对比度调整部260A将转换函数应用于选择图像的各像素来生成检测用图像(S33)。这样生成的检测用图像是调整为对比度与检查部250在学习时使用的图像的对比度相同的图像。
将在步骤S33生成的检测用图像输入给检测部250，得到检测信息。检测部250能够通过图9所示的CNN的检测算法构成，与使用怎样的数据作为学习用数据对应地采取各种方式，例如，作为输出的检测信息既可以是表示病变的有无、程度的文字信息，也可以是与图像重叠的图像信息，也可以是这两者。在图9所示的例子中，通过将T2加权图像作为输入，输出白质病变的检测结果的方式进行学习，输出图像以及在该图像上例如用彩色(这里是灰色)表示病位位置的图像等。从检测部250输出的检测信息显示在UI部30的显示器(图3：S5)。
根据本实施方式的图像诊断辅助装置，当在多个图像中具有由于身体运动等的影响不适合检测病变的图像时，能够自动地选择最适当的图像，能够提高病变检测的精度。另外，输入的多个图像的对比度根据医用图像取得装置的供应商、磁场强度(MRI装置的情况)、拍摄条件等而变化，但根据本实施方式，将选择出的图像调整为与检测部的输入图像一致的对比度，因此能够排除原始图像的对比度的差异的影响，能够提高检测部的检测精度。作为结果，能够提高有用的辅助信息。
并且，在本实施方式中，在使选择图像与检测部250的输入图像一致时，还使用临时检测出的病变部位的像素值生成转换函数，由此能够以高转换精度进行对比度调整。
＜变形例1＞
在上述实施方式中，对于作为多个图像的可靠度的指标，使用伪影的有无以及伪影的大小的情况进行了说明，但是也可以使用图像的SNR来代替伪影，或者除了伪影之外还使用图像的SNR。关于图像的SNR，可通过根据任意设定的关注区域的像素值的平均值和标准差来求出SNR的方法等公知方法求出，通过将针对各个图像计算出的SNR进行标准化，能够计算出可靠度。另外，可以对从伪影计算出的可靠度和从SNR计算出的可靠度进行加权求和来作为可靠度。
＜变形例2＞
在上述实施方式中，对于对比度调整部260A将选择图像的对比度调整为检测部250的学习图像的对比度的情况进行了说明，但是在选择图像为MR图像的情况下，也能够进行对比度不同的图像类型间的对比度调整，将别的对比度图像作为选择图像。例如，在图像选择部220选择的图像是T1加权图像，但T2加权图像适合诊断对象的情况下，在进行使T1加权图像的对比度与未采用的T2加权图像的对比度一致的调整后，调整为作为学习图像的T2加权图像的对比度。虽然也可以直接调整为学习图像的对比度，但通过这样进行向测量出的T2加权图像的对比度调整，能够在最大限度地保持原始信息的同时进行对比度调整。
＜变形例3＞
在上述实施方式中，表示了将对比度不同的MRI图像作为处理对象，选择其中一个图像类型的情况，但是也可以将相同图像类型的切片位置不同的多个图像作为处理对象。在为切片位置不同的图像时，作为内部参数，设定为将对于诊断对象最适合的剖面位置的适合度作为最大值，随着远离该剖面位置或者随着与该剖面位置的角度变大而减小内部参数的值。与第一实施方式同样地使用伪影或SNR计算可靠度。另外，关于可靠度的计算，也可以不针对每个图像类型计算可靠度，而针对图像的一部分的每个区域、每个像素或者在图像为三维数据时针对每个切片位置计算可靠度。
＜第二实施方式＞
在第一实施方式中，对于图像选择部从多个输入图像中选择一个图像来生成检测用图像的情况进行了说明，但本实施方式使用多个输入图像生成检测用图像。在本实施方式中，图像处理部20的结构与图2以及图4所示的第一实施方式的结构几乎相同，但能够省略图像选择部220。另外，在第一实施方式中将对比度调整部260A作为检测用图像生成部230的一功能部，但在本实施方式中，在生成检测用图像前进行对比度调整部260的对比度调整。以下，参照图10的流程对本实施方式的图像处理部20的处理进行说明。在图10中，与图3相同的处理通过相同的附图标记表示，并省略重复的说明。
