JP2004532067A - 胸部画像上における良性と悪性の孤立性肺結節間の弁別のための自動化されコンピューター化された機構 - Google Patents
胸部画像上における良性と悪性の孤立性肺結節間の弁別のための自動化されコンピューター化された機構 Download PDFInfo
- Publication number
- JP2004532067A JP2004532067A JP2002578236A JP2002578236A JP2004532067A JP 2004532067 A JP2004532067 A JP 2004532067A JP 2002578236 A JP2002578236 A JP 2002578236A JP 2002578236 A JP2002578236 A JP 2002578236A JP 2004532067 A JP2004532067 A JP 2004532067A
- Authority
- JP
- Japan
- Prior art keywords
- nodule
- image
- computer
- segmented
- nodules
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
【解決手段】小結節を解析するための自動化された方法およびコンピューターをプログラムするためにコンピューターに命令がロードされたときにそれによって前記方法が実行され得るコンピューター命令を格納するコンピューター(100)の記憶媒体(112)である。前記方法は、小結節を含むディジタル画像を得ることと(S10);胸部画像から差分画像を生成すること(S20)、小結節を含む関心のある領域におけるそれぞれの画像強度をあらわす画像強度等高線を識別すること、および該画像強度等高線に基づいて小結節の輪郭を得ることを含み、小結節の輪郭を得るために小結節をセグメント化することと(S50);前記輪郭に基づいて小結節の特徴を抽出することと;抽出された特徴を含む特徴を少なくとも1つの画像クラシファイヤーに適用することと;そして少なくとも1つのクラシファイヤーの出力に基づいて小結節の悪性の可能性を決定することと(S80)を含んでいる。
【選択図】図10
Description
【0001】
本発明は、一部米国公衆衛生部認可CA24806号およびCA62625号における米国政府サポートによりなされた。米国政府は、この発明に一定の権利を有している。
【0002】
本発明は、おおむね放射線撮影画像のコンピューター化された解析のための方法およびシステムに関し、そしてより詳細には、人工的なニューラルネットワーク(ANN)を用いて、肺結節における悪性の可能性の決定に関する。
【背景技術】
【0003】
本発明は、例えば、全てが引用によって本出願に組み込まれている米国特許第4,839,807; 4,841,555; 4,851,984; 4,875,165; 4,907,156; 4,918,534; 5,072,384; 5,133,020; 5,150,292; 5,224,177; 5,289,374; 5,319,549; 5,343,390; 5,359,513; 5,452,367; 5,463,548; 5,491,627; 5,537,485; 5,598,481; 5,622,171; 5,638,458; 5,657,362; 5,666,434; 5,673,332; 5,668,888; 5,732,697; 5,740,268; 5,790,690; 5,832,103; 5,873,824; 5,881,124; 5,931,780; 5,974,165; 5,982,915; 5,984,870; 5,987,345; 6,011,862; 6,058,322; 6,067,373; 6,075,878; 6,078,680; 6,088,473; 6,112,112; 6,138,045; 6,141,437; 6,185,320; 6,205,348の各号ならびに米国特許出願第08/173,935; 08/398,307(PCT公報 WO96/27846); 08/536,149; 08/900,188; 08/900,189; 09/027,468; 09/028,518; 09/092,004; 09/121,719; 09/141,535; 09/471,088; 09/692,218; 09/716,335; 09/759,333; 09/760,854;および09/773,636の各号;PCT特許出願第PCT/US99/24007号; PCT/US99/25998; PCT/USOO/41299 ; PCT/US01/00680; PCT/US01/01478およびPCT/US01/01479の各号ならびに米国仮特許出願第60/193,072号および60/207,401,の各号の1つまたはそれより多くの米国特許に開示されている通りのディジタル画像の自動化された解析のためのコンピューター化された技術にもおおむね関連している。
【0004】
本発明は、上述した米国特許および特許出願に参照され且つ記述され、ならびに著者および刊行年度によって次の参照文献のリストに明示された参照文献に記述され、そして明細書全体にわたってそれぞれの参照文献の括弧内の番号に参照されることによってクロスリファレンスされた種々の技術の使用を含んでいる。
【0005】
(参照文献のリスト)
1. N. F. Khouri, M. A. Meziane, E. A. Zerhouni, et al., ”The solitary pulmonary nodule: assessment, diagnosis, and management, ”Chest 91,128−133 (1987).
2. K. Nakamura, H. Yoshida, R. Engelmann, et al.,”Computerized analysis of the likelihood of malignancy in solitary pulmonary nodules with use of artificial neural networks,”Radiology 214,823−830 (2000).
3. M. L. Giger, K. Doi, and H. MacMahon,”Image feature analysis and computer− aided diagnosis in digital radiography. 3. Automated detection of nodules in peripheral lung fields,”Med. Phys. 15,158−166 (1988).
4. X. W. Xu, and K. Doi,”Development of an improved CAD scheme for automated detection of lung nodules in digital chest images,”Med. Phys. 24,1395−1403 (1997).
5. H. P. Chan, K. Doi, C. J. Vyborny, et al.,”Computer−aided detection of microcalcifications in mammograms methodology and preliminary clinical study,”Invest. Radiol. 23,664−671 (1988).
6. K. Doi, H. MacMahon, S. Katsuragawa, et al.,”Computer−aided diagnosis in radiology: Potential and pitfalls,”Eur. J. Radiol. 31,97−109 (1999).
7. S. Katsuragawa. K. Doi, and H. MacMahon,”Image feature analysis and computer−aided diagnosis in digital radiography: Detection and characterization of interstitial lung disease in digital chest radiographs,”Med. Phys. 15,311−319 (1988).
8. M. Pilu, A. W. Fitzgibbon, and R. B. Fisher,”Ellipse−specific direct least−square fitting, ”Proc. of the IEEE International Conference on Image Processing, 599−602 (1996).
9. A. W. Fitzgibbon, M. Pilu, and R. B. Fisher,”Direct least squares fitting ellipses,”Proc. of the 13th International Conference on Pattern Recognition, 253−257 (1996).
10. T. Ishida, S. Katsuragawa, T. Kobayashi, et al.,”Computerized analysis of interstitial disease in chest radiographs: improvement of geometric−pattern feature analysis,” Med. Phys. 24,915−924 (1997).
11. U. Bick, M. L. Giger, R. A. Schmidt, et al.,”A new single−image method for computer−aided detection of small mammographic masses, ”Proc. CAR−Computer Assisted Radiology, H. U. Lemke, K. Inamura, C. C. Jaffe, et. al., eds., 357−363 (1995).
12. Z. Huo, M. L. Giger, C. J. Vyborny, et al.,”Analysis of spiculation in the computerized classification of mammographic masses,”Med. Phys. 22,1569−1579 (1995).
13. P. A. Lachenbruch,”Discriminant analysis,”Chapters 1 and 2, pages 1−39, Hafner Press, 1975.
14. R. A. Johnson and D. W. Wichern,”Applied multivariate statistical analysis,” Section 5.3, pages 184−188, Prentice Hall, New Jersey, 1992.
15. B. Sahiner, H. P. Chan, N. Petrick, et al.,”Computerized characterization of masses on mammograms: The rubber band straightening transform and texture analysis,” Med. Phys. 24,516−526 (1998).
16. D. E. Rumelhart, G. E. Hinton, and R. J. Williams,”Learning internal representations by error propagation,”In: D. E. Rumelhart, J. L. McClelland, eds. Parallel distributed processing: explorations in the microstructure of cognition. Vol 1. Cambridge, Mass: MIT Press, 318−362 (1986).
17. Y. Jiang, R. M. Nishikawa, D. E. Wolverton, et al.,”Malignant and benign clustered microcalcifications: automated feature analysis and classification,”Radiology 198, 671−678 (1996).
18. C. E. Metz,”ROC methodology in radiologic imaging,”Invest. Radiol. 21,720− 733 (1986).
19. C. E. Metz, B. A. Herman, and J. H. Shen,”Maximum likelihood estimation of receiver operating characteristic (ROC) curves from continuously distributed data,”Stat. Med. 17,1033−1053 (1998).
上述において列挙された各関連特許および特許出願、ならびに前記参照文献のリストに列挙された各参照文献の内容は、全て引用により本出願に組み込まれる。
【0006】
(背景の議論)
胸部画像上における差異に基づく肺結節の診断は、放射線医師にとって困難な仕事である。悪性は、胸部画像上における全ての孤立性肺結節のたった20%のみを占めており(参照文献1を参照);しかしながら、大部分の患者は、的確な診断のために、コンピューター断層(CT)によって検査されている(参照文献2を参照)。もしも放射線医師が胸部画像に基づいて多数の小結節が良性であることを、確信的に確認することができれば、いくらかの不用なCT検査が回避されるであろう。
【0007】
小結節が良性か否かを決定するための努力について、上述のクロスリファレンスされる国際特許出願第PCT/US99/25998号に開示されている通り、小結節の輪郭は放射線医師によって手作業的に描かれていた。種々の客観的な特徴は、輪郭の使用によって決定され、且つ悪性の可能性が、人工的なニューラルネットワーク(ANN)の使用によって決定された。受信者動作特性(ROC)解析は、有望な結果を示し、それはANN出力のAz値が、良性および悪性の小結節の間の識別に放射線医師によって取得される平均Az値よりも大きかった。しかしながら、もしも、小結節輪郭を描くために放射線医師に手作業プロセスが要求されたならば、放射線医師の画像解釈を支援するためにセカンドオピニオンとしてコンピューター出力を実際的に利用することは制限されるであろう。
【発明の開示】
【発明が解決しようとする課題】
【0008】
したがって、この発明の目的は、良性および悪性の肺結節を識別するのに、放射線医師を支援するためのコンピューター支援診断(CAD)技術を実施するための新しく且つ改善された自動化されコンピューター化された方法およびシステムを提供することにある。
【0009】
この発明の他の目的は、小結節の手作業による識別が回避されまたは単純化される、胸部画像上の孤立性肺結節における悪性の可能性の解析のための新しく且つ改善された自動化されコンピューター化された方法およびシステムを提供することにある。
【0010】
この発明の他の目的は、線形弁別解析器および人工的なニューラルネットワークを含む画像クラシファイヤーを用いる孤立性肺結節における悪性の可能性の解析のための新しく且つ改善された方法およびシステムを提供することにある。
【0011】
この発明のさらなる目的は、孤立性肺結節における悪性の可能性の解析および決定のための、それによって放射線医師によって指示される追跡調査CTイメージングの数を低減することを可能とする、新しく且つ改善された方法およびシステムを提供することにある。
【0012】
この発明の他の目的は、前記方法の各ステップを実行するための新規なプログラムを格納する記憶媒体を含むコンピュータープログラム製品を提供することにある。
【課題を解決するための手段】
【0013】
これらのそして他の目的は、本発明に従って(1)小結節を解析するための新しく且つ改善された方法、(2)小結節を解析するためのコンピューター命令を格納するコンピューター読み取り可能な媒体、そして(3)小結節を解析するためのシステム、を提供することによって達成される。本発明のコンピューター命令およびシステムが基づいている方法は、小結節が識別される位置におけるディジタル胸部画像を取得することと;胸部画像から差分画像を生成することと;前記小結節を含む関心のある領域におけるそれぞれの画像強度をあらわす画像強度等高線を識別することと;前記小結節の輪郭を取得するために前記画像強度等高線に基づいて前記小結節をセグメント化することと、を含んでいる。
【0014】
小結節の輪郭の取得に際し、前記方法は、前記小結節の輪郭の物理的な特徴に対応する客観的尺度を生成することと;前記生成された客観的尺度を、おそらく線形弁別解析器および/または人工的なニューラルネットワーク(ANN)である、少なくとも1つのクラシファイヤーに適用することと;前記少なくとも1つのクラシファイヤーの出力に基づいて前記小結節の悪性の可能性を決定することと、をさらに含んでいる。
【0015】
本発明の他の局面によれば、新規な自動化されたコンピューター化された方法、小結節を解析するためのコンピューター命令を格納するコンピューター読み取り可能な媒体、および胸部画像上の孤立性肺結節における悪性の可能性の解析のためのシステムが提供され、そこでは胸部放射線撮影像における小結節の位置が、胸部画像において最初に手作業的に指示され、そして該識別された小結節を含む差分画像がフィルターの使用によって作成されてそれから極座標系に表現される。前記小結節はそれから極座標表現に基づくグレーレベル分布の等高線の解析によって自動的にセグメント化される。
【0016】
一旦、前記小結節がセグメント化されると、臨床パラメーター(年齢および性別)および前記セグメント化された小結節の内部および外部領域についての輪郭またはテクスチャー解析から決定される複数の画像特徴が、線形弁別解析(LDA)にかけられる。選択された複数の特徴の組み合わせは、人工的なニューラルネットワーク(ANN)に対する入力として評価される。前記LDAおよびANNによる分類の結果は、小結節が良性であるか否かを定義する閾値を確立する。
【発明を実施するための最良の形態】
【0017】
本発明のより完全な認識および多くのそれに伴う利点は、添付図面に関連付けて考慮されるときに、以下の詳細な説明を参照することによって、同一物が、より理解されるようになるにつれて、容易に得られるであろう。
【0018】
(素材および方法)
(素材)
本発明者らは、シカゴ大学病院(the University of Chicago Hospitals)においてコダックラネックスメディア/OCスクリーンフィルムシステム(Kodak Lanex Medium/OC screen−film systems)によって得られた、55個の胸部放射線撮影像(33個の初期の肺ガンおよび22個の良性結節)からなるデータベースを採用した。小結節のサイズは、3cm未満であった。悪性結節および大部分の良性結節についての最終的な診断は、病理学検査によって決定された。いくつかの良性結節の診断は、2年の間隔の間小結節サイズにおける無変化または減少の確認により決定された。
【0019】
33個の初期の肺ガンは、いくつかの診断に分けられた(26個の腺ガン、3個の偏平上皮ガン、1個の小細胞ガン、1個のカルチノイド腫瘍、および2個の未知のサブタイプの腫瘍)。22個の良性結節は、12個の肉芽腫、7個の炎症性病変、2個の肺過誤腫、および1個の肺梗塞からなっていた。55個の胸部放射線撮影像は、33人の女性および22人の男性(58.5歳の平均年齢で、24〜86歳の年齢範囲)から取得された。これらの胸部放射線撮影像は、レーザースキャナー(アベセッケイ、東京、日本)の使用により、0.175mmのピクセルサイズで且つ10ビットのグレースケールを有する2000×2000マトリクスサイズにディジタル化された。
【0020】
(方法)
1.小結節セグメント化
図10は、本発明の全体の方法を図解しており、それは識別された小結節位置を含めたディジタル画像を取得すること(ステップS10)で始まっている。これは、胸部放射線撮影像を、上述のクロスリファレンスされた米国特許4,907,156; 5,289,374; 5,790,690; 6,111,862;および/または6,141,4327,に開示された小結節識別ルーチン、または小結節位置の識別のためのいずれかの既知の自動化技術、に供することによって達成され得る。さらにまた、本発明の典型的な方法においては、放射線医師は、胸部放射線撮影像を検査するにあたり、彼/彼女が、本発明の各ステップを実行すべくプログラムされたコンピューターによって再確認された特別に疑わしい領域を得ようとすることを決断してもよい。その場合、放射線医師は、放射線撮影像における疑わしい小結節の位置を、タッチスクリーン、マウス入力、トラックボール入力、または他のそのような入力機構を用いて、手作業的に明らかにすることのみを必要とする。このように、ステップS10において、本発明の動作は、自動的にまたは放射線医師による手作業入力のいずれかによって、識別された小結節の位置を含むディジタル画像を取得することから始まる。
【0021】
次に、ステップS20において、差分画像が形成され(参照文献3および米国特許4,907,156を参照)、そしてそれは適合されたフィルターによって取得される拡張画像からのリング平均フィルターによって取得される抑制された画像の減算によって作られる。前記差分画像は、小結節が背景構造と比較されて選択的に強調されるという固有の特徴を有し、且つそのようにして前記差分画像における前記小結節の輪郭が、原画像におけるよりもコンピューターによってより高い信頼性で識別され得る。原画像上における肺結節の正確なセグメント化は、結節が肋骨と重なり合っているとき、それは一般的な場合であるが、非常に困難である。差分画像技術は、コンピューター支援診断(CAD)機構のための胸部放射線撮影像における小結節(参照文献4を参照)およびマモグラフにおける微小石灰化部位(参照文献5および参照文献6を参照)のような病変の候補を抽出するための初期ステップとして使用されている。
【0022】
図1(a)〜図1(c)は、3個の悪性の孤立性肺結節を示し、且つ図1(d)〜図1(f)は、3個の良性の孤立性肺結節を示しており、それらは関心のある領域(ROI)の中央に配置されている。図2(a)〜図2(f)は、図2に示されるように、図1(a)〜図1(f)の画像の各々について、図10のステップS20において取得される、それぞれの差分画像を示している。本発明の自動化された小結節のセグメント化のための方法の発明を実施するための最良の形態によれば、極座標解析が行なわれ、それによって差分画像における小結節についてのROI(300×300マトリクスサイズ)は、それから図3(a)および図3(b)に図解されたように、極座標系に変換される。おそらく、他の座標系も採用されてよいが、極座標系の使用が、本発明に従った等高線の生成のために便利であり、且つそれゆえ望まれる。
【0023】
図3(a)および図3(b)における極座標表現は、ROIの中心を定義することによって作成され、そしてそれは概して最大のピクセル値に位置する。図10に示される方法の実行において、次のステップS30では、グレーレベル等高線が、それから最大ピクセル値より下の10個のグレーレベルの増分によって、前記差分画像における種々のグレーレベルにおいて描かれる。図3(a)および図3(b)に示される例において、10度毎の放射方向における中心から等高線への距離が決定された。図3(a)および図3(b)における極座標表現は、水平軸上の放射角度および垂直軸上の放射方向距離のプロットによって作られる。等高線のこの再表現は、小結節のエッジ、肋骨エッジおよびグレーレベル分布における漸次変化のようないくつかの画像の特徴を指示し得ることに注意されるべきである。例えば、小結節のエッジに起因する鋭いエッジは、短い距離における多数の等高線によって認識され得て、そしてピクセル値における漸次変化は、与えられた距離内における大きなギャップまたは少数の等高線によって認識され得る。肋骨のエッジに起因する非常に鋭いエッジは、ピクセル値における急で大きな変化によってまたは狭い領域における多数の区別ができない腺によって指示される。それゆえ、小結節の輪郭が、極座標系上に表現された等高線の解析によって、すなわち、多くの等高線を有するいくつかの狭い領域に基づいて1つの曲線に結合することによって、抽出され得る。
【0024】
次のステップS40において、小結節のセグメント化が、等高線帯域を識別することによって進められ、各帯域は多くの等高線を有する狭い領域である。特に、図3(a)および図3(b)に示される例における帯域は、3本またはそれより多くの連続する等高線を有する領域、そこでは隣接する等高線間の距離は6ピクセル(1.05mm)よりも小さい、として定義される。それから、図10のステップS50において、小結節の輪郭は、ステップS40において識別された帯域に基づいて決定される。特に、小結節エッジは、前記帯域の底部から頂部への上部70%の位置において決定され、それは経験的に決定される。もしもこの距離が中心から100ピクセル(17.5mm)よりも大きければ、そのときは明確な小結節エッジは存在しないということが決定される。もしも同一の角度上に2つの帯域があれば、小結節エッジは、等高線に、より近い帯域に含まれているとみなされ、そのエッジは、隣接する1つの帯域領域から定義される。一方、もしもいくつかの放射方向における小結節エッジが見付けられなければ、全ての36個の放射方向についての小結節エッジが、上述した方法により定義される小結節エッジの補間によって定義される。
【0025】
図3(a)および図3(b)における2つの小結節についての太い曲線は、この方法によって取得されるセグメント化結果を示しており、その結果はそれから原画像における小結節の輪郭に変換される。図3(a)における悪性のケースについて、160度と230度との間の2つの帯域の上側のものにおける適切な小結節エッジとして、より強いエッジが選択された。図3(b)における良性のケースについて、190度と290度との間のパラボラ型のエッジが、図1(e)における小結節の直ぐ上方の強い肋骨エッジに対応する。
【0026】
図4(a)〜図4(f)は、6個のセグメント化された小結節領域(白い線)と4人の放射線医師によって手作業的に描かれた輪郭(黒い線)との比較を示しており、その比較は、図2(a)〜図2(f)の差分画像の各々について、相対的に大きな変動を示している。2つのタイプの輪郭は、それらの外観において全く異なっているが、自動化されたセグメント化結果は、放射線医師により得られる手書き輪郭と、一般に同様である。自動化されたセグメント化方法は、手作業的な方法によって得られる結果を正確にシミュレートしていないが、後続の解析のために妥当であろう適切な領域を提供する。
【0027】
(特徴抽出)
図10のステップS50において一旦小結節輪郭が決定されると、実行されるべき次のステップS60は、特徴抽出である。抽出されるべき予想される特徴を評価する活動において、81の特徴が検査される調査が行なわれる。2つの臨床的なパラメーター(年齢および性別)に加えて、79の画像特徴が、セグメント化された小結節の内部および外部領域についての輪郭またはテクスチャー解析から決定された。テクスチャー解析に基づく特徴値は、4個の異なる種類の画像、すなわち原画像、背景傾向および濃度補正画像(参照文献7を参照)、およびソーベルフィルターの使用によって得られた、それらの対応するエッジ勾配画像、の使用によって決定された。ソーベルフィルターのマスクサイズは21×21ピクセルであり、それはエッジ勾配画像において顕著に小結節エッジを提供すると思われる。79の画像の特徴は、輪郭に基づく7つの特徴と、原画像および補正された画像のテクスチャー解析に基づく2つの特徴と(2×2=4)、2つのエッジ勾配画像のテクスチャー解析に基づく6つの特徴と(6×2=12)、4つの異なる種類の画像のテクスチャー解析に基づく4つの特徴(4×4=16)と、そして4つの異なる種類の画像についてのセグメント化された小結節の内部および外部領域における2つのヒストグラムの間の関係に基づく10の特徴(10×4=40)を含んでいた。
【0028】
図5(a)〜図5(f)は、図4(a)〜図4(f)の6つのセグメント化された小結節の内部および外部領域をそれぞれ示している。内側および外側の白い線は、内部および外部領域を、それぞれ示している。前記外側領域の幅は、5mmであり、それはこの検討において経験的に決定された。
【0029】
図6(a)および図6(b)は、補正された画像上におけるセグメント化された小結節の内部および外部領域についての2つの小結節のグレーレベルヒストグラムを示す。悪性結節は、概して、図6(b)に示されるような、良性結節のヒストグラムよりも、図6(a)に示されるように、ヒストグラムにおいて、より低いピークおよびより広い幅を有している。さらに、悪性結節についての内部および外部領域についてのヒストグラムの平均ピクセル値の間の相違は、良性結節についてのそれよりも概して大きい。
【0030】
抽出された特徴は、輪郭のそれと同様の領域で、円の直径によって定義される、小結節の輪郭の有効直径を含んでいた。円環状の度合いは、小結節の輪郭との重複エリア部分から定義された。楕円の度合いは、小結節の輪郭に適合された円の代わりに楕円を使用することにより、円環状の度合いと同一のやり方にて定義された(参照文献8および参照文献9を参照)。不規則性の度合いは、小結節の輪郭の長さで割られた1マイナス円周によって定義されるのに対して、楕円の不規則性の度合いは、適合された楕円の円周を用いて計算された。小結節の輪郭から適合される楕円までの距離のフーリエ変換の使用によって得られる、二乗平均平方根変量およびパワースペクトルの最初の瞬間、も定義された。
【0031】
小結節の周りのラインパターン成分の大きさは、ROIの中心から放射方向ラインの45度以内の方向での、ライン拡張フィルタの使用により決定された(参照文献10を参照)。小結節の周りのエッジの大きさは、平均勾配によって検査される。放射方向勾配指数は、放射方向に沿って突出された放射エッジ勾配の絶対値平均によって計算された(参照文献11を参照)。接線方向勾配指数も、接線方向に沿って突出される接線エッジ勾配の絶対値平均によって計算された。平均ピクセル値および相対的標準偏差は、セグメント化された小結節の内部および外部領域の両方について定義された。
【0032】
2つのヒストグラム間の重複量はセグメント化された小結節の内部領域と外部領域の間のグレーレベルヒストグラムの重複エリアによって定義された(図6)。加えて、セグメント化された小結節の内部および外部領域のグレーレベルヒストグラムについての、平均ピクセル値、ピークにおけるピクセル値、ピーク値、半値全幅(FWHM)(参照文献12を参照)、および1/10値全幅の差分が特徴として使用される。
【0033】
(特徴選択)
図7(a)および図7(b)は、良性および悪性結節についての2つの特徴の関係を示している。図7(a)および図7(b)は、良性結節と悪性結節との間の考慮すべき重複を示しているが、結果は、良性結節と悪性結節との間の区別のための可能性を示しているように見える。特に、図7(a)は、外部領域についてのFWHMと背景傾向および濃度補正画像上における重複量との関係を示している。悪性結節についてのFWHMは、良性結節についてのそれよりも大きくなる傾向があり、悪性結節についての重複量は、良性のものについてよりも小さくなる傾向がある(図6(a)および図6(b)を参照)。図7(b)は、外部領域についてのFWHMと原画像上におけるコントラストとの間の関係を示している。悪性結節のFWHMは、良性のもののそれよりも大きくなる傾向があり、悪性結節のコントラストは、良性のもののそれよりも大きくなる傾向があり、それは図7(a)に示された結果と類似している。
【0034】
再び図10を参照すれば、特徴抽出の完了と同時に、ステップS70での選択され抽出された特徴が、悪性の可能性の結果を決定し且つその結果をステップS80で出力する、少なくとも1つのクラシファイヤーに適用される。
【0035】
本発明者らによって行なわれた検討においては、7つの特徴の組み合わせが、図7(a)および図7(b)に示された結果のような良性および悪性結節についての知識と一緒にラウンドロビン検査を使用することにより、線形弁別解析(LDA)(参照文献13を参照)に基づいて選択される。81の特徴全てについての7つの特徴の全ての組み合わせに対する計算は、実際的ではないので、本発明者らは、LDAを用いて、種として、初期組み合わせを見出すために、群内分散に対する全分散の比によって定義される、ウィルクスのラムダ(参照文献14を参照)、および、ウィルクスのラムダに基づくコスト関数である、F値を採用した。特徴の組み合わせは、反復手順によって見出され、そこではF値における、1つは除去のためのそして他の1つは追加のための、2つの閾値を使用することによって特徴が一つづつ追加されまたは除去される(参照文献15を参照)。発明者らの検討においては、除去および追加のために同一の閾値が採用された。選択される特徴の数は、この閾値に依存する。例えば、閾値レベルが3から2へ、1へと減少されたとき、選択される特徴の数は、それぞれ、対応するAz値0.835、0.864、0.852を伴って、5から7へ、11へと増加する。それゆえ、この検討において使用される特徴の数は、最も高いAzの値を理由に7として選択された。いくつかの特徴の多くの異なる組み合わせが、良性および悪性結節についての知識に基づいて予め選択された7つの特徴に追加することおよび除去することが反復的に試された。最終的な組み合わせは、(1)患者の年齢、(2)等高線の不規則性の度合い、(3)前記小結節等高線のパワースペクトルの二乗平均平方根変量(米国仮特許出願第60/108,167号およびその対応するPCT出願)、(4)前記原画像から導出される背景傾向および濃度補正画像における重複量、(5)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化されたものの内部領域についてのFWHM(半値全幅)、(6)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節のコントラスト、および(7)前記原画像上における前記セグメント化された小結節のコントラストからなり、それは0.886のAz値が提供される。
【0036】
人工的なニューラルネットワーク(ANN)および線形弁別解析(LDA)
ANNおよびLDAは、発明者らの検討における特徴のクラシファイヤーとして使用された。バックプロパゲーションアルゴリズムを用いる3レイヤー、フィードフォワードANN(参照文献16を参照)が使用された。ANNは、トレーニングのために長い計算時間を必要とするので、選択された7つの特徴の有効性を事前調査する速やかな方法として、LDAが採用された。LDAの使用により相対的に高いAz値を与える7つの特徴は、それからANNに対する入力データとして使用される。このANNは、7個の入力ユニット、4個の隠れユニット、および1個の出力ユニットを有していた。隠れユニットの数は、入力ユニットと出力ユニットの数の平均となるように選択された。入力データは0と1.0の間で正規化された。ANNの出力値は、悪性について1.0そして良性について0として、悪性の可能性を表現する。ラウンドロビン(リーブワンアウト)検査(参照文献17を参照)が、ANNのそしてLDAについてもトレーニングおよび検査のために使用された。この方法において、トレーニングは、データベースにおける1つを除いて全ての場合のために実施され、トレーニングに使用されない1つの場合はトレーニングされたANNへの検査のために適用された。この手続きは、データベースにおける全ての場合が1回使用されるまで繰り返された。LDAは、超平面の使用により良性を悪性結節から分離する。LDAの出力値は、超平面からの良性結節かまたは悪性結節かのいずれかの距離をあらわす。LDAの出力値は、最小値および最大値がそれぞれ0および1.0に対応するように悪性の可能性として正規化される。自動化されコンピューター化された機構の性能は、ROC解析の使用により評価された(参照文献18を参照)。ROC曲線の下方の面積、Az、は、性能の尺度として使用された。LABROC4プログラム(参照文献19を参照)は、ROC曲線を作るために使用された。
【0037】
(結果)
発明者らによって行なわれた検討において、図10のステップS70の実行に際し、選択された7つの特徴が、ANNクラシファイヤーおよびLDAクラシファイヤーに適用される。図8は、ANNおよびLDAによって得られた2つのROC曲線を示しており、それらの各々は、本発明の自動化されコンピューター化された方法の使用によって、良性結節と悪性結節との間を区別するために最大のAzが提供された。次の表1は、0.855よりも大きいかそれに等しいAz値が提供される特徴のいくつかの異なる組み合わせについてANNおよびLDAクラシファイヤーによって取得されたAz値の比較を示している。
(表1)
表1において、参照される特徴は:(1)年齢、(2)小結節等高線のパワースペクトルの二乗平均平方根変量、(3)原画像から導出される背景傾向および濃度補正画像における重複量、(4)原画像から導出される背景傾向および濃度補正画像上におけるセグメント化された小結節の外部領域についてのFWHM、(5)小結節輪郭の不規則性の度合い、(6)原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の内部領域についてのFWHM、(7)原画像上における前記セグメント化された小結節の内部領域についてのFWHM、(8)原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節のコントラスト、(9)原画像から導出される背景傾向および濃度補正画像における前記セグメント化された小結節のコントラスト、(10)前記小結節輪郭の円環状の度合い、(11)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外部領域についての相対的な標準偏差、および(12)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の内部領域についての平均ピクセル値である。
【0038】
