JP2020135515A

JP2020135515A - 医用画像にａｉの判断で進行度合いを表示する測計方法。

Info

Publication number: JP2020135515A
Application number: JP2019029253A
Authority: JP
Inventors: 廣美畑中; Hiromi Hatanaka
Original assignee: Individual
Current assignee: Individual
Priority date: 2019-02-21
Filing date: 2019-02-21
Publication date: 2020-08-31
Anticipated expiration: 2039-02-21
Also published as: WO2020170533A1; JP6582171B1

Abstract

【課題】今の医療用画像スキャンの診察は医師が目視で判断し、患者又は検診者が医師の言いなりに聞いている現状の検査方法に疑問あり、医科学的な手段で判断する必要があり求められていた事からAIの活用で診察するのが課題であった。【解決手段】本発明の医用画像スキャンを機械学習させたAIと組合せ症状度合いを数値で判断し画像に表示する検査方法は、近代的医科学に基づく正確な診察は時代の要請でもありAIを駆使した科学的検査方法にすることで従来の課題が解決される。【選択図】なし

Description

本発明は、医療用スキャン画像での健康状態の検測において、従来は目視により症状度合いを判断するのが一般的であり、忙しい中で微妙・精細に映る画像を診て症状度合いを判断するには医師の知識と経験で診察する方法には、医学的に問題があり改善する技術分野である。

今日の医用工学で、AIを活用し医師の指示する部位の撮影で画像スキャンには目的以外の部位症状もAIの判断で症状度合いを判明できることから、医師の誤診又は見落とす事も防止でき、AIの技術を医学への応用により現状の目視による検査方法が改善できる。

本発明の医用画像をAIで判断し症状度合いを画像に表示する検測方法により、誤診や見落としを改善することで課題が解決できる。

本発明は、このような状況を鑑みて案出された医用画像をAIで判断し症状度合いを画像に表示する検測方法に関する。

請求項１に記載の、医用画像において、従来の目視と読影による病気の発見に加え、人工知能（「AI」という）を活用した病気の発見に当り、AIに医用イメージング形態毎に過去の症例画像を基に、専門医師（以下「教師」という）により撮影画像の症状部位を円形状に操作し囲んだ部位に進行度合いを示すステージを入力した教師データを人工的に作り正解を定義したものを機械学習させた画像処理のソフトウェアにより、検診や健診時に医師が指示する画像部位の撮影画像において、指示以外の部位症状の発見や見落とし及び誤診を防止できる該AIの画像処理による検測を特徴とする医用画像にAIの判断で症状度合いを表示する検測方法に関する。

本発明の医用画像にAIの判断で症状度合いを表示する検測方法は、微妙な画像の症状判断を誤診、又は見落とす事も防止でき、更に患者及び親族も診察結果において信頼されるAI活用の検査により、迅速で正確な健診＆検診ができ、本願発明によりソフトウエアを組込んだ機器使用で医療現場にて医師の労力削減等の効果が期待できる。

医療用画像撮影装置のDICOM（ダイコムという）規格は、デジタルレントゲン、DR,CT,MRI、エコー等の画像撮影装置（医療現場ではこれを「モダリティ」と呼んでいる）で撮影された医療画像は、まずDICOM規格に沿ったフアイル形式でそれぞれのモダリティの中のストレージ（保存領域、大抵はハードディスク）にほぞんされる。通常ならば画像はPACS（バックス）と呼ばれる画像データベースに転送（コピー）されPACSについても書く事もできます。
DICOM画像ビューアの情報提供CDはWindows（ウインドウズ）搭載パソコンであればCDをドライブに入れると自動的にビユーアのプログラムが起動して、画面に表示される説明の通りに操作すれば画像を見る事が出来る様になっています。
DICOM規格とは米国の放射線学会が主導で定めた国際的な医療用画像と通信のための規格で、レントゲン画像にかぎらず、医療現場で扱うあらゆるデジタル医療画像データ全般の保存形式であり、また、それらの画像を取り扱う機器のための通信プロトコルです。即ち医療用画像と通信のための規格で、色々な医療機器で医療画像を表示したり、画像データとビユーアをCDに焼き付けて他の医院へ診察情報提供などに役立てられています。

本発明は、画像診断・検査について、身体の外から診るだけでは分からない体内の病気や様子（腫瘍、梗塞、動脈瘤等）を画像化して、異常が無いかどうかを検査する医療技術のことで、体内の画像を得る装置として、PET-CT検査、MRI検査、CT検査があり、癌などの病気を早期に発見することができる。
放射線診断専門医とは、日本医学放射線学会が指定した施設で５年間以上の修練を積み、試験に合格した医師のことで、Ｘ線レントゲンやCT検査、MRI検査、超音波検査といった様々な検査の特徴を理解し、画像診察法の中から、症状や疑われる疾患に適した検査方法を選択し、撮影された検査画像を専門家の眼で読影をしている。

本発明において、医療用画像スキャンとは、走査する、精査する、検査する、見渡す、詳しく調べる、などの意味であり、例として核磁気共鳴画像法（MRI画像）、ポジトロン断層法（PET画像）、Ｘ線投影、リニア断層撮影、PoIy断層撮影、鋏角断層撮影、オルソパントモグラフイ（OPT画像）、コンピュータ断層撮影（CT画像）などがあり、診察内容により、内科、外科、整形外科、脳神経外科、脳神経内科などで病症により画像にスキャンすることを医用画像処理と言う。

医用イメージングとは、病気の診察及び検査や医学の為に人体の画像を生成する技法およびプロセスを指す。人間に限らない生体写真撮影の一部であり、放射線医学、内視鏡検査、サーモグラフィ、医用写真撮影、顕微鏡検査などとも密接に関連する。本来、画像を生成するよう設計されていなかった測定手法や記録手法（脳波や脳磁図）も一種の地図のように表せるデータを生成する事から、医用イメージングの一形態と見ることが出きる。画像検査学において扱う医用画像には、上項段落０００７の画像を医学的に解釈する医師を放射線診断医あるいは画像診察医と呼び、医師の専門分野のひとつである。
撮影された画像に対し必要に応じた画像処理を施すことは、医用イメージングの一分野であり、医療施設内では特にラジオロジスト（先端画像診察の意）あるいは診療放射線技師がその行為を行う事が多いが、上項の各種画像処理の撮影形態をイメージングと見る事もできる。

「医用イメージング形態」の技術的意味について、医用イメージングは人体内部を可視化した画像を生成する技法であると見なされる事が多いが、例えば、超音波検査の場合、超音波を発することで組織内のエコーから内部構造を知る事ができる。X線の場合、骨や脂肪などでＸ線の吸収率が異なることを利用して画像を得る。即ち、ＣＴやＭＲＩや超音波の画像と言った形態の技術である。
又、人体の画像を生成する技法の形態とは、上述の如く、最近ではＣＴやＭＲＩや超音波の画像を三次元画像に変換するソフトウエアが登場し、ＣＴやＭＲＩは本来二次元の画像をフイルムに映し出すものであった。三次元画像を生成するには複数回の撮影を行って、それらのコンピュータを使って統合して三次元モデル化する。三次元超音波画像も同様の手法で生成される。この様に重要な構造を詳細に視覚化できるため、三次元視覚化手法は各種診察や外科治療の形態により重要な情報源となっている。

ソフトウェアとは、コンピュータ分野でハードウェア（物理的な機械）と対比される用語で、何らかの処理を行うコンピュータ・プログラムや、更には関連する文書などを指す。ソフトウェアは、一般的にワープロソフトなど特定の作業や業務を目的としたアプリケーションソフトウェア（応用ソフトウェア、アプリ）と、ハードウェアの管理や基本的な処理をアプリケーションソフトウエアやユーザーに提供するオペレーティングシステム（OS）などのシステムソフトウェアに分類される。
ソフトウェア作成は「プログラミング（コンピュータ）」および「ソフトウェア工学」はソフトウェアの開発・運用・保守に関して体型的・定量的にその応用を考察する分野での行為である。

最近では、CTやMRIや超音波の画像を三次元画像に変換するソフトウエアが登場している。CTやMRIは本来二次元の画像をフイルムに映し出すものであった。三次元画像を生成するには複数回の撮影を行って、それらコンピュータを使って統合して三次元モデル化する。三次元超音波画像も同様の手法で生成される。

人工知能（AI）とは、「計算」と言う概念と「コンピュータ」と言う道具を用いて「知能」を研究する計算機科学の一分野を指す語。「言語の理解や推論、問題解決などの知的行動を人間に代わってコンピュータに行わせる技術」、または、「計算機（コンピュータ）による知的な情報処理システムの設計や実現に関する研究分野」とされる。
専門家は次のように述べている。誤解を恐れず平易に言い換えるならば、「これまで人間にしかできなかった知的な行為（認識、推論、言語運用、創造など）を、どの様な手順（アルゴリズム）とどの様なデータ（事前情報や知識）を準備すれば、それを機械的に実行できるか」を研究する分野である。

AIに学習させるとはどういうことか、最も典型的な答えは、例えば写真を見たときに「犬」なのか「猫」なのか（または違う生物なのか）を区別する方法を学ぶことだ。
人間が一目見て分かることでも、何も学習していないAIは分からず、教えなければ適切な回答を導き出せない。
AIの学習のための技術には、大きく分けて2種類の技術がある。「機械学習」と「デイープラーニング（深層学習）だ、システムの効率化やデータ分析の高速化などにも使われるこれらの技術はどのようなものがあるか。
まず「機械学習」を見てみよう。同技術は、開発者（教師）があらかじめすべての動作をプログラムするのでなく、データをAI自身が解析し、法則性やルールを見つけ出す特徴を持っている。つまり、「トレーニング」により特定のタスクを実行できるようになるようなAIのことです。例えば画像認識の場合、1枚1枚に「赤いリンゴ」「青いリンゴ」というタグをつけた、大量のリンゴの画像をAIに読み込ませる。その際に「色に着目して区別しなさい」とAIに指示を与えておくと、まだ解析していないリンゴの画像が出てきたときでも、AIはリンゴの色に着目する。そして、「赤いリンゴ」なのか「青いリンゴ」なのかを区別するように自ら学習するのだ。

デイープラーニングは機械学習をさらに発展させたものだ。従来の機械学習との大きな違いは、情報やデータを分析する際に使う枠組みが異なっていること。これは人間の神経を真似て作った「ニューラルネットワーク」でコンピュータによるデータの分析と学習を強力なものに仕立て上げているのだ。
より詳しく知るために、先ほど画像を分析し「青いリンゴ」か「赤いリンゴ」を見分ける仕組みについて見る。機械学習では「色」に着目するように指定しなければならなかったのに対して、デイープラーニングでは区別するための「目の付け所」をAIが自分で学習し、その性能を向上させていく。別の言い方をすれば、デイープラーニングは沢山のデータを見ることによって、どこに注目すればよいかを自分で学習し、人間からの指示を待たずに自動でどんどん賢くなっていくということだ。
「機械学習」と「デイープラーニング」については、AIの仕組みであるものの、機能強化の自動化を推し進めているという違いがあるといえる。特に、分析の対象を区別する際に「目の付けところ（特徴量）という」を自動的に見つけ出す点で、進化していると言える。

本願における機械学習のワークフロー工程（流れ図）は以下の「材料」（１）、「作成」（２）〜（５）、「納品運用」（６）の工程で作成運用する。
（１）データの準備・・「どういうデータを使うか検討」⇒「データの収集」。
・データとは大学病院など医療機関の現場に於いて、過去に患者の診察で撮影した放射線画像や内視鏡画像、超音波画像や皮膚疾患画像、眼底検査画像、CTやMRI等の膨大な画像データのことで、これをベースに、専門分野毎の画像データ担当医（教師）にデータベースの目的を説明し協力を得て、現場の専門医が医療用デスプレー画像スキャン（モノクロ又はカラー画像）の濃淡色による症状箇所毎にマウス操作で円形状に囲み入れ、その部位に進行度合い（ステージ）を示す数値を入力しデータを加工して十分な量の“教師データ”を人工的に作りだした画像データを収集する。

