JP2008523876A - 医療用診断イメージングにおいて医療的に有意味の記述を生成するための高性能分類器を自動的に確立するための方法及び装置 - Google Patents

Abstract

医療画像における有意味な特徴の有無を判定する方法であって、実際の患者を撮影した病変の種々の種類の複数の基本比較又は訓練画像が第１データベース列を生成するように１人又はそれ以上の画像読み取り専門家により調べられる、方法について開示している。同じ複数の基本比較又は訓練画像における病変の各々の低レベルの特徴が、第２データベース列集合を得るように１つ又はそれ以上の画像処理アルゴリズムを用いて判定される。第１及び第２データベース列集合は、低レベルの特徴の副集合から第１データベース列集合における専門家の評価にマッピングする分類器を見つける／学習させる学習システムに対して入力される訓練データベース列集合を生成するように結合される。分類器は、画像のみに基づいて、患者における病変の画像において特定の中間レベルの特徴の存在を判定するように用いられる。

Description

本発明は、一般に、医療用イメージングの分野に関し、特に、超音波医療画像における特徴についての医療的に意味のある記述子を生成するための高性能の分類器を自動的に選択するためのシステム及び方法に関する。

診断医療用超音波診断法とも呼ばれる、超音波診断法又は心エコー法は、人体内の構造の画像を生成するように高周波音響波を用いるイメージング技術である。それらの画像は、疾患の処置の案内及び診断において有用である情報を提供する。例えば、超音波は、胎児の健康状態及び成長を判定するように、妊娠中に頻繁に用いられる。超音波はまた、首、腹部及び骨盤の器官における健全な組織と非健全な組織との間の僅かな違いを認識するための診断補助として用いられる。それはまた、血管における疾患の拡大の位置決め及び決定において非常に有用である。心臓の超音波イメージングは心エコー法と呼ばれ、多くの心臓の状態を診断するために用いられている。腫瘍の適切な生検及び処置は、腫瘍及び生検針に近接して健全な組織の画像を与える超音波ガイド手順を用いることにより容易化されている。

従来の医療用超音波診断法は、音響エネルギーを人体に伝達させ、心臓、肝臓及び腎臓のような体の組織及び器官により反射される信号を受診する診断用超音波装置を用いて行われる。血球の動きは、反射信号におけるドップラ周波数シフトをもたらす。時間領域において、それらの周波数シフトは、反射信号の相互相関関数におけるシフトとして観測される。反射信号は、典型的には、カラーフローイメージング又はカラー速度イメージングとして知られている二次元フォーマットで表示される。そのような表示は、一般に、血流パターンを検査するために用いられる。代表的な超音波システムは、複数の経路においてパルスを発し、超音波画像が表示されることが可能である超音波データを生成するように用いられる電気信号に複数の経路における対象物から受信されるエコーを変換する。画像データが生成される生超音波データを得る過程を、典型的には、ビームを“走査”、“掃引”又は“ステアリング”するという。

超音波診断法はリアルタイムに実行されることが可能であり、走査が実行されるとき、超音波画像の高速のシーケンシャル提示と呼ばれる。走査は、通常、ライン状に配列されていて、複数の周期系列の各々について要素当たり１パルスの電気パルスの集合により励起されるトランスジューサ要素の群（“アレイ”と呼ばれる）を用いて、電子的に実行される。パルスは、典型的には、表示されるべき診断領域全体に亘って掃引動作を構成するようにタイミング合わせされる。

超音波スキャナにおける信号処理は、人間の組織に対して少なくとも一部が伝播する、フォーカシングされ、操舵されそしてアポダイズされたパルス化ビームを生成するように、そのアレイの各々の要素に印加される励起パルスの整形及び遅延を伴って開始する。アポダイゼーションとは、ビームからサイドローブを減少させる又は削除させるための重み付け関数を用いて、ビームを次第に細くする処理をいう。送信される音響パルスの特徴は、特定のイメージングモードの設定に対応するように調節される又は“整形される”ことが可能である。例えば、パルス整形は、戻されるエコーがＢスキャンモード、パルス化ドップラモード又はカラードップライメージングモードで用いられるかどうかに応じて、パルスの長さを調節することを有することが可能である。パルス整形はまた、現在の広帯域のトランスジューサにおいて、広い範囲に亘って設定されることが可能である、及び走査されている体の部位にしたがって選択されることが可能であるパルス周波数に対する調節を有することが可能である。複数のスキャナはまた、結果として得られる音響波の伝播特性を改善するように、パルスの包絡線（即ち、ガウス包絡線）を整形する。

組織構造による音響波の走査から得られるエコー信号は、トランスジューサアレイにおける要素の全てにより受け入れられ、続いて、処理される。それらのエコー信号の処理は、典型的には、個別の要素レベル又はチャネルレベルで実行され、チャネルは１つ又はそれ以上の要素を有する。信号処理は、アポダイゼーション機能、ダイナミックフォーカシング及び操舵遅れの適用を伴って開始する。信号処理における最も重要な要素の１つはビーム生成である。トランスジューサアレイにおいては、各々の要素により送信される音響波が、アレイにおける他の要素の全てからの音響波の到達と同時に意図された焦点に到達するように、ビームは、異なる時間にそれらの要素の各々を励起することによりフォーカシング及び操舵される。

米国癌協会は、乳癌が女性の死亡原因の第１位であり、その死者数は年間４６，０００人を数えていると報告した。マンモグラフィは乳癌の早期発見のための最も有効な方法であることが一般に受け入れられ、無症状の女性の周期的診察は死亡率を減少させることが明らかになっている。様々な医療機関が、乳癌の早期発見のためにマンモグラフィ診察を受けることを勧めている。それ故、マンモグラフィは、読影医が日常的に解釈することができる最も多いＸ線手法の１つになっている。多くの乳癌は、放射線により検出された塊の病変又は微小石灰化の塊に基づいて、外科生検について検出され、調べられる。良性及び悪性のマンモグラフィにより特定された乳房の病変の間の区別のための一般ルールが存在するが、病変の無視できない誤判別がそのような通常の方法において生じる。概して、外科乳房生検について調べられる塊の３０％以下が実際に悪性であることが報告されている。良性及び悪性の塊の特性を検出して解析することができる演算方法は、客観的で信頼性高い方式で、悪性度の擬陽性診断の数を減少させることにより、それにより、患者の死亡率並びに実行される外科生検数及び関連合併症を減少させることにより、読影医を支援することができる。