LDAの使用によって選択された7つの特徴によって得られる最大のAzは、0.886であった。ANNの使用による最大のAzは、0.872であり、それは以前の検討における手作業の方法によって得られるAz=0.854よりも大きく(参照文献2および第PCT/US99/25998号を参照)、それに対して同一の特徴の組み合わせ(表1における組み合わせa(1,2,3,4,5,6,7))によるLDAのAzは、0.871であった。LDAのAzは、ANNのAzよりも若干大きかったが、表1における7つの異なる特徴との他の5つの組み合わせは、類似したAz値を与えた。我々の以前の検討においてはANNのみが使用されたことに留意されたい(参照文献2および第PCT/US99/25998号を参照)。図9(a)は、悪性の可能性によるANN出力の分布を示しており、これに対して図9(b)は、LDA出力の分布を示している。
【0039】
図1(a)、図1(b)、および図1(c)に図解された3つの悪性結節についてのANNクラシファイヤーで得られる悪性の可能性は、それぞれ0.87、0.83、および0.35であり、そして図1(c)、図1(d)、および図1(e)に図解された3つの良性結節については、それぞれ0.16、0.21、および0.77であった。これらの結果は、2つの悪性結節および2つの良性結節についての適正な悪性の可能性を示しているが、それに対して1つの悪性結節(c)および1つの良性結節(f)の悪性の可能性は、良性結節と悪性結節との間の区別のために望ましくない値であった。図1(a)、図1(b)、および図1(c)に図解された3つの悪性結節についてのLDAクラシファイヤーで得られる悪性の可能性は、それぞれ0.65、0.66、および0.45であり、そして図1(c)、図1(d)、および図1(e)に図解された3つの良性結節については、それぞれ0.41、0.38、および0.48であった。ANNとLDAの間の悪性の可能性には相違があることは明らかであるが、全体の結果は、類似している。LDAによる悪性の可能性は、可能性値が、悪性および良性結節の両方について0.5により近いので、あまり明確ではない傾向がある。LDAによる図1(f)における1つの良性結節についての可能性値は、0.48であり、ANNで得られる0.77よりもより信頼できる。それゆえ、ANNとLDAによる悪性の可能性の両方の結果を使用し、そして悪性の可能性について、ANNによって得られたものとLDAによって得られたものとの2つの値を各画像上に重ね合わされて、放射線医師のために表示することが望ましい。このことは、2つの結果が、より信頼できる「セカンドオピニオン」を提供して互いに補償するように見える、2つのクラシファイヤーによって決定された通りの悪性の可能性の範囲を示そうとする理由である。
【0040】
発明者らの検討において得られた結果に対してさらにコメントすると、良性結節と悪性結節との間の区別のために選択された7つの特徴(1)〜(7)によって得られる通りANNクラシファイヤーのAzは、0.872であった。表1における7つの異なる特徴による他の5つの組み合わせは、0.855よりも大きなAz値を提供した。この結果は、良性結節と悪性結節との間の区別のためにコンピューター化機構の性能を最適化することが困難であること;またいくつかの異なる特徴の組み合わせによって相対的に高い性能が得られ得ることを示しているように見える。発明者らは、徹底的に最善の組み合わせを見付けようとしていないので、現存する特徴の他の組み合わせによって、あるいは将来的に付加的な特徴を作り出すことによってさらに性能を改善することが可能であるかもしれない。加えて、LDAは、発明者らの結果によってLDAがANNおよびLDAクラシファイヤーよりも若干大きなAz値を提供したことを説明した通り、ANNの代わりに使用され得る。
【0041】
図8、図9(a)および図9(b)は、本発明の方法が彼らの良性結節と悪性結節との間の区別において放射線医師を支援するのに有用であるであろうことを説明している。図8において良性結節と悪性結節との間を区別するためにANNおよびLDAで得られるROC曲線の形状は、それぞれ1.0の偽の陽性率は約0.5であり、そして真の陽性率において0.4であることを示している。実際、全ての悪性結節についてのANNおよびLDA出力の悪性の可能性は、それぞれ0.3(図9(a))および0.4(図9(b))よりも大きかった。それゆえ、100%の高い感度が、0.3(ANN出力)および0.4(LDA出力)の閾値の使用により達成され得る。したがって、図10のステップS90において、ステップS80における各悪性の可能性の出力は、ANNクラシファイヤーの出力については0.3そしてLDAクラシファイヤーの出力については0.4のような、それぞれの閾値と比較され、そしてステップS100において、小結節は、各悪性の可能性がそれの閾値よりも小さいときは、非悪性であると決定される。このようにして、ANNクラシファイヤーのみによっては、約50%の良性結節が、いかなる悪性結節をも除去することなしに、正確に識別され得る。もしも、LDA出力が、図8および図9(b)に示されたように使用されると、約60%の良性結節を正確に識別することができる。発明者らの手作業方法においては(参照文献2および第PCT/US99/25998号を参照)、ROC曲線の形状は、1.0の真の陽性率において偽の陽性率がほとんど1.0であった。このことは、手作業方法で、いかなる悪性結節の除去もなしにいかなる良性結節をも識別することは困難であることを示している。新たな自動化方法によれば、良性結節と悪性結節との間の区別のための性能は、かなり改善される。
【0042】
従来の手作業方法(参照文献2および第PCT/US99/25998号を参照)で得られた結果は、良性を悪性結節から区別するための従来のコンピューター化機構によるAz値が0.854であったことを示しており、放射線医師1人によって得られるそれ(0.727)よりも大きい。従来の手作業方法(参照文献2および第PCT/US99/25998号を参照)で得られるコンピューター結果(Az=0.854)がそれらにセカンドオピニオンとして提供されたとき、放射線医師によって得られるAz値が、0.727から0.810に改善されることに注意することは重要である。それゆえ、もしも、本発明の自動化方法によって得られる結果(ANNおよびLDAの使用によってそれぞれAz=0.872および0.886)が、観察者の検討に使用されたならば、放射線医師の能力が従来の結果に比べてさらに改善されるであろうことが期待される。
【0043】
(他のイメージング様相への応用)
本発明の方法は、CT画像にも適用可能であり、低線量ヘリカルCT上で肺結節の悪性の可能性の決定に適用されている。その意味において、発明者らは、日本の長野において低線量ヘリカルCT(25〜50mA、10mmのコリメーション、ピッチ2、10mmの再構成間隔)にて7,847人の被検者への肺ガンスクリーニングから得られた、76個の初期肺ガンおよび413個の良性結節からなるデータベースを採用した。初期肺ガンは、病理学診断によって検認され、良性結節は、診断上の追跡検査または手術によって確かめられた。この自動化されコンピューター化された機構によって、小結節の位置が最初に放射線医師によって指示される。小結節の輪郭は、上述された通り自動的に決定され、そして43の画像特徴が、セグメント化された小結節領域上で、輪郭、テクスチャー、およびグレーレベルヒストグラムの量的解析から決定される。線形弁別解析(LDA)が、43の特徴および2つの臨床パラメーター(年齢および性別)を用いて悪性結節から良性のものを区別するために採用された。悪性結節から良性のものを区別することにおける我々のコンピューター化された機構および放射線医師の性能は、ROC解析によって評価された。45の特徴の多くの異なる組み合わせがLDAの入力として検査された。
【0044】
CT結節を分類することにおける最善の結果という立場からの検討における最も重要な特徴は:
1.小結節等高線の有効な直径;
2.CT画像から導出されるエッジ;勾配画像上におけるセグメント化された内部領域についてのピーク値;
3.患者の性別;
4.CT画像上のセグメント化された小結節の内部領域についての相対的な標準偏差;
5.CT画像上のセグメント化された小結節の内部領域についてのピーク値;
6.CT画像から導出されるエッジ勾配画像上のセグメント化された小結節の内部および外部領域についての平均ピクセル値の差分;
7.セグメント化された小結節の外部領域についてのラインパターン成分;
8.CT画像上のセグメント化された小結節の内部領域についての1/10値全幅;
9.セグメント化された小結節の外部領域についての接線勾配指数;そして
10.小結節の等高線の最初の瞬間のパワースペクトル
である。特定の組み合わせ、およびLDAの使用により結果として得られるAzの値は、次の表2に示される。
(表2)
表2に示されるように、組み合わせ(a)について、予備的な結果は、悪性結節からの良性のものの区別におけるコンピューター化された機構によって得られるAz値は、0.797であることを示し、放射線医師1人によって得られるAz値の0.625よりも大きかった。それゆえ、小結節の悪性の可能性の決定のための自動化されコンピューター化された機構は、低線量ヘリカルCT上で良性および悪性の孤立性肺結節の間を区別する彼らの作業を支援することにおいて放射線医師にとって有用である。
【0045】
表2のデータは、LDAにより得られる結果のみを示しているが、ANN分類のために類似の結果が期待され、そして同様にX線ラジオグラフィーの場合にも、CT導出特徴を有するLDAおよびANNクラシファイヤーの出力の閾値処理が非悪性腫瘍の実質的なパーセンテージの識別を可能とし、それによってバイオプシーおよび/または付加的なイメージングが回避され得るであろうことが期待される。
【0046】
さらにまた、上述のクロスリファレンスされた米国特許シリアル番号第08/900,188号および米国特許第5,984,870号に開示されたように、2つの異なるイメージングの様相から導出される特徴を、この場合胸部X線ラジオグラフィーとCT、を入力として共通のクラシファイヤーへ併合することも、改善されたAz値を得ることに有用であろう。そのために、本発明のさらなる実施の形態に従って、胸部X線ラジオグラフィーイメージングおよびCTイメージングの様相から解剖学上の同一部位のそれぞれのディジタル画像を得ることと;それぞれのディジタル画像において各画像に共通の小結節を識別することと;それぞれの画像における小結節の輪郭を得るために各ディジタル画像において識別される小結節をセグメント化することであって、各ディジタル画像について、前記ディジタル画像から差分画像を生成すること、前記小結節を含む関心のある領域におけるそれぞれの画像強度をあらわす画像強度等高線を識別すること、および前記画像強度等高線に基づいて前記小結節の輪郭を取得すること、を含むことと;前記ディジタル画像の各々について、前記輪郭に基づいてそれぞれの画像における小結節の少なくとも1つの特徴を抽出することと;併合された複数の抽出された特徴に基づいて前記小結節を特徴付け且つ共通の画像クラシファイヤーの出力に基づいて前記小結節の悪性の可能性を決定するために、共通の画像クラシファイヤーに対する入力として、胸部X線ラジオグラフィーイメージングおよびCTイメージングの様相から導出される2つのディジタル画像から抽出される特徴を含む複数の特徴を併合することとを含む方法が提供される。LDAまたはANNクラシファイヤーを用いて最善の結果を与える表1および表2において採用された特徴によって、胸部X線およびCTイメージングの様相に関して上述において識別された特徴の併合によって最善の結果が得られるであろうことが期待される。
【0047】
(コンピューターおよびシステム)
この発明は、コンピューター技術における熟達者には明らかであろうように、本発明の教示に従ってプログラムされた在来の汎用目的のコンピューターまたはマイクロプロセッサーを用いて適切に実施されるであろう。
【0048】
図11は、肺結節における悪性の可能性のコンピュータ化された解析のためのコンピューターシステムの概略的な図解である。コンピューター100は、本発明の方法を実施し、そこではコンピューターハウジング102が、CPU106、メモリー108(例えば、DRAM、ROM、EPROM、EEPROM、SRAM、SDRAM、およびフラッシュRAM)、および他の随意選択的な特別な目的の論理デバイス(例えばASIC)または設定可能な論理デバイス(例えば、GALおよび再プログラム可能なFPGA)を含むマザーボード104を収容している。コンピューター100は、複数の入力デバイス(例えば、キーボード122およびマウス124)、およびモニター120をコントロールするためのディスプレイカード110も含んでいる。加えて、コンピューター100は、適切なデバイスバス(例えば、SCSIバス、エンハンストIDEバス、またはウルトラDMAバス)を用いて接続される。フロッピーディスクドライブ114;他のリムーバブルメディアデバイス(例えば、コンパクトディスク119、テープ、およびリムーバブルMO(磁気−光学)メディア(図示されていない));ハードディスク112、または他の固定、高密度メディアデバイスをさらに含んでいる。やはり、同一のデバイスバスまたは他のデバイスバスに接続されて、コンピューター100は、コンパクトディスクリーダー118、コンパクトディスクリーダー/ライターユニット(図示されていない)またはコンパクトディスクジュークボックス(図示されていない)を付加的に、含んでいてもよい。コンパクトディスク119はCDキャディー内に示されているが、コンパクトディスク119は、キャディーを必要とすることなくCD−ROMドライブ内に直接的に挿入されることもできる。
