ES2949835T3 - Método y aparato de análisis inteligente para tumor de hígado - Google Patents

Método y aparato de análisis inteligente para tumor de hígado Download PDF

Info

Publication number
ES2949835T3
ES2949835T3 ES20209071T ES20209071T ES2949835T3 ES 2949835 T3 ES2949835 T3 ES 2949835T3 ES 20209071 T ES20209071 T ES 20209071T ES 20209071 T ES20209071 T ES 20209071T ES 2949835 T3 ES2949835 T3 ES 2949835T3
Authority
ES
Spain
Prior art keywords
tumor
liver
unit
reference images
ultrasonographic
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
ES20209071T
Other languages
English (en)
Inventor
Hsiao-Ching Nien
Ta-Hsiang Lin
Pei-Lien Chou
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.)
Good Liver Found
Yuan High Tech Development Co Ltd
National Taiwan University Hospital NTUH
Original Assignee
Good Liver Found
Yuan High Tech Development Co Ltd
National Taiwan University Hospital NTUH
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 Good Liver Found, Yuan High Tech Development Co Ltd, National Taiwan University Hospital NTUH filed Critical Good Liver Found
Application granted granted Critical
Publication of ES2949835T3 publication Critical patent/ES2949835T3/es
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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic
    • 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
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Vascular Medicine (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