在检测伪影或SNR以及根据伪影或SNR计算出可靠度之后，权重计算部215对于输入的多个图像使用其可靠度和内部参数计算权重(贡献度)(S201)。可靠度的计算以及权重的计算方法与第一实施方式相同，可以对整个图像使用伪影、SNR来计算可靠度，也可以对图像的部分，例如，针对每个切片，多个区域中的每个区域，并且针对每个像素计算可靠度。在第一实施方式中，图像选择部220选择权重最大的图像，但在本实施方式中，检测用图像生成部230不进行图像的选择，而进行多个图像的加权求和。为了将图像相加，首先，对比度调整部260进行多个图像间的对比度调整(S202)。关于对比度的调整，与第一实施方式同样地，通过分割部231以及转换函数计算部235针对多个图像分别进行分割以及病变临时检测，使用各组织以及病变的像素和学习图像的像素来计算转换函数(图8)。对比度调整部260将转换函数应用于原始的多个图像，分别得到调整了对比度的图像。
接着，使用在步骤S201中计算出的权重将对比度调整后的多个图像进行合成来生成检测用图像(S301)。使用权重的合成为每个像素的加权求和。在此，在针对图像的每个部分(每个组织、每个像素等)求出了可靠度的情况下，对每个部分进行加权求和。由此，可靠度非常低的图像部分的权重也非常小，因此对检测用图像几乎没有贡献，得到反映出可靠度高的部分的信息的检测用图像。另外，根据诊断对象将内部参数(对于该诊断对象的适合度)设定为0的图像的权重也为零，其信息不反映在检测用图像中。由此，仅贡献度高的图像被用于病变检测等。此外，本实施方式的加权求和(图像合成)的处理在将权重最大的图像的权重设为“1”，将其他的图像的权重设为“0”的情况下，与第一实施方式中的图像选择结果相同，从该意义上来讲，第一实施方式能够视为本实施方式的特殊的一个例子。
因为合成后的图像在步骤S202中进行了使对比度与检测部250的学习图像的对比度一致的调整，所以保持原样地作为检测用图像成为检测部250的输入图像。检测部250输入该检测用图像，输出预定的检测结果(诊断辅助信息)。
根据本实施方式，将多个图像的信息进行加权求和来生成检测用图像，并进行病变等的检测，所以在认为适合于通过多个图像进行诊断的病变等中，不会浪费多个图像的信息地进行高精度的病变检测。另外，对用于生成检测用图像的图像赋予了基于图像的可靠度的权重，所以能够防止检测用图像的可靠度降低。
以上对第二实施方式的处理进行了说明，但在本实施方式中，也能够直接应用作为第一实施方式的变形例说明的变形例。
＜第三实施方式＞
本实施方式直到生成检测用图像为止与上述第一以及第二实施方式相同，但诊断信息生成部240除了具备使用机器学习算法的检测部250的病变检测功能以外，还具备进行解析处理的功能(图2：解析部270)。
解析部270使用检测用图像，例如进行病变部的面积计算、出血部(微出血)的个数计算等处理。另外，在诊断对象是脑的情况下，使用脑图谱，针对每个组织解析计算出的病变面积、出血部的个数等数值，将解析结果经由UI部提示给用户。
参照图11以及图12以脑解析的情况为例对解析部270的处理进行说明。
如图11所示，在计算病变的面积时，进行检测用图像的解剖学标准化(S41)。对于脑图像而言，已知将根据预先取得的多个受检者的脑图像计算出的平均的形状、大小的脑图像作为标准脑，解剖学标准化是将作为解析对象的图像转换为标准脑的处理。作为转换方法，已知仿射变换、非刚性配准等方法。在解析部270中装入了这样方法的转换模块，将检测用图像转换成标准脑的脑坐标。在进行了解剖学标准化后的图像中，通过像素值表示的组织信息(若是灰白质则为灰白质的信息)保持了原始图像的信息。例如伴随坐标转换，某个组织的坐标发生变化，其面积被缩小或放大，但是构成该组织的像素的累计值作为信息保留，保持了面积的信息。
对于这样得到的转换图像，应用规定了脑的各区域，例如头顶、额叶、颞部、枕部等的脑图谱，使用转换时维持的各组织的信息，计算在脑图谱中指定的区域的面积(S42)。将计算出的面积以任意的显示方式显示在显示器等中(S43)。
如图12所示，在计算个数时，在检测用图像中，首先确定出血的位置，计算其代表点(S51)。出血具有某种程度扩散，所以例如以其中心为代表点。关于出血位置的确定，可通过使用病变的像素值进行病变分割来进行检测。
接着，与计算面积时的解剖学标准化同样地进行检测用图像的解剖学标准化，进行向标准脑的坐标转换(S52)。此时，代表点的数量的信息与其位置信息一起保存。随着转换，代表点的位置进行变化，在出血部分具有扩散的情况下，存在一部分重复的情况，但代表点(一点)的信息不会重复，所以在转换后也能够作为一点的位置求出。对于转换后的图像应用脑图谱，对于脑的每个区域对该区域中包含的代表点的数量进行计数(S53)。
