CN114343604A - 基于医学影像的肿瘤检测及诊断装置 - Google Patents
基于医学影像的肿瘤检测及诊断装置 Download PDFInfo
- Publication number
- CN114343604A CN114343604A CN202110644179.4A CN202110644179A CN114343604A CN 114343604 A CN114343604 A CN 114343604A CN 202110644179 A CN202110644179 A CN 202110644179A CN 114343604 A CN114343604 A CN 114343604A
- Authority
- CN
- China
- Prior art keywords
- tumor
- image
- information
- medical image
- neural network
- 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.)
- Granted
Links
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
-
- 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
-
- 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
- A61B5/0033—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
- 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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—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
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- High Energy & Nuclear Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明涉及利用医学影像检测肿瘤并用于诊断已检测的肿瘤的形态和特性的装置及方法。本发明一实施方式的基于医学影像的肿瘤检测及诊断装置可包括:输入部,用于获取与患者相关的医学影像;预处理部,用于预处理所获取的上述医学影像,以能够观察到肿瘤(tumor)区域;分析部,应用基于深度神经网络的深度学习方法来将经预处理的上述影像分割成多个区域;以及测定部,对所分割的上述多个区域进行聚类(clustering)来进行分组(grouping),上述测定部提取被分组的上述区域的各组特征值,以所提取的上述各组特征值为基础来导出与上述肿瘤相关的诊断信息。
Description
技术领域
本发明涉及利用医学影像检测肿瘤并诊断已检测的肿瘤的形态和特性的装置及方法。更详细地,本发明涉及如下的装置及方法,即,基于医学影像及患者信息并结合人工智能(AI)检测肿瘤后,诊断已检测的肿瘤的形态和特性,提供与预后预测相关的信息,从而提供适合于医疗人员诊断患者并制定治疗计划的步骤的信息。
背景技术
肿瘤(tumor)是指体内的细胞具有自主性并过度发展。
肿瘤(tumor)的发展始终归因于肿瘤细胞自身的分裂增殖,发展的形式大致分为两种,是作为在临床上用于区分肿瘤性质是良性还是恶性的重要线索。
一种作为膨胀性或加压性发展,可以在良性肿瘤中发现,而另一种作为浸润性发展,可以在恶性肿瘤中发现。。在膨胀性发展中,肿瘤组织作为一种组织,是以挖掘周围的正常组织的方式发展,因此,很少引起直接受伤。在浸润性发展中,肿瘤细胞以向周围组织之间浸润的方式发展,因此,破坏周围组织并增殖,其发展速度较快。
另一方面,肿瘤扩散的状态也可大致分为两种。即,连续性扩散和非连续性扩散。前者以原发部位为中心向周围连续扩散,膨胀性发展、浸润性发展均属于其中。
后者转移到远离原发部位的位置后进行发展,其代表为转移。
这种肿瘤的转移作为恶性肿瘤所具有的特征之一,由淋巴道转移或血行转移组成。此外,还具有肿瘤细胞掉落并附着在体腔内后,一次性快速发展的播种或因接触导致的接触性转移等。
关于分类,首先,若根据成熟还是未成熟来对其组织进行分类,则前者为良性肿瘤,后者为恶性肿瘤。若再次根据上皮性还是非上皮性来进行分类,则在恶性肿瘤的情况下,上皮性的为癌瘤,而非上皮性的为肉瘤。
成熟的上皮性肿瘤有乳头状瘤、腺瘤、囊肿瘤,成熟的非上皮性肿瘤包括纤维瘤、粘液瘤、脂肪瘤、骨肿瘤、黑色素瘤、肌瘤等。而且,未成熟的上皮性肿瘤有单纯癌、鳞状细胞癌、圆柱上皮癌、肾肿瘤、肝肿瘤、牙釉质瘤等,未成熟的非上皮性肿瘤包括纯肉瘤、纤维肉瘤、粘液肉瘤、脂肪肉瘤、骨肉瘤、黑色素肉瘤、肌肉瘤等。
尤其,脑转移癌(Brain metastasis)是指原发性癌通过血管转移到脑的癌,当具有恶性肿瘤的患者发生脑转移时,可危及生命。
脑转移的特征在于,具有多种互不相同的尺寸,大部分为球形。
但是,由于在T1加权磁共振成像(T1-weighted MRI)中,以与白质(white-matter)类似的亮度值呈现,因此,存在难以通过现有的基于影像分析技术进行诊断的问题。
当前,应用医生通过逐一检查影像并找出病变的方式进行诊断的方式。
虽然曾尝试应用自动化的方法,即,除T1加权磁共振成像外,通过一同放入多种影像来进行诊断的方法,但由于此过程为基于二维影像的分析,因此,在重建过程中,切片之间发生断裂,且这是降低检测准确度的严重问题。
现有技术文件
专利文献
1.韩国专利授权号第10-1793609号(2017年11月6日公开)
2.韩国专利授权号第10-2072476号(2020年2月3日公开)
发明内容
本发明用于解决如上所述的问题,本发明的目的在于,向用户提供如下的装置及方法,即,利用医学影像检测肿瘤并诊断已检测的肿瘤的形态和特性。
具体地,本发明的目的在于,向用户提供如下的装置及方法,即,基于医学影像及患者信息并结合人工智能(AI)检测肿瘤后,通过诊断已检测的肿瘤的形态和特性,提供与预后预测相关的信息,从而提供适合于医疗人员诊断患者并制定治疗计划的步骤的信息。
本发明将肿瘤检测的自动化作为目标,在此过程中,仅使用T1加权磁共振成像来降低影像获取难度,使用三维深度神经网络(3D deep neural network),上述三维深度神经网络使用所有空间信息。
如本发明,当应用三维医学影像内的病变检测及诊断系统时,可适用于肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌、胰腺癌等的病变,可适用于肺钙化(Lung calcification),也可适用于脑白质高信号区域(White-matter hyperintensity)。
尤其,本发明的目的在于,将脑肿瘤/转移癌检测的自动化作为目标,作为脑转移(Brain metastasis)的追踪者(tracker),将病变(lesion)数量、尺寸及其他信息进行数值化后,结合患者的年龄、状态及发病时期等信息来预测预后,从而向医护人员提供危险度和治疗优先顺序等信息。
而且,本发明的目的在于,通过预测病变(lesion)的形态本身来支援患者本人及医护人员,使其可以预先应对。
并且,本发明的目的在于,为了与医护人员的相互作用,在获取诊断结果时即刻与医护人员的数据联动后,提出符合病变位置或特性的主治医生或医护人员,或者向相应医护人员发送请求来接受更加专业的意见和治疗。
并且,本发明的目的在于,针对基于历史记录的治疗方案,通过与医护人员的数据联动来提供符合病变(lesion)的位置或特性的治疗方案(提供历史记录(history)),在使用过程中持续进行反馈,从而使用时间越长,则越可以提出更合适的方案。
另一方面,本发明所要实现的技术问题并不局限于以上提及的技术问题,本发明所属技术领域的普通技术人员可通过以下记载明确理解未提及的其他技术问题。
