JP2015154918A - 病変検出装置及び方法 - Google Patents
病変検出装置及び方法 Download PDFInfo
- Publication number
- JP2015154918A JP2015154918A JP2014243217A JP2014243217A JP2015154918A JP 2015154918 A JP2015154918 A JP 2015154918A JP 2014243217 A JP2014243217 A JP 2014243217A JP 2014243217 A JP2014243217 A JP 2014243217A JP 2015154918 A JP2015154918 A JP 2015154918A
- Authority
- JP
- Japan
- Prior art keywords
- lesion
- anatomical
- information
- candidate
- lesion candidate
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/502—Clinical applications involving diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30068—Mammography; Breast
Abstract
【課題】 病変検出装置及び方法を提供する。
【解決手段】一例によって、医療映像内で病変候補を検出する病変候補検出段階と、医療映像内で解剖学的客体を検出する周辺客体検出段階と、病変候補を病変候補の位置と解剖学的客体の位置との関係情報を含む解剖学的脈絡情報に基づいて検証する病変候補検証段階と、検証結果に基づいて、病変候補のうち、偽陽性病変候補を除去する偽陽性除去段階と、を含みうる。
【選択図】 図3
【解決手段】一例によって、医療映像内で病変候補を検出する病変候補検出段階と、医療映像内で解剖学的客体を検出する周辺客体検出段階と、病変候補を病変候補の位置と解剖学的客体の位置との関係情報を含む解剖学的脈絡情報に基づいて検証する病変候補検証段階と、検証結果に基づいて、病変候補のうち、偽陽性病変候補を除去する偽陽性除去段階と、を含みうる。
【選択図】 図3
Description
本発明は、医療映像から病変を検出する技法に関する。より詳細には、医療映像から検出された1つ以上の病変候補のうちから偽陽性病変候補を除去することによって、病変を検出する方法及び装置に関する。
コンピュータ補助検出(Computer−Aided Detection;CADe)は、コンピュータ補助診断(Computer−Aided Diagnosis;CADx)とも呼ばれ、医師の診断を助けるために、医療映像でコンピュータを用いて自動で病変を検出する技術である。しかし、現在、多くの医療映像の低画質性及び医療映像内の病変の広範囲な非定型性によって、CADで高い正確度を果たすことが非常に難しい。
例えば、超音波映像は、医師によってプローブ(probe)の位置と角度とが任意に選択される。したがって、獲得される超音波映像は、その映像を獲得するために使われたプローブの互いに異なる位置と角度とのために、病変の非定型的映像を含みうる。したがって、このような非定型的な映像に対して病変を自動で検出するアルゴリズムを適用すれば、病変だけではなく、病変ではない解剖学的な要素までも病変と誤認して検出してしまうことが懸念される。
本発明は、病変に関わる部位を適切に検出する装置及び方法等を提供することである。
本発明の一態様による病変検出装置は、医療映像内で病変候補を検出する病変候補検出器と、前記医療映像内で解剖学的客体を検出する周辺客体検出器と、前記病変候補を、前記病変候補の位置と前記解剖学的客体の位置との関係情報を含む解剖学的脈絡情報に基づいて検証する病変候補検証器と、前記病変候補検証器の検証結果に基づいて、前記検出された病変候補のうち、偽陽性病変候補を除去する候補除去器と、を含む。
一実施形態において、前記医療映像を入力する映像入力部をさらに含み、前記医療映像は、人体の胸部(例えば、乳房)を超音波またはX線を用いて撮影した胸部映像(例えば、乳房映像)であり、前記周辺客体検出器は、前記胸部映像から、前記解剖学的客体として皮膚、脂肪、線組織、筋肉、骨のうち少なくとも1つを検出し、前記病変候補検証器は、前記病変候補と前記胸部映像内から検出された前記皮膚、脂肪、線組織、筋肉、骨のうち少なくとも1つとの位置と関連した情報を含む解剖学的脈絡に基づいて検証する。
他の実施形態において、前記病変候補検出器は、ハールフィーチャー検出(Harr feature detection)、デフォーマブルパートモデル(Deformable Part Model;DPM)、またはディープラーニング(Deep Learning)のうち少なくとも1つを用いて、前記医療映像から病変候補を検出する。
さらに他の実施形態において、前記周辺客体検出器は、前記医療映像から前記解剖学的客体のそれぞれを個別的に検出する複数の個別客体検出器を含む。
さらに他の実施形態において、前記複数の個別客体検出器のそれぞれは、ディープラーニング、スライディングウィンドウ技法、またはスーパーピクセル技法を利用する。
さらに他の実施形態において、前記周辺客体検出器は、前記医療映像から前記解剖学的客体を一度に検出する単一客体検出器を含む。
さらに他の実施形態において、前記単一客体検出器は、ディープラーニング技法、スライディングウィンドウ(Sliding Window)技法、またはスーパーピクセル(Superpixel)技法を利用する。
さらに他の実施形態において、前記単一客体検出器は、前記医療映像への全体あるいは一部から複数のフィーチャーマップ(Feature Map)を抽出し、該抽出された前記フィーチャーマップのそれぞれに対応する解剖学的客体を割り当て、特定解剖学的客体が割り当てられたフィーチャーマップの前記医療映像内位置を割り当てられた特定解剖学的客体にラベリングする。
さらに他の実施形態において、前記病変候補検証器は、サポートベクターマシン(Support Vector Machine;SVM)、人工知能ネットワーク(Artificial Neural Network;ANN)、ディープラーニング技法、及びベイジアンネットワーク(Bayesian Network)のうち少なくとも1つの技法を利用する。
さらに他の実施形態において、前記解剖学的脈絡情報は、“人体の特定部位は、既定の解剖学的客体を有する”、“人体の特定部位で、互いに異なる解剖学的客体は、既定の位置関係を有する”、及び“同じ解剖学的客体は、互いに集まって存在する”のうち少なくとも1つの前記解剖学的客体に関連したドメイン情報(domain knowledge)と、“特定病変候補は、人体の特定部位のうち、特定解剖学的客体内にのみ存在する”という前記病変候補に関連したドメイン情報と、を含む。
さらに他の実施形態において、前記解剖学的脈絡情報は、前記病変候補及び前記解剖学的客体の検出情報から抽出されるセルフ情報を含み、前記セルフ情報は、信頼度(confidence level)、明るさ、質感、及び形状に関する情報のうち少なくとも1つを含む。「セルフ情報」は「自体情報(self information)」等と言及されてもよい。
さらに他の実施形態において、前記解剖学的脈絡情報は、前記病変候補及び前記解剖学的客体の検出情報の間の相関関係から抽出される関係情報を含み、前記関係情報は、前記病変候補と前記解剖学的客体との距離、前記病変候補と前記解剖学的客体との間の相対的な位置、または前記病変候補と前記解剖学的客体との間の明るさ、質感または形状の類似度に関する情報のうち少なくとも1つを含む。
さらに他の実施形態において、前記解剖学的脈絡情報は、あらかじめ構築された学習データから獲得された、前記医療映像内で前記病変候補が存在する位置の確率分布情報をさらに含む。
さらに他の実施形態において、前記医療映像が動画中の連続した2次元フレームのうち1つまたは3次元映像の断面のうち1つである場合、前記解剖学的脈絡情報は、隣接フレームまたは隣接断面から獲得された前記病変候補または前記解剖学的客体の位置情報を含む隣接映像情報をさらに含む。
本発明の他の態様によって、病変検出方法は、医療映像内で病変候補を検出する病変候補検出段階と、前記医療映像内で解剖学的客体を検出する周辺客体検出段階と、前記病変候補を、前記病変候補の位置と前記解剖学的客体の位置との関係情報を含む解剖学的脈絡情報に基づいて検証する病変候補検証段階と、前記検証結果に基づいて、前記検出された病変候補のうち、偽陽性病変候補を除去する偽陽性除去段階と、を含む。
本発明のさらに他の態様によって、病変検出装置は、医療映像を保存するメモリと、前記医療映像から病変候補及び解剖学的客体を検出し、前記検出された病変候補と前記検出された解剖学的客体との位置関係と関連した情報を含む解剖学的脈絡情報に基づいて、前記検出された病変候補を検証し、また検証結果に基づいて、前記検出された病変候補のうち、偽陽性病変候補を除去するプロセッサと、を含む。
前述した態様及び実施形態、そして、それ以外の他の態様や実施形態について下記の詳細な説明でさらに見つけられる。
病変検出装置及び/または方法の一例によって、CADe(Computer−Aided Detection)またはCADx(Computer−Aided Diagnosis)装置で病変候補検出技術が提供される。この技術は、例えば、胸部超音波撮影術によって生成される超音波映像またはX線胸部医療映像で病変候補を検出する場合に利用されうる。
本文書で、“解剖学的客体(anatomical object)”という用語は、特定の解剖学的な性質や機能によって区別される要素を称することができる。例えば、乳房の場合、解剖学的客体は、皮膚(skin)、皮下脂肪(subcutaneous fat)、線組織(glandular tissue)、後方脂肪(retromammary fat)、大胸筋(pectoralis muscle)、肋骨(rib)などを含み、多様な組織及び成分であり得る。
“病変候補領域(lesion candidate region/portion)”とは、CADによって検出された、病変(lesion)領域として診断される可能性がある医療映像内の特定領域を意味する。医師は、患者を診断するために、CADによって検出された病変候補領域が実際に病変であるか否かを判断する。
病変検出装置及び方法は、医療映像内から検出された病変候補を解剖学的脈絡情報を用いて検証することによって、偽陽性(False Positive;FP)病変候補を除去する。言い換えれば、まず、映像から病変候補及び解剖学的客体が検出される。その後、検出された病変候補及び解剖学的客体の位置及び位置関係が解剖学的脈絡情報に基づいて検証される。最後に、検証結果に基づいて、検出された病変候補のうちから偽陽性病変候補が除去される。これにより、病変候補が実際病変として検出される可能性が高くなる。
ここで、“偽陽性病変候補”とは、映像内から検出された病変候補のうちから、医学的に診断する価値がある病変候補ではない、誤って検出された病変候補を意味する。例えば、病変候補が脂肪のように、通常、病変が発見されない特定解剖学的客体と関連していると判断される場合、この病変候補は、偽陽性である可能性が大きい。他の例を挙げて、映像が胸部映像である場合に、病変候補が医学的に乳房癌と関連した腫瘍や嚢腫が発見されない可能性が大きい位置に存在すると判断されれば、この病変候補は、偽陽性である可能性が大きい。
医療映像が超音波またはX線による胸部映像である時、この映像から、乳房癌の嚢腫などの病変候補、及び皮膚、皮下脂肪、線組織、後方脂肪、大胸筋肉、肋骨などの解剖学的客体を検出することができる。
病変候補の検出は、映像内で自動で病変候補を見つけるための多様なアルゴリズムを利用する技法を通じて行われる。例えば、ハールフィーチャー検出技法、デフォーマブルパートモデル、ディープラーニングなどの技法を利用できる。
解剖学的客体の検出は、映像から複数の解剖学的客体のそれぞれを個別的に検出することで行われる。この場合、CDBN(Convolutional Deep Belief Network)、CNN(Convolutional Neural Network)のようなさまざまなディープラーニング技法のうち1つを利用できる。また、皮膚を検出する皮膚検出器、脂肪を検出する脂肪検出器、線組織を検出する線組織検出器、筋肉を検出する筋肉検出器のように、それぞれの解剖学的客体に対して別途の検出器を採用することもできる。