解析部270将通过以上的步骤S41～S42或S51～S53的处理计算出的面积或出血个数作为数值或图表显示在UI部30的显示器(S54)。图13中的(A)、(B)表示显示例。在图13中的(A)、(B)所示的例子中，与将脑的病变表示为着色区域(在图13的(A)中由灰色表示)的脑图像一起，针对脑的每个区域例如将白质的面积和小出血的个数表示为棒状图。用户(医生)通过观察这样的显示能够掌握产生了白质病变、出血的脑区域及其严重程度，容易根据各病变的有无和程度诊断中风、血管性痴呆等的发病风险。
此外，上述的组织的面积、出血的个数的计算是一个例子，脑肿瘤的有无及其程度等例示的解析以外的解析也能够通过同样的手段进行。
另外，在上述实施方式中，主要以脑图像为中心进行了说明，但本发明的图像诊断辅助装置不仅能够应用于脑疾病，对于腹部、胸部的肿瘤等的病变也能够同样地应用。
另外，以上的实施方式对与医用图像取得装置独立的图像诊断辅助装置进行了说明，但本发明的图像诊断辅助装置的功能也能够在MRI装置、CT装置等医用图像取得装置所具备的图像处理部中实现。
作为搭载了图像诊断辅助装置的功能的医用图像取得装置100的一个例子，图14示出MRI装置的一实施方式。该MRI装置100A具备：拍摄部10，其包含在放置被检体60的空间中产生静磁场的静磁场产生磁体11、倾斜磁场线圈12及其电源13(倾斜磁场产生部12)、发送用以及接收用的高频线圈14以及与其连接的发送部(包含高频发生器、高频放大器)15以及接收部(包含正交检波器、A/D转换器)16；定序器17，按照预定的脉冲序列控制上述各部；以及图像处理部20A，处理接收部16接收到的核磁共振信号，进行图像重建等运算。
图像处理部20A和进行整个装置的控制的控制系统的功能能够由具备CPU、GPU以及存储器的计算机50实现，能够经由计算机附带的显示器、输入设备构成的UI部51显示图像处理部20A的结果或输入图像处理部20A的处理或装置的控制所需要的指令或数据。另外，图像处理部20A的处理结果、处理过程中的数据能够储存在存储装置52。该MRI装置100A除了图像处理部20A具备图像诊断辅助功能，并追加了与图像诊断辅助功能相伴的控制、显示以外，与通常的MRI装置相同。即，图像处理部20A的功能框图与图1以及图2所示的上述实施方式的图像诊断辅助装置的图像处理部20相同，例如，搭载了按照图3所示的流程进行处理的图像诊断辅助程序。
将诊断信息生成部240的检测部250检测出的结果、在还具备解析部270时的该解析部的解析结果显示在UI部51的显示器。另外，经由UI部51的输入设备向图像处理部20A提供使图像诊断辅助功能进行动作所需要的信息，例如指定预定病变的指令。
在MRI装置100A中，拍摄部10按照用户设定的脉冲序列和拍摄条件进行动作，由此能够取得由脉冲序列和拍摄条件决定的所希望的对比度的图像。在使用MRI装置100A的检查中，作为方案与其拍摄顺序一起预先决定了要取得的图像类型。在按照这样的检查方案进行MRI检查时，可以在方案的一部分中预先添加图像诊断辅助功能的执行，由此自动地执行所需要的种类的图像的取得以及使用这些图像的图像诊断辅助功能。例如，拍摄部10按照由方案决定的顺序，使用预定的脉冲序列和拍摄参数执行多个拍摄序列，取得T1W、T2W等多种图像。图像处理部20A接受这些多种图像，进行诊断信息的生成和提示。
以上说明了将本发明的图像诊断辅助装置应用于MRI装置的例子，但在MRI装置以外的医用图像取得装置中也能够追加图像诊断辅助功能来作为图像处理部。
附图标记说明
10：拍摄部，20(20A)：图像处理部，30：UI部，40：存储装置，50：计算机，100：医用图像取得装置，100A：医用图像取得装置(MRI装置)，200：图像诊断辅助装置，210：贡献度计算部，211：伪影检测部，213：可靠度计算部，215：权重计算部，220：图像选择部，230：检测用图像生成部，231：分割部，233：病变临时检测部，235：转换函数计算部，240：诊断信息生成部，250：检测部，260(260A)：对比度调整部，270：解析部。

