JP2020151450A

JP2020151450A - 画像識別方法及び画像識別装置

Info

Publication number: JP2020151450A
Application number: JP2019139550A
Authority: JP
Inventors: 哲▲渝▼ 林; zhe-yu Lin; 昭源林; Zhao-Yuan Lin; 玉潔 ▲黄▼; Yu-Jie Huang; 益生趙; Yi-Sheng Chao; 駿鵬許; Chun-Peng Hsu
Original assignee: Wistron Corp
Current assignee: Wistron Corp
Priority date: 2019-03-19
Filing date: 2019-07-30
Publication date: 2020-09-24
Anticipated expiration: 2039-07-30
Also published as: EP3712845C0; EP3712845B1; TWI714025B; TW202036592A; US20200302597A1; EP3712845A1; CN111738975A; CN111738975B; US11010893B2; JP6810212B2

Abstract

【課題】本発明は、識別の性能及び精度を改善しうる画像識別方法及び画像識別装置を提供する。【解決手段】本発明は画像識別方法及び画像識別装置を提供する。画像識別方法は、複数の画素を有する第１のコンピュータ断層撮影（ＣＴ）画像を取出すステップと、第１の画素から複数の第２の画素を取出すとともにこれらの第２の画素に基づいて第２のＣＴ画像を生ぜしめるステップと、第２のＣＴ画像に関してコントラスト増強アルゴリズムを実行して第２のＣＴ画像のコントラストを調整するステップと、第１の対象を有する第１の画像領域を第２のＣＴ画像において識別して第３のＣＴ画像を生ぜしめるステップと、第３のＣＴ画像を複数の部分画像に分割し、各部分画像において第１の対象に対応する特定の画像領域のみを保留するステップと、部分画像を第４のＣＴ画像内に組込むステップと、第４のＣＴ画像に基づいて第１の対象の種類を識別するステップとを具えるものである。【選択図】図２

Description

本発明は、識別方法及び識別装置に関するものであり、特に画像識別方法及び画像識別装置に関するものである。

近年、肝疾患を患っている患者数が増大し続けている。一般に、放射線科医師は、患者のコンピュータ断層撮影（ＣＴ）画像を取得した後に、この疾患に関する診断を下すようにしている。しかし、医療人材やその他の関連資源（リソース）が制限されている為、診断処理に多大な時間を要するおそれがある。その上、ある種の疾患はより経験豊富な放射線科医師により診断する必要がある。従って、現在の放射線科医師数を考慮すると、肝疾患のある患者数が増大することに対処するのが困難となる可能性がある。

現在、腫瘍部位を検出する多くのシステムが存在するが、これらのシステムの多くは胸部おける結節を検出するために提供されており、肺又は腹腔における腫瘍を検出する製品は市場で入手できない。幾つかの研究が肺腫瘍検出における努力に供せられているが、これらの研究は肝細胞癌（ＨＣＣ）の検出のみに向けられており、その精度は未だに商業化基準を満足していない。更に、数十種類の肝疾患が有り、従って、単に一種類の疾患を検出することは実際の症状に適用するのに充分ではないことは明らかである。

従って、本発明は、上述した技術問題に対処する画像識別方法及び画像識別装置を提供するものである。

本発明の一実施例によれば画像識別方法を提供する。この識別方法は、第１のコンピュータ断層撮影（ＣＴ）画像であって、この第１のＣＴ画像が複数の第１の画素を有し、これら第１の画素の各々がチャネルバリューを有するとともに、これら第１の画素の各々のチャネルバリューは第１の範囲内に入っている当該第１のＣＴ画像を取出すステップと、
前記第１の画素から複数の第２の画素を取出すとともにこれらの第２の画素に基づいて第２のＣＴ画像を生ぜしめるステップであって、前記第２の画素の各々のチャネルバリューは前記第１の範囲よりも小さい第２の範囲内に入っているものである当該ステップと、前記第２のＣＴ画像に関してコントラスト増強アルゴリズムを実行して前記第２のＣＴ画像のコントラストを調整するようにするステップと、第１の対象を有する第１の画像領域を前記第２のＣＴ画像において識別して第３のＣＴ画像を生ぜしめるステップと、前記第３のＣＴ画像を複数の部分画像に分割し、これら部分画像の各々において前記第１の対象に対応する特定の画像領域のみを保留するようにするステップと、前記部分画像を第４のＣＴ画像内に組込むステップと、前記第４のＣＴ画像に基づいて前記第１の対象の種類を識別するステップとを具えるものである。