【0049】
上述されたように、システムは、少なくとも1つのコンピューター読み取り可能な媒体を含む。コンピューター読み取り可能な媒体の例は、コンパクトディスク119、ハードディスク112、フロッピーディスク、テープ、MOディスク、PROM(EPROM、EEPROM、フラッシュEPROM)、DRAM、SRAM、SDRAM、その他である。いずれか1つのまたは組み合わせのコンピューター読み取り可能な媒体に格納されて、本発明は、コンピューター100のハードウェアをコントロールし且つコンピューター100に人間のユーザーと対話することを可能とする両方のためのソフトウェアを含んでいる。そのようなソフトウェアは、それに限定されるわけではないが、デバイスドライバー、オペレーティングシステムおよび、開発ツールのよなユーザーアプリケーションを含んでいてもよい。そのようなコンピューター読み取り可能な媒体は、図10の発明方法を実行するための本発明のコンピュータープログラム製品をさらに含んでいる。本発明のコンピューターコードデバイスは、それに限定されるわけではないが、スクリプト、インタープリター、ダイナミックリンクライブラリー、JAVAクラス、および完全に実行可能なプログラム、を含むいかなる解釈処理されまたは実行可能なコード機構であることもできる。さらに、本発明の処理の部分は、より良い性能、信頼性、および/またはコストのために配布されてもよい。例えば、輪郭または画像は、第1のコンピューターで選択され、そして遠隔診断のために第2のコンピューターに送られてもよい。
【0050】
本発明は、当該技術における熟達者には容易に明らかになるであろうように、特定の集積回路のアプリケーションの調整によって、または在来のコンポーネント回路の適切なネットワークに相互接続することによって実施されてもよい。
【0051】
上述の教示に照らして、本発明の多数の変更および変形が可能である。それゆえ、添付された特許請求の範囲の視野の範囲内において、本発明は、ここに詳細に説明されているのとは別のやり方で実施されてもよい。
【図面の簡単な説明】
【0052】
【図1A】悪性結節を含む後前の胸部放射線撮影画像の部分である。
【図1B】悪性結節を含む後前の胸部放射線撮影画像の部分である。
【図1C】悪性結節を含む後前の胸部放射線撮影画像の部分である。
【図1D】良性結節を含む後前の胸部放射線撮影画像の部分である。
【図1E】良性結節を含む後前の胸部放射線撮影画像の部分である。
【図1F】良性結節を含む後前の胸部放射線撮影画像の部分である。
【図2A】図1Aの画像に基づいて生成される差分画像である。
【図2B】図1Bの画像に基づいて生成される差分画像である。
【図2C】図1Cの画像に基づいて生成される差分画像である。
【図2D】図1Dの画像に基づいて生成される差分画像である。
【図2E】図1Eの画像に基づいて生成される差分画像である。
【図2F】図1Fの画像に基づいて生成される差分画像である。図2A乃至図2Fは差分画像のコントラストが図解のために4.6から8.0の範囲で変化する係数によって向上されている。これらの係数は、10ビットのグレースケールで前記差分画像を表示するために使用される正規化係数によって決定された。
【図3A】図2Aおよび図2Bの悪性結節についての極座標表現を図解するグラフである。
【図3B】図2Eの良性結節についての極座標表現を図解するグラフである。図3Aおよび図3Bは、太い曲線が、本発明の自動化方法によって取得されたセグメント化結果を示している。差分画像のコントラストは、4.6から8.0の範囲で変化する係数によって増幅されている。これらの係数は、10ビットのグレースケールで前記差分画像を表示するために使用される正規化係数によって決定された。
【図4A】悪性および良性結節についての本発明に従って自動化された小結節セグメント化による結果(白い等高線)と4人の放射線医師により描かれた輪郭との比較のために図2Aの画像を図解している。
【図4B】同様に図2Bの画像を図解している。
【図4C】同様に図2Cの画像を図解している。
【図4D】同様に図2Dの画像を図解している。
【図4E】同様に図2Eの画像を図解している。
【図4F】同様に図2Fの画像を図解している。
【図5A】悪性および良性結節についてのセグメント化された結節の内部および外部領域に生成されている図2Aの画像を図解している。
【図5B】同様に図2Bの画像を図解している。
【図5C】同様に図2Cの画像を図解している。
【図5D】同様に図2Dの画像を図解している。
【図5E】同様に図2Eの画像を図解している。
【図5F】同様に図2Fの画像を図解している。
【図6A】図5Aの悪性結節についての背景傾向および濃度補正画像上におけるセグメント化された結節の内部および外部領域についてのグレーレベルヒストグラムを図解するグラフである。
【図6B】図5Eの良性結節についての背景傾向および濃度補正画像上におけるセグメント化された結節の内部および外部領域についてのグレーレベルヒストグラムを図解するグラフである。
【図7A】2つの選択された特徴:それぞれ、(a)外部領域についてのヒストグラムの半値全幅と背景傾向および濃度補正画像上における重複量と、および(b)外部領域についてのヒストグラムの半値全幅と原画像上におけるコントラストとの間の関係を図解するグラフである。
【図7B】2つの選択された特徴:それぞれ、(a)外部領域についてのヒストグラムの半値全幅と背景傾向および濃度補正画像上における重複量と、および(b)外部領域についてのヒストグラムの半値全幅と原画像上におけるコントラストとの間の関係を図解するグラフである。
【図8】ANNおよびLDAの使用により、良性および悪性結節の間の区別のための7つの特徴によって得られるROC曲線を図解するグラフである。
【図9A】良性および悪性の場合についてそれぞれ選択された7つの特徴によって得られる悪性の可能性を示す(a)ANN出力および(b)LDA出力の分布を図解するグラフである。
【図9B】良性および悪性の場合についてそれぞれ選択された7つの特徴によって得られる悪性の可能性を示す(a)ANN出力および(b)LDA出力の分布を図解するグラフである。
【図10】小結節の悪性の可能性を決定するために実行される本発明の自動化された方法の各ステップを図解する概略的なブロック図である。
【図11】本発明の教示に従ってプログラムされる汎用目的のコンピューター100の概略的な図解である。
【符号の説明】
【0053】
100…コンピューター
Claims (44)
- 小結節を解析するための方法であって、
前記小結節を含むディジタル画像を取得することと;
前記小結節の輪郭を取得するために前記小結節をセグメント化することと;
を有し、
前記セグメント化することは、
胸部画像から差分画像を生成すること、
前記小結節を含む関心のある領域におけるそれぞれの画像強度をあらわす差分画像強度等高線を識別すること、および
前記画像強度等高線に基づいて前記小結節の輪郭を取得すること
を含む方法。 - 前記取得するステップは:
互いに所定の距離よりも少しだけ分離された3つの隣接する等高線を含む等高線の帯域を決定することと、前記小結節輪郭が前記等高線の帯域内にあることを識別することとを有する、請求項1の方法。 - 前記輪郭を取得するステップは:
少なくとも前記等高線の一部分が前記帯域の底部から頂部への上部70%の位置にあることを決定することを有する、請求項2の方法。 - 前記輪郭を取得するステップは:
少なくとも前記等高線の一部分が前記帯域の底部から頂部への上部70%の位置にあることを決定することを有する、請求項3の方法。 - 前記輪郭に基づいて前記小結節の特徴を抽出することと;
少なくとも1つの画像クラシファイヤーに前記抽出された特徴を含む特徴を適用することと;
前記少なくとも一つの画像クラシファイヤーの出力に基づいて前記小結節の悪性の可能性を決定することと
をさらに有する、請求項1の方法。 - 前記輪郭に基づいて前記小結節の特徴を抽出することと;
人工的なニューラルネットワーククラシファイヤーの前記抽出された特徴を含む特徴を適用することと;
前記人工的なニューラルネットワーククラシファイヤーの出力に基づいて前記小結節の悪性の可能性を決定することと
をさらに有する、請求項1の方法。 - 前記悪性の可能性を決定するステップは:
前記人工的なニューラルネットワーククラシファイヤーの出力を所定の閾値と比較することと;
前記人工的なニューラルネットワーククラシファイヤーの出力が前記所定の閾値未満であるときに前記小結節が非悪性であると決定することと
を有する、請求項6の方法。 - 前記輪郭に基づいて前記小結節の特徴を抽出することと;
前記抽出された特徴を含む特徴を線形弁別解析クラシファイヤーに適用することと;
前記線形弁別解析クラシファイヤーの出力に基づいて前記小結節の悪性の可能性を決定することと
をさらに有する、請求項1の方法。 - 前記悪性の可能性を決定するステップは:
前記線形弁別解析クラシファイヤーの出力を所定の閾値と比較することと;
前記線形弁別解析クラシファイヤーの出力が前記所定の閾値未満であるときに前記小結節が非悪性であると決定することと
を有する、請求項8の方法。 - 前記輪郭に基づいて前記小結節の特徴を抽出することと;
前記抽出された特徴を含む特徴を人工的なニューラルネットワーククラシファイヤーおよび線形弁別解析クラシファイヤーに適用することと;
前記人工的なニューラルネットワーククラシファイヤーおよび前記線形弁別解析クラシファイヤーの出力に基づいて前記小結節の悪性の可能性を決定することと
をさらに有する、請求項1の方法。 - 前記悪性の可能性を決定するステップは:
前記人工的なニューラルネットワーククラシファイヤーおよび前記線形弁別解析クラシファイヤーの出力をそれぞれ所定の閾値と比較することと;
前記人工的なニューラルネットワーククラシファイヤーおよび前記線形弁別解析クラシファイヤーの両出力が前記それぞれの所定の閾値未満であるときに前記小結節が非悪性であると決定することと
を有する、請求項10の方法。 - 前記ディジタル画像を取得するステップは、前記小結節を含むディジタル胸部X線画像を取得することを有し;且つ
前記適用するステップは、次の特徴:(1)年齢、(2)前記小結節等高線のパワースペクトルの二乗平均平方根変量、(3)前記原画像から導出される背景傾向および濃度補正画像における重複量、(4)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についてのFWHM(半値全幅)、(5)小結節輪郭の不規則性の度合い、(6)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の内側領域についてのFWHM、(7)前記原画像上における前記セグメント化された小結節の内側領域についてのFWHM、(8)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節のコントラスト、(9)前記原画像上における前記セグメント化された小結節のコントラスト、(10)前記小結節輪郭の円環状の度合い、(11)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についての相対的な標準偏差、および(12)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の内側領域についての平均ピクセル値、の複数を適用することを有する、請求項6乃至11の何れか1項の方法。 - 前記適用するステップは、
次の特徴:(1)年齢、(2)前記小結節等高線のパワースペクトルの二乗平均平方根変量、(3)前記原画像から導出される背景傾向および濃度補正画像における重複量、(4)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についてのFWHM、(5)小結節輪郭の不規則性の度合い、(6)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の内側領域についてのFWHM、および(7)前記原画像上における前記セグメント化された小結節の内側領域についてのFWHM、の各々を適用することを有する、請求項12の方法。 - 前記適用するステップは、
