JP2002163635A - 診断部位の超音波画像から得られた特徴量に基づき階層型ニューラルネットワークを利用してびまん性肝疾患を診断支援するシステム、及びその診断支援方法 - Google Patents
診断部位の超音波画像から得られた特徴量に基づき階層型ニューラルネットワークを利用してびまん性肝疾患を診断支援するシステム、及びその診断支援方法Info
- Publication number
- JP2002163635A JP2002163635A JP2000360186A JP2000360186A JP2002163635A JP 2002163635 A JP2002163635 A JP 2002163635A JP 2000360186 A JP2000360186 A JP 2000360186A JP 2000360186 A JP2000360186 A JP 2000360186A JP 2002163635 A JP2002163635 A JP 2002163635A
- Authority
- JP
- Japan
- Prior art keywords
- variance
- entropy
- neural network
- total
- moment
- 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
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
(57)【要約】
【課題】 階層型ニューラルネットワークの入力パラメ
ータとして信頼性の高い特徴量を求めることで、びまん
性肝疾患の診断支援を可能とする。 【解決手段】 超音波撮像装置から出力される超音波画
像信号を取り込み、取り込んだ画像全体の中から診断す
べき被写体部分を取り出し、その被写体画像内において
任意の注目画素を選択し、この注目画素に関してその近
傍にある複数の対象画素との同時生起行列をそれぞれ求
める。その各同時生起行列からそれぞれ五種類の被写体
画像のテクスチャ特徴量として角二次モーメント、総分
散、エントロピー、総エントロピー、及び逆差分モーメ
ントを算出し、これら五種類の各特徴量について、角二
次モーメントの平均値、総分散の平均値、エントロピー
の平均値、総エントロピーの分散、及び逆差分モーメン
トの分散を演算する。五種類のテクスチャ特徴量の平均
値及び分散のみを入力パラメータとして学習済みの階層
型ニューラルネットワークに入力し、びまん性肝疾患の
診断出力結果を得る。
ータとして信頼性の高い特徴量を求めることで、びまん
性肝疾患の診断支援を可能とする。 【解決手段】 超音波撮像装置から出力される超音波画
像信号を取り込み、取り込んだ画像全体の中から診断す
べき被写体部分を取り出し、その被写体画像内において
任意の注目画素を選択し、この注目画素に関してその近
傍にある複数の対象画素との同時生起行列をそれぞれ求
める。その各同時生起行列からそれぞれ五種類の被写体
画像のテクスチャ特徴量として角二次モーメント、総分
散、エントロピー、総エントロピー、及び逆差分モーメ
ントを算出し、これら五種類の各特徴量について、角二
次モーメントの平均値、総分散の平均値、エントロピー
の平均値、総エントロピーの分散、及び逆差分モーメン
トの分散を演算する。五種類のテクスチャ特徴量の平均
値及び分散のみを入力パラメータとして学習済みの階層
型ニューラルネットワークに入力し、びまん性肝疾患の
診断出力結果を得る。
Description
【発明の詳細な説明】
【０００１】
【発明の属する技術分野】この発明は、びまん性肝疾患
診断を支援するシステム及び方法に関し、特に、診断部
位の超音波画像から得られた特徴量に基づき階層型ニュ
ーラルネットワークを利用してびまん性肝疾患診断を支
援するシステム及び方法に関する。
診断を支援するシステム及び方法に関し、特に、診断部
位の超音波画像から得られた特徴量に基づき階層型ニュ
ーラルネットワークを利用してびまん性肝疾患診断を支
援するシステム及び方法に関する。
【０００２】
【従来の技術】超音波診断装置は、超音波を臓器などの
診断部位に送受波して内部の断層像や血流などの運動状
態を画像表示する。この超音波診断装置から得られる画
像データの特徴量に基づき、ニューラルネットワークを
利用して臓器疾患の診断をする試みがなされている。画
像データから適宜な特徴量を抽出して、学習済み階層型
ニューラルネットワークに入力し、臓器の疾患の有無や
症例を判別しようとしている。
診断部位に送受波して内部の断層像や血流などの運動状
態を画像表示する。この超音波診断装置から得られる画
像データの特徴量に基づき、ニューラルネットワークを
利用して臓器疾患の診断をする試みがなされている。画
像データから適宜な特徴量を抽出して、学習済み階層型
ニューラルネットワークに入力し、臓器の疾患の有無や
症例を判別しようとしている。
【０００３】
【発明が解決しようとする課題】しかしながら、超音波
診断装置の探触子より発信された超音波は原理的に密度
と音速の積（音響インピーダンス）が異なるところで反
射することから様々な偽りの像（アーチファクト）が混
じり合ったり、計測系からのノイズが入り込んだりする
等、種々の外乱を受けており、画像データに反映される
原信号は非常に微弱である。そこで、種々の特徴量抽出
手法を執ることにより、外乱を受けて非常に微弱な原信
号を含む画像データから臓器の状態を示す特徴量を取得
する試みがなされている。
診断装置の探触子より発信された超音波は原理的に密度
と音速の積（音響インピーダンス）が異なるところで反
射することから様々な偽りの像（アーチファクト）が混
じり合ったり、計測系からのノイズが入り込んだりする
等、種々の外乱を受けており、画像データに反映される
原信号は非常に微弱である。そこで、種々の特徴量抽出
手法を執ることにより、外乱を受けて非常に微弱な原信
号を含む画像データから臓器の状態を示す特徴量を取得
する試みがなされている。
【０００４】ところが、診断部位である臓器が膨張した
り収縮したりすると、臓器全体と注目領域（Region of
Interest）との比率が異なってきてしまう。すると、Ｃ
ＲＴ表示器で表示すると、各肝細胞一つ一つに対し、こ
れを映し出す画素の数が画像毎にばらついてしまうので
ある。このため、特徴量抽出という手法を単に用いるだ
けでは、各画像毎のばらつきを吸収できず、その特徴量
の値までばらつき、信頼性が低くなる。特に、この特徴
量のばらつきは、びまん性肝疾患の場合に顕著となる。
即ち、びまん性肝疾患は、その進行の程度に応じて非線
形性が強くなるため、びまん性肝疾患の種々の態様に対
し、高精度で安定した特徴量を得ることは非常に困難で
ある。つまり、この信頼性の低い特徴量を用いようとし
たところで、ニューラルネットワークに学習させること
は困難で、びまん性肝疾患の診断支援など期待できな
い。
り収縮したりすると、臓器全体と注目領域（Region of
Interest）との比率が異なってきてしまう。すると、Ｃ
ＲＴ表示器で表示すると、各肝細胞一つ一つに対し、こ
れを映し出す画素の数が画像毎にばらついてしまうので
ある。このため、特徴量抽出という手法を単に用いるだ
けでは、各画像毎のばらつきを吸収できず、その特徴量
の値までばらつき、信頼性が低くなる。特に、この特徴
量のばらつきは、びまん性肝疾患の場合に顕著となる。
即ち、びまん性肝疾患は、その進行の程度に応じて非線
形性が強くなるため、びまん性肝疾患の種々の態様に対
し、高精度で安定した特徴量を得ることは非常に困難で
ある。つまり、この信頼性の低い特徴量を用いようとし
たところで、ニューラルネットワークに学習させること
は困難で、びまん性肝疾患の診断支援など期待できな
い。
【０００５】この発明は、前述した従来の問題点に鑑み
なされたもので、階層型ニューラルネットワークの入力
パラメータとして信頼性の高い特徴量を求めることで、
びまん性肝疾患の診断支援を可能とする装置及び方法を
提供することを目的とする。
なされたもので、階層型ニューラルネットワークの入力
パラメータとして信頼性の高い特徴量を求めることで、
びまん性肝疾患の診断支援を可能とする装置及び方法を
提供することを目的とする。
【０００６】
【課題を解決するための手段】前記目的を達成するた
め、本発明のびまん性肝疾患診断支援システムにあって
は、超音波撮像装置から出力される超音波画像信号を取
り込む画像信号取り込み手段と、取り込んだ画像全体の
中から診断すべき被写体部分を取り出す被写体画像取得
手段と、取り出した被写体画像内において任意の注目画
素を選択し、この注目画素に関してその近傍にある複数
の対象画素との同時生起行列をそれぞれ求める同時生起
行列演算手段と、これら各同時生起行列からそれぞれ五
種類の前記被写体画像のテクスチャ特徴量として角二次
モーメント、総分散、エントロピー、総エントロピー、
及び逆差分モーメントを算出するとともに、これら五種
類の各特徴量について、前記角二次モーメントの平均
値、前記総分散の平均値、前記エントロピーの平均値、
前記総エントロピーの分散、及び前記逆差分モーメント
の分散を演算するテクスチャ特徴量抽出手段と、前記五
種類のテクスチャ特徴量の前記平均値及び前記分散のみ
を入力パラメータとしてびまん性肝疾患の診断結果を出
力する学習済みの階層型ニューラルネットワークとを備
える。
め、本発明のびまん性肝疾患診断支援システムにあって
は、超音波撮像装置から出力される超音波画像信号を取
り込む画像信号取り込み手段と、取り込んだ画像全体の
中から診断すべき被写体部分を取り出す被写体画像取得
手段と、取り出した被写体画像内において任意の注目画
素を選択し、この注目画素に関してその近傍にある複数
の対象画素との同時生起行列をそれぞれ求める同時生起
行列演算手段と、これら各同時生起行列からそれぞれ五
種類の前記被写体画像のテクスチャ特徴量として角二次
モーメント、総分散、エントロピー、総エントロピー、
及び逆差分モーメントを算出するとともに、これら五種
類の各特徴量について、前記角二次モーメントの平均
値、前記総分散の平均値、前記エントロピーの平均値、
前記総エントロピーの分散、及び前記逆差分モーメント
の分散を演算するテクスチャ特徴量抽出手段と、前記五
種類のテクスチャ特徴量の前記平均値及び前記分散のみ
を入力パラメータとしてびまん性肝疾患の診断結果を出
力する学習済みの階層型ニューラルネットワークとを備
える。
【０００７】望ましくは、前記同時生起行列演算手段
は、前記注目画素と前記対象画素との間の距離を複数段
階に分けることにより、複数の前記同時生起行列を求め
る。
は、前記注目画素と前記対象画素との間の距離を複数段
階に分けることにより、複数の前記同時生起行列を求め
る。
【０００８】また、前記目的を達成するため、本発明の
びまん性肝疾患診断支援方法にあっては、超音波撮像装
置から出力される超音波画像信号を取り込む画像信号取
り込みステップと、取り込んだ画像全体の中から診断す
べき被写体部分を取り出す被写体画像取得ステップと、
取り出した被写体画像内において任意の注目画素を選択
し、この注目画素に関してその近傍にある複数の対象画
素との同時生起行列をそれぞれ求める同時生起行列演算
ステップと、これら各同時生起行列からそれぞれ五種類
の前記被写体画像のテクスチャ特徴量として角二次モー
メント、総分散、エントロピー、総エントロピー、及び
逆差分モーメントを算出するとともに、これら五種類の
各特徴量について、前記角二次モーメントの平均値、前
記総分散の平均値、前記エントロピーの平均値、前記総
エントロピーの分散、及び前記逆差分モーメントの分散
を演算するテクスチャ特徴量抽出ステップと、前記五種
類のテクスチャ特徴量の前記平均値及び前記分散のみを
入力パラメータとして学習済みの階層型ニューラルネッ
トワークに入力し、びまん性肝疾患の診断出力結果を得
るステップを備える。
びまん性肝疾患診断支援方法にあっては、超音波撮像装
置から出力される超音波画像信号を取り込む画像信号取
り込みステップと、取り込んだ画像全体の中から診断す
べき被写体部分を取り出す被写体画像取得ステップと、
取り出した被写体画像内において任意の注目画素を選択
し、この注目画素に関してその近傍にある複数の対象画
素との同時生起行列をそれぞれ求める同時生起行列演算
ステップと、これら各同時生起行列からそれぞれ五種類
の前記被写体画像のテクスチャ特徴量として角二次モー
メント、総分散、エントロピー、総エントロピー、及び
逆差分モーメントを算出するとともに、これら五種類の
各特徴量について、前記角二次モーメントの平均値、前
記総分散の平均値、前記エントロピーの平均値、前記総
エントロピーの分散、及び前記逆差分モーメントの分散
を演算するテクスチャ特徴量抽出ステップと、前記五種
類のテクスチャ特徴量の前記平均値及び前記分散のみを
入力パラメータとして学習済みの階層型ニューラルネッ
トワークに入力し、びまん性肝疾患の診断出力結果を得
るステップを備える。
【０００９】好ましくは、前記同時生起行列演算ステッ
プは、前記注目画素と前記対象画素との間の距離を複数
段階に分けることにより、複数の前記同時生起行列を求
める。
プは、前記注目画素と前記対象画素との間の距離を複数
段階に分けることにより、複数の前記同時生起行列を求
める。
【００１０】
【発明の実施の形態】＝＝＝システムの概要＝＝＝ びまん性肝疾患診断支援システムにつき、処理フローを
兼ねた概略構成を図１に示す。この診断支援システムの
制御処理を統括管理するのは、メインコンピュータ１で
ある。このメインコンピュータ１には、公知の超音波診
断装置が接続され、ここから撮像された超音波画像デー
タを受けとる。また、メインコンピュータ１のハードデ
ィスクには、入力された診断部位の画像データの変換処
理、特徴量抽出処理１ａ、及びニューラルネットワーク
による学習処理並びに評価処理１ｂの機能を担うプログ
ラムが実行されるべく格納されている。このメインコン
ピュータ１には、モニタ２が接続されており、びまん性
肝疾患の診断支援すべく、ニューラルネットワークによ
る評価処理の結果を表示する。
兼ねた概略構成を図１に示す。この診断支援システムの
制御処理を統括管理するのは、メインコンピュータ１で
ある。このメインコンピュータ１には、公知の超音波診
断装置が接続され、ここから撮像された超音波画像デー
タを受けとる。また、メインコンピュータ１のハードデ
ィスクには、入力された診断部位の画像データの変換処
理、特徴量抽出処理１ａ、及びニューラルネットワーク
による学習処理並びに評価処理１ｂの機能を担うプログ
ラムが実行されるべく格納されている。このメインコン
ピュータ１には、モニタ２が接続されており、びまん性
肝疾患の診断支援すべく、ニューラルネットワークによ
る評価処理の結果を表示する。
【００１１】＝＝＝超音波診断装置＝＝＝ この発明に係る診断装置及び診断方法にあっては、一般
的な超音波診断装置に接続して使用するものである。よ
く知られているように、超音波診断装置は、探触子、送
信回路、受信回路、走査制御回路、受信信号処理回路、
画像出力回路、操作入力回路、システム制御部などによ
り基本構成されている。被検体（診断部位）から採取し
た超音波像がＮＴＳＣコンポジット信号の形式で画像出
力回路から出力される。画像出力回路にテレビモニタ
（ディスプレイ）を接続すれば、その画面に超音波像が
表示される。
的な超音波診断装置に接続して使用するものである。よ
く知られているように、超音波診断装置は、探触子、送
信回路、受信回路、走査制御回路、受信信号処理回路、
画像出力回路、操作入力回路、システム制御部などによ
り基本構成されている。被検体（診断部位）から採取し
た超音波像がＮＴＳＣコンポジット信号の形式で画像出
力回路から出力される。画像出力回路にテレビモニタ
（ディスプレイ）を接続すれば、その画面に超音波像が
表示される。
【００１２】演算処理部は、高速で大容量のパソコンあ
るいはワークステーション級のコンピュータ本体であ
り、周辺装置として、キーボードやマウスなどの操作入
力回路、解析対象となる原画像データや解析結果の復元
画像データなどを格納するためのメモリ、テレビモニタ
（ディスプレイ）に表示する画像データが書き込まれる
ビデオＲＡＭ、ビデオＲＡＭにセットされた画像データ
を読み出してＮＴＳＣコンポジット信号に変換してテレ
ビモニタに供給する画像出力回路などを備えている。な
お、超音波診断装置から入力される画像信号を入力回路
および出力回路をバイパスしてテレビモニタに供給する
信号伝送系も内蔵している。
るいはワークステーション級のコンピュータ本体であ
り、周辺装置として、キーボードやマウスなどの操作入
力回路、解析対象となる原画像データや解析結果の復元
画像データなどを格納するためのメモリ、テレビモニタ
（ディスプレイ）に表示する画像データが書き込まれる
ビデオＲＡＭ、ビデオＲＡＭにセットされた画像データ
を読み出してＮＴＳＣコンポジット信号に変換してテレ
ビモニタに供給する画像出力回路などを備えている。な
お、超音波診断装置から入力される画像信号を入力回路
および出力回路をバイパスしてテレビモニタに供給する
信号伝送系も内蔵している。
【００１３】＝＝＝入力画像のサンプリング＝＝＝ 操作入力回路によりスルーモードを選択している状態で
は、超音波診断装置から出力されてくる超音波像の画像
信号がそのままテレビモニタに供給されて表示される。
診断医は表示されている超音波像を見ながら患者と探触
子の関係を調整するなどし、目的に沿った画像が得られ
るようにする。そして、この状態の画像を解析してみよ
うと思ったならば、操作入力回路によりサンプリング指
令を発行する。このサンプリング指令を受けて演算処理
部は、画像入力回路から出力されるデジタル画像データ
（原画像データ）をメモリに書き込む。このサンプリン
グレートやサンプリング個数は操作入力回路により適宜
に可変設定できる。このように原画像データをサンプリ
ングすると、表示モードが自動的に切り替わり、サンプ
リングした原画像をテレビモニタに表示する。
は、超音波診断装置から出力されてくる超音波像の画像
信号がそのままテレビモニタに供給されて表示される。
診断医は表示されている超音波像を見ながら患者と探触
子の関係を調整するなどし、目的に沿った画像が得られ
るようにする。そして、この状態の画像を解析してみよ
うと思ったならば、操作入力回路によりサンプリング指
令を発行する。このサンプリング指令を受けて演算処理
部は、画像入力回路から出力されるデジタル画像データ
（原画像データ）をメモリに書き込む。このサンプリン
グレートやサンプリング個数は操作入力回路により適宜
に可変設定できる。このように原画像データをサンプリ
ングすると、表示モードが自動的に切り替わり、サンプ
リングした原画像をテレビモニタに表示する。
【００１４】＝＝＝診断対象領域の選択、及び同時生起
行列の生成演算の実行＝＝＝ サンプリングした原画像がテレビモニタに表示されてい
る状態において、操作入力回路により、原画像の中から
一部分を指定することで、特定の診断対象領域を例えば
矩形あるいは円形に切り出す。この領域の指定は、利用
者の判断により、任意にモニタ上の画面領域を特定する
ことで、映し出された肝表面の特定部位を選択する。
行列の生成演算の実行＝＝＝ サンプリングした原画像がテレビモニタに表示されてい
る状態において、操作入力回路により、原画像の中から
一部分を指定することで、特定の診断対象領域を例えば
矩形あるいは円形に切り出す。この領域の指定は、利用
者の判断により、任意にモニタ上の画面領域を特定する
ことで、映し出された肝表面の特定部位を選択する。
【００１５】選択された肝表面の特定部位の画像データ
について、特徴量抽出処理を行う。特に本発明では、同
時生起行列（cooccurrence matrix）によるテクスチャ
解析という公知の手法を用いる（詳しくは、高木幹雄,
下田陽久,”画像解析ハンドブック”,東京大学出版会,
ｐｐ.５１８−５２１）。この同時生起行列は、画像中
の注目画素（基準画素）と、この注目画素に対して距離
ｒ及び角度θの位置関係で離れた対象画素との濃度関係
によって算出される確率を要素とする行列である（図２
参照）。この際、画素間距離ｒを複数の段階（例えば４
段階）に分け、同時生起行列を生成する。この際、角度
θに関し、０°と１８０°、４５°と２２５°、９０°
と２７０°、並びに１２０°と３４５°は、注目画素に
関して同方向上の反対側にあるため、ひとまとめにして
計算する。そして、よく知られているように、得られた
４段階の同時生起行列毎に所定の特徴量を算出する。
について、特徴量抽出処理を行う。特に本発明では、同
時生起行列（cooccurrence matrix）によるテクスチャ