一方、解剖学的客体の検出は、1つの胸部超音波映像から複数の解剖学的客体を一度に検出することで行われることもある。この場合、ディープラーニング技法、スライディングウィンドウ技法、またはスーパーピクセル技法を利用できる。まず、胸部超音波映像からさまざまなフィーチャーマップを抽出し、該抽出されたフィーチャーマップを対応する解剖学的客体に割り当て、特定解剖学的客体が割り当てられたフィーチャーマップの映像内位置を特定解剖学的客体にラベリングすることができる。
このように検出された皮膚、脂肪、筋肉、骨などの解剖学的客体は、各解剖学的客体の位置関係に関する解剖学的脈絡情報(context)に基づいて検証されうる。
解剖学的脈絡情報は、病変候補及び解剖学的客体と関連したドメイン情報を含みうる。また、解剖学的脈絡情報は、病変候補及び解剖学的客体と直接関連したセルフ情報を含みうる。そして、解剖学的脈絡情報は、病変候補と解剖学的客体との関係と関連した関係情報を含みうる。さらに、解剖学的脈絡は、特定人体部位の医療映像内で病変候補及び/または解剖学的客体が存在する位置の確率分布情報を含みうる。このような確率分布情報は、あらかじめ構築された学習データに基づいて獲得されうる。また、解剖学的脈絡は、医療映像が動画中の連続した2次元(2D)フレームのうち1つまたは3次元(3D)映像の断面のうち1つである場合、隣接フレームまたは隣接断面から獲得された解剖学的客体の位置情報のような隣接映像情報を含みうる。
以下、病変検出装置及び方法が、図面を参照して例示として記述される。
以下で、2次元胸部超音波映像を例として、病変検出装置及び方法の実施形態を説明する。しかし、医療映像の範囲が、胸部超音波映像に制限される必要はない。例えば、医療映像は、乳房またはそれ以外の他の部位に対する超音波またはX線映像であり、2次元映像または3次元映像であり得る。
図1は、一般的なコンピュータ補助診断装置の構成を例示するブロック図である。図1を参照すれば、一般的に、コンピュータ補助診断装置10は、映像獲得部12、病変検出部14、及び病変診断部16を含む。医療映像装置は、患者の胸部に対する超音波映像を撮影することができる。そうすると、映像獲得部12は、そのような撮影された映像を保存する医療映像装置から映像を受信することができる。病変検出部14は、映像獲得部12から受信された映像に対して病変検出アルゴリズムを適用することによって、病変候補の存否を判断し、存在する病変候補の位置を検出する。病変診断部16は、検出された病変候補の悪性の有無を判断することができる。コンピュータ補助診断装置10は、検出された病変候補を映像と共に診断結果としてディスプレイを通じて表示することができる。
このようなCAD装置で、病変検出部14は、例えば、超音波映像の場合、画質が劣り、非定型的であるということから、実際の病変に対応する病変候補だけではなく、実際の病変とは関係ない偽陽性病変候補も検出してしまう可能性がある。偽陽性病変候補は、検出エラーに対応する。したがって、診断能力及び効率を向上させるために、病変検出部14での検出エラーの数を減少させること、すなわち、偽陽性病変候補の数を減少させることが要求される。
図2は、医療映像の例を図示する。示した医療映像は、胸部(例えば、ヒト乳房)の解剖学的構造内に位置する病変候補の例を含む超音波胸部映像である。図2を参照すれば、人体の胸部を撮影した2次元超音波映像10が例示される。示した映像10は、皮膚11、皮下脂肪12、線組織13、後方脂肪14、大胸筋15、及び肋骨16等の解剖学的客体を含む。「客体」は「対象」、「要素」、「特徴」等と言及されてもよい。また、示した映像10は、嚢腫や悪性病変のような病変候補21、22を含む。これら解剖学的客体は、最上端の皮膚11から順に下側に皮下脂肪12、線組織13、後方脂肪14、大胸筋15、及び肋骨16が配される解剖学的構造を示す。そして、病変候補21、22は、映像内の多種多様な位置に存在し得る。
図3は、病変検出装置の一例を図示するブロック図である。図3を参照すれば、病変検出装置30は、映像入力部31、病変候補検出器33、周辺客体検出器35、病変候補検証器37、候補除去器39、及びディスプレイ部36などのコンポーネントを含みうる。「コンポーネント」は「部分」、「ユニット」、「要素」等と言及されてもよい。
映像入力部31は、医療映像を受信するコンポーネントである。医療映像は、例えば、図2に例示されているような、人体の胸部(例えば、乳房)を超音波を用いて撮影した胸部超音波映像であり得る。このような医療映像は、超音波またはX線などを用いて人体の特定部位を撮影する医療映像診断装置または撮影装置、または、このような映像を保存している保存装置から入力されうる。医療映像診断/撮影装置及び保存装置は、ここではまとめて1つの医療映像装置として言及される場合がある。一例として、映像入力部31は、このような医療映像装置の一部として具現可能であるか、または有無線通信方式でこのような医療映像装置と通信することができる。入力された映像は、分析のために病変検出装置30のメモリ内に保存することができる。
病変候補検出器33、周辺客体検出器35、病変候補検証器37、及び候補除去器39は、1つ以上のコンピュータプロセッサにより実現されてもよい。。
病変候補検出器33は、医療映像を分析して病変候補の存否、及び存在する病変候補の位置を検出するコンポーネントである。病変候補検出器33は、病変候補の検出のために、例えば、ハールフィーチャー検出、デフォーマブルパートモデル、及び/またはディープラーニングのような技法を利用できる。検出された病変候補のそれぞれに、病変候補検出器33によって信頼度を表わす値又はスコア(score)を対応させうる。この信頼度値は、それぞれの病変候補が実際に病変であると判断される可能性を数値で表わしたものである。
周辺客体検出器35は、医療映像内で複数の解剖学的客体を検出することができる。周辺客体検出器35は、医療映像が胸部超音波映像10である場合、解剖学的客体として映像内の皮膚、脂肪、線組織、筋肉、骨などを検出することができる。周辺客体検出器35は、あらゆる解剖学的客体を一度に検出する1つの単一客体検出器を含んでもよいし、または、それぞれの解剖学的客体を個別的に検出する複数の個別客体検出器を含んでいてもよい。周辺客体検出器35は、図4ないし図6に示されたことを参照して、下記でさらに詳しく説明される。
病変候補検証器37は、病変候補検出器33によって検出された病変候補及び周辺客体検出器35によって検出された解剖学的客体を、解剖学的脈絡に関連した情報を含む脈絡情報370に基づいて検証することができる。この場合、病変候補検証器37は、例えば、SVM(Support Vector Machine)、ANN(Artificial Neural Network)、及びベイジアンネットワークのような機械学習及び統計的方法を利用できる。病変候補検証器37は、図8に示されたことを参照して、下記でさらに詳しく説明される。
脈絡情報370は、医療映像が含んでいる解剖学的部位の解剖学的な脈絡を表わす脈絡情報を含みうる。「脈絡」は「コンテキスト(context)」、「背景」、「状況」等と言及されてもよい。脈絡情報は、特に、病変候補及び解剖学的客体の各自の位置及びそれらの間の相互位置関係などを一般的に表わすドメイン情報などを含みうる。例えば、病変候補検証器37は、医療映像が胸部超音波映像10である場合、検出された病変候補、皮膚、脂肪、線組織、筋肉、骨などの各自の相互位置関係などを表わすドメイン情報を利用できる。「ドメイン情報」は「領域情報」等と言及されてもよい。脈絡情報370は、例えば、コンピュータ可読(コンピュータにより読み取ることが可能な)ストレージ媒体に保存することができる。脈絡情報370は、図9に示されたことを参照して、下記でさらに詳しく説明される。
例えば、病変候補検出器33は、DPM技法を用いて映像を分析した後、映像内の1つの特定領域を“信頼度85%の病変候補”であると決定することによって、病変候補を検出すると仮定する。そして、周辺客体検出器35は、スライディングウィンドウ技法を用いて映像を分析した後、映像内の他の1つの特定領域を“信頼度95%の皮下脂肪”であると決定することによって、“皮下脂肪”という解剖学的客体を検出すると仮定する。周辺客体検出器35は、同じ方式で、“皮膚”、“線組織”、“後方脂肪”、“大胸筋”のような他の解剖学的客体を検出することが可能である。
このような例において、病変候補検証器37は、検出された“病変候補”が実際に病変であるか否かを、解剖学的脈絡情報を用いて検証することができる。例えば、病変候補検証器37は、病変候補として検出された特定領域(以下、“A領域”と言う)が、解剖学的客体が存在する位置と如何なる関係にあるかを、SVM技法を用いて検証することができる。言い換えれば、病変候補検証器37は、A領域が他の客体と比べた場合に、同一位置に存在するか、近接しているか、または遠く離れているか等のような解剖学的脈絡情報を参照することができる。これにより、病変候補検証器37は、A領域が、実際に病変であるか、偽陽性であるかを判断することができる。
候補除去器39は、病変候補検証器37によって検証された結果を受信することができる。これにより、候補除去器は、病変候補検出器33によって検出された病変候補のうち、病変候補検証器37によって偽陽性と判定された病変候補を除去した後、残りの病変候補を原本映像10に含ませて出力することができる。その結果は、図7を参照して、下記でさらに詳しく記述される。
図4は、図3に示された装置で、周辺客体検出器の一例を図示するブロック図である。図4を参照すれば、図3の周辺客体検出器35の一例として、映像内のあらゆる解剖学的客体を一度に検出する単一検出器40が示される。図4で示した例で、単一検出器40は、医療映像で複数の解剖学的客体を検出する時、スライディングウィンドウ技法を利用する。
示したように、単一検出器40は、HOG(Histogram Of Gradient)特徴点、すなわち、フィーチャーマップ又は特徴マップを用いて解剖学的客体を検出することができる。そのために、単一検出器40は、フィーチャーマップ抽出部41、フィーチャーマップ割り当て部43、及び映像ラベリング部45を含みうる。フィーチャーマップ抽出部41は、映像から少なくとも1つのフィーチャーマップを抽出する。フィーチャーマップ割り当て部43は、抽出されたフィーチャーマップを対応する解剖学的客体に割り当てる。そのために、抽出されたフィーチャーマップは、既に保存されている多数のフィーチャーマップと比較されうる。既に保存されている多数のフィーチャーマップのうちから一致するものが存在すれば、その一致するフィーチャーマップが対応している解剖学的客体に、抽出されたフィーチャーマップを対応させることができる。映像ラベリング部45は、特定解剖学的客体が割り当てられたフィーチャーマップの映像内の位置をその特定解剖学的客体にラベリングする又は割り当てることができる。これにより、映像内のフィーチャーマップの位置は、特定解剖学的客体として検出されうる。
それ以外にも、単一検出器は、スーパーピクセル技法を用いて構成することができる。この場合、映像内のピクセルをスーパーピクセルに再限定した後、それぞれのスーパーピクセルに対して強度(intensity)、テクスチャ、スパースコーディング(sparse coding)、DBN(Deep Belief Network)を利用した特徴点などの映像情報を利用する分類器(classifier)形式で構成可能である。
図5は、図4に示された周辺客体検出器によって抽出されたフィーチャーマップの例を示す図面である。図5を参照すれば、嚢腫のフィーチャーマップ51、他の嚢腫のフィーチャーマップ53、悪性病変のフィーチャーマップ55、線組織のフィーチャーマップ57を含むフィーチャーマップグループ50が例示される。このようなフィーチャーマップグループ50は、単に例示に過ぎず、多種多様の病変の種類及び/または解剖学的構造を識別するための多様なフィーチャーマップがさらに利用されてよいことは自明である。このようなフィーチャーマップは、図3に示された病変候補検出器33によっても同様に利用されうる。
図6は、図3に示された装置で、周辺客体検出器の他の例を説明する図面である。図6を参照すれば、図3に示された周辺客体検出器35の例として、複数の個別客体検出器61、63、65、67を含むマルチ検出器60が例示される。皮膚客体検出器61は、原本映像10から皮膚11領域のみを検出する。皮下脂肪客体検出器63は、原本映像10から皮下脂肪12領域のみを検出する。線組織客体検出器65は、原本映像10から線組織13領域のみを検出することができる。大胸筋客体検出器67は、原本映像10から大胸筋15領域のみを検出することができる。図6に示された図面で、検出された多様な解剖学的客体または組織は、カラーコーディングされる。例えば、皮膚に対応する映像部分は、青色に、皮下脂肪に対応する映像部分は、茶色に、線組織に対応する映像部分は、緑色に、大胸筋に対応する映像部分は、黄色にそれぞれ表示される。図3に示された装置は、ディスプレイスクリーン上でこのようにカラーコーディングされた映像をユーザに表示させうる。