（２）手法の選択・・・「機械学習の“手法/学習方法/アルゴリズム」“を選ぶ。
・機械学習とは、人工知能（AI）を作るための手法の一つ。通常の機械は、人間が細かく指示を書いたプログラムに従って動きます。ところが機械学習ではプログラムを人間が作らず、膨大なデータから機械が自分で学習して、判断基準のようなモデルをつくっていきます。そして答えを自分で出します。そのための学習を機械学習です。又、アルゴリズムとは、ある特定の問題を解く手順を、単純な計算や操作の組合せとして明確に定義したもので、数学の解法や計算手順なども含まれるが、IT（情報技術の意味でコンピューターやデーター通信に関する技術の総称）の分野ではコンピューターにプログラムの形で与えて実行させることができるよう定式化された、処理手順の集合のことを指す事が多い。

（３）前処理・・・「必要なデータの選別」⇒「データラングニング」⇒「データ拡張」⇒「学習・評価用にデータを分割」。
・データラングニングとは、データの抽出やクリーニングに費やす余分な時間を整える作業をいう。
・データ拡張とは、トレーニングデータの画像に対して移動・回転・拡大・縮小・歪曲・ノイズ付加などの操作をすることで、データ数を何倍にも増やすテクニックのこと。
・学習・評価用データを分割とは、教師あり学習では、トレーニングデータとは別に分ける必要がある。
１、トレーニングデータ、２、精度検証データ、３、テストデータに分割します。

（４）モデルのトレーニング・・・「ハイパーパラメータのチユーニング」⇒「学習」。
・ハイパーパラメータとは、・トレーナー（指導員）は、モデルをトレーニング（練習・訓練）するときに、次の３種類のデータを扱います。
・入力データ（トレーニングデータ）は、機械学習の問題にとって重要な特徴が含まれている個別レコード（インスタンス=事例の意）の集合です。このデータはトレーニングに使用され、類似のデータの新しいインスタンスについて正確な予測が出来る様にモデルが設定されます。
・モデルのパラメータは、選択された機械学習手法をデータに適応させるために使用される変数です。例えば、デイープニューラルネットワーク（DNN）は多数の処理ノード（ニューロン=構造上及び機能上の単位）から構成され、各ノードにオペレーションが定義されています。データがネットワークの中を移動していくと、各ノードのオペレーションがデータに対して実行されます。DNNをトレーニングするときに、各ノードに定義されている重みを基に、最終的な予測におけるそのノードの影響の大きさが決定されます。この重みは、モデルのパラメータの例です。パラメータこそがあるモデルと、類似のデータに作用する同種の別のモデルとを区別するものであるからです。
・モデルパラメータが変数であり、既存のデータを使用したトレーニングで調整されるものである場合に、ハイパーパラメータはトレーニングプロセス自体に関する変数です。
例えば、デイープニューラルネットワークをセットアップするときに、入力レイヤと出力レイヤの間で使用するノードの「隠し」レイヤ数と、各レイヤに使用するノードの数を決定します。
これらの変数は、トレーニングデータと直接関係するものではありません。これらは設定変数です。もう一つの違いは、パラメータはトレーニングジョブ中に変更されますが、ハイパーパラメータは一般的に、ジョブの実行中に変化することはありません。
モデルパラメータは、トレーニングプロセスによって最適化（「調整」と呼ぶ）されます。データに対してモデルのオペレーションを実行し、得られた予測を各データインスタンスの実際の値と比較して、精度を評価し、最適な値が見つかるまで調整します。ハイパーパラメータの調整も同様であり、トレーニングジョブ全体を実行し、全体的な精度を調べて調整します。どちらの場合も、モデルの構成に変更を加えながら、問題を処理するうえで最適な組み合わせを見つけます。
・学習とは・・・学習には大量の画像データが必要とし、それらのデータをどのように学習させるかというハイパーパラメータは人が設定する必要があります。通常、その学習を行い、「学習済みモデル」を作成します。これがAIを学習させるフエーズです。そして「学習済みモデル」を使用して、未知の事象を予測するのが、AIを使用するフエーズ、つまり変化する過程の一区切りです。

（５）モデルの評価・・・「推論」⇒「（２）〜（５）を繰り返す」⇒「最適なモデルを選ぶ」。
・推論とは、学習済みモデルにデータを入力して、そのモデルから結果を出力として受け取ること。つまり教師あり学習であれば、精度検証データを使ってモデルの精度をチエックすること。
未知のテストデータに対する学習済みモデルのパフオーマンス（汎化性能）を評価しておき、精度検証データにはデータ慣れによるバイアス問題の可能性があるから、改めて真新しいテストデータを使って、運用環境にできるだけ近いコンテキストで最終チェックする。（２）〜（５）を繰返し、最適なモデルを選択する。
（６）医療機関等に納入・運用「選択した学習済みモデルを本番環境にデプロイして運用」・選択した学習済みモデルを運用環境で実行できる形でエクスポートして、AIサービスやアプリケーションに組み込めば完了です。

以上の様に、AIの活用には精度の高いデイープラーニングを実用化する上で、コンピュータの高速化と同時に欠かせないのが、十分な量の「教師データ」を用意することであり、教師データとはコンピュータが学習するためのデータであり、その出来がデイープラーニングの精度を決める。
ここでは、本願の画像データをAI化（機械学習）する教師データとは、医療現場の画像分野別に携わる専門医が過去の診察で蓄積した医療用デスプレー画像スキャン（モノクロ又はカラー画像）の濃淡状の色による症状箇所毎にマウス操作で円形状に囲み入れ、その部位に進行度合いを示す数値を入力したデータの加工であり、専門医が人工的に作り正解を定義したものあり、例えば画像が初期症状か後期症状かの正解は人間（専門医）が判別して定義していきます。
この様に教師データの作成は協力先の医療機関専門医、又は医療機関から管理用ビューアを配信させて頂き、又はUSBメモリかデータ送信等で情報提供された医療用デスプレー画像スキャンを企業の専門医（教師）が上述の様な手順でデータを加工し人海戦術で正解を作りだす事もできるが、大変労力を要する場合があります。

つまり、（１）に記載の専門医が医療用デイスプレ画像スキャンのモノクロ又はカラー画像の濃淡色状態を診て、症状箇所及び症状の度合いを判断し、教師となる専門医が画像面にPC操作で円形状に囲み入れ、その部位に進行度合い（ステージ）、例えば、画像スキャンに表示された症状を診て、初期症状と判断される場合「１」で表示し、中期症状と判断される場合「２・３」の２段階で表示、後期症状と判断される場合にはステージ「４」で表示し、末期症状の場合には「５」で示す数値を入力し、症状段階を細かくしたデータに加工した教師データを人工的に作りだした画像データを当該医療機関から提供して頂き回収したデータベースを「（２）〜（５）」までのワークフローで繰り返し機械学習させ、最適なモデルを選択する。従って、上記の学習システムにより効率的な画像処理が可能であることから、教師データにおいて「計算式は不要」のAI画像である。
AIのメリットとして考えられることは、専門医師のサポートをすることで労力が軽減され業務効率が向上し、更に、迅速かつ正確な診断に基づく適切な治療が提供できることにあります。

応用分野として、知的なゲームで対局するシステム、画像や映像に映る物体や人物を識別する画像認識システム（コンピュータビジョン）、人間の発話を聞き取って内容を理解する音声認識システム、言葉を組み立てて声として発する音声合成システム、ロボットや自動車など機械の高度で自律的な制御システム（自動運転など）自動要約や質問応答システム、高度で自然な機械翻訳といった様々な自然言語処理などが知られることから、これを医用画像スキャンの症状判定・進行の判断に活用するものである。それには医療現場から過去の病症毎症状事例を収集しAIに医用イメージング形態に病状毎の症状を実例に基づき学習させ、AIによる診察方法の普及である。

