JP2018175343A - 医用画像処理装置および方法並びにプログラム - Google Patents

医用画像処理装置および方法並びにプログラム Download PDF

Info

Publication number
JP2018175343A
JP2018175343A JP2017078659A JP2017078659A JP2018175343A JP 2018175343 A JP2018175343 A JP 2018175343A JP 2017078659 A JP2017078659 A JP 2017078659A JP 2017078659 A JP2017078659 A JP 2017078659A JP 2018175343 A JP2018175343 A JP 2018175343A
Authority
JP
Japan
Prior art keywords
medical image
lesion
area
discriminator
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.)
Granted
Application number
JP2017078659A
Other languages
English (en)
Other versions
JP6955303B2 (ja
Inventor
聡志 井原
Satoshi Ihara
聡志 井原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2017078659A priority Critical patent/JP6955303B2/ja
Priority to US15/948,266 priority patent/US10846853B2/en
Publication of JP2018175343A publication Critical patent/JP2018175343A/ja
Application granted granted Critical
Publication of JP6955303B2 publication Critical patent/JP6955303B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/12—Arrangements for detecting or locating foreign bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—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
    • 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
    • G06T2207/10072—Tomographic images
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Evolutionary Biology (AREA)

Abstract

【課題】びまん性肺疾患などの病変を血管と区別して高精度に検出することができる医用画像処理装置および方法並びにプログラムを提供する。
【解決手段】医用画像を取得する医用画像取得部１１と、医用画像における病変領域を検出する病変検出部１２とを備え、病変検出部１２が、医用画像における病変領域候補を識別する第１の識別器１３と、第１の識別器１３によって識別された病変領域候補が血管領域であるか否かを識別する第２の識別器１４とを有し、第２の識別器１４によって血管領域であると識別されなかった病変候補領域を病変領域として検出する。
【選択図】図１

Description

本発明は、医用画像に含まれる病変領域を検出する医用画像処理装置および方法並びにプログラムに関するものである。
近年、ＣＴ（Computed Tomography）装置およびＭＲＩ（Magnetic Resonance Imaging）装置等の医療機器の進歩により、より質の高い高解像度の３次元画像が画像診断に用いられるようになってきている。
ところで、肺の疾患として、びまん性肺疾患が知られている。びまん性肺疾患は、ＣＴ装置などによって撮影された断面画像上において特徴的なパターンで現れる。したがって、機械学習により生成された識別器を用いて検出することが有効である。
特表２００６−５２１１１８号公報
しかしながら、たとえばＴＩＢ（tree-in-bud appearance）（点状影または粒状影）の場合、２次元の断面画像上では点状のパターンとして現れるので血管の断面と区別をつけることが難しい。
そこで、ＴＩＢと血管を区別するため、３次元画像で機械学習された識別器を用いることが考えられる。
しかしながら、びまん性肺疾患の場合、５ｍｍ以上の厚いスライス厚で撮影する場合が多く、機械学習する際に用いられる３次元の正解データを収集することは非常に困難であり、現実的でない。
なお、特許文献１には、３次元の強調フィルタを用いて小結節および血管を抽出することが開示されているが、上述したように肺疾患の３次元画像としては、スライス厚が厚い３次元画像しか収集することが困難であるため、３次元の強調フィルタとして高精度なフィルタを構成することは困難である。
本発明は、上記事情に鑑み、びまん性肺疾患などの病変を血管と区別して高精度に検出することができる医用画像処理装置および方法並びにプログラムを提供することを目的とするものである。
本発明の医用画像処理装置は、医用画像を取得する医用画像取得部と、医用画像における病変領域を検出する病変検出部とを備え、病変検出部が、医用画像における病変領域候補を識別する第１の識別器と、第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを識別する第２の識別器とを有し、第２の識別器によって血管領域または気管支領域であると識別されなかった病変候補領域を病変領域として検出する。
また、上記本発明の医用画像処理装置において、第１の識別器は、２次元の医用画像を用いて病変領域候補を識別することができ、第２の識別器は、３次元の医用画像を用いて病変領域候補が血管領域であるか否か、または気管支領域であるか否かを識別することができる。
また、上記本発明の医用画像処理装置において、第１の識別器は、２次元の学習用医用画像データを用いて機械学習されたものとすることができ、第２の識別器は、３次元の学習用医用画像データを用いて機械学習されたものとすることができる。
また、上記本発明の医用画像処理装置において、第１の識別器および第２の識別器の少なくとも１つは、ＣＮＮ（Convolutional Neural Network）を用いて機械学習されたものとすることができる。
また、上記本発明の医用画像処理装置において、第１の識別器と第２の識別器とは、異なるスライス厚の学習用医用画像を用いて機械学習されたものとすることができる。
また、上記本発明の医用画像処理装置において、第１の識別器は、第２の識別器よりもスライス厚が厚い学習用医用画像を用いて機械学習されたものすることができる。
また、上記本発明の医用画像処理装置において、病変領域は、腫瘍の病変領域またはびまん性肺疾患の病変領域とすることができる。
また、上記本発明の医用画像処理装置において、病変検出部は、基準スライス厚を予め保持することができ、医用画像が基準スライス厚以上の画像である場合には、第１の識別器による病変領域候補の識別のみを行い、病変領域候補を病変領域として検出することができる。
また、上記本発明の医用画像処理装置において、病変検出部は、医用画像が１枚の断面画像のみである場合には、第１の識別器による病変領域候補の識別のみを行い、病変領域候補を病変領域として検出することができる。
本発明の医用画像処理方法は、医用画像を取得し、医用画像における病変領域候補を第１の識別器を用いて識別し、第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを第２の識別器を用いて識別し、第２の識別器によって血管領域または気管支領域であると識別されなかった病変候補領域を病変領域として検出する。
本発明の医用画像処理プログラムは、コンピュータを、医用画像を取得する医用画像取得部と、医用画像における病変領域を検出する病変検出部として機能させる医用画像処理プログラムであって、病変検出部が、医用画像における病変領域候補を識別する第１の識別器と、第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを識別する第２の識別器とを有し、第２の識別器によって血管領域または気管支領域であると識別されなかった病変候補領域を病変領域として検出する。
本発明の他の医用画像処理装置は、コンピュータに実行させるための命令を記憶するメモリと、記憶された命令を実行するよう構成されたプロセッサであって、医用画像を取得し、医用画像における病変領域候補を第１の識別器を用いて識別する処理と、第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを第２の識別器を用いて識別する処理と、第２の識別器によって血管領域または気管支領域であると識別されなかった病変候補領域を病変領域として検出する処理とを実行するプロセッサを備える。
本発明の医用画像処理装置および方法並びにプログラムによれば、医用画像を取得し、医用画像における病変領域候補を第１の識別器を用いて識別する。そして、第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを第２の識別器を用いて識別し、第２の識別器によって血管領域または気管支領域であると識別されなかった病変候補領域を病変領域として検出する。これにより、びまん性肺疾患などの病変領域を血管領域と区別して高精度に検出することができる
本発明の医用画像処理装置の一実施形態を用いた医用画像診断支援システムの概略構成を示すブロック図 ＴＩＢおよび血管を含む断面画像の一例を示す図 （Ａ）血管の走行方向と断面画像との関係および（Ｂ）ＴＩＢと断面画像との関係を模式的に示す図 多層ニューラルネットワークの一例を示す図 第１の識別器の機械学習を説明するための図 本発明の医用画像処理装置の一実施形態を用いた医用画像診断支援システムの作用を説明するためのフローチャート
以下、本発明の医用画像処理装置および方法並びにプログラムの一実施形態を用いた医用画像診断支援システムについて、図面を参照しながら詳細に説明する。図１は、本実施形態の医用画像診断支援システムの概略構成を示すブロック図である。
本実施形態の医用画像診断支援システムは、図１に示すように、医用画像処理装置１０と、表示装置２０と、入力装置３０と、３次元画像保管サーバ４０とを備えている。
