JP2008521468A - デジタル医療画像分析 - Google Patents
デジタル医療画像分析 Download PDFInfo
- Publication number
- JP2008521468A JP2008521468A JP2007542119A JP2007542119A JP2008521468A JP 2008521468 A JP2008521468 A JP 2008521468A JP 2007542119 A JP2007542119 A JP 2007542119A JP 2007542119 A JP2007542119 A JP 2007542119A JP 2008521468 A JP2008521468 A JP 2008521468A
- Authority
- JP
- Japan
- Prior art keywords
- image
- metadata
- parameter values
- user
- algorithm
- 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
- 238000010191 image analysis Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 230000003902 lesion Effects 0.000 description 14
- 230000035945 sensitivity Effects 0.000 description 9
- 210000004072 lung Anatomy 0.000 description 8
- 238000002604 ultrasonography Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 208000004434 Calcinosis Diseases 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- KVVSCMOUFCNCGX-UHFFFAOYSA-N cardol Chemical compound CCCCCCCCCCCCCCCC1=CC(O)=CC(O)=C1 KVVSCMOUFCNCGX-UHFFFAOYSA-N 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- CYTYCFOTNPOANT-UHFFFAOYSA-N Perchloroethylene Chemical compound ClC(Cl)=C(Cl)Cl CYTYCFOTNPOANT-UHFFFAOYSA-N 0.000 description 1
- 208000037062 Polyps Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- UFMJCOLGRWKUKO-UHFFFAOYSA-N cardol diene Natural products CCCC=CCC=CCCCCCCCC1=CC(O)=CC(O)=C1 UFMJCOLGRWKUKO-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000002429 large intestine Anatomy 0.000 description 1
- 238000001646 magnetic resonance method Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 208000022131 polyp of large intestine Diseases 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
- A61B6/583—Calibration using calibration phantoms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
医療画像(404)を、入力パラメータ(406)を要求するアルゴリズム(408)を用いて分析する。その値は、画像(404)の特性を示すメタデータ(402)から誘導される。メタデータは、取込み装置(102)の型、又は画像(404)を生成するのに用いられた設定を示すものであってよく、及び/又は、画像(404)を取込んだ患者に関するものであってよい。これにより、パラメータに関する最適値を選択することができる。
Description
本発明は、特にコンピュータで実行されるアルゴリズムによる、デジタル医療画像分析に関する。
医療画像は、外科手術の計画と共に、病気の処置に応じた、検出、診断及び評価を行う貴重なツールである。投影X線、コンピュータ断層撮影(CT)、超音波(US)、ポジトロン放射断層撮影(PET)、及び磁気共鳴影像法(MRI)を含む、これらの画像を生成するための様々な物理学的技術または方法が開発されてきた。従来、これらの画像は、訓練された放射線技師又は他の医師によって精査されていた。画像は、デジタル生成(US、CTおよびMRI)したもの、又はアナログ画像(フィルム)をデジタル化したものであってよい。デジタル化した画像は精査され、注釈が施され、放射線技師又は医師によって報告が作成される。全ての生成データは、後の検索および分析に備えて記憶される。
米国特許第5235510号明細書
ユーザの作業は、視覚化するアプリケーションソフトウェアによる画像の精査により容易となり、また、分析ツールがこれらの画像を2、3及び4次元(時間で変化する画像用)で操作し評価する。しかしながら、評価処理では、人間の知覚においては一般的な制約により、病変を見過ごすことがあり得る。この知覚の問題は、放射線科医又は臨床医が精査可能な情報量が依然増加しつづけていることにより、悪化している。今や、情報が集中しているにも関わらず、リソース及び時間が限られた放射線科医が従事する環境において、彼らは素早い決定をするよう強いられており、潜在的に過誤率の増加につながっている。
コンピュータ援用検出及び診断(CAD)ソフトウェアが設計されてきており、人間の知覚によるエラーを減ずると共に、情報集中環境において放射線科医又は他の臨床医の生産性を向上すべくなされている。これにより、ユーザに代わって平凡な作業(例えば自動測定)を自動的に実行し、放射線科医の限られた時間を解釈に集中させる。CADソフトウェアは、自動的又は半自動的に病変の検出測定を行い、病変の特性を調べ、病気の一時的進退を測定し、CAD情報に基づき外科手術を計画することができる。たとえば、出願人のMedicHeart(登録商標)、MedicLung(登録商標)、MecidColon(登録商標)診断ソフトウェアは、心臓、肺、大腸のCTスキャンをそれぞれ半自動的又は自動的に診断する。
CADソフトウェアは、アルゴリズムを使用して所与の医療画像を分析する。どのアルゴリズムも、あらゆるタイプの医療画像を正確に分析するほど能力は高くない。例えば、肺の病変構造は、大腸のそれとは異なる画像特性を有する。異なる方法又は異なる方法の組合わせ(例えば、MRI、CT、US)により得られた画像は、異なる解像度及びが像特性を有し、よって、その分析にはより特定のアルゴリズムを要する。特定の病状又は測定方法の要求の応えるべく設計されたCADアルゴリズムを選択する場合、CADソフトウェアのユーザは、より特定の設計のアルゴリズムを選択するものであろうし(例えば、臨床的条件、測定方法、又は主眼となる解剖学的構造のデータセットによる)、そのタイプの画像を分析するのに適切なアルゴリズムを選択するであろう。一方、ユーザは、1つのタイプの画像の分析にのみ興味を持ち、よって、1つのタイプのアルゴリズムのみを用いることもあり得る。
米国特許第5235510号明細書は、医療画像の分析用の適切なアルゴリズムを自動的に選択するシステムを開示しており、これは、属性データを調べ、画像タイプを同定し、そしてそのタイプに適したアルゴリズムを選択することによって実現される。
多くのCADアルゴリズムが、検出のために所定のパラメータ値の組に依存している。たとえば、「超高速コンピュータ断層撮影を用いる冠動脈石灰化の数量化」,Agatston AS,Janowitz WR,Hildner FJ他,J Am Coll Cardiol 1990 15:827−832で最初に説明されたAgatston法は、130ハウンズフィールド値(HU)の閾値をCT画像に適用する。該閾値を越える全画素をカルシウムを含むものとして同定する。そして、閾値を越える画素数に石灰化内の最高強度に基づく加重値を乗算した数値に基づいて石灰化の重大度を評価するために、採点システムが使用される。最高強度が130乃至200HUの場合、加重値は1であり、200乃至300HUの場合、加重値は2であり、300HUを超える場合、加重値は3である。130HUの閾値はそのときに入手可能であったCTスキャン画像の型には十分よく働く、しかし、この閾値が、より薄いコリメータを用いて取得したデータ等の新しい型のCTスキャンに対して、どのように修正されるべきかに関しては概して同意に至っていない。
一方、CADアプリケーションソフトウェアにより、ユーザは分析に用いるパラメータ値を設定可能であってよい。例えば、出願人のCAR(RTM)ソフトウェア(その態様は出願人の先行の英国特許出願第0420147.1号明細書に記載されている)は、ユーザインタフェースを提供し、それによりユーザはアルゴリズムにより用いられるパラメータを対話型で修正することができる。任意の選択したパラメータの結果がユーザには与えられる。このユーザ対話方式が大きな柔軟性をもたらす一方、最適なパラメータ値は知りえず、ユーザは分析用に最適とはいえないパラメータを選択し得る。また、生産性を悪くすることに、トライアンドエラーによりパラメータ値を選択することになり得る。
よって、所定のパラメータ値を用いることには簡便性及び再現性という利点があるが、常に最良の結果を与えるわけでもないといえる。ユーザ定義のパラメータ値には大きな柔軟性がある一方、最良の結果は、最適パラメータ値を選択した場合のみに得られる。ユーザがパラメータ値設定可能とすることでCADソフトウェアは複雑化する。
米国特許第6058322号明細書は対話型のユーザ修正機能を開示しており、そこではソフトウェアは検出した微小石灰化を表示し、そしてユーザは微小石灰化の追加又は削除ができる。したがって、ソフトウェアは推定した悪性の可能性を修正することができる。
欧州特許出願公開第1398722号明細書は「動的CAD」システムを開示しており、そこでは、画像は、重要な特徴を同定すべく、且つ重要な特徴からパラメータを抽出すべく処理され、2次画像を生成するためにそのパラメータを用いて後処理される。後処理パラメータは画像自身から誘導され、画像に付随するメタデータからではない。
米国特許第5878746号明細書はコンピュータ化された診断システムを記載しており、これは、特徴ベクトルを誘導すべく医療画像を処理することができ、特徴ベクトルを他の臨床的パラメータと共に「ファクトデータベース」に入力することができ、これは診断を行うために処理される。
本発明の一態様によれば、1つ以上の可変の入力パラメータを有する、コンピュータで実行するアルゴリズムを用いてデジタル医療画像を分析する方法が提供され、医療画像に付随しており、しかも誘導されていない少なくとも1つの示された属性に応じて、パラメータのうち少なくとも1つが自動的に選択される。
パラメータのうち少なくとも1つは、画像の取込み元の患者の少なくとも1つの示された属性に応じて選択されてよい。少なくとも1つの前記属性は、疑われる又は診断された臨床的な患者の徴候であってよい。少なくとも1つの前記属性は、患者の臨床的履歴の全部又は一部であってよい。少なくとも1つの前記属性は、年齢、性別、身長、体重又は他の統計的データ等の患者の臨床的でないデータであってよい。
パラメータのうち少なくとも1つは、画像を作成するのに用いた画像取込装置の示された特性又は設定に応じて選択されてよい。特性は、取込装置の型(例えば、型式及び/又は方式)であってよい。特性値又は設定は解像度、線量又は他の設定であってよく、これは画像を生成するのに用いた特定の取込み手順に特定的である。
少なくとも1つの属性は画像に付随するメタデータによって示されてよい。例えば、示された属性は、医療画像を含むファイルのヘッダフィールドにあってよく、これは画像に付随するタグ、又は画像にリンクしたデータであってよい。メタデータは自動的に読込まれてよく、ユーザの介在無しに、アルゴリズムに対してパラメータ値を設定するために用いてよい。
少なくとも1つの属性は、アルゴリズムが用いる特定のパラメータ値をユーザが要求することなしに、ユーザにより示されてよい。例えば、ユーザは、患者の臨床的徴候、臨床的履歴データ、又は臨床的でない統計的データを入力してよい。そして、方法は、ユーザが示した少なくとも1つの属性に応じて、少なくとも1つのパラメータ値を選択する。
一実施形態において、自動化された方法は、最適なパラメータ値の組を選択し、これは、そしてアルゴリズムに入力として設定される。画像は、選択した1つ以上のパラメータ値に基づきアルゴリズムを用いて処理される。最適なパラメータ値の複数の組は記憶しておいてよく、最適なパラメータ値の組は、記憶した複数の組の中から選択してよい。付加的に、又は他に、最適なパラメータ値の組は、少なくとも1つ以上の示された属性の所定の関数により誘導してよい。最適なパラメータ値の組及びその示された属性との関係は理論的に又は経験的に誘導してよい。
本発明の更なる態様によれば、属性値と最適なパラメータ値との間の関係は、そのそれぞれがメタデータを付随させる複数の訓練デジタル医療画像から誘導され、これにより、分析結果が入手可能となる。
一実施形態によれば、多くの(好ましくは、かなり多くの)訓練画像で、対応する属性を有しているものを、アルゴリズムを用いて分析する。訓練画像は、実在の患者又は模型(即ち、身体の構造を模倣する物体であり、既知の属性を有する)の画像であってよい。分析は、手動(例えば、上述のCAR(RTM)ソフトウェアを用いる)によりアルゴリズムのパラメータ値を選択することができる1人以上の経験を積んだユーザにより管理されてよい。好ましくは、経験を積んだユーザとは、経験を積んだ放射線科医及び/又はアルゴリズムの経験を積んだユーザである。訓練画像は、訓練画像中の任意の病変を可能な限り正確に決定するために、経験を積んだ放射線科医により視覚的に検査されてもよい。各訓練画像に対する最適なパラメータ値は、以下のパラメータ値として決定されてよい。それは、アルゴリズムの結果が視覚的検査の結果と最もよく合致するもの、及び/又は経験を積んだユーザが最適なパラメータ値として選択したものである。各訓練画像に対して、決定した最適なパラメータ値が複数組あってよく、それは所望の特異性の感度の関数として誘導される。
訓練画像は、局所的に記憶するか、若しくは局所又は広域ネットワーク上で入手可能な画像の中から選択してよい。検索を適当な訓練画像を同定するために実行してよい。選択した訓練画像は、候補となる画像の適正に応じて重み付けしてよい。
そして、関係を、訓練画像のそれぞれに対する最適なパラメータ値の組と訓練画像に付随する属性との間で誘導する。関係は、関数、1つ以上の法則、ニューラルネット、及び/又はファジー論理を例えば備えてよい。
本方法の利点は、あるアルゴリズムに対して、そのアルゴリズムの最適パラメータを任意の特定の画像用に選択してよいことである。最適パラメータは、ユーザの介在を要せず、自動的に選択することが可能であり、よって、放射線科医の時間負担を軽減できる。これはまた、複数の画像の正確なバッチ分析を可能とする。ユーザによって示された属性の場合、ユーザは、公知及び/又は意味のあるデータを入力することができ、アルゴリズムの文脈を外れた意味の薄いパラメータをユーザが選択することもない。ただし、ユーザは、より高い感度又は特異性等の、最適パラメータを選択するための基準を特定することが可能である。
画像メタデータは、画像取込装置のオペレータにより、又は画像の取込みに引続き技術者により入力してよく、若しくは、画像取込装置及び/又は付随する制御装置により自動的に記録されたものでもよい。よって、属性を入力するユーザは、アルゴリズムの結果を示すものと同じユーザである必要はない。これらの機能は、対応する別のデータ入出力装置上で実行してよい。
誘導した最適なパラメータ値はデフォルトのパラメータ値として設定してよく、これは、ユーザがユーザ操作フィルタにより修正してよい。画像を分析するために修正したパラメータ値を使用した結果は、最終結果の出力に先立って表示してよい。結果は、画像の修正バージョンであってよく、オリジナル画像との比較が可能なように表示される。これにより、オリジナル画像のユーザによる視覚的な検査の結果を、アルゴリズムを用いた分析の結果と比較することが可能となる。
本発明の方法は、ソフトウェア、ハードウェア、ファームウェア又はこれらの任意の組合わせにより実行してよい。
添付の図面を参照し、本発明の具体的な実施形態を以下に示す。
医療画像の取り込み
本発明はデジタル医療画像に適用可能である。そのような画像の一例はCTスキャン画像である。CTスキャン画像は、1つまたは複数のCT画像スライスを含み、これは人間または動物の患者のCTスキャンから得られる。各スライスは、スキャンされた領域のX線吸収の二次元デジタル階調画像である。スライスの特性は、使用されるCTスキャナに左右される。たとえば、高解像度マルチスライスCTスキャナは、XおよびY方向に(すなわち、スライス面上に)0.5乃至0.6mm/画素の画像を生成することができる。各画素は32ビットの階調解像度を有することができる。各画素の強度値は、通常ハウンズフィールド値(HU)で表される。連続するスライスは、Z方向(すなわち、スキャン分離軸)に沿って一定間隔、たとえば0.75乃至2.5mmの間隔で分離させることができる。したがって、スキャン画像は、スキャンされたスライスの面積と数に応じた全体寸法を有する二次元(2D)または三次元(3D)階調画像であってよい。
本発明はデジタル医療画像に適用可能である。そのような画像の一例はCTスキャン画像である。CTスキャン画像は、1つまたは複数のCT画像スライスを含み、これは人間または動物の患者のCTスキャンから得られる。各スライスは、スキャンされた領域のX線吸収の二次元デジタル階調画像である。スライスの特性は、使用されるCTスキャナに左右される。たとえば、高解像度マルチスライスCTスキャナは、XおよびY方向に(すなわち、スライス面上に)0.5乃至0.6mm/画素の画像を生成することができる。各画素は32ビットの階調解像度を有することができる。各画素の強度値は、通常ハウンズフィールド値(HU)で表される。連続するスライスは、Z方向(すなわち、スキャン分離軸)に沿って一定間隔、たとえば0.75乃至2.5mmの間隔で分離させることができる。したがって、スキャン画像は、スキャンされたスライスの面積と数に応じた全体寸法を有する二次元(2D)または三次元(3D)階調画像であってよい。
CTスキャンは、電子ビームコンピュータ断層撮影(EBCT)、マルチディテクタまたは渦巻状スキャン、あるいはX線吸収を表す出力2D又は3D又は4D画像として生成する任意の手法等の、任意のCTスキャン手法によって得られる。
本発明は、CTスキャン画像に限定されず、MRI、US、PET、又は投影X線画像等の他のデジタル医療画像に適用してよい。従来のX線画像は、デジタル化に先立ってX線フィルムに現像される。
コンピュータシステム
図1に示すように、スキャン画像はスキャナ102からのスキャンデータを受け取り、スキャン画像を構成するコンピュータ104によって作成される。スキャン画像は、固定または取り外し可能ディスクなどの記憶媒体106に記憶される電子ファイルまたはファイルシリーズとして保存される。スキャン画像は、スキャン画像に付随するメタデータを含む。スキャン画像はコンピュータ104によって処理可能である、あるいは、スキャン画像は後述するように画像を処理し表示するソフトウェアを実行する別のコンピュータ108に転送可能である。ソフトウェアは取り外し可能ディスク又は固体メモリ等のキャリア上に保管する、あるいはネットワーク上でダウンロードすることができる。