Claims (9)

1.一种具有诊断信息生成部的图像诊断辅助装置，该诊断信息生成部具备使用大量的医用图像与诊断结果之间的关系进行学习而学习到的机器学习算法并且使用所述机器学习算法根据多个医用图像生成诊断信息，
其特征在于，
上述图像诊断辅助装置具备：
可靠度计算部，其对于多个医用图像评价画质并计算画质的可靠度；
贡献度计算部，其使用上述可靠度计算部计算出的可靠度以及针对每个图像类型表示各医用图像对于诊断对象的适合度的内部参数来计算上述多个医用图像对上述诊断信息的贡献度，
对比度调整部，该对比度调整部使上述多个医用图像的对比度与在上述机器学习算法的学习中使用的医用图像的对比度一致；
检测用图像生成部，该检测用图像生成部通过基于上述贡献度的权重对由上述对比度调整部调整对比度后的多个医用图像进行加权求和来生成上述检测用图像；
上述诊断信息生成部使用上述检测用图像作为输入生成上述诊断信息。
2.根据权利要求1所述的图像诊断辅助装置，其特征在于，
上述可靠度计算部将图像划分为多个区域或部分，针对每个区域或每个部分计算可靠度。
3.根据权利要求1所述的图像诊断辅助装置，其特征在于，
上述可靠度计算部根据上述图像中包含的伪影或上述图像的信噪比来计算可靠度。
4.根据权利要求1所述的图像诊断辅助装置，其特征在于，
上述对比度调整部具备分割部，该分割部生成针对每个组织将成为对比度调整对象的图像进行分割后的分割图像，上述对比度调整部采用使用上述分割图像的像素值生成的转换函数进行对比度调整。
5.根据权利要求1所述的图像诊断辅助装置，其特征在于，
上述诊断信息生成部具备使用上述多个医用图像进行解析的解析部。
6.一种记录了图像诊断辅助程序的计算机可读记录介质，其特征在于，
上述图像诊断辅助程序使计算机执行以下步骤：
对于多个医用图像评价画质并计算画质的可靠度的步骤；
使用上述可靠度以及针对每个图像类型表示各医用图像对于诊断对象的适合度的内部参数计算上述多个医用图像对上述诊断对象的贡献度的步骤；
使上述多个医用图像的对比度与在机器学习算法的学习中使用的医用图像的对比度一致的步骤，其中，所述机器学习算法是使用大量的医用图像与诊断结果之间的关系进行学习而学习到的，
通过基于上述贡献度的权重对调整对比度后的多个医用图像进行加权求和来生成用于生成诊断信息的检测用图像的步骤，
将上述检测用图像作为输入，使用所述机器学习算法输出诊断信息的步骤。
7.一种医用图像取得装置，其特征在于，
上述医用图像取得装置具备：取得医用图像的拍摄部、以及进行上述拍摄部取得的医用图像的处理的图像处理部，
上述图像处理部具备：
诊断信息生成部，其具备使用大量的医用图像与诊断结果之间的关系进行学习而学习到的机器学习算法，并且使用所述机器学习算法根据多个医用图像生成诊断信息；
可靠度计算部，其对于多个医用图像评价画质并计算画质的可靠度；
贡献度计算部，其使用上述可靠度计算部计算出的可靠度以及表示各医用图像对诊断对象的适合度的内部参数计算上述多个医用图像对上述诊断信息的贡献度；
对比度调整部，该对比度调整部使上述多个医用图像的对比度与在上述机器学习算法的学习中使用的医用图像的对比度一致；
检测用图像生成部，该检测用图像生成部通过基于上述贡献度的权重对由上述对比度调整部调整对比度后的多个医用图像进行加权求和来生成上述检测用图像；
上述诊断信息生成部使用上述检测用图像作为输入生成上述诊断信息。
8.根据权利要求7所述的医用图像取得装置，其特征在于，
上述拍摄部是收集被检体的核磁共振信号，取得使用了核磁共振信号的医用图像的磁共振拍摄部，
上述多个医用图像包含T1加权图像、T2加权图像、质子密度加权图像、FLAIR图像、磁化率加权图像以及扩散加权图像中的任意的1个以上的图像。
9.根据权利要求7所述的医用图像取得装置，其特征在于，
上述多个医用图像是脑图像，上述诊断信息生成部生成与脑血管病有关的信息来作为上述诊断信息。
CN202010473421.1A 2019-12-23 2020-05-29 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 Active CN113096061B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-231677 2019-12-23
JP2019231677A JP7349345B2 (ja) 2019-12-23 2019-12-23 画像診断支援装置、画像診断支援プログラム、及び、それを備えた医用画像取得装置