Se proporciona un método de análisis inteligente para tumores hepáticos. Es un método que utiliza 'tomografía acústica de barrido (SAT) con un algoritmo de aprendizaje profundo para determinar el riesgo de malignidad de un tumor hepático. El método utiliza la abundante experiencia de los especialistas en ecografía abdominal como base para marcar áreas de píxeles de tumores hepáticos en imágenes de ultrasonido. Los parámetros y coeficientes de los datos empíricos se entrenan con el algoritmo de aprendizaje profundo para establecer un modelo categorizador que alcanza una tasa de precisión de hasta el 86 por ciento. Así, con una imagen SAT, se obtiene una ayuda para el médico o técnico de ultrasonido para determinar el riesgo de malignidad del tumor hepático a través del método, y para proporcionar además una base de referencia para diagnosticar el tipo de tumor hepático. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Método y aparato de análisis inteligente para tumor de hígado
La presente invención se refiere a un aparato para analizar un tumor de hígado, más particularmente, a la coordinación de la tomografía acústica por escaneo (SAT) con un algoritmo de aprendizaje profundo para determinar la probabilidad de riesgo de un tumor de hígado maligno, en donde, con una imagen SAT, se obtiene de inmediato una ayuda para un médico o técnico de ultrasonido para determinar la probabilidad de riesgo de malignidad de un tumor de hígado, y además se proporciona una base de referencia para diagnosticar el tipo de tumor de hígado.
US2018276821 A1 revela el uso de imágenes de ultrasonido proporcionadas por el usuario de un grupo de casos y el tipo de cáncer de hígado en cada caso como datos de entrenamiento, y un proceso mediante el cual se juzga el tipo de lesión de los datos de entrenamiento.
El cáncer de hígado es la cuarta causa de muerte más común en todo el mundo. Las causas más comunes de cáncer de hígado en Asia son los virus de la hepatitis B y C, así como la aflatoxina. El virus de la hepatitis C es una causa común en Estados Unidos y Europa. Los cánceres de hígado causados por la esteatohepatitis, la diabetes y los triglicéridos se han vuelto cada vez más graves.
La cirugía es actualmente el método más directo para tratar el cáncer de hígado. Sin embargo, los diagnósticos tempranos de cáncer de hígado y los indicadores pronósticos relacionados con los pacientes después de la cirugía también son muy importantes. Un paciente que tenga confirmado un cáncer de hígado mediante un diagnóstico temprano generalmente tiene más opciones de tratamiento, donde la eficacia del tratamiento se muestra mediante una tasa de supervivencia mejorada de los pacientes. Por lo tanto, la inspección regular, el diagnóstico temprano y el tratamiento son clave para mejorar la calidad de vida y prolongar la tasa de supervivencia de los pacientes.
Además de los diagnósticos tempranos que incluyen pruebas de función hepática, virus de la hepatitis B y C, y alfafetoproteína tipo A, la ecografía abdominal es una prueba importante para enfermedades del hígado, como indican los estudios. Un estudio temprano señaló que las pruebas de sangre del hígado de 1/3 de los pacientes con carcinoma hepatocelular (HCC) pequeño mostraban índices normales para la alfafetoproteína tipo A. La ecografía abdominal debe complementarse para la detección temprana del cáncer de hígado. Además, la ecografía abdominal tiene las ventajas de ser rápida, fácil y no exponer al paciente a radiación, lo que la convierte en una herramienta importante para el cribado del cáncer de hígado.
El diagnóstico del cáncer de hígado difiere de los de otros tipos de cáncer. Su confirmación no requiere biopsia, sino que se obtiene directamente a través de diagnóstico por imágenes como la ecografía abdominal, la tomografía computarizada (TC) y la resonancia magnética (RM), entre otros. Su sensibilidad y especificidad son de 0,78-0,73 y 0,89-0,93, 0,84-0,83 y 0,99-0,91, y 0,83 y 0,88, respectivamente.
SAT es conveniente, pero tiene sus propias limitaciones. Por ejemplo, la experiencia del operador, la obesidad del paciente, la presencia de fibrosis o cirrosis hepática, etc., afectan los detalles y la precisión de la información que se puede determinar a partir de una imagen de ultrasonido. Por lo tanto, cuando se detecta malignidad mediante SAT, también se realiza una segunda detección por imágenes, como la tomografía computarizada (TC) o el diagnóstico asistido por resonancia magnética (RM). Sin embargo, estas dos detecciones tienen costos elevados para la atención médica y programaciones de examen prolongadas; y la TC plantea consideraciones sobre una mayor exposición a radiación. Por lo tanto, los antecedentes existentes no satisfacen todas las demandas de los usuarios en el uso real. El principal objetivo de la presente invención es coordinar SAT con un algoritmo de aprendizaje profundo para determinar la naturaleza de un tumor de hígado, donde el método de la invención es capaz de lograr una tasa de precisión de hasta el 86%, similar a la de la TC o la RM, y así proporciona a los médicos un SAT libre de radiación y seguro para diagnosticar de manera rápida y precisa las categorías de tumores de hígado.
