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。 - Google Patents
医用画像にaiの判断で進行度合いを表示する測計方法。 Download PDFInfo
- Publication number
- JP2020135515A JP2020135515A JP2019029253A JP2019029253A JP2020135515A JP 2020135515 A JP2020135515 A JP 2020135515A JP 2019029253 A JP2019029253 A JP 2019029253A JP 2019029253 A JP2019029253 A JP 2019029253A JP 2020135515 A JP2020135515 A JP 2020135515A
- Authority
- JP
- Japan
- Prior art keywords
- image
- medical
- data
- symptom
- examination
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
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。
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。
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。
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。
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。
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。
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。
(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。
・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。
・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。
・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。
・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。
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。
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。
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。
Claims (1)
- 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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019029253A JP6582171B1 (ja) | 2019-02-21 | 2019-02-21 | 医用画像にaiの判断で進行度合いを表示する測計方法。 |
PCT/JP2019/045945 WO2020170533A1 (ja) | 2019-02-21 | 2019-11-25 | 医用画像にaiの判断で進行度合いを表示する計測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019029253A JP6582171B1 (ja) | 2019-02-21 | 2019-02-21 | 医用画像にaiの判断で進行度合いを表示する測計方法。 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6582171B1 JP6582171B1 (ja) | 2019-09-25 |
JP2020135515A true JP2020135515A (ja) | 2020-08-31 |
Family
ID=68053519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019029253A Active JP6582171B1 (ja) | 2019-02-21 | 2019-02-21 | 医用画像にaiの判断で進行度合いを表示する測計方法。 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6582171B1 (ja) |
WO (1) | WO2020170533A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6503535B1 (ja) * | 2018-12-17 | 2019-04-17 | 廣美 畑中 | 医用画像をaiの判断で症状度合いごと画像に表示する診断方法。 |
US11450435B2 (en) | 2020-04-07 | 2022-09-20 | Mazor Robotics Ltd. | Spinal stenosis detection and generation of spinal decompression plan |
US11426119B2 (en) | 2020-04-10 | 2022-08-30 | Warsaw Orthopedic, Inc. | Assessment of spinal column integrity |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004286666A (ja) * | 2003-03-24 | 2004-10-14 | Olympus Corp | 病理診断支援装置および病理診断支援プログラム |
JP2005081056A (ja) * | 2003-09-11 | 2005-03-31 | Fuji Photo Film Co Ltd | 医用画像表示方法および装置 |
WO2013146843A1 (ja) * | 2012-03-30 | 2013-10-03 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
JP2018121886A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、および画像処理プログラム |
JP2018175227A (ja) * | 2017-04-10 | 2018-11-15 | 富士フイルム株式会社 | 医用画像表示装置、方法およびプログラム |
-
2019
- 2019-02-21 JP JP2019029253A patent/JP6582171B1/ja active Active
- 2019-11-25 WO PCT/JP2019/045945 patent/WO2020170533A1/ja active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004286666A (ja) * | 2003-03-24 | 2004-10-14 | Olympus Corp | 病理診断支援装置および病理診断支援プログラム |
JP2005081056A (ja) * | 2003-09-11 | 2005-03-31 | Fuji Photo Film Co Ltd | 医用画像表示方法および装置 |
WO2013146843A1 (ja) * | 2012-03-30 | 2013-10-03 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
JP2018121886A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、および画像処理プログラム |
JP2018175227A (ja) * | 2017-04-10 | 2018-11-15 | 富士フイルム株式会社 | 医用画像表示装置、方法およびプログラム |
Non-Patent Citations (2)
Title |
---|
国立研究開発法人 日本医療研究開発機構: ""プレスリリース/AIを搭載した内視鏡診断支援プログラムが承認−医師の診断補助に活用へ−"", [ONLINE], vol. [平成31年1月30日検索], JPN6019003857, 10 December 2018 (2018-12-10), ISSN: 0004081861 * |
理化学研究所、国立研究開発法人 国立がん研究センター: ""AIで早期胃がん領域の高精度検出に成功 −早期発見・領域検出で早期治療に大きく貢献−"", [ONLINE], vol. [平成31年1月30日検索], JPN6019003855, 20 July 2018 (2018-07-20), ISSN: 0004081860 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020170533A1 (ja) | 2020-08-27 |
JP6582171B1 (ja) | 2019-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6503535B1 (ja) | 医用画像をaiの判断で症状度合いごと画像に表示する診断方法。 | |
Prakash et al. | Medical practitioner's adoption of intelligent clinical diagnostic decision support systems: A mixed-methods study | |
JP6582171B1 (ja) | 医用画像にaiの判断で進行度合いを表示する測計方法。 | |
Cai et al. | Lesion-harvester: iteratively mining unlabeled lesions and hard-negative examples at scale | |
Alexander et al. | What do radiologists look for? Advances and limitations of perceptual learning in radiologic search | |
Babarenda Gamage et al. | An automated computational biomechanics workflow for improving breast cancer diagnosis and treatment | |
Maier-Hein et al. | Surgical data science: A consensus perspective | |
Deshpande et al. | Explainable Artificial Intelligence–A New Step towards the Trust in Medical Diagnosis with AI Frameworks: A Review. | |
WO2021157705A1 (ja) | 文書作成支援装置、方法およびプログラム | |
JP2023504026A (ja) | 医用イメージング・システムにおける自動式プロトコル指定 | |
Bhardwaj | Artificial Intelligence: Patient Care and Health Professional's Education. | |
Alidoost et al. | Model utility of a deep learning-based segmentation is not Dice coefficient dependent: A case study in volumetric brain blood vessel segmentation | |
JP2004130090A (ja) | コンピュータ援用患者診断決定支援システム | |
Oniga et al. | Applications of ai and hpc in the health domain | |
Liang et al. | Human-centered ai for medical imaging | |
Karegowda et al. | Knowledge based fuzzy inference system for diagnosis of diffuse goiter | |
WO2021187483A1 (ja) | 文書作成支援装置、方法およびプログラム | |
Kolikipogu et al. | Introduction to Computer Vision Aided Data Analytics in Healthcare Industry 4.0 | |
Jahangir et al. | Introduction to Medical Imaging Informatics | |
Gao | Analysis of the role of artificial intelligence in pediatric radiography | |
Jidney et al. | Automl Systems for Medical Imaging | |
KR102595106B1 (ko) | 천장골관절염 진단을 위한 딥러닝 네트워크 모델 생성 방법 및 시스템 | |
JP7368592B2 (ja) | 文書作成支援装置、方法およびプログラム | |
Gullón | Retinal lesions segmentation using CNNs and adversarial training | |
Manaf et al. | Advancements in Medical Imaging and Diagnostics with Deep Learning Technologies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190314 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190320 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190402 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190409 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190702 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190708 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190730 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190802 |
|
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: 20190827 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6582171 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |