JP2020188872A - 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 - Google Patents
判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 Download PDFInfo
- Publication number
- JP2020188872A JP2020188872A JP2019094757A JP2019094757A JP2020188872A JP 2020188872 A JP2020188872 A JP 2020188872A JP 2019094757 A JP2019094757 A JP 2019094757A JP 2019094757 A JP2019094757 A JP 2019094757A JP 2020188872 A JP2020188872 A JP 2020188872A
- Authority
- JP
- Japan
- Prior art keywords
- chest
- image
- data
- possibility
- subject
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 210000004072 lung Anatomy 0.000 claims abstract description 105
- 230000003902 lesion Effects 0.000 claims abstract description 90
- 238000009795 derivation Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 201000009794 Idiopathic Pulmonary Fibrosis Diseases 0.000 claims description 86
- 208000036971 interstitial lung disease 2 Diseases 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 23
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 abstract description 5
- 210000000038 chest Anatomy 0.000 description 171
- 238000003745 diagnosis Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 10
- 208000029523 Interstitial Lung disease Diseases 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 101150013335 img1 gene Proteins 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 101150071665 img2 gene Proteins 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
以下、本発明の実施形態1に係る判別装置1について、詳細に説明する。判別装置1は、被検体の胸部断面画像を取得して、当該被検体の肺野における病変可能性を判別した判別結果を出力する装置である。
図1は、判別装置1の機能的な構成を示すブロック図である。図1において、判別装置1は、制御部11と、記憶部12とを含む。制御部11は、画像取得部111と、細分化部112と、画像分割部113と、データ導出部114と、判別部115と、第1学習部116と、第2学習部117とを含む。記憶部12は、第1モデル121と、第2モデル122とを記憶している。
(被検体の肺野における病変可能性を判別する動作)
図2は、判別装置1が被検体の肺野における病変可能性を判別する判別処理S1を説明するフローチャートである。
図3は、判別装置1が第1モデルを学習する第1学習処理S2を説明するフローチャートである。
図4は、判別装置1が第2モデルを学習する第2学習処理S3を説明するフローチャートである。
(ステップS101の具体例)
図5は、図2のステップS101で取得する胸部断面画像の具体例を説明する模式図である。この具体例では、取得する胸部断面画像の枚数mとして、m=4を適用している。具体的には、0.5ミリスライス厚で撮像された複数の胸部断面画像のうち、上肺野、中肺野、下肺野、肺底部をそれぞれ示す4枚の胸部断面画像IMG1〜IMG4が取得される。以降、胸部断面画像IMG1〜IMG4を特に区別して説明する必要がない場合には、単に胸部断面画像IMGとも記載する。
図6は、図2のステップS102において画素ごとに決定される分類の具体例を説明する模式図である。この具体例では、前処理として、胸部断面画像IMGに対して、エックス線吸収値(Hounsfield Unit:HU値)への変換、回転、ぼかし等が施される。また、前処理が施された各胸部断面画像は、縦5および横5に分割して25枚の部分画像に分割される。
図7は、ステップS103において分割されるn通りの分割パターン(複数の領域)の具体例を説明する模式図である。この具体例では、n=15を適用し、15通りの分割パターンを生成している。
・分割数が2の分割パターンは、4C1=4通り
・分割数が3の分割パターンは、4C2=6通り
・分割数が4の分割パターンは、4C3=4通り
・分割数が5の分割パターンは、4C4=1通り
このようにして、画像分割部113は、各胸部断面画像IMGについて、4つの楕円e1〜e4の何れかを境界線として用いて、合計15通りの分割パターンを生成する。また、4枚の胸部断面画像の各々が15通りの分割パターンを有するため、4枚の胸部断面画像における分割パターンの組み合わせは、15^4=50,625通りとなる。
図8は、ステップS104、S105の具体例を示す模式図である。
判別装置1を用いて第1モデルを生成した実施例について説明する。
具体的には、画像取得部111は、644例の各々について、0.5ミリスライス厚で撮像された肺野の高精細CT画像から、上肺野、中肺野、下肺野、肺底部のうち4枚の胸部断面画像を、教師データを生成するために取得した。各胸部断面画像の詳細は以下の通りである。
・画像サイズ:512×512ピクセル
・画素値:16ビット
(前処理の詳細)
ステップS202における学習の前処理として、画像取得部111は、各胸部断面画像における画素値を、HU値へ変換した。HU値への変換では、HU>350を350に変換することによりノイズを除去した。これにより、変換後の胸部断面画像におけるHU値の範囲を、−1850から350までという肺野画像の閲覧に適した範囲とした。