Para lograr el objetivo mencionado anteriormente, la presente divulgación incluye un método de análisis inteligente (IA) para tumores de hígado, que comprende los siguientes pasos: (a) primer paso: proporcionar un dispositivo de tomografía acústica por escaneo (SAT) para escanear un área del hígado de un examinado desde una posición externa y obtener una imagen ultrasónica de un tumor de hígado objetivo del examinado; (b) segundo paso: obtener una pluralidad de imágenes de referencia ultrasónicas existentes de tumores de hígado benignos y malignos; (c) tercer paso: obtener una pluralidad de categorías de tumores de hígado a partir de las imágenes de referencia ultrasónicas existentes en base a las áreas de sombreado y sombras de las imágenes de referencia ultrasónicas existentes para marcar una pluralidad de áreas de píxeles tumorales en las imágenes de referencia ultrasónicas existentes e identificar las categorías de tumores de hígado de las áreas de píxeles tumorales; (d) cuarto paso: obtener las áreas de píxeles tumorales en las imágenes de referencia ultrasónicas para entrenar un modelo clasificador con la coordinación de un algoritmo de aprendizaje profundo; y (e) quinto paso: procesar un análisis de la imagen ultrasónica del tumor de hígado objetivo del examinado con el modelo clasificador para proporcionar el análisis a un clínico para determinar la categoría del tumor de hígado objetivo y predecir la probabilidad de riesgo de malignidad del tumor de hígado objetivo.
La presente invención se describirá ahora a modo de ejemplo con referencia a los siguientes dibujos en los cuales: Figura 1 es un diagrama de flujo que muestra una realización preferida de un método de análisis inteligente (IA) para tumores de hígado; y la figura 2 es un esquema del aparato utilizado para llevar a cabo el método.
Las figuras 1 y 2 muestran un método y un aparato para el análisis inteligente (IA) de tumores de hígado, que comprende los siguientes pasos:
(a) Primer paso 11: Se proporciona un dispositivo de tomografía acústica por escaneo (SAT) para escanear un área del hígado de un examinado desde una posición externa y obtener una imagen ultrasónica de un tumor de hígado objetivo del examinado.
(b) Segundo paso 12: Se obtiene una pluralidad de imágenes de referencia ultrasónicas existentes de tumores de hígado benignos y malignos.
(c) Tercer paso 13: Basándose en las áreas de sombreado y sombras de las imágenes de referencia ultrasónicas existentes, se adquieren una pluralidad de categorías de tumores de hígado de las imágenes de referencia ultrasónicas existentes para marcar una pluralidad de áreas de píxeles tumorales en las imágenes de referencia ultrasónicas existentes e identificar las categorías de tumores de hígado de las áreas de píxeles tumorales.
(d) Cuarto paso 14: Se utilizan las áreas de píxeles tumorales en las imágenes de referencia ultrasónicas para entrenar un modelo clasificador con la coordinación de un algoritmo de aprendizaje profundo.
(e) Quinto paso 15: Se procesa un análisis de la imagen ultrasónica del tumor de hígado objetivo del examinado con el modelo clasificador para proporcionarlo a un médico para determinar la categoría del tumor de hígado objetivo y predecir la probabilidad de riesgo de malignidad del tumor de hígado objetivo. De este modo, se obtiene y divulga aquí un nuevo método de IA para tumores de hígado, siendo que la invención reivindicada se define en las reivindicaciones. La presente invención utiliza un aparato que comprende un módulo SAT 21 y un módulo de análisis 22.
El módulo SAT 21 tiene una sonda de ultrasonido 20.
El módulo de análisis 22 se conecta al módulo SAT 21 y comprende una unidad de captura de imágenes 221, una unidad de almacenamiento de referencia 222, una unidad de control 223, una unidad de marcado de tumores 224, una unidad de clasificación 225, una unidad de comparación 226 y una unidad de generación de informes 227. En él, la unidad de control 223 es una unidad central de procesamiento (CPU) que realiza cálculos, controla operaciones, codifica, decodifica y emite comandos hacia/de la unidad de captura de imágenes 221, la unidad de almacenamiento de referencia 222, la unidad de marcado de tumores 224, la unidad de clasificación 225, la unidad de comparación 226 y la unidad de generación de informes 227.