図1に示すように、スキャン画像はスキャナ102からのスキャンデータを受け取り、スキャン画像を構成するコンピュータ104によって作成される。スキャン画像は、固定または取り外し可能ディスクなどの記憶媒体106に記憶される電子ファイルまたはファイルシリーズとして保存される。スキャン画像は、スキャン画像に付随するメタデータを含む。スキャン画像はコンピュータ104によって処理可能である、あるいは、スキャン画像は後述するように画像を処理し表示するソフトウェアを実行する別のコンピュータ108に転送可能である。ソフトウェアは取り外し可能ディスク又は固体メモリ等のキャリア上に保管する、あるいはネットワーク上でダウンロードすることができる。
コンピュータ104及び/又はコンピュータ108は、図2に示すコンピュータシステム200であってよい。本発明は、コンピュータシステム200によって実行されるプログラム可能なコードとして実現される。本発明の様々な実施形態を、この例証的なコンピュータシステム200に関連して説明する。この説明を読んだ当業者には、別のコンピュータシステム及び/又はコンピュータアーキテクチャを使用して本発明を実現する方法が明白となるだろう。
コンピュータシステム200は、プロセサ204のような、1つまたはそれ以上のプロセサを実装している。プロセサ204は専用または汎用デジタルプロセサを含む任意タイプのプロセサであってよいが、これらに限定されるものではない。プロセサ204は通信インフラストラクチャ206(例えばバスまたはネットワーク)に接続している。様々なソフトウェアの実施形態を、この例証的なコンピュータシステムに関連して説明する。この説明を読んだ当業者には、別のコンピュータシステム及び/又はコンピュータアーキテクチャを使用して本発明を実現する方法が明白となるだろう。
コンピュータシステム200はまた、メインメモリ208、好ましくはランダムアクセスメモリ(RAM)を実装しており、さらに2次メモリ210を実装することもできる。2次メモリ210、例えばハードディスクドライブ212、及び/又は、フレキシブルディスクドライブ、磁気テープドライブ、光学ディスクドライブなどの取り外し可能な記憶ドライブ214を実装していてよい。取り外し可能な記憶ドライブ214は、周知の方法で、取り外し可能な記憶ユニット218からの読み出し及び/又はこれへの書き込みを行う。取り外し可能な記憶ユニット218はフレキシブルディスク、磁気テープ、光学ディスクなどによって代表され、これらは取り外し可能な記憶ドライブ214によって読み出しおよび書き込みが実行される。取り外し可能な記憶ユニット218はコンピュータを使用できる記憶媒体を実装しており、この記憶媒体にはコンピュータソフトウェア及び/又はデータが記憶されている。
他の実施形態では、2次メモリ210は、コンピュータプログラムまたはその他の命令をコンピュータシステム200にロードできる、上記以外の、しかし上記と類似した手段を備えることができる。このような手段は、例えば、取り外し可能な記憶ユニット222とインターフェース220を実装していてよい。このような手段の例には、プログラムカートリッジおよびカートリッジインターフェース(ビデオゲーム装置に内蔵されているようなもの)、取り外し可能なメモリチップ(EPROMやPROM)および関連するソケット、さらに、これ以外の取り外し可能な記憶ユニット222およびインターフェース220が含まれる。これらは、ソフトウェアとデータを取り外し可能記憶ユニット222からコンピュータシステム200へ転送できる。
コンピュータシステム200はまた通信インターフェース224を備えることができる。通信インターフェース224は、コンピュータシステム200と外部装置の間でソフトウェアとデータを転送する。通信インターフェース224の例には、モデム、ネットワークインターフェース(例えばイーサネット(登録商標)カード)、通信ポート、パーソナルコンピュータ・メモリカード国際協会(PCMCIA)スロットおよびカードなどが含まれる。通信インターフェース224で転送されたソフトウェアおよびデータは信号228の形態であり、電子信号、電磁信号、光信号、またはこれ以外の、通信インターフェース224が受信できる信号であってよい。これらの信号228は、通信パス226で通信インターフェース224に提供される。通信パス226は信号228を担持し、ワイヤまたはケーブル、光ファイバ、電話回線、セルラー電話リンク、無線周波数リンク、またはこれ以外の任意の適切な通信チャネルを使用して実施することができる。例えば、チャネルの組み合わせを使用して通信パス226を実施できる。
本明細書では、「コンピュータプログラム媒体」、「コンピュータが使用できる媒体」という用語を、概して、取り外し可能な記憶ドライブ214、ハードディスクドライブ212にインストールされたハードディスク、および信号228のような媒体を指すものとして使用している。これらのコンピュータプログラム製品は、コンピュータシステム200にソフトウェアを提供する手段である。
コンピュータプログラム(コンピュータ制御論理とも呼ばれる)は、メインメモリ208及び/又は2次メモリ210内に記憶されている。コンピュータプログラムは通信インターフェース224を介して受信することもできる。このようなコンピュータプログラムは、その実行時に、コンピュータシステム200に本発明をここで述べたとおりに実現させることができる。したがって、このようなコンピュータプログラムはコンピュータシステム200の制御装置を意味する。本発明を、ソフトウェアを使用して実施する場合には、ソフトウェアはコンピュータプログラム製品に記憶され、例えば取り外し可能な記憶装置ドライブ214、ハードディスクドライブ212、または通信インターフェース224を使用して、コンピュータシステム200内にロードされる。
代替的実施形態では、ハードウェア、ファームウェア、ソフトウェア、またはこれらの任意の組み合わせにおいて、本発明を制御論理として実現することができる。
方法の概略
本発明の一実施形態に係る方法において、デジタル医療画像は、1つ以上の病変を同定するためのアルゴリズムを用いて処理される。この処理の概略フローチャートを図3に示し、データ相関を図4に示す。本方法は、好ましくは、コンピュータプログラムによって実施される。
本発明の一実施形態に係る方法において、デジタル医療画像は、1つ以上の病変を同定するためのアルゴリズムを用いて処理される。この処理の概略フローチャートを図3に示し、データ相関を図4に示す。本方法は、好ましくは、コンピュータプログラムによって実施される。
ステップ302において、医療画像404にアクセスする。ステップ304において、医療画像404に付随するメタデータ402にアクセスする。ステップ306において、最適パラメータ値406を、メタデータ402の値と最適パラメータ値406との間の所定の関係を用いて、メタデータから誘導する。ステップ308において、医療画像404及び最適パラメータ値406をアルゴリズム408に入力し、医療画像404及び最適パラメータ値406から導かれた分析結果410を生成する。
画像メタデータ
一実施形態において、メタデータ402は医療画像404が生成されるのと実質的に同時に生成され、例えば、コンピュータ104及び/又はスキャナ102により行われる。メタデータ402は、自動的に生成されるか、及び/又はコンピュータ104のユーザにより入力されてよい。
一実施形態において、メタデータ402は医療画像404が生成されるのと実質的に同時に生成され、例えば、コンピュータ104及び/又はスキャナ102により行われる。メタデータ402は、自動的に生成されるか、及び/又はコンピュータ104のユーザにより入力されてよい。
自動的に生成されるデータの例として、方式、構成及び/又は型式等の一定のスキャナ102の属性を、各画像データ404に対するメタデータ402として記録してよい。他の別途又は追加例として、画像404を生成するのに用いたスキャンの設定等の、各前記画像404に特定の変化する属性を、メタデータ402として記録してよい。その設定は、画像解像度、コントラスト設定、放射強度設定又は、スキャナ102の方式及び/又は型式に適した任意の設定であってよい。
ユーザにより入力されるデータの例として、コンピュータ104のユーザは、画像404を生成するスキャナ102によりスキャンされた患者の1つ以上の属性を入力してよい。その属性は、診断した臨床的徴候等の患者についての臨床的情報、臨床的に疑われる徴候等の臨床的な推定、及び、年齢、性別、身長、体重又は本来臨床的徴候ではない他の統計的データのうち1つ以上であってよい。
メタデータ402は、デジタル医療画像404を含むファイルのヘッダフィールドに記録してよい。画像404に付随するタグ及び/又は画像404にリンクしたデータでもよい。例えば、メタデータ402及びデジタル医療画像404は、医療におけるデジタル画像化・通信(DICOM)フォーマットで記録してよく、これは、メタデータを画像ファイルのヘッダに記録し、2004年11月19日に入手可能となった仕様書に画定されており、ftp://medical.nema.org/medical/dicom/2004/03v04dif/にある。
他に、メタデータ402及びデジタル医療画像404は、分析(Analyze)フォーマットで記録してよく、これは、メタデータを画像とは別個のファイルに記録するもので、同日付けで入手可能となった仕様書に画定されており、http://www.mayo.edu/bir/PDF/ANALYZE75.pdfにある。
アルゴリズム
アルゴリズム408は、医療画像404及び1つ以上のパラメータ値406を入力として取り込む。少なくともこれらの入力に基づき、アルゴリズムは画像404を分析し、画像404の物体中の任意の病変の徴候を分析結果410として生成する。例えば、分析結果は、任意の病変が存在するかどうか、1つ以上の病変の位置、病変検出の信頼度、病変のタイプ、及び、質量又は体積等の、病変に関する量のうちの1つ以上を示していてよい。
アルゴリズム408は、医療画像404及び1つ以上のパラメータ値406を入力として取り込む。少なくともこれらの入力に基づき、アルゴリズムは画像404を分析し、画像404の物体中の任意の病変の徴候を分析結果410として生成する。例えば、分析結果は、任意の病変が存在するかどうか、1つ以上の病変の位置、病変検出の信頼度、病変のタイプ、及び、質量又は体積等の、病変に関する量のうちの1つ以上を示していてよい。
