JP2019523065A - 自動３ｄ脳腫瘍セグメンテーション及び分類 - Google Patents

自動３ｄ脳腫瘍セグメンテーション及び分類 Download PDF

Info

Publication number
JP2019523065A
JP2019523065A JP2019503989A JP2019503989A JP2019523065A JP 2019523065 A JP2019523065 A JP 2019523065A JP 2019503989 A JP2019503989 A JP 2019503989A JP 2019503989 A JP2019503989 A JP 2019503989A JP 2019523065 A JP2019523065 A JP 2019523065A
Authority
JP
Japan
Prior art keywords
tumor
segmentation
mri
features
voxel
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
JP2019503989A
Other languages
English (en)
Other versions
JP6819898B2 (ja
Inventor
チェン−ルイ チョウ
チェン−ルイ チョウ
ビ ソン
ビ ソン
ミン−チャン リウ
ミン−チャン リウ
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.)
Sony Corp
Original Assignee
Sony 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 Sony Corp filed Critical Sony Corp
Publication of JP2019523065A publication Critical patent/JP2019523065A/ja
Application granted granted Critical
Publication of JP6819898B2 publication Critical patent/JP6819898B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4828—Resolving the MR signals of different chemical species, e.g. water-fat imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image 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
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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
    • G06T2207/30016—Brain
    • 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
    • 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

Abstract

全自動脳腫瘍セグメンテーション及び分類法及びシステムが、機械知能を用いて医療体験を改善する。自動脳腫瘍セグメンテーション及び分類法及びシステムは、全腫瘍セグメンテーション及び多クラス腫瘍セグメンテーションを利用して正確な解析を行う。【選択図】 図２