医療用画像スキャンでの検査は病気の発見や健康状態を検測する目的ですが、しかしながら医師個人の知識や経験に頼りスキャンの画像を診て判断しているため、正しい判断なのか患者自身は医師の言いなりに聞いているのが現状の診察方法である。そこで、医科学的に判断を可能とする必要から、人工知能AIの活用にあり、AIに医用イメージング形態毎に過去の病状の症状を実例に基づき機械学習させる事で、例えば医師が指示する部位の撮影で画像スキャンには指示以外の部位症状もAIの判断で新しく発見することもでき、そして画像の症状部位を円形状に囲み症状度合いを数値（例、症状無い場合無表示とし、症状観られる際の度合いステージを「１〜５」）迄の５段階で表し、その数値を理解し「音声システム」による声で発する方法で診断を知らせる事で、症状の進行状態問わず画像の症状判断を誤診又は見落とす事も防止でき、更に画像スキャンを診て患者への説明時に、AIでの判断数値を患者や親族も診断結果に納得されるAIによる診断方法とするものである。

医師がAIに指示する画像部位つまり画像スキャンの対象症状には、脳腫瘍、舌癌、喉頭癌、甲状腺癌、食道癌、胃癌、大腸癌、胆嚢癌、肝細胞癌、胆管癌、膵臓癌、肺癌、乳癌、卵巣癌、子宮頸がん、子宮体癌、腎細胞癌、腎孟尿管癌、前立腺癌、膀胱癌、皮膚がん、骨軟部腫瘍、悪性リンパ腫、口唇癌、口腔がん、鼻咽頭がん、小児がん、などが病気の発見と健康状態を検査するための対象となります。
その他、狭窄症には、脊柱管狭窄症、心臓弁膜症、僧帽弁狭窄症、大動脈弁狭窄症、又、虫歯や歯周病、事故での骨折、及び、人間を含む猫と犬含む動物での画像を対象とし、
これらの検査には、人間と動物の「健診」と「検診」とがあり、１）健診とは健康診断のことを意味し、２）検診とは特定の病気を早期に発見し、早期に治療することを目的としている。

画像スキャンで部位の症状度合い（ステージ「１-２、３-４、５」の段階）を判断するには、専門的高度な知識と経験を要求されも、特に重視されるのは「癌」であり、そこで「がん」は世界的に死因の第1位となっている。世界保健機関（WHO）が行っている研究で1990年から2013年にかけて188ヵ国を対象として、28種類の「がん」について死亡率、発症率、障害生存年数、損失生存年数、障害調整生命年を検証する。2013年にがんを発症したのは1490万人で、820万人が死亡していた。癌によって失われた健康に生きられる年数「障害調整生命年」を算出すると、1億9630万年に上がると分かった。世界で最も多いがんは、男性では「前立腺がん」、女性では「乳がん」と推定され、他の「がん」を上回っている。男女共癌による死亡で最も多かったのは、気管、気管支、肺がんで160万人が死亡している。罹患率と死亡率によると、男女共、胃がん、肝臓がん、食道がん、子宮頸がん、口唇癌、口腔がん、鼻咽頭がんが発展途上国で多くなっていることがわかる。

今後は「自分で守る健康未病社会」を医学、工学面からAIの診断で「効果の見える化」で健診や検診結果などのビッグデータで将来の病気のなりやすさを数値で示し、病気と健康が共存する状態、やや調子が悪くても現役生活という未病の状態が実は人生で相当長い時期を占めるが、未病でいるには、医療はじめ専門医のサポートを受けながら、どう生きるかを意識して行動することで生活習慣を見直し、未病という新しい長寿社会で健康観を広めるには、AIやVR（仮想現実・バーチャルリアリティー）といった技術を駆使した早期の予知医学へと進化し、平均寿命が延び生涯現役という考えで大きく変化し「社会活動や地域社会」との関わりを積極的に行い、年をとっても自分の事を自分で行うという「各々の価値基準」を持つことで社会貢献ができる。

本発明の医用スキャン画像を機械学習させたAIと組み合わせ症状度合いを数値で判断し画像に表示する検査方法は、AIに医用イメージング形態毎に症状を実例に基づき学習させるソフトウエアの開発で、医療機関で多くの人が健診と検診で癌などの早期発見で健康寿命を延ばす事も可能となり、強いては医療費抑制で経済効果が期待できる。

請求項1に記載の、医用画像において、従来の目視と読影による病気の発見に加え、人工知能（「AI」という）を活用した病気の発見に当り、AIに医用イメージング形態毎に過去の症例画像を基に、専門医師（以下「教師」という）により撮影画像の症状部位を円形状に操作し囲んだ部位に進行度合いを示すステージを入力した教師データを人工的に作り正解を定義したものを機械学習させた画像処理のソフトウェアにより、検診や健診時に医師が指示する画像部位の撮影画像において、指示以外の部位症状の発見や見落とし及び誤診を防止できる該AIの画像処理による計測を特徴とする医用画像にAIの判断で症状度合いを表示する計測方法に関する。

請求項1に記載の、医用画像において、従来の目視と読影による病気の発見に加え、人工知能（「AI」という）を活用した病気の発見に当り、AIに医用イメージング形態毎に過去の症例画像を基に、専門医師（以下「教師」という）により、撮影画像の症状部位を円形状に操作し囲んだ部位に進行度合いを示すステージを入力した教師データを人工的に作り正解を定義したものを機械学習させた画像処理のソフトウェアにより、コンピューターによる人間の検診や健診時に医師が指示する画像部位の撮影画像において、指示以外の部位症状の発見や見落とし及び誤診を防止できるAI判断を特徴とする医用画像にAIの判断で症状度合いを表示する計測方法に関する。

請求項1に記載の、医用画像において、従来の目視と読影による病気の発見に加え、人工知能（「AI」という）を活用した病気の発見に当り、AIに医用イメージング形態毎に過去の症例画像を基に、専門医師（以下「教師」という）により、撮影画像の症状部位を円形状に操作し囲んだ部位に進行度合いを示すステージを入力した教師データを人工的に作り正解を定義したものを機械学習させた画像処理のソフトウェアにより、コンピュータによる人間の検診や健診時に医師が指示する画像部位の撮影画像において、医師が指示する部位の撮影で画像スキャンには指示以外の部位症状もAIの判断で新しく発見し、画像の症状部位を円形状に囲み症状度合いを複数段階の数値で表示することで、指示以外の部位症状の発見や見落とし及び誤診を防止できることを特徴とする医用画像にAIの判断で症状度合いを表示する計測方法に関する。

請求項1に記載の、医用画像において、従来の目視と読影による病気の発見に加え、人工知能（「AI」という）を活用した病気の発見に当り、AIに医用イメージング形態毎に過去の症例画像を基に、専門医師（以下「教師」という）により、撮影画像の症状部位を円形状に操作し囲んだ部位に進行度合いを示すステージを入力した教師データを人工的に作り正解を定義したものを機械学習させた画像処理のソフトウェアにより、コンピュータによる人間の検診や健診時に医師が指示する画像部位の撮影画像において、医師が指示する部位以外の症状部位もAIの判断で新しく発見し、画像の症状部位を円形状に囲み進行度合いを複数段階の数値で表示することで、指示以外の症状部位の発見や見落とし及び誤診を防止できることを特徴とする医用画像にAIの判断で進行度合いを表示する計測方法に関する。

Claims

医用画像において、従来の目視と読影による病気の発見に加え、人工知能（「AI」という）を活用した病気の発見に当り、AIに医用イメージング形態毎に過去の症例画像を基に、専門医師（以下「教師」という）により撮影画像の症状部位を円形状に操作し囲んだ部位に進行度合いを示すステージを入力した教師データを人工的に作り正解を定義したものを機械学習させた画像処理のソフトウェアにより、検診や健診時に医師が指示する画像部位の撮影画像において、指示以外の部位症状の発見や見落とし及び誤診を防止できる該AIの画像処理による検測を特徴とする医用画像にAIの判断で症状度合いを表示する検測方法。