JP2010252989A - 医用診断支援装置及びその制御方法 - Google Patents
医用診断支援装置及びその制御方法 Download PDFInfo
- Publication number
- JP2010252989A JP2010252989A JP2009105656A JP2009105656A JP2010252989A JP 2010252989 A JP2010252989 A JP 2010252989A JP 2009105656 A JP2009105656 A JP 2009105656A JP 2009105656 A JP2009105656 A JP 2009105656A JP 2010252989 A JP2010252989 A JP 2010252989A
- Authority
- JP
- Japan
- Prior art keywords
- diagnosis
- inference
- name
- medical
- case
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims description 95
- 230000008569 process Effects 0.000 description 38
- 238000012545 processing Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 20
- 238000004195 computer-aided diagnosis Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000003672 processing method Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 208000004434 Calcinosis Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
【課題】診断対象症例における診断名の推論結果の表示を最適に行えるようにする。
【解決手段】 医用診断の診断対象症例に係る症例データを取得し(S220)、推論手段を用いて、取得した症例データに基づいて、予め定められた複数の診断名のそれぞれについて正解となる確率を計算して診断対象症例における診断名を推論し(S230)、また、取得した症例データに基づいて、推論手段により得られる診断名の推論結果における表示個数を決定する決定する(S240)。そして、S230で得られた診断名の推論結果とS240で得られた表示個数に基づいて、診断名の推論結果に基づく診断名の表示制御を行う(S250)。
【選択図】図2
【解決手段】 医用診断の診断対象症例に係る症例データを取得し(S220)、推論手段を用いて、取得した症例データに基づいて、予め定められた複数の診断名のそれぞれについて正解となる確率を計算して診断対象症例における診断名を推論し(S230)、また、取得した症例データに基づいて、推論手段により得られる診断名の推論結果における表示個数を決定する決定する(S240)。そして、S230で得られた診断名の推論結果とS240で得られた表示個数に基づいて、診断名の推論結果に基づく診断名の表示制御を行う(S250)。
【選択図】図2
Description
本発明は、医用診断を支援する医用診断支援装置及びその制御方法、当該制御方法をコンピュータに実行させるためのプログラム、並びに、当該プログラムを記憶したコンピュータ読み取り可能な記憶媒体に関する。
近年、X線等の放射線を用いた放射線画像撮影装置のデジタル化が進んでおり、また、元々、デジタル画像を生成するCT、MRI及び超音波画像撮影装置の普及が進んでいる。さらに、これらの画像撮影装置の改良により、画像の高精細化・高解像度化が進み、また、撮影時間の短縮による撮影枚数や撮影回数の増加が起こっている。その結果、読影すべき医用画像の増加量に比べて、医用画像を専門的に読影する画像診断医の増加(育成)が間に合っていない。つまり、画像診断医の不足が年々深刻化している。
また、画像診断に限らず、多くの診療科において医師不足が深刻化しており、専門的な医用診断を行える医師を育成するための支援体制が必要である。このような背景の下、専門的な医用診断を行える医師の育成を支援するため、或いは、既に専門的な医用診断を行える医師にとっても診断の負担を軽減するための医用診断支援装置の必要性が高まっている。
こうした必要性に応えるために、コンピュータ支援診断(CAD)装置が研究、開発されている。現在、既に商品化されているCAD装置は、特定の医用画像(例えば、マンモグラム)から、異常陰影(微小石灰化、結節、腫瘤などの)候補領域を検出する機能(異常検出機能)を備えたものが多い。こうした異常検出機能により、読影を行う医師は、異常陰影の見落としの軽減が期待できる。
しかしながら、画像診断医の仕事は、異常陰影の検出だけではない。例えば、画像診断医は、検出した異常陰影を詳細に観察し、必要に応じて他の臨床データも参照して、得られた情報を総合的に判断することにより、診断対象となっている症例の画像診断名を決定しなければならない。なお、症例から得られた情報から診断名を判断する仕事は、画像診断医に限られたものではなく、すべての医師に共通するものである。
そこで、一部のCAD研究においては、得られた情報から最も可能性の高い診断名を推論し、推論結果を医師に表示する機能(診断名の推論機能)の研究が行われている。
こうした研究の例として、腫瘍の良悪性鑑別に関する研究が挙げられる。この良悪性鑑別とは、前述したCADの異常検出機能または人手によって検出された異常陰影(結節または腫瘤)が、良性腫瘍に起因するものか、悪性腫瘍に起因するものかを推論する機能である。つまり、推論結果として、良性/悪性のどちらか一方を出力すればよい。
また、他の例として、下記の特許文献1が挙げられる。
特許文献1では、予め人手によって得られた情報(患者の臨床データ及び画像所見)を数値表現し、人工ニューラル・ネットワーク(ANN)に入力すると、予め決められた複数の診断名の中から少なくとも1つの診断名が選択される方法が提案されている。ただし、ANNの使用に先立ち、予め正解(診断名)に係る既知の症例を多数用意し、入力データと出力データとの対応関係をANNに学習(教師付き学習)させておく必要がある。
特許文献1では、予め人手によって得られた情報(患者の臨床データ及び画像所見)を数値表現し、人工ニューラル・ネットワーク(ANN)に入力すると、予め決められた複数の診断名の中から少なくとも1つの診断名が選択される方法が提案されている。ただし、ANNの使用に先立ち、予め正解(診断名)に係る既知の症例を多数用意し、入力データと出力データとの対応関係をANNに学習(教師付き学習)させておく必要がある。
より詳しく述べると、特許文献1では、教師付き学習済みのANNの入力ユニットに、正解に係る未知の症例から得られた情報(入力データ)を入力すると、予め決められた複数の診断名それぞれに対応する出力ユニットから値が出力される。そして、特許文献1では、当該出力値が最大となる出力ユニットに対応する診断名を選択することで、診断名の推論結果を1つだけ得ることができる。