解析という公知の手法を用いる（詳しくは、高木幹雄,
下田陽久,”画像解析ハンドブック”,東京大学出版会,
ｐｐ.５１８−５２１）。この同時生起行列は、画像中
の注目画素（基準画素）と、この注目画素に対して距離
ｒ及び角度θの位置関係で離れた対象画素との濃度関係
によって算出される確率を要素とする行列である（図２
参照）。この際、画素間距離ｒを複数の段階（例えば４
段階）に分け、同時生起行列を生成する。この際、角度
θに関し、０°と１８０°、４５°と２２５°、９０°
と２７０°、並びに１２０°と３４５°は、注目画素に
関して同方向上の反対側にあるため、ひとまとめにして
計算する。そして、よく知られているように、得られた
４段階の同時生起行列毎に所定の特徴量を算出する。
【００１６】ニューラルネットワークに学習及び診断
（評価）の処理を行わせるにあたり、特徴量の種類とし
て次の五つのみに絞る。 １．「角二次モーメント（angular second moment）」 ２．「総分散（sum variance） ３．エントロピー（情報量、entropy）」 ４．「総エントロピー（総情報量、sum entropy）」 ５．「逆差分モーメント（inverse difference momen
t）」
（評価）の処理を行わせるにあたり、特徴量の種類とし
て次の五つのみに絞る。 １．「角二次モーメント（angular second moment）」 ２．「総分散（sum variance） ３．エントロピー（情報量、entropy）」 ４．「総エントロピー（総情報量、sum entropy）」 ５．「逆差分モーメント（inverse difference momen
t）」
【００１７】次に、図３に示すように、次の通り、注目
画素に対して距離ｒの異なる各同時生成行列から得られ
た各特徴量毎に適宜平均値や分散を算出する。
画素に対して距離ｒの異なる各同時生成行列から得られ
た各特徴量毎に適宜平均値や分散を算出する。
【００１８】「角二次モーメントの平均値、総分散の平
均値、エントロピーの平均値、総エントロピーの分散、
及び逆差分モーメントの分散」これら五種類の特徴量に
絞った場合、これらを入力信号とするニューラルネット
ワークにとって、びまん性肝疾患を判別できるようにな
るのである。
均値、エントロピーの平均値、総エントロピーの分散、
及び逆差分モーメントの分散」これら五種類の特徴量に
絞った場合、これらを入力信号とするニューラルネット
ワークにとって、びまん性肝疾患を判別できるようにな
るのである。
【００１９】加えて、距離ｒの異なる各同時生成行列か
ら得られた各特徴量毎に適宜平均値や分散を用いると、
距離ｒが大きいと大域的かつ象徴的なテクスチャ特徴量
が得られる一方、距離ｒが小さいと局所的なテクスチャ
特徴量が得られる。これら性格の異なるテクスチャ特徴
量の平均値や分散を得た場合には、双方の性格が反映さ
れた人間の視覚野と同様の特徴抽出が期待できる。この
ようなテクスチャ特徴量の分散や平均値を用いること
で、ニューラルネットワークは、より安定して高精度な
びまん性肝疾患の有無及び症例を判別できることとな
る。
ら得られた各特徴量毎に適宜平均値や分散を用いると、
距離ｒが大きいと大域的かつ象徴的なテクスチャ特徴量
が得られる一方、距離ｒが小さいと局所的なテクスチャ
特徴量が得られる。これら性格の異なるテクスチャ特徴
量の平均値や分散を得た場合には、双方の性格が反映さ
れた人間の視覚野と同様の特徴抽出が期待できる。この
ようなテクスチャ特徴量の分散や平均値を用いること
で、ニューラルネットワークは、より安定して高精度な
びまん性肝疾患の有無及び症例を判別できることとな
る。
【００２０】例えば、各特徴量に関する値をプロットし
たグラフを図４〜図８に示す。同図において、縦軸を値
とし、横軸を各サンプルとし、◆印で表される健常な肝
臓（健常肝）、■印で表される慢性肝炎を患っている肝
臓（慢性肝）、▲印で表される肝臓（脂肪肝）、並びに
×印で表される肝硬変といった４症例を一組とした標本
を一つのサンプルとしている。本実施例では、９種類の
サンプルを用いる。図４〜図８には、各症例を表す各グ
ラフは、互いに重なり合ったり交差したりする部分があ
るものの、ニューラルネットワークにとっては、各標本
１〜９毎の各特徴量を入力することで、４症例を判別す
ることは可能となる。
たグラフを図４〜図８に示す。同図において、縦軸を値
とし、横軸を各サンプルとし、◆印で表される健常な肝
臓（健常肝）、■印で表される慢性肝炎を患っている肝
臓（慢性肝）、▲印で表される肝臓（脂肪肝）、並びに
×印で表される肝硬変といった４症例を一組とした標本
を一つのサンプルとしている。本実施例では、９種類の
サンプルを用いる。図４〜図８には、各症例を表す各グ
ラフは、互いに重なり合ったり交差したりする部分があ
るものの、ニューラルネットワークにとっては、各標本
１〜９毎の各特徴量を入力することで、４症例を判別す
ることは可能となる。
【００２１】＝＝＝ニューラルネットワークの学習処理
＝＝＝ 得られた各特徴量の平均値並びに分散をニューラルネッ
トワークの入力パラメータとする。そして、その特徴量
の源泉となった原画像に映し出された肝臓の疾患の判別
出力として、例えば図９に示すような１と０で表された
４桁の論理出力を設定し、これを教師信号としてニュー
ラルネットワークの学習を行う。教師信号としては、図
９に示すように、「健常肝」の場合は、第一セル（出力
１）が論理出力として「１」を出力する。残りのセルは
全て「０」を出力する。同様に、「慢性肝炎」として
は、第二セル（出力２）が論理出力として「１」を出力
する。残りのセルは全て「０」を出力する。「脂肪肝」
としては、第三セル（出力２）が論理出力として「１」
を出力する。残りのセルは全て「０」を出力する。「肝
硬変」としては、第四セル（出力２）が論理出力として
「１」を出力する。残りのセルは全て「０」を出力す
る。この際、数多くの入力パラメータ（例えば、前述し
た図４〜図８に示す各標本データ）及び対応する教師信
号の組みを標本データとし用意し、ニューラルネットワ
ークの学習処理を行う。
＝＝＝ 得られた各特徴量の平均値並びに分散をニューラルネッ
トワークの入力パラメータとする。そして、その特徴量
の源泉となった原画像に映し出された肝臓の疾患の判別
出力として、例えば図９に示すような１と０で表された
４桁の論理出力を設定し、これを教師信号としてニュー
ラルネットワークの学習を行う。教師信号としては、図
９に示すように、「健常肝」の場合は、第一セル（出力
１）が論理出力として「１」を出力する。残りのセルは
全て「０」を出力する。同様に、「慢性肝炎」として
は、第二セル（出力２）が論理出力として「１」を出力
する。残りのセルは全て「０」を出力する。「脂肪肝」
としては、第三セル（出力２）が論理出力として「１」
を出力する。残りのセルは全て「０」を出力する。「肝
硬変」としては、第四セル（出力２）が論理出力として