そのようなアルゴリズム408の一例は、球形度強調(sphericity enhancement)アルゴリズムであり、これは、球形度閾値、強度範囲及び寸法範囲を入力パラメータとして有する。球形度強調フィルタは、3Dスキャン画像中の各体積要素(ボクセル)を分析し、各ボクセルを類似の強度の周辺のボクセルと比較して、等強度表面の3次元(3D)曲面を得る。球形度パラメータを越える球形度を有する表面は、球体に属するとして同定される。それらの表面内に含まれる複数のボクセルは、同じ物体の部分としてまとめてグループ化される。このように全ての物体が同定されると、強度範囲内の最大強度を有しており、且つ寸法範囲内の寸法を有するそれらは、分析結果410に示される。球形度強調アルゴリズムは、肺CTスキャン画像等の肺の画像中の結節を同定するのに用いられる。図5aは、肺模型のサンプルの単一スライスCTスキャン画像を示しており、図5bは、最適パラメータを用いて球形度強調アルゴリズムにより処理した後の画像を示している。
アルゴリズム及びその入力パラメータの他の例は、肺の柔組織中の病変を検出するための、エッジ強調パラメータを有するエッジ強調フィルタ、並びに、球状要素及び最大最小平坦度値の間の平坦度を有する物体を検出するためのポリプフィルタ−これにより大腸のポリプを検出する−を含む。
アルゴリズム408は、例えば、画像メタデータ402のいくつか又は全てに基づいて、複数の可能な異なるアルゴリズムの中から選択してよい。そして、最適なパラメータ値が、選択したアルゴリズム408に対して誘導される。
最適パラメータの誘導
メタデータの値と最適なパラメータ値との間の関係を誘導する方法を述べる。その関係は、最適パラメータについての画像属性の効果の理論的知見によって誘導されてよく、また経験的であってもよい。経験的方法においては、訓練画像の間で変わる既知の属性を有する多数の訓練画像をアルゴリズムを用いて処理し、それにより関係が決定されるようにする。訓練画像は、実在の患者又は模型(即ち、身体の構造を模倣する物体であり、既知の属性を有する)の画像であってよい。処理は、手動(例えば、上述のCAR(RTM)ソフトウェアを用いる)によりアルゴリズムのパラメータ値を選択することができる1人以上の経験を積んだユーザにより管理されてよい。
メタデータの値と最適なパラメータ値との間の関係を誘導する方法を述べる。その関係は、最適パラメータについての画像属性の効果の理論的知見によって誘導されてよく、また経験的であってもよい。経験的方法においては、訓練画像の間で変わる既知の属性を有する多数の訓練画像をアルゴリズムを用いて処理し、それにより関係が決定されるようにする。訓練画像は、実在の患者又は模型(即ち、身体の構造を模倣する物体であり、既知の属性を有する)の画像であってよい。処理は、手動(例えば、上述のCAR(RTM)ソフトウェアを用いる)によりアルゴリズムのパラメータ値を選択することができる1人以上の経験を積んだユーザにより管理されてよい。
好ましくは、経験を積んだユーザとは、経験を積んだ放射線科医及び/又はアルゴリズムの経験を積んだユーザである。訓練画像は、訓練画像中の任意の病変を可能な限り正確に決定するために、経験を積んだ放射線科医により視覚的に検査されてもよい。各訓練画像に対する最適なパラメータ値は、以下のパラメータ値として決定されてよい。それは、アルゴリズムの結果が視覚的検査の結果と最もよく合致するもの、及び/又は経験を積んだユーザが最適なパラメータ値として選択したものである。各訓練画像に対して、決定した最適なパラメータ値が複数組あってよく、それはユーザの感度/特異性の要求に応じる。
他に、訓練画像は、自動的及び/又は訓練画像の視覚的検査によって実行される分析の結果を示すメタデータを含んでよく、各訓練画像に対する最適なパラメータ値は、アルゴリズムの結果がメタデータによって示されるものとして分析の結果と最もよく合致するパラメータ値として決定してよい。
処理の結果は、各訓練画像の属性値とその訓練画像に対して決定した最適なパラメータ値との間の1対1関係の組である。各訓練画像に対する属性値及び最適なパラメータ値は訓練画像データセット(訓練画像のデータの組)として記憶してよい。ただし、本発明の一実施形態において有用とするには、関係の組は、1つ以上の一般的関係に一般化するべきであり、これは新規の画像及び属性値に適用することができる。簡略化された例においては、図6に示すように、単一の画像属性値を単一の最適パラメータ値に対してプロットしてよい。訓練画像からの結果の点を星印として示し、曲線をそれらの点にカーブフィッティングしている。曲線は、この例における一般化した関係を示している。本発明の一実施形態において新規画像を分析するには、新規な画像の属性値xを入力し、対応する最適なパラメータ値yを曲線から誘導する。
よって、曲線は、属性値と最適なパラメータ値との間の関係を代表している。一般的関係は、複数の属性、複数のパラメータ値、及び/又はそれらの間のより複雑な関係を含んでよい。一般的関係は、1つ以上の関数、1つ以上の法則、ニューラルネット、及び/又はファジー論理を例えば備えてよい。上述のように、最適なパラメータ値は1つ以上の訓練画像から誘導されてよい。訓練画像は、局所的に記憶するか、若しくは局所又は広域ネットワーク上でアクセスしてよいデジタル医療画像である。例えば、図7に示すように、訓練画像は複数の分散した医療画像源704、706にアクセスするために画像蓄積通信システム(picture archiving and communication system,PACS)ネットワーク702を用いてアクセスしてよい。
訓練画像は、多数のデジタル医療画像の中から選択してよく、これは、1つ以上の基準の下に画像を選択すること、及び/又は最適なパラメータ誘導のための訓練画像として所望の画像の組を選択することによって入手される。選択した訓練画像は、選択した訓練画像に基づき最適パラメータを誘導するために自動的に処理されてよい。
一般化した関係を誘導するためには、訓練画像に対するメタデータ及び最適なパラメータ値を備える、記憶したデータ組のみにアクセスする必要がある。訓練画像自体にアクセスする必要はない。
最適パラメータの誘導に用いる訓練画像を選択ことにより、ユーザは訓練画像によって示される特定の画像型に対して最適パラメータを改変(customize)してよい。例えば、ユーザは新規のCTスキャナ102に対するパラメータを最適化すべく望んでよい。同型の他のCTスキャナにより生成した訓練画像を選択することにより、ユーザはトライアンドエラーにより誘導する必要なく、新規のCTスキャナに対するパラメータ値を構成することができる。
ユーザは最適パラメータの誘導に用いる訓練画像に重み付けしてよく、ユーザ所望のアプリケーションにより適した画像に対してより大きく重み付ける。例えば、ユーザは、特定の患者に対して最適パラメータを誘導することができ、そのために、その患者に対する以前のスキャン画像及び同じスキャナ102により生成された他の患者のスキャン画像を訓練画像として用いる。ユーザは他の患者のスキャン画像に対してよりもむしろ同じ患者の以前のスキャン画像に対してより高い重みを設定する。
アルゴリズムが用いるパラメータは特定の基準に応じて最適化してよく、これは、ユーザが選択することができる。例えば、ユーザは、より高い感度で、又はより高い特異性で(例えば、陽性としてしまう誤りを避けるために)パラメータが最適化されるべきであると指定することができる。検査画像が、感度/特異性の要求に応じて最適なパラメータ値を複数組有する場合、一般的関係はユーザの要求に対応する組から誘導されてよい。
他に、ユーザは、ユーザの経験度等の他の基準を指定してよい。経験を積んだ放射線科医はより高い感度設定を許容できる。なぜなら、彼らは陽性としてしまう誤りをより容易に避けることができるからである。経験のより少ない放射線科医はより低い感度を設定してよい。よって、ユーザは、要求される感度を明示的に指定する必要がなく、代わりに、彼らは経験度を指定してよく、それにより、要求される感度の高さが誘導される。
アルゴリズムが用いる最適パラメータは、過去のスキャンでのアルゴリズムの結果に応じて適応的に調整されてよい。換言すれば、アルゴリズムが処理したスキャン画像は、そのアルゴリズムを用いる引続くスキャンの処理用のパラメータを最適化するために、自動的に訓練画像として用いられる。
デフォルトの最適化パラメータ
上述の実施形態においては、最適なパラメータ値406をアルゴリズム408への入力として用いる。利点として、これはユーザが手動でパラメータを設定する必要を減ずる。他の実施形態では、誘導した最適なパラメータ値406をデフォルト値として設定し、これは、ユーザが調整してよい。
上述の実施形態においては、最適なパラメータ値406をアルゴリズム408への入力として用いる。利点として、これはユーザが手動でパラメータを設定する必要を減ずる。他の実施形態では、誘導した最適なパラメータ値406をデフォルト値として設定し、これは、ユーザが調整してよい。
図8に示すより詳細な実施形態においては、ステップ802乃至808が、図3に示すステップ302乃至308に対応する。ステップ810では、誘導した最適なパラメータ値を用いた画像の処理結果を表示する。ユーザインタフェースは、ユーザがパラメータ値の幾つか又は全部を修正できるようにする手段を含む。ユーザがこれらの値を修正する場合(ステップ812)、修正したパラメータ値を用いて画像を再処理808し、分析結果を再表示810する。これは、現在パラメータ値を受入れるべきであるとユーザが確認する(812)までおこなわれる。受入れたパラメータ値を用いた最終分析結果が出力される(ステップ814)。
図9はユーザインタフェースのスクリーンショットを示しており、肺模型(即ち、肺を模し、公知の特性を有する物体を含み、検査及び較正に用いられるモデル)のスキャンの2次元スライスを表示している。ユーザインタフェースはオリジナル画像面910及び強調画像面912を備えるウィンドウに示されている。オリジナル画像面910はスキャン画像形成像のスライスを表示している。強調画像面912は、オリジナル画像の特徴を強調するように、アルゴリズム408によりオリジナル画像を処理したバージョンを表示している。