さらに、他の従来技術を組み合わせることにより、診断名の推論結果を2つ以上選択することができる。まず、前記出力値を大きい方から順番に所定数だけ選択し、それらの出力値を持つ出力ユニットに対応する診断名を選択することで、診断名の推論結果を所定数得ることができる。或いは、前記出力値の中から所定の閾値を超えたものを選択し、それらの出力値を持つ出力ユニットに対応する診断名を選択することで、診断名の推論結果を不定数得ることができる。なお、前記出力値は、すべての出力値の合計が1となるように正規化することにより、各診断名が正解となる確率と見なすことができる。したがって、上述した文章中の出力値を確率と言い換えても、同じ意味となる。
Finn V.Jensen,Thomas D.Nielsen,"Bayesian Networks and Decision Graphs − Second Edition",Springer,ISBN−13:978−0−387−68281−5,2007年
上述した背景技術では、診断名の推論結果を1つ、或いは、所定数または不定数表示することができる。しかしながら、上述した背景技術においては、診断名の推論結果をいくつ表示すべきであるかという観点については何ら言及されていない。
以下の例で説明する通り、診断名の推論結果の表示個数をいくつにすべきであるかという観点は、医師の診断効率向上と診断ミス防止との両方に関係する重要な課題である。
例えば、CAD装置によって診断名の推論結果を1つだけ表示した場合、CAD装置のユーザ(医師、医学生など)は、自分自身が判断した診断名とCAD装置が表示した診断名が一致したか否かを確認することになる。つまり、1対1の比較をするだけなので、比較に要する時間が極めて短く、診断効率は非常によい。ところが、画像診断においては、例えば数mm程度の小さな結節影を読影する時のように、画像情報だけからは診断名を1つに絞ることが難しい症例がしばしば存在する。経験豊富な画像診断医であっても診断名を1つに絞ることができない症例に対して、CAD装置が診断名の推論結果を1つだけ表示することは適切ではない。つまり、この場合、比較的可能性の高い複数の診断名を表示した方が適切である。特に、ユーザが経験の浅い医師や医学生である場合、診断名の推論結果を常に1つだけしか表示しないと、間違った診断に誘導してしまうという危険性がある。
したがって、医師の診断ミスを防止する目的や、読影経験の浅いユーザ(医師、医学生など)を教育する目的では、診断名の推論結果として診断名を複数表示して、複数の診断名の中に正解(正しい診断名)が含まれる可能性を高めた方がよい。ただし、表示する診断名の個数を増やす程、ユーザが診断名の比較検討を行う時間が長くなるため、診断効率が低下する。
以上をまとめると、表示する診断名の個数は、診断効率向上のためには少ない方がよいが、診断ミス防止のためには多い方がよい。
さらに、CAD装置が常に正しい推論をするとは限らない。この点、CAD装置の推論機能を実装する際には、多数の教師付き学習データを用いた学習によってその推論の精度を向上させている。ところが、学習データの分布には少なからずバイアス(実際の運用時に入力されるデータ分布との違い)が存在するため、CAD装置の推論精度の向上には限界がある。そこで、CAD装置が間違える可能性が低い入力データに対しては、診断名の推論結果を1つだけ表示し、また、CAD装置が間違える可能性が高い入力データに対しては、間違える可能性の高さに応じて診断名の推論結果の表示個数を増やすとよい。
本発明は、このような問題点に鑑みてなされたものであり、診断対象症例における診断名の推論結果の表示を最適に行える仕組みを提供することを目的とする。
本発明の医用診断支援装置は、医用診断を支援する医用診断支援装置であって、前記医用診断の診断対象症例に係る症例データを取得する取得手段と、前記症例データに基づいて、予め定められた複数の診断名のそれぞれについて正解となる確率を計算して前記診断対象症例における診断名を推論する推論手段と、前記症例データに基づいて、前記推論手段により得られる診断名の推論結果における表示個数を決定する決定手段と、前記推論手段による診断名の推論結果と前記表示個数に基づいて、前記推論結果に基づく診断名の表示制御を行う表示制御手段とを有する。
また、本発明は、上述した医用診断支援装置の制御方法、及び、当該制御方法をコンピュータに実行させるためのプログラム、並びに、当該プログラムを記憶するコンピュータ読み取り可能な記憶媒体を含む。
本発明によれば、診断対象症例における診断名の推論結果の表示を最適に行うことが可能となる。
以下に、図面を参照しながら、本発明を実施するための形態(実施形態)について説明する。なお、以下に示す実施形態は、一例に過ぎず、本発明は、図示された構成等に限定されるものではない。
(第1の実施形態)
まず、本発明の第1の実施形態について説明する。
図1は、本発明の第1の実施形態に係る医用診断支援装置を含む医用診断支援システムの概略構成の一例を示す模式図である。
まず、本発明の第1の実施形態について説明する。
図1は、本発明の第1の実施形態に係る医用診断支援装置を含む医用診断支援システムの概略構成の一例を示す模式図である。
図1に示すように、医用診断支援システム10は、医用診断支援装置100と、医用画像データベース200と、診断録データベース300と、ローカルエリアネットワーク(LAN)400を有して構成されている。即ち、図1に示す医用診断支援システム10は、医用診断支援装置100が、LAN400を介して、医用画像データベース200及び診断録データベース300に接続される構成となっている。
医用診断支援装置100は、医用診断の診断対象症例に係る症例データを用いて医用診断を支援する装置であり、制御部110と、モニタ120と、マウス130と、キーボード140を有して構成されている。
制御部110は、医用診断支援装置100の動作を制御するものであり、中央処理装置(CPU)111と、主メモリ112と、磁気ディスク113と、表示メモリ114と、バス115を有して構成されている。そして、CPU111が、例えば主メモリ112に格納されているプログラムを実行することにより、医用画像データベース200及び診断録データベース300との通信、医用診断支援装置100の全体の制御等の各種制御が実行される。
CPU111は、主として、医用診断支援装置100の各構成要素の動作を制御して、医用診断支援装置100の動作を統括的に制御する。
主メモリ112は、CPU111が実行する制御プログラムを格納したり、CPU111によるプログラムの実行時の作業領域を提供したりする。
磁気ディスク113は、オペレーティングシステム(OS)や、周辺機器のデバイスドライバ、各種のアプリケーションソフト等、及び、各種のアプリケーションソフト等が生成または使用する作業用データ等を格納する。
表示メモリ114は、モニタ120に表示するための表示用データを一時記憶する。
バス115は、医用診断支援装置100の各構成要素を相互に通信可能に接続するとともに、当該医用診断支援装置100とLAN400を通信可能に接続する。
モニタ120は、例えばCRTモニタや液晶モニタ等で構成されており、CPU111の制御に従って、表示メモリ114の表示用データに基づく画像等を表示する。
マウス130及びキーボード140は、それぞれ、ユーザによるポインティング入力及び文字等の入力を行うためのものである。
本実施形態の医用診断支援装置100は、LAN400を介して、医用画像データベース200から各種の画像データを読み出すことができ、また、診断録データベース300から各種の診断録データを読み出すことができる。ここで、医用画像データベース200として、例えば、既存のPACSを利用することができる。また、診断録データベース300として、例えば、既存のHISのサブシステムである電子カルテシステムを利用することができる。或いは、医用診断支援装置100に外部記憶装置、例えばFDD、HDD、CDドライブ、DVDドライブ、MOドライブ、ZIPドライブ等を接続し、それらのドライブから医用画像データ及び診断録データを読み込むようにしてもよい。
