JP2009528117A - 画像の類似度を評価するための画像特性セットの特定 - Google Patents
画像の類似度を評価するための画像特性セットの特定 Download PDFInfo
- Publication number
- JP2009528117A JP2009528117A JP2008556900A JP2008556900A JP2009528117A JP 2009528117 A JP2009528117 A JP 2009528117A JP 2008556900 A JP2008556900 A JP 2008556900A JP 2008556900 A JP2008556900 A JP 2008556900A JP 2009528117 A JP2009528117 A JP 2009528117A
- Authority
- JP
- Japan
- Prior art keywords
- image
- subset
- image characteristics
- similarity
- evaluation
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
Abstract
本発明は、トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するための画像特性のセットを特定する方法100及びシステム200に関する。取得される画像特性のセットは、類似の対象物を表す画像を特定するのに特に有益である。有利には、その特定された画像特性のセットが画像の類似度の機械格付けに関する基準として、人間による格付けを使用するおかげで、人間の知覚をまじえた画像類似度に基づかれるという意味において、その特定された画像特性のセットは人間指向である。本発明は更に、画像特性のセットを用いて所与の画像に対する基準画像の類似度に基づき画像データベースから基準画像を特定する方法及びシステムに関する。
Description
本発明は、画像の類似度を評価するため画像特性のセットを特定する方法に関する。
本発明は更に、画像の類似度を評価するため画像特性のセットを特定するシステムに関する。
本発明は更に、上記システムを有する画像取得装置に関する。
本発明は更に、上記システムを有するワークステーションに関する。
本発明は更に、コンピュータで実行されるとき上記方法を実行する命令を有するコンピュータプログラム製品に関する。
画像の類似度を評価する方法の実現は、米国特許出願公開第20040247166号に記載される。この方法は、既知の診断による病巣の画像を有するデータベースから所与の画像に存在する病巣に似た画像を特定する。しかしながら、上記方法により使用される画像特徴(image feature)は、例えば棘状突起、形状、マージンの鋭さ、テクスチャ等の複数の所定の病巣特徴から、例えば放射線科医等のユーザによって選択されるか、又は上記方法によって予め決められている。
画像特徴のセットを選択する方法の実現は、Boroczky L,Zhao L及びLee K PによるIEEE Symposium on Computer-based Medical Systems, June 2005における記事「Feature subset selection for improving the performance of false positive reduction in Lung Nodule CAD」(以下参考文献1として参照)に記載される。その記事は、サポートベクタマシン(SVM)といった分類器が、肺結節のコンピュータ補助による検出に使用されるとき、誤った肺結節を検出する確率を減らすことにより、その分類器の性能を向上させるための特徴のサブセットを選択する方法を開示する。その方法は、特徴プールから最適な特徴サブセットを自動的に決定するのに遺伝的アルゴリズムを用いる。その後、その決定された最適な特徴サブセットは、真又は偽の結節として検出された構造を分類すべくSVMをトレーニングするのに使用される。しかしながら、この方法は、例えば類似の病巣、類似の結節、及び/又は類似の血管といった類似の対象物を表す画像を特定するための画像特性(image characteristic)を選択するのに使用されることができない。以下、用語「画像」は、画像データ、画像データセット、及び画像データからレンダリングされる画像として解釈されることもできる。「対象物を表す画像」、「対象物を示す画像」及び同様なフレーズは、「対象物を表すデータを有する画像データ」、「対象物を表すデータサブセットを有する画像データセット」、「画像データからレンダリングされる画像において対象物を表すこと」として解釈されることもできる。同様に、「画像において存在する対象物」及び同様なフレーズは、「画像データからレンダリングされる画像において表される対象物」として解釈されることもできる。
本発明の目的は、類似の対象物を表す画像を特定するため、画像特性のセットを特定する改良された方法を提供することにある。
本発明の上記目的は、トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するため画像特性のセットを特定する方法において達成され、この方法は、
- 上記画像特性プールから画像特性のサブセットを選択する選択ステップと、
- テスト画像を取得する取得ステップと、
- 上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ステップと、
- 上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ステップと、
- 上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ステップと、
- 上記評価に基づき上記画像特性のサブセットを修正する修正ステップと、
- 上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ステップとを有する。
- 上記画像特性プールから画像特性のサブセットを選択する選択ステップと、
- テスト画像を取得する取得ステップと、
- 上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ステップと、
- 上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ステップと、
- 上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ステップと、
- 上記評価に基づき上記画像特性のサブセットを修正する修正ステップと、
- 上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ステップとを有する。
画像特性のセットにおける画像特性は、トレーニング画像のセットに含まれるトレーニング画像に描かれる、注目対象物のコントラスト、輝度、球形度、寸法及び/又は他の特徴といった画像特性を有する、プールされた画像特性(a pool of image characteristic)から選択される。しかし、画像特性は、列挙したものに限定されるものではない。オプションで、画像特性プールは、年齢、性別及び体重といった患者特性を有する。まず、画像特性のサブセットが、画像特性プールから選択される。画像特性は、ランダムに選択されることができるか、又はユーザにより決定されることができる。画像特性のサブセットに含まれる画像特性を選択する他のスキームもまた可能である。画像の類似度評価用に選択された画像特性サブセットの有益度を決定するため、取得ステップにおけるトレーニング画像のセットからテスト画像が選択される。計算ステップにおいて、テスト画像とトレーニング画像のセットに含まれる少なくとも1つの画像とに対して、画像特性のサブセットにおける画像特性の値が取得される。その少なくとも1つの画像のテスト画像に対する類似度に基づきその少なくとも1つの画像の機械格付けを計算するのに、これらの値が使用される。その格付けは、その少なくとも1つの画像のテスト画像に対する類似度の機械格付けとも呼ばれる。その少なくとも1つの画像のテスト画像に対する類似度の機械格付けは、例えば、トレーニング画像のセットにおける少なくとも1つの画像とテスト画像との間の距離に基づかれる。その距離は、画像特性のサブセットに含まれる画像特性の値を用いて計算される。その後、その少なくとも1つの画像とテスト画像とは、放射線科医といったユーザに示される。ユーザは、テスト画像とその少なくとも1つの画像との間の類似度に基づきその少なくとも1つの画像のユーザ格付けを与える。ユーザ格付けは、例えば、1から10までの範囲の整数とすることができる。1は、最高レベルの類似度を表し、10は、最低レベルの類似度を表す。その後、その少なくとも1つの画像のユーザ格付けと機械格付けとが、選択された画像特性のサブセットを評価するのに使用される。その評価は、例えば、ユーザ格付けの範囲にマッピングされるその少なくとも1つの画像の機械格付けと、その少なくとも1つの画像のユーザ格付けとの間の差の絶対値を計算することを含むことができる。その選択された画像特性のサブセットを画像特性のセットとして許容又は拒絶するのに、その評価が使用される。選択された画像特性のサブセットが拒絶されるべきであることが評価により示される場合、例えば変異及び交叉といった遺伝的アルゴリズム演算子を用いて、画像特性のその選択されたサブセットは修正される。その後、修正された画像特性のサブセットが、上述されたように評価される。選択された画像特性のサブセットが許容されるべきであることが評価により示される場合、その画像特性のサブセットが、画像特性のセットとして許容され、その方法は終了する。特定された画像特性のセットとして許容される画像特性のサブセットが、既知の診断による画像データベースにおいて、所与の画像に類似する画像を特定するのに使用されることができる。有利なことに、その特定された画像特性のセットが上記少なくとも1つの画像のテスト画像に対する類似度の機械格付けに関する基準として、上記少なくとも1つの画像のテスト画像に対する類似度の人間による格付けを使用するおかげで、人間の知覚をまじえた画像類似度に基づかれるという意味において、その特定された画像特性のセットは人間指向である。
本発明による方法の実現において、上記画像特性のサブセットを修正するステップは、遺伝的アルゴリズムに基づかれる。画像特性のセットを特定するのに遺伝的アルゴリズムを用いることは、参考文献1に記載される。画像特性のセットを特定するのに遺伝的アルゴリズムを用いることは、平均して、画像特性のセットを特定することが、比較的少ない修正しか必要としない、つまりその方法がより効率的であることを確実にする。
本発明による方法の実現において、その方法は、上記画像特性のセットを用いて、画像データベースに含まれる画像の所与の画像に対する類似度に基づき、上記画像データベースから基準画像を特定する特定ステップを更に有する。通常、所与の画像は、未診断画像であり、画像データベースは、診断画像を有する。所与の画像に類似する基準画像は、コンピュータ補助診断のためのCADシステムにおいて使用されることができる。
本発明による方法の実現において、その方法は、上記所与の画像と上記基準画像とをユーザに提示する提示ステップを更に有する。これは、所与の画像と基準画像とを視覚的に比較する機会を放射線科医といったユーザに提供する。この機会は、診断をするユーザにて非常に有益である。
本発明の更なる目的は、類似の対象物を表す画像を特定するのに有益である、冒頭部に記載される種類の画像特性のセットを特定するシステムを提供することである。これは、トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するため画像特性のセットを特定するシステムにより達成される。そのシステムは、
上記画像特性プールから画像特性のサブセットを選択する選択ユニットと、
テスト画像を取得する取得ユニットと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ユニットと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ユニットと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ユニットと、
上記評価に基づき上記画像特性のサブセットを修正する修正ユニットと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ユニットとを有する。
上記画像特性プールから画像特性のサブセットを選択する選択ユニットと、
テスト画像を取得する取得ユニットと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ユニットと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ユニットと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ユニットと、
上記評価に基づき上記画像特性のサブセットを修正する修正ユニットと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ユニットとを有する。
本発明の更なる目的は、類似の対象物を表す画像を特定するのに有益である、冒頭部に記載される種類の画像取得装置を提供することである。これは、トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するため画像特性のセットを特定するシステムを有する画像取得装置により達成される。その装置は、
上記画像特性プールから画像特性のサブセットを選択する選択ユニットと、
テスト画像を取得する取得ユニットと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ユニットと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ユニットと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ユニットと、
上記評価に基づき上記画像特性のサブセットを修正する修正ユニットと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ユニットとを有する。
上記画像特性プールから画像特性のサブセットを選択する選択ユニットと、
テスト画像を取得する取得ユニットと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ユニットと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ユニットと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ユニットと、
上記評価に基づき上記画像特性のサブセットを修正する修正ユニットと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ユニットとを有する。
本発明の更なる目的は、類似の対象物を表す画像を特定するのに有益である、冒頭部に記載される種類のワークステーションを提供することである。これは、トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するため画像特性のセットを特定するシステムを有するワークステーションにより達成される。そのワークステーションは、
上記画像特性プールから画像特性のサブセットを選択する選択ユニットと、
テスト画像を取得する取得ユニットと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ユニットと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ユニットと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ユニットと、
上記評価に基づき上記画像特性のサブセットを修正する修正ユニットと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ユニットとを有する。
上記画像特性プールから画像特性のサブセットを選択する選択ユニットと、
テスト画像を取得する取得ユニットと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ユニットと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ユニットと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ユニットと、
上記評価に基づき上記画像特性のサブセットを修正する修正ユニットと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ユニットとを有する。
本発明の更なる目的は、コンピュータで実行されるとき、類似の対象物を表す画像を特定するのに有益な画像特性のセットを特定することができる、冒頭部に記載される種類のコンピュータプログラムを提供することである。これは、コンピュータ装置によりロードされることになるコンピュータプログラムであって、トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するため画像特性のセットを特定する命令を有するコンピュータプログラムにより達成される。上記コンピュータ装置は、処理ユニットとメモリとを有する。上記コンピュータプログラムは、ロードされた後、上記処理ユニットに、
上記画像特性プールから画像特性のサブセットを選択する選択ステップと、
テスト画像を取得する取得ステップと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ステップと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ステップと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ステップと、