さらに、画像取得部111は、各胸部断面画像を、縦5および横5の合計25枚の部分画像に分割した。各部分画像のサイズは、100×100ピクセルである。
画像取得部111は、このような各部分画像において、画素ごとに、「IPF像」、「Non−IPF像」、「正常肺野」、「肺野外」の何れかをラベルとして取得し、教師データを生成した。取得したラベルは、専門家によって付与されたものであり、画像取得部111は、入力装置を介して当該画素ごとのラベルを取得した。
・検証方法:10分割交差検証
・学習アルゴリズム:FCN(Fully Convolutional Networks)−AlexNet
・ファインチューニング:PASCAL VOC 2012を使用
・エポック数:30
・学習率: 0.0001
・オプティマイザ:SGD(Stochastic Gradient Descent)
・バッチサイズ:1
・Without Dice layer
このようにして学習させた第1モデル121を、第1モデル121Aと記載する。学習済みの第1モデル121Aは、記憶部12に記憶される。
判別装置1を用いて第2モデルを生成した実施例について説明する。
・第2モデル122B:50,625通りの面積比データと、臨床データと、診断内容とを用いて学習
なお、第2モデル122Aおよび122B共の学習において、適用した学習アルゴリズムは共通で、パラメータの設定は以下の通りである。
・カーネル関数:rbf,gaussian, linear, polynomial
・ボックス制約:1
・予測子データ:標準化
・オプティマイザ:L1ソフトマージン最適化
・事前確率:50%
・コスト:1
学習済みの第2モデル122Aおよび122Bは、記憶部12に記憶される。
上述の通り生成した第1モデル121および第2モデル122A、122Bを用いた判別装置1の精度として、上記「644例」のうち1割を用いたテスト結果の精度について説明する。
判別装置1の機能的な各ブロック(特に画像取得部111、細分化部112、画像分割部113、データ導出部114、判別部115、第1学習部116、および第2学習部117)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、判別装置1は、例えば、コンピュータ(電子計算機)を用いて構成することができる。
本実施形態の判別装置1は、被検体の複数枚の胸部断面画像の画素ごとに、IPF像およびNon−IPF像との分類を含む複数の分類の何れかを、学習済みの第1モデルを用いて決定するので、IPF像を示す画素をより精度よく抽出することができる。また、本実施形態の判別装置1は、胸部断面画像を、胸部中央を示す領域から胸部周縁を示す領域までのn^m通りの分割パターン(複数の領域)に分割し、複数の領域の各々について、IPF像を示す画素およびNon−IPF像を示す画素間の面積比からなる面積比データを導出し、n^m通りの面積比データを、学習済みの第2モデルに入力して判別結果を出力する。これにより、本実施形態は、人の肺野におけるIPFの可能性をより精度よく判別することができる。
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
図11は、本発明の実施形態2に係る学習装置2の機能ブロック構成を説明する図である。学習装置2は、本発明の実施形態1に係る判別装置1で用いられる第1モデル121を学習させる装置である。図11において、学習装置2は、制御部21と、記憶部22とを含む。制御部21は、教師データ取得部211と、第1学習部212とを含む。記憶部22は、第1モデル121を記憶する。
学習装置2は、図3を参照して説明した判別装置1の判別処理S1と同様に動作するため、詳細な説明を繰り返さない。
学習装置2の機能的な各ブロック(特に教師データ取得部211、第1学習部212)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、判別装置1は、例えば、図10に示した通りのコンピュータ100を用いて構成することができる。
本実施形態の学習装置2は、上述のように、実施形態1の判別装置1で用いる第1モデルを学習させる。その結果、本実施形態は、実施形態1の判別装置1において被検体の胸部断面画像の画素ごとにIPF像を含む複数の分類の何れかを決定する精度を向上させることができる。
本発明のさらに他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
図13は、学習装置3が第2モデルを学習させる第2学習処理S4を説明するフローチャートである。
学習装置3の機能的な各ブロック(特にデータ取得部311、第2学習部312)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、判別装置1は、例えば、図10に示した通りのコンピュータ100を用いて構成することができる。
本実施形態の学習装置3は、上述した構成により、実施形態1の判別装置1で用いる第2モデルを学習させることができる。その結果、本実施形態は、実施形態1の判別装置1において人の肺野における病変可能性の判別の精度を向上させることができる。
上述した各実施形態において、所定の疾患がIPFであるものとして説明した。ただし、所定の疾患は、IPFに限らず、その他の肺野における疾患であってもよい。
・敵対的生成ネットワーク(GAN: Generative Adversarial Networks)
・クラスタリング(Clustering)
・帰納論理プログラミング(ILP: Inductive Logic Programming)
・遺伝的アルゴリズム(GP: Genetic Programming)
・ベイジアンネットワーク(BN: Bayesian Network)
・ニューラルネットワーク(NN: Neural Network)
ニューラルネットワークを用いる場合、入力データをニューラルネットワークへのインプット用に予め加工して用いるとよい。このような加工には、データの1次元的配列化、または多次元的配列化に加え、例えば、データオーギュメンテーション(Data Augmentation)等の手法を用いることができる。
上記の課題を解決するために、本発明の一態様に係る判別装置は、被検体の胸部断面画像を取得する画像取得部と、前記胸部断面画像を細分化した単位領域の各々について、肺野における病変可能性が有ることを示す第1分類を含む複数の分類の何れかを決定する細分化部と、前記胸部断面画像を、胸部中央を示す領域から胸部周縁を示す領域までの複数の領域に分割する画像分割部と、前記複数の領域の各々について、当該領域に含まれる単位領域ごとに決定された分類に基づいて、前記病変可能性に関するデータを導出するデータ導出部と、前記複数の領域の各々について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する判別部と、を備えている。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。