医用画像処理装置１０は、コンピュータに本実施形態の医用画像処理プログラムをインストールすることによって構成されたものである。医用画像処理プログラムは、ＤＶＤ（Digital Versatile Disc）あるいはＣＤ−ＲＯＭ（Compact Disk Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体からコンピュータにインストールされる。または、ネットワークに接続されたサーバコンピュータの記憶装置、もしくはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて医師が使用するコンピュータにダウンロードされ、インストールされる。
医用画像処理装置１０は、ＣＰＵ（Central Processing Unit）および半導体メモリ、並びにハードディスクおよびＳＳＤ(Solid State Drive)等のストレージデバイスなどを備えており、これらのハードウェアによって、図１に示すような医用画像取得部１１、病変検出部１２および表示制御部１５が構成されている。そして、ストレージデバイスにインストールされた医用画像処理プログラムがＣＰＵによって実行されることによって上記各部がそれぞれ動作する。なお、医用画像処理装置１０は、汎用ＣＰＵに限らず、特定用途のＡＳＩＣ（application specific integrated circuit）またはＦＰＧＡ（field-programmable gate array）などを用いて構成するようにしてもよい。
医用画像取得部１１は、手術前または検査前などに予め撮影された被検体の医用画像を取得するものである。医用画像としては、たとえばＣＴ装置およびＭＲＩ装置などから出力された複数の断面画像から構成される３次元画像、並びにＭＳ（Multi Slice）ＣＴ装置およびコーンビームＣＴ装置から出力された３次元画像などがある。医用画像は、３次元画像保管サーバ４０に被検体の識別情報とともに予め保管されており、医用画像取得部１１は、入力装置３０において入力された被検体の識別情報に対応する医用画像を３次元画像保管サーバ４０から読み出して取得するものである。
病変検出部１２は、医用画像取得部１１によって取得された医用画像に含まれる病変領域を検出するものである。病変領域としては、びまん性肺疾患の病変領域または腫瘍の病変領域などがある。びまん性肺疾患としては、たとえばＴＩＢなどがある。
ここで、びまん性肺疾患などの病変は、医用画像上において特徴的なパターンで現れるので、機械学習によって生成された識別器を用いて検出することが有効である。しかしながら、たとえばＴＩＢのような点状の病変の場合、２次元の断面画像上では、血管の断面と区別をつけることが難しい。図２は、ＴＩＢおよび血管を含む断面画像の一例を示す図であり、実線の楕円内の白いパターンが血管のパターンであり、破線の楕円内の白いパターンがＴＩＢのパターンであり、これらのパターンが非常に似ているのが分かる。
図３Ａは、血管（円柱）の走行方向と断面画像（平面）との関係を模式的に示した図であり、図３Ｂは、ＴＩＢ（球）と断面画像（平面）との関係を模式的に示した図である。図３Ａに示すように、断面画像の断面方向に対して垂直または垂直に近い方向に血管が走行している場合には、断面画像上にはその血管の走行方向に直交する方向の断面が現れるので、円形に近いパターンとなる。一方、図３Ｂに示すように、ＴＩＢは球に近い形であるので、やはり断面画像上には円形に近いパターンとなって現れる。すなわち、断面画像上には、血管とＴＩＢとの両方が円形に近いパターンとなって現れるため、これらを１つの識別器によって区別することは難しい。
そこで、上述したようにＴＩＢと血管を区別するため、３次元画像で機械学習された識別器を用いることが考えられる。
しかしながら、びまん性肺疾患の場合、５ｍｍ以上の厚いスライス厚で撮影する場合が多く、機械学習する際に用いられる３次元の正解データを収集することは非常に困難であり、現実的でない。
一方で、上述したようにびまん性肺疾患のパターンそのものを機械学習せずとも、血管であることさえ識別できれば、２次元での機械学習の誤認識を修正することは可能である。血管は、肺疾患とは無関係なのでスライス厚の薄い３次元画像を収集することが容易であり、多くの正解データを作成可能することができる。
本実施形態の病変検出部１２は、上述したような観点から構成されたものであり、第１の識別器１３と、第２の識別器１４との２つの識別器を備える。第１の識別器１３は、医用画像における病変領域候補を識別するものである。
第１の識別器１３は、機械学習であるディープラーニング（深層学習）によって生成された多層ニューラルネットワークからなる識別器である。多層ニューラルネットワークとしては、ＣＮＮ（Convolutional Neural Network）を用いることが好ましい。ただし、これに限らず、ａｄａｂｏｏｓｔおよびＳＶＭ（support vector machine）などその他の公知な手法を用いるようにしてもよい。
多層ニューラルネットワークでは、各層において、前段の階層により得られる異なる複数の特徴量のデータに対して各種カーネルを用いて演算処理を行う。そして、この演算処理によって得られる特徴量のデータに対して次段以降の層においてさらなる演算処理を行うことにより、特徴量の認識率を向上させ、入力されたデータを複数のクラスに分類することができる。
図４は多層ニューラルネットワークの一例を示す図である。図４に示すように多層ニューラルネットワーク５０は、入力層５１および出力層５２を含む複数の階層からなる。本実施形態においては、ＴＩＢの教師データを用いて、多層ニューラルネットワーク５０に学習させる。学習の際には、図５に示すように、ＴＩＢ領域が含まれていることが既知の２次元の断面画像（本発明の２次元の学習用医用画像データに相当する）から、予め定められたサイズ（例えば１．５ｃｍ×１．５ｃｍ）の関心領域Ｒを切り出し、その関心領域Ｒを教師データとして用いる。そして、多層ニューラルネットワーク５０に教師データを入力して、ＴＩＢ領域の有無の結果を出力させる。次いで、出力された結果を教師データと比較し、正解か不正解かに応じて、出力側から入力側に向かって、多層ニューラルネットワーク５０の各層に含まれるユニット（図４に丸印で示す）の各階層間における結合の重みを修正する。結合の重みの修正を、多数の教師データを用いて、予め定められた回数、または出力される分類結果の正解率が１００％になるまで繰り返し行い、機械学習を終了する。
なお、第１の識別器１３は、上述したように２次元の断面画像を用いて機械学習を行うので、断面画像のスライス厚は、厚くても特に問題はない。したがって、多くの病院で撮影されている５ｍｍ厚の断面画像を用いることができるので、より多くのＴＩＢの正解データを収集することができ、第１の識別器１３の識別精度を向上させることができる。ただし、機械学習に用いる断面画像は多数であることが望ましいが、１枚の断面画像でもよい。