次の特徴:(1)年齢、(2)前記小結節等高線のパワースペクトルの二乗平均平方根変量、(3)前記原画像から導出される背景傾向および濃度補正画像における重複量、(4)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についてのFWHM、(5)小結節輪郭の不規則性の度合い、(7)前記原画像上における前記セグメント化された小結節の内側領域についてのFWHM、および(8)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節のコントラスト、の各々を適用することを有する、請求項12の方法。 - 前記適用するステップは、
次の特徴:(1)年齢、(2)前記小結節等高線のパワースペクトルの二乗平均平方根変量、(3)前記原画像から導出される背景傾向および濃度補正画像における重複量、(4)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についてのFWHM、(5)小結節輪郭の不規則性の度合い、(8)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節のコントラスト、および(9)前記原画像上における前記セグメント化された小結節のコントラスト、の各々を適用することを有する、請求項12の方法。 - 前記適用するステップは、
次の特徴:(1)年齢、(2)前記小結節等高線のパワースペクトルの二乗平均平方根変量、(3)前記原画像から導出される背景傾向および濃度補正画像における重複量、(4)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についてのFWHM、(6)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の内側領域についてのFWHM、(7)前記原画像上における前記セグメント化された小結節の内側領域についてのFWHM、および(10)前記小結節輪郭の円環状の度合い、の各々を適用することを有する、請求項12の方法。 - 前記適用するステップは、
次の特徴:(1)年齢、(2)前記小結節等高線のパワースペクトルの二乗平均平方根変量、(3)前記原画像から導出される背景傾向および濃度補正画像における重複量、(4)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についてのFWHM、(5)小結節輪郭の不規則性の度合い、(8)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節のコントラスト、および(11)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についての相対的な標準偏差、を適用することを有する、請求項12の方法。 - 前記適用するステップは、
次の特徴:(1)年齢、(2)前記小結節等高線のパワースペクトルの二乗平均平方根変量、(3)前記原画像から導出される背景傾向および濃度補正画像における重複量、(4)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の外側領域についてのFWHM、(5)小結節輪郭の不規則性の度合い、(7)前記原画像上における前記セグメント化された小結節の内側領域についてのFWHM、および(12)前記原画像から導出される背景傾向および濃度補正画像上における前記セグメント化された小結節の内側領域についての平均ピクセル値、を適用することを有する、請求項12の方法。 - 前記適用するステップは:少なくとも1つの画像クラシファイヤーに、前記小結節に対応する少なくとも1つの臨床パラメーターを適用することをさらに有する、請求項6の方法。
- 前記少なくとも1つの臨床パラメーターを適用するステップは:本質的に年齢および性別からなるグループから少なくとも1つの臨床パラメーターを選択することを有する、請求項19の方法。
- 前記ディジタル画像を取得するステップは、前記小結節を含むCT(コンピュータ断層)画像を取得することを有し;且つ
前記適用するステップは、次の特徴:(1)前記小結節等高線の有効な直径;(2)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部領域についてのピーク値;(3)患者の性別;(4)CT画像上における前記セグメント化された小結節の内部領域についての相対的な標準偏差;(5)CT画像上における前記セグメント化された小結節の内部領域についてのピーク値;(6)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部および外部領域についての平均ピクセル値の差分;(7)前記セグメント化された小結節の外部領域についてのラインパターン成分;(8)CT画像上についての前記セグメント化された小結節の内部領域についての1/10値全幅;(9)前記セグメント化された小結節の外部領域についての接線勾配指数;および(10)前記小結節等高線のパワースペクトルの最初の瞬間、の複数を適用することを有する、請求項6乃至11の何れか1項の方法。 - 前記適用するステップは、次の特徴:(1)前記小結節等高線の有効な直径;(2)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部領域についてのピーク値;(3)患者の性別;(4)CT画像上における前記セグメント化された小結節の内部領域についての相対的な標準偏差;および(5)CT画像上における前記セグメント化された小結節の内部領域についてのピーク値、の各々を適用することを有する、請求項21の方法。
- 前記適用するステップは、次の特徴:(1)前記小結節等高線の有効な直径;(2)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部領域についてのピーク値;(3)患者の性別;(4)CT画像上における前記セグメント化された小結節の内部領域についての相対的な標準偏差;および(6)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部および外部領域についての平均ピクセル値の差分、の各々を適用することを有する、請求項21の方法。
- 前記適用するステップは、次の特徴:(1)前記小結節等高線の有効な直径;(2)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部領域についてのピーク値;(3)患者の性別;(4)CT画像上における前記セグメント化された小結節の内部領域についての相対的な標準偏差;および(7)前記セグメント化された小結節の外部領域についてのラインパターン成分、の各々を適用することを有する、請求項21の方法。
- 前記適用するステップは、次の特徴:(1)前記小結節等高線の有効な直径;(2)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部領域についてのピーク値;(3)患者の性別;(6)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部および外部領域についての平均ピクセル値の差分;および(8)CT画像上についての前記セグメント化された小結節の内部領域についての1/10値全幅、の各々を適用することを有する、請求項21の方法。
- 前記適用するステップは、次の特徴:(1)前記小結節等高線の有効な直径;(2)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部領域についてのピーク値;(3)患者の性別;(5)CT画像上における前記セグメント化された小結節の内部領域についてのピーク値;および(9)前記セグメント化された小結節の外部領域についての接線勾配指数、の各々を適用することを有する、請求項21の方法。
- 前記適用するステップは、次の特徴:(1)前記小結節等高線の有効な直径;(2)CT画像から導出されるエッジ勾配画像上における前記セグメント化された小結節の内部領域についてのピーク値;(4)CT画像上における前記セグメント化された小結節の内部領域についての相対的な標準偏差;(5)CT画像上における前記セグメント化された小結節の内部領域についてのピーク値;および(10)前記小結節等高線のパワースペクトルの最初の瞬間、の各々を適用することを有する、請求項21の方法。
- X線イメージングおよびCTイメージングの様相から、各画像内において共通の小結節が識別される解剖学的構造の同一部位のそれぞれのディジタル画像を取得することを有して、小結節を含む前記ディジタル画像を取得するステップと;
前記セグメント化ステップであって、
各それぞれの画像における前記小結節の輪郭を取得するために各ディジタル画像内に識別される前記小結節をセグメント化すること;
前記ディジタル画像の各々について、前記輪郭に基づいてそれぞれの画像内に少なくとも1つの特徴を抽出すること;および
結合された複数の抽出された特徴に基づいて、前記小結節を特徴付け、且つ共通の画像クラシファイヤーの出力に基づいて前記小結節の悪性の可能性を決定するために共通の画像クラシファイヤーへの入力として、X線イメージングおよびCTイメージングの様相から導出される前記2つのデジタル画像から抽出された特徴を含む複数の特徴を結合すること、を有する
ステップと;
を有する、請求項1乃至5の何れか1項の方法。 - コンピューターをプログラムするために使用されるときに、コンピューターに請求項1乃至11、請求項19および20のいずれか1項の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項12の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項13の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項14の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項15の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項16の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項17の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項18の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項21の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項22の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項23の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項24の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項25の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項26の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項27の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
- コンピューターをプログラムするために使用されるときに、コンピューターに請求項28の各ステップを実行させる、小結節を解析するためのコンピュータープログラム命令を格納しているコンピューター読み取り可能な媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/818,831 US6694046B2 (en) | 2001-03-28 | 2001-03-28 | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images |
PCT/US2002/006638 WO2002080089A1 (en) | 2001-03-28 | 2002-03-15 | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004532067A true JP2004532067A (ja) | 2004-10-21 |
JP2004532067A5 JP2004532067A5 (ja) | 2005-12-22 |
Family
ID=25226530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002578236A Pending JP2004532067A (ja) | 2001-03-28 | 2002-03-15 | 胸部画像上における良性と悪性の孤立性肺結節間の弁別のための自動化されコンピューター化された機構 |