「１」を出力する。残りのセルは全て「０」を出力す
る。この際、数多くの入力パラメータ（例えば、前述し
た図４〜図８に示す各標本データ）及び対応する教師信
号の組みを標本データとし用意し、ニューラルネットワ
ークの学習処理を行う。
【００２２】この事例では、五つの特徴量を入力信号と
するとともに、４桁の判別出力を得ることから、階層型
ニューラルネットワークとしては、図１０に示すよう
に、セル数が五つの入力層と適宜なセル数の中間層、そ
してセル数が４個出力層の構成となる。
するとともに、４桁の判別出力を得ることから、階層型
ニューラルネットワークとしては、図１０に示すよう
に、セル数が五つの入力層と適宜なセル数の中間層、そ
してセル数が４個出力層の構成となる。
【００２３】数多くの標本データを用い、よく知られて
いるように、誤差逆伝播型の学習演算を収束させ、シナ
プス結合係数（重み係数）等のパラメータ群の最適解を
得ることにより、ニューラルネットワークの学習が完了
する。
いるように、誤差逆伝播型の学習演算を収束させ、シナ
プス結合係数（重み係数）等のパラメータ群の最適解を
得ることにより、ニューラルネットワークの学習が完了
する。
【００２４】＝＝＝学習済ニューラルネットワークの検
証＝＝＝ 学習の完了したニューラルネットワークに、学習に用い
ていない五種類の特徴量を入力して、正しい出力結果が
得られるか否かを検証した。すなわち、健常肝、慢性肝
炎、脂肪肝、並びに肝硬変について、それぞれ８組（１
組当たり五種類の特徴量）のサンプルを用意して、学習
時と同様、図１０に示すように、ニューラルネットワー
クの入力層の各セルに入力した。
証＝＝＝ 学習の完了したニューラルネットワークに、学習に用い
ていない五種類の特徴量を入力して、正しい出力結果が
得られるか否かを検証した。すなわち、健常肝、慢性肝
炎、脂肪肝、並びに肝硬変について、それぞれ８組（１
組当たり五種類の特徴量）のサンプルを用意して、学習
時と同様、図１０に示すように、ニューラルネットワー
クの入力層の各セルに入力した。
【００２５】その結果、図１１〜図１４に示すように、
疾患の有無及び症例を完全に判別できた。すなわち、
「健常肝」に関しては、図１１に示すように、８組（横
軸）のサンプル全てにおいて、出力１（出力層の第一セ
ル）が論理出力として約「１」の値を出力するととも
に、他のセルは約「０」の値を出力しており、学習処理
で教示した通り、極めて良好な判別出力をしている。同
様に、「慢性肝炎」に関しても、図１２に示すように、
８組（横軸）のサンプル全てにおいて、出力２（出力層
の第二セル）が論理出力として約「１」の値を出力する
とともに、他のセルは約「０」の値を出力しており、学
習処理で教示した通り、極めて良好な判別出力をしてい
る。また、「脂肪肝」に関しても、図１３に示すよう
に、８組（横軸）のサンプル全てにおいて、出力３（出
力層の第三セル）が論理出力として約「１」の値を出力
するとともに、他のセルは約「０」の値を出力してお
り、学習処理で教示した通り、極めて良好な判別出力を
している。そして、「肝硬変」に関しても、図１４に示
すように、８組（横軸）のサンプル全てにおいて、出力
４（出力層の第四セル）が論理出力として約「１」の値
を出力するとともに、他のセルは約「０」の値を出力し
ており、学習処理で教示した通り、極めて良好な判別出
力をしている。
疾患の有無及び症例を完全に判別できた。すなわち、
「健常肝」に関しては、図１１に示すように、８組（横
軸）のサンプル全てにおいて、出力１（出力層の第一セ
ル）が論理出力として約「１」の値を出力するととも
に、他のセルは約「０」の値を出力しており、学習処理
で教示した通り、極めて良好な判別出力をしている。同
様に、「慢性肝炎」に関しても、図１２に示すように、
８組（横軸）のサンプル全てにおいて、出力２（出力層
の第二セル）が論理出力として約「１」の値を出力する
とともに、他のセルは約「０」の値を出力しており、学
習処理で教示した通り、極めて良好な判別出力をしてい
る。また、「脂肪肝」に関しても、図１３に示すよう
に、８組（横軸）のサンプル全てにおいて、出力３（出
力層の第三セル）が論理出力として約「１」の値を出力
するとともに、他のセルは約「０」の値を出力してお
り、学習処理で教示した通り、極めて良好な判別出力を
している。そして、「肝硬変」に関しても、図１４に示
すように、８組（横軸）のサンプル全てにおいて、出力
４（出力層の第四セル）が論理出力として約「１」の値
を出力するとともに、他のセルは約「０」の値を出力し
ており、学習処理で教示した通り、極めて良好な判別出
力をしている。
【００２６】
【発明の効果】診断部位の超音波画像内において注目画
素に関してその近傍にある複数の対象画素との同時生起
行列をそれぞれ求めることで、五種類のテクスチャ特徴
量を得て、angular second momentの平均値、sum varia
nceの平均値、entropyの平均値、sum entropyの分散、
及びinverse difference momentの分散を得る。進行の
程度に応じて非線形性が強くなるびまん性肝疾患の超音
波画像のように、アーチファクトやノイズが入り込んだ
りする等の種々の外乱を受けた非常に微弱な原信号が含
まれていても、得られた五種類のテクスチャ特徴量の平
均値や分散は、安定して高精度なものであって、階層型
ニューラルネットワークによるびまん性肝疾患の有無及
び症例の判別を可能ならしめることができる。
素に関してその近傍にある複数の対象画素との同時生起
行列をそれぞれ求めることで、五種類のテクスチャ特徴
量を得て、angular second momentの平均値、sum varia
nceの平均値、entropyの平均値、sum entropyの分散、
及びinverse difference momentの分散を得る。進行の
程度に応じて非線形性が強くなるびまん性肝疾患の超音
波画像のように、アーチファクトやノイズが入り込んだ
りする等の種々の外乱を受けた非常に微弱な原信号が含
まれていても、得られた五種類のテクスチャ特徴量の平
均値や分散は、安定して高精度なものであって、階層型
ニューラルネットワークによるびまん性肝疾患の有無及
び症例の判別を可能ならしめることができる。
【００２７】また、階層型ニューラルネットワークに入
力するパラメータとしてテクスチャ特徴量の種類を五つ
だけに絞り込むことができるため、階層型ニューラルネ
ットワーク入力層のセル数を少なくすることができるば
かりか、中間層のセル数も減らせることも可能となり、
全体としてニューラルネットワークの規模を小さくする
ことができる。このため、ニューラルネットワークを構
成する各セルのパラメータの総数が減り、もともと収束
の保証されていない誤差逆伝播型の学習演算を容易に収
束させることができる。加えて、実際に、びまん性肝疾
患を評価する際には、ニューラルネットワークの規模が