本発明の一実施例によれば画像識別装置を提供する。この画像識別装置は、記憶回路とプロセッサとを有している。記憶回路は複数のモジュールを記憶する。プロセッサは記憶回路に結合されているとともに、モジュールをアクセスして以下のステップ、すなわち、第１のコンピュータ断層撮影（ＣＴ）画像であって、この第１のＣＴ画像が複数の第１の画素を有し、これら第１の画素の各々がチャネルバリューを有するとともに、これら第１の画素の各々のチャネルバリューは第１の範囲内に入っている当該第１のＣＴ画像を取出すステップと、前記第１の画素から複数の第２の画素を取出すとともにこれらの第２の画素に基づいて第２のＣＴ画像を生ぜしめるステップであって、前記第２の画素の各々のチャネルバリューは前記第１の範囲よりも小さい第２の範囲内に入っているものである当該ステップと、前記第２のＣＴ画像に関してコントラスト増強アルゴリズムを実行して前記第２のＣＴ画像のコントラストを調整するステップと、第１の対象を有する第１の画像領域を前記第２のＣＴ画像において識別して第３のＣＴ画像を生ぜしめるステップと、前記第３のＣＴ画像を複数の部分画像に分割し、これら部分画像の各々において前記第１の対象に対応する特定の画像領域のみを保留するステップと、前記部分画像を第４のＣＴ画像内に組込むステップと、前記第４のＣＴ画像に基づいて前記第１の対象の種類（対象タイプ）を識別するステップとを実行するものである。

上述したことに基づくに、本発明の実施例による画像識別方法及び画像識別装置は、第１の画像領域、第１の対象に対応する特定の画像領域及び第１の対象の種類を見いだす識別を、チャネル値が第１の範囲内に入らない画素を排除するとともにコントラスト増強アルゴリズムを実行した後に順次に実行しうるものである。従って、識別の性能及び精度をより一層好ましいものとしうる。

本発明の上述した及びその他の特徴や利点を理解しうるようにするために、図面に開示した幾つかの実施例を以下に詳細に説明する。

添付図面は、本発明の更なる理解を提供するために開示したものであり、本明細書の一部に含まれ且つこの一部を構成するものである。これらの添付図面は、本発明の実施例を開示するとともに、解説と相俟って本発明の原理を説明する作用をするものである。

図１は、本発明の一実施例による画像識別装置を示す線図である。図２は、本発明の一実施例による画像識別方法を示す流れ図である。図３は、本発明の一実施例による使用シナリオを示す図である。図４は、本発明の一実施例による他の使用シナリオを示す図である。

本発明により提起した好適実施例を以下で詳細に参照するに、その内の数例を添付図面に示してある。添付図面及び説明においては同じ又は類似の部分を参照するのに可能な限り同じ参照符号を用いている。

手短に言うと、本発明の実施例による画像識別装置は、特定のコンピュータ断層撮影（ＣＴ）画像に関し識別を実行してこの特定の画像における特定の対象を見いだし、更に特定のＣＴ画像を取出した後にこの特定の対象の種類を識別しうるものである。一実施例では、本発明の画像識別装置は、ＣＴ画像に関する識別を実行してＣＴ画像における腫瘍を見いだし、更にＣＴ画像を取出した後に腫瘍の種類を決定することができる。説明を容易にするために、以下では、画像識別装置が画像識別を実行する目標を、患者から取得した腹部ＣＴ画像とし、この腹部ＣＴ画像に基づいて画像識別装置により実行する関連の識別処理を以下で詳細に説明する。