Country Status (3)
Country | Link |
---|---|
US (1) | US6694046B2 (ja) |
JP (1) | JP2004532067A (ja) |
WO (1) | WO2002080089A1 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006014967A (ja) * | 2004-07-02 | 2006-01-19 | Hitachi Medical Corp | 画像診断支援装置 |
JP2009525142A (ja) * | 2006-01-31 | 2009-07-09 | ミーヴィス メディカル ソリューションズ インコーポレイテッド | 医用画像内の検出入力を分類する方法及び装置 |
JP2015501667A (ja) * | 2011-11-11 | 2015-01-19 | ゼネラル・エレクトリック・カンパニイ | マルチモダリティ画像分割を実行するためのシステムおよび方法 |
JP2016007270A (ja) * | 2014-06-23 | 2016-01-18 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置 |
JP2020149715A (ja) * | 2020-05-26 | 2020-09-17 | パドゥブリン、ハリー フリードベルトPADUBRIN, Harry Friedbert | 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6891964B2 (en) * | 2001-11-23 | 2005-05-10 | University Of Chicago | Computerized method for determination of the likelihood of malignancy for pulmonary nodules on low-dose CT |
US6855114B2 (en) * | 2001-11-23 | 2005-02-15 | Karen Drukker | Automated method and system for the detection of abnormalities in sonographic images |
US20030105395A1 (en) * | 2001-12-05 | 2003-06-05 | Li Fan | Vessel-feeding pulmonary nodule candidate generation |
US7155044B2 (en) * | 2002-02-22 | 2006-12-26 | Pieter Vuylsteke | Multiscale gradation processing method |
AUPS205202A0 (en) * | 2002-05-02 | 2002-06-06 | Flinders Technologies Pty Ltd | A method and system for computer aided detection of cancer |
US7263214B2 (en) * | 2002-05-15 | 2007-08-28 | Ge Medical Systems Global Technology Company Llc | Computer aided diagnosis from multiple energy images |
US7295691B2 (en) | 2002-05-15 | 2007-11-13 | Ge Medical Systems Global Technology Company, Llc | Computer aided diagnosis of an image set |
US7260250B2 (en) * | 2002-09-30 | 2007-08-21 | The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | Computer-aided classification of anomalies in anatomical structures |
JP4184842B2 (ja) * | 2003-03-19 | 2008-11-19 | 富士フイルム株式会社 | 画像判別装置、方法およびプログラム |
US7391895B2 (en) * | 2003-07-24 | 2008-06-24 | Carestream Health, Inc. | Method of segmenting a radiographic image into diagnostically relevant and diagnostically irrelevant regions |
US7305111B2 (en) * | 2004-01-30 | 2007-12-04 | University Of Chicago | Automated method and system for the detection of lung nodules in low-dose CT images for lung-cancer screening |
JP2005334298A (ja) * | 2004-05-27 | 2005-12-08 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
US20070081706A1 (en) * | 2005-09-28 | 2007-04-12 | Xiang Zhou | Systems and methods for computer aided diagnosis and decision support in whole-body imaging |
JP4999163B2 (ja) * | 2006-04-17 | 2012-08-15 | 富士フイルム株式会社 | 画像処理方法および装置ならびにプログラム |
JP2010504129A (ja) * | 2006-09-22 | 2010-02-12 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 肺結節の高度コンピュータ支援診断 |
US8265367B2 (en) * | 2007-06-04 | 2012-09-11 | Siemens Computer Aided Diagnostics, Ltd. | Identifying blood vessels in lung x-ray radiographs |
US8150135B2 (en) * | 2007-06-04 | 2012-04-03 | Siemens Computer Aided Diagnosis Ltd. | Identifying ribs in lung X-rays |
US20090052763A1 (en) * | 2007-06-04 | 2009-02-26 | Mausumi Acharyya | Characterization of lung nodules |
US8229195B2 (en) * | 2008-08-15 | 2012-07-24 | Siemens Information Systems, Ltd. | Method and system for verifying detection of a lung nodule |
DE102009006147A1 (de) * | 2008-12-23 | 2010-06-24 | Siemens Aktiengesellschaft | Modellgenerator für kardiologische Erkrankungen |
JP5927180B2 (ja) | 2010-04-30 | 2016-06-01 | ヴィユーコンプ インクVucomp, Inc. | 画像の異形を識別するための画像データの処理方法、システムおよびプログラム |
US8675933B2 (en) | 2010-04-30 | 2014-03-18 | Vucomp, Inc. | Breast segmentation in radiographic images |
WO2012006318A1 (en) | 2010-07-07 | 2012-01-12 | Vucomp, Inc. | Marking system for computer-aided detection of breast abnormalities |
US20130208964A1 (en) * | 2010-10-25 | 2013-08-15 | Koninklijke Philips Electronics N.V. | System for the segmentation of a medical image |
KR102154733B1 (ko) * | 2013-01-16 | 2020-09-11 | 삼성전자주식회사 | 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 |
US9972310B2 (en) * | 2015-12-31 | 2018-05-15 | Interactive Intelligence Group, Inc. | System and method for neural network based feature extraction for acoustic model development |
CN108564044B (zh) * | 2018-04-17 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定肺结节密度的方法及装置 |
CN109741312A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 一种肺结节鉴别方法、装置、设备及介质 |
CN112426163A (zh) * | 2019-08-26 | 2021-03-02 | 上海西门子医疗器械有限公司 | X-射线医疗设备的辅助摆位方法和系统及计算机存储介质 |
CN112950647B (zh) * | 2019-12-10 | 2023-08-18 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置、设备及存储介质 |
CN111160442B (zh) * | 2019-12-24 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像分类方法、计算机设备和存储介质 |
CN111612752A (zh) * | 2020-05-15 | 2020-09-01 | 江苏省人民医院(南京医科大学第一附属医院) | 基于Faster-RCNN的超声图像甲状腺结节智能检测系统 |
CN112215842B (zh) * | 2020-11-04 | 2022-12-09 | 上海市瑞金康复医院 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
KR102422613B1 (ko) * | 2020-12-28 | 2022-07-21 | 주식회사 래디센 | 인공지능 기반 실시간 자동 엑스레이 폐결절 판독 방법 및 시스템 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4873707A (en) * | 1987-09-11 | 1989-10-10 | Brigham & Women's Hospital | X-ray tomography phantoms, method and system |
US5016173A (en) | 1989-04-13 | 1991-05-14 | Vanguard Imaging Ltd. | Apparatus and method for monitoring visually accessible surfaces of the body |
DE69131681T2 (de) | 1990-11-22 | 2000-06-08 | Toshiba Kawasaki Kk | Rechnergestütztes System zur Diagnose für medizinischen Gebrauch |
US5331550A (en) * | 1991-03-05 | 1994-07-19 | E. I. Du Pont De Nemours And Company | Application of neural networks as an aid in medical diagnosis and general anomaly detection |