小さくて済むことから、計算量が少なくて済み、その評
価の結果を高速に得ることが出来る。
力するパラメータとしてテクスチャ特徴量の種類を五つ
だけに絞り込むことができるため、階層型ニューラルネ
ットワーク入力層のセル数を少なくすることができるば
かりか、中間層のセル数も減らせることも可能となり、
全体としてニューラルネットワークの規模を小さくする
ことができる。このため、ニューラルネットワークを構
成する各セルのパラメータの総数が減り、もともと収束
の保証されていない誤差逆伝播型の学習演算を容易に収
束させることができる。加えて、実際に、びまん性肝疾
患を評価する際には、ニューラルネットワークの規模が
小さくて済むことから、計算量が少なくて済み、その評
価の結果を高速に得ることが出来る。
【００２８】さらに、注目画素と対象画素との間の距離
を複数段階に分けることにより、複数の同時生起行列を
得て、これら五種類の画像のテクスチャ特徴量を得た場
合には、距離が大きいと大域的かつ象徴的なテクスチャ
特徴量が得られる一方、距離が小さいと局所的なテクス
チャ特徴量が得られる。これら性格の異なるテクスチャ
特徴量の平均値や分散を得た場合には、双方の性格が反
映された人間の視覚野と同様の特徴抽出が期待できる。
このような各テクスチャ特徴量の分散や平均値を用いる
ことで、ニューラルネットワークは、より安定して高精
度なびまん性肝疾患の有無及び症例を判別できることと
なる。
を複数段階に分けることにより、複数の同時生起行列を
得て、これら五種類の画像のテクスチャ特徴量を得た場
合には、距離が大きいと大域的かつ象徴的なテクスチャ
特徴量が得られる一方、距離が小さいと局所的なテクス
チャ特徴量が得られる。これら性格の異なるテクスチャ
特徴量の平均値や分散を得た場合には、双方の性格が反
映された人間の視覚野と同様の特徴抽出が期待できる。
このような各テクスチャ特徴量の分散や平均値を用いる
ことで、ニューラルネットワークは、より安定して高精
度なびまん性肝疾患の有無及び症例を判別できることと
なる。
【図１】 本発明の一実施例に係るびまん性肝疾患診断
支援システムの基本ブロック図である。
支援システムの基本ブロック図である。
【図２】 従来及び本発明で利用するする同時生成行列
の源泉となる注目画素と対象画素の位置関係を示す図で
ある。
の源泉となる注目画素と対象画素の位置関係を示す図で
ある。
【図３】 本発明の一実施例に係るテクスチャ特徴量を
抽出する過程を示すフローチャートである。
抽出する過程を示すフローチャートである。
【図４】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図５】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図６】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図７】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図８】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図９】 本発明の一実施例に係るニューラルネットワ
ークの各出力セルに教示する症例別の教師信号を示す図
表である。
ークの各出力セルに教示する症例別の教師信号を示す図
表である。
【図１１】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【図１２】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【図１３】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【図１４】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【符号の説明】 １ メインコンピュータ １ａ 特徴量抽出処理部 １ｂ ニューラルネットワークによる学習処理部並びに
評価処理部 ２ モニタ
評価処理部 ２ モニタ
【手続補正書】
【提出日】平成１２年１２月１５日（２０００．１２．
１５）
１５）
【手続補正１】
【補正対象書類名】明細書
【補正対象項目名】図面の簡単な説明
【補正方法】変更
【補正内容】
【図面の簡単な説明】
【図１】 本発明の一実施例に係るびまん性肝疾患診断
支援システムの基本ブロック図である。
支援システムの基本ブロック図である。
【図２】 従来及び本発明で利用するする同時生成行列
の源泉となる注目画素と対象画素の位置関係を示す図で
ある。
の源泉となる注目画素と対象画素の位置関係を示す図で
ある。
【図３】 本発明の一実施例に係るテクスチャ特徴量を
抽出する過程を示すフローチャートである。
抽出する過程を示すフローチャートである。
【図４】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図５】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図６】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図７】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図８】 本発明の一実施例に係るテクスチャ特徴量の
一種の値をプロットしたグラフである。
一種の値をプロットしたグラフである。
【図９】 本発明の一実施例に係るニューラルネットワ
ークの各出力セルに教示する症例別の教師信号を示す図
表である。
ークの各出力セルに教示する症例別の教師信号を示す図
表である。
【図１０】 本発明の一実施例に係る階層型ニューラル
ネットワークの構成図である。
ネットワークの構成図である。
【図１１】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【図１２】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【図１３】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【図１４】 本発明の一実施例に係る学習済みニューラ
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
ルネットワークの症例の一種に関する出力結果を示すグ
ラフである。
【符号の説明】 １ メインコンピュータ １ａ 特徴量抽出処理部 １ｂ ニューラルネットワークによる学習処理部並びに
評価処理部 ２ モニタ
評価処理部 ２ モニタ