乳房超音波診断法は、診断マンモグラフィに対する重要な付加として使用され、そして典型的には、嚢胞性の又は固形の性質を判定するように、明白なマンモグラフィにより特定される塊を評価するように実行される。単純な良性の嚢胞の診断においては、超音波の精度は９６％乃至１００％であると報告されている。良性の嚢胞として特徴付けられた塊については、更なる評価は必要ない。しかしながら、塊の７５％は、超音波診断法の検査では不確定なものであるか又は確かなものであるかが判明し、それ故、更なる介入の候補になっていると報告されている。

従来、超音波は、比較的高い擬陰性率及び擬陽性率のために、スクリーニング目的では使用されていない。文献“Ｓｏｌｉｄ Ｂｒｅａｓｔ Ｎｏｄｕｌｅｓ：Ｕｓｅ ｏｆ Ｓｏｎｏｇｒａｐｈｙ ｔｏ Ｄｉｓｔｉｎｇｕｉｓｈ Ｂｅｔｗｅｅｎ Ｂｅｎｉｇｎ ａｎｄ Ｍａｌｉｇｎａｎｔ Ｌｅｓｉｏｎｓ”，ｂｙ Ｓｔａｖｒｏｓ ｅｔ ａｌ．，Ｒａｄｉｏｌｏｇｙ １９６：１２３−１３４，１９９５に記載されているように、乳房超音波診断法は、多数の重なり合い及び超音波診断法の外観が類似しているために、良性の固形の塊を悪性のものと区別するようには通常、用いられていず、その文献の援用により、本発明の説明の一部を代替する。改善された空間及びコントラスト分解能を有する現在の高周波数トランスジューサの出現により、多くの超音波診断法の又は中間レベルの特徴が悪性度の可能性のある指標として現れる一方、他の中間レベルの特徴は良性の塊についての指標である。例えば、良性の特徴は、ハイパーエコー発生性、楕円形、軽い分葉及び薄いエコー発生擬似カプセルを有する。悪性の特徴は、癌放射、角度マージン、顕著なハイパーエコー発生性、後音響シェーディング及び０．８より大きい深さ対幅の比を有する。Ｓｔａｖｒｏｓ等は、塊を良性、中間性及び悪性であるとして特徴付けるように、上記の及び他の特徴を有している。彼等の分類スキームは、９８．４％の感度及び９９．５％の負予測値を有する。しかしながら、それらの研究者により説明されている超音波診断法の評価はかなり効果的であり、殆どの乳房イメージングセンタで通常実行されているものに比べて複雑である。超音波検査は、周知のようにオペレータ依存性様式であり、それらが促進する結果は、他の研究者による追加の研究により裏付けられるまで、この超音波診断法の分類スキームがどれ位広く適用できるかは不明である。

良性及び悪性の塊の上記の超音波診断法分類に基づいて客観的に且つ高信頼的に分類することができる自動化技術は、特に、それらのマンモグラフィの特徴と組み合わされる場合に、乳房の塊の乳房イメージング評価の特定性をかなり改善することが可能である。コンピュータ支援技術が、有望な結果を有する乳房の塊のカラードップラ評価に適用されている。しかしながら、カラードップライメージングは、病変の脈管のみに焦点を当てる技術である。超音波診断法による可視的な癌全てが明白な脈管を有するのではないため、この技術は本質的に幾分制限されている。

階調超音波診断法画像に適用されるコンピュータ支援診断技術は、病変を客観的に且つ高信頼性で分類する他の方法である。しかしながら、そのような方法は、典型的には、医療画像から有意味の特徴を抽出する能力は限定されているため、信頼性は低い。例えば、医療画像（例えば、超音波、ＣＴ、ＭＲＩ等）によるコンピュータ支援診断は、画像から特徴を抽出するアルゴリズムに依存している。それらの特徴は、典型的には、最終診断（例えば、悪性又は良性）を推測するように、アルゴリズムに供給される。この方法は、診断判定を表現するために必要な入力を与えることができる特徴を抽出するためには、アルゴリズムのデザイナーの能力により制約される。一部の場合、診断の知識はあるが、診断判定を表現するために必要は特徴をどれから抽出すべきかについての既知のアルゴリズムは存在しない。したがって、既知の従来の方法及び医療画像からの低レベルの特徴を抽出するための既知の方法により演算できない中間レベルの特徴を必要とする既知の診断手法間のギャップを埋める方法についての要請が存在している。
"Ｓｏｌｉｄ Ｂｒｅａｓｔ Ｎｏｄｕｌｅｓ：Ｕｓｅ ｏｆ Ｓｏｎｏｇｒａｐｈｙ ｔｏ Ｄｉｓｔｉｎｇｕｉｓｈ Ｂｅｔｗｅｅｎ Ｂｅｎｉｇｎ ａｎｄ Ｍａｌｉｇｎａｎｔ Ｌｅｓｉｏｎｓ"，ｂｙ Ｓｔａｖｒｏｓ ｅｔ ａｌ．，Ｒａｄｉｏｌｏｇｙ １９６：１２３−１３４，１９９５

本発明は、例えば、患者を撮影した超音波医療画像における悪性の特徴の有無を判定する、医療画像に基づくコンピュータ支援診断のための方法及び装置を提供する。

実際の患者を撮影した種々の種類の病変の複数の基本比較又は訓練画像が、医師、読影医又は特定の医療従事者のような１人又はそれ以上の画像読み取り専門家により検査され、解析される。１つの画像が用いられ、そして１人の専門家が任用されることが可能であるが、多数の画像及び多数の信頼性高く、熟達した専門家により本発明の信頼性を向上させることができる。二次元画像を用いることが可能であるが、三次元画像をまた、用いることが可能である。専門家により評価される画像は、超音波、Ｘ線、ＣＡＴスキャン、核磁気共鳴法等により得ることが可能である。それらの専門家の各々は、それらの画像の各々を解析し、彼等の教育及び経験に基づいて、その種類の画像において観測されることが可能である既知の有効な中間レベルの特徴のリストにしたがってそれらの画像の各々において観測される病変又は他の観測される特徴の各々を分類する。各々の有効な中間レベルの特徴について、各々の専門家は、第１データベース列を生成するための悪性の特徴が観測される病変に存在するかどうかについての肯定又は否定評価を与える。そのような中間レベルの特徴の例は、病変における組織中のカルシウム塩の異常析出、病変が標準的な長円であるかどうか、及び／又は病変が同じ種類又は性質を有しない要素を有するか否かを含む。