Para su aplicación, la presente invención se lleva a cabo en una computadora. La unidad de control 222 es una unidad central de procesamiento (CPU) de la computadora; la unidad de marcado de tumores 224, la unidad de clasificación 225, la unidad de comparación 226 y la unidad de generación de informes 227 son programas almacenados en un disco duro o una memoria de la computadora; la unidad de captura de imágenes 221 es una interfaz visual digital (DVI) de la computadora; la unidad de almacenamiento de referencia 222 es un disco duro; y la computadora además comprende una pantalla, un ratón y un teclado para operaciones de entrada y salida relacionadas. Alternativamente, la presente invención puede implementarse en un servidor.
Al utilizar la presente invención, una sonda de ultrasonido 20 de un módulo SAT 21 emite SAT hacia un examinado desde una posición externa correspondiente a un área del hígado para obtener una imagen ultrasonográfica de un tumor hepático objetivo del examinado. Durante el escaneo, un médico puede percibir al menos una imagen de ultrasonido de un tumor sospechoso que se selecciona como imagen ultrasonográfica de un tumor hepático objetivo.
Mediante el uso de una unidad de captura de imágenes 221, un módulo de análisis 22 obtiene la imagen ultrasonográfica del tumor hepático objetivo del examinado, donde la imagen se forma mediante la imagen con el módulo SAT 21. Una unidad de almacenamiento de referencia 222 almacena una pluralidad de imágenes de referencia ultrasonográficas existentes de tumores hepáticos benignos y malignos. Un programa se almacena en un módulo de análisis 22, donde, al ejecutar el programa mediante una unidad de control 223, el programa determina una categoría de tumor hepático para un médico y predice una probabilidad de riesgo de malignidad del tumor hepático objetivo. El programa comprende una unidad de marcado de tumores 224, una unidad de clasificación 225, una unidad de comparación 226 y una unidad generadora de informes 227.
La unidad de marcado de tumores 224 obtiene coeficientes y/o parámetros coordinados con datos empíricos para marcar automáticamente las áreas de píxeles de tumores en las imágenes de referencia ultrasonográficas e identificar una pluralidad de categorías de tumores hepáticos. Por ejemplo, la unidad de marcado de tumores 224 puede procesar el marcado basado en la experiencia médica. La unidad de clasificación 225 obtiene las áreas de píxeles de tumores en las imágenes de referencia ultrasonográficas para procesar el entrenamiento utilizando un algoritmo de aprendizaje profundo y construir un modelo clasificador. La unidad de comparación 226 analiza la imagen ultrasonográfica del tumor hepático objetivo con el modelo clasificador para proporcionar al médico la determinación de la naturaleza del tumor hepático del examinado y predecir además una probabilidad de riesgo de malignidad del tumor hepático objetivo del examinado. Por último, la unidad de comparación 226 determina la categoría de tumor hepático y predice la probabilidad de riesgo de malignidad del tumor hepático por parte del médico para el examinado, para que se ingrese a la unidad generadora de informes 227 y se produzca un informe de diagnóstico que ayuda al médico a determinar la naturaleza del tumor hepático.
Por lo tanto, la presente invención utiliza la amplia experiencia de especialistas en ecografía abdominal como base para marcar un área de píxeles de tumor hepático en una imagen de ultrasonido. Los parámetros y coeficientes de estos datos empíricos se obtienen para procesar el entrenamiento mediante el uso de un algoritmo de aprendizaje profundo y establecer el modelo clasificador con una relación de precisión de hasta el 86 por ciento (%). Por lo tanto, con la imagen de SAT, se obtiene de inmediato una ayuda al médico o técnico de ultrasonido a través de la presente invención para determinar la probabilidad de riesgo de malignidad del tumor hepático y se proporciona una base de referencia adicional para el diagnóstico de la categoría del tumor hepático.
En resumen, la presente divulgación incluye un método de IA para tumor hepático, donde SAT se coordina con un algoritmo de aprendizaje profundo para determinar la probabilidad de riesgo de un tumor hepático maligno; mediante el uso de coeficientes y/o parámetros coordinados con datos empíricos, se marcan áreas de tumor en píxeles en imágenes de ultrasonido de referencia para obtener un modelo clasificador con una precisión de hasta el 86% a través del algoritmo de aprendizaje profundo; y, de esta manera, los médicos son asistidos con SAT libre de radiación y seguro para diagnosticar rápidamente y de manera precisa las categorías de tumores hepáticos.
La realización preferida aquí divulgada no tiene la intención de limitar innecesariamente el alcance de la invención, la cual está definida en las reivindicaciones.

Claims (12)

REIVINDICACIONES
1. Un ordenador adaptado para llevar a cabo el siguiente método: un método de análisis inteligente (IA) para tumores de hígado, que comprende los siguientes pasos:
Proporcionar un dispositivo de tomografía acústica de exploración (SAT) que comprende un módulo de SAT (21) y un módulo de análisis (22) para escanear un área del hígado de un examinado (11) desde una posición externa y obtener una imagen ultrasónica de un tumor de hígado objetivo del mencionado examinado mediante una unidad de captura de imágenes (221) del módulo de análisis (22); obtener una pluralidad de imágenes de referencia ultrasónicas existentes de tumores benignos y malignos de hígado (12); obtener una pluralidad de categorías de tumores de hígado a partir de las mencionadas imágenes de referencia ultrasónicas existentes en base a las áreas de sombreado y sombras de las mencionadas imágenes de referencia ultrasónicas existentes para marcar una pluralidad de áreas de píxeles de tumores en las mencionadas imágenes de referencia ultrasónicas existentes e identificar las mencionadas categorías de tumores de hígado de las mencionadas áreas de píxeles de tumores (13) mediante una unidad de marcado de tumores (224) del módulo de análisis (22); obtener las mencionadas áreas de píxeles de tumores en las mencionadas imágenes de referencia ultrasónicas para entrenar un modelo clasificador con la coordinación de un algoritmo de aprendizaje profundo (14) mediante una unidad de clasificación (225) del módulo de análisis (22); y procesar un análisis de la imagen ultrasónica del mencionado tumor de hígado objetivo del mencionado examinado con el mencionado modelo clasificador para proporcionar el mencionado análisis mediante una unidad de comparación (226) del módulo de análisis (22), donde el ordenador está adaptado para determinar una categoría de tumor de hígado y predecir una probabilidad de riesgo de malignidad del mencionado tumor de hígado objetivo.
2. El ordenador según la reivindicación 1, en donde dicho módulo de SAT (21) tiene una sonda de ultrasonido para proporcionar una emisión de SAT a un examinado desde una posición externa correspondiente a un área del hígado para obtener una imagen ultrasónica de un tumor de hígado objetivo del mencionado examinado (11).
3. El ordenador según la reivindicación 1 o 2, en donde dicho módulo de análisis (22) comprende una unidad de control (223); una unidad de almacenamiento de referencia (222) conectada con dicha unidad de control; y una unidad generadora de informes (227) conectada con dicha unidad de control (223), en donde la unidad de captura de imágenes (221) está conectada con dicha unidad de control (223); la unidad de marcado de tumores (224) está conectada con dicha unidad de control (223), la unidad de clasificación (225) está conectada con dicha unidad de control (223) y en donde la unidad de comparación (226) está conectada con dicha unidad de control (223).
4. El ordenador según la reivindicación 3, en donde dicha unidad de control (223) es una unidad central de procesamiento y procesa cálculos, controles, operaciones, codificación, decodificación y comandos de manejo hacia/desde la unidad de captura de imágenes (221), la unidad de almacenamiento de referencia (222), la unidad de marcado de tumores (224), la unidad de clasificación (225), la unidad de comparación (226) y la unidad generadora de informes (227).
5. El ordenador según la reivindicación 3 o 4, en donde dicha unidad de captura de imágenes (221) es una interfaz visual digital (DVI).
6. El ordenador según la reivindicación 3, 4 o 5, en donde dicha unidad de almacenamiento de referencia (222) almacena una pluralidad de imágenes de referencia ultrasonográficas existentes de tumores hepáticos benignos y malignos; y dicha unidad de almacenamiento de referencia es un disco duro.
7. El ordenador según cualquiera de las reivindicaciones 3-6, en donde dicha unidad de marcado de tumores (224) obtiene una pluralidad de categorías de tumores hepáticos a partir de las imágenes de referencia ultrasonográficas existentes basándose en las áreas de sombreado y sombreado de dichas imágenes de referencia ultrasonográficas existentes para marcar una pluralidad de áreas de píxeles de tumores en dichas imágenes de referencia ultrasonográficas existentes e identificar dichas categorías de tumores hepáticos de dichas áreas de píxeles de tumores.
8. El ordenador según la reivindicación 7, en donde dicha unidad de marcado de tumores (224) obtiene coeficientes y/o parámetros coordinados con datos empíricos para marcar automáticamente dichas áreas de píxeles de tumores en las imágenes de referencia ultrasonográficas.
9. El ordenador según cualquiera de las reivindicaciones 3-8, en donde dicha unidad de clasificación (225) obtiene dichas áreas de píxeles de tumores en las imágenes de referencia ultrasonográficas para entrenar un modelo clasificador con la coordinación de un algoritmo de aprendizaje profundo.
10. El ordenador según cualquiera de las reivindicaciones 3-9, en donde dicha unidad de comparación analiza una imagen ultrasonográfica, que corresponde al tumor hepático objetivo de un examinado y que es obtenida por la unidad de captura de imágenes, con un modelo clasificador que es construido por la unidad de clasificación (225).
11. El ordenador según cualquier reivindicación anterior, en donde las categorías de tumores hepáticos comprenden categorías de tumores hepáticos benignos y categorías de tumores hepáticos malignos.
12. Aparato para analizar un tumor hepático, el aparato adaptado para recibir una imagen ultrasonográfica de un tumor hepático objetivo de un examinado; recibir una pluralidad de imágenes de referencia ultrasonográficas existentes de tumores hepáticos benignos y malignos; obtener una pluralidad de categorías de tumores hepáticos a partir de las mencionadas imágenes de referencia ultrasonográficas existentes basadas en las áreas de sombreado y sombreado de las mencionadas imágenes de referencia ultrasonográficas existentes; marcar una pluralidad de áreas de píxeles de tumores en las mencionadas imágenes de referencia ultrasonográficas existentes e identificar las mencionadas categorías de tumores hepáticos de las mencionadas áreas de píxeles de tumores; obtener las mencionadas áreas de píxeles de tumores en las mencionadas imágenes de referencia ultrasonográficas para entrenar un modelo de categorización con la coordinación de un algoritmo de aprendizaje profundo; y procesar un análisis de la imagen ultrasonográfica del mencionado tumor hepático objetivo del mencionado examinado con el mencionado modelo de categorización para proporcionar el mencionado análisis, en el que el aparato está adaptado para determinar una categoría de tumor hepático y predecir una probabilidad de riesgo de malignidad del mencionado tumor hepático objetivo.
ES20209071T 2019-11-21 2020-11-20 Método y aparato de análisis inteligente para tumor de hígado Active ES2949835T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108142298 2019-11-21

Publications (1)

Publication Number Publication Date
ES2949835T3 true ES2949835T3 (es) 2023-10-03

Family

ID=73543209

Family Applications (1)

Application Number Title Priority Date Filing Date
ES20209071T Active ES2949835T3 (es) 2019-11-21 2020-11-20 Método y aparato de análisis inteligente para tumor de hígado

Country Status (6)

Country Link
EP (1) EP3825910B1 (es)
CN (1) CN112927179A (es)
ES (1) ES2949835T3 (es)
GB (1) GB2591177A (es)
PL (1) PL3825910T3 (es)
TW (1) TWI810498B (es)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862822B (zh) * 2021-04-06 2023-05-30 华侨大学 一种超声乳腺肿瘤检测与分类方法、装置与介质
CN113436158B (zh) * 2021-06-21 2023-04-18 遂宁市中心医院 一种基于深度学习的肝脏肿块辅助鉴别方法
CN113743463B (zh) * 2021-08-02 2023-09-26 中国科学院计算技术研究所 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统
TWI802243B (zh) * 2022-01-22 2023-05-11 臺北醫學大學 超音波影像處理系統及其運作方法
TWI830161B (zh) * 2022-02-25 2024-01-21 國立陽明交通大學 腦部腫瘤種類自動判別系統、其伺服計算機裝置及計算機可讀取的儲存媒體
JP2023182996A (ja) * 2022-06-15 2023-12-27 富士フイルム株式会社 超音波診断装置および超音波診断装置の制御方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1636731A2 (en) * 2003-06-25 2006-03-22 Siemens Medical Solutions USA, Inc. Systems and methods for automated diagnosis and decision support for breast imaging
JP2010029481A (ja) * 2008-07-29 2010-02-12 Univ Of Tsukuba 腫瘍の経過観察レポート自動作成診断支援システム
WO2010063010A2 (en) * 2008-11-26 2010-06-03 Guardian Technologies International Inc. System and method for texture visualization and image analysis to differentiate between malignant and benign lesions
CN105447872A (zh) * 2015-12-03 2016-03-30 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
WO2018094118A1 (en) * 2016-11-16 2018-05-24 Teratech Corporation Portable ultrasound system
US11449985B2 (en) * 2016-12-02 2022-09-20 Regents Of The University Of Minnesota Computer vision for cancerous tissue recognition
US11826201B2 (en) * 2018-06-22 2023-11-28 Koninklijke Philips N.V. Ultrasound lesion assessment and associated devices, systems, and methods
CN110288574A (zh) * 2019-06-13 2019-09-27 南通市传染病防治院(南通市第三人民医院) 一种超声辅助诊断肝肿块系统及方法
CN110288542A (zh) * 2019-06-18 2019-09-27 福州数据技术研究院有限公司 一种基于随机变换的肝部病理图像样本增强方法
CN110264462B (zh) * 2019-06-25 2022-06-28 电子科技大学 一种基于深度学习的乳腺超声肿瘤识别方法
CN110866893B (zh) * 2019-09-30 2021-04-06 中国科学院计算技术研究所 基于病理图像的tmb分类方法、系统及tmb分析装置
CN110837859A (zh) * 2019-11-01 2020-02-25 越亮传奇科技股份有限公司 一种融合多维度医疗数据的肿瘤精细分类系统及方法
CN111243042A (zh) * 2020-02-28 2020-06-05 浙江德尚韵兴医疗科技有限公司 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
CN111402207B (zh) * 2020-03-02 2023-05-30 中山大学附属第一医院 一种基于复合神经网络的超声造影视频数据分析方法
CN111539930B (zh) * 2020-04-21 2022-06-21 浙江德尚韵兴医疗科技有限公司 基于深度学习的动态超声乳腺结节实时分割与识别的方法
US11436724B2 (en) * 2020-10-30 2022-09-06 International Business Machines Corporation Lesion detection artificial intelligence pipeline computing system