用于解决上述技术问题的本发明一实施方式的基于医学影像的肿瘤检测及诊断装置包括:输入部,用于获取与患者相关的医学影像;预处理部,用于预处理所获取的上述医学影像,以能够观察到肿瘤区域;分析部,应用基于深度神经网络的深度学习方法来将经预处理的上述影像分割成多个区域;以及测定部,对所分割的上述多个区域进行聚类来进行分组,上述测定部提取被分组的上述区域的各组特征值,以所提取的上述各组特征值为基础来导出与上述肿瘤相关的诊断信息。
并且,上述输入部还可获取上述患者的身体信息,上述测定部可一同利用上述各组特征值及上述身体信息来导出上述诊断信息。
并且,上述预处理部可整列所获取的上述医学影像的方向,为了维持所获取的上述医学影像内的一致性而修正上述影像内信号偏向,可去除在所获取的上述医学影像内除作为目标(target)的上述肿瘤区域外的区域。
并且,上述分析部为了校正分辨率而以体素分辨率(voxel-resolution)为基准来对经预处理的上述影像进行重采样,标准化(normalization)经重采样的上述影像,为了应用基于上述深度神经网络的深度学习方法而调节经标准化的上述影像的尺寸,将尺寸调节后的上述影像分割成多个区域,以便按与上述深度神经网的输入相同的尺寸输出。
并且,通过上述深度神经网输入的影像和所分割的上述多个区域相关影像可以为三维影像。
并且,基于上述深度神经网的深度学习方法可通过改变运算顺序及方式中的至少一个来利用可减少变量及运算量的深度可分离卷积(DSC,Depth-wise separableconvolution)块(block)。
并且,当应用上述深度可分离卷积块时,基于上述深度神经网的深度学习方法为了防止通过上述深度神经网输入的影像内的信息丢失而应用残差连接(Skip-connections)。
并且,基于上述深度神经网的深度学习方法可通过扩展卷积滤波器(convolutionfilter)来利用空洞空间卷积池化金字塔(ASPP,Atrous spatial pyramid pooling)块(block),上述空洞空间卷积池化金字塔块通过多个步骤对空洞卷积(Atrousconvolution)进行多尺度池化,上述空洞卷积以相同数量的参数执行更扩展的视场(FOV,Field of View)运算。
并且,基于上述深度神经网的深度学习方法为了获取根据多个尺度(scale)导出的多个特征(feature)而能够使用上采样(up-sampling)和下采样(down-sampling)。
并且,上述测定部为了将上述肿瘤从体素级别(voxel level)处理到对象级别(object level)而可执行上述聚类。
并且,上述测定部对所提取的上述各组特征值进行定量化,上述诊断信息可包含上述肿瘤的位置(location)信息、区域(region)信息、直径(diameter)信息及体积(volume)信息。
并且,上述测定部可通过结合临床信息(Clinical parameter)和上述对象级别信息来预测与上述肿瘤相关的预后。
并且,本发明还可包括输出部,用于输出被分组的上述区域及上述各组特征值。
并且,本发明还包括存储部,用于对通过上述测定部的分组工作来获取的矩阵信息进行逆处理后存储,以使其与上述输入部获取的原来的医学影像空间(space)相匹配,上述存储部可用于存储被分组的上述区域及上述各组特征值。
并且,上述肿瘤可包括脑肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌及胰腺癌。
并且,上述预处理部可用于预处理所获取的上述医学影像,以能够观察到除上述肿瘤区域外的肺钙化(Lung calcification)区域和脑白质高信号(White-matterhyperintensity)区域中的至少一个。
根据如上所述的本发明,可向用户提供如下的装置及方法,即,利用医学影像检测肿瘤并诊断已检测的肿瘤的形态和特性。
具体地,本发明可向用户提供如下的装置及方法,即,基于医学影像及患者信息并结合人工智能(AI)检测肿瘤后,通过诊断已检测的肿瘤的形态和特性,提供与预后预测相关的信息,从而提供适合于医疗人员诊断患者并制定治疗计划的步骤的信息。
并且,本发明将肿瘤检测的自动化作为目标,在此过程中,仅使用T1加权磁共振成像来降低影像获取难度,可使用三维深度神经网络(3D deep neural network),上述三维深度神经网络使用所有空间信息。
并且,如本发明,当应用三维医学影像内的病变检测及诊断系统时,可适用于肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌、胰腺癌等的病变,可适用于肺钙化(Lung calcification),也可适用于脑白质高信号区域(White-matterhyperintensity)。
尤其,本发明可将脑肿瘤/转移癌检测的自动化作为目标,作为脑转移(Brainmetastasis)的追踪者(tracker),将病变(lesion)数量、尺寸及其他信息进行数值化后,结合患者的年龄、状态及发病时期等信息来预测预后,从而向医护人员提供危险度和治疗优先顺序等信息。
而且,本发明可通过预测病变(lesion)的形态本身来支援患者本人及医护人员,使其可以预先应对。
并且,本发明为了与医护人员的相互作用,在获取诊断结果时即刻与医护人员的数据联动后,提出符合病变位置或特性的主治医生或医护人员,或者向相应医护人员发送请求来接受更加专业的意见和治疗。
并且,本发明针对基于历史记录的治疗方案,通过与医护人员的数据联动来提供符合病变(lesion)的位置或特性的治疗方案(提供历史记录),在使用过程中持续进行反馈,从而使用时间越长,越可以提出更合适的方案。
另一方面,本发明所要获取的效果并不局限于以上提及的效果,本发明所属技术领域的普通技术人员可通过以下记载明确理解未提及的其他效果。
附图说明
图1为示出本发明的肿瘤检测及诊断装置的框结构图。
图2为说明本发明的基于医学影像的肿瘤检测及诊断方法的流程图。
图3为示出适用于本发明的肿瘤检测及诊断装置的输入部的框结构图。
图4为示出适用于本发明的肿瘤检测及诊断装置的预处理部的框结构图。
图5示出本发明的预处理部工作的一例。
图6为示出适用于本发明的肿瘤检测及诊断装置的影像分析部的框结构图。
图7示出本发明的影像分析部工作的一例。
图8为示出本发明的影像分析部工作的流程图。
图9为示出适用于本发明的肿瘤检测及诊断装置的测定部的框结构图。
图10示出本发明的测定部工作的一例。
图11为示出适用于本发明的肿瘤检测及诊断装置的存储部的框结构图。
图12为示出适用于本发明的肿瘤检测及诊断装置的输出部的框结构图。
图13示出本发明的输出部工作的一例。
具体实施方式
以下,参照附图,说明本发明的优选实施例。并且,以下说明的实施例并不限定在发明要求保护范围中所记载的本发明的内容,在本发明的实施方式中说明的整体结构并非是作为本发明的技术方案必不可少的。
以下,参照附图,详细说明本发明优选实施例的利用医学影像检测肿瘤并诊断已检测的肿瘤的形态和特性的装置及方法。
脑转移癌(Brain metastasis)
本发明可用于检测多种肿瘤(tumor)并诊断已检测的肿瘤的形态和特性。
例如,可应用本发明的肿瘤可包括脑肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌及胰腺癌等。
并且,除肿瘤区域外,本发明可通过检测肺钙化(Lung calcification)区域、脑白质高信号(White-matter hyperintensity)区域来诊断相应区域的特性。
以下,以作为本发明目标代表性肿瘤的脑转移癌(Brain metastasis)为基础说明本发明的内容。
只是,本发明的内容并不局限于脑转移癌,可用于检测并诊断如上所述的脑肿瘤、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌、胰腺癌、肺钙化(Lung calcification)区域、脑白质高信号(White-matter hyperintensity)区域等。
脑转移癌是因颅腔外部的原发癌转移到颅腔内而导致的,是在成人的脑内恶性肿瘤中最为普遍。脑作为如肺癌及乳腺癌的系统性癌症的比较普遍转移的部位,据估计,20%~30%左右的系统性癌症患者经历脑转移(Gavrilovic IT,Posner JB.JNeurooncol.2005;75(1):5-14)。