US5332968A (en) | 1992-04-21 | 1994-07-26 | University Of South Florida | Magnetic resonance imaging color composites |
US5574799A (en) * | 1992-06-12 | 1996-11-12 | The Johns Hopkins University | Method and system for automated detection of microcalcification clusters in mammograms |
US5365429A (en) * | 1993-01-11 | 1994-11-15 | North American Philips Corporation | Computer detection of microcalcifications in mammograms |
US5638458A (en) * | 1993-11-30 | 1997-06-10 | Arch Development Corporation | Automated method and system for the detection of gross abnormalities and asymmetries in chest images |
US5627907A (en) * | 1994-12-01 | 1997-05-06 | University Of Pittsburgh | Computerized detection of masses and microcalcifications in digital mammograms |
US5709206A (en) | 1995-11-27 | 1998-01-20 | Teboul; Michel | Imaging system for breast sonography |
US5815591A (en) | 1996-07-10 | 1998-09-29 | R2 Technology, Inc. | Method and apparatus for fast detection of spiculated lesions in digital mammograms |
US6078680A (en) | 1997-07-25 | 2000-06-20 | Arch Development Corporation | Method, apparatus, and storage medium for detection of nodules in biological tissue using wavelet snakes to characterize features in radiographic images |
US6138045A (en) * | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
-
2001
- 2001-03-28 US US09/818,831 patent/US6694046B2/en not_active Expired - Lifetime
-
2002
- 2002-03-15 JP JP2002578236A patent/JP2004532067A/ja active Pending
- 2002-03-15 WO PCT/US2002/006638 patent/WO2002080089A1/en active Application Filing
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006014967A (ja) * | 2004-07-02 | 2006-01-19 | Hitachi Medical Corp | 画像診断支援装置 |
JP4558394B2 (ja) * | 2004-07-02 | 2010-10-06 | 株式会社日立メディコ | 画像診断支援装置 |
JP2009525142A (ja) * | 2006-01-31 | 2009-07-09 | ミーヴィス メディカル ソリューションズ インコーポレイテッド | 医用画像内の検出入力を分類する方法及び装置 |
JP2015501667A (ja) * | 2011-11-11 | 2015-01-19 | ゼネラル・エレクトリック・カンパニイ | マルチモダリティ画像分割を実行するためのシステムおよび方法 |
JP2016007270A (ja) * | 2014-06-23 | 2016-01-18 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置 |
US10413236B2 (en) | 2014-06-23 | 2019-09-17 | Canon Medical Systems Corporation | Medical-image processing apparatus |
JP2020149715A (ja) * | 2020-05-26 | 2020-09-17 | パドゥブリン、ハリー フリードベルトPADUBRIN, Harry Friedbert | 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム |
JP7004768B2 (ja) | 2020-05-26 | 2022-01-21 | フリードベルト パドゥブリン、ハリー | 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム |
Also Published As
Publication number | Publication date |
---|---|
US20020172403A1 (en) | 2002-11-21 |
WO2002080089A1 (en) | 2002-10-10 |
US6694046B2 (en) | 2004-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2004532067A (ja) | 胸部画像上における良性と悪性の孤立性肺結節間の弁別のための自動化されコンピューター化された機構 | |
Way et al. | Computer‐aided diagnosis of pulmonary nodules on CT scans: segmentation and classification using 3D active contours | |
Gonçalves et al. | Hessian based approaches for 3D lung nodule segmentation | |
Kostis et al. | Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images | |
US6813375B2 (en) | Automated method and system for the delineation of the chest wall in computed tomography scans for the assessment of pleural disease | |
US6795521B2 (en) | Computer-aided diagnosis system for thoracic computer tomography images | |
Aoyama et al. | Computerized scheme for determination of the likelihood measure of malignancy for pulmonary nodules on low‐dose CT images | |
Wiemker et al. | Aspects of computer-aided detection (CAD) and volumetry of pulmonary nodules using multislice CT | |
US7418123B2 (en) | Automated method and system for computerized image analysis for prognosis | |
US7305111B2 (en) | Automated method and system for the detection of lung nodules in low-dose CT images for lung-cancer screening | |
Yip et al. | Application of the 3D slicer chest imaging platform segmentation algorithm for large lung nodule delineation | |
Nagarajan et al. | Classification of small lesions in dynamic breast MRI: eliminating the need for precise lesion segmentation through spatio-temporal analysis of contrast enhancement | |
Ge et al. | Computer‐aided detection of lung nodules: false positive reduction using a 3D gradient field method and 3D ellipsoid fitting | |
US20020006216A1 (en) | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans | |
US9230320B2 (en) | Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules | |
Loizidou et al. | An automated breast micro-calcification detection and classification technique using temporal subtraction of mammograms | |
JP2010504129A (ja) | 肺結節の高度コンピュータ支援診断 | |
JP2002523123A (ja) | 病変の分割および分類のための方法およびシステム | |
JP2005506140A (ja) | コンピュータ支援の3次元病変検出方法 | |
Caballo et al. | An unsupervised automatic segmentation algorithm for breast tissue classification of dedicated breast computed tomography images | |
US6891964B2 (en) | Computerized method for determination of the likelihood of malignancy for pulmonary nodules on low-dose CT | |
Goldin et al. | Computer-aided diagnosis in lung nodule assessment | |
US20030103663A1 (en) | Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images | |
JP6256954B2 (ja) | 乳房画像病変検出システム、乳房画像病変検出方法、乳房画像病変検出プログラムおよび乳房画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050120 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050120 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070802 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080311 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080603 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090127 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090630 |