次に、同じ複数の基本比較又は訓練画像における病変の各々の低レベルの特徴が、第２データベース列の集合を得るように１つ又はそれ以上の画像処理アルゴリズムを用いて決定される。得ることが可能である低レベルの特徴の中には、フーリエ記述子、モーメント、形状並びに確率、共起及び自己相関パラメータがある。適切なアルゴリズムは、高速フーリエ変換（ＦＦＴ）、逆フーリエ変換、ヒストグラムアルゴリズム、手段、変数及び高いモーメントを有し、又は、文献“Ｃｏｍｐｕｔｅｒｉｚｅｄ Ａｎａｌｙｓｉｓ ｏｆ Ｌｅｓｉｏｎｓ ｉｎ ＵＳ Ｉｍａｇｅｓ ｏｆ ｔｈｅ Ｂｒｅａｓｔ”，Ｂｙ Ｍ．Ｌ．Ｇｉｇｅｒ ｅｔ ａｌ．，Ａｃａｄ Ｒａｄｉｏｌ．１９９９，６：６６５−６７４に記載されている。

第１データベース列集合及び第２データベース列集合は、それ故、訓練データベース列集合を生成するように好適に組み合わされる。次に、訓練データベース列集合は、低レベルの特徴の第１データベース列集合において少なくとも低レベルの特徴の副集合から専門家の肯定又は否定評価に対してマッピングする識別器を構築する訓練システムに入力される。適切な分類器は、ニューラルネットワークと、所謂、“ベイズ理論”に基づくナイーブベイズ分類器とを有し、特に、分類器への入力の次元が高いときに適する。

第１データ列の専門家により生成された中間レベルの特徴に対して低レベルの特徴をマッピングするための高性能分類器が構築される。ここで、遺伝的アルゴリズム（ＧＡ）は、好適には、訓練データベース列における低レベルの特徴に基づいて特徴の副集合を選択するように用いられる。遺伝的アルゴリズムは、低レベルの特徴の高性能な副集合を見つけるように、ダーウィンの進化論のモデルを用い、ここで、高性能は、分類器が特定の訓練の事例を適切に分類する傾向である。そのような遺伝的アルゴリズムについては、文献“Ｔｈｅ ＣＨＣ Ａｄａｐｔｉｖｅ Ｓｅａｒｃｈ Ａｌｇｏｒｉｔｈｍ：Ｈｏｗ ｔｏ Ｈａｖｅ Ｓａｆｅ Ｓｅａｒｃｈ Ｗｈｅｎ Ｅｎｇａｇｉｎｇ ｉｎ Ｎｏｎｔｒａｄｉｔｉｏｎａｌ Ｇｅｎｅｔｉｃ Ｒｅｃｏｍｂｉｎａｔｉｏｎ”，ｂｙ Ｌａｒｒｙ ｊ．Ｅｓｈｅｌｍａｎ，Ｆｏｕｎｄａｔｉｏｎｓ ｏｆ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ，Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ，Ｓａｎ Ｆｒａｎｉｃｉｓｃｏ，ｐｇｓ．２６５−２８３，１９９１に記載されている。

分類器は、第１データベース列集合のエンティティの各々を解析し、専門家が理解する対応する中間レベルの特徴が信頼性高く得られるように、そのアルゴリズムを変更する又は最適化する。実際には、分類器は、専門家が決定した中間レベルの特徴への低レベルの特徴の関連付けに基づいて、画像処理器が生成した低レベルの特徴から中間レベルの特徴を適切に予測するように“学習する”。

各々の副集合は、訓練データベース列集合における特定の低レベル特徴に対応する数を有する。ＧＡは“染色体”集団を有し、各々の染色体は遺伝子の集合、即ち、病変の特定の低レベルの特徴に対応する数を有する。本発明の目的のために、染色体は、遺伝子の集合における特定の低レベルの特徴の副集合である。本発明の方法にしたがって、ＧＡは、熟達した専門家により分類された病変の中間レベルの特徴に対して病変の低レベルの特徴を適切に“マッピングする”最適な分類器を与えるための染色体を決定する。

一旦、高性能分類器が決定されると、それは、特にディジタル形式で、画像のみに基づいて患者における病変の画像の特定の中間レベルの特徴の存在を判定するように用いられることが可能である。出力は、例えば、病変の周りの組織においてカルシウム塩の異常析出のような、ある医療的に有意味な特徴又は属性若しくは中間レベルの特徴の有無、病変が標準的な長円であるかどうか、又は病変が同じ種類又は性質を有する要素を有するかどうかを含んでいる。代替として、入力は、１つ又はそれ以上の画像処理アルゴリズムを用いて得られる実際の画像の低レベルの特徴であることが可能である。出力は、病変が良性であるか又は悪性であるかの判定を支援するように、医師、読影医又は専門の医療技術者により用いられる。

本発明の方法にしたがって、個別の分類器は、各々の特定の中間レベルの特徴を生成するように好適に用いられる。即ち、分類器は、病変が１つの特定の中間レベルの特徴を有するかどうかを判定するように用いられ、他の分類器は、病変が他の中間レベルの特徴を有するかどうかを判定するように用いられる。

本発明は、医療画像から低レベルの特徴を抽出するための既知の方法と、既知の従来の方法により演算されることができない中間レベルの特徴を必要とする既知の診断手順との間のギャップを埋める。読影医及び他の医療専門家は、病変における悪性腫瘍の有無を高速で確認する能力を与えられる。更に、本発明の方法は、放射線医学の分野における“専門家”へのアクセスを遠隔領域に位置している病院に有効に与えることができる。