Description

本発明は、腫瘍イメージングに関する。具体的には、本発明は、３Ｄ脳腫瘍セグメンテーション及び分類に関する。
脳神経外科手術中、執刀医は、腫瘍がどこに存在するか、及びその腫瘍の様々な要素の境界を理解する必要がある。通常、臨床医が複数の術前ＭＲＩスキャンから腫瘍クラスの輪郭形成を手動で行うには数時間が掛かり、これは著しい医療資源の無駄である。
全自動脳腫瘍セグメンテーション及び分類法及びシステムが、機械知能を用いて医療体験を改善する。自動脳腫瘍セグメンテーション及び分類法及びシステムは、全腫瘍セグメンテーション（ｗｈｏｌｅ ｔｕｍｏｒ ｓｅｇｍｅｎｔａｔｉｏｎ）及び多クラス腫瘍セグメンテーション（ｍｕｌｔｉ−ｃｌａｓｓ ｔｕｍｏｒ ｓｅｇｍｅｎｔａｔｉｏｎ）を利用して正確な解析を行う。
１つの態様では、装置の非一時的メモリにプログラムされた方法が、全腫瘍セグメンテーションを実行するステップと、多クラス腫瘍セグメンテーションを実行するステップとを含む。全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む。全腫瘍セグメンテーションは、Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、最小腫瘍半球を決定するステップと、組織を分類するステップと、異なる組織構造の強度に基づいて強度制御点を識別するステップと、強度制御点に基づいて各ＭＲＩの強度を正規化するステップと、初期腫瘍シードの位置を特定するステップと、腫瘍シードに基づいて腫瘍をセグメント化するステップとを含む。多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む。特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を決定するステップを含む。コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからのコンテキスト特徴とＴ２ ＭＲＩからのコンテキスト特徴とを組み合わせるステップとをさらに含む。ボクセル分類は、特徴抽出からの情報と決定木とを利用して腫瘍を分類する。精緻化は、腫瘍の正しい分類を確実にする病理学誘導精緻化を含む。
別の態様では、装置が、アプリケーションを記憶する非一時的メモリと、メモリに結合されてアプリケーションを処理するように構成された処理要素とを含み、アプリケーションは、全腫瘍セグメンテーションを実行し、多クラス腫瘍セグメンテーションを実行する。全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む。全腫瘍セグメンテーションは、Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、最小腫瘍半球を決定するステップと、組織を分類するステップと、異なる組織構造の強度に基づいて強度制御点を識別するステップと、強度制御点に基づいて各ＭＲＩの強度を正規化するステップと、初期腫瘍シードの位置を特定するステップと、腫瘍シードに基づいて腫瘍をセグメント化するステップとを含む。多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む。特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を特定するステップを含む。コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからのコンテキスト特徴とＴ２ ＭＲＩからのコンテキスト特徴とを組み合わせるステップとをさらに含む。ボクセル分類は、特徴抽出からの情報と決定木とを利用して腫瘍を分類する。精緻化は、腫瘍の正しい分類を確実にする病理学誘導精緻化を含む。
別の態様では、システムが、磁気共鳴撮像装置と、コンピュータ装置とを含み、コンピュータ装置は、全腫瘍セグメンテーションを実行し、多クラス腫瘍セグメンテーションを実行するように構成される。全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む。全腫瘍セグメンテーションは、Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、最小腫瘍半球を決定するステップと、組織を分類するステップと、異なる組織構造の強度に基づいて強度制御点を識別するステップと、強度制御点に基づいてＭＲＩの各々の強度を正規化するステップと、初期腫瘍シードの位置を特定するステップと、腫瘍シードに基づいて腫瘍をセグメント化するステップとを含む。多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む。特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を特定するステップを含む。コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからのコンテキスト特徴とＴ２ ＭＲＩからのコンテキスト特徴とを組み合わせるステップとをさらに含む。ボクセル分類は、特徴抽出からの情報と決定木とを利用して腫瘍を分類する。精緻化は、腫瘍の正しい分類を確実にする病理学誘導精緻化を含む。
いくつかの実施形態によるマルチモーダルＭＲＩを示す図である。 いくつかの実施形態による自動３Ｄ脳腫瘍セグメンテーション及び分類法の図である。 いくつかの実施形態による全腫瘍セグメンテーションアルゴリズムフローの図である。 いくつかの実施形態による最小腫瘍半球ロケータアルゴリズムの図である。 いくつかの実施形態による初期腫瘍シードロケータ及び全腫瘍セグメンテーションアルゴリズムの図である。 多クラス脳腫瘍セグメンテーションチャレンジの図である。 いくつかの実施形態による機械学習のためのボクセル毎の特徴の図である。 いくつかの実施形態による、近傍情報をコンテキスト特徴として利用する図である。 いくつかの実施形態によるランダムフォレスト分類の図である。 いくつかの実施形態による病理学誘導精緻化の図である。 いくつかの実施形態による、自動３Ｄ脳腫瘍セグメンテーション及び分類法を実行するように構成された例示的なコンピュータ装置のブロック図である。 いくつかの実施形態による磁気共鳴画像法（ＭＲＩ）システムの図である。
本明細書で説明する自動３Ｄ脳腫瘍セグメンテーション及び分類法は、腫瘍解析プロセスを円滑にするために実行することができる。脳腫瘍セグメンテーションには、強度が各被験者で大きく変化し、境界が不明瞭かつ不規則であり、ＭＲＩでの腫瘍外観が各被験者で大幅に異なるなどの多くの課題がある。
図１に、いくつかの実施形態によるマルチモーダルＭＲＩを示す。マルチモーダルＭＲＩは、Ｔ１、Ｔ１造影（Ｔ１ｃ）、Ｔ２、及びＴ２ ｆｌａｉｒを含む。
図２は、いくつかの実施形態による自動３Ｄ脳腫瘍セグメンテーション及び分類法の図である。ステップ２００において、全腫瘍セグメンテーションを実行する。全腫瘍セグメンテーションは、データ正規化２０２及び初期セグメンテーション２０４を含む。データ正規化２０２は、解剖学的構造に基づく強度正規化を含む。初期セグメンテーション２０４は、解剖学誘導グラフに基づくセグメンテーション（ａｎａｔｏｍｙ−ｇｕｉｄｅｄ ｇｒａｐｈ−ｂａｓｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ）を含む。ステップ２０６において、多クラス腫瘍セグメンテーションを実行する。多クラス腫瘍セグメンテーションは、特徴抽出２０８、ボクセル分類２１０及び精緻化２１２を含む。特徴抽出２０８及びボクセル分類２１０では、関心領域（ＲＯＩ）誘導ランダムフォレストを使用する。精緻化２１２は、病理学誘導精緻化（ｐａｍｏｌｏｇｙ−ｇｕｉｄｅｄ ｒｅｆｉｎｅｍｅｎｔ）を含む。本明細書では、これらの各ステップについてさらに説明する。いくつかの実施形態では、これよりも少ないステップ又はさらなるステップが実行される。例えば、ＭＲＩ情報を取得するステップ及び／又は精緻化画像を表示するステップを含めることができる。いくつかの実施形態では、これらのステップの順序が変更される。
自動３Ｄ脳腫瘍セグメンテーション及び分類法は、腫瘍が脳脊髄液（ＣＳＦ）の外観に影響を与えないことを前提としたＣＳＦベースの実装とは異なり、腫瘍を全く又は最小量しか含まない脳の一部を使用して構造強度を推定する。
図３は、いくつかの実施形態による全腫瘍セグメンテーションアルゴリズムフローの図である。マルチモーダルＭＲＩ３００（例えば、Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２）を取得する。ステップ４００において、Ｔ１ｃ ＭＲＩを解析して最小腫瘍半球を決定する。最小腫瘍半球の決定は、各半球における腫瘍の位置を特定した後に２つの半球を比較してどちらの方が腫瘍が少ないかを判断することなどのあらゆる方法で行うことができる。別の例では、半球を既知のデータ（例えば、腫瘍を含まない半球）と比較し、既知のデータとの差分が小さい方の半球を最小腫瘍半球として選択する。腫瘍が完全に対称的に生じることはめったにないので、いくつかの実施形態では、最小腫瘍半球の決定が、ｆｌａｉｒとＴ２ ＭＲＩとの間の対称差を求めることを含み、その後に閾値化及び和集合（ｕｎｉｏｎ）を実行して質量中心を含まない方の半球を最小腫瘍半球とする。ステップ３０２において、組織分類を行って脳組織を白質（ＷＭ）、灰白質（ＧＭ）及び脳脊髄液（ＣＳＦ）に分類する。組織分類は、当業者に周知のあらゆる方法で実行することができる。ステップ３０４において、各マルチモーダルＭＲＩ３００（例えば、Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ、Ｔ２）の強度ヒストグラムを生成する。いくつかの実施形態では、ＣＳＦ、白質（ＷＭ）及び灰白質（ＧＭ）の中央値と端点とを用いてヒストグラムから強度制御点を生成する。ステップ３０６において、各マルチモーダルＭＲＩ３００（Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ、Ｔ２）について強度正規化を実行する。強度正規化は、あらゆる方法で行うことができる。例えば、各ＭＲＩの制御点の強度は一致する。この例をさらに進めて、脳構造（ＷＭ、ＧＭ、ＣＳＦ）の強度を基準ＭＲＩの強度にマッピングする。ステップ５００において、初期腫瘍シード（ｉｎｉｔｉａｌ ｔｕｍｏｒ ｓｅｅｄ）の位置を特定する。いくつかの実施形態では、初期腫瘍シードの位置が強度ヒストグラムを用いて特定される。初期腫瘍シードは、強度（例えば、閾値を上回る強度を初期腫瘍シードと見なす）と、入力ＭＲＩの対称差とに基づいて検出することができる。ステップ５０２において、全腫瘍セグメンテーションのために、ＧｒｏｗＣｕｔと呼ばれる領域拡張ベースのセグメンテーションに基づく超高速セグメンテーションアルゴリズムを実行する。いくつかの実施形態では、全腫瘍セグメンテーションを複数の腫瘍について繰り返す。ステップ３０８において、多クラス腫瘍分類のために、全腫瘍セグメンテーション及び強度正規化を用いて腫瘍分類を実行する。例えば、機械学習を利用して腫瘍の認識及び／又は腫瘍の分類を学習する。いくつかの実施形態では、腫瘍分類が、全拡張セグメンテーション及び強度正規化の出力を入力として利用して腫瘍を分類する。いくつかの実施形態では、これよりも少ないステップ又はさらなるステップが実行される。いくつかの実施形態では、ステップの順序が変更される。
図４は、いくつかの実施形態による最小腫瘍半球ロケータアルゴリズムの図である。最小腫瘍半球４００の決定は、各半球における腫瘍の位置を特定した後に２つの半球を比較してどちらの方が腫瘍が少ないかを判断することなどのあらゆる方法で行うことができる。別の例では、半球を既知のデータ（例えば、腫瘍を含まない半球）と比較し、既知のデータとの差分が小さい方の半球を最小腫瘍半球として選択する。腫瘍が完全に対称的に生じることはめったにないので、いくつかの実施形態では、最小腫瘍半球の決定が、ステップ４０２において、ｆｌａｉｒ ＭＲＩとＴ２ ＭＲＩとの間の対称差を求めることを含み、その後にステップ４０４において、閾値化及び和集合を実行して質量中心を含まない方の半球を最小腫瘍半球とする。いくつかの実施形態では、これよりも少ないステップ又はさらなるステップが実行される。いくつかの実施形態では、ステップの順序が変更される。
図５は、いくつかの実施形態による全腫瘍セグメンテーションアルゴリズムの図である。ステップ５０４において、各マルチモーダルＭＲＩ３００（Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ、Ｔ２）の強度ヒストグラムを解析し、制御点に基づいて閾値を設定し、Ｔ２とＦｌａｉｒとの間の対称差を計算する。ステップ５０６において、閾値化及び和集合を実行し、ステップ５０８において、閾値化及び共通部分（ｉｎｔｅｒｓｅｃｔｉｏｎ）を実行する。いくつかの実施形態では、閾値化及び和集合が、（例えば、統計に基づいて）閾値を決定し、異なるＭＲＩ画像を組み合わせて和集合を形成することを含む。いくつかの実施形態では、閾値化及び共通部分が、（例えば、制御点に基づいて）閾値を決定し、異なるＭＲＩ画像（例えば、強度）がいつ交わるかを判断することを含む。ステップ５１０において、結果を組み合わせた後に後処理を行って初期腫瘍シード５１２を決定する。初期腫瘍シード５１２を用いて背景シード及び標的シード５１４を識別し、これらをＧｒｏｗＣｕｔ（又は別の）アルゴリズム５１６において使用して全腫瘍５１８を特定する。いくつかの実施形態では、これよりも少ないステップ又はさらなるステップが実行される。いくつかの実施形態では、ステップの順序が変更される。
図６は、多クラス脳腫瘍セグメンテーションチャレンジの図である。脳６００は、全腫瘍６０２、浮腫６０４、非増強コア（ｎｏｎ−ｅｎｈａｎｃｉｎｇ ｃｏｒｅ）６０６、活性コア６０８及び壊死６１０を含む。図形６５０は、外観ルール及び病理学ルールに基づく複雑な医療上の決定をモデル化するための例示的な公式を示す。
図７は、いくつかの実施形態による機械学習のためのボクセル毎の特徴の図である。これらの特徴は、外観特徴７００、テクスチャ特徴７０２及び位置特徴７０４を含む。外観特徴７００は、ＭＲＩのノイズを除去する平滑化（例えば、ガウス平滑化）によって決定することができる。いくつかの実施形態では、平滑化されたボクセル強度が結果として得られるように、強度を正規化した後にＭＲＩに平滑化を適用する。テクスチャ特徴７０２は、ディベロプコア（ｄｅｖｅｌｏｐ ｃｏｒｅ）の不均一性を求めるＴ２分散（Ｔ２ ｖａｒｉａｎｃｅ）と、構造境界のエッジ及びブロブ（ｂｌｏｂ）を求める、Ｔ２に対するガウシアンのラプラシアン（Ｌａｐｌａｃｉａｎ ｏｆ Ｇａｕｓｓｉａｎ：ＬＯＧ）とを用いて解析することができる。位置特徴７０４は、全腫瘍の初期セグメンテーションに基づいて解析することもできる。
図８は、いくつかの実施形態による、近傍情報をコンテキスト特徴として利用する図である。Ｔ１ｃ ＭＲＩにはコア情報が多く含まれ、Ｔ２ ＭＲＩには境界情報が多く含まれる。従って、Ｔ１ｃ ＭＲＩとＴ２ ＭＲＩとを用いて各八分円において平均強度を抽出し、マルチスケールコンテキスト特徴を抽出し、Ｔ１ｃ及びＴ２からのコンテキスト特徴を組み合わせる。
図９は、いくつかの実施形態によるランダムフォレスト分類の図である。外観特徴７０２、テクスチャ特徴７０４及び位置特徴７０６を用いてボクセルベースの特徴ベクトル９００を生成してこれをコンテキスト特徴と組み合わせた後に、訓練した決定木９０２によって腫瘍ラベルを分類することができる。
図１０は、いくつかの実施形態による病理学誘導精緻化の図である。壊死が浮腫として誤表示されたり、又は非増強コアが浮腫として誤表示されたりなどのように項目が誤表示されるのを避けるために病理学誘導精緻化を利用する。例えば、（例えば、ＧｒｏｗＣｕｔを用いて非増強コアを拡張させる）病理学ルールに基づくコンテキストベースの精緻化又はグラフベースの精緻化を使用して、解析を精緻化して正確な結果を求めることができる。
図１１は、いくつかの実施形態による、自動３Ｄ脳腫瘍セグメンテーション及び分類法を実行するように構成された例示的なコンピュータ装置のブロック図である。コンピュータ装置１１００は、画像及びビデオなどの情報の取得、記憶、計算、処理、通信及び／又は表示を行うために使用することができる。一般に、コンピュータ装置１１００を実装するのに適したハードウェア構造は、ネットワークインターフェイス１１０２、メモリ１１０４、プロセッサ１１０６、（単複の）Ｉ／Ｏ装置１１０８、バス１１１０及び記憶装置１１１２を含む。プロセッサの選択は、十分な速度の好適なプロセッサを選択する限り重要ではない。メモリ１１０４は、当業で周知のいずれかの従来のコンピュータメモリとすることができる。記憶装置１１１２は、ハードドライブ、ＣＤＲＯＭ、ＣＤＲＷ、ＤＶＤ、ＤＶＤＲＷ、高精細ディスク／ドライブ、ウルトラＨＤドライブ、フラッシュメモリカード、又はその他のいずれかの記憶装置を含むことができる。コンピュータ装置１１００は、１又は２以上のネットワークインターフェイス１１０２を含むことができる。ネットワークインターフェイスの例としては、イーサネット（登録商標）又は他のタイプのＬＡＮに接続されたネットワークカードが挙げられる。（単複の）Ｉ／Ｏ装置１１０８は、キーボード、マウス、モニタ、画面、プリンタ、モデム、タッチ画面、ボタンインターフェイス及びその他の装置のうちの１つ又は２つ以上を含むことができる。記憶装置１１１２及びメモリ１１０４には、自動３Ｄ脳腫瘍セグメンテーション及び分類法を実行するために使用される（単複の）自動３Ｄ脳腫瘍セグメンテーション及び分類アプリケーション１１３０が記憶されて、アプリケーションが通常処理されるように処理される可能性が高い。コンピュータ装置１１００には、図１１に示すものよりも多くの又は少ないコンポーネントを含めることもできる。いくつかの実施形態では、自動３Ｄ脳腫瘍セグメンテーション及び分類法ハードウェア１１２０が含まれる。図１１のコンピュータ装置１１００は、自動３Ｄ脳腫瘍セグメンテーション及び分類法のためのアプリケーション１１３０及びハードウェア１１２０を含むが、自動３Ｄ脳腫瘍セグメンテーション及び分類法は、ハードウェア、ファームウェア、ソフトウェア、又はこれらのあらゆる組み合わせでコンピュータ装置上に実装することもできる。例えば、いくつかの実施形態では、自動３Ｄ脳腫瘍セグメンテーション及び分類法アプリケーション１１３０がメモリにプログラムされ、プロセッサを用いて実行される。別の例として、いくつかの実施形態では、自動３Ｄ脳腫瘍セグメンテーション及び分類法ハードウェア１１２０が、自動３Ｄ脳腫瘍セグメンテーション及び分類法を実装するように特別に設計されたゲートを含むプログラムされたハードウェアロジックである。
いくつかの実施形態では、（単複の）自動３Ｄ脳腫瘍セグメンテーション及び分類法アプリケーション１１３０が、複数のアプリケーション及び／又はモジュールを含む。いくつかの実施形態では、モジュールが、１又は２以上のサブモジュールをさらに含む。いくつかの実施形態では、これよりも少ない又はさらなるモジュールを含めることもできる。
好適なコンピュータ装置の例としては、パーソナルコンピュータ、ラップトップコンピュータ、コンピュータワークステーション、サーバ、メインフレームコンピュータ、ハンドヘルドコンピュータ、携帯情報端末、セルラ／携帯電話機、スマート家電、ゲーム機、デジタルカメラ、デジタルカムコーダ、カメラ付き電話機、スマートフォン、ポータブル音楽プレーヤ、タブレットコンピュータ、モバイル装置、ビデオプレーヤ、ビデオディスクライタ／プレーヤ（ＤＶＤライタ／プレーヤ、高精細ディスクライタ／プレーヤ、超高精細ディスクライタ／プレーヤなど）、テレビ、家庭用エンターテイメントシステム、拡張現実装置、仮想現実装置、スマートジュエリ（例えば、スマートウォッチ）、又はその他のあらゆる好適なコンピュータ装置が挙げられる。
図１２は、いくつかの実施形態による磁気共鳴画像法（ＭＲＩ）システムの図である。ＭＲＩ装置１２００は、脳スキャンなどのＭＲＩ画像を取得するために使用される。コンピュータ装置１１００は、（例えば、ダウンロード又はクラウドにおけるアクセスによって）ＭＲＩ装置１２００からＭＲＩ情報を受け取って自動３Ｄ脳腫瘍セグメンテーション及び分類法を実行する。
本明細書で説明した自動３Ｄ脳腫瘍セグメンテーション及び分類法を利用するには、自動３Ｄ脳腫瘍セグメンテーション及び分類法を用いてＭＲＩ情報を解析する。この解析に基づいて腫瘍を識別することができる。外科医は、識別された腫瘍に基づいて、腫瘍を除去する手術を行うことができる。
動作中、自動３Ｄ脳腫瘍セグメンテーション及び分類法は、ユーザ入力を伴わずにＭＲＩ情報において腫瘍を効率的かつ正確に識別する。
本明細書では、自動３Ｄ脳腫瘍のセグメンテーション及び分類を脳腫瘍に関連して説明したが、自動３Ｄ脳腫瘍セグメンテーション及び分類法は、他のあらゆる腫瘍又は疾患に適合することもできる。
自動３Ｄ脳腫瘍セグメンテーション及び分類のいくつかの実施形態
１．装置の非一時的メモリにプログラムされた方法であって、
全腫瘍セグメンテーションを実行するステップと、
多クラス腫瘍セグメンテーションを実行するステップと、
を含む方法。
２．全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む、条項１の方法。
３．全腫瘍セグメンテーションは、
Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、
最小腫瘍半球を決定するステップと、
組織を分類するステップと、
異なる組織構造の強度に基づいて強度制御点を識別するステップと、
強度制御点に基づいて各ＭＲＩの強度を正規化するステップと、
初期腫瘍シードの位置を特定するステップと、
腫瘍シードに基づいて腫瘍をセグメント化するステップと、
を含む、条項１の方法。
４．多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む、条項１の方法。
５．特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を決定するステップを含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を含む、条項４の方法。
６．コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからのコンテキスト特徴とＴ２ ＭＲＩからのコンテキスト特徴とを組み合わせるステップとをさらに含む、条項５の方法。
７．ボクセル分類は、特徴抽出からの情報と決定木とを利用して腫瘍を分類する、条項６の方法。
８．精緻化は、腫瘍の正しい分類を確実にする病理学誘導精緻化を含む、条項７の方法。
９．アプリケーションを記憶する非一時的メモリと、
メモリに結合されてアプリケーションを処理するように構成された処理要素と、
を備え、アプリケーションは、
全腫瘍セグメンテーションを実行し、
多クラス腫瘍セグメンテーションを実行する、装置。
１０．全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む、条項９の装置。
１１．全腫瘍セグメンテーションは、
Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、
最小腫瘍半球を決定するステップと、
組織を分類するステップと、
異なる組織構造の強度に基づいて強度制御点を識別するステップと、
強度制御点に基づいて各ＭＲＩの強度を正規化するステップと、
初期腫瘍シードの位置を特定するステップと、
腫瘍シードに基づいて腫瘍をセグメント化するステップと、
を含む、条項９の装置。
１２．多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む、条項９の装置。
１３．特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を特定するステップを含む、条項１２の装置。
１４．コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからのコンテキスト特徴とＴ２ ＭＲＩからのコンテキスト特徴とを組み合わせるステップとをさらに含む、条項１３の装置。
１５．ボクセル分類は、特徴抽出からの情報と決定木とを利用して腫瘍を分類する、条項１４の装置。
１６．精緻化は、腫瘍の正しい分類を確実にする病理学誘導精緻化を含む、条項１５の装置。
１７．磁気共鳴撮像装置と、
コンピュータ装置と、
を備え、コンピュータ装置は、
全腫瘍セグメンテーションを実行し、
多クラス腫瘍セグメンテーションを実行する、
ように構成される、システム。
１８．全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む、条項１７のシステム。
１９．全腫瘍セグメンテーションは、
Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、
最小腫瘍半球を決定するステップと、
組織を分類するステップと、
異なる組織構造の強度に基づいて強度制御点を識別するステップと、
強度制御点に基づいてＭＲＩの各々の強度を正規化するステップと、
初期腫瘍シードの位置を特定するステップと、
腫瘍シードに基づいて腫瘍をセグメント化するステップと、
を含む、条項１７のシステム。
２０．多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む、条項１７のシステム。
２１．特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を特定するステップを含む、条項２０のシステム。
２２．コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからのコンテキスト特徴とＴ２ ＭＲＩからのコンテキスト特徴とを組み合わせるステップとをさらに含む、条項２１のシステム。
２３．ボクセル分類は、特徴抽出からの情報と決定木とを利用して腫瘍を分類する、条項２２のシステム。
２４．精緻化は、腫瘍の正しい分類を確実にする病理学誘導精緻化を含む、条項２３のシステム。
本発明の構成及び動作の原理を容易に理解できるように、詳細を含む特定の実施形態に関して本発明を説明した。本明細書におけるこのような特定の実施形態及びこれらの実施形態の詳細についての言及は、本明細書に添付する特許請求の範囲を限定することを意図したものではない。当業者には、特許請求の範囲によって定められる本発明の趣旨及び範囲から逸脱することなく、例示のために選択した実施形態において他の様々な修正を行えることが容易に明らかになるであろう。
２００ 全腫瘍セグメンテーション
２０２ データ正規化
２０４ 初期セグメンテーション
２０６ 多クラス腫瘍セグメンテーション
２０８ 特徴抽出
２１０ ボクセル分類
２１２ 精緻化