Publications (2)

Publication Number Publication Date
CN113096061A CN113096061A (zh) 2021-07-09
CN113096061B true CN113096061B (zh) 2023-09-15

Family

ID=76441663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010473421.1A Active CN113096061B (zh) 2019-12-23 2020-05-29 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

Country Status (3)

Country Link
US (1) US11600378B2 (zh)
JP (1) JP7349345B2 (zh)
CN (1) CN113096061B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114329933B (zh) * 2021-12-20 2022-08-23 北京力通通信有限公司 一种宽带功率放大器输入输出特性拟合方法
WO2023188776A1 (ja) * 2022-03-29 2023-10-05 富士フイルム株式会社 情報処理装置、情報処理装置の作動方法、および情報処理装置の作動プログラム
WO2024095434A1 (ja) * 2022-11-04 2024-05-10 富士通株式会社 画像処理プログラム、画像処理方法、検出プログラム、検出方法、および情報処理装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102385664A (zh) * 2010-08-27 2012-03-21 佳能株式会社 诊断支持设备及其控制方法以及诊断支持系统
CN102665526A (zh) * 2009-11-13 2012-09-12 奥林巴斯株式会社 图像处理装置、电子设备、内窥镜系统和程序
CN103339652A (zh) * 2010-12-01 2013-10-02 皇家飞利浦电子股份有限公司 靠近伪影源的诊断图像特征
CN103582455A (zh) * 2011-02-14 2014-02-12 罗切斯特大学 基于锥形束乳房ct图像的计算机辅助检测和诊断的方法和装置
CN103747736A (zh) * 2011-09-07 2014-04-23 株式会社岛津制作所 图像处理装置以及具备该图像处理装置的放射线摄影装置
WO2015162694A1 (ja) * 2014-04-22 2015-10-29 株式会社日立製作所 医用画像診断支援装置、磁気共鳴イメージング装置および医用画像診断支援方法
WO2017098888A1 (ja) * 2015-12-10 2017-06-15 株式会社日立製作所 画像処理装置及び画像処理方法
WO2017134830A1 (ja) * 2016-02-05 2017-08-10 株式会社日立製作所 医用画像診断支援装置、および、磁気共鳴イメージング装置
CN107913076A (zh) * 2016-10-07 2018-04-17 西门子保健有限责任公司 用于提供置信信息的方法
CN109394250A (zh) * 2017-08-18 2019-03-01 柯尼卡美能达株式会社 图像处理装置、图像处理方法及图像处理程序
WO2019146357A1 (ja) * 2018-01-24 2019-08-01 富士フイルム株式会社 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7362915B2 (en) * 2002-02-22 2008-04-22 Agfa Healthcare, Nv Method for enhancing the contrast of an image
JP2007275440A (ja) * 2006-04-11 2007-10-25 Fujifilm Corp 類似画像検索装置および方法並びにプログラム
US8527296B2 (en) * 2007-09-26 2013-09-03 Fujifilm Corporation Medical information processing system, medical information processing method, and computer readable medium
US20110122146A1 (en) * 2009-11-25 2011-05-26 Fujifilm Corporation Systems and methods for matching medical images
EP2890300B1 (en) * 2012-08-31 2019-01-02 Kenji Suzuki Supervised machine learning technique for reduction of radiation dose in computed tomography imaging
US10169863B2 (en) * 2015-06-12 2019-01-01 International Business Machines Corporation Methods and systems for automatically determining a clinical image or portion thereof for display to a diagnosing physician
US10452813B2 (en) * 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
CN112466439A (zh) * 2018-01-23 2021-03-09 深圳科亚医疗科技有限公司 由计算机实现的医学图像调度方法、调度系统及存储介质
JP6527614B2 (ja) * 2018-03-22 2019-06-05 キヤノン株式会社 画像処理装置及び画像処理装置の作動方法
JP7221825B2 (ja) * 2019-07-26 2023-02-14 富士フイルム株式会社 トモシンセシス撮影制御装置、トモシンセシス撮影制御装置の作動方法、トモシンセシス撮影制御装置の作動プログラム