現在パラメータ値がパラメータウィンドウ916に表示してあり、それにより、ユーザはパラメータ値を修正することができ、ボタン930をクリックして、強調画像を更新するために修正したパラメータ値を適用する。
他のユーザインタフェースにおいては、単一のスキャン画像図のみをユーザインタフェースウィンドウに表示し、表示する図をオリジナルとユーザによる強調図との間で切換える。これは、例えばフィルタウィンドウ内のボタンをトグルすることによりおこなわれる。画像表示パラメータは、オリジナルと強調画像との間で切換えるとき変えないようにし、それにより、ユーザは強調結果とオリジナル画像とを容易に比較することができる。
代替的実施形態
上述の実施形態は、本発明を限定するものではなくむしろ説明するものである。上記の説明を読み自明な代替的実施形態は、本発明の範囲に含まれる。
上述の実施形態は、本発明を限定するものではなくむしろ説明するものである。上記の説明を読み自明な代替的実施形態は、本発明の範囲に含まれる。
Claims (35)
- 1つ以上の可変のパラメータが入力され、コンピュータで実行されるアルゴリズムを用いてデジタル医療画像を分析する方法において、以下のa乃至cを備えることを特徴とする方法。
a.前記デジタル医療画像及び該画像に付随するメタデータを受付ける。
b.該メタデータに応じて、1つ以上の前記パラメータに対応する1つ以上のパラメータ値を設定する。
c.前記選択した1つ以上のパラメータ値が入力された前記アルゴリズムを用いて前記画像を処理する。 - 前記メタデータは画像の取込み元の患者の属性を示していることを特徴とする請求項1に記載の方法。
- 前記属性は臨床的徴候を含むことを特徴とする請求項2に記載の方法。
- 前記属性は臨床的情報の履歴を含むことを特徴とする請求項2に記載の方法。
- 前記属性は統計的情報を含むことを特徴とする請求項2に記載の方法。
- 前記メタデータは画像を得るために用いた撮像装置の属性を示すことを特徴とする請求項1に記載の方法。
- 前記属性は前記装置の型式を含むことを特徴とする請求項6に記載の方法。
- 前記属性は画像を得るために用いた前記装置の設定を含むことを特徴とする請求項6に記載の方法。
- 前記1つ以上のパラメータ値はパラメータ値の複数の組の中から選択されることを特徴とする請求項1乃至8のいずれか1つに記載の方法。
- 前記1つ以上のパラメータ値は前記メタデータの所定の関数として誘導されることを特徴とする請求項1乃至9のいずれか1つに記載の方法。
- 前記1つ以上のパラメータ値は、線形又は非線形フィルタの組、若しくはニューラルネットワークを用いて前記メタデータから誘導されることを特徴とする請求項1乃至9のいずれか1つに記載の方法。
- 前記1つ以上のパラメータ値はファジー論理を用いて前記メタデータから誘導されることを特徴とする請求項1乃至9のいずれか1つに記載の方法。
- ユーザ入力に応じて前記1つ以上のパラメータ値を修正するステップと、前記修正した1つ以上のパラメータ値を有するアルゴリズムを用いて前記画像を処理するステップとを含むことを特徴とする請求項1乃至12のいずれか1つに記載の方法。
- 前記修正した1つ以上のパラメータ値を有する前記画像を処理する前記ステップの結果を表示することを更に含むことを特徴とする請求項13に記載の方法。
- 前記結果は修正したバージョンの前記画像を有し、前記表示するステップは前記画像と視覚的に比較できるように前記修正したバージョンを表示するステップを含むことを特徴とする請求項14に記載の方法。
- 画像及び修正した画像を同時に表示することを特徴とする請求項15に記載の方法。
- 画像及び修正した画像を交互に表示することを特徴とする請求項15に記載の方法。
- 付随するメタデータを有する候補デジタル医療画像を分析するためにコンピュータで実行されるアルゴリズムに対する入力として、1つ以上の最適なパラメータ値の組を誘導する方法において、以下のa乃至cを備えることを特徴とする方法。
a.対応する医療画像に付随するメタデータを含む訓練デジタル医療画像のデータの複数の組にアクセスする。
b.メタデータの値と訓練画像のデータの組に対する最適なパラメータ値との間の関係を誘導する。
c.該関係及び候補となる画像のメタデータに基づいて、候補となる画像に対する前記最適なパラメータ値の組を誘導する。 - 前記メタデータは画像の取込み元の患者の属性を示していることを特徴とする請求項18に記載の方法。
- 前記メタデータは画像を得るために用いた撮像装置の属性を示すことを特徴とする請求項18に記載の方法。
- メタデータはユーザによって入力されることを特徴とする請求項18乃至20のいずれか1つに記載の方法。
- 前記関係はメタデータの値に基づいてパラメータ値の複数の組の中から選択されることを特徴とする請求項18乃至21のいずれか1つに記載の方法。
- 前記関係は前記メタデータの所定の関数を備えることを特徴とする請求項18乃至21のいずれか1つに記載の方法。
- 前記関係はニューラルネットワークを備えることを特徴とする請求項18乃至21のいずれか1つに記載の方法。
- 前記関係はファジー論理関係を備えることを特徴とする請求項18乃至21のいずれか1つに記載の方法。
- 訓練画像のデータの組は局所的にアクセスされることを特徴とする請求項18乃至25のいずれか1つに記載の方法。
- 訓練画像のデータの組はネットワーク上でアクセスされることを特徴とする請求項18乃至25のいずれか1つに記載の方法。
- ネットワークは局所ネットワークであることを特徴とする請求項28に記載の方法。
- ネットワークは広域ネットワークであることを特徴とする請求項28に記載の方法。
- ネットワークはPACSネットワークであることを特徴とする請求項28に記載の方法。
- 訓練画像のデータの組は所定の基準に基づくアクセスに対して選択されることを特徴とする請求項26乃至30のいずれか1つに記載の方法。
- 関係を誘導するステップは訓練画像のデータの組を重み付けすることを含むことを特徴とする請求項18乃至31のいずれか1つに記載の方法。
- 関係を誘導するステップは前記パラメータ値の最適化に対するユーザの意向を入力として受付けることを特徴とする請求項18乃至32のいずれか1つに記載の方法。
- 適切に構成したコンピュータで遂行される、請求項1乃至33いずれかの請求項の方法を実行すべく構成したコンピュータプログラム。
- 媒体に記録されており、請求項34のコンピュータプログラムを備えるコンピュータプログラム製品。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB0426177A GB2420641B (en) | 2004-11-29 | 2004-11-29 | Digital medical image analysis |
PCT/GB2005/004547 WO2006056798A1 (en) | 2004-11-29 | 2005-11-28 | Digital medical image analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008521468A true JP2008521468A (ja) | 2008-06-26 |
JP2008521468A5 JP2008521468A5 (ja) | 2009-01-15 |
Family
ID=33561519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007542119A Pending JP2008521468A (ja) | 2004-11-29 | 2005-11-28 | デジタル医療画像分析 |
Country Status (6)
Country | Link |
---|---|
US (2) | US7133546B2 (ja) |
EP (1) | EP1662415A1 (ja) |
JP (1) | JP2008521468A (ja) |
CN (1) | CN101084501A (ja) |
GB (1) | GB2420641B (ja) |
WO (1) | WO2006056798A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012514602A (ja) * | 2009-01-06 | 2012-06-28 | キュレロン リミテッド ライアビリティ カンパニー | 黄色ブドウ球菌感染の治療または予防のための組成物および方法ならびに表面上にいる黄色ブドウ球菌の根絶または低減のための組成物および方法 |
JP5346938B2 (ja) * | 2008-09-01 | 2013-11-20 | 株式会社日立メディコ | 画像処理装置、及び画像処理装置の作動方法 |
JP2014523772A (ja) * | 2011-06-22 | 2014-09-18 | コーニンクレッカ フィリップス エヌ ヴェ | 医用画像を処理するシステム及び方法 |
Families Citing this family (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1694208A2 (en) * | 2003-11-26 | 2006-08-30 | Viatronix Incorporated | Systems and methods for automated segmentation, visualization and analysis of medical images |
GB2420641B (en) * | 2004-11-29 | 2008-06-04 | Medicsight Plc | Digital medical image analysis |