本発明の上記の及び他の有利点及び特徴については、以下、添付図面を参照して詳述する本発明の例示としての実施形態から更に明らかになる。

本発明は、例えば、患者を撮影した超音波医療画像における悪性の特徴の有無を判定する医療画像に基づくコンピュータ支援診断のための方法及び装置に関するものである。

最初に、実際の患者を撮影した種々の種類の病変の複数の基本比較又は訓練画像は、医師、読影医又は専門の医療技術者のような１人又はそれ以上の画像読み取り専門家により検査され、そして解析される。１つの画像が用いられ、そして１人の専門家が任用されることが可能であるが、多数の画像及び多数の信頼性高く、熟達した専門家により本発明の信頼性を向上させることができる。二次元画像を用いることが可能であるが、三次元画像をまた、用いることが可能である。専門家により評価される画像は、超音波、Ｘ線、ＣＡＴスキャン、核磁気共鳴法等により得ることが可能である。それらの専門家の各々は、それらの画像の各々を解析し、彼等の教育及び経験に基づいて、その種類の画像において観測されることが可能である既知の有効な中間レベルの特徴のリストにしたがってそれらの画像の各々において観測される病変又は他の観測される特徴の各々を分類する。各々の有効な中間レベルの特徴について、各々の専門家は、第１データベース列を生成するための悪性の特徴が観測される病変に存在するかどうかについての肯定又は否定評価を与える。そのような中間レベルの特徴の例は、病変における組織中のカルシウム塩の異常析出、病変が標準的な長円であるかどうか、及び／又は病変が同じ種類又は性質を有しない要素を有するか否かを含む。好適な実施形態においては、中間レベルの特徴は２人以上の専門家により評価され、ここでは、“多ければ多い程、良好である”方法が取られる。

所定の語彙が中間レベルの特徴を定義するために用いられる。本発明の好適な実施形態においては、用いられる語彙は、文献“Ｓｏｌｉｄ Ｂｒｅａｓｔ Ｎｏｂｕｌｅｓ：Ｕｓｅ ｏｆ Ｓｏｎｏｇｒａｐｈｙ ｔｏ Ｄｉｓｔｉｎｇｕｉｓｈ Ｂｅｔｗｅｅｎ Ｂｅｎｉｇｎ ａｎｄ Ｍａｌｉｇｎａｎｔ Ｌｅｓｉｏｎｓ”，ｂｙ Ｓｔａｖｒｏｓ ｅｔ ａｌ．，Ｒａｄｉｏｌｏｇｙ １９６：１２３−１３４，１９９５から得られるものである。本発明にしたがって、最終の悪性腫瘍の決定は、Ｓｔａｖｒｏｓ Ａ．Ｔ．等による上記文献において提案されているアルゴリズムに基づいて行われる。悪性の特徴については、中間レベルの特徴は、少なくとも、ｉ）癌放射、強いハロー（決定されない）、ｉｉ）角度マージン、ｉｉｉ）微小分葉、ｉｖ）アスペクト比、即ち、対象物の幅が広いというより高さが高い広がり、ｖ）石灰化、ｖｉ）乳管拡張及び分岐パターン、ｖｉｉ）石灰化、ｖｉｉｉ）脂肪に対するハイポエコー（５０％ＣＡ）及びｉｘ）不均一なテクスチャである。良性の特性については、中間レベルの特徴は、少なくとも、ｉ）病変は、高さが高いというより幅が広い、広がり、即ち、逆アスペクト比、ｉｉ）分葉、例えば、標準的な長円形、即ち、幾つかの分葉、ｉｉｉ）連続的でスムーズなカプセル、及びｉｖ）均一なテクスチャである。

悪性の特性に関して、癌放射とは、画像に示される病変又は硬い小瘤の表面から垂直方向に放射される交互のハイパーエコーの（ｈｙｐｅｒｅｃｈｏｉｃ）及びハイポエコーの（ｈｙｐｏｅｃｈｏｉｃ）直線を有する広がりをいう。強エコー発生繊維状組織により囲まれている病変においては、エコー発生予測のみが、画像において超音波診断により可視的である。強エコー発生組織は高反射性の組織である。エコー発生とは、超音波エネルギーを反射する組織の傾向をいう。

角度マージンとは、硬い小瘤の比較的ハイパーエコーの又はアイソエコーの中心部分と周りの組織との間の接合をいう。それらの角度は、鋭角、鈍角又は９０°であることが可能である。

微小分葉は、多くの小さい（例えば、１乃至２ｍｍ）分葉が画像対象物の表面に発見されるときに存在する。アスペクト比とは、画像における対象物が、幅が広いというより高さが高い広がりをいう。石灰化は、組織の硬化により明らかなように、対象物の周りの組織内のカルシウム塩の異常析出である。

“脂肪に対するハイポエコー”（５０％ＣＡ）は、画像中の対象物が周囲のアイソエコー脂肪に比べて軽い、広がりである。

乳管の広がりは、乳房の乳頭から離れるように広がっている乳管における又はその周りに放射状に広がる硬い対象物からの投影である。分岐パターンは、乳頭から離れるように広がっている乳管における又はその周りの対象物からの複数の投影として定義されている。

対象物の表面が同じ種類又は性質を有する要素を有する広がりは、どの程度に均一であるかの指標である。

良性の特性に関しては、病変が、高さが高いというより幅が広い広がりは“逆アスペクト比”である。分葉とは、画像における対象物の境界において高さが高いというより幅が広い、広がりをいい、即ち、対象物は標準的な長円形であり、即ち、幾つかの分葉は、その他のスムーズな長円形形状の上下に微小瘤及び谷を示す。均一なテクスチャを有する対象物は、対象物が同じ種類又は性質を有しない要素を有することを示す。当業者は、他の中間レベルの特徴が規定されることが可能であることを認識しているであろう。

図１は、１つ又はそれ以上の専門家１００により評価される病変Ａ_１，．．．，Ａ_ｎを有する対象物Ｘ_１，．．．，Ｘ_ｎの複数の画像Ｙ_１，．．．，Ｙ_ｎの例示としての図である。本発明にしたがって、対象物Ｘ_１，．．．，Ｘ_ｎの画像（即ち、基本比較又は訓練画像）を超音波、Ｘ線、ＣＡＴスキャン、核磁気共鳴法等により得ることが可能である。図１を参照するに、画像Ｙ_１，．．．，Ｙ_ｎに示されている対象物Ｘ_１，．．．，Ｘ_ｎにおける各々の観測される病変Ａ_１，．．．，Ａ_ｎは、第１データベース列集合を得るように病変Ａ_１，．．．，Ａ_ｎの中間レベルの特徴を分類するための教育又は経験に基づいて、１つ又はそれ以上の専門家１００により評価される。

次に、同じ複数の基本比較又は訓練画像における病変の各々の低レベルの特徴は、第２データベース列集合を得るように１つ又はそれ以上の画像処理アルゴリズムを用いて決定される。得られることが可能である低レベルの特徴には、フーリエ記述子、モーメント、形状並びに確率、共起及び自己相関パラメータがある。適切なアルゴリズムは、高速フーリエ変換（ＦＦＴ）、逆フーリエ変換、ヒストグラムアルゴリズム、手段、変数及び高いモーメントを有し、又は、文献“Ｃｏｍｐｕｔｅｒｉｚｅｄ Ａｎａｌｙｓｉｓ ｏｆ Ｌｅｓｉｏｎｓ ｉｎ ＵＳ Ｉｍａｇｅｓ ｏｆ ｔｈｅ Ｂｒｅａｓｔ”，Ｂｙ Ｍ．Ｌ．Ｇｉｇｅｒ ｅｔ ａｌ．，Ａｃａｄ Ｒａｄｉｏｌ．１９９９，６：６６５−６７４に記載されている。

図２は、図１の複数の画像に基づいて、例示としてのデータベース列集合であって、画像処理アルゴリズムにより生成された低レベルの特徴と専門家により決定された中間レベルの特徴とを結合する、データベース列集合について示している。専門家１００が、特定の中間レベルの特徴が画像Ｙに存在することを判定するとき、第３列に示されているように、１が、画像Ｙにおいて中間レベルの特徴の存在を示すように第１データベース列集合に入力され、記憶される。図２においては、第２列において示されているデータベース列集合のパラメータｘ１１，．．．，ｘ１Ａは、既知の画像処理アルゴリズムを用いて画像から抽出される画像Ｙからの低レベルの特徴を表す。画像Ａの群の専門家分類列における０は、画像Ｙ_１−ｎ０が特定の中間レベルの特徴を有さず、画像Ｂの他の群についての専門家による分類列における１は、画像Ｙ_１−ｚ１が特定の中間レベルの特徴を有するという結論が得られたことを示している。図１の画像Ｙ_１，．．．，Ｙ_ｎは、好適には、１人又はそれ以上の専門家により評価され、医療的に有意味の特徴の所定の認識の妥当性における信頼度のレベルを増大させるように設定されたデータ列における評価と共に記憶される。この場合、１又は０の付加列が、各々のそれぞれの専門家について、図２の第１データベース列集合において生成される。

第１データベース列集合及び第２データベース列集合は、次いで、訓練データベース列集合を生成するように好適に結合される。代替としては、それらの２つのデータベース列集合は結合されないが、組み合わせて別個に用いられる必要がある。次に、訓練データベース列集合は、低レベルの特徴の少なくとも副集合から低レベルの特徴の第１データベース列集合における専門家の肯定又は否定の評価に適切にマッピングする分類器を構築する学習システムに入力される。適切な分類器は、ニューラルネットワークであって、そのようなニューラルネットワークについては、“Ｏｐｔｉｍｉｚｅｄ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”と題された、米国特許第６，６０１，０５３号明細書に記載されていて、その文献の援用により、本明細書の説明の一部を代替する、ニューラルネットワークと、所謂“ベイジアン理論”に基づき、そして分類器への入力の次元が高いときに特に適するナイーブベイズ分類器とを有する。当業者は、他の分類器をまた用いることが可能であることを認識しているであろう。

図３は、本発明にしたがった高性能な分類器について正確な入力を特定することに関連する機能オブジェクトを示す模式的ブロック図である。専門家により生成された第１データ列の中間レベル特徴に対して低レベルの特徴をマッピングするための高性能な分類器が、図２に示されている訓練データベース列集合におけるｘ１１，．．．，ｘ１Ａのような訓練データベース列集合における低レベルの特徴に基づいて特徴の副集合を選択するように遺伝的アルゴリズム（ＧＡ）を用いることにより構築される。遺伝的アルゴリズム（ＧＡ）は、低レベルの特徴の高性能な副集合を発見するように、ダーウィンの進化論のモデルを用い、ここで、高性能は、分類器が特定の訓練の事例を適切に分類する傾向である。そのような遺伝的アルゴリズムについては、文献“Ｔｈｅ ＣＨＣ Ａｄａｐｔｉｖｅ Ｓｅａｒｃｈ Ａｌｇｏｒｉｔｈｍ：Ｈｏｗ ｔｏ Ｈａｖｅ Ｓａｆｅ Ｓｅａｒｃｈ Ｗｈｅｎ Ｅｎｇａｇｉｎｇ ｉｎ Ｎｏｎｔｒａｄｉｔｉｏｎａｌ Ｇｅｎｅｔｉｃ Ｒｅｃｏｍｂｉｎａｔｉｏｎ”，ｂｙ Ｌａｒｒｙ ｊ．Ｅｓｈｅｌｍａｎ，Ｆｏｕｎｄａｔｉｏｎｓ ｏｆ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ，Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ，Ｓａｎ Ｆｒａｎｉｃｉｓｃｏ，ｐｇｓ．２６５−２８３，１９９１に記載されている。

分類器は、第１データベース列集合の入力の各々を解析し、そして、専門家により認識される、対応する中間レベルの特徴が信頼性高く得られるように、できるだけ最良のアルゴリズムに変える又は最適化する。実際には、分類器は、専門家により決定される中間レベルの特徴に低レベルの特徴を関連付けることに基づいて、画像処理器により生成された低レベルの特徴から中間レベルの特徴を適切に予測するように学習する。

各々の副集合は、訓練データベース列集合における特定の低レベルの特徴ｘ１１，．．．，ｘ１Ａに対応する整数を含む。図３を参照するに、ＧＡは“染色体”の集団を有し、各々の染色体は遺伝子の集合、即ち、病変の特定の低レベルの特徴に対応する数を有する。本発明の目的のために、図４に関して下で説明するように、染色体は、遺伝子の集合における特定の低レベルの特徴の副集合である。本発明の方法にしたがって、ＧＡは、専門家により分類された病変の中間レベルの特徴に対して病変の低レベルの特徴をマッピングするための高性能な分類器を発見する／学習する染色体を決定する。例えば、ニューラルネットワークは、マッピングを実行するように選択される。そのニューラルネットワークについての入力−出力対の集合が備えられ、それらの入力−出力対は、訓練集合及び評価集合に分けられる。最初に規定されるネットワークは訓練集合により訓練され、次いで、評価集合により評価される。その場合、最適化をどれにより実行すべきかの最適なニューラルネットワークが、選択される。

選択されたネットワークアーキテクチャを表す記号列は、新しいニューラルネットワークアーキテクチャを表す新しい記号列を生成するように変更される。それらの新しいニューラルネットワークアーキテクチャは、その場合、訓練集合により訓練され、評価集合により評価され、最良の実行ネットワークが再び、選択される。変更されたネットワークを表す記号列は再び、変更され、その処理は、十分に最適化されたネットワーク、即ち、ニューラルネットワークが実現されるまで続けられる。ニューラルネットワークを最適化するための処理の詳細説明については、“Ｏｐｔｉｍｉｚｅｄ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”と題された米国特許第６，６０１，０５３号明細書を参照することが可能であり、その文献の援用により、本発明の説明の一部を代替する。

一旦、高性能な分類器が構築されると、その分類器は、好適には、ディジタル形式で、画像のみに基づいて、患者の病変の画像における特定の中間レベルの特徴の存在を判定するように使用されることが可能である。出力は、例えば、病変の周りの組織におけるカルシウム塩の異常析出のような、ある医療的に有意味な特徴若しくは中間レベルの特性又は特徴の有無、病変が標準的な長円形であるかどうか、若しくは、病変が同じ種類又は性質ではない要素を有するかどうかを有することが可能である。代替として、入力は、１つ又はそれ以上の画像処理アルゴリズムを用いて、得られた実際の画像の低レベルの特徴であることが可能である。出力は、病変が良性であるか又は悪性であるかの判定において支援するように、医師、医師、読影医又は特定の医療従事者により用いられる。

図５は、本発明にしたがった方法の段階を示すフローチャートである。本発明の方法は、段階５１０に示すように、第１データベース列を生成するように実際の患者を撮影した種々の種類の病変の訓練画像Ｙ_１，．．．，Ｙ_ｎにより実施される。ここで、画像Ｙ_１，．．．，Ｙ_ｎは、医師、医師、読影医又は特定の医療従事者のような１人又はそれ以上の画像読み取り専門家１００により調べられる。１つの画像Ｙ及び１人の専門家を用いることが可能であるが、多数の画像及び多数の信頼できる熟達した専門家は、本発明の信頼性を改善することができるであろう。二次元画像を用いることができるが、三次元画像をまた、用いることが可能である。

専門家１００により評価された画像Ｙ_１，．．．，Ｙ_ｎは、超音波、Ｘ線、ＣＡＴスキャン、核磁気共鳴法等により得られることが可能である。それらの専門家は各々、彼等の教育及び経験に基づいて、それらの画像Ｙ_１，．．．，Ｙ_ｎの各々を解析し、その種類の画像において観測される可能性がある既知の可能性のある中間レベルの遠く長のリストにしたがって、それらの画像の各々における観測される病変Ａ_１，．．．，Ａ_ｎ又は他の観測される特徴の各々を分類する。各々の可能な中間レベルの特徴について、各々の専門家は、特徴が第１データベース列を生成するために観測される病変において存在するかどうかについて、肯定又は否定の評価を与える。そのような中間レベルの特徴の例には、病変の組織におけるカルシウム塩の異常析出、病変が標準的な長円形であるかどうか、又は病変が同じ種類又は性質ではない要素を有するかどうかがある。

次に、段階５２０に示すように、同じ複数の基本比較又は訓練画像Ｙ_１，．．．，Ｙ_ｎにおける各々の病変Ａ_１，．．．，Ａ_ｎの低レベルの特徴が、第２データベース列の集合を得るように１つ又はそれ以上の画像処理アルゴリズムを用いて決定される。得ることが可能である低レベルの特徴の中には、フーリエ記述子、モーメント、形状並びに確率、共起及び自己相関パラメータがある。適切なアルゴリズムは、高速フーリエ変換（ＦＦＴ）、逆フーリエ変換、ヒストグラムアルゴリズム、手段、変数及び高いモーメントを有し、又は、文献“Ｃｏｍｐｕｔｅｒｉｚｅｄ Ａｎａｌｙｓｉｓ ｏｆ Ｌｅｓｉｏｎｓ ｉｎ ＵＳ Ｉｍａｇｅｓ ｏｆ ｔｈｅ Ｂｒｅａｓｔ”，Ｂｙ Ｍ．Ｌ．Ｇｉｇｅｒ ｅｔ ａｌ．，Ａｃａｄ Ｒａｄｉｏｌ．１９９９，６：６６５−６７４に記載されている。

第１データベース列集合及び第２データベース列集合は、その場合、段階５３０に示すように、訓練データベース列集合を生成するように結合される。代替としては、それら２つのデータベース列集合は、結合されないが、別個に組み合わせて用いられる必要がある。次に、訓練データベース列集合は、段階５４０に示すように、低レベルの特徴の副集合から低レベルの特徴の第１データベース列集合における専門家の肯定又は否定の評価をマッピングする分類器を構築する学習システムに入力される。適切な分類器は、ニューラルネットワークと、所謂、“ベイズ理論”に基づくナイーブベイズ分類器とを有し、特に、分類器への入力の次元が高いときに適する。

第１データ列の専門家により生成された中間レベルの特徴に低レベルの特徴をマッピングするための高性能分類器は、訓練データベース列における低レベルの特徴に基づいて特徴の副集合を選択するように遺伝的アルゴリズム（ＧＡ）を用いることにより構築される。遺伝的アルゴリズムは、低レベルの特徴の高性能な副集合を見つけるように、ダーウィンの進化論のモデルを用い、ここで、高性能は、分類器が特定の訓練の事例を適切に分類する傾向である。そのような遺伝的アルゴリズムについては、文献“Ｔｈｅ ＣＨＣ Ａｄａｐｔｉｖｅ Ｓｅａｒｃｈ Ａｌｇｏｒｉｔｈｍ：Ｈｏｗ ｔｏ Ｈａｖｅ Ｓａｆｅ Ｓｅａｒｃｈ Ｗｈｅｎ Ｅｎｇａｇｉｎｇ ｉｎ Ｎｏｎｔｒａｄｉｔｉｏｎａｌ Ｇｅｎｅｔｉｃ Ｒｅｃｏｍｂｉｎａｔｉｏｎ”，ｂｙ Ｌａｒｒｙ ｊ．Ｅｓｈｅｌｍａｎ，Ｆｏｕｎｄａｔｉｏｎｓ ｏｆ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ，Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ，Ｓａｎ Ｆｒａｎｉｃｉｓｃｏ，ｐｇｓ．２６５−２８３，１９９１に記載されている。

一旦、高性能な分類器が構築されると、その分類器は、段階５５０に示すように、画像のみに基づいて患者の病変の画像における特定の中間レベルの特徴の存在を判定するように用いられる。

最終的には、段階５６０に示すように、特定の中間レベルの特徴の有無は、病変が良性であるか又は悪性であるかの判定における後の使用のために出力される。その出力は、例えば、病変の周りの組織においてカルシウム塩の異常析出のような、ある医療的に有意味の特徴又は属性若しくは中間レベルの特徴の有無、病変が標準的な長円であるかどうか、又は病変が同じ種類又は性質を有する要素を有するかどうかを含むことが可能である。代替として、入力は、１つ又はそれ以上の画像処理アルゴリズムを用いて得られる実際の画像の低レベルの特徴であることが可能である。出力は、病変が良性であるか又は悪性であるかの判定を支援するように、医師、読影医又は専門の医療技術者により用いられる。

本発明の方法にしたがって、個別の分類器は、各々の特定の中間レベルの特徴を生成するように使用される。即ち、分類器は、病変が特定の中間レベルの特徴を有するかどうかを判定するように用いられ、他の分類器は、病変が他の中間レベルの特徴を有するかどうかを判定するように用いられる。

本発明の方法は、コンピュータ技術分野の当業者に明らかであるように、本明細書の教示に従ってプログラミングされた従来の汎用ディジタルコンピュータ又はマイクロプロセッサを用いて実施されることが可能である。適切なソフトウェアによる符号化は、コンピュータ技術分野の当業者に明らかであるように、本明細書の教示に従って熟達したプログラマにより容易に準備されることができる。

本発明は、本発明の方法を実行するコンピュータをプログラムするように用いることができる命令を有する記憶媒体であるコンピュータプログラムプロダクトを有する。その記憶媒体は、フロッピー（登録商標）ディスク、ＣＤ−ＲＯＭ，光磁気ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気カード、光カード、又は電子命令を記憶するために適切であるハードドライブを有する何れの種類の媒体の何れのタイプを有することが可能であるが、それらに限定されるものではない。

図６は、本発明の方法を実施するための汎用コンピュータ６００の模式的ブロック図である。図６においては、コンピュータ６００は、例えば、タッチスクリーンインターフェースを有するタッチスクリーンモニタのようなディスプレイ装置、キーボード６０４，ポインティング装置６０６、マウスパッド又はディジタルパッド６０８、ハードディスク６１０、又は、ＳＣＳＩバス、エンハンスドバス、ＰＣＩバス等の適切な装置バスを用いて接続される他の固定された高密度メディア装置、フロッピー（登録商標）ドライブ６１２、テープ又はＣＤ媒体３１６を有するテープ又はＣＤ ＲＯＭドライブ６１４、若しくは光磁気媒体等のような他の取り外し可能メディア装置を有する。マザーボード６１８は、例えば、プロセッサ６２０と、ＲＡＭ６２２と、ＲＯＭ６２４と、画像取得装置（図示せず）に結合するように用いられるＩ／Ｏポートと、音響処理、画像処理、信号処理、ニューラルネットワーク処理等のような特定のハードウェア／ソフトウェア機能を実行するための任意の特定ハードウェアと、マイクロフォン６３０と、スピーカ６４０とを有する。

上記の記憶媒体（コンピュータ読み取り可能媒体）の何れ１つに記憶される場合、本発明は、コンピュータ６００のハードウェアを制御することと、コンピュータ６００がユーザとインタラクトすることとの両方のためにプログラミングを有する。そのようなプログラミングは、装置ドライバ、操作システム及びユーザアプリケーションの実施のためのソフトウェアを有することが可能であるが、それらに限定されるものではない。そのようなコンピュータ読み取り可能媒体は、本発明にしたがって実行するように、汎用コンピュータ６００を命令するプログラミング又はソフトウェア命令を更に有する。

汎用コンピュータ６００のプログラミングは、画像取得装置から得られる画像をディジタル化する及び記憶するためのソフトウェアモジュールを有することが可能である。代替として、本発明はまた、ピクチャアーカイビング及び通信システム（ＰＡＣＳ）のような他の手段により得られるディジタル画像データを処理するように実施されることが可能である。

本発明の装置及び方法を用いることにより、医療画像から低レベルの特徴を抽出するための既知の従来の方法及び既知の方法により演算されることができない中間レベルの特徴を必要とする既知の診断手順間のギャップを埋める方法が提供される。更に、有する医療従事者は、悪性腫瘍の有無を容易に確認することができる。更に、本発明の装置及び方法は、放射線医学の分野の“専門家”へのアクセスを遠隔地に位置している病院に有効に提供することができる。

それ故、好適な実施形態に適用される本発明の基本的な新規性のある特徴について述べ、示してきたが、例示としての装置の形及び詳細において並びにそれらの動作における種々の省略、置き換え及び変形を、本発明の主旨から逸脱することなく当業者が実施することが可能であることを理解することができる。例えば、同じ結果を達成する実質的に同じ方法で実質的に同じ機能を実行する方法の段階及び／又は要素の全ての組み合わせは本発明の範囲内に包含されることが明確に意図されている。更に、本発明の何れの記載又は実施形態と関連して説明され及び／又は示された構造及び／又は要素及び／又は方法の段階は、設計選択の一般的事項として何れの他の開示された、説明された又は示唆された様式又は実施形態に組み込まれることが可能である。それ故、特許請求の範囲により記載されている範囲にのみ限定されることが意図されている。

１人又はそれ以上の専門家により評価される病変を有する複数の例示としてのデータベース列集合を示す図である。 図１の複数の画像に基づいて、例示としてのデータベース列集合であって、専門家により判定された中間レベルの特徴及び画像処理アルゴリズムにより生成される低レベルの特徴を結合させる、データベース列集合を示す図である。 本発明にしたがった分類器に対して適切な入力を特定することに関連する機能オブジェクトを示す模式的ブロック図である。 染色体の例示としての遺伝子の集合を示す図である。 本発明にしたがった方法の段階を示すフローチャートである。 本発明の方法を実施するための汎用コンピュータの模式的ブロック図である。

Claims (26)

1. 入力医療画像において対象物における少なくとも１つの医療的に有意味の特徴の存在を判定するための方法であって：
   複数の訓練医療画像における少なくとも１つの対象物の少なくとも１人の専門家による評価を有する第１データベースを生成する段階；
   特定特徴を有する第２データベースを生成するために特徴を特定するように前記訓練画像における前記少なくとも１つの対象物をデータ処理器により解析する段階；
   分類器データ処理器に前記第１データベース及び前記第２データベースを入力する段階；
   前記第１データベース及び前記第２データベースに基づいて少なくとも１つの医療的に有意味の特徴の所定の認識をエミュレートするように前記分類器を訓練する段階；並びに
   前記医療画像における対象物の少なくとも１つの医療的に有意味の特徴の存在の少なくとも１つの指標を出力するように、前記データ処理器及び訓練された前記分類器において前記医療画像を解析する段階；
   を有する方法。
2. 請求項１に記載の方法であって、前記少なくとも１つの対象物は病変部分である、方法。
3. 請求項１に記載の方法であって、前記分類器はニューラルネットワークである、方法。
4. 請求項１に記載の方法であって、各々の評価は前記医療画像における各々の対象物の特徴の分類を有する、方法。
5. 請求項１に記載の方法であって、前記特定特徴は前記対象物の低レベルの特徴である、方法。
6. 請求項１に記載の方法であって、前記低レベルの特徴は、フーリエ記述子、モーメント、形状並びに確率、共起及び自己相関パラメータにより表される、方法。
7. 請求項１に記載の方法であって、前記少なくとも１つの医療的に有意味の特徴は前記対象物の中間レベルの特徴である、方法。
8. 請求項７に記載の方法であって、前記中間レベルの特徴は前記対象物の少なくとも１つの悪性の特徴である、方法。
9. 請求項８に記載の方法であって、前記悪性の特徴は、前記病変部分の癌放射、前記病変部分の角度マージン、前記病変部分の微小分葉、前記病変部分のアスペクト比、前記病変部分における石灰化、前記病変部分の乳管拡張及び分岐パターン、脂肪に対するハイポエコー及前記病変部分の不均一なテクスチャの少なくとも１つである、方法。
10. 請求項７に記載の方法であって、前記中間レベルの特徴は前記病変部分の少なくとも１つの良性の特徴である、方法。
11. 請求項１０に記載の方法であって、前記良性の特徴は、高さより幅が大きい、前記病変部分の分葉、前記病変部分の連続性、前記病変部分のスムーズなカプセルの性質及び前記病変部分の均一なテクスチャの少なくとも１つである、方法。
12. 請求項４に記載の方法であって、前記複数の訓練医療画像は予測される悪性度の全領域を含む、方法。
13. 請求項１に記載の方法であって、前記特定特徴は、前記訓練医療画像における前記特定特徴に基づく特徴の遺伝子の副集合を選択するように遺伝的アルゴリズムを用いることにより確立される、方法。
14. 請求項１２に記載の方法であって、前記遺伝的アルゴリズムは適用可能な検索アルゴリズムである、方法。
15. 請求項１２に記載の方法であって、前記特定特徴は、遺伝子の副集合における数に対応する低レベルの特徴である、方法。
16. 請求項１５に記載の方法であって、前記遺伝子の副集合は染色体の遺伝子の集合に属す、方法。
17. 請求項１に記載の方法であって、前記訓練する段階は、前記少なくとも１つの医療的に有意味の特徴に対して前記対象物の前記特定特徴をマッピングするための高性能な分類器を生成する段階を有する、方法。
18. 請求項１６に記載の方法であって、前記生成する段階は：
    前記分類器に入力−出力対の集合を備える段階；
    前記入力−出力対を訓練集合及び評価集合に分類する段階；
    前記訓練集合により前記分類器を適合させる段階；並びに
    前記訓練集合により適合された前記分類器を評価する段階；
    を有する、方法。
19. 請求項１に記載の方法であって、前記分類器はナイーブベイズ分類器である、方法。
20. 請求項７に記載の方法であって、個別の分類器が各々の中間レベルの特徴を生成するように用いられる、方法。
21. 請求項７に記載の方法であって、個別の分類器が各々の中間レベルの特徴を生成するように用いられる、方法。
22. 請求項１０に記載の方法であって、個別の分類器が各々の中間レベルの特徴を生成するように用いられる、方法。
23. 請求項４に記載の方法であって、前記対象物は病変部分である、方法。
24. 画像で対象物における少なくとも１つの医療的に有意味の特徴の存在を判定するための方法であって：
    少なくとも１つの訓練画像における少なくとも１つの対象物の少なくとも１人の専門家による評価を有する第１データベースを生成する段階；
    特定特徴の第２データベースを生成するために特徴を特定するように前記少なくとも１つの訓練画像における前記少なくとも１つの対象物を解析する段階；
    分類器に前記第１及び第２データベース列集合を入力する段階；
    前記第１及び前記第２データベースに基づいて少なくとも１つの医療的に有意味の特徴の所定の認識をエミュレートするように前記分類器を訓練する段階；並びに
    前記医療画像における対象物の少なくとも１つの医療的に有意味の特徴の存在の少なくとも１つの指標を出力するように、訓練された前記分類器により医療画像を解析する段階；
    を有する方法。
25. 入力医療画像で対象物における少なくとも１つの医療的に有意味の特徴の存在を判定するための装置であって：
    複数の訓練医療画像における少なくとも１つの対象物の少なくとも１人の専門家による評価を記憶するための第１データベース；
    前記医療画像の特定特徴を記憶するための第２データベース；並びに
    前記第１及び第２データベースに動作可能であるように結合されたデータプロセッサであって、前記プロセッサは、
    前記第１データベースにおける記憶のために複数の訓練医療画像における少なくとも１つの対象物の少なくとも１人の専門家による評価を備える段階と、
    前記第２データベースにおける記憶のために特徴を特定するように前記訓練画像における少なくとも１つの対象物を前記データ処理器により解析する段階と、
    前記第１及び第２データベースを分類器データ処理器に入力する段階と、
    前記第１及び第２データベースに基づいて少なくとも１つの医療的に有意味の特徴の所定の認識を評価するように前記分類器を訓練する段階と、
    前記医療画像において対象物の前記少なくとも１つの医療的に有意味の特徴の存在の少なくとも１つの指標を出力するように訓練された前記分類器及び前記データ処理器における前記医療画像を解析する段階；
    を実行するように更に動作可能である、データプロセッサ；
    を有する装置。
26. 請求項２５に記載の装置であって、前記分類器はニューラルネットワーク又はナイーブベイズ分類器である、装置。

Images