そして、病変領域候補の識別を行う際には、識別対象の３次元画像の各断面画像から教師データと同じ大きさの関心領域が順次切り出され、その関心領域が第１の識別器１３に入力される。そして、切り出した関心領域の中心画素について、ＴＩＢ領域に属する画素であるか否かの識別結果が出力される。これにより、断面画像に含まれる全ての画素について、ＴＩＢ領域に属する画素であるか否かの識別結果が出力されるが、上述したように断面画像上におけるＴＩＢと血管は類似したパターンであるので、血管領域に属する画素についても、ＴＩＢ領域に属する画素として識別される。したがって、第１の識別器１３は、断面画像に含まれるＴＩＢ領域に属する画素と血管領域に属する画素とを病変領域候補の画素として識別する。
次に、第２の識別器１４について説明する。第２の識別器１４は、第１の識別器１３によって識別された病変領域候補が、血管領域であるか否かを識別するものである。本実施形態の第２の識別器１４は、第１の識別器１３と同様に、多層ニューラルネットワークからなる識別器である。多層ニューラルネットワークとしては、ＣＮＮを用いることが好ましい。ただし、これに限らず、ａｄａｂｏｏｓｔおよびＳＶＭなどその他の公知な手法を用いるようにしてもよい。
そして、第２の識別器１４についても、第１の識別器１３と同様に、機械学習によって生成されるが、入力の教師データとしては、血管領域が含まれていることが既知の３次元画像（本発明の３次元の学習用医用画像データに相当する）が用いられる。具体的には、上記３次元画像を構成する複数の断面画像について、それぞれ関心領域が切り出され、その関心領域を教師データとして用いることによって、３次元画像での機械学習が行われる。第２の識別器１４の教師データとして用いられる断面画像のスライス厚は、第１の識別器１３の教師データとして用いられる断面画像のスライス厚よりも、薄いスライス厚であることが好ましい。血管領域の場合、ＴＩＢと違って薄いスライス厚で撮影された３次元画像の正解データも多数入手することができるので、第２の識別器１４の精度を十分に確保することとができる。
なお、本実施形態においては、第１の識別器１３については、２次元の断面画像を用いて機械学習を行うようにしたが、これに限らず、第２の識別器１４と同様に、３次元画像を用いて機械学習するようにしてもよい。
そして、血管領域の識別を行う際には、第１の識別器１３によって識別された各断面画像の病変領域候補が、３次元の病変領域候補として第２の識別器１４に入力される。第２の識別器１４は、３次元の病変領域候補から３次元の関心領域を切り出し、その関心領域の中心画素が、血管領域に属する画素であるか否かを識別する。
そして、病変領域候補の全ての画素について、血管領域に属する画素であるか否かが第２の識別器１４によって識別され、病変検出部１２は、血管領域に属する画素であると識別された画素群からなる病変領域候補を血管領域として検出し、血管領域に属する画素ではないと識別された画素群からなる病変領域候補を病変領域として検出する。
図１に戻り、表示制御部１５は、病変検出部１２によって検出された病変領域に基づいて、識別対象の各断面画像または３次元画像に色を割り当てることによってマッピング画像を生成し、そのマッピング画像を表示装置２０に表示させるものである。
また、表示制御部１５は、医用画像取得部１１によって取得された３次元画像または各断面画像、および第１の識別器１３による病変領域候補の識別結果などを表示装置２０に表示可能なものである。
表示装置２０は、たとえば液晶ディスプレイなどを備えたものである。また、表示装置２０をタッチパネルによって構成し、入力装置３０と兼用するようにしてもよい。
入力装置３０は、マウスやキーボードなどを備えたものであり、ユーザによる種々の設定入力を受け付けるものである。具体的には、たとえば患者の識別情報の設定入力などを受け付けるものである。
次に、本実施形態の医用画像診断支援システムの作用について、図６に示すフローチャートを参照しながら説明する。
まず、ユーザによる患者の識別情報などの設定入力に応じて、患者の医用画像が取得される（Ｓ１０）。
医用画像を構成する各断面画像は第１の識別器１３に出力され、第１の識別器１３は、入力された各断面画像の各画素について、病変領域候補に属する画素か否かを識別する（Ｓ１２）。
次いで、第１の識別器１３によって識別された各断面画像の病変領域候補が、３次元の病変領域候補として第２の識別器１４に入力される。第２の識別器１４は、３次元の病変領域候補の各画素が、血管領域に属する画素であるか否かを識別する（Ｓ１４）。
そして、病変検出部１２は、血管領域に属する画素であると識別された画素群からなる病変領域候補を血管領域として検出し（Ｓ１６）、血管領域に属する画素ではないと識別された画素群からなる病変領域候補を病変領域として検出する（Ｓ１８）。
そして、表示制御部１５は、病変検出部１２によって検出された病変領域に基づいてマッピング画像を生成し、そのマッピング画像を表示装置２０に表示させる（Ｓ２０）。
上記実施形態の医用画像診断支援システムによれば、医用画像における病変領域候補を第１の識別器１３を用いて識別し、第１の識別器１３によって識別された病変領域候補が血管領域であるか否かを第２の識別器１４を用いて識別し、第２の識別器１４によって血管領域であると識別されなかった病変候補領域を病変領域として検出する。これにより、びまん性肺疾患などの病変領域を血管領域と区別して高精度に検出することができる
なお、上記実施形態においては、第１の識別器１３による病変候補領域の識別を行った後に、第２の識別器１４による識別を行って病変領域を検出するようにしたが、識別対象の断面画像のスライス厚が厚い場合には、第２の識別器１４による３次元の血管領域の識別を行ったとしても高精度な識別が難しい場合がある。
そこで、病変検出部１２において、基準スライス厚を予め保持し、入力された断面画像のスライス厚が、基準スライス厚以上である場合には、第１の識別器１３による病変領域候補の識別のみを行い、病変領域候補を病変領域として検出するようにしてもよい。なお、基準スライス厚としては、多くの病院で撮影されている５ｍｍ厚とすることが好ましい。
また、第２の識別器１４は、上述したように３次元の血管領域の識別を行うので、識別対象の医用画像が１枚の断面画像のみである場合には、血管領域を識別することができない。
そこで、病変検出部１２が、識別対象の医用画像が１枚の断面画像のみである場合には、第１の識別器１３による病変領域候補の識別のみを行い、病変領域候補を病変領域として検出するようにしてもよい。
また、上記実施形態においては、第２の識別器１４が、第１の識別器１３によって識別された病変領域候補が血管領域であるか否かを識別するようにしたが、これに限らず、病変領域候補が気管支領域であるか否かを識別するようにしてもよい。この場合、第２の識別器１４は、気管支領域が含まれていることが既知の３次元画像を教師データとして機械学習される。そして、第２の識別器１４によって気管支領域であると識別されなかった病変候補領域を病変領域として検出するようにしてもよい。
１０ 医用画像処理装置
１１ 医用画像取得部
１２ 病変検出部
１３ 第１の識別器
１４ 第２の識別器
１５ 表示制御部
２０ 表示装置
３０ 入力装置
４０ ３次元画像保管サーバ
５０ 多層ニューラルネットワーク
５１ 入力層
５２ 出力層
Ｒ 関心領域