Also Published As

Publication number Publication date
EP3825910A1 (en) 2021-05-26
PL3825910T3 (pl) 2023-09-11
GB2591177A (en) 2021-07-21
EP3825910B1 (en) 2023-05-03
CN112927179A (zh) 2021-06-08
TW202121435A (zh) 2021-06-01
GB202018273D0 (en) 2021-01-06
TWI810498B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
ES2949835T3 (es) Método y aparato de análisis inteligente para tumor de hígado
US20210153838A1 (en) Method and Apparatus of Intelligent Analysis for Liver Tumor
US9597041B2 (en) Sequential image acquisition with updating method and system
JP5068519B2 (ja) 悪性腫瘍を自動的に特徴評価するルーチンを含む機械読み取り可能な媒体及び装置
US20120093383A1 (en) Sequential image acquisition method
US20150294445A1 (en) Medical image display apparatus and medical image display system
JP2008302211A (ja) コンプトン散乱ｘ線深度視覚化、画像化、または情報プロバイダ
JP2006116313A (ja) ３次元画像化における診断方法
JP6945474B2 (ja) 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム
KR101684998B1 (ko) 의료영상을 이용한 구강병변의 진단방법 및 진단시스템
JP7203474B2 (ja) マンモグラフィ装置及びプログラム
US20190340751A1 (en) Method for increasing reading efficiency in medical image reading process using gaze information of user and apparatus using the same
JP2019106122A (ja) 病院情報装置、病院情報システム及びプログラム
JP2006520031A (ja) 医用画像内のコンピュータマークのマニュアル検討を保証するためのコンピュータ支援検出システムおよび方法
KR101614704B1 (ko) 유방암 조기 진단 장치 및 방법
CN212853503U (zh) 肝肿瘤智能分析装置
CN110785125A (zh) 用于医学图像的图像分析的方法和系统
Brunet‐Benkhoucha et al. Clinical implementation of a digital tomosynthesis‐based seed reconstruction algorithm for intraoperative postimplant dose evaluation in low dose rate prostate brachytherapy
JP7236109B2 (ja) 肝腫瘍知能分析装置およびその作動方法
WO2023199957A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
US20230326580A1 (en) Information processing apparatus, information processing method, and information processing program
WO2023199956A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
Ghauri et al. Utilizing Deep Learning for X-ray Imaging: Detecting and Classifying Degenerative Spinal Conditions
CN110652311B (zh) 用于经由预拍处理对物体成像的系统和方法
JP7220542B2 (ja) 医用画像処理装置、医用画像処理方法及び医用画像処理プログラム