US7634121B2 (en) * | 2005-03-01 | 2009-12-15 | General Electric Company | Method and system for rule-based comparison study matching to customize a hanging protocol |
WO2007044504A1 (en) * | 2005-10-05 | 2007-04-19 | Siemens Medical Solutions Usa, Inc. | Automatic cad algorithm selection |
US20070076929A1 (en) * | 2005-10-05 | 2007-04-05 | General Electric Company | System and method for automatic post processing image generation |
US20140142980A1 (en) | 2012-11-21 | 2014-05-22 | Radia Inc., P.S. | Medical imaging study retrieval system |
US20070147682A1 (en) * | 2005-12-07 | 2007-06-28 | Siemens Corporate Research, Inc. | System and Method For Feature Detection In Image Sequences |
US8694697B1 (en) * | 2006-04-27 | 2014-04-08 | Nvidia Corporation | Rescindable instruction dispatcher |
US7894653B2 (en) * | 2006-05-23 | 2011-02-22 | Siemens Medical Solutions Usa, Inc. | Automatic organ detection using machine learning and classification algorithms |
US20080049997A1 (en) * | 2006-07-12 | 2008-02-28 | Daniel Chin | Method and device for enhancing images in display devices |
US20080077001A1 (en) * | 2006-08-18 | 2008-03-27 | Eastman Kodak Company | Medical information system for intensive care unit |
US20080052112A1 (en) * | 2006-08-24 | 2008-02-28 | Siemens Medical Solutions Usa, Inc. | Clinical Trial Data Processing and Monitoring System |
JP5113378B2 (ja) * | 2006-12-20 | 2013-01-09 | 富士フイルムRiファーマ株式会社 | 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 |
US8184874B2 (en) * | 2006-12-22 | 2012-05-22 | Carestream Health, Inc. | Enhanced display of medical images |
CN101681528A (zh) * | 2007-03-30 | 2010-03-24 | 皇家飞利浦电子股份有限公司 | 医学观察工作站上的依赖于学习解剖的观察参数 |
JP2009022626A (ja) * | 2007-07-23 | 2009-02-05 | Ge Medical Systems Global Technology Co Llc | 超音波撮像装置および画像診断システム |
GB0803064D0 (en) * | 2008-02-20 | 2008-03-26 | Siemens Medical Solutions | System for defining volumes of interest with reference to anatomical features |
US8194952B2 (en) | 2008-06-04 | 2012-06-05 | Raytheon Company | Image processing system and methods for aligning skin features for early skin cancer detection systems |
US8935280B2 (en) * | 2008-11-06 | 2015-01-13 | Codonics, Inc. | Medical image importer and method |
US20100145990A1 (en) * | 2008-12-09 | 2010-06-10 | Washington University In St. Louis | Selection and performance of hosted and distributed imaging analysis services |
JP5355111B2 (ja) * | 2009-01-27 | 2013-11-27 | キヤノン株式会社 | 診断支援装置及び診断支援方法 |
CN102362278A (zh) * | 2009-03-26 | 2012-02-22 | 皇家飞利浦电子股份有限公司 | 灌注成像 |
US11462314B2 (en) * | 2009-10-14 | 2022-10-04 | Trice Imaging, Inc. | Systems and devices for encrypting, converting and interacting with medical images |
EP2489005B1 (en) | 2009-10-14 | 2022-04-27 | Trice Imaging, Inc. | Systems and methods for converting and delivering medical images to mobile devices and remote communications systems |
US11948678B2 (en) | 2009-10-14 | 2024-04-02 | Trice Imaging, Inc. | Systems and devices for encrypting, converting and interacting with medical images |
US11206245B2 (en) | 2009-10-14 | 2021-12-21 | Trice Imaging, Inc. | Systems and devices for encrypting, converting and interacting with medical images |
JP5815561B2 (ja) | 2010-02-02 | 2015-11-17 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | グループ撮像検査のデータ処理 |
EP2385474A1 (en) * | 2010-05-07 | 2011-11-09 | TomTec Imaging Systems GmbH | Method for analysing medical data |
US8554016B2 (en) * | 2010-11-10 | 2013-10-08 | Raytheon Company | Image registration system and method for registering images for deformable surfaces |
US9715575B2 (en) | 2011-03-29 | 2017-07-25 | Koninklijke Philips N.V. | Image acquisition and/or image related parameter recommender |
DE102011078039A1 (de) * | 2011-06-24 | 2012-12-27 | Siemens Aktiengesellschaft | Generierung von Scandaten und von Folge-Steuerbefehlen |
JP5993865B2 (ja) * | 2011-10-31 | 2016-09-14 | 株式会社日立ハイテクノロジーズ | 自動分析システム |
JP2015509013A (ja) * | 2012-01-10 | 2015-03-26 | コーニンクレッカ フィリップス エヌ ヴェ | 画像処理装置 |
US9092697B2 (en) | 2013-02-07 | 2015-07-28 | Raytheon Company | Image recognition system and method for identifying similarities in different images |
US9980629B2 (en) | 2013-03-11 | 2018-05-29 | Karl Storz Imaging, Inc. | Video capture and streaming diagnostics metadata |
CN104182925B (zh) * | 2013-05-22 | 2019-04-09 | 东芝医疗系统株式会社 | 图像处理装置、图像处理方法和医学图像设备 |
US10025479B2 (en) * | 2013-09-25 | 2018-07-17 | Terarecon, Inc. | Advanced medical image processing wizard |
JP6179368B2 (ja) * | 2013-11-22 | 2017-08-16 | コニカミノルタ株式会社 | 画像表示装置及び画像表示方法 |
US9824457B2 (en) | 2014-08-28 | 2017-11-21 | Koninklijke Philips N.V. | Model-based segmentation of an anatomical structure |
WO2016061041A1 (en) * | 2014-10-14 | 2016-04-21 | East Carolina University | Methods, systems and computer program products for determining hemodynamic status parameters using signals derived from multispectral blood flow and perfusion imaging |
CN107405094A (zh) | 2014-10-14 | 2017-11-28 | 东卡罗莱娜大学 | 用于使用成像技术来可视化解剖结构以及血流和灌注生理机能的方法、系统和计算机程序产品 |
US11553844B2 (en) | 2014-10-14 | 2023-01-17 | East Carolina University | Methods, systems and computer program products for calculating MetaKG signals for regions having multiple sets of optical characteristics |
US10058256B2 (en) | 2015-03-20 | 2018-08-28 | East Carolina University | Multi-spectral laser imaging (MSLI) methods and systems for blood flow and perfusion imaging and quantification |
US10390718B2 (en) | 2015-03-20 | 2019-08-27 | East Carolina University | Multi-spectral physiologic visualization (MSPV) using laser imaging methods and systems for blood flow and perfusion imaging and quantification in an endoscopic design |
RU2740219C2 (ru) * | 2015-10-30 | 2021-01-12 | Конинклейке Филипс Н.В. | Движок для контекстно-зависимых медицинских рекомендаций |
CN105701334B (zh) * | 2015-12-31 | 2018-06-19 | 武汉联影医疗科技有限公司 | Ris测试例获取系统及方法、ris系统的测试方法 |
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
EP3399449A1 (en) * | 2017-05-02 | 2018-11-07 | Koninklijke Philips N.V. | Diagnostic support in an x-ray system |
JP6953183B2 (ja) * | 2017-05-24 | 2021-10-27 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
US10799189B2 (en) | 2017-11-22 | 2020-10-13 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
US10783634B2 (en) * | 2017-11-22 | 2020-09-22 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
US11049250B2 (en) * | 2017-11-22 | 2021-06-29 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
CN111417986B (zh) | 2017-11-30 | 2024-05-28 | 徕卡生物系统成像股份有限公司 | 彩色监视器设置刷新 |
US10755454B2 (en) * | 2017-12-22 | 2020-08-25 | General Electric Company | Clinical task-based processing of images |
US11004549B2 (en) * | 2018-09-28 | 2021-05-11 | Varian Medical Systems International Ag | Patient object mapping techniques |
US20200163727A1 (en) * | 2018-11-26 | 2020-05-28 | Douglas Patton | Cloud based system cataract treatment database and algorithm system |
CA3138958A1 (en) * | 2019-05-03 | 2020-11-12 | Lensar, Inc. | Cloud based system cataract treatment database and algorithm system |
US20210005307A1 (en) * | 2019-07-03 | 2021-01-07 | GE Precision Healthcare LLC | Image processing and routing using ai orchestration |
US11791053B2 (en) | 2019-07-11 | 2023-10-17 | Silicospine Inc. | Method and system for simulating intervertebral disc pathophysiology |
US20210174503A1 (en) * | 2019-12-06 | 2021-06-10 | Raylytic GmbH | Method, system and storage medium with a program for the automatic analysis of medical image data |
US11392797B2 (en) | 2020-01-31 | 2022-07-19 | Here Global B.V. | Method, apparatus, and system for filtering imagery to train a feature detection model |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002330252A (ja) * | 2001-05-01 | 2002-11-15 | Canon Inc | 情報処理装置、画像処理装置、画像処理システム、画像処理方法、及び記憶媒体 |
JP2003225231A (ja) * | 2001-11-20 | 2003-08-12 | General Electric Co <Ge> | 肺疾患検出のための方法及びシステム |
JP2003275197A (ja) * | 2002-03-25 | 2003-09-30 | Mitsubishi Electric Corp | 放射線画像撮像装置 |
US20040122790A1 (en) * | 2002-12-18 | 2004-06-24 | Walker Matthew J. | Computer-assisted data processing system and method incorporating automated learning |
JP2004179964A (ja) * | 2002-11-27 | 2004-06-24 | Fuji Photo Film Co Ltd | 画像処理装置 |
JP2004240362A (ja) * | 2003-02-10 | 2004-08-26 | Konica Minolta Holdings Inc | 医用画像処理システム |
JP2004254742A (ja) * | 2003-02-24 | 2004-09-16 | Konica Minolta Holdings Inc | 医用画像処理装置及び悪性度の判定方法 |
JP2004267450A (ja) * | 2003-03-07 | 2004-09-30 | Canon Inc | 画像処理装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0487110B1 (en) * | 1990-11-22 | 1999-10-06 | Kabushiki Kaisha Toshiba | Computer-aided diagnosis system for medical use |
US5878746A (en) * | 1993-08-25 | 1999-03-09 | Lemelson; Jerome H. | Computerized medical diagnostic system |
US5983251A (en) * | 1993-09-08 | 1999-11-09 | Idt, Inc. | Method and apparatus for data analysis |
US5713933A (en) * | 1994-11-30 | 1998-02-03 | Medtronic, Inc. | Method and apparatus for automatic pacing threshold determination |
US5872859A (en) * | 1995-11-02 | 1999-02-16 | University Of Pittsburgh | Training/optimization of computer aided detection schemes based on measures of overall image quality |
US6058322A (en) * | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
US6430430B1 (en) * | 1999-04-29 | 2002-08-06 | University Of South Florida | Method and system for knowledge guided hyperintensity detection and volumetric measurement |
US7236637B2 (en) * | 1999-11-24 | 2007-06-26 | Ge Medical Systems Information Technologies, Inc. | Method and apparatus for transmission and display of a compressed digitized image |
US20040068167A1 (en) * | 2002-09-13 | 2004-04-08 | Jiang Hsieh | Computer aided processing of medical images |
GB2420641B (en) * | 2004-11-29 | 2008-06-04 | Medicsight Plc | Digital medical image analysis |
-
2004
- 2004-11-29 GB GB0426177A patent/GB2420641B/en active Active
-
2005
- 2005-03-31 EP EP05252010A patent/EP1662415A1/en not_active Withdrawn
- 2005-05-27 US US11/138,956 patent/US7133546B2/en active Active
- 2005-11-28 WO PCT/GB2005/004547 patent/WO2006056798A1/en not_active Application Discontinuation
- 2005-11-28 JP JP2007542119A patent/JP2008521468A/ja active Pending
- 2005-11-28 CN CNA2005800409934A patent/CN101084501A/zh active Pending
-
2006
- 2006-06-13 US US11/451,632 patent/US20060291708A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002330252A (ja) * | 2001-05-01 | 2002-11-15 | Canon Inc | 情報処理装置、画像処理装置、画像処理システム、画像処理方法、及び記憶媒体 |
JP2003225231A (ja) * | 2001-11-20 | 2003-08-12 | General Electric Co <Ge> | 肺疾患検出のための方法及びシステム |
JP2003275197A (ja) * | 2002-03-25 | 2003-09-30 | Mitsubishi Electric Corp | 放射線画像撮像装置 |
JP2004179964A (ja) * | 2002-11-27 | 2004-06-24 | Fuji Photo Film Co Ltd | 画像処理装置 |
US20040122790A1 (en) * | 2002-12-18 | 2004-06-24 | Walker Matthew J. | Computer-assisted data processing system and method incorporating automated learning |
JP2004240362A (ja) * | 2003-02-10 | 2004-08-26 | Konica Minolta Holdings Inc | 医用画像処理システム |
JP2004254742A (ja) * | 2003-02-24 | 2004-09-16 | Konica Minolta Holdings Inc | 医用画像処理装置及び悪性度の判定方法 |
JP2004267450A (ja) * | 2003-03-07 | 2004-09-30 | Canon Inc | 画像処理装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5346938B2 (ja) * | 2008-09-01 | 2013-11-20 | 株式会社日立メディコ | 画像処理装置、及び画像処理装置の作動方法 |
JP2012514602A (ja) * | 2009-01-06 | 2012-06-28 | キュレロン リミテッド ライアビリティ カンパニー | 黄色ブドウ球菌感染の治療または予防のための組成物および方法ならびに表面上にいる黄色ブドウ球菌の根絶または低減のための組成物および方法 |
JP2015129135A (ja) * | 2009-01-06 | 2015-07-16 | キュレロン リミテッド ライアビリティ カンパニー | 黄色ブドウ球菌感染の治療または予防のための組成物および方法ならびに表面上にいる黄色ブドウ球菌の根絶または低減のための組成物および方法 |
JP2014523772A (ja) * | 2011-06-22 | 2014-09-18 | コーニンクレッカ フィリップス エヌ ヴェ | 医用画像を処理するシステム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
US20060291708A1 (en) | 2006-12-28 |
GB2420641B (en) | 2008-06-04 |
WO2006056798A1 (en) | 2006-06-01 |
GB2420641A (en) | 2006-05-31 |
CN101084501A (zh) | 2007-12-05 |
EP1662415A1 (en) | 2006-05-31 |
US7133546B2 (en) | 2006-11-07 |
GB0426177D0 (en) | 2004-12-29 |
US20060115135A1 (en) | 2006-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7133546B2 (en) | Digital medical image analysis | |
US7756314B2 (en) | Methods and systems for computer aided targeting | |
US6574304B1 (en) | Computer aided acquisition of medical images | |
CN111563523B (zh) | 利用机器训练的异常检测的copd分类 | |
US7149334B2 (en) | User interface for computed tomography (CT) scan analysis | |
JP4652023B2 (ja) | 病気の発見に役立つ画像データの処理方法及び装置 | |
US7599534B2 (en) | CAD (computer-aided decision) support systems and methods | |
EP1398722A2 (en) | Computer aided processing of medical images | |
EP2116974B1 (en) | Statistics collection for lesion segmentation | |
US8724871B1 (en) | Method and system for identifying anomalies in medical images | |
EP3796210A1 (en) | Spatial distribution of pathological image patterns in 3d image data | |
US20090129642A1 (en) | Image processing device and a control method and control program thereof | |
US10918309B2 (en) | Artificial intelligence-based COPD assessment | |
US20200111558A1 (en) | Information processing apparatus, medical image display apparatus, and storage medium | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
CA2579858A1 (en) | User interface for ct scan analysis | |
CN117637123A (zh) | 通过编辑医学图像中的正常区域的人工智能支持的读取 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081119 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20081119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110823 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20120131 |