CN114271837A - 图像诊断辅助装置和图像处理方法 - Google Patents
图像诊断辅助装置和图像处理方法 Download PDFInfo
- Publication number
- CN114271837A CN114271837A CN202110216335.7A CN202110216335A CN114271837A CN 114271837 A CN114271837 A CN 114271837A CN 202110216335 A CN202110216335 A CN 202110216335A CN 114271837 A CN114271837 A CN 114271837A
- Authority
- CN
- China
- Prior art keywords
- image
- diagnosis
- diagnostic
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 130
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 206010028980 Neoplasm Diseases 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims 2
- 238000011156 evaluation Methods 0.000 description 35
- 238000000034 method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 208000020816 lung neoplasm Diseases 0.000 description 11
- 208000037841 lung tumor Diseases 0.000 description 10
- 238000005070 sampling Methods 0.000 description 8
- 230000003902 lesion Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 210000000779 thoracic wall Anatomy 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 230000003211 malignant effect Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供使用现有的图像诊断模型能够获得适于各设备的诊断结果的图像诊断辅助装置和图像处理方法。本发明的图像诊断辅助装置包括：用于读取图像诊断模型的模型读取部，其中所述图像诊断模型对于所输入的医用图像即诊断图像输出诊断结果；用于存储设备数据的存储部，其中所述设备数据是与设备所保有的诊断结果相关联的多个医用图像；和调整部，其基于所述设备数据来调整要输入到所述图像诊断模型的诊断图像或所述图像诊断模型。
Description
技术领域
本发明涉及通过人工智能等对由医用图像拍摄装置获得的医用图像中所含的病变部位进行诊断辅助的图像诊断辅助装置和图像处理方法，特别是涉及提高诊断精度的技术。
背景技术
以X射线CT(Computed Tomography，计算机体层摄影)装置等为代表的医用图像拍摄装置为将病变部位等形态进行图像化的装置，由医生来诊断医用图像中所含的病变部位。随着医用图像拍摄装置的高性能化，为了减轻医生的负担，近年来开发了通过所谓人工智能的AI(Artificial Intelligence)对病变部位进行诊断的图像诊断辅助装置。在许多图像诊断辅助装置中，基于表示医用图像的特征的值即大量图像特征量而推算从医用图像中导出的诊断名，且医师不能判断推算的结果对诊断是否有用。
在专利文献1中，公开了一种信息处理装置，以从医用图像中推算诊断名的方式，使用机器学习的图像诊断模型从医用图像中推算诊断名，并且能够提示对诊断名的推算结果的影响度高的影像学表现作为参考信息。具体而言，基于医用图像的各图像特征量，推算诊断名和表达医用图像的特征的影像学表现，并提示对与诊断名的推算结果带来影响的图像特征量共同的图像特征量给予影响而推算的影像学表现作为参考信息。
现有技术文献
专利文献
专利文献1：日本特开2019－97805号公报
发明内容
发明所要解决的问题
但是，在专利文献1中，由于使用现有的图像诊断模型进行图像诊断，因此，有时不会成为适于各设备的诊断结果。即，有时由于患者的性质的不同和图像诊断装置的种类的不同等设备的性质的不同，无法得到充分的诊断精度。
因此，本发明的目的在于，提供一种使用现有的图像诊断模型能够获得适于各设备的诊断结果的图像诊断辅助装置和图像处理方法。
用于解决问题的技术方案
为了实现上述目的，本发明提供一种图像诊断辅助装置，其特征在于，包括：用于读取图像诊断模型的模型读取部，其中所述图像诊断模型对于所输入的医用图像即诊断图像输出诊断结果；用于存储设备数据的存储部，其中所述设备数据是与设备所保有的诊断结果相关联的多个医用图像；和调整部，其基于所述设备数据来调整要输入到所述图像诊断模型的诊断图像或所述图像诊断模型。
另外，本发明提供一种图像处理方法，其特征在于，使计算机执行：读取图像诊断模型的模型读取步骤，其中所述图像诊断模型对于所输入的医用图像即诊断图像输出诊断结果；和调整步骤，基于与设备所保有的诊断结果相关联的多个医用图像即设备数据，调整要输入到所述图像诊断模型的诊断图像或所述图像诊断模型。
发明效果
根据本发明，能够提高一种使用现有的图像诊断模型能够获得适于各设备的诊断结果的图像诊断辅助装置和图像处理方法。
附图说明
图1是实施例1的图像诊断辅助装置的硬件结构图。
图2是实施例1的功能框图。
图3是表示实施例1的处理的流程的一例的图。
图4是对计算每个评价区域的重要度进行说明的图。
图5是表示诊断结果和重要度的显示图像的一例的图。
图6是表示设备数据的统计处理的结果的一例的图。
图7是表示选择用于统计处理的项目的图像的一例的图。
图8是表示诊断图像的调整的一例的图。
图9是表示实施例2的处理的流程的一例的图。
具体实施方式
以下，根据附图，对本发明的图像诊断辅助装置和图像处理方法的优选实施例进行说明。此外，在以下的说明和附图中，对具有相同的功能结构的结构要素标注相同的附图标记，省略重复说明。
实施例1
使用图1对实施例1的图像诊断辅助装置100的硬件结构进行说明。图像诊断辅助装置100是所谓的计算机。具体而言，由CPU(Central Processing Unit，中央处理器)101、ROM(Read Only Memory，只读存储器)102、RAM(Random Access Memory，随机存取存储器)103、存储部104、网络适配器105、输入部106、显示部107通过总线108可收发信号地连接而构成。另外，图像诊断辅助装置100经由网络适配器105和网络109与医用图像拍摄装置110和医用图像数据库111可收发信号地连接。在此，“可收发信号”是电的或光学地无论有线和无线都能够相互或从一者向另一者传递信号的状态。
CPU101是读取存储于ROM102的系统程序等，并控制各结构要素的动作的装置。CPU101在RAM103中加载存储于存储部104的程序和执行程序所需的数据并执行。存储部104是存储CPU101执行的程序和执行程序所需的数据的装置，具体而言，是对HDD(Hard DiskDrive，硬盘驱动器)、SSD(Solid State Drive，固态硬盘)等记录装置、以及IC卡、SD卡、DVD等记录介质进行读写的装置。包含执行程序所需的数据的各种数据也从LAN(Loca1 AreaNetwork，局域网)等网络109发送接收。RAM103中存储有CPU101执行的程序和运行处理的过程等。
显示部107是显示执行程序的结果等的装置，具体而言，是液晶显示器、触摸面板等。输入部106是操作者对图像诊断辅助装置100进行操作指示的操作器件，具体而言是键盘、鼠标等。鼠标也可以是除触控板和轨迹球等以外的指示器件。另外，在显示部107为触摸面板的情况下，触摸面板还用作输入部106。网络适配器105是用于将图像诊断辅助装置100与LAN、电话线、因特网等网络109连接的器件。
医用图像拍摄装置110是获得将病变部位等形态图像化的断层图像等医用图像的装置，具体而言，是伦琴装置、X射线CT(Computed Tomography)装置、MRI(MagneticResonance Imaging，核磁共振)装置、超声波诊断装置等。另外，也可以通过堆叠多个断层图像来生成三维的医用图像。医用图像数据库111是保管通过医用图像拍摄装置110获得的医用图像的数据库系统。
使用图2对实施例1的功能框图进行说明。此外，这些功能可以由使用ASIC(Application Specific Integrated Circuit，专用集成电路)和FPGA(Field-Programmable Gate Array，现场可编程门阵列)等的专用的硬件构成，也可以由在CPU101上进行动作的软件构成。在以下的说明中，对各功能由软件构成的情况进行说明。实施例1具有模型读取部201、判断部202以及调整部203。以下，对各部进行说明。
模型读取部201从存储部104、或经由网络适配器105从因特网等读取对输入的医用图像输出诊断结果的图像诊断模型。图像诊断模型为由Random forest(随机森林)、SVM(Support Vector Machine，支持向量机)、分层型神经网络等构造的现有的程序，为处理算法被黑盒子化的任意的程序。输入到图像诊断模型的医用图像可以为任意的图像，例如，为二维或三维的医用图像或医用图像的一部分的区域。另外，从图像诊断模型输出的诊断结果例如为病变部位的良恶判断的结果，病变部位为恶性的概率等。
判断部202判断从图像诊断模型输出的诊断结果作为诊断精度是否充分。判断部202的判断使用针对每个设备确定的阈值。当判断诊断结果为诊断精度不充分时，调整部203进行动作。此外，判断部202不是必要的功能，并且调整部203也可以不经由判断部202的判断而进行动作。
调整部203基于与设备所保有的诊断结果相关联的多个医用图像即设备数据，调整输入到图像诊断模型的诊断图像。即，为了提高从图像诊断模型输出的诊断结果的精度，放大、缩小诊断图像的尺寸，或删除诊断图像中所含的任意区域。具体的调整使用图8后述。
使用图3对实施例1的处理的流程的一例进行说明。
(S301)
模型读取部201经由存储部104或网络适配器105从因特网等读取图像诊断模型。
(S302)
诊断对象的医用图像即诊断图像被输入到图像诊断模型。诊断图像从设备所保有的RIS(Radiology Information System，放射信息系统)等读出。
(S303)
图像诊断模型例如输出诊断图像中所含的肿瘤为恶性的概率作为对S302中输入的诊断图像的诊断结果。另外，也可以与诊断结果一起输出每个评价区域的重要度。评价区域是作为关于诊断结果的区域而从诊断图像提取的区域，评价区域的重要度是表示多个评价区域分别对诊断结果的影响的程度的值。通过表示每个评价区域的重要度，操作者通过诊断结果能够确认产生影响的评价区域、即成为诊断的根据的评价区域。
使用图4，对每个评价区域的重要度的计算例进行说明。关于诊断结果的区域即评价区域，基于记载有治疗的根据和次序的诊疗指南等来提取。例如，在肺肿瘤的良恶判断的情况下，基于肺癌诊疗指南等，提取肺肿瘤区域、含气区域、胸壁区域、血管区域等作为评价区域。
提取出的评价区域作为表示亮度值的分布信息的图像被输入到图像诊断模型，并计算出每个评价区域的重要度。具体而言，基于通过将评价区域的各种组合输入到图像诊断模型而获得的各诊断结果与评价区域的组合，来计算每个评价区域的重要度。此外，评价区域的组合例如由取样表401来表示。
取样表401为由提取出的n个评价区域排列的项目行和取样矩阵构成的表，由取样矩阵的矩阵要素的值表示与各行对应的图像中是否含有各评价区域。即，如果各行中的值为1，则对应的评价区域包含于该行的图像，值为0的列的评价区域不包含于该行的图像。未包含于该行的图像的评价区域为亮度值0或被用黑色填充。例如，区域1的值为1，区域2至区域n的值为0，因此，第一行的图像成为仅包含区域1的图像。在区域1为肺肿瘤区域的情况下，该图像成为仅包含肺肿瘤区域的肺肿瘤区域图像402。另外，区域1的值为0，区域2至区域n的值为1，因此，第二行的图像成为不包含区域1的图像。
取样矩阵的尺寸根据评价区域的数n和评价区域的组合的数m来确定。即，取样矩阵成为m行n列的矩阵。为了提高重要度的计算精度，评价区域的组合数m优选为n个评价区域的所有组合数即2n，但未必限定于此。例如，也可以设为m＝n，以表示分别含有n个评价区域的组合。
当由取样矩阵等表示的评价区域的每个组合的图像输入于图像诊断模型时，输出每个组合的诊断结果。图4中示例了通过肺肿瘤区域、含气区域、胸壁区域、血管区域各自含有的肺肿瘤区域图像402、含气区域图像403、胸壁区域图像404、血管区域图像405被输入到图像诊断模型来输出的诊断结果406。根据图4的诊断结果406，作为每个评价区域的重要度，肺肿瘤区域图像402中输出0.95，在含气区域图像403中输出0.84，在胸壁区域图像404中输出0.42，在血管区域图像405中输出0.41。另外，根据图4中例示的结果，操作者能够确认作为诊断结果的根据，肺肿瘤区域、含气区域比胸壁区域、血管区域更重要。
使用图5，对S303中显示的画面的一例进行说明。图5的画面中含有：诊断图像显示部501、评价区域显示部502、重要度显示部503、诊断结果显示部504。诊断图像显示部501显示含有诊断图像中的肿瘤的区域即肿瘤区域的图像。评价区域显示部502显示将在诊断图像显示部501显示的图像分割成多个评价区域的结果。重要度显示部503显示按每个评价区域计算出的重要度被可视化后的图像。诊断结果显示部504显示诊断结果即肿瘤为恶性的概率97％，并且，还显示肿瘤的尺寸、肿瘤的边缘的性状、含气的有无等。
(S304)
判断部202基于S303中输出的诊断结果，判断图像诊断模型的诊断精度是否充分。在诊断精度不充分的情况下，处理经由S305返回到S303，在充分的情况下，处理进入S306。诊断精度的判断使用按每个设备确定的阈值，例如，如果诊断结果即肿瘤为恶性的概率比阈值低，则判断诊断精度不充分。针对每个设备确定的阈值例如设定诊断结果准确的概率的值。
(S305)
调整部203基于设备数据调整诊断图像。当调整诊断图像时，处理返回S303，图像诊断模型对调整后的诊断图像输出诊断结果。诊断图像例如基于对设备数据进行统计处理的结果来调整。
使用图6，说明对设备数据进行统计处理的结果的一例。图6中表示设备直方图601和示教直方图602。设备直方图601为使用设备数据的各医用图像来生成的直方图，图6中表示以各医用图像中所含的肿瘤的尺寸为横轴的直方图。另外，示教直方图602为使用用于图像诊断模型的生成的示教数据(teaching data)来生成的直方图，与设备直方图601同样，横轴为各医用图像中所含的肿瘤的尺寸。此外，示教数据为与设备数据不同的多个医用图像，诊断结果与每个医用图像相关联。另外，设备数据的统计处理不局限于将肿瘤的尺寸设为横轴的直方图的作成，也可以使用操作者选择的项目，进行统计处理。
使用图7，对选择用于设备数据的统计处理的项目的画面的一例进行说明。图7的画面中包含：使用图5说明的诊断图像显示部501、评价区域显示部502、重要度显示部503、诊断结果显示部504、项目选择部701、统计结果显示部702。项目选择部701为供操作者选择用于统计处理的项目的选择框，与所选择的选择框对应的项目被用于统计处理。操作者通过从项目选择部701选择期望的项目，以操作者考虑的观点能够实现诊断精度的提高。
统计结果显示部702使用项目选择部701中选择的项目显示统计处理的结果。统计结果显示部702不仅显示对设备数据进行统计处理的结果，还显示对示教数据进行统计处理的结果。通过两数据对比地显示，明确了设备的性质是否与图像诊断模型符合。例如，通过对比图6的设备直方图601和示教直方图602，发现设备数据和示教数据中在肿瘤的尺寸的分布上存在差异，且设备的性质与图像诊断模型不符。调整部203为了使设备的性质与图像诊断模型一致，也可以调整诊断图像，以减少设备数据和示教数据的差异。例如，基于设备直方图601的最频值和示教直方图602的最频值的差异来调整诊断图像的大小。
使用图8，对调整诊断图像的一例进行说明。图8中示出第一调整例801和第二调整例802。第一调整例801是基于设备直方图601和示教直方图602的对比来缩小诊断图像的大小的例。即，设备直方图601的最频值为30mm，相对于此，示教直方图602的最频值为20mm时，诊断图像的一边乘以2/3来缩小诊断图像的例。第二调整例802是除去存在于肿瘤附近的高亮度区域的例。即，在存在于肿瘤的下侧的高亮度区域即胸壁区域填充黑色，并除去高亮度区域的例。
(S306)
调整部203将S305的诊断图像的调整的参数即调整参数保存于存储部104。例如，在诊断图像的一边乘以2/3来缩小诊断图像的情况下，保存2/3作为调整参数。此外，在不经过S305的处理到达S306的情况下，也可以不保存调整参数。另外，在直到S306时，在S303中获得适于设备的诊断结果。
通过以上说明的处理的流程，调整诊断图像以使设备的性质符合图像诊断模型，因此，能够使用现有的图像诊断模型获得适于各设备的诊断结果。此外，在图3的处理的流程中，不需要S304的判断处理。在没有S304的判断处理的情况下，只要图像诊断模型在S303中输出相对于实施S305的调整处理的诊断图像的诊断结果即可。
实施例2
在实施例1中，基于设备数据，对调整输入于图像诊断模型的诊断图像进行说明。为了提高诊断精度，不仅调整输入于图像诊断模型的诊断图像，也可以通过再学习来调整图像诊断模型。在实施例2中，对基于设备数据生成用于图像诊断模型的调整的再学习数据，并使用再学习数据来调整图像诊断模型进行说明。此外，实施例2的整体结构与实施例1相同，因此省略说明。另外，实施例2的功能框图与实施例1相同，但因为调整部203的动作不同，所以对调整部203进行说明。
实施例2的调整部203基于与设备所保有的诊断结果相关联的多个医用图像即设备数据，生成用于图像诊断模型的调整的再学习数据。图像诊断模型调整为通过使用生成的再学习数据进行再学习，提高诊断结果的精度。
使用图9，对实施例2的处理的流程的一例进行说明。其中，S301至S303为与实施例1相同的处理，所以将说明简化。
(S301)
模型读取部201读取图像诊断模型。
(S302)
诊断图像被输入到图像诊断模型。
(S303)
图像诊断模型输出对诊断图像的诊断结果。
(S904)
判断部202基于在S303中输出的诊断结果，判断图像诊断模型的诊断精度是否充分。在诊断精度不充分的情况下，处理经由S905返回到S303，在充分的情况下，处理进入S906。
(S905)
调整部203基于设备数据生成再学习数据，并使用生成的再学习数据来调整图像诊断模型。当调整图像诊断模型时，处理返回S303，调整后的图像诊断模型对诊断图像输出诊断结果。
对再学习数据的几个例子进行说明。为了能够获得适于设备的诊断结果，期望在再学习数据中反映有设备数据的性质。因此，也可以使用设备数据直接作为再学习数据。
此外，如果设备数据的图像数与用于图像诊断模型的生成的示教数据的图像数相比显著减少，则有时由于学习量的不足，不能得到充分的诊断精度。在这样的情况下，通过对设备数据追加示教数据，也可以生成不产生学习量的不足的再学习数据。
但是，如果追加的示教数据的性質和设备数据的性质大幅不同，则难以得到适于设备的诊断结果。因此，也可以从示教数据中提取与设备数据的性质接近的数据，并将提取出的数据追加于设备数据，由此生成再学习数据。例如，也可以使用根据图6例示的设备直方图601计算出的概率函数，从示教数据中提取要追加到设备数据的数据。概率函数通过拟合设备直方图601来计算。另外，使用概率函数而从示教数据中提取的数据的分布成为与设备直方图601类似的分布，成为与设备数据的性质接近的数据。因此，通过再学习生成的再学习数据而调整的图像诊断模型能够输出适于设备的诊断结果。
(S906)
调整部203将S905中调整后的图像诊断模型、即再学习后的图像诊断模型保存于存储部104。此外，在不经过S905的处理而到达S906的情况下，也可以不保存再学习后的图像诊断模型。另外，在直到S906时，在S303中获得适于设备的诊断结果。
通过以上说明的处理的流程，调整图像诊断模型以符合设备的性质，因此，能够使用现有的图像诊断模型，获得适于各设备的诊断结果。此外，在图9的处理的流程中S904的判断处理不是必须。在没有S904的判断处理的情况下，只要S905中调整后的图像诊断模型在S303中输出对诊断图像的诊断结果即可。
以上，对本发明的多个实施例进行了说明。本发明不限定于这些实施例，含有各种变形例。例如，上述的实施例为了容易理解本发明而进行说明而详细地说明的内容，不限定于具有说明的全部结构的内容。另外，能够将某个实施例的结构的一部分替换成其它实施例的结构。进而，还能够在某个实施例的结构中添加其它实施例的结构。另外，能够对各实施例的结构的一部分进行其它的结构的追加、删除、替换。
附图标记说明
100：图像诊断辅助装置、101：CPU、102：ROM、103：RAM、104：存储部、105：网络适配器、106：输入部、107：显示部、108：总线、109：网络、110：医用图像拍摄装置、111：医用图像数据库、201：模型读取部、202：判断部、203：调整部、401：取样表、402：肺肿瘤区域图像、403：含气区域图像、404：胸壁区域图像、405：血管区域图像、406：诊断结果、501：诊断图像显示部、502：评价区域显示部、503：重要度显示部、504：诊断结果显示部、601：设备直方图、602：示教直方图、701：项目选择部、702：统计结果显示部、801：第一调整例、802：第二调整例。
Claims (11)
1.一种图像诊断辅助装置，其特征在于，包括：
用于读取图像诊断模型的模型读取部，其中所述图像诊断模型对于所输入的医用图像即诊断图像输出诊断结果；
用于存储设备数据的存储部，其中所述设备数据是与设备所保有的诊断结果相关联的多个医用图像；和
调整部，其基于所述设备数据来调整要输入到所述图像诊断模型的诊断图像或所述图像诊断模型。
2.根据权利要求1所述的图像诊断辅助装置，其特征在于：
所述调整部生成所述设备数据的各医用图像中所含的肿瘤的尺寸的直方图即设备直方图，并基于所述设备直方图来调整所述诊断图像的大小。
3.根据权利要求2所述的图像诊断辅助装置，其特征在于：
所述图像诊断模型是通过学习与所述设备数据不同的多个医用图像即示教数据而生成的，
所述调整部生成作为所述示教数据的各医用图像中所含的肿瘤的尺寸的直方图的示教直方图，并基于作为所述设备直方图的最频值的设备最频值和作为所述示教直方图的最频值的示教最频值，来调整所述诊断图像的大小。
4.根据权利要求3所述的图像诊断辅助装置，其特征在于：
所述调整部将所述示教最频值除以所述设备最频值所得到的值与所述诊断图像的大小相乘。
5.根据权利要求1所述的图像诊断辅助装置，其特征在于：
所述调整部在所述设备数据的各医用图像中所含的肿瘤的附近存在高亮度区域的情况下，通过去除所述高亮度区域来调整所述诊断图像。
6.根据权利要求1所述的图像诊断辅助装置，其特征在于：
所述调整部生成作为所述设备数据的各医用图像中所含的肿瘤的尺寸的直方图的设备直方图，通过使用作为基于所述设备直方图而生成的数据即再学习数据进行再学习，来调整所述图像诊断模型。
7.根据权利要求6所述的图像诊断辅助装置，其特征在于：
所述图像诊断模型是通过学习与所述设备数据不同的多个医用图像即示教数据而生成的，
所述调整部基于所述设备直方图而从所述示教数据中提取所述再学习数据。
8.根据权利要求7所述的图像诊断辅助装置，其特征在于：
所述调整部基于所述设备直方图来计算从所述示教数据中提取医用图像的概率函数，并使用所述概率函数来提取所述再学习数据。
9.根据权利要求1所述的图像诊断辅助装置，其特征在于：
还具有判断部，其基于所述图像诊断模型的诊断结果来判断是否需要所述调整部进行的调整，
所述调整部在所述判断部判断为需要所述调整时，调整要输入到所述图像诊断模型的诊断图像或所述图像诊断模型。
10.根据权利要求1所述的图像诊断辅助装置，其特征在于：
显示用来选择用于所述设备数据的统计处理的项目的画面。
11.一种图像处理方法，其特征在于，使计算机执行：
读取图像诊断模型的模型读取步骤，其中所述图像诊断模型对于所输入的医用图像即诊断图像输出诊断结果；和
调整步骤，基于与设备所保有的诊断结果相关联的多个医用图像即设备数据，调整要输入到所述图像诊断模型的诊断图像或所述图像诊断模型。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020-162039 | 2020-09-28 | ||
| JP2020162039A JP7440388B2 (ja) | 2020-09-28 | 2020-09-28 | 画像診断支援装置および画像処理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114271837A true CN114271837A (zh) | 2022-04-05 |
Family
ID=80822968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110216335.7A Pending CN114271837A (zh) | 2020-09-28 | 2021-02-26 | 图像诊断辅助装置和图像处理方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11923072B2 (zh) |
| JP (1) | JP7440388B2 (zh) |
| CN (1) | CN114271837A (zh) |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003126045A (ja) | 2001-10-22 | 2003-05-07 | Olympus Optical Co Ltd | 診断支援装置 |
| US7430308B1 (en) * | 2002-11-26 | 2008-09-30 | University Of South Florida | Computer aided diagnosis of mammographic microcalcification clusters |
| US6984211B2 (en) * | 2003-01-03 | 2006-01-10 | Mayo Foundation For Medical Education And Research | Detection of tumor halos in ultrasound images |
| JP5408526B2 (ja) | 2008-11-20 | 2014-02-05 | 株式会社リコー | 画像処理装置、画像処理方法及びプログラム |
| CN106255462A (zh) | 2014-05-16 | 2016-12-21 | 株式会社日立制作所 | 图像诊断装置及灰度信息设定方法 |
| US10074038B2 (en) * | 2016-11-23 | 2018-09-11 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
| JP2019087012A (ja) | 2017-11-07 | 2019-06-06 | キヤノン株式会社 | 情報処理装置、情報処理方法、コンピュータプログラム、及び記憶媒体 |
| JP7058988B2 (ja) | 2017-11-30 | 2022-04-25 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
| JP6872581B2 (ja) | 2018-12-04 | 2021-05-19 | Hoya株式会社 | 情報処理装置、内視鏡用プロセッサ、情報処理方法およびプログラム |
| JP2020098444A (ja) | 2018-12-18 | 2020-06-25 | セイコーエプソン株式会社 | 学習装置、印刷制御装置及び学習済モデル |
| WO2020148797A1 (ja) | 2019-01-15 | 2020-07-23 | オリンパス株式会社 | 画像処理システム、学習済みモデル及び画像処理方法 |
| JP7178910B2 (ja) | 2019-01-16 | 2022-11-28 | キヤノンメディカルシステムズ株式会社 | 情報処理装置、医用画像処理装置、およびプログラム |
-
2020
- 2020-09-28 JP JP2020162039A patent/JP7440388B2/ja active Active
-
2021
- 2021-02-26 CN CN202110216335.7A patent/CN114271837A/zh active Pending
- 2021-03-10 US US17/197,445 patent/US11923072B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20220101983A1 (en) | 2022-03-31 |
| US11923072B2 (en) | 2024-03-05 |
| JP7440388B2 (ja) | 2024-02-28 |
| JP2022054814A (ja) | 2022-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7388974B2 (en) | Medical image processing apparatus | |
| US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
| JP5954769B2 (ja) | 医用画像処理装置、医用画像処理方法および異常検出プログラム | |
| JP4911029B2 (ja) | 異常陰影候補検出方法、異常陰影候補検出装置 | |
| EP1947606A1 (en) | Medical image processing apparatus and medical image processing method | |
| JP6175071B2 (ja) | 胸部画像の処理及び表示 | |
| US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
| JP7187244B2 (ja) | 医用画像処理装置、医用画像処理システム及び医用画像処理プログラム | |
| US11969265B2 (en) | Neural network classification of osteolysis and synovitis near metal implants | |
| CN112529834A (zh) | 病理图像模式在3d图像数据中的空间分布 | |
| JP2007151645A (ja) | 医用画像診断支援システム | |
| JP2010167042A (ja) | 医用診断支援装置及びその制御方法、並びに、プログラム | |
| JP2006346094A (ja) | 検出情報の出力方法及び医用画像処理システム | |
| JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
| JP2006325640A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| JP2006340835A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| JP5363962B2 (ja) | 診断支援システム、診断支援プログラムおよび診断支援方法 | |
| JP2006334140A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| JP2012143369A (ja) | 医用画像表示装置及びプログラム | |
| CN114271837A (zh) | 图像诊断辅助装置和图像处理方法 | |
| US11138736B2 (en) | Information processing apparatus and information processing method | |
| JP2011101759A (ja) | 医用画像表示システム及びプログラム | |
| WO2020179234A1 (ja) | 画像診断支援装置および画像処理方法 | |
| JP5533198B2 (ja) | 医用画像表示装置及びプログラム | |
| JP7350595B2 (ja) | 画像処理装置、医用画像診断装置及び画像処理プログラム |
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 |