Claims (11)

  1. 医用画像を取得する医用画像取得部と、
    前記医用画像における病変領域を検出する病変検出部とを備え、
    前記病変検出部が、前記医用画像における病変領域候補を識別する第１の識別器と、前記第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを識別する第２の識別器とを有し、前記第２の識別器によって前記血管領域または前記気管支領域であると識別されなかった前記病変候補領域を前記病変領域として検出する医用画像処理装置。
  2. 前記第１の識別器が、２次元の前記医用画像を用いて前記病変領域候補を識別し、
    前記第２の識別器が、３次元の前記医用画像を用いて前記病変領域候補が血管領域であるか否か、または気管支領域であるか否かを識別する請求項１記載の医用画像処理装置。
  3. 前記第１の識別器が、２次元の学習用医用画像を用いて機械学習されたものであり、
    前記第２の識別器が、３次元の学習用医用画像を用いて機械学習されたものである請求項２記載の医用画像処理装置。
  4. 前記第１の識別器および前記第２の識別器の少なくとも１つが、ＣＮＮ（Convolutional Neural Network）を用いて機械学習されたものである請求項３記載の医用画像処理装置。
  5. 前記第１の識別器と前記第２の識別器とが、異なるスライス厚の学習用医用画像を用いて機械学習されたものである請求項１から４いずれか１項記載の医用画像処理装置。
  6. 前記第１の識別器が、前記第２の識別器よりもスライス厚が厚い学習用医用画像を用いて機械学習されたものである請求項５記載の医用画像処理装置。
  7. 前記病変領域が、腫瘍の病変領域またはびまん性肺疾患の病変領域である請求項１から６いずれか１項記載の医用画像処理装置。
  8. 前記病変検出部が、基準スライス厚を予め保持したものであり、
    前記医用画像が前記基準スライス厚以上の画像である場合には、前記第１の識別器による前記病変領域候補の識別のみを行い、前記病変領域候補を前記病変領域として検出する請求項１から７いずれか１項記載の医用画像処理装置。
  9. 前記病変検出部が、前記医用画像が１枚の断面画像のみである場合には、前記第１の識別器による前記病変領域候補の識別のみを行い、前記病変領域候補を前記病変領域として検出する請求項１から８いずれか１項記載の医用画像処理装置。
  10. 医用画像を取得し、前記医用画像における病変領域候補を第１の識別器を用いて識別し、前記第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを第２の識別器を用いて識別し、
    前記第２の識別器によって前記血管領域または前記気管支領域であると識別されなかった前記病変候補領域を前記病変領域として検出する医用画像処理方法。
  11. コンピュータを、医用画像を取得する医用画像取得部と、前記医用画像における病変領域を検出する病変検出部として機能させる医用画像処理プログラムであって、
    前記病変検出部が、前記医用画像における病変領域候補を識別する第１の識別器と、前記第１の識別器によって識別された病変領域候補が血管領域であるか否か、または気管支領域であるか否かを識別する第２の識別器とを有し、前記第２の識別器によって前記血管領域または前記気管支領域であると識別されなかった前記病変候補領域を前記病変領域として検出する医用画像処理プログラム。
JP2017078659A 2017-04-12 2017-04-12 医用画像処理装置および方法並びにプログラム Active JP6955303B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2017078659A JP6955303B2 (ja) 2017-04-12 2017-04-12 医用画像処理装置および方法並びにプログラム
US15/948,266 US10846853B2 (en) 2017-04-12 2018-04-09 Medical image processing apparatus, medical image processing method, and medical image processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017078659A JP6955303B2 (ja) 2017-04-12 2017-04-12 医用画像処理装置および方法並びにプログラム

Publications (2)

Publication Number Publication Date
JP2018175343A true JP2018175343A (ja) 2018-11-15
JP6955303B2 JP6955303B2 (ja) 2021-10-27

Family

ID=63790186

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017078659A Active JP6955303B2 (ja) 2017-04-12 2017-04-12 医用画像処理装置および方法並びにプログラム

Country Status (2)

Country Link
US (1) US10846853B2 (ja)
JP (1) JP6955303B2 (ja)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210010770A (ko) * 2019-07-19 2021-01-28 울산대학교 산학협력단 이미지의 특이 영역 분석 방법 및 장치
WO2021020187A1 (ja) * 2019-07-26 2021-02-04 知明 久慈 医療システム、医療デバイス及び医療プログラム
JP2021016410A (ja) * 2019-07-17 2021-02-15 富士通株式会社 判定プログラム、判定方法、および判定システム
WO2021059909A1 (ja) 2019-09-27 2021-04-01 オムロン株式会社 データ生成システム、学習装置、データ生成装置、データ生成方法及びデータ生成プログラム
JP2021069793A (ja) * 2019-10-31 2021-05-06 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
WO2021100482A1 (ja) 2019-11-21 2021-05-27 オムロン株式会社 モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム
JP2021083782A (ja) * 2019-11-28 2021-06-03 キヤノン株式会社 超音波診断装置、医用画像撮影装置、学習装置、超音波画像表示方法及びプログラム
KR20210089321A (ko) * 2020-01-08 2021-07-16 주식회사 셀젠텍 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치
JP2021175454A (ja) * 2020-05-01 2021-11-04 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
CN115375603A (zh) * 2021-05-17 2022-11-22 数坤(北京)网络科技股份有限公司 一种图像识别方法、装置、电子设备及存储介质
WO2023075055A1 (ko) * 2021-10-26 2023-05-04 이화여자대학교 산학협력단 초음파 내시경 영상을 이용한 딥러닝 기반 췌장암의 혈관 침범 분류 방법 및 분석장치

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706533B2 (en) 2016-05-13 2020-07-07 National Jewish Health Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
US11195313B2 (en) * 2016-10-14 2021-12-07 International Business Machines Corporation Cross-modality neural network transform for semi-automatic medical image annotation
EP3489861A1 (en) * 2017-11-24 2019-05-29 Siemens Healthcare GmbH Computer-based diagnostic system
CN110490850B (zh) * 2019-02-14 2021-01-08 腾讯科技（深圳）有限公司 一种肿块区域检测方法、装置和医学图像处理设备
JP7308258B2 (ja) * 2019-02-19 2023-07-13 富士フイルム株式会社 医療画像処理装置及び医療画像処理装置の作動方法
CN110458830B (zh) * 2019-03-08 2021-02-09 腾讯科技（深圳）有限公司 图像处理方法、装置、服务器及存储介质
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
KR102336058B1 (ko) * 2020-07-14 2021-12-07 주식회사 휴런 자기공명영상을 이용한 대뇌 미세출혈 탐지 장치 및 방법
CN112102256B (zh) * 2020-08-22 2022-04-12 复旦大学 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统
CN112330624A (zh) 2020-11-02 2021-02-05 腾讯科技（深圳）有限公司 医学图像处理方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10500321A (ja) * 1994-03-31 1998-01-13 アーチ ディヴェロプメント コーポレイション 医用コンピュータ断層撮影スキャンで病変を検出するための自動化された方法およびシステム
JP2003250794A (ja) * 2002-03-04 2003-09-09 Ge Medical Systems Global Technology Co Llc 腫瘍領域検出方法およびｘ線ｃｔ装置
JP2008104886A (ja) * 2005-08-31 2008-05-08 Gifu Univ 医用画像処理装置及び画像処理方法
JP2009211138A (ja) * 2008-02-29 2009-09-17 Fujifilm Corp 対象領域抽出方法および装置ならびにプログラム
JP2011118543A (ja) * 2009-12-01 2011-06-16 Shizuoka Prefecture 症例画像検索装置、方法およびプログラム
US20130121548A1 (en) * 2010-07-26 2013-05-16 Kjaya, Llc Adaptive visualization for direct physician use
JP2013192624A (ja) * 2012-03-16 2013-09-30 Hitachi Ltd 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
US20150379709A1 (en) * 2013-02-14 2015-12-31 The Research Foundation For The State University Of New York Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same
JP2016039874A (ja) * 2014-08-13 2016-03-24 富士フイルム株式会社 内視鏡画像診断支援装置、システム、方法およびプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6937776B2 (en) 2003-01-31 2005-08-30 University Of Chicago Method, system, and computer program product for computer-aided detection of nodules with three dimensional shape enhancement filters
US7349563B2 (en) * 2003-06-25 2008-03-25 Siemens Medical Solutions Usa, Inc. System and method for polyp visualization
US7894646B2 (en) * 2003-08-01 2011-02-22 Hitachi Medical Corporation Medical image diagnosis support device and method for calculating degree of deformation from normal shapes of organ regions
US7736313B2 (en) * 2004-11-22 2010-06-15 Carestream Health, Inc. Detecting and classifying lesions in ultrasound images
JP6525912B2 (ja) * 2016-03-23 2019-06-05 富士フイルム株式会社 画像分類装置、方法およびプログラム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10500321A (ja) * 1994-03-31 1998-01-13 アーチ ディヴェロプメント コーポレイション 医用コンピュータ断層撮影スキャンで病変を検出するための自動化された方法およびシステム
JP2003250794A (ja) * 2002-03-04 2003-09-09 Ge Medical Systems Global Technology Co Llc 腫瘍領域検出方法およびｘ線ｃｔ装置
JP2008104886A (ja) * 2005-08-31 2008-05-08 Gifu Univ 医用画像処理装置及び画像処理方法
JP2009211138A (ja) * 2008-02-29 2009-09-17 Fujifilm Corp 対象領域抽出方法および装置ならびにプログラム
JP2011118543A (ja) * 2009-12-01 2011-06-16 Shizuoka Prefecture 症例画像検索装置、方法およびプログラム
US20130121548A1 (en) * 2010-07-26 2013-05-16 Kjaya, Llc Adaptive visualization for direct physician use
JP2013537445A (ja) * 2010-07-26 2013-10-03 ケイジャヤ、エルエルシー 内科医が直接用いるのに適応したビジュアライゼーション
JP2013192624A (ja) * 2012-03-16 2013-09-30 Hitachi Ltd 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
US20150379709A1 (en) * 2013-02-14 2015-12-31 The Research Foundation For The State University Of New York Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same
JP2016039874A (ja) * 2014-08-13 2016-03-24 富士フイルム株式会社 内視鏡画像診断支援装置、システム、方法およびプログラム

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7322562B2 (ja) 2019-07-17 2023-08-08 富士通株式会社 判定プログラム、判定方法、および判定システム
JP2021016410A (ja) * 2019-07-17 2021-02-15 富士通株式会社 判定プログラム、判定方法、および判定システム
WO2021015490A3 (ko) * 2019-07-19 2021-03-18 울산대학교 산학협력단 이미지의 특이 영역 분석 방법 및 장치
KR20210010770A (ko) * 2019-07-19 2021-01-28 울산대학교 산학협력단 이미지의 특이 영역 분석 방법 및 장치
KR102279160B1 (ko) * 2019-07-19 2021-07-20 울산대학교 산학협력단 이미지의 특이 영역 분석 방법 및 장치
WO2021020187A1 (ja) * 2019-07-26 2021-02-04 知明 久慈 医療システム、医療デバイス及び医療プログラム
JPWO2021020187A1 (ja) * 2019-07-26 2021-02-04
WO2021059909A1 (ja) 2019-09-27 2021-04-01 オムロン株式会社 データ生成システム、学習装置、データ生成装置、データ生成方法及びデータ生成プログラム
JP2021069793A (ja) * 2019-10-31 2021-05-06 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
JP7410619B2 (ja) 2019-10-31 2024-01-10 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
WO2021100482A1 (ja) 2019-11-21 2021-05-27 オムロン株式会社 モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム
JP2021083782A (ja) * 2019-11-28 2021-06-03 キヤノン株式会社 超音波診断装置、医用画像撮影装置、学習装置、超音波画像表示方法及びプログラム
JP7379120B2 (ja) 2019-11-28 2023-11-14 キヤノン株式会社 超音波診断装置、医用画像撮影装置、学習装置、超音波画像表示方法及びプログラム
KR102420605B1 (ko) * 2020-01-08 2022-07-14 주식회사 셀젠텍 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치
KR20210089321A (ko) * 2020-01-08 2021-07-16 주식회사 셀젠텍 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치
JP2021175454A (ja) * 2020-05-01 2021-11-04 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
CN115375603A (zh) * 2021-05-17 2022-11-22 数坤(北京)网络科技股份有限公司 一种图像识别方法、装置、电子设备及存储介质
WO2023075055A1 (ko) * 2021-10-26 2023-05-04 이화여자대학교 산학협력단 초음파 내시경 영상을 이용한 딥러닝 기반 췌장암의 혈관 침범 분류 방법 및 분석장치

Also Published As

Publication number Publication date
US10846853B2 (en) 2020-11-24
JP6955303B2 (ja) 2021-10-27
US20180300878A1 (en) 2018-10-18

Similar Documents

Publication Publication Date Title
JP6955303B2 (ja) 医用画像処理装置および方法並びにプログラム
US10452957B2 (en) Image classification apparatus, method, and program
Tomita et al. Automatic post-stroke lesion segmentation on MR images using 3D residual convolutional neural network
Jaeger et al. Detecting drug-resistant tuberculosis in chest radiographs
Liu et al. Mediastinal lymph node detection and station mapping on chest CT using spatial priors and random forest
JP6837376B2 (ja) 画像処理装置および方法並びにプログラム
JP2019530490A (ja) 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
CN112712493A (zh) 使用多参数磁共振成像减少恶性病变的假阳性检测
JP6719421B2 (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
US11232555B2 (en) Systems and methods for automated analysis of medical images
Balagurunathan et al. Lung nodule malignancy prediction in sequential ct scans: Summary of isbi 2018 challenge
JP2019518288A (ja) 医療画像における変化検出
Widodo et al. Lung diseases detection caused by smoking using support vector machine
US20120220855A1 (en) Method and System for MR Scan Range Planning
EP4156089A1 (en) Method, device and system for automated processing of medical images to output alerts for detected dissimilarities
US20110194741A1 (en) Brain ventricle analysis
JP6270857B2 (ja) マルチ構造アトラス及び／又はその使用
JP5001002B2 (ja) 画像診断支援装置及びその方法
JP2012143368A (ja) 医用画像表示装置及びプログラム
AU2021103578A4 (en) A Novel Method COVID -19 infection using Deep Learning Based System
WO2021107098A1 (ja) 文書作成支援装置、文書作成支援方法及び文書作成支援プログラム
Yassine et al. Fully automated lung segmentation from chest radiographs using SLICO superpixels
WO2020202822A1 (ja) 医療文書作成支援装置、方法およびプログラム
Maduskar et al. Cavity contour segmentation in chest radiographs using supervised learning and dynamic programming
WO2022215529A1 (ja) 医用画像解析装置、医用画像解析方法、及び医用画像解析プログラム

Legal Events

Date Code Title Description
RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20170519

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20170908

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20170908

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190812

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200716

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200728

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200924

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210224

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210423

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210907

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210928

R150 Certificate of patent or registration of utility model

Ref document number: 6955303

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150