2、3 学習装置
11、21、31 制御部
12、22、32 記憶部
111 画像取得部
112 細分化部
113 画像分割部
114 データ導出部
115 判別部
116、212 第1学習部
117、312 第2学習部
117 第2学習部
211 教師データ取得部
311 データ取得部
100 コンピュータ
110 バス
120 演算装置
130 主記憶装置
140 補助記憶装置
150 入出力インタフェース
200 入力装置
300 出力装置
Claims (18)
- 被検体の胸部断面画像を取得する画像取得部と、
前記胸部断面画像を、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに分類するセグメント化部と、
前記胸部断面画像における胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるn通り(nは2以上の整数)の複数の領域に分割する画像分割部と、
前記n通りの複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて、前記病変可能性に関するデータを導出するデータ導出部と、
前記n通りの複数の領域に含まれる各領域について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する判別部と、
を備えていることを特徴とする判別装置。 - 前記画像取得部は、前記被検体の胸部を所定のスライス厚で撮像することにより得られた複数の胸部断面画像のうち2以上の前記胸部断面画像を取得する、
ことを特徴とする請求項1に記載の判別装置。 - 前記複数のセグメントは、前記第1セグメントおよび第2セグメントを含み、前記第1セグメントは、肺野における所定の疾患に関わる病変可能性が有ることを示し、前記第2セグメントは、肺野における前記所定の疾患以外に関わる病変可能性が有ることを示し、
前記データ導出部は、前記データとして、前記n通りの複数の領域に含まれる各領域において、当該領域に含まれる前記第1セグメントおよび前記第2セグメントの面積比を導出する、
ことを特徴とする請求項1または2に記載の判別装置。 - 前記判別部は、前記データに加えて、前記被検体の臨床データを更に参照して、前記判別結果を出力する、
ことを特徴とする請求項1から3の何れか1項に記載の判別装置。 - 前記第1セグメントは、特発性肺線維症(idiopathic pulmonary fibrosis:IPF)の可能性が有ることを示すセグメントであり、
前記判別部は、前記判別結果として、前記被検体がIPFに罹患している可能性を示す情報を出力する、
ことを特徴とする請求項1から4の何れか1項に記載の判別装置。 - 被検体の胸部断面画像の少なくとも一部分を示す画像であって、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに分類された画像を教師データとして取得する教師データ取得部と、
前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として前記第1セグメントを含む複数のセグメントに分類された画像を出力するよう第1モデルを学習させる第1学習部、
を備えていることを特徴とする学習装置。 - 被検体の胸部断面画像であって、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに分類された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された、分割数および領域間の境界の一方または両方が互いに異なるn通り(nは2以上の整数)の複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて算出された前記病変可能性に関するデータを取得するデータ取得部と、
前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第2モデルを学習させる第2学習部と、
を備えていることを特徴とする学習装置。 - 判別装置を用いて被検体の病変可能性を判別する方法であって、
被検体の胸部断面画像を取得するステップと、
前記胸部断面画像を、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに分類するステップと、
前記胸部断面画像における胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるn通り(nは2以上の整数)の複数の領域に分割する画像分割ステップと、
前記複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて、前記病変可能性に関するデータを導出するデータ導出ステップと、
前記複数の領域に含まれる各領域について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力するステップと、を含む方法。 - 請求項1から5までの何れか1項に記載の判別装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させるためのプログラム。
- 学習装置を用いて第1モデルを学習させる方法であって、
被検体の胸部断面画像の少なくとも一部分を示す画像であって、肺野における病変可能性が有ることを示す第1セグメントを含むセグメントに分類された画像を教師データとして取得するステップと、
前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として前記第1セグメントを含む複数のセグメントに分類された画像を出力するよう前記第1モデルを学習させるステップと、を含む方法。 - 請求項6に記載の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させるためのプログラム。
- 学習装置を用いて第2モデルを学習させる方法であって、
被検体の胸部断面画像であって、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに分類された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された、分割数および領域間の境界の一方または両方が互いに異なるn通り(nは2以上の整数)複数の領域の各々について、当該領域に含まれるセグメントに基づいて算出された前記病変可能性に関するデータを取得するステップと、
前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第2モデルを学習させるステップと、を含む方法。 - 請求項7に記載の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させるためのプログラム。