上記評価に基づき上記画像特性のサブセットを修正する修正ステップと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ステップとを実行させる能力を与える。
上記画像特性プールから画像特性のサブセットを選択する選択ステップと、
テスト画像を取得する取得ステップと、
上記トレーニング画像のセットに含まれる少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ステップと、
上記少なくとも1つの画像と上記テスト画像との間の類似度に基づき上記少なくとも1つの画像のユーザ格付けを受信する受信ステップと、
上記少なくとも1つの画像の上記ユーザ格付けと上記機械格付けとに基づき上記画像特性のサブセットの評価を取得する評価ステップと、
上記評価に基づき上記画像特性のサブセットを修正する修正ステップと、
上記評価に基づき上記画像特性のセットとして上記画像特性のサブセットを受け入れ、上記画像特性のセットを特定する許容ステップとを実行させる能力を与える。
当業者であれば、本明細書に基づき、本書に記載される方法の修正及び変形例に対応する、システム、画像取得装置、ワークステーション、及び/又はコンピュータプログラムの修正及び変形例を実行することができるであろう。
本発明の方法は、さまざまな多次元画像に適用されることができる。そうした多次元画像は、磁気共鳴イメージング(MRI)、コンピュータ断層撮影(CT)、超音波(US)、陽電子放出断層撮影(PET)、単光子放出コンピュータ断層撮影(SPECT)、及び核医学を含むがこれらに限定されないさまざまなデータ取得モダリティによって今日では日常的に生成されることができるものである。
本発明のこれら及び他の側面が、以下に説明される実現及び実施形態を参照して、かつ対応する図面を参照して、明らかとなり、それらを参照して説明されることになる。
図面を通して、同様な部分を表すのに同様な参照符号が使用されている。
図1は、プールされた画像特性(a pool of image characteristics:画像特性プール)から画像特性のセットを特定する方法100の例示的な実現のフローチャートを示す。開始ステップ101の後、その方法100は、画像特性の候補セットとして画像特性プールから画像特性のサブセットを選択する選択ステップ105へと続く。選択ステップ105の後、その方法100は、テスト画像を取得する取得ステップ110へと続く。その後、その方法100は、トレーニング画像のセットに含まれる少なくとも1つの画像とテスト画像との間の類似度に基づき、この少なくとも1つの画像の機械格付けを計算する計算ステップ115へと続く。この少なくとも1つの画像とテスト画像との間の類似度は、画像特性のサブセットを用いて計算される。計算ステップ115の後、その方法100は、受信ステップ120へと続き、そこでは、テスト画像とこの少なくとも1つの画像とがユーザに提示される。その方法100は、テスト画像とこの特定された少なくとも1つの画像との間の類似度のユーザによる格付けを受信する。すると、その方法100は、テスト画像とこの特定された少なくとも1つの画像との間の類似度に関する機械格付けとユーザ格付けとに基づき画像特性のサブセットを評価する評価ステップ125へと続く。画像特性のサブセットが、画像特性のセットとして受け入れ不可能とその評価によって示される場合、その方法100は、画像特性のサブセットが修正される修正ステップ130へと続く。修正ステップ130の後、その方法100は、テスト画像を取得する取得ステップ110へと戻り、その修正後の画像特性のサブセットを処理することを続ける。画像特性のサブセットが、画像特性のセットとして受け入れ可能であるとその評価によって示される場合、その方法100は、許容ステップ135へと続き、そこでは、この画像特性サブセットが、その特定された画像特性のセットとして許容される。すると、この方法100は、終了ステップ199へと続く。
方法100に対する入力は、画像特性プールとトレーニング画像のセットとを有する。画像特性プールは、画像に含まれる対象物のコントラスト、輝度、球形度、及び/又は寸法といった画像特徴を有することができる。オプションで、画像特性プールは、年齢及び体重といった患者特性を有する。画像特性のサブセットは、選択ステップ105において画像特性プールから選択される。このサブセットに対する画像特性は、選択ステップ105において、その方法100又はユーザにより選択されることができる。オプションで、画像特性の初期サブセットは、事前に規定されることもできる。画像特性のサブセットのサイズは、事前に規定され、例えば、10の画像特性を有することができる。また、画像特性のサブセットのサイズは、変化するものであってもよい。
その方法の実現において、トレーニング画像のセットは、データベースに格納される診断された複数の2DのX線画像を有する。各画像は、描写された肺結節の慣性マトリクスの2つの固有ベクトルにより決定される平面と実質的に同一の平面における類似の対象物−肺結節−を表す。第1の固有ベクトルは、慣性マトリクスの最小固有値に対応し、第2の固有ベクトルは、慣性マトリクスの最大固有値に対応する。画像特性プールは、2D及び3D画像特徴を有する。画像特徴は、描写された結節のボリューム、描写された結節内部のグレーレベルの最大、最小、平均及び標準偏差、描写された結節の慣性マトリクスの固有値の比、及び描写された結節の表面の面積を有するが、これらに限定されるものではない。更に、画像特性プールは、年齢、体重、血圧及び白血球数を有するが患者特性を有する。しかし、患者特性は、これらに限定されない。
また、トレーニング画像のセットは、例えば、MRI取得装置によって取得された3D画像データセットを有することができる。その画像データセットは、例えば肺結節といった対象物を表すデータサブセットを有することができる。3D画像データセットの場合、対象物を表すことは、その対象物を表すデータサブセットを有し、その対象物を表すデータサブセットを有する画像データセットからレンダリングされる表示において対象物を表すものとして解釈されることになる。
取得ステップ110において、テスト画像が取得される。通常、テスト画像は、注目対象物を表すトレーニング画像のセットから、本方法によりランダムに選択される。トレーニング画像を格納するデータベースは、例えば、患者の年齢、体重、診断、画像に表される肺結節のサイズ等の画像特性プールからの何らかの画像特性値を格納することもできる。こうした特性は、テスト画像を選択するのに使用されることができる。また、テスト画像は、別の画像セットから選択されることもできる。
計算ステップ115において、選択ステップ105において選択される、画像特性のサブセットに含まれる画像特性の値は、トレーニング画像のセットに含まれる少なくとも1つの画像とテスト画像とに対して取得される。画像特性のサブセットに含まれる画像特性の値がデータベースに格納される場合、これらの格納された値が取得される。そうでない場合、画像特性のサブセットに含まれる画像特性の値が計算される。通常、画像特性のサブセットに含まれる画像特性の値は、トレーニング画像のセットにおける複数のトレーニング画像に対して得られる。しばしば、その複数のトレーニング画像は、トレーニング画像のセットに含まれるすべての画像を有する。また、その複数のトレーニング画像は、本方法により、又はユーザにより決定されることができる。画像特性のサブセットに含まれる画像特性の値は、テスト画像と複数のトレーニング画像における各画像との間の類似度に基づき、複数のトレーニング画像に含まれる画像の機械格付けを計算するのに使用される。複数のトレーニング画像における画像iの機械格付けR(t,i)は、画像特性のサブセットに含まれる画像特性に基づかれる、テスト画像tと画像iとの間のマハラノビス距離であり、
により規定される。ここで、p及びqは、選択ステップ105において選択される画像特性のサブセットPに含まれる画像特性である。p(t)及びq(t)は、テスト画像tに対する特性p及びqの値であり、p(i)及びq(i)は、画像iに対する特性p及びqの値であり、(C-1)pqは、共分散行列Cの逆行列の行列要素である。マハラノビス距離は、http://en.wikipedia.org/wiki/Mahalanobis_distanceで利用可能な記事「Mahalanobis distance」に記載される。共分散行列Cの要素Cpqは、画像特性p及びqの値p(i)及びq(i)により、
として規定される。ここで、nは、複数のトレーニング画像における画像の数であり、
及び
が成立する。また、nは、トレーニング画像のセットにおける画像の数とすることもできる。共分散行列は、http://en.wikipedia.org/wiki/Covariance_matrixで利用可能な記事「Covariance matrix」に記載される。また、機械格付けR(t,i)は、テスト画像tと複数のトレーニング画像における画像iとの間のユークリッド距離であり、