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ０６Ｔ 7/00 ３５０ Ｇ０６Ｔ 7/00 ３５０Ｃ 7/60 １５０ 7/60 １５０Ａ Ｆターム(参考） 4C301 JB21 KK30 5B057 AA07 BA05 CH04 CH08 DA03 DA12 DB02 DB05 DB09 DC30 DC36 DC40 5L096 EA35 FA32 FA33 FA41 FA58 FA66 FA67 GA30 HA11 KA04 LA13 LA14
Claims (4)
- 【請求項１】 超音波撮像装置から出力される超音波画
像信号を取り込む画像信号取り込み手段と、取り込んだ
画像全体の中から診断すべき被写体部分を取り出す被写
体画像取得手段と、取り出した被写体画像内において任
意の注目画素を選択し、この注目画素に関してその近傍
にある複数の対象画素との同時生起行列をそれぞれ求め
る同時生起行列演算手段と、これら各同時生起行列から
それぞれ五種類の前記被写体画像のテクスチャ特徴量と
して角二次モーメント、総分散、エントロピー、総エン
トロピー、及び逆差分モーメントを算出するとともに、
これら五種類の各特徴量について、前記角二次モーメン
トの平均値、前記総分散の平均値、前記エントロピーの
平均値、前記総エントロピーの分散、及び前記逆差分モ
ーメントの分散を演算するテクスチャ特徴量抽出手段
と、前記五種類のテクスチャ特徴量の前記平均値及び前
記分散のみを入力パラメータとしてびまん性肝疾患の診
断結果を出力する学習済みの階層型ニューラルネットワ
ークとを備えることを特徴とするびまん性肝疾患診断支
援システム。 - 【請求項２】 前記同時生起行列演算手段は、前記注目
画素と前記対象画素との間の距離を複数段階に分けるこ
とにより、複数の前記同時生起行列を求めることを特徴
とする請求項１記載のびまん性肝疾患診断支援システ
ム。 - 【請求項３】 超音波撮像装置から出力される超音波画
像信号を取り込む画像信号取り込みステップと、取り込
んだ画像全体の中から診断すべき被写体部分を取り出す
被写体画像取得ステップと、取り出した被写体画像内に
おいて任意の注目画素を選択し、この注目画素に関して
その近傍にある複数の対象画素との同時生起行列をそれ
ぞれ求める同時生起行列演算ステップと、これら各同時
生起行列からそれぞれ五種類の前記被写体画像のテクス
チャ特徴量として角二次モーメント、総分散、エントロ
ピー、総エントロピー、及び逆差分モーメントを算出す
るとともに、これら五種類の各特徴量について、前記角
二次モーメントの平均値、前記総分散の平均値、前記エ
ントロピーの平均値、前記総エントロピーの分散、及び
前記逆差分モーメントの分散を演算するテクスチャ特徴
量抽出ステップと、前記五種類のテクスチャ特徴量の前
記平均値及び前記分散のみを入力パラメータとして学習
済みの階層型ニューラルネットワークに入力し、びまん
性肝疾患の診断出力結果を得るステップを備えることを
特徴とするびまん性肝疾患診断支援方法。 - 【請求項４】 前記同時生起行列演算ステップは、前記
注目画素と前記対象画素との間の距離を複数段階に分け
ることにより、複数の前記同時生起行列を求めることを
特徴とする請求項３記載のびまん性肝疾患診断支援方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000360186A JP2002163635A (ja) | 2000-11-27 | 2000-11-27 | 診断部位の超音波画像から得られた特徴量に基づき階層型ニューラルネットワークを利用してびまん性肝疾患を診断支援するシステム、及びその診断支援方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000360186A JP2002163635A (ja) | 2000-11-27 | 2000-11-27 | 診断部位の超音波画像から得られた特徴量に基づき階層型ニューラルネットワークを利用してびまん性肝疾患を診断支援するシステム、及びその診断支援方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002163635A true JP2002163635A (ja) | 2002-06-07 |
Family
ID=18831824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000360186A Pending JP2002163635A (ja) | 2000-11-27 | 2000-11-27 | 診断部位の超音波画像から得られた特徴量に基づき階層型ニューラルネットワークを利用してびまん性肝疾患を診断支援するシステム、及びその診断支援方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002163635A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006522664A (ja) * | 2003-04-11 | 2006-10-05 | ゼネラル・エレクトリック・カンパニイ | 知識ベースの診断用イメージングのための方法及びシステム |
| CN103919576A (zh) * | 2014-04-18 | 2014-07-16 | 上海市杨浦区中心医院 | 肝实质超声无向性纹理定量测量仪及肝实质纹理测量方法 |
| US9223012B2 (en) | 2009-11-17 | 2015-12-29 | Samsung Medison Co., Ltd. | Ultrasound image enhancement based on entropy information |
| CN105433987A (zh) * | 2014-08-18 | 2016-03-30 | 宝健科技股份有限公司 | 在体外判断多幅三维结石影像间差异的方法及计算机程序产品 |
| JP2016083265A (ja) * | 2014-10-28 | 2016-05-19 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 超音波診断装置及びプログラム |
| JP2021500662A (ja) * | 2017-10-19 | 2021-01-07 | ゼネラル・エレクトリック・カンパニイ | 通常のデータからの偏差を使用した画像分析 |
| WO2024048509A1 (ja) * | 2022-08-30 | 2024-03-07 | 株式会社Preferred Networks | 病態評価装置 |
-
2000
- 2000-11-27 JP JP2000360186A patent/JP2002163635A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006522664A (ja) * | 2003-04-11 | 2006-10-05 | ゼネラル・エレクトリック・カンパニイ | 知識ベースの診断用イメージングのための方法及びシステム |