- 被検体の胸部断面画像の少なくとも一部分を示す画像を入力として、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに分類された画像を出力するよう、コンピュータを機能させるための学習済みモデルにおいて、
被検体の胸部断面画像の少なくとも一部分を示す画像であって、前記第1セグメントを含む複数のセグメントを示すセグメンテーション情報が付された画像を教師データとして用いて、当該学習済みモデルが出力する分類された画像と、前記教師データにおけるセグメンテーション情報との差異がより小さくなるように学習されたパラメータを含む、
ことを特徴とする学習済みモデル。 - 被検体の胸部断面画像を分割して得られる複数の領域であって、胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるn通り(nは2以上の整数)に分割して得られる複数の領域の各々について、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに基づいて導出されたデータを入力として、前記被検体の肺野における前記病変可能性に関する判別結果を出力するよう、コンピュータを機能させるための学習済みモデル。
- 被検体の胸部断面画像を分割して得られる複数の領域であって、胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるn通り(nは2以上の整数)に分割して得られる複数の領域の各々について、肺野における病変可能性が有ることを示す第1セグメントを含む複数のセグメントに基づいて導出されたデータであって、前記被検体の肺野における前記病変可能性に関する判別結果を示す判別結果情報が付されたデータを教師データとして用いて、当該学習済みモデルが出力する判別結果と、前記教師データにおける前記判別結果情報との差異がより小さくなるように学習されたパラメータを含む、
ことを特徴とする請求項15に記載の学習済みモデル。 - 請求項9、11および13の何れか1項に記載のプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
- 請求項14から16の何れか1項に記載の学習済みモデルを記憶したコンピュータ読み取り可能な記憶媒体。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019094757A JP7334900B2 (ja) | 2019-05-20 | 2019-05-20 | 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 |
US16/877,678 US11361443B2 (en) | 2019-05-20 | 2020-05-19 | Identifying device, learning device, method, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019094757A JP7334900B2 (ja) | 2019-05-20 | 2019-05-20 | 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020188872A true JP2020188872A (ja) | 2020-11-26 |
JP7334900B2 JP7334900B2 (ja) | 2023-08-29 |
Family
ID=73454170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019094757A Active JP7334900B2 (ja) | 2019-05-20 | 2019-05-20 | 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11361443B2 (ja) |
JP (1) | JP7334900B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022154334A1 (ko) * | 2021-01-15 | 2022-07-21 | 고려대학교 산학협력단 | 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체 |
CN117830302A (zh) * | 2024-03-04 | 2024-04-05 | 瀚依科技(杭州)有限公司 | 肺段分割的优化方法及装置、电子设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757942A (zh) * | 2022-05-27 | 2022-07-15 | 南通大学 | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013140667A1 (ja) * | 2012-03-21 | 2013-09-26 | オリンパスメディカルシステムズ株式会社 | 画像処理装置 |
WO2017150497A1 (ja) * | 2016-03-02 | 2017-09-08 | 地方独立行政法人神奈川県立病院機構 | 肺野病変の診断支援装置、該装置の制御方法及びプログラム |
US20170330320A1 (en) * | 2016-05-13 | 2017-11-16 | National Jewish Health | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification |
JP2019010410A (ja) * | 2017-06-30 | 2019-01-24 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、医用画像診断装置、及びプログラム |
JP2019033966A (ja) * | 2017-08-18 | 2019-03-07 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10121243B2 (en) * | 2006-09-22 | 2018-11-06 | Koninklijke Philips N.V. | Advanced computer-aided diagnosis of lung nodules |
US20150093007A1 (en) * | 2013-09-30 | 2015-04-02 | Median Technologies | System and method for the classification of measurable lesions in images of the chest |