図１を参照するに、この図１は本発明の一実施例による画像識別装置を示す線図である。この図１では、画像識別装置１００が記憶回路１０２及びプロセッサ１０４を有している。他の実施例では、画像識別装置１００は、パーソナルコンピュータ、ラップトップコンピュータ、ワークステーション、サーバ、スマートデバイス、又はＣＴ画像を解析及び処理しうるその他のデバイスとすることができる。しかし、本発明はこれらに限定されるものではない。

記憶回路１０２は例えば、如何なる種類の固定の又は移動可能なランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、ハードドライブ、その他の同様なデバイス、又はこれらのデバイスの組合せとすることができ、この記憶回路１０２は複数のプログラムコード又はモジュールを記憶する作用を行いうる。

プロセッサ１０４は記憶回路１０２に結合されており、汎用のプロセッサ、特定の目的のプロセッサ、伝統的なプロセッサ、デジタル信号プロセッサ、複数のマイクロプロセッサ、デジタル信号プロセッサコアを含む１つ以上のマイクロプロセッサ、コントローラ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、如何なる他の種類の集積回路、状態機械（ステートマシン）、ＡＲＭ（Advanced RISC Machine ）ベースのプロセッサ、又は同様な製品とすることができる。

本発明の実施例では、プロセッサ１０４が記憶回路１０２に記録されたモジュール及びプログラムコードをアクセスして本発明の画像識別方法を実現するようにしうる。この点における詳細は以下で説明する。

図２を参照するに、この図２は本発明の一実施例による画像識別方法を示す流れ図である。この実施例の方法は図１の画像識別装置１００により実行しうる。以下では、図２に示すそれぞれのステップの詳細を図１に示す構成要素を参照して説明する。更に、図２の概念をより一層明瞭に説明するために、図３に示すシナリオをも参照して説明を行う。しかし、図３は単に一例として作用するものであり、本発明の可能な実施例に関する制限を行うものと解釈されるものではないことを銘記すべきである。

プロセッサ１０４は、最初にステップＳ２０１において、第１のＣＴ画像３１０を取出すことができる。この実施例では、第１のＣＴ画像３１０は、例えば、患者の腹腔から取出した腹部のＣＴ画像である。更に、本発明のこの実施例による画像識別装置１００は、第１のＣＴ画像３１０に対し特定の前処理を実行した後に、種々の深層学習（ディープラーニング）モデルを用いることにより、前処理された画像中に肝臓と、肝臓内の腫瘍と、腫瘍の種類とを見いだすようにしうる。しかし、本発明はこのことに限定されるものではない。

第１のＣＴ画像３１０は複数の第１の画素を有するようにしうる。更に、正常なＣＴ画像の特性に基づくに、これら第１の画素の各々はチャネルバリューを有し、このチャネルバリューは第１の範囲内に入っている。この実施例では、チャネルバリューは、例えば、ハンスフィールド単位（ＨＵ）値であり、ＨＵ値は通常−２０４８〜３００００の範囲（すなわち、第１の範囲）内に入っている。しかし、本発明はこのことに限定されるものではない。

しかしながら、次の関連する識別処理を実行するには、プロセッサ１０４にとってＨＵ値のこの第１の範囲はあまりにも広すぎる。従って、プロセッサ１０４は第１の画素の幾つかをステップＳ２２０を介して実行し、次の識別処理の性能を改善するようにしうる。

ステップＳ２２０では、プロセッサ１０４により第１の画素から複数の第２の画素を取出すとともに、これらの第２の画素に基づいて第２のＣＴ画像を生ぜしめるようにすることができる。これら第２の画素の各々のチャネルバリューは第２の範囲内に入っており、この第２の範囲は第１の範囲よりも小さいものである。一実施例では、プロセッサ１０４により第１の画素から複数の第３の画素を取出すようにすることができ、これら第３の画素の各々のチャネルバリューは第２の範囲に入っていないものである。更に、プロセッサ１０４は第１のＣＴ画像から第３の画素を排除して、第２の画素を含む第２のＣＴ画像３２０のみを生ぜしめるようにする。要するに、プロセッサ１０４は、上述した小さな第２の範囲を規定した後に、第１のＣＴ画像３１０においてチャネルバリューが第２の範囲に入っていない第３の画素を除外して、チャネルバリューが第２の範囲内に入る第２の画素のみを第１のＣＴ画像内に維持させ、これにより第２のＣＴ画像３２０を形成するようにすることができる。

他の実施例では、第２の範囲を必要に応じて設計者により設定しうる。一実施例では、肝臓及び腫瘍に対応するＨＵ値は通常−７０〜２００の範囲内に入っている為、プロセッサ１０４は第２の範囲を−７０〜２００の範囲として規定することができる。しかし、本発明はこれに限定されるものではない。他の実施例では、プロセッサ１０４は、１つ以上の他の第２の範囲に基づいて他の第２のＣＴ画像を生ぜしめるように構成することもできる。換言すれば、これらの他の第２のＣＴ画像の各々には、チャネルバリューが特定の範囲内に入っている画素を含めるようにもすることができる。一実施例では、放射線科医師による現実的な変更及び検査後に肝臓及び腫瘍をより一層識別可能となりうるようにするＨＵ値に応じて、上述した１つ以上の他の第２の範囲を決定するようにしうる。しかし、本発明はこのことに限定されるものではない。

プロセッサ１０４は、次にステップＳ２３０において、第２のＣＴ画像３２０に関してコントラスト増強アルゴリズムを実行して、第２のＣＴ画像３２０のコントラストを調整するようにしうる。一実施例では、コントラスト増強アルゴリズムに、例えば、ヒストグラム平坦化アルゴリズム又はその他の同様なアルゴリズムを含めることができる。しかし、本発明はこれに限定されるものではない。具体的には、第２のＣＴ画像３２０に関してコントラスト増強アルゴリズムを実行した後に、肝臓及び腫瘍に相当する画像領域間のコントラストを増大させて、腫瘍がより一層識別可能となるようにしうる。しかし、本発明はこのことに限定されるものではない。

上述したことによれば、本発明の実施例では、チャネルバリューが第１の範囲内に入っていない画素を除外し且つコントラスト増強アルゴリズムを実行するような前処理を介することにより、以下で実行する画像識別（例えば、腫瘍の識別）の性能が高められる。

プロセッサ１０４は、次にステップＳ２４０において、第２のＣＴ画像３２０内で第１の画像領域３３０ａを識別して第３のＣＴ画像３３０を生ぜしめるようにしうる。図３では、第１の画像領域３３０ａを、例えば、腫瘍を有する肝臓の画像領域とすることができ、第１の画像領域３３０ａは第１の対象ＯＢ１を有しうる。この実施例では、第１の対象ＯＢ１は、例えば、肝臓内に位置する腫瘍である。しかし、本発明はこれに限定されるものではない。一実施例では、プロセッサ１０４により第２のＣＴ画像３２０を第１の深層学習モデルに入力させ、この第１の深層学習モデルに応じて第２のＣＴ画像３２０内に第１の画像領域３３０ａを見いだすようにしうる。次に、プロセッサ１０４により第１の画像領域３３０ａに属さない第２の画素を第２のＣＴ画像３２０から除外して、第３のＣＴ画像３３０を生ぜしめるようにしうる。

一実施例では、畳み込みニューラルネットワーク（ＣＮＮ）のフレームワークに基づくＵnet モデル又はその他の同様なモデルを採用することにより第１の深層学習モデルを実現するようにしうる。しかし、本発明はこのことに限定されるものではない。更に、第１の深層学習モデルは、第１の画像領域３３０ａを見いだすのに用いる前に最初に、特定の関心領域（ＲＯＩ）が付されているトレーニング画像でトレーニングして、これらトレーニング画像を介してＲＯＩの特性を学習するようにすることができる。従って、この実施例では、第１の深層学習モデルが第１の画像領域３３０ａ（すなわち、腫瘍を有する肝臓の画像領域）を識別しうるようにするために、腫瘍をＲＯＩとして有する肝臓の画像である複数のトレーニング画像に基づいてこの第１の深層学習モデルを最初に学習し、腫瘍を有する肝臓の画像領域の特性を見いだすようにすることができる。