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102665526A (zh) * 2009-11-13 2012-09-12 奥林巴斯株式会社 图像处理装置、电子设备、内窥镜系统和程序
CN102385664A (zh) * 2010-08-27 2012-03-21 佳能株式会社 诊断支持设备及其控制方法以及诊断支持系统
CN103339652A (zh) * 2010-12-01 2013-10-02 皇家飞利浦电子股份有限公司 靠近伪影源的诊断图像特征
CN103582455A (zh) * 2011-02-14 2014-02-12 罗切斯特大学 基于锥形束乳房ct图像的计算机辅助检测和诊断的方法和装置
CN103747736A (zh) * 2011-09-07 2014-04-23 株式会社岛津制作所 图像处理装置以及具备该图像处理装置的放射线摄影装置
WO2015162694A1 (ja) * 2014-04-22 2015-10-29 株式会社日立製作所 医用画像診断支援装置、磁気共鳴イメージング装置および医用画像診断支援方法
WO2017098888A1 (ja) * 2015-12-10 2017-06-15 株式会社日立製作所 画像処理装置及び画像処理方法
WO2017134830A1 (ja) * 2016-02-05 2017-08-10 株式会社日立製作所 医用画像診断支援装置、および、磁気共鳴イメージング装置
CN107913076A (zh) * 2016-10-07 2018-04-17 西门子保健有限责任公司 用于提供置信信息的方法
CN109394250A (zh) * 2017-08-18 2019-03-01 柯尼卡美能达株式会社 图像处理装置、图像处理方法及图像处理程序
WO2019146357A1 (ja) * 2018-01-24 2019-08-01 富士フイルム株式会社 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム

Also Published As

Publication number Publication date
US20210193299A1 (en) 2021-06-24
JP7349345B2 (ja) 2023-09-22
JP2021097910A (ja) 2021-07-01
US11600378B2 (en) 2023-03-07
CN113096061A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
KR101659578B1 (ko) 자기 공명 영상 처리 방법 및 장치
CN113096061B (zh) 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
JP5562598B2 (ja) 画像表示装置、画像表示方法および磁気共鳴イメージング装置
US9295406B2 (en) Automatic or semi-automatic whole body MR scanning system
JP6979151B2 (ja) 磁気共鳴イメージング装置及び磁気共鳴画像処理方法
US20170156630A1 (en) System and method for adaptive and patient-specific magnetic resonance imaging
JP6250795B2 (ja) 医用画像診断支援装置、磁気共鳴イメージング装置および医用画像診断支援方法
US8781552B2 (en) Localization of aorta and left atrium from magnetic resonance imaging
JP2019005557A (ja) 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
US11835612B2 (en) System and method for motion correction of magnetic resonance image
Oudeman et al. Diffusion tensor MRI of the healthy brachial plexus
JP6991728B2 (ja) 画像処理装置、磁気共鳴イメージング装置及び画像処理方法
US20180042497A1 (en) Magnetic resonance method and apparatus for determining a characteristic of an organ
JP7115889B2 (ja) 医用画像診断支援装置、および、磁気共鳴イメージング装置
JP7332338B2 (ja) 画像診断支援装置、画像診断支援プログラム、および、医用画像取得装置
KR101665032B1 (ko) 자기 공명 영상 장치 및 자기 공명 영상의 처리 방법
JP6843706B2 (ja) 磁気共鳴イメージング装置及び拡散強調画像の補正方法
US10914804B2 (en) Medical image diagnostic assistance device and magnetic resonance imaging device
JP4945225B2 (ja) 画像処理装置及びプログラム
JP7237612B2 (ja) 磁気共鳴イメージング装置及び画像処理装置
CN114098696A (zh) 磁共振成像装置、图像处理装置以及图像处理方法
US10444316B2 (en) Reduction of eddy currents during flow encoded magnetic resonance imaging
EP4339879A1 (en) Anatomy masking for mri
US20130123606A1 (en) Method and magnetic resonance apparatus to measure structures of the human brain
JP2016209336A (ja) 磁気共鳴イメージング装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220107

Address after: Chiba County, Japan

Applicant after: Fujifilm medical health Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: Hitachi, Ltd.

GR01 Patent grant
GR01 Patent grant