Claims (24)

  1. 装置の非一時的メモリにプログラムされた方法であって、
    全腫瘍セグメンテーションを実行するステップと、
    多クラス腫瘍セグメンテーションを実行するステップと、
    を含むことを特徴とする方法。
  2. 前記全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む、
    請求項１に記載の方法。
  3. 前記全腫瘍セグメンテーションは、
    Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、
    最小腫瘍半球を決定するステップと、
    組織を分類するステップと、
    異なる組織構造の強度に基づいて強度制御点を識別するステップと、
    前記強度制御点に基づいて前記ＭＲＩの各々の前記強度を正規化するステップと、
    初期腫瘍シードの位置を特定するステップと、
    前記腫瘍シードに基づいて腫瘍をセグメント化するステップと、
    を含む、請求項１に記載の方法。
  4. 前記多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む、
    請求項１に記載の方法。
  5. 特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を決定するステップを含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を含む、
    請求項４に記載の方法。
  6. コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからの前記コンテキスト特徴とＴ２ ＭＲＩからの前記コンテキスト特徴とを組み合わせるステップとをさらに含む、
    請求項５に記載の方法。
  7. ボクセル分類は、前記特徴抽出からの情報と決定木とを利用して腫瘍を分類する、
    請求項６に記載の方法。
  8. 精緻化は、前記腫瘍の正しい分類を確実にする病理学誘導精緻化を含む、
    請求項７に記載の方法。
  9. アプリケーションを記憶する非一時的メモリと、
    前記メモリに結合されて前記アプリケーションを処理するように構成された処理要素と、
    を備え、前記アプリケーションは、
    全腫瘍セグメンテーションを実行し、
    多クラス腫瘍セグメンテーションを実行する、
    ことを特徴とする装置。
  10. 前記全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む、
    請求項９に記載の装置。
  11. 前記全腫瘍セグメンテーションは、
    Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、
    最小腫瘍半球を決定するステップと、
    組織を分類するステップと、
    異なる組織構造の強度に基づいて強度制御点を識別するステップと、
    前記強度制御点に基づいて前記ＭＲＩの各々の前記強度を正規化するステップと、
    初期腫瘍シードの位置を特定するステップと、
    前記腫瘍シードに基づいて腫瘍をセグメント化するステップと、
    を含む、請求項９に記載の装置。
  12. 前記多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む、
    請求項９に記載の装置。
  13. 特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を特定するステップを含む、
    請求項１２に記載の装置。
  14. コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからの前記コンテキスト特徴とＴ２ ＭＲＩからの前記コンテキスト特徴とを組み合わせるステップとをさらに含む、
    請求項１３に記載の装置。
  15. ボクセル分類は、前記特徴抽出からの情報と決定木とを利用して腫瘍を分類する、
    請求項１４に記載の装置。
  16. 精緻化は、前記腫瘍の正しい分類を確実にする病理学誘導精緻化を含む、
    請求項１５に記載の装置。
  17. 磁気共鳴撮像装置と、
    コンピュータ装置と、
    を備え、前記コンピュータ装置は、
    全腫瘍セグメンテーションを実行し、
    多クラス腫瘍セグメンテーションを実行する、
    ように構成される、
    ことを特徴とするシステム。
  18. 前記全腫瘍セグメンテーションは、データ正規化及び初期セグメンテーションを含む、
    請求項１７に記載のシステム。
  19. 前記全腫瘍セグメンテーションは、
    Ｔ１、Ｔ１ｃ、Ｆｌａｉｒ及びＴ２を含むマルチモーダルＭＲＩを利用するステップと、
    最小腫瘍半球を決定するステップと、
    組織を分類するステップと、
    異なる組織構造の強度に基づいて強度制御点を識別するステップと、
    前記強度制御点に基づいて前記ＭＲＩの各々の前記強度を正規化するステップと、
    初期腫瘍シードの位置を特定するステップと、
    前記腫瘍シードに基づいて腫瘍をセグメント化するステップと、
    を含む、請求項１７に記載のシステム。
  20. 前記多クラス腫瘍セグメンテーションは、特徴抽出、ボクセル分類及び精緻化を含む、
    請求項１７に記載のシステム。
  21. 特徴抽出は、ボクセル毎の特徴及びコンテキスト特徴を含み、ボクセル毎の特徴は、外観特徴、テクスチャ特徴及び位置特徴を特定するステップを含む、
    請求項２０に記載のシステム。
  22. コンテキスト特徴抽出は、ＭＲＩの各八分円における平均強度を抽出するステップと、マルチスケールコンテキスト特徴を抽出するステップと、Ｔ１ｃ ＭＲＩからの前記コンテキスト特徴とＴ２ ＭＲＩからの前記コンテキスト特徴とを組み合わせるステップとをさらに含む、
    請求項２１に記載のシステム。
  23. ボクセル分類は、前記特徴抽出からの情報と決定木とを利用して腫瘍を分類する、
    請求項２２に記載のシステム。
  24. 精緻化は、前記腫瘍の正しい分類を確実にする病理学誘導精緻化を含む、
    請求項２３に記載のシステム。
JP2019503989A 2016-07-25 2017-07-11 自動３ｄ脳腫瘍セグメンテーション及び分類 Active JP6819898B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/218,986 2016-07-25
US15/218,986 US9870614B1 (en) 2016-07-25 2016-07-25 Automatic 3D brain tumor segmentation and classification
PCT/US2017/041460 WO2018022289A1 (en) 2016-07-25 2017-07-11 Automatic 3d brain tumor segmentation and classification

Publications (2)

Publication Number Publication Date
JP2019523065A true JP2019523065A (ja) 2019-08-22
JP6819898B2 JP6819898B2 (ja) 2021-01-27

Family

ID=59581996

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019503989A Active JP6819898B2 (ja) 2016-07-25 2017-07-11 自動３ｄ脳腫瘍セグメンテーション及び分類

Country Status (5)

Country Link
US (2) US9870614B1 (ja)
EP (1) EP3469551B1 (ja)
JP (1) JP6819898B2 (ja)
CN (1) CN109478321B (ja)
WO (1) WO2018022289A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021109110A (ja) * 2020-01-15 2021-08-02 株式会社リコー マルチスケールフィルタリングによるｍｒｉ脳画像の正規化及び強調の方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015042421A1 (en) * 2013-09-20 2015-03-26 Siemens Aktiengesellschaft Biopsy-free detection and staging of cancer using a virtual staging score
TWI637187B (zh) * 2017-09-19 2018-10-01 臺北榮民總醫院 磁共振影像的分析方法及評估放射治療風險的方法
US10964012B2 (en) * 2018-06-14 2021-03-30 Sony Corporation Automatic liver segmentation in CT
CN109214388B (zh) * 2018-11-21 2021-06-08 浪潮集团有限公司 一种基于个性化融合网络的肿瘤分割方法及装置
CN109801272B (zh) * 2019-01-07 2021-01-15 华南师范大学 肝脏肿瘤自动分割定位方法、系统及存储介质
CN110188788A (zh) * 2019-04-15 2019-08-30 浙江工业大学 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法
TWI697686B (zh) 2019-06-20 2020-07-01 臺北榮民總醫院 基於磁振造影分析腦組織成分的系統與方法
CN110837844A (zh) * 2019-09-26 2020-02-25 浙江工业大学 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法
US11621991B2 (en) * 2021-06-29 2023-04-04 ROVl GUIDES, INC. Adaptive content streaming based on bandwidth

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080021502A1 (en) * 2004-06-21 2008-01-24 The Trustees Of Columbia University In The City Of New York Systems and methods for automatic symmetry identification and for quantification of asymmetry for analytic, diagnostic and therapeutic purposes
US8571278B2 (en) * 2005-06-24 2013-10-29 The University Of Iowa Research Foundation System and methods for multi-object multi-surface segmentation
US7876938B2 (en) * 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
US8204315B2 (en) * 2006-10-18 2012-06-19 The Trustees Of The University Of Pennsylvania Systems and methods for classification of biological datasets
US8358818B2 (en) * 2006-11-16 2013-01-22 Vanderbilt University Apparatus and methods of compensating for organ deformation, registration of internal structures to images, and applications of same
US7844087B2 (en) * 2006-12-19 2010-11-30 Carestream Health, Inc. Method for segmentation of lesions
JP4998995B2 (ja) 2007-06-08 2012-08-15 富士フイルム株式会社 アルバム作成装置および方法ならびにプログラム
US8150120B2 (en) * 2008-05-06 2012-04-03 Carestream Health, Inc. Method for determining a bounding surface for segmentation of an anatomical object of interest
GB2461558A (en) * 2008-07-03 2010-01-06 Medicsight Plc Image Segmentation
WO2011160309A1 (zh) * 2010-06-25 2011-12-29 中国科学院自动化研究所 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法
WO2012097336A1 (en) 2011-01-13 2012-07-19 Rutgers, The State University Of New Jersey Enhanced multi-protocol analysis via intelligent supervised embedding (empravise) for multimodal data fusion
US8478044B2 (en) * 2011-06-08 2013-07-02 Siemens Corporation System and method for image segmentation by optimizing weighted curvature
CN103098090B (zh) * 2011-12-21 2015-01-21 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
DE102012222073B4 (de) * 2012-12-03 2014-12-18 Siemens Aktiengesellschaft Verfahren zur Auswertung von Bilddatensätzen und Kombinationsbildaufnahmeeinrichtung
CN103854276B (zh) 2012-12-04 2018-02-09 东芝医疗系统株式会社 图像配准及分割装置和方法，以及医学图像设备
US9858674B2 (en) * 2013-11-05 2018-01-02 Brainlab Ag Determination of enhancing structures in an anatomical body part
US10827945B2 (en) 2014-03-10 2020-11-10 H. Lee. Moffitt Cancer Center And Research Institute, Inc. Radiologically identified tumor habitats
CN104143101A (zh) * 2014-07-01 2014-11-12 华南理工大学 一种基于超声图像的乳腺肿瘤区域自动识别方法
US10169685B2 (en) 2014-07-07 2019-01-01 The Regents Of The University Of California Automatic segmentation and quantitative parameterization of brain tumors in MRI
US9754371B2 (en) 2014-07-31 2017-09-05 California Institute Of Technology Multi modality brain mapping system (MBMS) using artificial intelligence and pattern recognition
CN105046692A (zh) * 2015-07-01 2015-11-11 复旦大学 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法
CN105427325A (zh) * 2015-12-07 2016-03-23 苏州大学 基于随机森林和单调下降函数的肺肿瘤的自动分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021109110A (ja) * 2020-01-15 2021-08-02 株式会社リコー マルチスケールフィルタリングによるｍｒｉ脳画像の正規化及び強調の方法
JP7014312B2 (ja) 2020-01-15 2022-02-01 株式会社リコー マルチスケールフィルタリングによるｍｒｉ脳画像の正規化及び強調の方法

Also Published As

Publication number Publication date
US10102626B2 (en) 2018-10-16
US20180025488A1 (en) 2018-01-25
WO2018022289A1 (en) 2018-02-01
CN109478321A (zh) 2019-03-15
CN109478321B (zh) 2022-04-26
US9870614B1 (en) 2018-01-16
US20180101953A1 (en) 2018-04-12
EP3469551B1 (en) 2021-12-08
EP3469551A1 (en) 2019-04-17
JP6819898B2 (ja) 2021-01-27

Similar Documents

Publication Publication Date Title
JP6819898B2 (ja) 自動３ｄ脳腫瘍セグメンテーション及び分類
Arulmurugan et al. Region-based seed point cell segmentation and detection for biomedical image analysis
Li et al. Pulmonary nodule classification with deep convolutional neural networks on computed tomography images.
Cheng et al. Global contrast based salient region detection
US8422769B2 (en) Image segmentation using reduced foreground training data
JP4879028B2 (ja) 画像処理方法および画像解析方法ならびにプログラム記憶媒体
JP6748380B2 (ja) Ｉｈｃ画像解析用の自動化された核の面積／数の推定
Ge et al. Co-saliency detection via inter and intra saliency propagation
Liu et al. Automatic segmentation of brain MR images using an adaptive balloon snake model with fuzzy classification
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
Tao et al. New one-step model of breast tumor locating based on deep learning
Pan et al. Deep learning for object saliency detection and image segmentation
Azaza et al. Context proposals for saliency detection
Annum et al. Saliency detection using contrast enhancement and texture smoothing operations
Ramesh et al. Recent Advancement in Prediction and Analyzation of Brain Tumour using the Artificial Intelligence Method
Torres et al. Lesion detection in breast ultrasound images using a machine learning approach and genetic optimization
Gupta et al. A novel hybrid method for segmentation and analysis of brain MRI for tumor diagnosis
Ma et al. Local blur mapping: Exploiting high-level semantics by deep neural networks
Khan et al. Morphology preserving segmentation method for occluded cell nuclei from medical microscopy image
CN112861916A (zh) 一种浸润性宫颈癌病理图像分类方法和系统
Thota et al. Fast 3d salient region detection in medical images using gpus
US9918686B2 (en) Automated fibro-glandular (FG) tissue segmentation in digital mammography using fuzzy logic
Taheri et al. Automated single and multi-breast tumor segmentation using improved watershed technique in 2D MRI images
Merzoug et al. A deep system for breast tumor Classification from mammograms
Shukla Exploration and Performance Assessment of Efficient Histopathology Image Pre-Processing and Segmentation Techniques for Breast Cancer Prediction

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190125

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200226

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200423

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200722

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20200923

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201118

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: 20201202

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201215

R151 Written notification of patent or utility model registration

Ref document number: 6819898

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151