により規定される。別の機械格付けは、画像iの第1の領域のヒストグラムと、画像tの第2の領域のヒストグラムとに基づかれる項を有することができる。当業者であれば、画像類似度及び/又は画像の機械格付けを規定するのに適した多くの関数が存在する点、及び本明細書で使用される規定が、説明のためだけのものであり、特許請求の範囲を限定するものではない点を理解されるであろう。
により規定される。ここで、p及びqは、選択ステップ105において選択される画像特性のサブセットPに含まれる画像特性である。p(t)及びq(t)は、テスト画像tに対する特性p及びqの値であり、p(i)及びq(i)は、画像iに対する特性p及びqの値であり、(C-1)pqは、共分散行列Cの逆行列の行列要素である。マハラノビス距離は、http://en.wikipedia.org/wiki/Mahalanobis_distanceで利用可能な記事「Mahalanobis distance」に記載される。共分散行列Cの要素Cpqは、画像特性p及びqの値p(i)及びq(i)により、
として規定される。ここで、nは、複数のトレーニング画像における画像の数であり、
及び
が成立する。また、nは、トレーニング画像のセットにおける画像の数とすることもできる。共分散行列は、http://en.wikipedia.org/wiki/Covariance_matrixで利用可能な記事「Covariance matrix」に記載される。また、機械格付けR(t,i)は、テスト画像tと複数のトレーニング画像における画像iとの間のユークリッド距離であり、
により規定される。別の機械格付けは、画像iの第1の領域のヒストグラムと、画像tの第2の領域のヒストグラムとに基づかれる項を有することができる。当業者であれば、画像類似度及び/又は画像の機械格付けを規定するのに適した多くの関数が存在する点、及び本明細書で使用される規定が、説明のためだけのものであり、特許請求の範囲を限定するものではない点を理解されるであろう。
計算ステップ115は、複数のトレーニング画像における画像の計算された機械格付けに基づき、少なくとも1つの画像を特定することを含むこともできる。特定された機械格付けを備える複数のトレーニング画像に含まれる多数の画像、即ち、通常テスト画像に最も類似する画像が、その少なくとも1つの画像として特定される。画像の数は、本方法により特定される。また、画像の数は、ユーザにより特定されることもできる。更に別の可能性として、機械格付けにより満たされることになる条件を特定することもできる。後者の場合、その特定の条件を満たす複数のトレーニング画像からのすべての画像が、その少なくとも1つの画像として特定される。
その少なくとも1つの画像及びテスト画像は、受信ステップ120においてユーザに提示される。ユーザは、テスト画像のその少なくとも1つの画像に対する類似度を格付けする。ユーザ格付けは、例えば、1から10までの範囲の数とすることができる。1は、最高レベルの類似度を表し、10は、最低レベルの類似度を表す。又はその逆であってもよい。ユーザ格付けとテスト画像に対する基準とは、将来的な使用のため格納されることができる。また、データベースは、その特定された少なくとも1つの画像に対するテスト画像の類似度に関して以前に取得されたユーザ格付けを有することができる。後者の場合、その少なくとも1つの画像のユーザ格付けを受信するのに、ユーザ対話が必要とされることはない。少なくとも1つの画像についてのユーザ格付けは、データベースから受信される。
選択ステップ105で選択される画像特性のサブセットは、評価ステップ125において、トレーニング画像のセットに含まれる少なくとも1つの画像に対する上記テスト画像の類似度に関するユーザ格付けと機械格付けとに基づき評価される。その評価は、例えば、ユーザ格付けの範囲にマッピングされる機械格付けR(t,i)とユーザ格付けU(t,i)との間の差の絶対値を計算することを含むことができる。その差の絶対値|M(R(t,i))~ U(t,i)|は、和Sの項である。ここで、M(R(t,i))は、関数Mによってユーザ格付けの範囲にマッピングされる上記少なくとも1つの画像iの機械格付けR(t,i)を表す。和Sは、計算された機械格付けと受信されたユーザ格付けとを備える他のトレーニング画像に対して規定される同様な項を有することができる。選択された画像特性のサブセットが許容可能ではないことが評価により示される場合、例えば、和Sが閾値より大きい場合、その方法100は、修正ステップ130へと続く。選択された画像特性のサブセットが許容可能であることが評価により示される場合、その方法100は許容ステップ135へと続き、終了する。
方法100の実現において、画像特性のサブセットについて所定回数の修正が行われた後、和Sにより規定される画像特性のサブセットについて何の改善も得られないとき、その方法は終了する。オプションで、画像特性のサブセットについて所定回数の修正が評価されるとき、その方法100は終了する。画像特性のすべてのサブセット及びこれらのサブセットの評価の結果が、ログファイルに格納される。画像特性の最後のサブセットを評価した後、画像特性の最高のサブセットが、ログファイルから取得され、画像特性のセットとして特定される。
当業者であれば、他の評価技術も使用されることができる点、及び記載される技術が本発明を限定するものではない点を理解されるであろう。
修正ステップ130において、選択された画像特性のサブセットが、上記画像特性のサブセットから1つ又は複数の特性を除去することにより、及び/又は画像特性プールに含まれる1つ又は複数の特性を追加することにより、修正される。その修正は、任意の適切なアルゴリズムに基づかれることができる。例えば、その修正は、以前に評価された画像特性のサブセットにおける1つの画像特性をランダムに置き換えることを含むことができる。修正後の画像特性のサブセットが以前に評価された画像特性のサブセットよりも良い場合、例えば、修正された画像特性のサブセットに関して上述された和Sの値が、以前に評価された画像特性のサブセットの和より小さい場合、その修正は許容され、修正後の画像特性のサブセットが、以前に評価された画像特性のサブセットとして許容される。本方法の次の反復において、この以前に評価された画像特性のサブセットが修正され、修正後の画像特性のサブセットが評価される。修正後の画像特性のサブセットが以前に評価された画像特性のサブセットよりも良くない場合、修正後の画像特性のサブセットは拒絶され、本方法の次の反復において、以前に評価された画像特性のサブセットが再度修正され、評価される。画像特性のサブセットのサイズは、固定されることができるか、又は所定の範囲内で変化することができる。修正ステップ130の後、その方法は取得ステップ110に戻り、次の反復で、修正後の画像特性のサブセットの評価が続く。修正後の画像特性のサブセットが、画像特性のサブセットとして許容可能であることが評価により示される場合、許容ステップ135において、画像特性のサブセットが、画像特性のセットとして許容される。
オプションで、画像特性のサブセットの修正の数といった追加的な条件が、評価ステップ125で評価されることができる。修正の数が所定の最大値を超える場合、許容ステップ135において、画像特性の現在の最高のサブセットが、画像特性のセットとして許容されることができ、その方法100は終了する。他の条件が適用されることもできる。
本発明の方法100の実現において、画像特性のサブセットの修正は、遺伝的アルゴリズムに基づかれる。この方法では、画像特性の複数のサブセットが、画像特性プールから選択される。複数のサブセットにおける画像特性の各サブセットは、前述されたように、トレーニング画像のセットに含まれる少なくとも1つの画像とテスト画像とを用いて評価される。複数のサブセットに含まれるサブステップは、修正ステップにおいて遺伝的アルゴリズムを用いて修正される。
画像特性のサブセットを修正する遺伝的アルゴリズムの実現は、参考文献1に記載される。ここでは、画像特性プールにおける画像特性のサブセットは、染色体と呼ばれ、画像特性は、遺伝子と呼ばれる。染色体のグループに含まれる各染色体は、所定数の遺伝子、例えば10の遺伝子を有する。また、異なる染色体が、異なる数の遺伝子を有することができる。染色体の機械格付け及びユーザ格付けを用いて、例えば上述の和Sを用いて染色体は評価される。評価結果は、染色体適合値と呼ばれる。最も有益な染色体、即ち、より高い適合値を持つ染色体、例えば、最低の和Sを持つ染色体が特定される。他の染色体より有益な染色体は、交叉及び変異操作を用いて修正されることになる高い確率を持つ。染色体の新たなグループが作成される。染色体の新たなグループに含まれる各染色体が評価される。画像特性のセットとして染色体を受け入れるための条件に合致するまで、この修正−評価処理が続く。説明されるアルゴリズムの利点は、そのアルゴリズムが、有益な遺伝子を特定及び保持し、かつ染色体においてあまり有益ではない遺伝子を特定及び除去することを可能にする点である。これは、平均して、有益な染色体、即ち画像特性のセットを特定することが、比較的少ない修正しか必要としないことを確実にする。
本発明による方法100の実現において、その方法100は、画像特性のセットを用いて所与の画像に対する画像データベースに含まれる画像の類似度に基づき、画像データベースから基準画像を特定するステップを更に有する。通常、所与の画像は、未診断画像であり、画像データベースは、診断画像を有する。画像特性のセットに含まれる画像特性の値は、所与の画像及び画像データベースからの画像に対して得られる。所与の画像と画像データベースからの画像との間の類似度に基づき画像データベースにおける画像の機械格付けを計算するのにこれらの値が使用される。画像データベースにおける画像の機械格付けは、例えば、画像特性のセットに含まれる画像特性の値を用いて、所与の画像と画像データベースにおける画像との間のマハラノビス距離として規定されることができる。画像データベースにおける画像の機械格付けは、画像データベースからの基準画像を特定するのに使用される。例えば、機械格付けは、これらの機械格付けがある条件を満たすかどうかに関して検査される。機械格付けがその条件を満たす場合、各画像は、所与の画像に類似するとみなされ、本方法によって基準画像として特定される。
本発明による方法100の実現において、その方法100は、ユーザに所与の画像と基準画像とを提示する提示ステップを更に有する。これは、所与の画像と基準画像とを視覚的に比較する機会をユーザに提供する。その機会は、放射線科医といったユーザが診断を行うにあたり有益である。オプションで、ユーザは、所与の画像及び/又は特定された基準画像から得られる他の情報、例えば、所与の画像に表示される肺結節が悪性である確率の推定値、所与の画像に表示される肺結節を表すパラメタ値、及び特定された画像に表示される肺結節を表すパラメタ値等を提示されることもできる。パラメタは、画像特性のセットに含まれる画像特性とすることができるか、又は他の事前規定による、若しくはユーザ選択によるパラメタとすることができる。オプションで、ユーザは更に、有益な基準を持つために、所定の基準を満たす画像及び/又は画像特性を提示されることができる。例えば、良性肺結節及び/又は悪性肺結節に対応する画像及び/又は画像特性を提示されることができる。
本発明の方法100の上述の実現におけるステップの順番は必須ではない。当業者であれば、本発明により意図される概念から逸脱することなく、いくつかのステップの順番を変更することができるか、又はスレッドモデル、マルチプロセッサシステム、若しくはマルチ処理を用いていくつかのステップを同時に実行することができる。オプションで、本発明の方法100の2つ又はそれ以上のステップが、1つのステップに結合されることができる。オプションで、本発明の方法100のあるステップが、複数のステップに分割されることもできる。
図2は、請求項に記載される方法のいずれかにより得られることができる画像特性のセットに基づき、画像データベースにおける少なくとも1つの画像を特定するシステム200の例示的な実施形態を概略的に示す。そのシステムは、
画像特性プールから画像特性のサブセットを選択する選択手段205と、
テスト画像を取得する取得ユニット210と、
トレーニング画像のセットに含まれる少なくとも1つの画像とテスト画像との類似度に基づき画像特性のサブセットを用いて、その少なくとも1つの画像の機械格付けを計算する計算ユニット215と、
その少なくとも1つの画像とテスト画像との類似度に基づき、その少なくとも1つの画像のユーザ格付けを受信する受信ユニット220と、
その少なくとも1つの画像のユーザ格付けと機械格付けとに基づき、画像特性のサブセットの評価を取得する評価ユニット225と、
上記評価に基づき画像特性のサブセットを修正する修正ユニット230と、
上記評価に基づき画像特性のセットとして上記画像特性のサブセットを受け入れる許容ユニット235と、
システム200と通信するユーザインタフェース265とを有する。
画像特性プールから画像特性のサブセットを選択する選択手段205と、
テスト画像を取得する取得ユニット210と、
トレーニング画像のセットに含まれる少なくとも1つの画像とテスト画像との類似度に基づき画像特性のサブセットを用いて、その少なくとも1つの画像の機械格付けを計算する計算ユニット215と、
その少なくとも1つの画像とテスト画像との類似度に基づき、その少なくとも1つの画像のユーザ格付けを受信する受信ユニット220と、
その少なくとも1つの画像のユーザ格付けと機械格付けとに基づき、画像特性のサブセットの評価を取得する評価ユニット225と、
上記評価に基づき画像特性のサブセットを修正する修正ユニット230と、
上記評価に基づき画像特性のセットとして上記画像特性のサブセットを受け入れる許容ユニット235と、
システム200と通信するユーザインタフェース265とを有する。
図2に示されるシステム200の実施形態において、入力データに対する3つの入力コネクタ281、282及び283が存在する。第1の入力コネクタ281は、ハードディスク、磁気テープ、フラッシュメモリ又は光学ディスクといったデータストレージから来るデータを受信するよう構成される。第2の入力コネクタ282は、マウス又はタッチスクリーンといった、しかしこれらに限定されないユーザ入力デバイスから来るデータを受信するよう構成される。第3の入力コネクタ283は、キーボードといったユーザ入力デバイスから来るデータを受信するよう構成される。入力コネクタ281、282及び283は、入力制御ユニット280に接続される。
図2に示されるシステム200の実施形態において、出力データに対する2つの出力コネクタ291及び292が存在する。第1の出力コネクタ291は、ハードディスク、磁気テープ、フラッシュメモリ又は光学ディスクといったデータストレージにデータを出力するよう構成される。第2の出力コネクタ292は、ディスプレイデバイスにデータを出力するよう構成される。出力コネクタ291及び292は、出力制御ユニット290を介して個別のデータを受信する。
当業者であれば、システム200の入力デバイスを入力コネクタ281、282及び283に、出力デバイスを出力コネクタ291及び292に接続する多くの方法が存在することを理解されるであろう。これらの方法には、有線及び無線接続、ローカルエリアネットワーク(LAN)及びワイドエリアネットワーク(WAN)、インターネット、デジタル電話網といったデジタル網、並びにアナログ電話網が含まれるが、これらに限定されるものではない。
本発明によるシステム200の実施形態において、そのシステム200は、メモリユニット270を有する。システム200は、入力コネクタ281、282及び283のいずれかを介して、外部デバイスからの入力データを受信し、その受信入力データをメモリユニット270に格納するよう構成される。データをメモリユニット270にロードすることは、システム200のユニットによる関連データ部分への迅速なアクセスを可能にする。入力データは、画像特性プールとトレーニング画像のセットとを有することができる。メモリユニット270は、ランダムアクセスメモリ(RAM)チップ、リードオンリメモリ(ROM)チップ、及び/又はハードディスクといったデバイスにより実現されることができる。好ましくは、メモリユニット270は、入力データ及び/又は出力データを格納するRAMを有する。メモリユニット270はまた、メモリバス275を介して、システム200のユニットからデータを受信し、それらのユニットへデータを供給するよう構成される。システム200のユニットには、選択ユニット205、取得ユニット210、計算ユニット215、特定ユニット220、受信ユニット220、評価ユニット225、修正ユニット230、許容ユニット235、及びユーザインタフェース265が含まれる。メモリユニット270は更に、出力コネクタ291及び292のいずれかを介して、データを外部ユニットに対して利用可能とするよう構成される。システム200のユニットからのデータをメモリユニット270に格納することは、有利なことに、システム200のユニットから外部デバイスへのデータ転送レートだけでなく、システム200のユニットの性能も向上させる。オプションで、システム200のユニットが、コンピュータ可読コードを有する一片のメモリと処理ユニットとして実現されることができる。メモリに含まれるコンピュータ可読コードは、処理ユニットに割り当てられるタスクを実行させる能力をその処理ユニットに与える。
代わりに、システム200は、メモリユニット270とメモリバス275とを有しないこともできる。システム200により使用される入力データは、システム200のユニットに接続される少なくとも1つの外部デバイス、例えば、外部メモリ又はプロセッサにより供給される。同様に、システム200により生み出される出力データは、システム200のユニットに接続される少なくとも1つの外部デバイス、例えば外部メモリ又はプロセッサに与えられる。システム200のユニットは、内部接続又はデータバスを介して互いにデータを受信するよう構成される。