JP2015136480A (ja) | 2014-01-22 | 2015-07-30 | 富士フイルム株式会社 | 3次元医用画像表示制御装置およびその作動方法並びに3次元医用画像表示制御プログラム |
WO2016191567A1 (en) * | 2015-05-26 | 2016-12-01 | Memorial Sloan-Kettering Cancer Center | System, method and computer-accessible medium for texture analysis of hepatopancreatobiliary diseases |
US10064594B2 (en) * | 2015-08-06 | 2018-09-04 | Case Western Reserve University | Characterizing disease and treatment response with quantitative vessel tortuosity radiomics |
JP6525903B2 (ja) * | 2016-03-09 | 2019-06-05 | 富士フイルム株式会社 | 画像表示装置、方法およびプログラム |
US10346975B2 (en) * | 2016-06-06 | 2019-07-09 | Case Western Reserve University | Computerized analysis of computed tomography (CT) imagery to quantify tumor infiltrating lymphocytes (TILs) in non-small cell lung cancer (NSCLC) |
US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
US10127659B2 (en) * | 2016-11-23 | 2018-11-13 | General Electric Company | Deep learning medical systems and methods for image acquisition |
JP6596406B2 (ja) | 2016-12-09 | 2019-10-23 | 富士フイルム株式会社 | 診断支援装置とその作動方法および作動プログラム、並びに診断支援システム |
US10492723B2 (en) * | 2017-02-27 | 2019-12-03 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
EP3638115A4 (en) * | 2017-06-16 | 2021-03-10 | Rensselaer Polytechnic Institute | SYSTEMS AND METHODS FOR INTEGRATING TOMOGRAPHIC IMAGE RECONSTRUCTION AND RADIOMICS USING NEURAL NETWORKS |
US10692211B2 (en) * | 2017-06-20 | 2020-06-23 | Case Western Reserve University | Intra-perinodular textural transition (IPRIS): a three dimenisonal (3D) descriptor for nodule diagnosis on lung computed tomography (CT) images |
WO2019041262A1 (en) * | 2017-08-31 | 2019-03-07 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE SEGMENTATION |
CN111344801B (zh) * | 2017-11-22 | 2023-10-27 | 通用电气公司 | 针对前列腺癌的多模态计算机辅助诊断系统和方法 |
JP6920477B2 (ja) * | 2018-01-29 | 2021-08-18 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、及びプログラム |
US10441225B2 (en) * | 2018-02-21 | 2019-10-15 | Case Western Reserve University | Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-pathologic features |
CN112638262B (zh) * | 2018-08-31 | 2024-05-14 | 富士胶片株式会社 | 相似度确定装置、方法及程序 |
US11896349B2 (en) * | 2019-12-09 | 2024-02-13 | Case Western Reserve University | Tumor characterization and outcome prediction through quantitative measurements of tumor-associated vasculature |
-
2019
- 2019-05-20 JP JP2019094757A patent/JP7334900B2/ja active Active
-
2020
- 2020-05-19 US US16/877,678 patent/US11361443B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013140667A1 (ja) * | 2012-03-21 | 2013-09-26 | オリンパスメディカルシステムズ株式会社 | 画像処理装置 |
WO2017150497A1 (ja) * | 2016-03-02 | 2017-09-08 | 地方独立行政法人神奈川県立病院機構 | 肺野病変の診断支援装置、該装置の制御方法及びプログラム |
US20170330320A1 (en) * | 2016-05-13 | 2017-11-16 | National Jewish Health | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification |
JP2019010410A (ja) * | 2017-06-30 | 2019-01-24 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、医用画像診断装置、及びプログラム |