医用画像データベース200は、例えば医用画像撮影装置(不図示)による撮影により得られた各種の医用画像データを格納する。医用診断支援装置100は、LAN400を介して医用画像データベース200に接続され、そこから必要な医用画像データを取得する。ここで、本実施形態で用いる医用画像の種類の一例としては、単純X線画像(レントゲン画像)や、CT画像、MRI画像、PET画像、SPECT画像、超音波画像などがある。
診断録データベース300は、各種の診断録データを格納する。医用診断支援装置100は、LAN400を介して診断録データベース300に接続され、そこから必要な診断録データを取得する。本実施形態で用いる診断録には、患者の個人情報(氏名、生年月日、年齢、性別など)、臨床情報(様々な検査値、主訴、既往歴、治療歴など)、医用画像データベース200に格納された患者の医用画像データへの参照情報及び主治医の所見情報などが記載される。さらに、診断が進んだ段階で、当該診断録には、確定診断名が記載される。
LAN400は、医用診断支援装置100と、医用画像データベース200及び診断録データベース300とを通信可能に接続するものである。
次に、第1の実施形態に係る医用診断支援装置100の制御方法における処理手順について説明する。
図2は、本発明の第1の実施形態に係る医用診断支援装置100の制御方法における処理手順の一例を示すフローチャートである。具体的に、図2に示すフローチャートは、CPU111が主メモリ112に格納されているプログラムを実行することにより実現される。
また、以下の処理において、ユーザ(医師)は、マウス130やキーボード140を操作することで、医用診断支援装置100に様々なコマンド(指示・命令)を入力する。また、以下の処理において、CPU111が実行するプログラムの実行状況や実行結果は、CPU111が別途実行するOS及び表示プログラムの機能により、必要に応じて、モニタ120に表示される。
まず、図2のステップS210において、CPU111は、各種の初期化処理を行う。このステップS210の初期化処理には、診断名を推論する推論手段に必要な初期化処理も含まれる。後述するが、本実施形態では、診断名の推論を行う推論手段としてベイジアンネットワーク(以降、略して「ベイズネット」と称する)を使用するため、ステップS210では、ベイズネットの初期化処理も行う。
続いて、ステップS220において、CPU111は、ユーザのコマンド入力に従って、医用診断対象の症例である診断対象症例に係る症例データ(入力データ)を取得する。そして、CPU111は、取得した症例データを、例えば主メモリ112に格納する。このステップS220の処理の詳細については、図3を用いて後述する。
続いて、ステップS230において、CPU111は、ステップS220で取得した症例データを用いて、予め定められた複数の診断名のそれぞれについて正解となる確率を計算して、診断対象症例における診断名の推論処理を行う。このステップS230の処理の詳細については、図4乃至6を用いて後述する。
続いて、ステップS240において、CPU111は、ステップS220で取得した症例データを用いて、或いは、当該症例データとベイズネットの学習状況の情報との両方を用いて、ステップS230で得られた診断名の推論結果における表示個数の決定を行う。このステップS240の処理の詳細については、図6乃至図10を用いて後述する。
続いて、ステップS250において、CPU111は、ステップS230における推論結果(各診断名が正解となる確率)と、ステップS240で決定した診断名の推論結果における表示個数とに基づいて、診断名の推論結果の表示制御を行う。具体的に、CPU111は、モニタ120に対する診断名の推論結果の表示制御を行う。このステップS250の処理の詳細については、図11及び図12を用いて後述する。
ステップS250の処理が終了すると、図2に示すフローチャートの処理が終了する。
次に、図2のステップS220の処理の詳細について説明する。
図3は、図2のステップS220の詳細な処理手順の一例を示すフローチャートである。
図3は、図2のステップS220の詳細な処理手順の一例を示すフローチャートである。
図2のステップS220の処理が開始されると、ステップS221において、CPU111は、ユーザのコマンド入力に従って、医用画像データベース200から診断対象症例に係る医用画像データを、例えば主メモリ112に読み込む処理を行う。ここで、診断対象症例に係る医用画像データを読み込む際に、医用画像データベース200からLAN400及びバス115を経由して読み込んでもよいし、磁気ディスク113または不図示の外部記憶装置からバス115を経由して読み込んでもよい。
ステップS221の処理が終了すると、続いて、ステップS222において、CPU111は、ステップS221で読み込んだ医用画像データから、予め定められている複数の画像情報を抽出する処理を行う。そして、CPU111は、抽出した画像情報を、例えば主メモリ112に格納する。
ここで、抽出される画像情報の一例としては、異常陰影領域のサイズや濃度パターンなどを計測することによって得られる画像特徴量がある。この画像特徴量は、既存の画像処理手法を利用して自動的に計測することもできるし、或いは、ユーザがコマンド入力することにより、手動計測または半自動計測することもできる。
また、画像情報の他の例としては、画像所見がある。この画像所見を医用画像データから抽出する際には、予め選択肢が定められているテンプレート形式の画像所見を用意しておくとよい。この場合、例えば、テンプレートとして予め定められている画像所見の中から、ユーザが手動で画像所見を選択する、即ちユーザのコマンド入力に従って、画像所見を選択して、画像所見の抽出を行う。
また、図2のステップS220の処理が開始されると、ステップS223において、CPU111は、ユーザのコマンド入力に従って、診断録データベース300から診断対象症例に係る診断録データを、例えば主メモリ112に読み込む処理を行う。ここで、診断対象症例に係る診断録データを読み込む際に、診断録データベース300からLAN400及びバス115を経由して読み込んでもよいし、磁気ディスク113または不図示の外部記憶装置からバス115を経由して読み込んでもよい。
ステップS223の処理が終了すると、続いて、ステップS224において、CPU111は、ステップS221で読み込んだ診断録データから、予め定められている患者情報及び臨床情報を抽出する処理を行う。そして、CPU111は、抽出した患者情報及び臨床情報を、例えば主メモリ112に格納する。ここで、患者情報の例としては、患者の年齢や性別が挙げられる。また、臨床情報の例としては、各種の血液検査(がんマーカー検査も含む)の結果や、過去の病歴情報などが挙げられる。
ステップS222及びS224の処理が終了すると、図3に示すフローチャートの処理(即ち、図2のステップS220の処理)が終了する。
なお、図3に示す例では、症例データとして、診断対象症例に係る医用画像データの所定の画像情報、並びに、診断対象症例に係る診断録データの所定の患者情報及び臨床情報を取得するものについて示したが、本発明においてはこれに限定されるものではない。例えば、画像診断を行う場合には、必ずしも診断録データは必要ではなく、この場合には、図3のステップS223及びS224は実行されずに、症例データとして、診断対象症例に係る医用画像データの所定の画像情報が取得される。