本発明によるシステム200の更なる実施形態において、システム200は、システム200と通信するユーザインタフェース265を有する。ユーザインタフェース265は、ユーザにデータを表示するディスプレイユニットと、選択をするための選択ユニットとを有することができる。システム200をユーザインタフェース265と組み合わせることは、ユーザがシステム200と通信することを可能にする。ユーザインタフェース265は、テスト画像と、トレーニング画像のセットにおける少なくとも1つの画像とを表示するよう構成されることができる。オプションで、ユーザインタフェースは、システム200の動作の複数のモードを有することができる。例えば、その方法100のすべてのパラメタが、デフォルト値であると仮定する、及び/又はその方法により生成されるような自動モード、並びにユーザが特定の選択可能な方法パラメタを入力するような対話モードがある。選択可能なパラメタには、例えば、画像特性のセットのサイズ、画像特性のサブセットの修正の最大数が含まれる。有利には、システム200のユーザインタフェース265において、より多くの機能が実現されることができる点を当業者であれば理解されるであろう。
また、システムは、入力コネクタ282及び/又は283並びに出力コネクタ292を介して、システム200に接続される外部入力デバイス及び/又は外部ディスプレイを利用することができる。当業者であれば、本発明のシステム200に有利には含まれることができる多数のユーザインタフェースデバイスが存在することを理解されるであろう。
図2に示されるようなシステム200は、コンピュータプログラム製品として実現されることができ、例えば、RAM、磁気テープ、磁気ディスク、又は光学ディスクといった任意の適切な媒体に格納されることができる。このコンピュータプログラムは、処理ユニットとメモリとを有するコンピュータ装置にロードされることができる。コンピュータプログラム製品は、ロードされた後、処理ユニットに、システム200のステップを実行させる能力を与える。
図3は、画像特性のセットを特定するシステム200を利用する画像取得装置300の実施形態を概略的に示す。その画像取得装置300は、システム200との内部接続を介して接続され、画像特性のセットを特定する画像取得ユニット310と、入力コネクタ301と、出力コネクタ302とを有する。この装置は有利なことに、類似の対象物を表す画像を特定するのに有益な画像特性のセットを特定するというシステム200の有利な能力を上記画像取得装置300に与えることにより、その画像取得装置3000の機能を増大させる。画像取得装置の例は、例えば、CTシステム、X線システム、MRIシステム、USシステム、PETシステム、SPECTシステム及び核医学システムを含むが、これらに限定されるものではない。
図4は、ワークステーション400の実施形態を概略的に示す。そのワークステーションは、システムバス401を有する。プロセッサ410、メモリ420、ディスク入力/出力(I/O)アダプタ430、及びユーザインタフェース(UI)440が、そのシステムバス401に動作可能に接続される。ディスクストレージ・デバイス431が、ディスクI/Oアダプタ430に動作可能に接続される。キーボード441、マウス442及びディスプレイ443が、UI440に動作可能に接続される。画像特性のセットを特定し、コンピュータプログラムとして実現されるシステム200が、ディスクストレージ・デバイス431に格納される。ワークステーション400は、プログラム及び入力データをメモリ420にロードし、プロセッサ410でそのプログラムを実行するよう構成される。ユーザは、キーボード441及び/又はマウス442を用いて、ワークステーション400に情報を入力することができる。ワークステーションは、ディスプレイデバイス443及び/又はディスク431に情報を出力するよう構成される。当業者であれば、従来技術において知られるワークステーション400の多数の他の実施形態が存在すること、及び本実施形態が本発明を説明するものとして機能し、この特定の実施形態に本発明を限定するものとして解釈されてはならないことを理解されるであろう。
上述された実現及び実施形態は本発明を説明するものであって限定するものではなく、当業者であれば、添付された特許請求の範囲から逸脱することなく、他の多くの実施形態をデザインすることができることになることに留意されたい。請求項において、括弧内に配置されるいかなる参照符号も請求項を限定するものとして解釈されるべきではない。単語「comprising(有する)」は、請求項又は明細書に記載される以外の他の構成要素又はステップの存在を排除するものではない。要素に先行する冠詞「a」又は「an」は、斯かる要素の存在が複数であることを排除するものではない。本発明は、複数の個別の要素を有するハードウェアを用いて、及び適切にプログラムされたコンピュータを用いて実現されることができる。複数のユニットを列挙するシステムクレームにおいて、これらのユニットの複数が1つの同じハードウェア又はソフトウェアアイテムにより実現されることができる。第1、第2、第3等の用語の使用は、何らかの順序を表すものではない。これらの単語は、名前として解釈されるべきである。
Claims (8)
- トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するため画像特性のセットを特定する方法において、
前記画像特性プールから画像特性のサブセットを選択する選択ステップと、
テスト画像を取得する取得ステップと、
前記トレーニング画像のセットに含まれる少なくとも1つの画像と前記テスト画像との間の類似度に基づき前記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ステップと、
前記少なくとも1つの画像と前記テスト画像との間の類似度に基づき前記少なくとも1つの画像のユーザ格付けを受信する受信ステップと、
前記少なくとも1つの画像の前記ユーザ格付けと前記機械格付けとに基づき前記画像特性のサブセットの評価を取得する評価ステップと、
前記評価に基づき前記画像特性のサブセットを修正する修正ステップと、
前記評価に基づき前記画像特性のセットとして前記画像特性のサブセットを受け入れ、前記画像特性のセットを特定する許容ステップとを有する、方法。 - 前記画像特性のサブセットを修正するステップが、遺伝的アルゴリズムに基づかれる、請求項1に記載の方法。
- 前記画像特性のセットを用いて、画像データベースに含まれる画像の所与の画像に対する類似度に基づき、前記画像データベースから基準画像を特定する特定ステップを更に有する、請求項1に記載の方法。
- 前記所与の画像と前記基準画像とをユーザに提示する提示ステップを更に有する、請求項3に記載の方法。
- トレーニング画像のセットに基づき画像特性プールから画像の類似度を評価するため画像特性のセットを特定するシステムであって、
前記画像特性プールから画像特性のサブセットを選択する選択ユニットと、
テスト画像を取得する取得ユニットと、
前記トレーニング画像のセットに含まれる少なくとも1つの画像と前記テスト画像との間の類似度に基づき前記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ユニットと、
前記少なくとも1つの画像と前記テスト画像との間の類似度に基づき前記少なくとも1つの画像のユーザ格付けを受信する受信ユニットと、
前記少なくとも1つの画像の前記ユーザ格付けと前記機械格付けとに基づき前記画像特性のサブセットの評価を取得する評価ユニットと、
前記評価に基づき前記画像特性のサブセットを修正する修正ユニットと、
前記評価に基づき前記画像特性のセットとして前記画像特性のサブセットを受け入れ、前記画像特性のセットを特定する許容ユニットとを有する、システム。 - 請求項5に記載のシステムを少なくとも1つ有する関連画像データを取得する画像取得装置。
- 請求項5に記載のシステムを少なくとも1つ有するワークステーション。
- コンピュータ装置によりロードされることになるコンピュータプログラムであって、時間的に取得される画像データを処理する命令を有し、前記コンピュータ装置が、処理ユニットとメモリとを有し、前記コンピュータプログラムは、ロードされた後、前記処理ユニットに、
前記画像特性プールから画像特性のサブセットを選択する選択ステップと、
テスト画像を取得する取得ステップと、
前記トレーニング画像のセットに含まれる少なくとも1つの画像と前記テスト画像との間の類似度に基づき前記画像特性のサブセットを用いて、前記少なくとも1つの画像の機械格付けを計算する計算ステップと、
前記少なくとも1つの画像と前記テスト画像との間の類似度に基づき前記少なくとも1つの画像のユーザ格付けを受信する受信ステップと、
前記少なくとも1つの画像の前記ユーザ格付けと前記機械格付けとに基づき前記画像特性のサブセットの評価を取得する評価ステップと、
前記評価に基づき前記画像特性のサブセットを修正する修正ステップと、
前記評価に基づき前記画像特性のセットとして前記画像特性のサブセットを受け入れ、前記画像特性のセットを特定する許容ステップとを実行させる能力を与える、コンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US77880706P | 2006-03-03 | 2006-03-03 | |
PCT/IB2007/050621 WO2007099495A1 (en) | 2006-03-03 | 2007-02-27 | Identifying set of image characteristics for assessing similarity of images |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009528117A true JP2009528117A (ja) | 2009-08-06 |
Family
ID=38198450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008556900A Pending JP2009528117A (ja) | 2006-03-03 | 2007-02-27 | 画像の類似度を評価するための画像特性セットの特定 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20090052768A1 (ja) |
EP (1) | EP1994493A1 (ja) |
JP (1) | JP2009528117A (ja) |
CN (1) | CN101395614A (ja) |
WO (1) | WO2007099495A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011511337A (ja) * | 2007-12-20 | 2011-04-07 | 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 | ケースベースの意思決定支援のための方法及び装置 |
US9239963B2 (en) | 2013-04-08 | 2016-01-19 | Omron Corporation | Image processing device and method for comparing feature quantities of an object in images |
JP2019213623A (ja) * | 2018-06-11 | 2019-12-19 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法、およびプログラム |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7907755B1 (en) | 2006-05-10 | 2011-03-15 | Aol Inc. | Detecting facial similarity based on human perception of facial similarity |
JP2011010275A (ja) * | 2009-05-26 | 2011-01-13 | Sanyo Electric Co Ltd | 画像再生装置及び撮像装置 |
SE536299C2 (sv) * | 2011-06-08 | 2013-08-13 | Imtt Svenska Ab | Förfarande för att jämföra och identifiera likhetsgrad mellan bilder |
US20160189234A1 (en) * | 2014-12-24 | 2016-06-30 | Facebook, Inc. | Selecting content items for presentation to a social networking system user based in part on content item appearance |
JP6578519B2 (ja) * | 2015-03-19 | 2019-09-25 | パナソニックIpマネジメント株式会社 | 画像表示装置、画像表示システム、画像表示方法、およびプログラム |
WO2018107371A1 (zh) * | 2016-12-13 | 2018-06-21 | 上海联影医疗科技有限公司 | 图像搜索系统及方法 |
CN111488891B (zh) * | 2019-01-25 | 2023-04-07 | 中国移动通信有限公司研究院 | 图像标识处理方法、装置、设备及计算机可读存储介质 |
EP3696821A1 (en) | 2019-02-14 | 2020-08-19 | Koninklijke Philips N.V. | Computer-implemented method for medical image processing |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001525579A (ja) * | 1997-11-28 | 2001-12-11 | クァリア・コンピューティング・インコーポレーテッド | 乳房x線デジタル像からのクラスター化微小カルシウム沈着の自動検出 |
JP2002530133A (ja) * | 1998-11-13 | 2002-09-17 | アーチ・デベロップメント・コーポレーション | 肺結節中の悪性腫瘍検出用システム |
JP2004517660A (ja) * | 2000-11-21 | 2004-06-17 | ザ・ユニバーシティー・オブ・シカゴ | 多重テンプレートマッチングを使用する肺小結節検出のためのプロセス、システムおよびコンピュータ読み取り可能な媒体 |
WO2005020132A1 (en) * | 2003-08-22 | 2005-03-03 | Semeion | Neural network for processing arrays of data with existent topology, such as images, and application of the network |
WO2005020790A2 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
WO2005081168A2 (en) * | 2004-02-03 | 2005-09-01 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
JP2006000301A (ja) * | 2004-06-16 | 2006-01-05 | National Institute Of Advanced Industrial & Technology | 画像処理装置とこれを用いた手術支援システム |
WO2006013514A1 (en) * | 2004-07-26 | 2006-02-09 | Koninklijke Philips Electronics N.V. | System and method for automated suspicious object boundary determination |
JP2006034585A (ja) * | 2004-07-27 | 2006-02-09 | Fuji Photo Film Co Ltd | 画像表示装置、画像表示方法およびそのプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3231810B2 (ja) * | 1990-08-28 | 2001-11-26 | アーチ・デベロップメント・コーポレーション | ニューラル・ネットワークを用いた鑑別診断支援方法 |
TW514513B (en) * | 1996-02-06 | 2002-12-21 | Deus Technologies Inc | Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
US5615243A (en) * | 1996-03-12 | 1997-03-25 | University Of Pittsburgh | Identification of suspicious mass regions in mammograms |
US6738499B1 (en) * | 1998-11-13 | 2004-05-18 | Arch Development Corporation | System for detection of malignancy in pulmonary nodules |
US6901156B2 (en) * | 2000-02-04 | 2005-05-31 | Arch Development Corporation | Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images |
US20020159642A1 (en) * | 2001-03-14 | 2002-10-31 | Whitney Paul D. | Feature selection and feature set construction |
-
2007
- 2007-02-27 EP EP07705960A patent/EP1994493A1/en not_active Ceased
- 2007-02-27 US US12/281,421 patent/US20090052768A1/en not_active Abandoned
- 2007-02-27 CN CNA200780007694XA patent/CN101395614A/zh active Pending