据估计,韩国癌症患者的总数量和脑部恶性肿瘤患者的总数量增加,脑转移癌的发生率也呈持续增加的趋势。
当发生脑转移癌时,总存活期(OS,overall survival)低于未发生脑转移癌的情况。
研究结果表明,在占所有脑转移癌原发病灶50%以上的肺癌的情况下,在手术前作为筛选检查执行脑磁共振成像来确认是否发生脑转移,相比于未接受适当治疗的患者组,接受适当治疗的患者组的存活率显著高。
并且,据报告,最近可通过抗癌治疗、放射线治疗及伽马刀手术等复合且积极的治疗来提高脑转移癌患者的存活率。
因此,早期发现癌症患者是否存在脑转移对于改善患者的预后非常重要。
诊断脑转移癌的基本检查为脑磁共振成像(MRI),相比于电子计算机断层扫描(CT),磁共振成像具有如下多个优点,即,软组织对照图优秀,颅骨造成的伪影较少,呈现出更好的造影增强效果,因此,在脑转移癌诊断中非常重要。
在磁共振成像上,由于转移癌结节及正常血管一同呈现出造影增强,因此,需要仔细区分较小的脑转移结节及正常血管。
为了区分上述脑转移结节及正常血管,需要仔细观察呈现出造影增强的病变是否为球形或不规则形状还是如血管的圆筒形状,但是,即使利用高分辨率影像也难以进行区分。
并且,在应用高分辨率磁共振成像的情况下,随着在每次检查中获取的影像切片的数量显著增加,对于读取这些影像的医学影像科的医生而言,逐一准确地分析这些影像是巨大的负担。
所有影像检查在本质上均存在读取错误的风险。尤其,医学技术越发展,越需要更准确的影像诊断,相反,影像检查的数量剧增且读取高分辨率影像所消耗的时间将变得越来越长,从而医学影像科医生的负担也将大幅度增加。因此,需要具备用于降低读取错误的危险性的安全装置。
因此,为了解决上述问题,本发明提供利用影像处理及人工智能技术,在脑医学影像中自动检测、分割、分析及诊断脑转移结节的装置及方法。
基于医学影像的肿瘤检测及诊断装置
本发明用于解决如上所述的问题,本发明的目的在于,向用户提供如下的装置及方法,即,利用医学影像检测肿瘤并诊断已检测的肿瘤的形态和特性。
具体地,本发明向用户提供如下的装置及方法,即,基于医学影像及患者信息并结合人工智能(AI)检测肿瘤后,通过诊断已检测的肿瘤的形态和特性,提供与预后预测相关的信息,从而提供适合于医疗人员诊断患者并制定治疗计划的步骤的信息。
本发明将肿瘤检测的自动化作为目标,在此过程中,仅使用T1加权磁共振成像来降低影像获取难度,使用三维深度神经网络(3D deep neural network),上述三维深度神经网络使用所有空间信息。
如本发明,当应用三维医学影像内的病变检测及诊断系统时,可适用于肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌、胰腺癌等的病变,可适用于肺钙化(Lung calcification),也可适用于脑白质高信号区域(White-matter hyperintensity)。
尤其,本发明的目的在于,将脑肿瘤/转移癌检测的自动化作为目标,作为脑转移(Brain metastasis)的追踪者(tracker),将病变(lesion)数量、尺寸及其他信息进行数值化后,结合患者的年龄、状态及发病时期等信息来预测预后,从而向医护人员提供危险度和治疗优先顺序等信息。
而且,本发明的目的在于,可通过预测病变(lesion)的形态本身来支援患者本人及医护人员,使其可以预先应对。
并且,本发明的目的在于,为了与医护人员的相互作用,在获取诊断结果时即刻与医护人员的数据联动后,提出符合病变位置或特性的主治医生或医护人员,或者向相应医护人员发送请求来接受更加专业的意见和治疗。
并且,本发明的目的在于,针对基于历史记录的治疗方案,通过与医护人员的数据联动来提供符合病变(lesion)的位置或特性的治疗方案(提供历史记录),在使用过程中持续进行反馈,从而使用时间越长,越可以提出更合适的方案。
图1为示出本发明的肿瘤检测及诊断装置的框结构图。
如图1所示,本发明优选实施例的肿瘤检测及诊断装置1可包括输入部10、预处理部20、分析部30、测定部40、存储部50及输出部60。
首先,输入部10可获取与患者相关的医学影像。
具体地,输入部10可获取具有DICOM或NIFTI信息的头颈(Head&Neck)单个磁共振成像医学影像。
并且,输入部10可获取与患者相关的身体信息,上述身体信息可包含性别、年龄、信息获取时间等。
接着,预处理部20提供预处理所获取的上述医学影像的功能,以能够观察到肿瘤(tumor)区域。
代表性地,预处理部20可提供影像方向整列、影像内信号偏向修正(修正影像内不一致性)及去除脑外区域(脑提取)功能。
并且,分析部30通过应用基于深度神经网的深度学习方法来提供将经预处理的上述影像分割成多个区域的功能。
代表性地,分析部30可提供影像重采样、影像标准化、影像尺寸调节、基于深度学习的影像分割功能。
并且,测定部40提供对所分割的上述多个区域进行聚类(clustering)来进行分组(grouping)的功能。
并且,测定部40从被分组的区域中提取各组特征值,以提取的上述各组特征值为基础导出与上述肿瘤相关的诊断信息。
代表性地,测定部40可提供分割区域分组、测定各组特征值及定量化、计算预后预测信息的功能。
并且,输出部可输出被分组的上述区域及上述各组特征值。
并且,存储部50可对通过测定部的分组工作获取的矩阵信息进行逆处理后存储,以使其与上述输入部10获取的原来的医学影像空间(space)相匹配。
并且,存储部50可存储被分组的区域及各组特征值。
最后,输出部60可提供输出被分组的区域及各组特征值的功能。
图2为说明本发明的基于医学影像的肿瘤检测及诊断方法的流程图。
参照图2,输入部10执行获取与患者相关的医学影像的步骤S1。
其中,输入部10还可获取上述患者的身体信息,之后,测定部40可通过一同利用各组特征值及上述身体信息来导出上述诊断信息。
并且,预处理部20执行预处理所获取的上述医学影像,以可观察到肿瘤(tumor)区域的步骤S2。
其中,预处理部20整列所获取的医学影像的方向,为了维持所获取的上述医学影像内的一致性,可修正上述影像内信号偏向并去除在所获取的上述医学影像内除作为目标(target)的上述肿瘤区域外的区域。
之后,分析部30执行应用基于深度神经网的深度学习方法来将经预处理的上述影像分割成多个区域的步骤S3。
其中,分析部30为了校正分辨率而以体素分辨率(voxel-resolution)为基准来对经预处理的上述影像进行重采样(resampling),标准化经重采样的上述影像,为了应用基于上述深度神经网络的深度学习方法而调节经标准化的上述影像的尺寸,可将尺寸调节后的上述影像分割成多个区域,以便按与上述深度神经网的输入相同的尺寸输出。
并且,通过深度神经网输入的影像和所分割的上述多个区域相关影像可以为三维影像。
在此情况下,存储部50可存储分割的结果(步骤S4),输出部60可显示分割的结果(步骤S5)。
并且,测定部40可对所分割的上述多个区域进行聚类(clustering)来进行分组(grouping),可提取被分组的区域的各组特征值,以所提取的上述各组特征值为基础导出与上述肿瘤相关的诊断信息(步骤S6)。
在此情况下,测定部40为了将上述肿瘤从体素级别(voxel level)处理到对象级别(object level)而可以执行上述聚类。
并且,测定部40对所提取的上述各组特征值进行定量化,诊断信息可包含上述肿瘤的位置(location)信息、区域(region)信息、直径(diameter)信息及体积(volume)信息。
并且,测定部40也可通过结合临床信息(Clinical parameter)和上述对象级别信息来预测与上述肿瘤相关的预后。
之后,存储部50可执行存储被分组的上述区域及上述各组特征值的步骤S7。
在此情况下,存储部50可对通过上述测定部的分组工作获取的矩阵信息进行逆处理后存储,以使其与上述输入部获取的原来的医学影像空间(space)相匹配。
并且,输出部60可输出被分组的区域及上述各组特征值(步骤S8)。
如上所述,可应用本发明的肿瘤可包括脑肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌及胰腺癌。
并且,预处理部20也可预处理所获取的医学影像,以可观察到除肿瘤区域外的肺钙化(Lung calcification)区域和脑白质高信号(White-matter hyperintensity)区域中的至少一个。
以下,参照附图,具体说明各个结构要素的作用及功能。
输入部的结构及工作
图3为示出适用于本发明的肿瘤检测及诊断装置的输入部的框结构图。
本发明的输入部10可获取与患者相关的医学影像。
其中,输入部10可包括:DICOM影像部11,用于获取与头颈(Head&Neck)单个磁共振成像对应的DICOM信息;以及NIFTI影像部12,用于获取NIFTI信息。
并且,输入部10还可包括还获取身体信息的患者身体信息输入部13,其中,身体信息作为患者的基本信息,可包含性别、年龄、信息获取时间等。
预处理部的结构及工作
图4为示出适用于本发明的肿瘤检测及诊断装置的预处理部的框结构图。
参照图4,预处理部20可包括:通过RPI orientation align(方向整列)的影像方向整列部21;影像内信号偏向修正部22,用于修正影像内的不一致性;以及脑外区域去除部23,用于提取存在肿瘤的脑区域。
其中,信号偏向修正部22可应用非均匀校正(Non-uniformity correction)等,噪声区域去除部23可应用自动提取脑部(Skull-stripping)等。
另一方面,图5示出本发明的预处理部工作的一例。
图5的(a)部分示出了通过输入部10获取的DICOM医疗信息,图5的(b)部分示出了通过预处理部20进行影像方向整列、影像内信号偏向修正及脑区域提取的结果物。
并且,预处理部20也可预处理所获取的医学影像,以可观察到除肿瘤区域外的肺钙化(Lung calcification)区域和脑白质高信号(White-matter hyperintensity)区域中的至少一个。
分析部的结构及工作
图6为示出适用于本发明的肿瘤检测及诊断装置的影像分析部的框结构图,图7示出本发明的影像分析部工作的一例。
参照图6,分析部30执行应用基于深度神经网的深度学习方法来将经预处理的上述影像分割成多个区域的步骤S3,。
其中,分析部30可包括:影像重采样部31,为了校正分辨率而以体素分辨率(voxel-resolution)为基准来对经预处理的上述影像进行重采样(resampling);影像标准化部32,用于标准化(normalization)经重采样的上述影像;影像尺寸调节部33,为了应用基于上述深度神经网络的深度学习方法而调节经标准化的上述影像的尺寸;以及影像分割部34,用于将尺寸调节后的上述影像分割成多个区域,以便按与上述深度神经网的输入相同的尺寸输出。
在此情况下,通过本发明的深度神经网输入的影像和所分割的上述多个区域相关影像可以为三维影像。
图7的(a)部分示出在经过分析部30之前通过预处理部20进行预处理的影像的一例,图7的(b)部分示出通过分析部30被分割成多个区域的产物。
具体地,为了修正成每个影像具有互不相同的分辨率,影像重采样部31能够以体素分辨率(voxel-resolution)进行重采样(resampling),可适用0.5mm×0.5mm×0.5mm。
只是,上述0.5mm×0.5mm×0.5mm的内容仅为适用本发明的简单一例,显而易见的是,也可适用其他条件的多个体素分辨率。
并且,作为代表性一例,影像标准化部32可标准化成(m,σ)=(0,1),以最大值6应用强度片段(intensity clip)。
同样,应用最大值6仅为本发明的应用一例,也可应用其他最大值。
并且,影像尺寸调节部33可按之后进行的深度神经网分析来调节影像尺寸,空间分辨率(Array size)可以为176×176×176。
并且,影像分割部34可执行基于深度神经网的目标(target)区域分割(segmentation),按与深度神经网的输入相同的尺寸输出,代表性地,可应用176×176×176。
同样,应用176×176×176仅为本发明的应用一例,也可应用其他尺寸。
其中,可利用深度可分离卷积(DSC,Depth-wise separable convolution)块(block)、残差连接(Skip-connections)、空洞空间卷积池化金字塔(ASPP,Atrous spatialpyramid poolin)块(block)、上采样(Up-sampling)及下采样(down-sampling)等。
深度可分离卷积(Depth-wise separable convolution)是指各个深度的分离合成积,空洞空间卷积池化金字塔(Atrous spatial pyramid pooling)是指空洞空间金字塔整合。
图8为示出上述影像分析部34的具体工作的流程图。
参照图8,首先,通过深度神经网输入的影像和所分割的上述多个区域相关影像可以为三维影像。
在应用二维模型的情况下,当通过结合作为结果获取的片(slice)来再次构成三维影像时,片与片之间发生断裂(disconnection),且难以考虑到整体位置(Globallocation)。
因此,本发明可通过应用三维模型来去除片与片之间的断裂且还可以考虑整体位置。
而且,由于脑转移癌(Brain metastasis)通常呈现为球形,而并非圆形,因此,可在三维模型中做出更合理的判断。
参照图8,通过深度神经网输入三维影像(步骤S10),通过第一次卷积(步骤S11)执行三次应用深度可分离卷积(DSC,Depth-wise separable convolution)块(block)的运算(步骤S12、步骤S13、步骤S14)。
在此情况下,在深度可分离卷积(DSC,Depth-wise separable convolution)块(block)运算之间中可执行残差连接(Skip-connections)(步骤S23,步骤S24)。
步骤S14之后,利用应用空洞空间卷积池化金字塔(ASPP,Atrous spatialpyramid pooling)块(block)的运算,之后,通过三次的卷积(步骤S17、S18、S19)输出与所分割的多个区域相关的三维影像(步骤S20),
在此情况下,跳跃的两次连接结果(步骤S23,步骤S24)与两次卷积结果(步骤S17,步骤S18)相结合并在之后的卷积(步骤S18,步骤S19)中作为输入值使用。
尤其,最后的卷积(步骤S19)用于获取如下的最终概率值。
0=normal/background
1=BM
其中,深度可分离卷积(DSC,Depth-wise separable convolution)块(block)用于如下目的,即,改变运算顺序及方式中的至少一个来减少变量及运算量。
深度可分离卷积作为通过改变普通卷积(conv)的运算顺序和方式来与现有方式类似地维持运算信息并大幅减少变量和运算量的卷积模块(conv module),当将经过多个步骤的深度可分离卷积应用于模型内时,可有效地对应多种视场(FOV),因此,可进一步确切地探测具有多种尺寸的对象,例如,脑转移癌(brain metastasis)。
尤其,当在资源需求量较高的三维模型使用深度可分离卷积时,由于可有效轻量化模型,因此,在片与片之间不发生断裂(between-slice disconnection)的情况下,可检测多种尺寸的BM。
并且,当应用上述深度可分离卷积块时,基于深度神经网的深度学习方法可通过应用残差连接(Skip-connections)来防止通过深度神经网输入的影像内的信息丢失。
结果,当应用残差连接(Skip-connections)时,由于可维持更多的局部性要素,因此,可使得模型更有效执行分割(segmentation)工作。
并且,通过扩展卷积滤波器(convolution filter)来利用空洞空间卷积池化金字塔(ASPP,Atrous spatial pyramid pooling)块(block),上述空洞空间卷积池化金字塔块通过多个步骤对空洞卷积(Atrous convolution)进行多尺度池化,上述空洞卷积以相同数量的参数执行更扩展的视场(FOV,Field of View)运算。
空洞空间卷积池化金字塔(ASPP)块具有如下优点,即,可获取从本地特性考虑到整体特性的输出,当检测形态类似且具有多种尺寸的脑转移癌(brain metastasis)时,可通过上述优点可有效进行检测。
并且,为了获取根据多个尺度(scale)导出的多个特征(feature),可使用上采样(Up-sampling)和下采样(down-sampling)。
测定部的结构及工作
图9为示出适用于本发明的肿瘤检测及诊断装置的测定部的框结构图,图10示出本发明的测定部工作的一例。
参照图9,测定部40可包括:分组部41,对上述分割的多个区域进行聚类(clustering)来进行分组(grouping);提取部42,分别从被分组的区域提取各组的特征值;以及预后预测信息计算部43,基于所提取的各组的特征值导出与上述肿瘤相关的诊断信息。
为了将肿瘤从体素级别(voxel level)处理到对象级别(object level),分组部41可执行上述聚类。
提取部42对所提取的各组的特征值进行定量化,诊断信息可包含上述肿瘤的位置(location)信息、区域(region)信息、直径(diamete)信息及体积(volume)信息。
预后预测信息计算部43可通过结合临床信息(Clinical parameter)和上述对象级别信息来预测与上述肿瘤相关的预后。
原发癌发展速度、脑内病变位置等可以与预后相关。
图10的(a)部分示出在经过测定部40之前通过分析部30分割成多个区域的影像的一例,图10的(b)部分示出通过测定部40对所分割的多个区域进行聚类(clustering)来进行分组(grouping)的一例,图10的(c)部分示出提取被分组的区域的各组特征值,以所提取的各组特征值为基础来导出与上述肿瘤相关的诊断信息的一例。
另一方面,分析部30及测定部40可应用磁共振成像DICOM数据开放及多平面重建(MPR,Multi Planar Reconstruction)技术。
即,采用ITK读取磁共振成像DICOM系列的标题和影像信息,将其重建为三维数据,将重建的三维数据移植到VTK,并通过VTK数据库将三维数据转换成由横轴、冠状、矢状的二维图片组成的多平面重建并将其以可视化的方式显示在画面。
并且,分析部30及测定部40可应用脑转移结节候选组检测技术。
具体地,可通过三维横板匹配(template matching)和K均值(K-means)聚类算法检测脑转移结节的候选组。
通常,由于脑转移结节具有球形状,因此,通过以多种尺寸形成的球形的模板检测球形态的脑转移结节,大尺寸的结节可通过K均值聚类算法,以所分割的多个区域为对象,可基于形态及像素值检测多个候选组。
并且,分析部30及测定部40可应用基于机器学习(ANN)的候选组判别模型。
具体地,以检测的结节候选组为对象,可提取基于直方图、形状及纹理的272个特征值,并且,可通过统计技术选择30个特征值。
并且,在机器学习技术中,可通过所选择的30个特征值来学习基于人工神网络(ANN,artificial neural network)的模型。
之后,以当前检测的结节候选组为对象,通过经学习的机器学习模型判别是否存在结节,由此,最终可检测到脑转移结节。
并且,分析部30及测定部40可执行利用深度学习模型的肿瘤检测。
具体地,可应用如下方法,即,FC应用S/W之间的联动、用于在Windows环境中使用深度学习模型的环境设置的方法、在Windows环境中运行的应用S/W中使用在python环境中学习的深度学习模型的联动方法、在应用S/W中的深度学习模型调用方法及用于在应用S/W中处理深度学习结果的联动方法、在磁共振成像中,基于通过三维感兴趣区容积(3D VOI)标注(annotation)的结节检测结节的位置、分割结节的外围的卷积神经网络(CNN)模型、对于学习的深度学习模型的超参数及学习/执行环境所需的程序及设定等的设置等。
存储部及输出部的结构及工作
图11为示出适用于本发明的肿瘤检测及诊断装置的存储部的框结构图。
参照图11,存储部50可存储被分组的上述区域及上述各组特征值。
具体地,存储部50可包括影像尺寸调节部51、影像重采样部52、影像文件存储部53、各组信息存储部54、其他信息存储部55等。
存储部50可对通过测定部的分组工作获取的矩阵信息进行逆处理后存储,以使其与上述输入部获取的原来的医学影像空间(space)相匹配。
并且,图12为示出适用于本发明的肿瘤检测及诊断装置的输出部的框结构图。
参照图12,输出部60可输出被分组的区域及上述各组特征值。
具体地,检测区域输出部61可包括各组特征值输出部62及各组预后预测信息输出部63。
图13示出本发明的输出部工作的一例。
图13的(a)部分为可视化已检测区域的一例,图13的(b)部分为输出各区域组特征值、各区域组的预后预测信息的一例。
如上所述,可应用本发明的肿瘤可包括脑肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌及胰腺癌。
并且,除肿瘤区域外,本发明也可检测及诊断肺钙化(Lung calcification)区域及脑白质高信号(White-matter hyperintensity)区域。
本发明的效果
本发明可向用户提供如下的装置及方法,即,利用医学影像检测肿瘤并诊断已检测的肿瘤的形态和特性。
具体地,本发明可向用户提供如下的装置及方法,即,基于医学影像及患者信息并结合人工智能(AI)检测肿瘤后,通过诊断已检测的肿瘤的形态和特性,提供与预后预测相关的信息,从而提供适合于医疗人员诊断患者并制定治疗计划的步骤的信息。
并且,本发明将肿瘤检测的自动化作为目标,在此过程中,仅使用T1加权磁共振成像来降低影像获取难度,可使用三维深度神经网络(3D deep neural network),上述三维深度神经网络使用所有空间信息。
并且,如本发明,当应用三维医学影像内的病变检测及诊断系统时,可适用于肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌、胰腺癌等的病变,可适用于肺钙化(Lung calcification),也可适用于脑白质高信号区域(White-matterhyperintensity)。
尤其,本发明可将脑肿瘤/转移癌检测的自动化作为目标,作为脑转移(Brainmetastasis)的追踪者(tracker),将病变(lesion)数量、尺寸及其他信息进行数值化后,结合患者的年龄、状态及发病时期等信息来预测预后,从而向医护人员提供危险度和治疗优先顺序等信息。
而且,本发明可通过预测病变(lesion)的形态本身来支援患者本人及医护人员,使其可以预先应对。
并且,本发明为了与医护人员的相互作用,在获取诊断结果时即刻与医护人员的数据联动后,提出符合病变位置或特性的主治医生或医护人员,或者向相应医护人员发送请求来接受更加专业的意见和治疗。
并且,本发明针对基于历史记录的治疗方案,通过与医护人员的数据联动来提供符合病变(lesion)的位置或特性的治疗方案(提供历史记录),在使用过程中持续进行反馈,从而使用时间越长,越可以提出更合适的方案。
另一方面,本发明可获取的效果并不局限于以上提及的效果,本发明所属技术领域的普通技术人员可通过以下记载明确理解未提及的其他效果。
以上本发明的实施例可通过多种单元体现。例如,本发明的实施例可通过硬件、固件(firmware)、软件或它们的结合等来体现。
当通过硬件体现时,本发明实施例的方法可通过一个或一个以上的专用集成电路(ASICs,Application Specific Integrated Circuits)、数字信号处理器(DSPs,DigitalSignal Processors)、数字信号处理设备(DSPDs,Digital Signal Processing Devices)、可编程逻辑器件(PLDs,Programmable Logic Devices)、现场可编程门阵列(FPGAs,FieldProgrammable Gate Arrays)、处理器、控制器、微控制器、微处理器等来体现。
当通过固件或软件体现时,本发明实施例的方法可体现为执行以上说明的功能或工作的模块、步骤或函数等形态。软件代码可存储在存储单元并通过处理器驱动。上述存储单元可位于上述处理器内部或外部,可通过已知的多种单元与上述处理器收发数据。
如上所述,对于本发明优选实施例的详细说明为了使本发明所属技术领域的普通技术人员可以体现并实施本发明而提供。虽然参照本发明的优选实施例说明了本发明,但应当理解的是,本发明所属技术领域的普通技术人员可在不超出本发明的技术范围的情况下进行多种修改及变更。例如,本发明所属技术领域的普通技术人员可将在上述实施例中记载的各个结构以组合的方式。因此,本发明并不局限于在此说明的实施方式,并且,应赋予与在此公开的原理及新的特征相同的最广范围。
本发明可在不超出本发明的思想及基本特征的范畴内以其他特定实施方式实现。因此,上述的详细说明仅为例示,在所有层面上并不限定本发明。本发明的范围应根据附加的发明要求保护范围的合理解释来确定,在本发明的等同范围内的所有变更均属于本发明的范围内。本发明并不局限于在此说明的实施方式,而是赋予与在此公开的原理及新的特征相同的最广范围。并且,可通过结合发明要求保护范围中并不具有明确引用关系的发明要求保护范围来构成实施例,或者通过申请后的修改来包括新的发明要求保护范围。
Claims (16)
1.一种基于医学影像的肿瘤检测及诊断装置,其特征在于,
包括:
输入部,用于获取与患者相关的医学影像;
预处理部,用于预处理所获取的上述医学影像,以能够观察到肿瘤区域;
分析部,应用基于深度神经网络的深度学习方法来将经预处理的上述影像分割成多个区域;以及
测定部,对所分割的上述多个区域进行聚类来进行分组,
上述测定部提取被分组的上述区域的各组特征值,
以所提取的上述各组特征值为基础来导出与上述肿瘤相关的诊断信息。
2.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,
上述输入部还获取上述患者的身体信息,
上述测定部一同利用上述各组特征值及上述身体信息来导出上述诊断信息。
3.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,
上述预处理部整列所获取的上述医学影像的方向,
为了维持所获取的上述医学影像内的一致性而修正上述影像内信号偏向,
去除在所获取的上述医学影像内除作为目标的上述肿瘤区域外的区域。
4.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,
上述分析部为了校正分辨率而以体素分辨率为基准来对经预处理的上述影像进行重采样,
标准化经重采样的上述影像,
为了应用基于上述深度神经网络的深度学习方法而调节经标准化的上述影像的尺寸,
将尺寸调节后的上述影像分割成多个区域,以便按与上述深度神经网的输入相同的尺寸输出。
5.根据权利要求4所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,通过上述深度神经网输入的影像和所分割的上述多个区域相关影像为三维影像。
6.根据权利要求4所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,基于上述深度神经网的深度学习方法通过改变运算顺序及方式中的至少一个来利用能够减少变量及运算量的深度可分离卷积块。
7.根据权利要求6所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,当应用上述深度可分离卷积块时,基于上述深度神经网的深度学习方法为了防止通过上述深度神经网输入的影像内的信息丢失而应用残差连接。
8.根据权利要求4所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,基于上述深度神经网的深度学习方法通过扩展卷积滤波器来利用空洞空间卷积池化金字塔块,上述空洞空间卷积池化金字塔块通过多个步骤对空洞卷积进行多尺度池化,上述空洞卷积以相同数量的参数执行更扩展的视场运算。
9.根据权利要求4所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,基于上述深度神经网的深度学习方法为了获取根据多个尺度导出的多个特征而使用上采样和下采样。
10.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,上述测定部为了将上述肿瘤从体素级别处理到对象级别而执行上述聚类。
11.根据权利要求10所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,
上述测定部对所提取的上述各组特征值进行定量化,
上述诊断信息包含上述肿瘤的位置信息、区域信息、直径信息及体积信息。
12.根据权利要求10所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,上述测定部通过结合临床信息和上述对象级别信息来预测与上述肿瘤相关的预后。
13.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,还包括输出部,用于输出被分组的上述区域及上述各组特征值。
14.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,
还包括存储部,用于对通过上述测定部的分组工作来获取的矩阵信息进行逆处理后存储,以使其与上述输入部所获取的原来的医学影像空间相匹配,
上述存储部用于存储被分组的上述区域及上述各组特征值。
15.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,上述肿瘤包括脑肿瘤、脑转移癌、肺癌、乳腺癌、肝癌、大肠癌、前列腺癌、宫颈癌及胰腺癌。
16.根据权利要求1所述的基于医学影像的肿瘤检测及诊断装置,其特征在于,上述预处理部用于预处理所获取的上述医学影像,以能够观察到除上述肿瘤区域外的肺钙化区域和脑白质高信号区域中的至少一个。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210049901A KR102320431B1 (ko) | 2021-04-16 | 2021-04-16 | 의료 영상 기반 종양 검출 및 진단 장치 |
KR10-2021-0049901 | 2021-04-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114343604A true CN114343604A (zh) | 2022-04-15 |
CN114343604B CN114343604B (zh) | 2023-03-24 |
Family
ID=76355368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110644179.4A Active CN114343604B (zh) | 2021-04-16 | 2021-06-09 | 基于医学影像的肿瘤检测及诊断装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11568538B2 (zh) |
EP (1) | EP4075380B1 (zh) |
JP (1) | JP7216145B2 (zh) |
KR (4) | KR102320431B1 (zh) |
CN (1) | CN114343604B (zh) |
ES (1) | ES2941788T3 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102320431B1 (ko) * | 2021-04-16 | 2021-11-08 | 주식회사 휴런 | 의료 영상 기반 종양 검출 및 진단 장치 |
CN114267443B (zh) * | 2021-11-08 | 2022-10-04 | 东莞市人民医院 | 基于深度学习的胰腺肿瘤纤维化程度预测方法及相关装置 |
WO2023233424A1 (en) * | 2022-06-01 | 2023-12-07 | Brainsight Technology Private Limited | System and method for evaluating malignant/non-malignant growth in brain using multimodal structural magnetic resonance imaging |
DE102022114713A1 (de) * | 2022-06-10 | 2023-12-21 | Forschungszentrum Jülich GmbH | Computerimplementiertes Trainings-Verfahren, computerimplementiertes Vorhersage-Verfahren, Computerprogramm, computerlesbares Medium und Vorrichtung |
CN118298067B (zh) * | 2024-06-04 | 2024-08-06 | 齐鲁工业大学(山东省科学院) | 基于Transformer的MRI脑肿瘤图像重建方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040184646A1 (en) * | 2003-03-19 | 2004-09-23 | Fuji Photo Film Co., Ltd. | Method, apparatus, and program for judging images |
US20120004514A1 (en) * | 2009-03-04 | 2012-01-05 | Atsushi Marugame | Diagnostic imaging support device, diagnostic imaging support method, and storage medium |
US20180204046A1 (en) * | 2015-08-04 | 2018-07-19 | Siemens Aktiengesellschaft | Visual representation learning for brain tumor classification |
CN109493325A (zh) * | 2018-10-23 | 2019-03-19 | 清华大学 | 基于ct影像的肿瘤异质性分析系统 |
CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
JP2020144700A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社日立製作所 | 画像診断装置、画像処理方法及びプログラム |
CN112263236A (zh) * | 2020-09-22 | 2021-01-26 | 北京赛迈特锐医疗科技有限公司 | 全身肿瘤mri智能化评估系统及方法 |
CN112529915A (zh) * | 2020-12-17 | 2021-03-19 | 山东大学 | 一种脑肿瘤图像分割方法及系统 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3974946B2 (ja) * | 1994-04-08 | 2007-09-12 | オリンパス株式会社 | 画像分類装置 |
KR101284388B1 (ko) | 2011-10-26 | 2013-07-09 | 연세대학교 산학협력단 | 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체 |
KR101676789B1 (ko) * | 2014-10-21 | 2016-11-16 | 삼성전자주식회사 | 자기 공명 영상 장치 및 자기 공명 영상을 처리하는 방법 |
KR101793609B1 (ko) | 2015-09-11 | 2017-11-06 | 연세대학교 산학협력단 | 다중 광학 융합영상 기반 실시간으로 뇌종양을 진단하는 방법 및 장치 |
CN113822960A (zh) * | 2016-09-06 | 2021-12-21 | 医科达有限公司 | 用于生成合成成像数据的方法、系统及计算机可读介质 |
US10635927B2 (en) * | 2017-03-06 | 2020-04-28 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
TWI614624B (zh) * | 2017-04-24 | 2018-02-11 | 太豪生醫股份有限公司 | 雲端醫療影像分析系統與方法 |
EP3622520A1 (en) * | 2017-10-16 | 2020-03-18 | Illumina, Inc. | Deep learning-based techniques for training deep convolutional neural networks |
KR102017995B1 (ko) * | 2018-01-16 | 2019-09-03 | 한국과학기술원 | 라인 단위 연산을 이용한 초해상화 방법 및 장치 |
KR101919866B1 (ko) | 2018-02-22 | 2018-11-19 | 주식회사 뷰노 | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 |
KR102072476B1 (ko) | 2018-05-09 | 2020-02-03 | 재단법인 대구경북첨단의료산업진흥재단 | 영상 유도 수술을 위한 종양 검출 장치 및 그 방법 |
KR101981202B1 (ko) * | 2018-12-11 | 2019-05-22 | 메디컬아이피 주식회사 | 의료영상 재구성 방법 및 그 장치 |
KR20200082660A (ko) * | 2018-12-31 | 2020-07-08 | 주식회사 메디픽셀 | 머신러닝 기반 병리 진단 방법 및 장치 |
KR102100699B1 (ko) | 2019-07-01 | 2020-04-16 | (주)제이엘케이인스펙션 | 병변 통합 학습 모델을 구축하는 장치와 방법, 및 상기 병변 통합 학습 모델을 사용하여 병변을 진단하는 장치와 방법 |
KR102155381B1 (ko) | 2019-09-19 | 2020-09-11 | 두에이아이(주) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램 |
CN111833359B (zh) * | 2020-07-13 | 2022-07-12 | 中国海洋大学 | 基于生成对抗网络的脑瘤分割数据增强方法 |
KR102320431B1 (ko) * | 2021-04-16 | 2021-11-08 | 주식회사 휴런 | 의료 영상 기반 종양 검출 및 진단 장치 |
-
2021
- 2021-04-16 KR KR1020210049901A patent/KR102320431B1/ko active IP Right Grant
- 2021-06-08 JP JP2021095563A patent/JP7216145B2/ja active Active
- 2021-06-09 CN CN202110644179.4A patent/CN114343604B/zh active Active
- 2021-06-09 EP EP21178472.3A patent/EP4075380B1/en active Active
- 2021-06-09 ES ES21178472T patent/ES2941788T3/es active Active
- 2021-06-10 US US17/344,019 patent/US11568538B2/en active Active
- 2021-09-23 KR KR1020210126027A patent/KR102321487B1/ko active IP Right Grant
- 2021-10-26 KR KR1020210143984A patent/KR102328229B1/ko active IP Right Grant
- 2021-10-26 KR KR1020210143983A patent/KR102328228B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040184646A1 (en) * | 2003-03-19 | 2004-09-23 | Fuji Photo Film Co., Ltd. | Method, apparatus, and program for judging images |
US20120004514A1 (en) * | 2009-03-04 | 2012-01-05 | Atsushi Marugame | Diagnostic imaging support device, diagnostic imaging support method, and storage medium |
US20180204046A1 (en) * | 2015-08-04 | 2018-07-19 | Siemens Aktiengesellschaft | Visual representation learning for brain tumor classification |
CN109493325A (zh) * | 2018-10-23 | 2019-03-19 | 清华大学 | 基于ct影像的肿瘤异质性分析系统 |
JP2020144700A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社日立製作所 | 画像診断装置、画像処理方法及びプログラム |
CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
CN112263236A (zh) * | 2020-09-22 | 2021-01-26 | 北京赛迈特锐医疗科技有限公司 | 全身肿瘤mri智能化评估系统及方法 |
CN112529915A (zh) * | 2020-12-17 | 2021-03-19 | 山东大学 | 一种脑肿瘤图像分割方法及系统 |
Non-Patent Citations (1)
Title |
---|
管颂东: "《神经网络技术在卵巢肿瘤诊断中的应用》", 《万方学位论文库》 * |
Also Published As
Publication number | Publication date |
---|---|
JP7216145B2 (ja) | 2023-01-31 |
US20220335599A1 (en) | 2022-10-20 |
KR102328229B1 (ko) | 2021-11-19 |
JP2022164527A (ja) | 2022-10-27 |
EP4075380A1 (en) | 2022-10-19 |
KR102321487B1 (ko) | 2021-11-04 |
EP4075380B1 (en) | 2023-03-15 |
CN114343604B (zh) | 2023-03-24 |
ES2941788T3 (es) | 2023-05-25 |
KR102328228B1 (ko) | 2021-11-19 |
US11568538B2 (en) | 2023-01-31 |
KR102320431B1 (ko) | 2021-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114343604B (zh) | 基于医学影像的肿瘤检测及诊断装置 | |
US7599542B2 (en) | System and method for detection and display of diseases and abnormalities using confidence imaging | |
US10413253B2 (en) | Method and apparatus for processing medical image | |
CN109493325B (zh) | 基于ct影像的肿瘤异质性分析系统 | |
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
ES2914873T3 (es) | Sugerencia de segunda lectura | |
US20210236080A1 (en) | Cta large vessel occlusion model | |
EP3939002A1 (en) | Deep convolutional neural networks for tumor segmentation with positron emission tomography | |
WO2021179491A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
US11308611B2 (en) | Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging | |
US20070003117A1 (en) | Method and system for volumetric comparative image analysis and diagnosis | |
US20060239524A1 (en) | Dedicated display for processing and analyzing multi-modality cardiac data | |
CN111602173B (zh) | 脑部断层扫描数据分析方法 | |
EP1996959A2 (en) | System and method of automatic prioritization and analysis of medical images | |
Dubey et al. | The brain MR image segmentation techniques and use of diagnostic packages | |
CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
US20180053297A1 (en) | Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images | |
KR20160061248A (ko) | 의료 영상 처리 장치 및 그에 따른 의료 영상 처리 방법 | |
US20230091506A1 (en) | Systems and Methods for Analyzing Two-Dimensional and Three-Dimensional Image Data | |
Nguyen et al. | Detect abnormalities in mammograms by local contrast thresholding and rule-based classification | |
Jalalian et al. | Machine Learning Techniques for Challenging Tumor Detection and Classification in Breast Cancer | |
CN115132357B (zh) | 基于医学影像图预测目标疾病指标状态的装置 | |
Wang et al. | Automatic brain cancer segmentation on PET image | |
Soliman et al. | A computer aided diagnosis system for breast cancer using support vector machine |
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 |