次に、図2のステップS230の処理の詳細について説明する。
図4は、本発明の第1の実施形態を示し、予め定められた複数の診断名における事後確率を計算するためのベイズネットの一例を示す模式図である。
ここで、図4に示すベイズネットは、現象を複数の事象と事象間の因果関係によって表現したモデルである。ここで、事象間の関係は条件付遷移確率で表され、対象とする現象を構成する事象をノード401で表現し、ノード間(事象間)の関係をリンク402で表現する。図4において、リンク402は矢印を用いて表記し、矢印の根元にあるノードを「親ノード」、矢印の先にあるノードを「子ノード」と呼ぶ。
ここで、図4に示すベイズネットは、現象を複数の事象と事象間の因果関係によって表現したモデルである。ここで、事象間の関係は条件付遷移確率で表され、対象とする現象を構成する事象をノード401で表現し、ノード間(事象間)の関係をリンク402で表現する。図4において、リンク402は矢印を用いて表記し、矢印の根元にあるノードを「親ノード」、矢印の先にあるノードを「子ノード」と呼ぶ。
各ノードには、当該各ノードが取り得る状態を示すステート403が複数個あり、各ステートには、事前確率(エビデンスが入力される前の確率)を予め設定しておかなければならない。また、親ノードと子ノードとの間の関係は、親ノードの持つステートごとに条件付けされた条件付遷移確率によって表現される。この条件付遷移確率を一覧表で示したものを条件付遷移確率表(以下、CPT(Conditional Probability Table)と称する)と呼ぶ。
図4には、リンク402に対するCPT404の一例が示されている。なお、CPTは、予め設定しておかなければならない。事前確率とCPTは、いずれも教師付き学習によって統計的に学習することができる。即ち、予め正解(診断名)に係る既知の症例を多数用意し、入力データと出力データとの対応関係をベイズネットに学習(教師付き学習)させておく必要がある。
図4の例では、親ノードであるノード401は診断名を表しており、他のノードはすべて画像情報を表す子ノードである。なお、任意のノードのステート403を確定する情報をエビデンスという。画像診断においては、診断名が不明なので、子ノード(画像情報)の一部に対してエビデンスが得られることになる。
そして、このエビデンスとCPT及びベイズの定理を用いて、エビデンスが入力されなかったノードの各ステートの事後確率(エビデンスが入力された後の確率)を確率伝播法により求めることができる(例えば非特許文献1参照)。
図4の例には、結節・腫瘤性の肺疾患に関する画像所見(子ノード)と診断名(親ノード)が示されている。子ノードである「結節の大きさ」、「境界」、「円滑」、「形状」のノードは、それぞれ、医用画像上で発見された異常陰影の、大きさ、境界線の明瞭さ、境界線の円滑さ、形状を示している。子ノードである「石灰化濃度比」、「水濃度比」、「軟部組織濃度比」、「気体濃度比」のノードは、それぞれ、石灰化濃度、水濃度、軟部組織濃度、気体濃度が当該異常陰影中にどの位の割合で含まれているかを示している。なお、異常陰影中に存在する濃度は、図4に例示したもの以外にも、脂肪濃度や金属濃度などがあり、またこれらの画像所見が入力されない場合もあるため、必ずしも総和が100%になるとは限らない。また、子ノードである「血管の引込・巻込」のノードは、当該異常陰影の周囲に存在する血管が、異常陰影の中に引き込まれて(巻き込まれて)いるかどうかを示している。
図4の例では、エビデンスは1つも入力されていないため、各ノードの各ステート(403)の右横に示された数値は、それぞれ、各ステートの事前確率を表している。
図5は、図4に示すベイズネットに対してエビデンス(確定された情報)として複数の画像情報が入力された際のベイズネットの状態変化の一例を示す模式図である。
図5の例では、「結節の大きさ」、「境界」、「気体濃度比」、「軟部組織濃度比」、および「形状」の各ノード501にエビデンスが入力されている。このエビデンスが入力されたノード501−1〜501−5では、特定のステートの事後確率だけが100%となり、他のステートの事後確率は0%となっている。そして、エビデンスが入力されていないその他のノードでは、上述の確率伝播法を用いて、各ステートの事後確率が計算される。こうして、親ノードであるノード401の各ステートの事後確率が計算される。即ち、予め定められた複数の診断名に対して、それぞれが正解となる確率が計算されて診断名の推論処理がなされる(図2のステップS230の処理が実行される)。
次に、図2のステップS240の処理、即ち診断名の推論結果における表示個数を決定処理の詳細について説明する。
画像診断においては、例えば数mm程度の小さな結節影を読影する時のように、画像情報のみからは診断名を1つに絞ることが難しい症例がしばしば存在する。そのため、ステップS220で取得した診断対象症例に係る症例データ(入力データ)に基づき、ベイズネットによる診断名の推論結果における最適な表示個数を決定する必要がある。
図6は、本発明の第1の実施形態を示し、ベイズネット1及びベイズネット2の学習方法の違いの一例を示す模式図である。ここで、図6のベイズネット1は、図2のステップS230で使用するためのものであり、ベイズネット2は、ステップS240で使用するためのものである。
図6に示す通り、ベイズネット1もベイズネット2も、多数の学習データについて、症例データ(入力データ)と正解データとの対応関係を学習する点は同じである。ここで、2つの学習方法が異なる点は、各学習データに含まれる正解データである。
ベイズネット1の学習データ1においては、従来と同様に、正解データ1として確定診断名を使用する。ここで、確定診断名とは、患者の病名を確定した時に与えられる診断名であり、細胞診(患部の組織片を切り出して染色した後、顕微鏡下で組織の構造を詳細に調べる診断法)などによって確定される。そして、この確定診断名は、1つしかない(ただし、後で確定診断名が変更されることはあり得る)。
一方、ベイズネット2の学習データ2においては、正解データ2として画像診断名を使用する。ここで、画像診断名とは、まだ確定診断名が得られていない時期に、画像診断医が患者の医用画像の読影結果から判断して付けた診断名である。上述した通り、画像情報のみからは診断名を1つに絞ることが難しい症例がしばしば存在するので、画像診断名は2つ以上付けられることもある(この際、どの診断名が最も疑わしいかといった優先順位付けが行われる)。この画像診断名は、画像診断医の判断によって決められる診断名であり、細胞診よりも主観的判断が入りやすい。したがって、正解データ2として使用する画像診断名を決める際には、複数の経験豊富な画像診断医の合議によって決めることが望ましい。
ベイズネット1に正解データ1として確定診断名を学習させる理由は、診断名の推論精度を上げるためである。一方、ベイズネット2に正解データ2として画像診断名を学習させる理由は、経験を積んだ画像診断医が複数の画像診断名を付ける症例に対しては、ベイズネット1の推論結果の表示個数も複数にすることが適切だと考えられるからである。例えを用いて説明すると、ある種の良性腫瘍は悪性腫瘍に変化することがあるが、この場合、良性腫瘍と悪性腫瘍との境界線は必ずしも明確ではない。つまり、臨床的に良性腫瘍と悪性腫瘍の区別がつきにくい状態があるため、この様な腫瘍に対しては、画像診断名として悪性腫瘍と良性腫瘍の両方の疑いありと記すことが適切である。
図7は、図2のステップS240の詳細な処理手順の一例を示すフローチャートである。また、図8は、図7に示す各ステップの処理結果の一例を示す図である。
図2のステップS240の処理が開始されると、まず、図7のステップS241において、CPU111は、ベイズネット2を用いて診断名の推論処理を行う。ここで、このステップS241における診断名の推論方法は、図2のステップS230における診断名の推論方法とほぼ同様である。異なる点は、図6を用いて説明したように、ステップS230ではベイズネット1を使用するのに対して、ステップS241ではベイズネット2を使用する。例えば、このステップS241の推論結果は、図8(a)にようになる。
続いて、ステップS242において、CPU111は、ステップS241の処理で得られた推論結果(診断名とその確率)を確率の大きい順にソートする処理を行う。例えば、このステップS242のソート結果は、図8(b)にようになる。
続いて、ステップS243において、CPU111は、ステップS242の処理で得られたソート済み推論結果を上位と下位の2つのグループに分けるグループ分けを行う。例えば、このステップS243のソート結果は、図8(c)にようになる。
ここで、ステップS243におけるソート済み推論結果のグループ分けの具体的な方法について説明する。
図9は、図7のステップS243における第1の処理方法例を示す模式図である。
第1の処理方法例では、図9に示すように、先頭の診断名から順番に隣接する診断名の確率の差(P1−P2、P2−P3、・・・)を計算する。そして、算出した差(Ks)が予め定められた閾値Dth未満である間は診断名を上位グループに含め、差(Ks)が閾値Dth以上となった場合に当該診断名を下位グループに含めるというものである。
第1の処理方法例では、図9に示すように、先頭の診断名から順番に隣接する診断名の確率の差(P1−P2、P2−P3、・・・)を計算する。そして、算出した差(Ks)が予め定められた閾値Dth未満である間は診断名を上位グループに含め、差(Ks)が閾値Dth以上となった場合に当該診断名を下位グループに含めるというものである。
図10は、図7のステップS243における第2の処理方法例を示す模式図である。
第2の処理方法例では、図10に示すように、先頭の診断名の確率P1とn番目(n≧2)の診断名の確率Pnとの比(Kh)を計算する。そして、算出した比(Kh)が予め定められた閾値Rth未満である間は診断名を上位グループに含め、差(Kh)が閾値Rth以上となった場合に当該診断名を下位グループに含めるというものである。
第2の処理方法例では、図10に示すように、先頭の診断名の確率P1とn番目(n≧2)の診断名の確率Pnとの比(Kh)を計算する。そして、算出した比(Kh)が予め定められた閾値Rth未満である間は診断名を上位グループに含め、差(Kh)が閾値Rth以上となった場合に当該診断名を下位グループに含めるというものである。
ここで、再び、図7の説明に戻る。
ステップS243の処理が終了すると、ステップS244に進む。
ステップS244に進むと、CPU111は、ステップS243の処理で上位グループに属する診断名の個数nを数えて、これを診断名の推論結果における表示個数nとして取得する。
ステップS243の処理が終了すると、ステップS244に進む。
ステップS244に進むと、CPU111は、ステップS243の処理で上位グループに属する診断名の個数nを数えて、これを診断名の推論結果における表示個数nとして取得する。
ステップS244の処理が終了すると、図7に示すフローチャートの処理(即ち、図2のステップS240の処理)が終了する。
次に、図2のステップS250の処理、即ち診断名の推論結果の表示制御の詳細について説明する。
図11は、図2のステップS250における第1の表示方法例を示す模式図である。
図11では、ステップS230の処理結果1101として、予め定められた複数の診断名(原発性肺癌、癌の肺転移、その他の異常)に対して、それぞれが正解となる確率(15.3%、66.4%、18.3%)が得られた例を示している。また、ステップS240の処理結果1102として、診断名の推論結果の表示個数(n=2)が得られた例を示している。
図11では、ステップS230の処理結果1101として、予め定められた複数の診断名(原発性肺癌、癌の肺転移、その他の異常)に対して、それぞれが正解となる確率(15.3%、66.4%、18.3%)が得られた例を示している。また、ステップS240の処理結果1102として、診断名の推論結果の表示個数(n=2)が得られた例を示している。
この第1の表示方法が設定された場合、ステップS250において、CPU111は、まず、ステップS230の処理結果1101について、正解となる確率が大きい順に診断名とその確率をソートする。次に、CPU111は、推論結果の表示個数nが指示する数だけ、ソート済みの診断名とその確率をモニタ120に表示する。図11に示す例では、ステップS250の処理結果1103として、癌の肺転移:66.4%と、その他の異常:18.3%が表示された例が示されている。
図12は、図2のステップS250における第2の表示方法例を示す模式図である。
図12には、図11で説明した表示方法とは異なる表示方法が設定された場合を示している。即ち、この第2の表示方法が設定された場合、ステップS250の処理結果1201として、推論結果の表示個数nが示す数だけ、ソート済みの診断名とその確率を強調した表示がなされる。そして、ステップS250の処理結果1201では、n+1個目以降のソート済み診断名と確率は、図12に示すように、目立たないように表示される。図12に示す例では、n=2に対して、3個目の診断名である原発性肺癌とその確率が目立たないように表示されている。
図12には、図11で説明した表示方法とは異なる表示方法が設定された場合を示している。即ち、この第2の表示方法が設定された場合、ステップS250の処理結果1201として、推論結果の表示個数nが示す数だけ、ソート済みの診断名とその確率を強調した表示がなされる。そして、ステップS250の処理結果1201では、n+1個目以降のソート済み診断名と確率は、図12に示すように、目立たないように表示される。図12に示す例では、n=2に対して、3個目の診断名である原発性肺癌とその確率が目立たないように表示されている。
例えば、診断名の総数が比較的少なく、すべての診断名を画面表示できる場合には、図12に示す表示方法を採ることが好適である。逆に、診断名の総数が多く、すべての診断名を画面表示することが困難または不適切な場合は、図11に示す表示方法を採ることが好適である。
第1の実施形態によれば、診断対象症例における診断名の推論結果の表示個数を最適な数に制御することができるため、当該診断名の推論結果の表示を最適に行うことが可能となる。
(第2の実施形態)
次に、本発明の第2の実施形態について説明する。
第2の実施形態に係る医用診断支援装置を含む医用診断支援システムの概略構成は、図1に示す第1の実施形態に係る医用診断支援システムと同様であるため、その説明は省略する。また、第2の実施形態に係る医用診断支援装置の制御方法についても、第1の実施形態に係る医用診断支援装置の制御方法と同じ処理については、説明を省略する。
次に、本発明の第2の実施形態について説明する。
第2の実施形態に係る医用診断支援装置を含む医用診断支援システムの概略構成は、図1に示す第1の実施形態に係る医用診断支援システムと同様であるため、その説明は省略する。また、第2の実施形態に係る医用診断支援装置の制御方法についても、第1の実施形態に係る医用診断支援装置の制御方法と同じ処理については、説明を省略する。