- 2007-02-27 JP JP2008556900A patent/JP2009528117A/ja active Pending
- 2007-02-27 WO PCT/IB2007/050621 patent/WO2007099495A1/en active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001525579A (ja) * | 1997-11-28 | 2001-12-11 | クァリア・コンピューティング・インコーポレーテッド | 乳房x線デジタル像からのクラスター化微小カルシウム沈着の自動検出 |
JP2002530133A (ja) * | 1998-11-13 | 2002-09-17 | アーチ・デベロップメント・コーポレーション | 肺結節中の悪性腫瘍検出用システム |
JP2004517660A (ja) * | 2000-11-21 | 2004-06-17 | ザ・ユニバーシティー・オブ・シカゴ | 多重テンプレートマッチングを使用する肺小結節検出のためのプロセス、システムおよびコンピュータ読み取り可能な媒体 |
WO2005020790A2 (en) * | 2003-08-21 | 2005-03-10 | Ischem Corporation | Automated methods and systems for vascular plaque detection and analysis |
WO2005020132A1 (en) * | 2003-08-22 | 2005-03-03 | Semeion | Neural network for processing arrays of data with existent topology, such as images, and application of the network |
WO2005081168A2 (en) * | 2004-02-03 | 2005-09-01 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
JP2006000301A (ja) * | 2004-06-16 | 2006-01-05 | National Institute Of Advanced Industrial & Technology | 画像処理装置とこれを用いた手術支援システム |
WO2006013514A1 (en) * | 2004-07-26 | 2006-02-09 | Koninklijke Philips Electronics N.V. | System and method for automated suspicious object boundary determination |
JP2006034585A (ja) * | 2004-07-27 | 2006-02-09 | Fuji Photo Film Co Ltd | 画像表示装置、画像表示方法およびそのプログラム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011511337A (ja) * | 2007-12-20 | 2011-04-07 | 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 | ケースベースの意思決定支援のための方法及び装置 |
US9239963B2 (en) | 2013-04-08 | 2016-01-19 | Omron Corporation | Image processing device and method for comparing feature quantities of an object in images |
JP2019213623A (ja) * | 2018-06-11 | 2019-12-19 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法、およびプログラム |
JP7300811B2 (ja) | 2018-06-11 | 2023-06-30 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN101395614A (zh) | 2009-03-25 |
WO2007099495A1 (en) | 2007-09-07 |
US20090052768A1 (en) | 2009-02-26 |
EP1994493A1 (en) | 2008-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2009528117A (ja) | 画像の類似度を評価するための画像特性セットの特定 | |
US20210210177A1 (en) | System and method for fusing clinical and image features for computer-aided diagnosis | |
Afshar et al. | From handcrafted to deep-learning-based cancer radiomics: challenges and opportunities | |
US9317918B2 (en) | Apparatus, method, and computer program product for medical diagnostic imaging assistance | |
US9122955B2 (en) | Method and system of classifying medical images | |
US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
US20100189317A1 (en) | Selection of datasets from 3d renderings for viewing | |
EP2365471A2 (en) | Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein | |
US20090138432A1 (en) | Clinician-driven example-based computer-aided diagnosis | |
JP6693278B2 (ja) | 類似画像検索プログラム、類似画像検索方法、及び類似画像検索装置 | |
US20200279649A1 (en) | Method and apparatus for deriving a set of training data | |
US9905002B2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
JP5955723B2 (ja) | 画像処理装置および画像処理方法、並びに、画像処理プログラム | |
EP3929936A1 (en) | Automatic detection of covid-19 in chest ct images | |
EP4073749A1 (en) | Medical image segmentation and atlas image selection | |
Agarwal et al. | Image retrieval for alzheimer’s disease detection | |
JP5432241B2 (ja) | メッシュ衝突回避 | |
JP2017189394A (ja) | 情報処理装置および情報処理システム | |
EP4111942A1 (en) | Methods and systems for identifying slices in medical image data sets | |
WO2022138277A1 (ja) | 学習装置、方法及びプログラム並びに医用画像処理装置 | |
US20230196557A1 (en) | Late Gadolinium Enhancement Analysis for Magnetic Resonance Imaging | |
US20220020145A1 (en) | Real-time estimation of local cardiac tissue properties and uncertainties based on imaging and electro-anatomical maps | |
JP2023161110A (ja) | 画像識別プログラム、画像識別方法、画像識別装置および情報処理システム | |
Pang et al. | Glioma grading based on gentle-adaboost algorithm and radiomics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120301 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20121002 |