| JP4795939B2 (ja) * | 2003-04-11 | 2011-10-19 | ゼネラル・エレクトリック・カンパニイ | 知識ベースの診断用イメージングのための方法及びシステム |
| US9223012B2 (en) | 2009-11-17 | 2015-12-29 | Samsung Medison Co., Ltd. | Ultrasound image enhancement based on entropy information |
| CN103919576A (zh) * | 2014-04-18 | 2014-07-16 | 上海市杨浦区中心医院 | 肝实质超声无向性纹理定量测量仪及肝实质纹理测量方法 |
| CN105433987A (zh) * | 2014-08-18 | 2016-03-30 | 宝健科技股份有限公司 | 在体外判断多幅三维结石影像间差异的方法及计算机程序产品 |
| CN105433987B (zh) * | 2014-08-18 | 2018-12-18 | 宝健科技股份有限公司 | 在体外判断多幅三维结石影像间差异的医疗器材及用于计算机的存储介质 |
| JP2016083265A (ja) * | 2014-10-28 | 2016-05-19 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 超音波診断装置及びプログラム |
| JP2021500662A (ja) * | 2017-10-19 | 2021-01-07 | ゼネラル・エレクトリック・カンパニイ | 通常のデータからの偏差を使用した画像分析 |
| JP7053818B2 (ja) | 2017-10-19 | 2022-04-12 | ゼネラル・エレクトリック・カンパニイ | 通常のデータからの偏差を使用した画像分析 |
| WO2024048509A1 (ja) * | 2022-08-30 | 2024-03-07 | 株式会社Preferred Networks | 病態評価装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3982292B1 (en) | Method for training image recognition model, and method and apparatus for image recognition | |
| CN109493328B (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
| CN111227864B (zh) | 使用超声图像利用计算机视觉进行病灶检测的装置 | |
| CN104797199B (zh) | 用于实时胎儿心脏评估的标准平面的自动定位 | |
| US11490877B2 (en) | System and method of identifying characteristics of ultrasound images | |
| US20210177373A1 (en) | Ultrasound system with an artificial neural network for guided liver imaging | |
| KR101565311B1 (ko) | 3 차원 심초음파 검사 데이터로부터 평면들의 자동 검출 | |
| CN111214255B (zh) | 一种医学超声图像计算机辅助方法 | |
| CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
| US20050281444A1 (en) | Methods and apparatus for defining a protocol for ultrasound imaging | |
| DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
| CN102265308A (zh) | 用于监视医学异常的系统及其操作方法 | |
| JP2020068797A (ja) | 医用撮像装置、画像処理装置、および、画像処理方法 | |
| CN113781439A (zh) | 超声视频病灶分割方法及装置 | |
| CN111242921A (zh) | 一种医学超声图像辅助诊断系统自动更新的方法及系统 | |
| JP2002163635A (ja) | 診断部位の超音波画像から得られた特徴量に基づき階層型ニューラルネットワークを利用してびまん性肝疾患を診断支援するシステム、及びその診断支援方法 | |
| Cheng et al. | Quantitative evaluation of liver fibrosis based on ultrasound radio frequency signals: An animal experimental study | |
| JP3255668B2 (ja) | 画像解析装置 | |
| US20230137369A1 (en) | Aiding a user to perform a medical ultrasound examination | |
| JP2019118694A (ja) | 医用画像生成装置 | |
| CN114271850B (zh) | 超声检测数据的处理方法及超声检测数据的处理装置 | |
| US20220277834A1 (en) | Methods and systems for utilizing histogram views for improved visualization of three-dimensional (3d) medical images | |
| RU2153844C2 (ru) | Способ и устройство для исследования состояния биообъекта | |
| JP2022165214A (ja) | 超音波診断システム、超音波診断装置及び診断支援サーバー | |
| WO2024076683A1 (en) | Image processing for medical condition diagnosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040204 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20040204 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20040204 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20040204 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20040924 |