一例によって、複数の個別客体検出器61、63、65、67のそれぞれは、多様なディープラーニング技法のうち1つを用いて構成することができる。例えば、DHN(Deep Hierarchical Network)、CDBN、DDN(Deconvolutional Deep Network)などを利用できる。
図7は、図3の実施形態で、原本映像から検出された病変候補及び解剖学的客体が表示された合成映像の例を説明する図面である。図7は、図3の候補除去器39が病変候補検証器37によって検証された結果によって偽陽性を除去した後、原本映像10に検出結果を含ませて出力した合成映像の例である。このような例において、映像は、原本映像の残りの病変候補を含む。図7に示したように、原本映像のうちから肋骨領域71、皮下脂肪領域72、線組織領域73が表示されており、また、2つの病変候補が示されている。例えば、映像は、病変検出装置のディスプレイ部のタッチスクリーンまたはディスプレイスクリーン上に出力される。このような例において、1つの病変候補74は、信頼度値が0.69(または、69%)に表示され、残りの病変候補は、信頼度値として0.12(または、12%)が表示されている。このように、病変候補は、ユーザによって容易に識別させる視覚的な表示と共に表示される。このような例において、たとえ病変候補74を表わすために、四角形箱が使われているが、他の例では、病変周囲の境界線またはカラーハイライトのようなその他の多様な視覚的なマーキング(marking)が使用されてよい。
図8は、図3に示された病変候補検証器の一例をさらに詳しく示すブロック図である。図8を参照すれば、図3に示された病変候補検証器37は、セルフ情報抽出器371、関係情報抽出器373、病変存在確率計算器375、及び検証処理部377などのコンポーネントを含みうる。
セルフ情報抽出器371は、病変候補検出器33によって検出された病変候補から病変候補自体と関連した情報、すなわち、病変候補自体の情報(セルフ情報)を抽出することができる。病変候補のセルフ情報は、例えば、信頼度値、病変候補領域を形成するピクセルの明るさ(または、強度)を表わす値、病変候補領域の質感を表わす値、及び/または病変候補の形状を表わす情報などを含みうる。また、セルフ情報抽出器371は、周辺客体検出器35によって検出された解剖学的客体から同様に解剖学的客体のセルフ情報を抽出することができる。解剖学的客体のセルフ情報も、同様に信頼度値、解剖学的客体領域を形成するピクセルの明るさ(または、強度)を表わす値、解剖学的客体領域の質感を表わす値、及び/または解剖学的客体の形状を表わす情報などを含みうる。セルフ情報抽出器371によって抽出されたセルフ情報は、脈絡情報370に含まれうる。
関係情報抽出器373は、病変候補及び解剖学的客体の検出情報の間の相関関係から抽出される関係情報を含みうる。関係情報は、病変候補と解剖学的客体との距離、病変候補と解剖学的客体との間の相対的な位置、及び/または病変候補と解剖学的客体との間の明るさ、質感または形状の類似度に関する情報を含みうる。関係情報抽出器373によって抽出された関係情報は、脈絡情報370に含まれうる。
病変存在確率計算器375は、あらかじめ構築された学習データから特定病変候補が特定解剖学的構造内で存在する位置の確率分布情報を計算することができる。病変存在確率計算器375によって計算された確率分布情報は、確率情報として脈絡情報370に含まれうる。
検証処理部377は、脈絡情報370に含まれた情報を用いて病変候補検証器37の検証機能を行うコンポーネントである。すなわち、セルフ情報抽出器371、関係情報抽出器373、及び/または病変存在確率計算器375によって獲得されたセルフ情報、関係情報、確率情報などは、脈絡情報370に追加される。脈絡情報370は、図9を参照して、下記でさらに説明されるように、ドメイン情報、セルフ情報、関係情報、確率情報、及び/または隣接映像情報を含みうる。検証処理部377は、脈絡情報370内のドメイン情報、セルフ情報、関係情報、確率情報、及び/または隣接映像情報を用いて特定病変情報が偽陽性であるか否かを検証するプロセスを行うことができる。
脈絡情報370は、ドメイン情報、セルフ情報、関係情報、確率情報、及び/または隣接映像情報を含みうる脈絡情報を保存するコンピュータ可読ストレージ媒体であって、病変候補検証器37に1つのコンポーネントとして含まれることもあり、または、病変候補検証器37の外部にありながら、有線または無線通信連結によってデータ通信可能に連結されている別途の外部コンポーネントであり得る。脈絡情報370に保存されている脈絡情報は、図9に示されたことを参照して、下記でさらに詳しく説明される。
図9は、図3に示された病変候補検証器によって利用される脈絡情報の一例を示すブロック図である。
図9を参照すれば、脈絡情報370に保存される解剖学的脈絡情報は、解剖学的ドメイン情報3701、セルフ情報3703、関係情報3705、確率情報3707、及び/または隣接映像情報3709を含みうる。
脈絡情報のうち、ドメイン情報3701は、領域間の位置関係を表わす情報である。ドメイン情報3701には、少なくとも、“人体の特定部位は、既定の解剖学的客体を有する”、“人体の特定部位で、互いに異なる解剖学的客体は、既定の位置関係を有する”、及び“同じ解剖学的客体は、互いに集まって存在する”という情報のような解剖学的客体と関連した一般的な知識又は情報が含まれうる。
例えば、胸部超音波映像の場合、“乳房の場合、皮膚、皮下脂肪、線組織、後方脂肪、大胸筋、肋骨の解剖学的客体を有する”、“乳房の場合、皮膚が最上層に位置し、皮膚の下に皮下脂肪が位置し、皮下脂肪の下に線組織が位置し、線組織の下に後方脂肪が位置し、後方脂肪のすぐ下に大胸筋が位置し、大胸筋の下に肋骨が位置する”のような解剖学的な位置情報が、ドメイン情報として含まれうる。
また、ドメイン情報3701には、病変候補と関連したドメイン情報として、例えば、“特定病変候補は、人体の特定部位のうち、特定解剖学的客体内にのみ存在する”という情報が含まれうる。
例えば、胸部超音波映像の場合、“乳房の場合、乳房癌が促進可能な時期に、乳房癌嚢腫は、線組織部位に存在する”のような一般的な医学的な位置情報が含まれうる。
また、脈絡情報は、また病変候補及び解剖学的客体の検出情報から抽出されるセルフ情報3703を含みうる。セルフ情報3703は、信頼度、明るさ、質感、及び/または形状に関する情報を含みうる。例えば、特定病変候補または特定解剖学的客体を構成するピクセルの明るさ値、特定病変候補または特定解剖学的客体を表わす領域の質感、特定病変候補または特定解剖学的客体の形状に関する情報を含みうる。
さらに、脈絡情報は、病変候補及び解剖学的客体の検出情報の間の相関関係から抽出される関係情報3705を含みうる。関係情報3705は、病変候補と解剖学的客体との距離、病変候補と解剖学的客体との間の相対的な位置、または病変候補と解剖学的客体との間の明るさ、質感または形状の類似度に関する情報のうち少なくとも1つを含みうる。ここで、病変候補と解剖学的客体との間の相対的な位置は、例えば、胸部映像の場合、病変候補が、皮膚及び皮下脂肪に対して下に位置し、大胸筋に対して上に位置するか否かを表わす関係情報であり得る。
さらに、脈絡情報は、確率情報3707を含みうる。確率情報3707は、あらかじめ構築された学習データから獲得されうる。確率情報3707は、特定医療映像内で病変及び解剖学的客体のそれぞれが存在する位置の確率分布情報であり得る。
例えば、胸部超音波映像の場合、“皮膚は、映像の最上端に100%存在する”、“皮下脂肪”は、映像の最上端から10cm離れた位置から発見される確率は50%である”、“乳房癌嚢腫のような病変は、皮下脂肪と後方脂肪との間で10〜31%確率で発見されうる”のような確率分布情報が確率情報3707に含まれうる。
また、さらに、脈絡情報は、隣接映像情報3709を含みうる。隣接映像情報3709は、医療映像が動画中の連続した2次元フレームのうち1つまたは3次元映像の断面のうち1つである場合、隣接フレームまたは隣接断面から獲得された病変情報及び/または解剖学的客体の位置情報を含みうる。
例えば、現在医療映像が、3次元超音波ボリューム映像のスライスのうち1つである場合、以前に隣接したスライスを分析した結果、検出された病変情報及び/または解剖学的客体の位置は、現在スライスから検出された病変情報及び/または解剖学的客体と連関性が高い。したがって、隣接映像情報に含まれた以前に検出された解剖学的客体の位置情報は、現在映像から検出された病変情報及び/または解剖学的客体を検証し、調整するための参照資料として有用である。
図10は、図9に示された脈絡情報の例のうち、確率情報の一例を示すグラフである。図10を参照すれば、胸部超音波映像から病変発見位置の確率分布が、グラフとして示される。図示のグラフで、水平軸は、皮膚から大胸筋に向かう体内に入る方向に沿う距離を表わし、垂直軸は、病変が発見される確率である。グラフから分かるように、病変が皮膚と大胸筋の付近の位置で発見される確率は低く、皮膚と大胸筋との間の中間地点のような位置では約31%程度もの確率で病変が発見されることが分かる。このような確率分布は、既存の病変発見過程から蓄積されたデータを学習データとして構築し、この学習データを通じて獲得されうる。病変候補に関する位置情報は、その病変候補が偽陽性病変候補である可能性があるか否かを決定するために使われる。
図11は、病変検出方法の一例を示すフローチャートである。図11を参照すれば、病変検出方法110は、医療映像の獲得過程を含みうる。例えば、入力動作111で、図3に示された装置の映像入力部によって医療映像が入力されうる。このような医療映像は、超音波またはX線などを用いて人体の特定部位を撮影する医療映像診断装置または撮影装置、または、このような映像を保存している保存装置から入力されうる。
映像が入力されれば、図3に示された装置の病変候補検出器33及び周辺客体検出器35によって、入力された映像を分析して、映像内の特定位置に存在する病変候補及び解剖学的客体を関心領域として検出する検出段階が進行する(113)。この検出段階(113)は、映像が胸部超音波映像である場合、乳房癌の嚢腫のような病変と疑うことができる領域を病変候補として検出し、皮膚、脂肪、線組織、筋肉、骨などを解剖学的客体として検出することができる。
その後、検出された関心領域のうち、特に、病変候補の偽陽性判定のための資料として利用するために、脈絡情報が、例えば、図3の病変候補検証器37によってコンピュータ可読ストレージ媒体から獲得される(115)。脈絡情報は、図3の脈絡情報370であり得る。このような例において、脈絡情報370は、ドメイン情報を含み、コンピュータ可読媒体上にあらかじめ保存することができる。ドメイン情報は、病変候補に関連したドメイン情報及び/または解剖学的客体に関連したドメイン情報を含みうる。ドメイン情報、例えば、図9のドメイン情報3701であり得る。
脈絡情報が獲得されれば、例えば、図3の病変候補検証器37によって、獲得した脈絡情報に基づいて、関心領域のうち、病変候補の偽陽性有無が検証されうる(117)。例えば、病変候補が、皮膚と判定された領域と同じ位置に存在するならば、この病変候補は、実際に病変と判断されない可能性が高いので、偽陽性と判断される。例えば、病変候補が、線組織領域に存在すると判定されれば、この病変候補は、実際に病変と判断される可能性が高いので、偽陽性ではないと判断される。
このような検証段階(117)の検証結果は、以後、例えば、図3の候補除去器39によって利用されることによって、偽陽性病変候補が除去された病変候補結果が出力される。
図12は、医療映像で偽陽性病変候補を除去することによって、病変を検出する方法の他の例を示すフローチャートである。図12を参照すれば、病変検出方法120は、例えば、図3に示された装置の映像入力部に医療映像が入力(121)されると始まる。このような医療映像は、超音波またはX線などを用いて人体の特定部位を撮影する医療映像診断装置または撮影装置、または、このような映像を保存している保存装置から入力されうる。
映像が入力されれば、図3に示された装置の病変候補検出器33及び周辺客体検出器35によって、入力された映像を分析して、映像内の特定位置に存在する病変候補及び解剖学的客体を関心領域として検出する検出段階が進行する(123)。このような分析は、コンピュータプロセッサによって行われる。この検出段階(123)は、映像が胸部超音波映像である場合、乳房癌の嚢腫のような病変と疑うことができる領域を病変候補として検出し、皮膚、脂肪、線組織、筋肉、骨などを解剖学的客体として検出することができる。
その後、検出された関心領域のうち、特に、病変候補の偽陽性判定のための資料として利用するために、脈絡情報が、例えば、図3の病変候補検証器37によってコンピュータ可読ストレージ媒体から獲得される(125)。脈絡情報は、図3の脈絡情報370であり得る。このような例において、脈絡情報370は、ドメイン情報を含み、コンピュータ可読媒体上にあらかじめ保存することができる。ドメイン情報は、病変候補に関連したドメイン情報及び/または解剖学的客体に関連したドメイン情報を含みうる。ドメイン情報は、例えば、図9のドメイン情報3701であり得る。
また、この段階(125)で、病変候補検証器37は、以前段階(123)から検出された関心領域からセルフ情報及び関係情報を抽出することができる。抽出されたセルフ情報は、関心領域、すなわち、病変候補及び解剖学的客体の信頼度、明るさ、質感、及び/または形状に関する情報を含みうる。例えば、特定病変候補または特定解剖学的客体を構成するピクセルの明るさ値、特定病変候補または特定解剖学的客体を表わす領域の質感、特定病変候補または特定解剖学的客体の形状に関する情報を含みうる。一方、抽出された関係情報は、病変候補と解剖学的客体との距離、病変候補と解剖学的客体との間の相対的な位置、または病変候補と解剖学的客体との間の明るさ、質感または形状の類似度に関する情報を含みうる。抽出されたセルフ情報及び関係情報は、例えば、図9のセルフ情報373及び関係情報3705として脈絡情報370に追加されうる。
脈絡情報が獲得されれば、例えば、図3の病変候補検証器37によって、獲得した脈絡情報、すなわち、セルフ情報、関係情報及びドメイン情報に基づいて、関心領域のうち、病変候補の偽陽性有無が検証されうる(127)。例えば、病変候補が、皮膚と判定された領域と同じ位置に存在するならば、この病変候補は、実際に病変と判断されない可能性が高いので、偽陽性と判断される。例えば、病変候補が、線組織領域に存在すると判定されれば、この病変候補は、実際に病変と判断される可能性が高いので、偽陽性ではないと判断される。
このような検証段階(127)の検証結果は、以後、例えば、図3の候補除去器39によって利用されることによって、偽陽性病変候補が除去された病変候補結果が出力される。
図13は、病変検出方法のさらに他の例を示すフローチャートである。図13を参照すれば、病変検出方法130は、例えば、図3に示された装置の映像入力部によって医療映像が入力(131)されると始まる。このような医療映像は、超音波またはX線などを用いて人体の特定部位を撮影する医療映像診断装置または撮影装置、または、このような映像を保存している保存装置から入力されうる。医療映像診断装置、撮影装置、または保存装置は、集合的に医療映像装置と称されうる。
映像が入力されれば、図3に示された装置の病変候補検出器33及び周辺客体検出器35によって、入力された映像を分析して、映像内の特定位置に存在する病変候補及び解剖学的客体を関心領域として検出する検出段階が進行する(133)。この検出段階(133)は、映像が胸部超音波映像である場合、乳房癌の嚢腫のような病変と疑うことができる領域を病変候補として検出し、皮膚、脂肪、線組織、筋肉、骨などを解剖学的客体として検出することができる。
その後、検出された関心領域のうち、特に、病変候補の偽陽性判定のための資料として利用するために、脈絡情報が、例えば、図3の病変候補検証器37によってコンピュータ可読ストレージ媒体から獲得される(135)。脈絡情報は、図3の脈絡情報370であり得る。このような例において、脈絡情報370は、ドメイン情報を含み、コンピュータ可読媒体上にあらかじめ保存することができる。ドメイン情報は、病変候補に関連したドメイン情報及び/または解剖学的客体に関連したドメイン情報を含みうる。ドメイン情報は、例えば、図9のドメイン情報3701であり得る。
また、この段階(135)で、病変候補検証器37は、以前段階(133)から検出された関心領域からセルフ情報及び関係情報を抽出することができる。抽出されたセルフ情報は、関心領域、すなわち、病変候補及び解剖学的客体の信頼度、明るさ、質感、及び/または形状に関する情報を含みうる。例えば、特定病変候補または特定解剖学的客体を構成するピクセルの明るさ値、特定病変候補または特定解剖学的客体を表わす領域の質感、特定病変候補または特定解剖学的客体の形状に関する情報を含みうる。一方、抽出された関係情報は、病変候補と解剖学的客体との距離、病変候補と解剖学的客体との間の相対的な位置(胸部映像(例えば、乳房映像)の場合、病変候補が、皮膚及び皮下脂肪に対して下に位置し、大胸筋に対して上に位置するかの有無のような)、または、病変候補と解剖学的客体との間の明るさ、質感または形状の類似度に関する情報を含みうる。抽出されたセルフ情報及び関係情報は、例えば、図9のセルフ情報3703及び関係情報3705として脈絡情報370に追加されうる。
さらに、脈絡情報は、確率情報を含みうる。確率情報は、あらかじめ構築された学習データから獲得されうる。確率情報は、特定医療映像内で病変及び解剖学的客体のそれぞれが存在する位置の確率分布情報であり得る。この確率情報は、ドメイン情報と同様にあらかじめ保存される。確率情報は、例えば、図9の確率情報3707として脈絡情報370に追加されうる。
また、さらに、脈絡情報は、隣接映像情報を含みうる。医療映像が、動画中の連続した2次元フレームのうち1つまたは3次元映像の断面のうち1つである場合、隣接映像情報は、現在フレームまたは現在断面に対して隣接する隣接フレームまたは隣接断面から獲得されうる。このような隣接映像情報は、病変情報及び/または解剖学的客体の位置情報を含みうる。この隣接映像情報は、ドメイン情報及び確率情報と同様にあらかじめ保存される。隣接映像情報は、例えば、図9の隣接映像情報3709として脈絡情報370に追加されうる。
脈絡情報が獲得されれば、例えば、図3の病変候補検証器37によって、獲得した脈絡情報、すなわち、セルフ情報、関係情報及びドメイン情報に基づいて、関心領域のうち、病変候補の偽陽性有無が検証されうる(137)。例えば、病変候補が、皮膚と判定された領域と同じ位置に存在するならば、この病変候補は、実際に病変と判断されない可能性が高いので、偽陽性と判断される。例えば、病変候補が、線組織領域に存在すると判定されれば、この病変候補は、実際に病変と判断される可能性が高いので、偽陽性ではないと判断される。
このような検証段階(137)の検証結果は、以後、例えば、図3の候補除去器39によって利用されることによって、偽陽性病変候補が除去された病変候補結果が出力される。
前述した病変検出装置は、プロセッサ、メモリ、ユーザ入力装置、プレゼンテーション装置のうち少なくとも一部を含むコンピューティング装置によって具現されうる。メモリは、プロセッサによって実行されれば、特定タスクを行うようにコーディングされているコンピュータ可読ソフトウェア、アプリケーション、プログラムモジュール、ルーチン、インストラクション(instructions)、及び/またはデータなどを保存する非転移(non−transitory)媒体である。プロセッサは、メモリに保存されているコンピュータ可読ソフトウェア、アプリケーション、プログラムモジュール、ルーチン、インストラクション、及び/またはデータなどを読み出して実行することができる。ユーザ入力装置は、ユーザをしてプロセッサに特定タスクを実行させる命令を入力するか、特定タスクの実行に必要なデータを入力させる手段であり得る。ユーザ入力装置は、物理的なまたは仮想的なキーボードやキーパッド、キーボタン、マウス、ジョイスティック、トラックボール、タッチ敏感型入力手段、またはマイクロホンなどを含みうる。プレゼンテーション装置は、ディスプレイ、プリンター、スピーカー、または振動装置などを含みうる。
コンピューティング装置は、スマートフォン、タブレット、ラップトップ、デスクトップ、サーバ、クライアントなどの多様な装置を含みうる。コンピューティング装置は、1つの単一なスタンドアロン装置でもあり、通信網を通じて互いに協力する多数のコンピューティング装置からなる分散型環境で動作する多数のコンピューティング装置を含みうる。
また、前述した病変検出方法は、プロセッサを備え、また、プロセッサによって実行されれば、医療映像内偽陽性病変候補除去方法を行うようにコーディングされたコンピュータ可読ソフトウェア、アプリケーション、プログラムモジュール、ルーチン、インストラクション、及び/またはデータ構造などを保存したメモリを備えるコンピューティング装置によって実行可能である。
図1ないし図10を参照して記述された病変検出装置は、単に例示に過ぎない。当業者は、請求項の範囲内で多様な組合わせの他の装置が可能であるということを容易に理解できる。病変検出装置のコンポーネントは、それぞれの機能を具現する回路を含むハードウェアによって具現されうる。また、病変検出装置のコンポーネントは、コンピューティング装置のプロセッサによって行われれば、特定タスクを実行するコンピュータ実行可能ソフトウェア、ファームウエア及びハードウェアの組合わせによって具現されることもある。
一方、図11ないし図13を参照して記述された病変検出方法は、単に例示に過ぎない。当業者は、請求項の範囲内で多様な組合わせの他の方法が可能であるということを容易に理解できる。病変検出方法の例は、コンピューティング装置のプロセッサによって行われれば、特定タスクを実行するコンピュータ実行可能インストラクションでコーディングされうる。コンピュータ実行可能インストラクションは、ソフトウェア開発者によって、例えば、ベーシック、フォートラン、C、C++のようなプログラミング言語によってコーディングされた後、機械言語にコンパイルされうる。
Claims (27)
- 医療映像内で病変候補を検出する病変候補検出器と、
前記医療映像内で解剖学的客体を検出する周辺客体検出器と、
前記病変候補を、前記病変候補の位置と前記解剖学的客体の位置との関係情報を含む解剖学的脈絡情報に基づいて検証する病変候補検証器と、
前記病変候補検証器の検証結果に基づいて、検出された前記病変候補のうち、偽陽性病変候補を除去する候補除去器と、
を含む病変検出装置。 - 前記医療映像を入力する映像入力部をさらに含み、
前記医療映像は、人体の胸部を超音波またはX線を用いて撮影した胸部映像であり、
前記周辺客体検出器は、前記胸部映像から、前記解剖学的客体として皮膚、脂肪、線組織、筋肉、骨のうち少なくとも1つを検出し、
前記病変候補検証器は、前記病変候補と前記胸部映像内から検出された前記皮膚、脂肪、線組織、筋肉、骨のうち少なくとも1つとの位置と関連した情報を含む解剖学的脈絡に基づいて検証する請求項1に記載の病変検出装置。 - 前記病変候補検出器は、
ハールフィーチャー検出、デフォーマブルパートモデル(DPM)、またはディープラーニングのうち少なくとも1つを用いて前記医療映像から病変候補を検出する請求項1又は2に記載の病変検出装置。 - 前記周辺客体検出器は、
前記医療映像から前記解剖学的客体のそれぞれを個別的に検出する複数の個別客体検出器を含む請求項1〜3のうち何れか一項に記載の病変検出装置。 - 前記複数の個別客体検出器のそれぞれは、ディープラーニング、スライディングウィンドウ技法、またはスーパーピクセル技法を利用する請求項4に記載の病変検出装置。
- 前記周辺客体検出器は、
前記医療映像から前記解剖学的客体を一度に検出する単一客体検出器を含む請求項1〜5のうち何れか一項に記載の病変検出装置。 - 前記単一客体検出器は、ディープラーニング技法、スライディングウィンドウ技法、またはスーパーピクセル技法を利用する請求項6に記載の病変検出装置。
- 前記単一客体検出器は、
前記医療映像への全体あるいは一部から複数のフィーチャーマップを抽出し、該抽出された前記フィーチャーマップのそれぞれに対応する解剖学的客体を割り当て、特定解剖学的客体が割り当てられたフィーチャーマップの前記医療映像内位置を割り当てられた特定解剖学的客体にラベリングする請求項6に記載の病変検出装置。 - 前記病変候補検証器は、
サポートベクターマシン(SVM)、人工知能ネットワーク(ANN)、ディープラーニング技法、及びベイジアンネットワークのうち少なくとも1つの技法を利用する請求項1〜8のうち何れか一項に記載の病変検出装置。 - 前記解剖学的脈絡情報は、
“人体の特定部位は、既定の解剖学的客体を有する”、“人体の特定部位で、互いに異なる解剖学的客体は、既定の位置関係を有する”、及び“同じ解剖学的客体は、互いに集まって存在する”のうち少なくとも1つの前記解剖学的客体に関連したドメイン情報と、“特定病変候補は、人体の特定部位のうち、特定解剖学的客体内にのみ存在する”という前記病変候補に関連したドメイン情報と、