プロセッサ１０４は、次にステップＳ２５０において、第３のＣＴ画像３３０を複数の部分画像３３０ｂに分割し、これら部分画像３３０ｂの各々における第１の対象ＯＢ１に対応する特定の画像領域のみを保留するようにしうる。一実施例では、プロセッサ１０４により、これら部分画像のうちの第１の部分画像を第２の深層学習モデル内に入力させて、この第２の深層学習モデルに基づいてこの第１の部分画像内の第１の対象ＯＢ１に対応する特定の画像領域を見いだすようにすることができる。更に、これら部分画像の各々は複数の特定の画素を有している。プロセッサ１０４は、次に、特定の画像領域に属さない特定の画素を第１の部分画像から除外し、この第１の部分画像が第１の対象ＯＢ１に対応する特定の画像領域のみを含むようにすることができる。

一実施例では、プロセッサ１０４は予め決定した寸法に応じて第３のＣＴ画像３３０を部分画像３３０ｂに均等に分割するようにしうる。例えば、第３のＣＴ画像３３０の寸法が５１２×５１２であり、予め決定した寸法が６４×６４であるものとすると、プロセッサ１０４は予め決定した寸法に応じて第３のＣＴ画像３３０を６４個の部分画像３３０ｂに均等に分割するようにしうる。部分画像３３０ｂの各々の寸法は予め決定した寸法（すなわち、６４×６４）である。しかし、本発明はこれに限定されるものではない。これに加え、プロセッサ１０４は更に、第３のＣＴ画像３３０における部分画像３３０ｂの分布個所を記録するようにしうる。例えば、部分画像３３０ｂの各々の分布個所は第３のＣＴ画像３３０における部分画像３３０ｂの各々の座標として表すことができる。しかし、本発明はこのことに限定されるものではない。

プロセッサ１０４は、次に、６４個のそれぞれの部分画像３３０ｂを第２の深層学習モデル内に入力させて、この第２の深層学習モデルに応じてこれら部分画像３３０ｂの各々における第１の対象ＯＢ１に対応する特定の画像領域を見いだすようにすることができる。プロセッサ１０４は、次に、第１の対象ＯＢ１に対応しない特定の画素を部分画像３３０ｂの各々から除外し、この第１の対象ＯＢ１に対応する特定の画像領域のみがこれら部分画像３３０ｂの各々に維持されるようにすることができる。要するに、プロセッサ１０４は、腫瘍が見いだされない肝臓領域を部分画像３３０ｂの各々から除外することができる。しかし、本発明はこのことに限定されるものではない。

一実施例では、ＣＮＮのフレームワークに基づくＵnet モデル又はその他の同様なモデルを採用することにより第２の深層学習モデルを実現するようにしうる。しかし、本発明はこのことに限定されるものではない。更に、第２の深層学習モデルは、第１の対象ＯＢ１に対応する特定の画像領域を見いだすのに用いる前に最初に、特定の関心領域（ＲＯＩ）が付されているトレーニング画像でトレーニングして、これらトレーニング画像を介してＲＯＩの特性を学習するようにすることができる。従って、この実施例では、第２の深層学習モデルが第１の対象ＯＢ１（例えば、腫瘍の画像領域）に対応する特定の画像領域を見いだしうるようにするために、腫瘍がＲＯＩとして設定されているトレーニング部分画像（トレーニング部分画像の寸法は部分画像３３０ｂの寸法に一致させることができる）に基づいてこの第２の深層学習モデルが最初に学習して、腫瘍を有する画像領域の特性を見いだすようにすることができる。一実施例では、例えば、ＲＯＩ（例えば、腫瘍）が付されている肝臓のトレーニング画像を均等に分割することにより、トレーニング部分画像が得られるようにすることができる。

第２の深層学習モデルのトレーニングのためのデータ量は、肝臓のトレーニング画像をトレーニング部分画像に分割することにより増大させることができ、これにより学習効果をより一層好ましいものとすることができる。更に、トレーニング部分画像は小さくなる為、トレーニングに際し第２の深層学習モデルに必要とするパラメータも減少される。従って、トレーニングの困難性が減少し、識別精度が増大する。

プロセッサ１０４は、ステップＳ２６０において、部分画像３３０ｂを第４のＣＴ画像３４０内に組込むことができる。この実施例では、プロセッサ１０４は第３のＣＴ画像３３０内の（第１の対象ＯＢ１に対応する特定の画像領域のみを有する）部分画像３３０ｂの分布個所に応じてこれら部分画像３３０ｂを第４のＣＴ画像３４０内に組込むようにすることができる。更に、第３のＣＴ画像３３０内の部分画像３３０ｂの各々の分布個所は第４のＣＴ画像３４０内の分布個所に一致する。

図３によれば、考慮中の部分画像３３０ｂは第１の対象ＯＢ１に対応する特定の画像領域のみを有している為、それぞれの部分画像３３０ｂを第４のＣＴ画像３４０内に組込んだ後には、この第４のＣＴ画像３４０は第１の対象ＯＢ１（すなわち、腫瘍）のみを有するようになる。

プロセッサ１０４は、次にステップＳ２７０において、第４のＣＴ画像３４０に基づいて第１の対象ＯＢ１の種類を識別することができる。この実施例では、プロセッサ１０４により、第４のＣＴ画像３４０を第３の深層学習モデル内に入力させ、この第３の深層学習モデルに応じて第１の対象ＯＢ１の種類（例えば、腫瘍の種類（腫瘍タイプ））を識別するようにすることができる。

一実施例では、ＣＮＮのフレームワークに基づくＮＡＳnet モデル又はその他の同様なモデルを採用することにより第３の深層学習モデルを実現するようにしうる。しかし、本発明はこのことに限定されるものではない。更に、第１の対象ＯＢ１の種類を見いだすのに第３の深層学習モデルを用いる前に、特定の関心領域（ＲＯＩ）が付されているトレーニング画像でこの第３の深層学習モデルを最初にトレーニングして、これらトレーニング画像を介してＲＯＩの特性を学習するようにすることができる。従って、この実施例では、第３の深層学習モデルが第１の対象ＯＢ１の種類（例えば、腫瘍の種類）を識別しうるようにするために、トレーニング画像として１つ以上の特定の腫瘍の種類（例えば、肝細胞癌（ＨＣＣ）、血管腫又は限局性結節性過形成（ＦＮＨ）腫瘍）に対応する腫瘍画像に基づいて、この第３の深層学習モデルが最初に学習して、対応する特性を学習するようにしうる。

上述したことに基づくに、本発明の実施例による画像識別方法及び画像識別装置は、第１の画像領域（例えば、腫瘍を有する肝臓画像領域）、第１の対象に対応する特定の画像領域（例えば、肝臓画像領域内に位置する腫瘍領域）及び第１の対象の種類（例えば、腫瘍の種類）を見いだす識別を、ＣＴ画像に関する前処理操作後の種々の深層学習モデルに応じて順次に実行することができる。従って、識別の性能及び精度をより一層好ましいものとしうる。

図４を参照するに、この図４は、本発明の一実施例による他の使用シナリオを示す図である。この実施例では、サーバ４１０は、例えば、医療用画像管理システム（ＰＡＣＳ）であり、図３に示す第１のＣＴ画像３１０のような種々の医療用画像を記憶することができるものである。

一実施例では、患者に特定の病気（例えば、ＨＣＣ、ＦＮＨ、等）があるか否かを医師４２０が第１のＣＴ画像３１０に基づいて診断しようとする場合、この医師４２０は対応する要求をそのクライアントコンピュータを介してサーバ４１０に送信することができる。その後、サーバ４１０はこの要求に応答して第１のＣＴ画像３１０を画像識別装置１００に送信することができ、この画像識別装置１００は本発明の実施例の教えに応じて第１のＣＴ画像３１０に関して前処理及び識別等のような関連の操作を実行し、第１の対象ＯＢ１（例えば、腫瘍）の種類（例えば、腫瘍の種類）を学習するようにすることができる。次いで画像識別装置１００は、最初の第１のＣＴ画像３１０と、関連の識別結果とをクライアントコンピュータに戻し、医師４２０が診断を行う時を判断するようにしうる。

これに加え、画像識別装置１００は更に、第１の対象ＯＢ１を最初の第１のＣＴ画像３１０上に半透明の画像層としてオーバーレイさせて、医師４２０が画像をより一層便利に調査しうるようにすることができる。しかし、本発明はこのことに限定されるものではない。

上述したことを考慮するに、本発明の実施例による画像識別方法及び画像識別装置は、第１の画像領域（例えば、腫瘍を有する肝臓画像領域）、第１の対象に対応する特定の画像領域（例えば、肝臓画像領域内に位置する腫瘍領域）及び第１の対象の種類（例えば、腫瘍の種類）を見いだす識別を、ＣＴ画像に関する前処理操作（例えば、チャネルバリューが第１の範囲内に入っていない画素を排除したり、コントラスト増強アルゴリズムを実行したりする操作）後の種々の深層学習モデルに応じて順次に実行することができる。従って、識別の性能及び精度をより一層好ましいものとしうる。

加えるに、本発明の実施例を介して識別される腫瘍は関連の医師が更に検討するために提供しうるものである。従って、病気の診断効率を更に高めることができる。

当業者にとって明らかなように、本発明の範囲又は精神に逸脱することなしに本発明の構造に種々の変形及び変更を行うことができるものである。上述したことを考慮するに、本発明は、本発明の変形及び変更が本発明の特許請求の範囲及びこれらの等価の範囲内に入る限り、これらの変形及び変更に及ぶことを意図するものである。

本発明の実施例による画像識別方法及び画像識別装置は、識別の性能及び精度を改善しうるものである。

１００：画像識別装置
１０２：記憶回路
１０４：プロセッサ
３１０：第１のＣＴ画像
３２０：第２のＣＴ画像
３３０：第３のＣＴ画像
３３０ａ：第１の画像領域
３３０ｂ：部分画像
３４０：第４のＣＴ画像
４１０：サーバ
４２０：医師
ＯＢ１：第１の対象
Ｓ２１０〜Ｓ２７０：ステップ

Claims

第１のコンピュータ断層撮影（ＣＴ）画像であって、この第１のＣＴ画像が複数の第１の画素を有し、これら第１の画素の各々がチャネルバリューを有するとともに、これら第１の画素の各々のチャネルバリューは第１の範囲内に入っている当該第１のＣＴ画像を取出すステップと、
前記第１の画素から複数の第２の画素を取出すとともにこれらの第２の画素に基づいて第２のＣＴ画像を生ぜしめるステップであって、前記第２の画素の各々のチャネルバリューは前記第１の範囲よりも小さい第２の範囲内に入っているものである当該ステップと、
前記第２のＣＴ画像に関してコントラスト増強アルゴリズムを実行して前記第２のＣＴ画像のコントラストを調整するステップと、
第１の対象を有する第１の画像領域を前記第２のＣＴ画像において識別して第３のＣＴ画像を生ぜしめるステップと、
前記第３のＣＴ画像を複数の部分画像に分割し、これら部分画像の各々において前記第１の対象に対応する特定の画像領域のみを保留するステップと、
前記部分画像を第４のＣＴ画像内に組込むステップと、
前記第４のＣＴ画像に基づいて前記第１の対象の種類を識別するステップと
を具える画像識別方法。
請求項１に記載の画像識別方法において、前記第１の画素から複数の第２の画素を取出すとともにこれらの第２の画素に基づいて第２のＣＴ画像を生ぜしめる前記ステップが、
複数の第３の画素であって、これら第３の画素の各々のチャネルバリューは前記第２の範囲に入っていないこれら第３の画素を前記第１の画素から見いだすステップと、
これら第３の画素を前記第１のＣＴ画像から除外して、第２の画素のみを有する前記第２のＣＴ画像を生ぜしめるステップと
を具える画像識別方法。
請求項１に記載の画像識別方法において、前記第１の画像領域を前記第２のＣＴ画像において識別して前記第３のＣＴ画像を生ぜしめる前記ステップが、
前記第２のＣＴ画像を第１の深層学習モデルに入力させて、この第１の深層学習モデルに応じてこの第２のＣＴ画像内で前記第１の画像領域を見いだすステップと、
この第１の画像領域に属さない前記第２の画像を前記第２のＣＴ画像から除外して、前記第３のＣＴ画像を生ぜしめるステップと
を具え、
前記部分画像の各々において前記第１の対象に対応する前記特定の画像領域のみを保留する前記ステップが、
前記部分画像の各々が複数の特定の画素を有しているこれら部分画像のうちの第１の部分画像を第２の深層学習モデルに入力させて、この第２の深層学習モデルに応じてこの第１の部分画像内で前記第１の対象に対応する前記特定の画像領域を見いだすステップと、
この特定の画像領域に属さない前記特定の画素を前記第１の部分画像から除外して、この第１の部分画像が前記第１の対象に対応する前記特定の画像領域のみを有するようにするステップと
を具え、
前記第３のＣＴ画像を前記部分画像に分割する前記ステップが、
前記第３のＣＴ画像を予め決定した寸法に応じて前記部分画像に均等に分割するとともに、前記第３のＣＴ画像におけるこれら部分画像の第１の分布個所を記録するステップ
を具え、
前記部分画像を前記第４のＣＴ画像内に組込む前記ステップが、
前記第３のＣＴ画像内の前記部分画像の前記第１の分布個所に応じて前記部分画像を前記第４のＣＴ画像内に組込むようにし、前記第３のＣＴ画像における前記部分画像の各々の前記第１の分布個所は前記第４のＣＴ画像における第２の分布個所に対応するようにするステップ
を具える画像識別方法。
請求項３に記載の画像識別方法において、前記第４のＣＴ画像に基づいて前記第１の対象の種類を識別する前記ステップが、
前記第４のＣＴ画像を第３の深層学習モデルに入力させて、この第３の深層学習モデルに応じて前記第１の対象の種類を識別するようにするステップ
を具える画像識別方法。
複数のモジュールを記憶する非一過性の記憶回路と、
この非一過性の記憶回路に結合され、前記モジュールを実行して以下のステップ、すなわち、
第１のコンピュータ断層撮影（ＣＴ）画像であって、この第１のＣＴ画像が複数の第１の画素を有し、これら第１の画素の各々がチャネルバリューを有するとともに、これら第１の画素の各々のチャネルバリューは第１の範囲内に入っている当該第１のＣＴ画像を取出すステップ、
前記第１の画素から複数の第２の画素を取出すとともにこれらの第２の画素に基づいて第２のＣＴ画像を生ぜしめるステップであって、前記第２の画素の各々のチャネルバリューは前記第１の範囲よりも小さい第２の範囲内に入っているものである当該ステップ、
前記第２のＣＴ画像に関してコントラスト増強アルゴリズムを実行して前記第２のＣＴ画像のコントラストを調整するステップ、
第１の対象を有する第１の画像領域を前記第２のＣＴ画像において識別して第３のＣＴ画像を生ぜしめるステップ、
前記第３のＣＴ画像を複数の部分画像に分割し、これら部分画像の各々において前記第１の対象に対応する特定の画像領域のみを保留するステップ、
前記部分画像を第４のＣＴ画像内に組込むステップ及び
前記第４のＣＴ画像に基づいて前記第１の対象の種類を識別するステップ
を実行するプロセッサと
を具える画像識別装置。