第2の実施形態において、第1の実施形態と異なる処理は、図2のステップS240の処理内容である。即ち、第1の実施形態において、図6乃至図10を用いて説明した図2のステップS240の処理は、第2の実施形態では、以下の方法により実現される。
以下、図13乃至図15を用いて、第2の実施形態における図2のステップS240の処理方法、即ち診断名の推論結果における表示個数を決定方法について説明する。
上述したように、ベイズネットの教師付き学習に用いた学習データの分布にバイアスが存在するため、推論精度の向上には一定の限界がある。そのため、診断対象症例から得られた症例データ(入力データ)を用いて、或いは、当該症例データとベイズネットの学習状況の情報との両方を用いて、ベイズネットの推論結果の最適な表示個数を決定する必要がある。
図13は、本発明の第2の実施形態を示し、診断名の推論結果における表示個数を決定する際の第1の処理方法例を示す模式図である。この図13に示す例では、図2のステップS220で取得した症例データの画像情報に基づき、推論結果の表示個数を決定するものである。
具体的に、図13において、診断名の推論結果における表示個数nsは、異常領域のサイズsi(i≧1)に応じて決定される。なぜならば、異常領域のサイズが小さい程、画像情報は減るため、診断名の特定も困難になるからである。
図14は、本発明の第2の実施形態を示し、診断名の推論結果における表示個数を決定する際の第2の処理方法例を示す模式図である。この図14に示す例では、図2のステップS220で取得した症例データの臨床情報に基づき、推論結果の表示個数を決定するものである。
具体的に、図14において、診断名の推論結果における表示個数ncは、検査値陽性の数cj(j≧1)に応じて決定される。ここで、検査値陽性の数とは、血液検査などの各種の検査において、異常が疑われる検査値が得られた検査の数である。1つ1つの検査値は様々な要因で変化するため、検査値陽性が1つ位あっても直ちに疾患があるとは言えない。そして、検査値陽性の数が増えるにつれて、診断名の特定の手がかりが増えるので、診断名の推論結果の信頼性も上がる。
図15は、本発明の第2の実施形態を示し、診断名の推論結果における表示個数を決定する際の第3の処理方法例を示す模式図である。この図15に示す例では、図2のステップS220で取得した症例データと、ベイズネットの学習状況の情報とに基づき、推論結果の表示個数を決定するものである。
具体的に、図15において、診断名の推論結果における表示個数neは、学習不足のノードにエビデンスが与えられた数ek(k≧1)に応じて決定される。
一般に、多数の症例を用いた教師付き学習(統計的学習)を行う場合、統計的に十分な数の症例数を学習するまでは、推論結果には学習データに依存したバイアス(偏り)が入ってしまう。ところが、学習データ用の症例を大量に集めることは非常に困難な作業であるため、統計的に十分な数の症例数を学習できるとは限らない。そこで、本例では、ベイズネットの各ノードごとに何症例分の学習を行ったのかを記録しておくことにより、学習不足のノードと十分学習できたノードとの判別を行う。
そして、学習不足のノードにエビデンスが与えられたか否かを各ノードごとに判別することにより、学習不足のノードにエビデンスが与えられた数を計算できる。そして、学習不足のノードにエビデンスが与えられた数が多い程、学習データに依存したバイアスの多い推論結果となるため、この場合、推論結果の表示個数neを増やすように決定する。
以上、図13〜図15を用いて、複数の推論結果の表示個数(ns,nc,ne)について説明したが、以下では、これらを1つの推論結果の表示個数(n)にまとめる方法について説明する。また、一例として、ns=3、nc=2、ne=2とした場合のn値の計算例も示す。
<方法1:最大値選択>
n=max(ns,nc,ne) ・・・ (1)
=max(3,2,2)
=3
<方法2:平均値計算>
n=average(ns,nc,ne) ・・・ (2)
=(3+2+2)/3
≒2
n=max(ns,nc,ne) ・・・ (1)
=max(3,2,2)
=3
<方法2:平均値計算>
n=average(ns,nc,ne) ・・・ (2)
=(3+2+2)/3
≒2
上述した方法1と方法2を比較すると、方法1の方が推論結果の表示個数nが大きくなりやすいので、診断名の推論結果を比較的多めに表示したい(診断ミス防止を重視する)場合に採用するとよい。一方、方法2では、平均的な表示個数が得られるので、診断効率向上と診断ミス防止との両方のバランスが取れた方法であると考えられる。なお、方法2の変形例として、平均値ではなく中央値を計算する方法や、ns,nc,neのそれぞれに適切な重み(係数)を掛けてから平均値を計算する方法も考えられる。
上述した推論結果の表示個数nの計算方法(方法1及び方法2(更には変形例))は、プログラムの一部として主メモリ112に格納されている。この場合、CPU111は、ユーザのコマンド入力に従って、前記計算方法を1つだけ選択し、選択した計算方法に従って推論結果の表示個数nを決定する。
第2の実施形態によれば、診断対象症例における診断名の推論結果の表示個数を最適な数に制御することができるため、当該診断名の推論結果の表示を最適に行うことが可能となる。
(本発明の他の実施形態)
前述した本発明の各実施形態に係る医用診断支援装置100の制御方法を示す図2、図3、図7の各ステップは、コンピュータのCPU(111)が記憶媒体(112等)に記憶されているプログラムを実行することによって実現できる。このプログラム及び当該プログラムを記憶したコンピュータ読み取り可能な記録媒体は本発明に含まれる。
前述した本発明の各実施形態に係る医用診断支援装置100の制御方法を示す図2、図3、図7の各ステップは、コンピュータのCPU(111)が記憶媒体(112等)に記憶されているプログラムを実行することによって実現できる。このプログラム及び当該プログラムを記憶したコンピュータ読み取り可能な記録媒体は本発明に含まれる。
また、本発明は、例えば、システム、装置、方法、プログラム若しくは記憶媒体等としての実施形態も可能であり、具体的には、複数の機器から構成されるシステムに適用してもよいし、また、1つの機器からなる装置に適用してもよい。
なお、本発明は、前述した各実施形態の機能を実現するソフトウェアのプログラム(実施形態では図2、図3、図7に示すフローチャートに対応したプログラム)を、システム或いは装置に直接、或いは遠隔から供給するものを含む。そして、そのシステム或いは装置のコンピュータが前記供給されたプログラムコードを読み出して実行することによっても達成される場合も本発明に含まれる。
したがって、本発明の機能処理をコンピュータで実現するために、前記コンピュータにインストールされるプログラムコード自体も本発明を実現するものである。つまり、本発明は、本発明の機能処理を実現するためのコンピュータプログラム自体も含まれる。
その場合、プログラムの機能を有していれば、オブジェクトコード、インタプリタにより実行されるプログラム、OSに供給するスクリプトデータ等の形態であってもよい。
プログラムを供給するための記録媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、MO、CD−ROM、CD−R、CD−RWなどがある。また、磁気テープ、不揮発性のメモリカード、ROM、DVD(DVD−ROM,DVD−R)などもある。
その他、プログラムの供給方法としては、クライアントコンピュータのブラウザを用いてインターネットのホームページに接続する。そして、前記ホームページから本発明のコンピュータプログラムそのもの、若しくは圧縮され自動インストール機能を含むファイルをハードディスク等の記録媒体にダウンロードすることによっても供給できる。
また、本発明のプログラムを構成するプログラムコードを複数のファイルに分割し、それぞれのファイルを異なるホームページからダウンロードすることによっても実現可能である。つまり、本発明の機能処理をコンピュータで実現するためのプログラムファイルを複数のユーザに対してダウンロードさせるWWWサーバも、本発明に含まれるものである。
また、本発明のプログラムを暗号化してCD−ROM等の記憶媒体に格納してユーザに配布し、所定の条件をクリアしたユーザに対し、インターネットを介してホームページから暗号化を解く鍵情報をダウンロードさせる。そして、ダウンロードした鍵情報を使用することにより暗号化されたプログラムを実行してコンピュータにインストールさせて実現することも可能である。
また、コンピュータが、読み出したプログラムを実行することによって、前述した各実施形態の機能が実現される。その他、そのプログラムの指示に基づき、コンピュータ上で稼動しているOSなどが、実際の処理の一部又は全部を行い、その処理によっても前述した各実施形態の機能が実現され得る。
さらに、記録媒体から読み出されたプログラムが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれる。その後、そのプログラムの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるCPUなどが実際の処理の一部又は全部を行い、その処理によっても前述した各実施形態の機能が実現される。
なお、前述した各実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。即ち、本発明はその技術思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。
10:医用診断支援システム、100:医用診断支援装置、110:制御部、111:CPU(中央処理装置)、112:主メモリ、113:磁気ディスク、114:表示メモリ、115:バス、120:モニタ、130:マウス、140:キーボード、200:医用画像データベース、300:診断録データベース、400:LAN(ローカルエリアネットワーク)
Claims (6)
- 医用診断を支援する医用診断支援装置であって、
前記医用診断の診断対象症例に係る症例データを取得する取得手段と、
前記症例データに基づいて、予め定められた複数の診断名のそれぞれについて正解となる確率を計算して前記診断対象症例における診断名を推論する推論手段と、
前記症例データに基づいて、前記推論手段により得られる診断名の推論結果における表示個数を決定する決定手段と、
前記推論手段による診断名の推論結果と前記表示個数に基づいて、前記推論結果に基づく診断名の表示制御を行う表示制御手段と
を有することを特徴とする医用診断支援装置。 - 前記決定手段は、前記症例データに加えて前記推論手段による推論に係る学習状況に基づいて、前記表示個数を決定することを特徴とする請求項1に記載の医用診断支援装置。
- 前記表示制御手段は、前記推論結果および前記表示個数に加えて予め設定された表示方法に基づいて、前記表示制御を行うことを特徴とする請求項1に記載の医用診断支援装置。
- 医用診断を支援する医用診断支援装置の制御方法であって、
前記医用診断の診断対象症例に係る症例データを取得する取得ステップと、
推論手段を用いて、前記症例データに基づいて、予め定められた複数の診断名のそれぞれについて正解となる確率を計算して前記診断対象症例における診断名を推論する推論ステップと、
前記症例データに基づいて、前記推論手段により得られる診断名の推論結果における表示個数を決定する決定ステップと、
前記推論手段による診断名の推論結果と前記表示個数に基づいて、前記推論結果に基づく診断名の表示制御を行う表示制御ステップと
を有することを特徴とする医用診断支援装置の制御方法。 - 医用診断を支援する医用診断支援装置の制御方法をコンピュータに実行させるためのプログラムであって、
前記医用診断の診断対象症例に係る症例データを取得する取得ステップと、
推論手段を用いて、前記症例データに基づいて、予め定められた複数の診断名のそれぞれについて正解となる確率を計算して、前記診断対象症例における診断名を推論する推論ステップと、
前記症例データに基づいて、前記推論手段により得られる診断名の推論結果における表示個数を決定する決定ステップと、
前記推論手段による診断名の推論結果と前記表示個数に基づいて、前記推論結果に基づく診断名の表示制御を行う表示制御ステップと
をコンピュータに実行させるためのプログラム。 - 請求項5に記載のプログラムを記憶したことを特徴とするコンピュータ読み取り可能な記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009105656A JP2010252989A (ja) | 2009-04-23 | 2009-04-23 | 医用診断支援装置及びその制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009105656A JP2010252989A (ja) | 2009-04-23 | 2009-04-23 | 医用診断支援装置及びその制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010252989A true JP2010252989A (ja) | 2010-11-11 |
Family
ID=43314617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009105656A Pending JP2010252989A (ja) | 2009-04-23 | 2009-04-23 | 医用診断支援装置及びその制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2010252989A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014147659A (ja) * | 2013-01-09 | 2014-08-21 | Canon Inc | 医療診断支援装置及び医療診断支援方法 |
CN104114083A (zh) * | 2012-02-14 | 2014-10-22 | 佳能株式会社 | 诊断支持设备及其控制方法 |
JP2019033966A (ja) * | 2017-08-18 | 2019-03-07 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
WO2019073940A1 (ja) * | 2017-10-13 | 2019-04-18 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
JP2019153086A (ja) * | 2018-03-02 | 2019-09-12 | 富士フイルム株式会社 | 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム |
JP2019180866A (ja) * | 2018-04-10 | 2019-10-24 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、教師データ作成プログラム及び教師データ作成方法 |
JP7483502B2 (ja) | 2020-05-29 | 2024-05-15 | 富士フイルムヘルスケア株式会社 | 画像診断支援装置および画像診断支援方法 |
-
2009
- 2009-04-23 JP JP2009105656A patent/JP2010252989A/ja active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104114083A (zh) * | 2012-02-14 | 2014-10-22 | 佳能株式会社 | 诊断支持设备及其控制方法 |
US9734300B2 (en) | 2012-02-14 | 2017-08-15 | Canon Kabushiki Kaisha | Diagnosis support apparatus and method of controlling the same |
JP2014147659A (ja) * | 2013-01-09 | 2014-08-21 | Canon Inc | 医療診断支援装置及び医療診断支援方法 |
JP2019033966A (ja) * | 2017-08-18 | 2019-03-07 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
US11423537B2 (en) | 2017-10-13 | 2022-08-23 | Canon Kabushiki Kaisha | Diagnosis assistance apparatus, and information processing method |
WO2019073940A1 (ja) * | 2017-10-13 | 2019-04-18 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
JP2019074868A (ja) * | 2017-10-13 | 2019-05-16 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
US11823386B2 (en) | 2017-10-13 | 2023-11-21 | Canon Kabushiki Kaisha | Diagnosis assistance apparatus, and information processing method |
CN111225614A (zh) * | 2017-10-13 | 2020-06-02 | 佳能株式会社 | 诊断辅助装置、信息处理方法、诊断辅助系统以及程序 |
JP7224757B2 (ja) | 2017-10-13 | 2023-02-20 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
JP2019153086A (ja) * | 2018-03-02 | 2019-09-12 | 富士フイルム株式会社 | 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム |
US11205269B2 (en) | 2018-03-02 | 2021-12-21 | Fujifilm Corporation | Learning data creation support apparatus, learning data creation support method, and learning data creation support program |
JP7066491B2 (ja) | 2018-04-10 | 2022-05-13 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、教師データ作成プログラム及び教師データ作成方法 |
JP2019180866A (ja) * | 2018-04-10 | 2019-10-24 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、教師データ作成プログラム及び教師データ作成方法 |
JP7483502B2 (ja) | 2020-05-29 | 2024-05-15 | 富士フイルムヘルスケア株式会社 | 画像診断支援装置および画像診断支援方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5582707B2 (ja) | 医療意志決定支援装置及びその制御方法 | |
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
JP4949264B2 (ja) | 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 | |
JP5383431B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP5875285B2 (ja) | 医療診断支援装置、情報処理方法及びプログラム | |
JP6914839B2 (ja) | 放射線レポートのためのレポート内容のコンテキスト生成 | |
US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
JP6818424B2 (ja) | 診断支援装置、情報処理方法、診断支援システム及びプログラム | |
WO2013065090A1 (ja) | 類似症例検索装置および類似症例検索方法 | |
JP2010252989A (ja) | 医用診断支援装置及びその制御方法 | |
JP5661890B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2010165127A (ja) | 情報処理装置および情報処理方法 | |
JP2010167042A (ja) | 医用診断支援装置及びその制御方法、並びに、プログラム | |
CN110993063A (zh) | 用于便于由放射科医师和人工智能算法进行联合解释的扫描仪处的医学图像预处理 | |
JP6362061B2 (ja) | 診断支援システム、その作動方法、およびプログラム | |
JP5864942B2 (ja) | 画像処理装置及び画像処理方法 | |
Chan et al. | Deep learning for mammographic breast density assessment and beyond | |
JP6316325B2 (ja) | 情報処理装置、情報処理装置の作動方法及び情報処理システム | |
JP6543308B2 (ja) | 情報処理装置、情報処理装置の作動方法および情報処理システム | |
JP7426908B2 (ja) | 医用情報処理装置、医用情報処理システム、医用情報処理方法、およびプログラム | |
JP6193964B2 (ja) | 情報処理装置、情報処理装置の作動方法および情報処理システム | |
JP6625155B2 (ja) | 情報処理装置、情報処理装置の作動方法及びプログラム | |
JP6527614B2 (ja) | 画像処理装置及び画像処理装置の作動方法 | |
JP6313741B2 (ja) | 画像処理装置及び画像処理装置の作動方法 | |
CN110534182A (zh) | 医学影像的显示方法、显示设备和存储介质 |