を含む請求項1〜9のうち何れか一項に記載の病変検出装置。 - 前記解剖学的脈絡情報は、
前記病変候補及び前記解剖学的客体の検出情報から抽出されるセルフ情報を含み、
前記セルフ情報は、信頼度、明るさ、質感、及び形状に関する情報のうち少なくとも1つを含む請求項10に記載の病変検出装置。 - 前記解剖学的脈絡情報は、
前記病変候補及び前記解剖学的客体の検出情報の間の相関関係から抽出される関係情報を含み、
前記関係情報は、前記病変候補と前記解剖学的客体との距離、前記病変候補と前記解剖学的客体との間の相対的な位置、または前記病変候補と前記解剖学的客体との間の明るさ、質感または形状の類似度に関する情報のうち少なくとも1つを含む請求項10に記載の病変検出装置。 - 前記解剖学的脈絡情報は、
あらかじめ構築された学習データから獲得された、前記医療映像内で前記病変候補が存在する位置の確率分布情報をさらに含む請求項10に記載の病変検出装置。 - 前記医療映像が動画中の連続した2次元フレームのうち1つまたは3次元映像の断面のうち1つである場合、
前記解剖学的脈絡情報は、隣接フレームまたは隣接断面から獲得された前記病変候補または前記解剖学的客体の位置情報を含む隣接映像情報をさらに含む請求項10に記載の病変検出装置。 - 医療映像内で病変候補を検出する病変候補検出段階と、
前記医療映像内で解剖学的客体を検出する周辺客体検出段階と、
前記病変候補を、前記病変候補の位置と前記解剖学的客体の位置との関係情報を含む解剖学的脈絡情報に基づいて検証する病変候補検証段階と、
前記検証結果に基づいて、前記検出された病変候補のうち、偽陽性病変候補を除去する偽陽性除去段階と、
を含む病変検出方法。 - 医療映像装置から前記医療映像を獲得する段階をさらに含み、
前記医療映像は、人体の胸部を超音波またはX線を用いて撮影した胸部映像であり、
前記周辺客体検出段階は、前記胸部映像から、前記解剖学的客体として皮膚、脂肪、線組織、筋肉、骨のうち少なくとも1つを検出し、
前記病変候補検証段階は、前記病変候補と前記胸部映像内から検出された前記皮膚、脂肪、線組織、筋肉、骨のうち少なくとも1つとの位置関係を含む解剖学的脈絡に基づいて検証する請求項15に記載の病変検出方法。 - 前記周辺客体検出段階は、
前記医療映像から前記解剖学的客体のそれぞれを個別的に検出する複数の個別客体検出段階を含む請求項15又は16に記載の病変検出方法。 - 前記周辺客体検出段階は、
前記医療映像から前記解剖学的客体を一度に検出する単一客体検出段階を含む請求項15〜17のうち何れか一項に記載の病変検出方法。 - 前記単一客体検出段階は、
前記医療映像の全体あるいは一部から複数のフィーチャーマップを抽出する段階と、
抽出された前記フィーチャーマップのそれぞれに対応する解剖学的客体を割り当てる段階と、
特定解剖学的客体が割り当てられたフィーチャーマップの前記医療映像内位置を割り当てられた特定解剖学的客体にラベリングする段階と、
を含む請求項18に記載の病変検出方法。 - 前記病変候補検証段階は、
サポートベクターマシン(SVM)、人工知能ネットワーク(ANN)、ベイジアンネットワークのうち少なくとも1つの技法を利用する請求項15〜19のうち何れか一項に記載の病変検出方法。 - 前記解剖学的脈絡情報は、
“人体の特定部位は、既定の解剖学的客体を有する”、“人体の特定部位で、互いに異なる解剖学的客体は、既定の位置関係を有する”、及び“同じ解剖学的客体は、互いに集まって存在する”のうち少なくとも1つの前記解剖学的客体に関連したドメイン情報と、
“特定病変候補は、人体の特定部位のうち、特定解剖学的客体内にのみ存在する”という前記病変候補に関連したドメイン情報と、
を含む請求項15〜20のうち何れか一項に記載の病変検出方法。 - 前記解剖学的脈絡情報は、
前記病変候補及び前記解剖学的客体の検出情報から抽出されるセルフ情報を含み、
前記セルフ情報は、信頼度、明るさ、質感、及び形状に関する情報のうち少なくとも1つを含む請求項21に記載の病変検出方法。 - 前記解剖学的脈絡情報は、
前記病変候補及び前記解剖学的客体の検出情報の間の相関関係から抽出される関係情報を含み、
前記関係情報は、前記病変候補と前記解剖学的客体との距離、前記病変候補と前記解剖学的客体との間の相対的な位置、または前記病変候補と前記解剖学的客体との間の明るさ、質感または形状の類似度に関する情報のうち少なくとも1つを含む請求項21に記載の病変検出方法。 - 前記解剖学的脈絡情報は、
あらかじめ構築された学習データから獲得された、前記医療映像内で前記病変候補が存在する位置の確率分布情報をさらに含む請求項21に記載の病変検出方法。 - 前記医療映像が動画中の連続した2次元フレームのうち1つまたは3次元映像の断面のうち1つである場合、
前記解剖学的脈絡情報は、隣接フレームまたは隣接断面から獲得された前記病変候補または前記解剖学的客体の位置情報を含む隣接映像情報をさらに含む請求項21に記載の病変検出方法。 - 医療映像を保存するメモリと、
前記医療映像から病変候補及び解剖学的客体を検出するプロセッサであって、検出された前記病変候補と検出された前記解剖学的客体との位置関係に関連した情報を含む解剖学的脈絡情報に基づいて、検出された前記病変候補を検証するように形成され、かつ、検証結果に基づいて、前記検出された病変候補のうち、偽陽性病変候補を除去するように形成されたプロセッサと、
を含む病変検出装置。 - 医療映像装置から前記医療映像を獲得し、前記メモリに保存する映像入力部と、
前記偽陽性病変候補が除去された後、残りの病変候補が表示された前記医療映像を出力するディスプレイ部と、をさらに含み、
前記医療映像は、超音波またはX線を使って撮影されたヒト乳房の映像であり、前記解剖学的客体は、前記胸部映像の皮膚、脂肪、線組織、筋肉、骨のうち少なくとも1つを含む請求項26に記載の病変検出装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140019265A KR20150098119A (ko) | 2014-02-19 | 2014-02-19 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
KR10-2014-0019265 | 2014-02-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2015154918A true JP2015154918A (ja) | 2015-08-27 |
Family
ID=51751986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014243217A Pending JP2015154918A (ja) | 2014-02-19 | 2014-12-01 | 病変検出装置及び方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9532762B2 (ja) |
EP (1) | EP2911111A3 (ja) |
JP (1) | JP2015154918A (ja) |
KR (1) | KR20150098119A (ja) |
CN (1) | CN104840209A (ja) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018180386A1 (ja) * | 2017-03-30 | 2018-10-04 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
JP2018161206A (ja) * | 2017-03-24 | 2018-10-18 | カシオ計算機株式会社 | 画像処理装置、画像処理方法及びプログラム |
KR20190000836A (ko) * | 2017-06-23 | 2019-01-03 | 울산대학교 산학협력단 | 초음파 영상 처리 방법 |
WO2019021512A1 (ja) | 2017-07-27 | 2019-01-31 | 株式会社トプコン | 眼科システム及び眼科情報処理装置 |
JP2019504659A (ja) * | 2015-11-29 | 2019-02-21 | アーテリーズ インコーポレイテッド | 自動化された心臓ボリュームセグメンテーション |
KR20190090986A (ko) * | 2018-01-26 | 2019-08-05 | 울산대학교 산학협력단 | 흉부 의료 영상 판독 지원 시스템 및 방법 |
JP2019530490A (ja) * | 2016-08-22 | 2019-10-24 | コイオス メディカル,インコーポレイテッド | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 |
JP2020519369A (ja) * | 2017-05-11 | 2020-07-02 | ベラソン インコーポレイテッドVerathon Inc. | 確率マップに基づいた超音波検査 |
JPWO2020175356A1 (ja) * | 2019-02-27 | 2020-09-03 | ||
JP2020528303A (ja) * | 2017-07-11 | 2020-09-24 | 中慧医学成像有限公司 | 人体の骨格を取得するイメージング方法 |
JPWO2019138773A1 (ja) * | 2018-01-10 | 2020-12-10 | 富士フイルム株式会社 | 医療画像処理装置、内視鏡システム、医療画像処理方法及びプログラム |
US10902598B2 (en) | 2017-01-27 | 2021-01-26 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
KR20210014267A (ko) * | 2019-07-30 | 2021-02-09 | 주식회사 힐세리온 | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
JP2021510107A (ja) * | 2018-01-08 | 2021-04-15 | リヴァンナ メディカル、エルエルシー. | 超音波画像データの三次元撮像およびモデリング |
JP2021118840A (ja) * | 2020-01-30 | 2021-08-12 | 株式会社日立製作所 | 医用画像処理装置及び医用画像処理方法 |
JP2021521982A (ja) * | 2018-04-27 | 2021-08-30 | デルフィヌス メディカル テクノロジーズ, インコーポレイテッド | 超音波断層撮影画像上の特徴抽出および分類のためのシステムおよび方法 |
CN113712594A (zh) * | 2020-05-25 | 2021-11-30 | 株式会社日立制作所 | 医用图像处理装置以及医用摄像装置 |
JP2021536276A (ja) * | 2018-09-05 | 2021-12-27 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 超音波画像による脂肪層の識別 |
US11348228B2 (en) | 2017-06-26 | 2022-05-31 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for virtual pancreatography |
WO2022231329A1 (ko) * | 2021-04-28 | 2022-11-03 | 자이메드 주식회사 | 생체 이미지 조직 표시 방법 및 장치 |
US11551353B2 (en) | 2017-11-22 | 2023-01-10 | Arterys Inc. | Content based image retrieval for lesion analysis |
JP7457571B2 (ja) | 2020-05-19 | 2024-03-28 | 富士フイルムヘルスケア株式会社 | 超音波診断装置及び診断支援方法 |
Families Citing this family (72)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10603007B2 (en) | 2009-11-27 | 2020-03-31 | Qview Medical, Inc. | Automated breast ultrasound equipment and methods using enhanced navigator aids |
US9439621B2 (en) | 2009-11-27 | 2016-09-13 | Qview, Medical Inc | Reduced image reading time and improved patient flow in automated breast ultrasound using enchanced, whole breast navigator overview images |
US10251621B2 (en) | 2010-07-19 | 2019-04-09 | Qview Medical, Inc. | Automated breast ultrasound equipment and methods using enhanced navigator aids |
US9826958B2 (en) | 2009-11-27 | 2017-11-28 | QView, INC | Automated detection of suspected abnormalities in ultrasound breast images |
KR20150108701A (ko) | 2014-03-18 | 2015-09-30 | 삼성전자주식회사 | 의료 영상 내 해부학적 요소 시각화 시스템 및 방법 |
JP6400725B2 (ja) * | 2014-03-21 | 2018-10-03 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 関心領域を区分化するための画像処理機器及び方法 |
JP6346576B2 (ja) * | 2015-02-27 | 2018-06-20 | Hoya株式会社 | 画像処理装置 |
KR101657495B1 (ko) * | 2015-09-04 | 2016-09-30 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
DE102015217429A1 (de) * | 2015-09-11 | 2017-03-16 | Siemens Healthcare Gmbh | Diagnosesystem und Diagnoseverfahren |
CN105118068B (zh) * | 2015-09-29 | 2017-12-05 | 常熟理工学院 | 一种小样本条件下医学图像自动标注方法 |
KR102592076B1 (ko) * | 2015-12-14 | 2023-10-19 | 삼성전자주식회사 | 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치 |
US11331040B2 (en) | 2016-01-05 | 2022-05-17 | Logicink Corporation | Communication using programmable materials |
US9959617B2 (en) | 2016-01-28 | 2018-05-01 | Taihao Medical Inc. | Medical image processing apparatus and breast image processing method thereof |
NL2016285B1 (en) | 2016-02-19 | 2017-09-20 | Scyfer B V | Device and method for generating a group equivariant convolutional neural network. |
JP6559917B2 (ja) * | 2016-06-07 | 2019-08-14 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 超音波システム並びに乳房組織の撮像及び乳房超音波画像のアノテーション方法 |
TWI574671B (zh) * | 2016-06-27 | 2017-03-21 | 太豪生醫股份有限公司 | 乳房影像的分析方法以及其電子裝置 |
CN106295124B (zh) * | 2016-07-27 | 2018-11-27 | 广州麦仑信息科技有限公司 | 多种图像检测技术综合分析基因子图相似概率量的方法 |
US9905044B1 (en) * | 2016-08-25 | 2018-02-27 | General Electric Company | Systems and methods for functional imaging |
KR101740464B1 (ko) | 2016-10-20 | 2017-06-08 | (주)제이엘케이인스펙션 | 뇌졸중 진단 및 예후 예측 방법 및 시스템 |
KR101856867B1 (ko) * | 2016-10-26 | 2018-05-10 | 고려대학교 산학협력단 | 구강 병변의 진단 시스템 및 방법 |
CN115097937A (zh) * | 2016-11-15 | 2022-09-23 | 奇跃公司 | 用于长方体检测的深度学习系统 |
WO2018144627A1 (en) * | 2017-01-31 | 2018-08-09 | Logicink Corporation | Cumulative biosensor system to detect alcohol |
US10140709B2 (en) | 2017-02-27 | 2018-11-27 | International Business Machines Corporation | Automatic detection and semantic description of lesions using a convolutional neural network |
WO2018157868A1 (zh) * | 2017-03-02 | 2018-09-07 | 江清泉 | 一种超声波显像系统及其显像方法 |
US11664114B2 (en) | 2017-05-25 | 2023-05-30 | Enlitic, Inc. | Medical scan assisted review system |
AU2018317894A1 (en) | 2017-08-17 | 2020-03-05 | Logicink Corporation | Sensing of markers for airborne particulate pollution by wearable colorimetry |
CN107680082A (zh) * | 2017-09-11 | 2018-02-09 | 宁夏医科大学 | 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法 |
TWI683276B (zh) | 2017-11-10 | 2020-01-21 | 太豪生醫股份有限公司 | 病灶偵測裝置及其方法 |
CN107945167A (zh) * | 2017-11-27 | 2018-04-20 | 北京医拍智能科技有限公司 | 基于深度神经网络的慢性阻塞性肺病的检测系统 |
CN108399619B (zh) * | 2017-12-22 | 2021-12-24 | 联想(北京)有限公司 | 医疗诊断的系统及装置 |
CN108280827B (zh) * | 2018-01-24 | 2020-11-24 | 北京红云视界技术有限公司 | 基于深度学习的冠状动脉病变自动检测方法、系统和设备 |
KR102153920B1 (ko) * | 2018-02-26 | 2020-09-09 | (주)헬스허브 | 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법 |
US11382601B2 (en) * | 2018-03-01 | 2022-07-12 | Fujifilm Sonosite, Inc. | Method and apparatus for annotating ultrasound examinations |
US11823376B2 (en) | 2018-05-16 | 2023-11-21 | Benevis Informatics, Llc | Systems and methods for review of computer-aided detection of pathology in images |
KR102229939B1 (ko) * | 2018-07-30 | 2021-03-19 | 연세대학교 산학협력단 | 인공신경망을 이용한 심박동기 구분을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
US10943681B2 (en) | 2018-11-21 | 2021-03-09 | Enlitic, Inc. | Global multi-label generating system |
US11457871B2 (en) | 2018-11-21 | 2022-10-04 | Enlitic, Inc. | Medical scan artifact detection system and methods for use therewith |
US11145059B2 (en) | 2018-11-21 | 2021-10-12 | Enlitic, Inc. | Medical scan viewing system with enhanced training and methods for use therewith |
US11282198B2 (en) | 2018-11-21 | 2022-03-22 | Enlitic, Inc. | Heat map generating system and methods for use therewith |
KR102063492B1 (ko) * | 2018-11-30 | 2020-01-08 | 아주대학교산학협력단 | 기계학습용 의료 영상 데이터의 학습 노이즈 필터링 방법 및 그 시스템 |
CN109686444A (zh) * | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
KR102216279B1 (ko) * | 2019-01-22 | 2021-02-17 | 한국과학기술원 | 유방 종괴 특성에 따른 시각적 증거 해석 방법 및 그 시스템 |
CN110009600A (zh) * | 2019-02-14 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 一种医学图像区域过滤方法、装置及存储介质 |
CN110033019B (zh) * | 2019-03-06 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
KR102188649B1 (ko) * | 2019-07-16 | 2020-12-09 | (주)제이엘케이 | 영상 처리 장치 및 방법 |
KR102400568B1 (ko) * | 2019-07-19 | 2022-05-24 | 울산대학교 산학협력단 | 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치 |
KR102279160B1 (ko) * | 2019-07-19 | 2021-07-20 | 울산대학교 산학협력단 | 이미지의 특이 영역 분석 방법 및 장치 |
US11308611B2 (en) | 2019-10-09 | 2022-04-19 | Siemens Healthcare Gmbh | Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging |
CN110693526A (zh) * | 2019-11-11 | 2020-01-17 | 深圳先进技术研究院 | 一种肌肉疾病评估方法、系统及电子设备 |
US11462315B2 (en) | 2019-11-26 | 2022-10-04 | Enlitic, Inc. | Medical scan co-registration and methods for use therewith |
KR102235681B1 (ko) * | 2019-12-03 | 2021-04-05 | 주식회사 딥노이드 | 수술 위치 항법 장치 및 그 방법 |
KR102393390B1 (ko) * | 2019-12-30 | 2022-04-29 | 서울여자대학교 산학협력단 | 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법 |
EP3852054A1 (en) | 2020-01-16 | 2021-07-21 | Koninklijke Philips N.V. | Method and system for automatically detecting anatomical structures in a medical image |
CN111401452B (zh) * | 2020-03-17 | 2022-04-26 | 北京大学 | 一种基于偏微分算子的等变卷积网络模型的图像分类方法 |
US11309072B2 (en) | 2020-04-21 | 2022-04-19 | GE Precision Healthcare LLC | Systems and methods for functional imaging |
CN111603199B (zh) * | 2020-04-24 | 2023-03-14 | 中国人民解放军总医院第二医学中心 | 一种基于体表定位测量仪的三维重建超声诊断系统 |
KR102396911B1 (ko) * | 2020-05-19 | 2022-05-11 | 가천대학교 산학협력단 | 유방 종괴 자동 검출 방법 및 시스템 |
KR102460257B1 (ko) * | 2020-07-03 | 2022-10-28 | 주식회사 뷰노 | 진단 결과를 제공하기 위한 방법 및 장치 |
CN111932507B (zh) * | 2020-07-31 | 2021-04-09 | 苏州慧维智能医疗科技有限公司 | 一种基于消化内镜实时识别病变的方法 |
US20220067919A1 (en) * | 2020-08-26 | 2022-03-03 | GE Precision Healthcare LLC | System and method for identifying a tumor or lesion in a probabilty map |
KR102375786B1 (ko) * | 2020-09-14 | 2022-03-17 | 주식회사 뷰노 | 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법 |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
US11587236B2 (en) * | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
KR20220097697A (ko) | 2020-12-30 | 2022-07-08 | 경북대학교 산학협력단 | 융합 심층신경망 모델을 이용한 의료영상 분할 방법 및 시스템 |
US11669678B2 (en) | 2021-02-11 | 2023-06-06 | Enlitic, Inc. | System with report analysis and methods for use therewith |
KR102517232B1 (ko) * | 2021-08-02 | 2023-03-31 | 가천대학교 산학협력단 | 머신러닝 기반의 의료 영상에 대한 반사광 제거 방법 및 이를 이용한 장치 |
KR102370167B1 (ko) * | 2021-10-25 | 2022-03-04 | 주식회사 파인트리시스템 | 인공지능 기반 초음파 병변 진단 보조시스템 |
KR20230168168A (ko) * | 2022-06-03 | 2023-12-12 | 주식회사 온택트헬스 | 초음파 영상 뷰에 대한 정보 제공 방법 및 이를 이용한 초음파 영상 뷰에 대한 정보 제공용 디바이스 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003070102A2 (en) | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
AU2003260902A1 (en) | 2002-10-16 | 2004-05-04 | Koninklijke Philips Electronics N.V. | Hierarchical image segmentation |
US7466848B2 (en) * | 2002-12-13 | 2008-12-16 | Rutgers, The State University Of New Jersey | Method and apparatus for automatically detecting breast lesions and tumors in images |
US7092749B2 (en) | 2003-06-11 | 2006-08-15 | Siemens Medical Solutions Usa, Inc. | System and method for adapting the behavior of a diagnostic medical ultrasound system based on anatomic features present in ultrasound images |
EP1636731A2 (en) | 2003-06-25 | 2006-03-22 | Siemens Medical Solutions USA, Inc. | Systems and methods for automated diagnosis and decision support for breast imaging |
WO2006126384A1 (ja) * | 2005-05-23 | 2006-11-30 | Konica Minolta Medical & Graphic, Inc. | 異常陰影候補の表示方法及び医用画像処理システム |
US7648460B2 (en) | 2005-08-31 | 2010-01-19 | Siemens Medical Solutions Usa, Inc. | Medical diagnostic imaging optimization based on anatomy recognition |
US8050734B2 (en) | 2005-09-07 | 2011-11-01 | General Electric Company | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure |
JP4991748B2 (ja) | 2005-11-21 | 2012-08-01 | 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 | 構造のモデルを作成する方法 |
US7865002B2 (en) * | 2006-06-02 | 2011-01-04 | Carolina Imaging Specialists, Inc. | Methods and apparatus for computer automated diagnosis of mammogram images |
CA2668297C (en) | 2006-09-19 | 2017-10-24 | Cedara Software Corp. | System and method for shutter detection |
US20080107321A1 (en) | 2006-11-02 | 2008-05-08 | Fujifilm Corporation | Spiculation detection method and apparatus for CAD |
US8051386B2 (en) | 2006-12-21 | 2011-11-01 | Sectra Ab | CAD-based navigation of views of medical image data stacks or volumes |
US8224057B2 (en) | 2007-10-18 | 2012-07-17 | Siemens Aktiengesellschaft | Method and system for nodule feature extraction using background contextual information in chest x-ray images |
US8160341B2 (en) | 2007-12-21 | 2012-04-17 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automatic robust anatomy detection through local voting and prediction |
US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
US20110026791A1 (en) * | 2009-07-29 | 2011-02-03 | Icad, Inc. | Systems, computer-readable media, and methods for classifying and displaying breast density |
US8064677B2 (en) | 2009-11-25 | 2011-11-22 | Fujifilm Corporation | Systems and methods for measurement of objects of interest in medical images |
JP5971682B2 (ja) | 2011-03-02 | 2016-08-17 | 東芝メディカルシステムズ株式会社 | 磁気共鳴イメージング装置 |
JP5777053B2 (ja) | 2011-05-12 | 2015-09-09 | 株式会社東芝 | 画像処理装置 |
KR20130012297A (ko) | 2011-07-25 | 2013-02-04 | 삼성전자주식회사 | 병변 검출 장치, 병변 검출 방법 및 병변 진단 장치 |
KR20140018748A (ko) * | 2012-08-03 | 2014-02-13 | 삼성전자주식회사 | 의료 영상에서 병변의 분석 장치 및 방법 |
-
2014
- 2014-02-19 KR KR1020140019265A patent/KR20150098119A/ko not_active Application Discontinuation
- 2014-09-24 US US14/495,545 patent/US9532762B2/en not_active Expired - Fee Related
- 2014-10-21 EP EP14189610.0A patent/EP2911111A3/en not_active Ceased
- 2014-11-13 CN CN201410641338.5A patent/CN104840209A/zh active Pending
- 2014-12-01 JP JP2014243217A patent/JP2015154918A/ja active Pending
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6993334B2 (ja) | 2015-11-29 | 2022-01-13 | アーテリーズ インコーポレイテッド | 自動化された心臓ボリュームセグメンテーション |
JP2019504659A (ja) * | 2015-11-29 | 2019-02-21 | アーテリーズ インコーポレイテッド | 自動化された心臓ボリュームセグメンテーション |
US11551361B2 (en) | 2016-08-22 | 2023-01-10 | Koios Medical, Inc. | Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy |
JP7183376B2 (ja) | 2016-08-22 | 2022-12-05 | コイオス メディカル,インコーポレイテッド | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 |
JP2019530490A (ja) * | 2016-08-22 | 2019-10-24 | コイオス メディカル,インコーポレイテッド | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 |
JP2022024139A (ja) * | 2016-08-22 | 2022-02-08 | コイオス メディカル,インコーポレイテッド | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 |
US10902598B2 (en) | 2017-01-27 | 2021-01-26 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
JP2018161206A (ja) * | 2017-03-24 | 2018-10-18 | カシオ計算機株式会社 | 画像処理装置、画像処理方法及びプログラム |
JP7024197B2 (ja) | 2017-03-24 | 2022-02-24 | カシオ計算機株式会社 | 画像処理装置、画像処理方法及びプログラム |
WO2018180386A1 (ja) * | 2017-03-30 | 2018-10-04 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
JPWO2018180386A1 (ja) * | 2017-03-30 | 2019-11-07 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
KR102409090B1 (ko) | 2017-05-11 | 2022-06-15 | 베라톤 인코포레이티드 | 확률 맵 기반의 초음파 스캐닝 |
KR20220040507A (ko) * | 2017-05-11 | 2022-03-30 | 베라톤 인코포레이티드 | 확률 맵 기반의 초음파 스캐닝 |
JP2020519369A (ja) * | 2017-05-11 | 2020-07-02 | ベラソン インコーポレイテッドVerathon Inc. | 確率マップに基づいた超音波検査 |
KR102139856B1 (ko) | 2017-06-23 | 2020-07-30 | 울산대학교 산학협력단 | 초음파 영상 처리 방법 |
KR20190000836A (ko) * | 2017-06-23 | 2019-01-03 | 울산대학교 산학협력단 | 초음파 영상 처리 방법 |
US11348228B2 (en) | 2017-06-26 | 2022-05-31 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for virtual pancreatography |
JP2020528303A (ja) * | 2017-07-11 | 2020-09-24 | 中慧医学成像有限公司 | 人体の骨格を取得するイメージング方法 |
JP7055860B2 (ja) | 2017-07-11 | 2022-04-18 | 中慧医学成像有限公司 | 人体の骨格を取得するイメージング方法 |
US11617505B2 (en) | 2017-07-27 | 2023-04-04 | Topcon Corporation | Ophthalmic system, ophthalmic information processing device, and ophthalmic diagnosing method |
WO2019021512A1 (ja) | 2017-07-27 | 2019-01-31 | 株式会社トプコン | 眼科システム及び眼科情報処理装置 |
US11551353B2 (en) | 2017-11-22 | 2023-01-10 | Arterys Inc. | Content based image retrieval for lesion analysis |
JP2021510107A (ja) * | 2018-01-08 | 2021-04-15 | リヴァンナ メディカル、エルエルシー. | 超音波画像データの三次元撮像およびモデリング |
JP7277967B2 (ja) | 2018-01-08 | 2023-05-19 | リヴァンナ メディカル、インク. | 超音波画像データの三次元撮像およびモデリング |
JPWO2019138773A1 (ja) * | 2018-01-10 | 2020-12-10 | 富士フイルム株式会社 | 医療画像処理装置、内視鏡システム、医療画像処理方法及びプログラム |
US11526986B2 (en) | 2018-01-10 | 2022-12-13 | Fujifilm Corporation | Medical image processing device, endoscope system, medical image processing method, and program |
KR102178803B1 (ko) * | 2018-01-26 | 2020-11-16 | 울산대학교 산학협력단 | 흉부 의료 영상 판독 지원 시스템 및 방법 |
KR20190090986A (ko) * | 2018-01-26 | 2019-08-05 | 울산대학교 산학협력단 | 흉부 의료 영상 판독 지원 시스템 및 방법 |
JP2021521982A (ja) * | 2018-04-27 | 2021-08-30 | デルフィヌス メディカル テクノロジーズ, インコーポレイテッド | 超音波断層撮影画像上の特徴抽出および分類のためのシステムおよび方法 |
JP2021536276A (ja) * | 2018-09-05 | 2021-12-27 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 超音波画像による脂肪層の識別 |
JP7358457B2 (ja) | 2018-09-05 | 2023-10-10 | コーニンクレッカ フィリップス エヌ ヴェ | 超音波画像による脂肪層の識別 |
WO2020175356A1 (ja) * | 2019-02-27 | 2020-09-03 | 学校法人慶應義塾 | 記憶媒体、画像診断補助装置、学習装置、及び、学習済みモデルの生成方法 |
JP7185242B2 (ja) | 2019-02-27 | 2022-12-07 | 株式会社フィックスターズ | プログラム及び画像診断補助装置 |
JPWO2020175356A1 (ja) * | 2019-02-27 | 2020-09-03 | ||
KR102338018B1 (ko) | 2019-07-30 | 2021-12-10 | 주식회사 힐세리온 | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
KR20210014267A (ko) * | 2019-07-30 | 2021-02-09 | 주식회사 힐세리온 | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
JP2021118840A (ja) * | 2020-01-30 | 2021-08-12 | 株式会社日立製作所 | 医用画像処理装置及び医用画像処理方法 |
US11657909B2 (en) | 2020-01-30 | 2023-05-23 | Fujifilm Healthcare Corporation | Medical image processing apparatus and medical image processing method |
JP7382240B2 (ja) | 2020-01-30 | 2023-11-16 | 富士フイルムヘルスケア株式会社 | 医用画像処理装置及び医用画像処理方法 |
JP7457571B2 (ja) | 2020-05-19 | 2024-03-28 | 富士フイルムヘルスケア株式会社 | 超音波診断装置及び診断支援方法 |
US11526991B2 (en) | 2020-05-25 | 2022-12-13 | Fujifilm Healthcare Corporation | Medical image processing apparatus, and medical imaging apparatus |
CN113712594A (zh) * | 2020-05-25 | 2021-11-30 | 株式会社日立制作所 | 医用图像处理装置以及医用摄像装置 |
CN113712594B (zh) * | 2020-05-25 | 2023-12-26 | 富士胶片医疗健康株式会社 | 医用图像处理装置以及医用摄像装置 |
WO2022231329A1 (ko) * | 2021-04-28 | 2022-11-03 | 자이메드 주식회사 | 생체 이미지 조직 표시 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
EP2911111A3 (en) | 2015-09-23 |
EP2911111A2 (en) | 2015-08-26 |
US20150230773A1 (en) | 2015-08-20 |
US9532762B2 (en) | 2017-01-03 |
KR20150098119A (ko) | 2015-08-27 |
CN104840209A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2015154918A (ja) | 病変検出装置及び方法 | |
US10383602B2 (en) | Apparatus and method for visualizing anatomical elements in a medical image | |
US10362941B2 (en) | Method and apparatus for performing registration of medical images | |
JP5851160B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
CN105678746B (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
JP2014534822A (ja) | モデルに基づいた冠動脈のカルシウムスコアリング | |
KR20160012758A (ko) | 영상 진단 보조 장치 및 방법 | |
JP4640845B2 (ja) | 画像処理装置およびそのプログラム | |
JP5134287B2 (ja) | 医用画像表示装置、医用画像表示方法、プログラム、記憶媒体およびマンモグラフィ装置 | |
WO2010035518A1 (ja) | 医用画像処理装置及びプログラム | |
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
US10307124B2 (en) | Image display device, method, and program for determining common regions in images | |
US20170079604A1 (en) | System and method for digital breast tomosynthesis | |
JP2015136480A (ja) | 3次元医用画像表示制御装置およびその作動方法並びに3次元医用画像表示制御プログラム | |
KR101494975B1 (ko) | 3차원 자동 유방 초음파 영상의 유두 자동 검출 시스템 및 그 검출 방법 | |
JP2017111129A (ja) | 輪郭抽出装置、輪郭抽出方法およびプログラム | |
JP2006175036A (ja) | 肋骨形状推定装置、肋骨形状推定方法およびそのプログラム | |
JP2005211439A (ja) | 異常陰影表示装置およびそのプログラム | |
KR102454374B1 (ko) | 흉막 삼출의 검출 방법 및 이를 위한 장치 | |
JP2010075330A (ja) | 医用画像処理装置及びプログラム | |
JP2010075334A (ja) | 医用画像処理装置及びプログラム | |
KR102639803B1 (ko) | 흉막 삼출의 검출 방법 및 이를 위한 장치 | |
US11836923B2 (en) | Image processing apparatus, image processing method, and storage medium | |
JP2005160916A (ja) | 石灰化陰影判定方法、石灰化陰影判定装置及びプログラム |