JP2019033966A (ja) * | 2017-08-18 | 2019-03-07 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022154334A1 (ko) * | 2021-01-15 | 2022-07-21 | 고려대학교 산학협력단 | 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체 |
CN117830302A (zh) * | 2024-03-04 | 2024-04-05 | 瀚依科技(杭州)有限公司 | 肺段分割的优化方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11361443B2 (en) | 2022-06-14 |
US20200372650A1 (en) | 2020-11-26 |
JP7334900B2 (ja) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069359B2 (ja) | 深層学習を使用して癌検出を改善するための方法およびシステム | |
Singh et al. | Machine learning in cardiac CT: basic concepts and contemporary data | |
US20200342589A1 (en) | Malignancy assessment for tumors | |
US7640051B2 (en) | Systems and methods for automated diagnosis and decision support for breast imaging | |
JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
US11361443B2 (en) | Identifying device, learning device, method, and storage medium | |
CA3120480A1 (en) | System and method for assessing medical images | |
JP2018175226A (ja) | 医用画像分類装置、方法およびプログラム | |
US10918309B2 (en) | Artificial intelligence-based COPD assessment | |
US20220180514A1 (en) | Methods of assessing lung disease in chest x-rays | |
Carneiro et al. | Automated 5-year mortality prediction using deep learning and radiomics features from chest computed tomography | |
Rajee et al. | Gender classification on digital dental x-ray images using deep convolutional neural network | |
Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
Bhat et al. | Identification of intracranial hemorrhage using ResNeXt model | |
Guarrasi et al. | Multimodal explainability via latent shift applied to COVID-19 stratification | |
Kallergi | 12 Evaluation Strategies for Medical-Image Analysis and Processing Methodologies | |
Sameer et al. | Brain tumor segmentation and classification approach for MR images based on convolutional neural networks | |
Srinivasarao et al. | Hybrid Classification Model by Using CNN to Detect COVID-19 and Chest Related Problems | |
Han et al. | Reconstruction of Patient-Specific Confounders in AI-based Radiologic Image Interpretation using Generative Pretraining | |
Wibisono et al. | Segmentation-based knowledge extraction from chest X-ray images | |
Velusamy et al. | Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images | |
US20240013384A1 (en) | Systems, devices, and methods for providing diagnostic assessments using image analysis | |
US20220277452A1 (en) | Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
Khan | Artificial Intelligence in Radiology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20190617 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200422 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20200422 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220322 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230228 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230424 |
|
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: 20230718 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230808 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7334900 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |