JP2020510463A - 全層畳み込みネットワークを利用する自動化されたセグメンテーション - Google Patents
全層畳み込みネットワークを利用する自動化されたセグメンテーション Download PDFInfo
- Publication number
- JP2020510463A JP2020510463A JP2019540646A JP2019540646A JP2020510463A JP 2020510463 A JP2020510463 A JP 2020510463A JP 2019540646 A JP2019540646 A JP 2019540646A JP 2019540646 A JP2019540646 A JP 2019540646A JP 2020510463 A JP2020510463 A JP 2020510463A
- Authority
- JP
- Japan
- Prior art keywords
- processor
- image
- contour
- cnn model
- machine learning
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title abstract description 92
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 193
- 238000000034 method Methods 0.000 claims abstract description 127
- 210000004369 blood Anatomy 0.000 claims abstract description 85
- 239000008280 blood Substances 0.000 claims abstract description 85
- 210000003205 muscle Anatomy 0.000 claims abstract description 67
- 210000003484 anatomy Anatomy 0.000 claims abstract description 62
- 210000004165 myocardium Anatomy 0.000 claims abstract description 62
- 210000001174 endocardium Anatomy 0.000 claims abstract description 41
- 230000008602 contraction Effects 0.000 claims abstract description 19
- 230000010339 dilation Effects 0.000 claims abstract description 13
- 230000007170 pathology Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 161
- 230000002861 ventricular Effects 0.000 claims description 104
- 210000005240 left ventricle Anatomy 0.000 claims description 94
- 230000000747 cardiac effect Effects 0.000 claims description 60
- 238000010801 machine learning Methods 0.000 claims description 55
- 210000005241 right ventricle Anatomy 0.000 claims description 47
- 238000011176 pooling Methods 0.000 claims description 46
- 230000002107 myocardial effect Effects 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 43
- 238000003780 insertion Methods 0.000 claims description 31
- 230000037431 insertion Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 22
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 claims description 18
- 230000010412 perfusion Effects 0.000 claims description 14
- 238000012805 post-processing Methods 0.000 claims description 14
- 208000019622 heart disease Diseases 0.000 claims description 10
- 238000002059 diagnostic imaging Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 5
- 210000001519 tissue Anatomy 0.000 claims description 4
- 201000000057 Coronary Stenosis Diseases 0.000 claims description 3
- 208000010125 myocardial infarction Diseases 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 231100000241 scar Toxicity 0.000 claims description 2
- 230000001575 pathological effect Effects 0.000 claims 1
- 230000037361 pathway Effects 0.000 abstract 3
- 239000010410 layer Substances 0.000 description 129
- 210000003540 papillary muscle Anatomy 0.000 description 47
- 238000004422 calculation algorithm Methods 0.000 description 43
- 230000008569 process Effects 0.000 description 43
- 238000003384 imaging method Methods 0.000 description 28
- 241000270295 Serpentes Species 0.000 description 26
- 230000006870 function Effects 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 20
- 210000004115 mitral valve Anatomy 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000013459 approach Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 12
- 210000000591 tricuspid valve Anatomy 0.000 description 11
- 238000010200 validation analysis Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 238000001994 activation Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 8
- 210000005246 left atrium Anatomy 0.000 description 7
- 210000001765 aortic valve Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 210000002837 heart atrium Anatomy 0.000 description 5
- 230000004217 heart function Effects 0.000 description 5
- 230000004807 localization Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004091 panning Methods 0.000 description 5
- 229910052688 Gadolinium Inorganic materials 0.000 description 4
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 3
- 210000003102 pulmonary valve Anatomy 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 210000005245 right atrium Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 210000003811 finger Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 206010020871 hypertrophic cardiomyopathy Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229920006343 melt-processible rubber Polymers 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000037390 scarring Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T2207/20084—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
-
- 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
- G06T2207/30048—Heart; Cardiac
Abstract
Description
心室輪郭を作成する最も基本的な方法は、自動化されたアルゴリズムまたはツールなしで、何らかの種類のポリゴンまたはスプライン描画ツールを用いてプロセスを手動で完了することである。このケースでは、ユーザは、たとえば、心室のアウトラインのフリーハンド描画を作成してもよいし、スプライン制御点をドロップし、次いで、スプライン制御点が、滑らかにされたスプライン輪郭と接続されてもよい。輪郭の初期作成後、ソフトウェアのユーザインタフェースに応じて、ユーザは、一般的には、たとえば、制御点を移動、追加、もしくは削除することによって、またはスプラインセグメントを移動させることによって、輪郭を修正する何らかの能力を有する。
乳頭筋は、左心室と右心室の両方の心内膜の内部にある筋肉である。乳頭筋は、心室収縮中に僧帽弁および三尖弁にかかる圧力が増加するときに弁を閉鎖したままにしておくのに役立つ。図3は、乳頭筋および左心室の心筋層を示す例となるSSFP MRI画像300a(拡張末期)および300b(収縮末期)を示す。拡張末期(画像300a)では、主な課題は、乳頭筋を、それらが埋め込まれた血液貯留から区別することにあるが、収縮末期(画像300b)では、主な課題は、心筋層から乳頭筋を区別することにあることに留意されたい。
心臓セグメンテーションは、一般的には、短軸またはSAXの積重ねから画像上で作成される。SAXの積重ね上のセグメンテーションを実行する1つの主な欠点は、SAX平面が、僧帽弁および三尖弁の平面とほぼ平行であることである。これは、2つの影響を有する。第一に、弁は、スライス上でSAXの積重ねから区別することが非常に困難である。第二に、SAXの積重ねは、弁平面と正確に平行でないと仮定すると、一部は心室内にあり一部は心房内にある少なくとも1つのスライスが心臓の基部の近くにある。
心臓画像法アプリケーションの4D Flowワークフローでは、ユーザは、異なる心臓ビュー(たとえば、2CH、3CH、4CH、SAX)を見て心室をセグメンテーションするために、心臓内の異なるランドマークの領域を画定するために必要とされることがある。LVをセグメンテーションし、2CH左心臓ビュー、3CH左心臓ビュー、および4CH左心臓ビューを見るために必要とされるランドマークは、LV心尖、僧帽弁、および大動脈弁を含む。RVをセグメンテーションし、対応するビューを見るために必要とされるランドマークは、RV心尖、三尖弁、および肺動脈弁を含む。
Deep Ventricleアーキテクチャ
図6は、本明細書においてDeep Ventricleと呼ばれ、心臓SSFPのスタディ上での心室セグメンテーションに利用される、畳み込みニューラルネットワーク(CNN)アーキテクチャ600を示す。ネットワーク600は、2つの経路を含む。左側は、畳み込み層606とプーリング層608とを含む収縮用経路602であり、右側は、アップサンプリング層または転置畳み込み層610と畳み込み層606とを含む膨張用経路604である。
モデルハイパーパラメーターは、訓練中に読み取られる少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体(たとえば、構成ファイル)内に記憶されることができる。モデルを説明するパラメーターは、以下を含むことができる。
・num_pooling_layers:プーリング(およびアップサンプリング)層の総数、
・pooling_type:使用するプーリング動作のタイプ(たとえば、max)、
・num_init_filters:第1の層のためのフィルタ(畳み込みカーネル)の数、
・num_conv_layers:各プーリング動作間の畳み込み層の数、
・conv_kernel_size:ピクセル単位の、畳み込みカーネルのエッジ長、
・dropout_prob:特定のノードの活性化が、ネットワークを通るバッチの所与の順方向/逆方向パス上でゼロに設定される確率、
・border_mode:畳み込みの前に入力特徴マップをゼロパディングする方法、
・activation:各畳み込みの後で使用する非線形活性化関数、
・weight_init:ネットワーク内の重みを初期化するための手段、
・batch_norm:ネットワークのダウンサンプリング/収縮用部分内の各非線形性の後にバッチ正規化を利用するべきかどうか、
・batch_norm_momentum:特徴ごとの平均および標準偏差のバッチ正規化算定における運動量、
・down_trainable:新しいデータを見たとき、ネットワークのダウンサンプリング部分が学習することを可能にするべきかどうか、
・bridge_trainable:ブリッジ畳み込みが学習することを可能にすべきかどうか、
・up_trainable:ネットワークのアップサンプリング部分が学習することを可能にするべきかどうか、および
・out_trainable:ピクセル単位確率を生じさせる最終畳み込みが学習することを可能にするべきかどうか。
・crop_frac:元のものに対するLMDBにおける画像の割合サイズ、
・height:ピクセル単位の、画像の高さ、および
・width:ピクセル単位の、画像の幅。
・horizontal_flip:水平方向に入力/ラベルペアをランダムにフリップすべきかどうか、
・vertical_flip:垂直方向に入力/ラベルペアをランダムにフリップすべきかどうか、
・shear_amount:画像/ラベルペアをせん断する正/負の制限値、
・shift_amount:画像/ラベルペアをせん断する最大割合値、
・zoom_amount:画像/ラベルペア上でズームインする最大割合値、
・rotation_amount:画像/ラベルペアを回転させる正/負の制限値、
・zoom_warping:ズーミングとワーピングを一緒に利用するべきかどうか、
・brightness:画像輝度を変更する正/負の制限値、
・contrast:画像コントラストを変更する正/負の制限値、
・alpha、beta:弾性変形の強さを説明する第1のパラメーターおよび第2のパラメーター。
・batch_size:各順方向/逆方向パス上のネットワークを示す例の数
・max_epoch:データを通る反復の最大数、
・optimizer_name:使用するオプティマイザ関数の名前、
・optimizer_lr:学習率の値、
・objective:使用する目的関数、
・early_stopping_monitor:いつモデル訓練が訓練を停止すべきかを決定するために監視するパラメーター、および
・early_stopping_patience:モデル訓練を停止する前にearly_stopping_monitor値が改善されなかった後に待機するエポックの数。
少なくともいくつかの実装形態では、訓練のために前処理された画像/セグメンテーションマスクペアを記憶するライトニングメモリマップデータベース(LMDB)が使用されることができる。このデータベースアーキテクチャは、訓練データを記憶する他の手段に勝る多くの利点を有する。そのような利点は、キーのマッピングがスピードに関して辞書式(lexicographical)であること、画像/セグメンテーションマスクペアが、訓練のために必要とされるフォーマットで記憶されるので、それらが、訓練時間において前処理をさらに必要としないこと、および画像/セグメンテーションマスクペアを読み取ることは、算定的に安価なトランザクションであること、を含む。
セル判別タスクのための2つのクラス、すなわち前景および背景のみに関心をもっていた以前のモデルとは異なり、本明細書において開示されるSSFPモデルは、4つのクラス、すなわち、背景、LV心内膜、LV心外膜、およびRV心内膜を区別しようと試みる。これを成し遂げるために、ネットワーク出力は、3つの確率マップ、すなわち各非背景クラスに対して1つの確率マップを含むことができる。訓練中、3つのクラスの各々に対するグラウンドトゥルースバイナリマスクが、ピクセルデータとともにネットワークに提供される。ネットワーク損失は、3つのクラスにわたる損失の総計として決定されることができる。3つのグラウンドトゥルースマスクのいずれかが画像に対して欠損している(グラウンドトゥルースが空のマスクであることとは対照的に、データがないことを意味する)場合、そのマスクは、損失を計算するときに無視されてよい。
図7は、SSFP LMDBの作成のためのプロセス700を示す。702では、輪郭情報が、SSFPグラウンドトゥルースデータベース704から抽出される。これらの輪郭は、特定のSSFPスライスロケーションおよびタイムポイントと関連づけられて、グラウンドトゥルースデータベース704に輪郭のXの位置およびYの位置についての辞書として記憶される。706では、対応するSSFP DICOM(Digital Imaging and Communications in Medicine)画像708からのピクセルデータが、この情報から作成されたブール型マスクとペアとされる。710では、システムは、画像を正規化し、画像/マスクを切り取り、画像/マスクをサイズ変更することによって、画像およびマスクを前処理する。少なくともいくつかの実装形態では、MRIは、それらがゼロの平均を有し、画像のバッチの第1パーセンタイルおよび第99パーセンタイルが−0.5および0.5である、すなわち、それらの「使用可能範囲」が−0.5から0.5の間であるように正規化される。画像は、心室輪郭が画像のより大きなパーセンテージを占めるように、切り取られ、サイズ変更されることができる。これは、より多くの総前景クラスピクセルという結果になり、より少ない算定パワーのみで、心室の細部(特にコーナー)を解像することをより簡単にし、モデル収束を助ける。
図8は、モデル訓練を図示するプロセス800を示す。少なくともいくつかの実装形態では、TensorFlow上に構築されたオープンソースラッパーであるKerasが、モデルを訓練するために使用されることができる。しかしながら、同等の結果は、生の(raw)TensorFlow、Theano、Caffe、Torch、MXNet、MATLAB、またはテンソル数学用の他のライブラリを使用しても達成され得る。
推論は、新しいデータに関する予測のための訓練されたモデルを利用するプロセスである。少なくともいくつかの実装形態では、ウェブアプリケーション(または「ウェブアプリ」)が、推論に使用されることができる。図9は、新しいSSFPのスタディに対して予測がなされ得る例となるパイプラインまたはプロセス900を表示する。902では、ユーザがウェブアプリケーション内でスタディをロードした後、ユーザは、(たとえば、「欠損輪郭を生成する」アイコンをクリックすることによって)推論サービスを起動することができ、これは、任意の欠損(まだ作成されてない)輪郭を自動的に生成する。そのような輪郭は、たとえば、LV Endo、LV Epi、またはRV Endoを含むことができる。少なくともいくつかの実装形態では、推論は、スタディがユーザによってアプリケーション内にロードされたとき、またはスタディがユーザによってサーバに最初にアップロードされたとき、のいずれかに、自動的に起動されることができる。推論がアップロード時間に実行されたとき、予測は、その時間に非一時的なプロセッサ読み取り可能な記録媒体に記憶されることができるが、ユーザがスタディを開くまで表示されない。
SSFP DICOMファイルが獲得され、SAX方位で記憶されるが、4D Flow DICOMは収集され、軸スライスとして記憶される。データのSAX多断面再構成(MPR)を作成するために、ユーザは、左心および/または右心のための関連ランドマークを留置することを必要とすることができる。次いで、これらのランドマークは、心室心尖および弁によって定義された各心室に対する一意的なSAX平面を定義するために使用される。図14は、2チャンバビュー1402、3チャンバビュー1404、および4チャンバビュー1406のための、各SAX平面がLVに平行である、SAX平面のセット1400(SAXの積重ねとも呼ばれる)を示す。
上記で論じられたSSFP Deep Ventricle推論と同様に、ウェブアプリケーションが、4D Flowデータに関する推論に使用され得る。図21は、システムが新しい4D Flowスタディ(Flow study)に関する予測を行うプロセス2100のためのパイプラインを示す。2102では、ユーザがウェブアプリケーション内でスタディをロードした後、ユーザは、上記で説明され図9に示された推論パイプラインに類似したパイプラインを通して、推論サービスを起動することができる。ランドマークは、手動で、または自動的に(たとえば、以下で論じられる自動化されたランドマーク発見アルゴリズムによって)、のどちらかで、すでに定義されている。
心室のエンドツーエンドセグメンテーションのための別の手法は、容積測定の画像、容積測定のマスク、および3D畳み込みカーネルを、全体を通して利用することである。この実装形態の説明と動作の両方は、上記で論じられたSSFP実装形態のそれに密接に従うが、いくつかの重要な違いがある。したがって、簡潔のために、以下議論は主に、そのような違いに焦点を当てる。
Deep Ventricle自動セグメンテーションモデルの追加の実装形態は、心室の血液貯留がセグメンテーションされ乳頭筋が除外されるものである。実際には、乳頭筋は小さく、不規則な形状になっているので、それらは、一般的には、便宜上セグメンテーションされたエリアに含まれる。乳頭筋を血液貯留から除外するこの実装形態のアーキテクチャ、ハイパーパラメーター、および訓練データベースはすべて、上記で論じられたSSFP実装形態に類似している。しかしながら、この実装形態では、グラウンドトゥルースセグメンテーションデータベースは、それらを含むのではなく乳頭筋を除外する左心室心内膜アノテーションおよび右心室心内膜アノテーションを含む。
従来の画像分類またはセグメンテーション・ニューラル・ネットワーク・アーキテクチャは、一度に単一の、場合によってはマルチチャネル(たとえば、RGB)の、場合によっては容積測定の画像に対して動作する。標準的な2D手法は、一度に単一の、3Dボリュームからのスライスに対して動作するネットワークを含む。このケースでは、その単一のスライスからの情報のみが、そのスライス内のデータを分類またはセグメンテーションするために使用される。この手法に関する問題は、周囲のタイムポイントまたはスライスからの文脈が、対象となるスライスに対する推論に組み込まれないことである。標準的な3D手法は、容積測定の予測を行うために、カーネル3Dを利用し、容積測定の情報を組み込む。しかしながら、この手法は低速であり、訓練と推論の両方に、著しい算定リソースを必要とする。
SSFPシネスタディは、4次元のデータ(3つの空間、1つの時間)を含み、4D Flowスタディは、5次元のデータ(3つの空間、1つの時間、情報の4チャネル)を含む。これらの情報の4チャネルは、解剖学的構造(すなわち 信号強度)、x軸位相、y軸位相、およびz軸位相である。モデルを構築する最も単純なやり方は、各3D空間点における信号強度のみを使用し、時間的情報、または4D Flowの場合は、フロー情報を組み込まない。この単純なモデルは、形状(x,y,z)の3Dデータキューブを入力とみなす。
本明細書において論じられるシステムおよび方法は、3D MRIにおける複数の心臓ランドマークの領域の自動化された検出も可能にする。システムは、画像化された心臓のさまざまな位置、方位、および外観を有するMRIの多様なセットを取り扱う。さらに、システムは、不完全なアノテーションを有するデータベースからの学習の問題を効果的に扱う。より具体的には、システムは、訓練セット上の各入力された容積測定の画像に対していくつかのランドマークのみが配置されているとき、画像内のあらゆるランドマークを検出する問題に対処する。
提示された機械学習手法について、2次元(2D)DICOM画像の系列として記憶された心臓の3次元(3D)磁気共鳴画像(MRI)を含む、4D Flowデータのデータベースが使用される。一般的には、約20の3Dの容積測定の画像が、単一の心臓周期全体を通して獲得され、各々は、心拍の1つのスナップショットに対応する。したがって、初期データベースは、異なる時間ステップにおける異なる患者の3D画像に対応する。各3D MRIは、ウェブアプリケーションのユーザによって留置されたゼロのランドマークから6つのランドマークまでのいくつかのランドマークアノテーションを提示する。ランドマークアノテーションは、存在する場合、タイムポイントtに対応する3D MRI内のランドマークの位置(x,y,z)を指し示す座標(x,y,z,t)のベクトルとして記憶される。
上記で述べられたように、ディープニューラルネットワークが、ランドマークの検出に使用される。ネットワークは、前処理された3D MRIを入力とみなし、ランドマークあたり1つ、6つの3Dラベルマップを出力する。この実装形態において使用されるアーキテクチャは、上記で説明されたアーキテクチャに類似しているまたはこれと同一である。ネットワークは、2つの対照的経路、すなわち、収縮用経路および膨張用経路から構成される(図6を参照されたい)。
以下の議論は、ディープニューラルネットワークが3D MRIおよびラベルマップペアのLMDBデータベースを使用してどのように訓練可能であるかを説明する。全体的な目的は、以前に見られなかった画像上で心臓ランドマークの位置をネットワークが予測することができるように、ネットワークのパラメーターを調節することである。訓練プロセスのフローチャートは、図8に示されており、上記で説明された。
新しい画像が与えられると、ランドマークの位置が、上記で図28を参照して説明されたものと類似の様式で画像を前処理することによって推論される。より正確には、画像は、サイズ変更され、クリッピングされ、スケーリングされることができ、画像のヒストグラムが等化され、画像が中心に置かれることができる。ネットワークは、ランドマークあたり1つのマップ、6つのランドマークのケースでは合計で6つの3Dマップを出力する。これらのマップは、各ランドマークが特定の位置で発見される確率を説明する。あるいは、マップは、ランドマークの真の位置から逆距離関数を符号化すると考えられ得る(すなわち、高い値は小さい距離という結果になり、低い値は大きな距離という結果になる)。
少なくともいくつかの実装形態では、データセットは、以前のユーザによってウェブアプリケーション上にアップロードされた臨床のスタディにおいて作製される。アノテーションは、異なる画像上にユーザによって留置されることができる。以前に説かれたように、このデータセットは、訓練セット、検証セット、およびテストセットに分割される。
訓練されたモデルは、クラウドサービスの一部としてサーバ上に記憶されることができる。モデルは、いくつかのタイムポイントにおけるランドマークの検出を並列に成し遂げるために、推論時間に複数のサーバ上にロード可能である。このプロセスは、図9に示され上記で論じられたDeep Ventricleに使用される手法に類似している。
心臓MRIがウェブアプリケーションにアップロードされるとき、ユーザは、「心臓」セクションの下の「ビュー」ボタンを選択することができる。これは、「ランドマークを配置する」ボタンを用いて、画像の右に新しいパネルを開く。このボタンを選択することは、あらゆるタイムポイントにおけるあらゆる3D画像上で6つのランドマークを自動的に配置する。配置されたランドマークのリストが、右パネル上で視認可能である。ランドマーク名を選択することは、画像のフォーカスを、予測されたランドマークロケーションにもたらし、ユーザは、必要とみなされる任意の修正をなすことが可能にされる。ユーザが満足すると、ユーザは、心臓の標準的な2チャンバビュー、3チャンバビュー、4チャンバビュー、およびSAXビューを作成する「標準ビュー」ボタンを選択することができる。
4D Flowでは、あらゆる患者に対する獲得のあらゆるタイムポイントにおける流速情報が利用可能である。この情報を十分に生かすために、時間軸に沿った標準偏差が、3D画像のあらゆるボクセルにおいて算定されることができる。標準偏差大きさは、1つの心拍の間のそのピクセルの血流変動の量と関連づけられる。次いで、この標準偏差画像は、以前に説明された正規化パイプライン、すなわち、サイズ変更、クリッピング、スケーリング、ヒストグラム等化、センタリングに従って正規化される。フローデータの時間的情報を符号化するために、いくつかの他の手法が考えられ得ることに留意されたい。たとえば、4D信号のフーリエ変換が、最後の次元に沿って算定されてよく、さまざまな周波数ビンが、信号を符号化するために使用されてよい。より一般に、追加の算定およびメモリパワーを必要とするという犠牲を払って、時系列全体がネットワークに入力されてよい。
ニューラルネットワークへの入力は、追加のチャネルを用いて伸張されてもよい。より正確には、最後の次元が解剖学的ピクセル強度とフロー大きさまたは速度の成分を別個のチャネルとして符号化する4次元(4D)テンソルが定義されてよい。上記で説明されたネットワークは、そのようなテンソルを入力として受け入れるように伸張されてよい。これは、4Dテンソルを受け入れるために第1の層の伸張を必要とする。ネットワーク訓練、推論、およびユーザ対話の後続ステップは、以前に説明されたものに類似したままである。
左心室および右心室のより正確なセグメンテーションを有するために、心臓の弁の位置および方位を識別することが有利なことができる。少なくともいくつかの実装形態では、前述の心室セグメンテーションインタフェース内で、ユーザは、利用可能な長軸ビューを使用して弁平面上にある点をマーキングすることが可能である。弁平面は、最も良く適合する平面を発見するために回帰を実行することによって、これらの入力点から決定される。平面の法線は、心室の心尖から離れた点に設定される。平面が定義されると、正側にある容積のどんな部分でも、心室のための全容積から減算される。これは、心室の分量を決定する際に何も弁の外側に含まれないことを保証する。
図35は、本明細書において説明されるさまざまな機能を実装するのに適したプロセッサベースのデバイス3504を含む環境3500を示す。必須ではないが、実装形態のいくつかの部分は、1つまたは複数のプロセッサによって実行されるプログラムアプリケーションモジュール、オブジェクト、またはマクロなどの、プロセッサ実行可能命令または論理の一般的な文脈で説明される。当業者は、説明される実装形態、ならびに他の実装形態が、スマートフォンおよびタブレットコンピュータなどのハンドヘルドデバイス、ウェアラブルデバイス、マルチプロセッサシステム、マイクロプロセッサベースまたはプログラマブル家電、パーソナルコンピュータ(「PC」)、ネットワークPC、ミニコンピュータ、メインフレームコンピュータなどを含む、さまざまなプロセッサベースのシステム構成とともに実施可能であることを諒解するであろう。
心臓磁気共鳴(CMR)の画像法は、通例、心臓構造および機能を評価するために使用される。CMRの1つの欠点は、試験の後処理が冗漫であることである。自動化なしに、CMRを介した心機能の正確な評価は、一般的には、アノテーション付与者が心室構造を手動で輪郭描出するのにケースあたり数十分を費やすことを必要とする。自動輪郭描出は、アノテーション付与者によって軽く修正可能な輪郭示唆を生成することによって、患者あたりに必要とされる時間を低下させることができる。畳み込みニューラルネットワークの変形である全層畳み込みネットワーク(FCN)は、自動化されたセグメンテーションにおける開始状態を急速に前進させるために使用されており、これは、FCNを、心室セグメンテーションに対して当然の選択肢にする。しかしながら、FCNは、それらの算定費用によって制限され、このことは、金銭的費用を増加させ、生産システムのユーザエクスペリエンスを劣化させる。この欠点と戦うために、本発明者らは、最近開発されたENetアーキテクチャに基づいて心室セグメンテーションのためのFCNアーキテクチャであるFast Ventricleアーキテクチャを開発した。Fast Ventricleは、優れた臨床上の正確さを依然として維持しながら、以前の最先端の心室セグメンテーションアーキテクチャよりも4倍速く、6分の1のメモリで実行する。
心血管疾患をもつことが知られているまたは疑われる患者は、多くの場合、心機能を評定するために心臓MRIを受ける。これらのスキャンは、収縮末期(ES)および拡張末期(ED)における心臓ボリュームを計算するために、心室輪郭を用いてアノテーションが付与される。心臓ボリュームから、駆出分画および心筋の質量などの関連のある診断量が、計算可能である。手動輪郭膨出は、ケースあたり30分の向上を得ることができ、そのため、放射線科医は、多くの場合、自動化ツールを使用して、プロセスをスピードアップする助けとする。
訓練データ。本発明者らは、パートナー機関において標準的な臨床ケアの一部としてアノテーション付与された1143の短軸シネ定常自由歳差運動(SSFP)スキャンのデータベースを使用して、本発明者らのモデルを訓練および検証する。本発明者らは、データを時間の経過順に、訓練に80%、検証に10%、ホールドアウトセットとして10%を分割した。本開示のこのセクションにおいて論じられるすべての実験は、検証セットを使用する。アノテーション付与された輪郭タイプは、LV心内膜、LV心外膜、およびRV心内膜を含む。スキャンは、EDおよびESにおいてアノテーション付与される。輪郭は、異なる頻度でアノテーション付与された。スキャンの96%(1097)はLV心内膜の輪郭を有し、22%(247)はLV心外膜輪郭を有し、85%(966)はRV心内膜の輪郭を有する。
これらの結果は、FastVentricleの単一の実施形態を説明し、異なる結果は、異なる設計パラメーターを用いて達成され得ることに留意されたい。
性能。正確さは、臨床的判断を行うときモデルの最も重要な性質であり得るが、アルゴリズム実行のスピードも、肯定的なユーザエクスペリエンスを維持し、インフラストラクチャ費用を最小にするのに重大である。本発明者らの経験の限度内で、本発明者らは、Deep Ventricleの正確さと4倍速いFastVentricleのそれとの間に統計学的に有意な差を発見しなかった。これは、FastVentricleは、有害な影響なしに臨床設定においてDeep Ventricleを置き換えることができることを示唆する。
本発明者らは、スキップ接続を有する新しいENetベースのFCN、すなわちFastVentricleは、心臓解剖学的構造の迅速で効率的なセグメンテーションに使用可能であることを示す。疎にアノテーション付与されたデータベース上で訓練されると、本発明者らのアルゴリズムは、駆出分画および心筋の質量などの重要な診断量を計算する目的で、LV endo輪郭、LV epi輪郭、およびRV endo輪郭を臨床医に提供する。FastVentricleは、以前の最先端よりも4倍速く、6分の1のメモリで実行する。
2つの主な構造、すなわち、心筋の筋肉および心室の血液貯留(すなわち、心臓の心室における血液)は、心臓磁気共鳴を介して左心室を評価するときに主要な関心事である。これらの2つの構造の間にあるのは、心筋の筋肉と血液貯留との両方に当接する心臓の心室内の小さい筋肉である、乳頭筋および肉柱筋である。心室の血液貯留の分量を評価するとき、異なる機関は、乳頭筋および肉柱筋を、血液貯留の分量に含むべきであるかどうかについての異なるポリシーを有する。技術的に、血液ボリュームを評価するために、乳頭筋および肉柱筋は、血液貯留を定義する輪郭から除外されるべきである。しかしながら、心筋の筋肉の内側境界の比較的に規則的な形状ならびに乳頭筋および肉柱筋の比較的不規則な形状のために、便宜上、血液貯留を定義する輪郭は、多くの場合に、心筋の筋肉の内側境界であると仮定される。そのケースでは、乳頭筋および肉柱筋の容積は、血液貯留の容積に含まれ、血液貯留の容積の小さい過大見積もりにつながる。
心臓磁気共鳴によって実行することができる多くの種類のスタディがあり、各々は、心臓解剖学的構造または機能の異なる側面を評価し得る。コントラストなしの定常自由歳差運動(SSFP)の画像法は、心機能を定量化するために解剖学的構造を視覚化するために使用される。ガドリニウムベースのコントラストを使用する灌流画像法は、冠動脈狭窄のバイオマーカを識別するために使用される。ガドリニウムベースのコントラストも使用する遅延ガドリニウム造影画像法(late gadolinium enhancement imaging)が、心筋梗塞を評価するために使用される。これらのイメージングプロトコルのすべてにおいて、および他のものでも、解剖学的方位および輪郭描出の必要性は類似している傾向がある。画像は、一般的には、イメージング平面が左心室の短軸と平行である短軸方位と、イメージング平面が左心室の長軸と平行である長軸方位の両方において獲得される。心筋の筋肉および血液貯留を描写する輪郭は、3つのイメージングプロトコルすべてにおいて、心機能および解剖学的構造の異なる構成要素を評価するために使用される。
図43は、心室の血液貯留から乳頭筋および肉柱筋を自動的に描写するためのプロセス4300の一実装形態を示す。最初は、心臓MRIの画像データ4302と、心筋層の内側および外側の境界を描写する初期の輪郭4304の両方が利用可能である。乳頭筋および肉柱筋は、初期左心室心内膜の輪郭の内部にある。すなわち、それらが、血液貯留に含まれ、心筋層から除外される。4306において、輪郭から、心筋層および血液貯留(乳頭筋および肉柱筋を含む)を定義するマスクが計算される。少なくともいくつかの実装形態では、心筋層および血液貯留を定義するマスクが、プロセス4300の始まりにおいて利用可能であり、初期の輪郭4304から計算される必要はない。
図46は、あらかじめ訓練されたCNNモデルを使用して心筋の性質を識別および局所化するプロセス4600のための一実装形態を示す。最初は、心臓画像法データ4602およびあらかじめ訓練されたCNNモデル4604が利用可能である。プロセス4600の少なくとも1つの実装形態では、心臓画像法データは、短軸磁気共鳴(MR)獲得であるが、他のイメージング平面(たとえば、長軸)および他のイメージングモダリティ(たとえば、コンピュータ断層撮影または超音波)が同様に機能するであろう。少なくともいくつかの実装形態では、訓練されたCNNモデル4604は、心臓画像データ4602と同じタイプである(たとえば、同じイメージングモダリティ、同じ造影剤注入プロトコル、および適用可能な場合は、同じMRパルスシーケンス)データに対して訓練されている。他の実装形態では、訓練されたCNNモデル4604が、心臓画像データ4602とは異なるタイプのデータに対して訓練されている。いくつかの実装形態では、CNNモデル4604が訓練されたデータは、(たとえば、非造影SSFPイメージングシーケンスを介して)機能的心臓病の核磁気共鳴画像法からのデータであり、心臓画像データは、心臓灌流または心筋遅延増強のスタディからのデータである。
Claims (58)
- プロセッサ実行可能命令またはデータのうちの少なくとも1つを記憶する少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体と、
前記少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体に通信可能に結合された少なくとも1つのプロセッサであって、前記少なくとも1つのプロセッサは、
ラベル付与された画像セットの複数のバッチを含む学習データを受信し、各画像セットは、解剖学的構造を表す画像データを含み、各画像セットは、前記画像セットの各画像に描かれた前記解剖学的構造の特定の部分の領域を識別する少なくとも1つのラベルを含み、
前記受信された学習データを利用して前記解剖学的構造の少なくとも1つの部分をセグメンテーションするよう全層畳み込みニューラルネットワーク(CNN)モデルを訓練し、
前記機械学習システムの前記少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体に前記訓練されたCNNモデルを記憶する、
少なくとも1つのプロセッサと
を備えた機械学習システム。 - 前記CNNモデルは、収縮用経路および膨張用経路を含み、前記収縮用経路は、いくつかの畳み込み層およびいくつかのプーリング層を含み、各プーリング層は、少なくとも1つの畳み込み層によって先行され、前記膨張用経路は、いくつかの畳み込み層およびいくつかのアップサンプリング層を含み、各アップサンプリング層は、少なくとも1つの畳み込み層によって先行され、アップサンプリングと学習されたカーネルを用いた補間とを実行する転置畳み込み演算を含むことを特徴とする請求項1に記載の機械学習システム。
- 前記収縮用経路は、第1および第2の平行な経路を含み、前記第1および第2の平行な経路のうち一方は、いくつかの畳み込み層およびいくつかのプーリング層を含み、各プーリング層は、少なくとも1つの畳み込み層によって先行され、前記第1および第2の平行な経路のうち他方は、零以上のプーリング層を単に含むことを特徴とする請求項2に記載の機械学習システム。
- 前記収縮用経路の初期層は、前記学習データをダウンサンプリングし、前記初期層に続く層は、前記初期層よりも高い、畳み込み演算対ダウンサンプリング演算の比率を含むことを特徴とする請求項2に記載の機械学習システム。
- 前記膨張用経路は、前記収縮用経路よりも少ない畳み込み演算を含むことを特徴とする請求項2に記載の機械学習システム。
- 残差接続は、同じ空間的スケールにおいて動作する層の各組の間に存在することを特徴とする請求項2に記載の機械学習システム。
- 前記畳み込みは、密なM×M畳み込み、ただし1≦M≦11、カスケードされたN×1および1×N畳み込み、ただし3≦N≦11、および拡張された畳み込みを含むことを特徴とする請求項2に記載の機械学習システム。
- 前記CNNモデルは、前記収縮用経路および前記膨張用経路において層の前記画像のサイズが互換性のある前記層の間のスキップ接続を含むことを特徴とする請求項2に記載の機械学習システム。
- 前記スキップ接続は、前記CNNモデルの連結する特徴マップを含むことを特徴とする請求項8に記載の機械学習システム。
- 前記スキップ接続は、前記CNNモデルの特徴マップの値を加算するまたは減算する残差接続である請求項8に記載の機械学習システム。
- プロセッサ実行可能命令またはデータのうち少なくとも1つを記憶する少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体と、前記少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体に通信可能に結合された少なくとも1つのプロセッサとを備えた機械学習システムを動作させる方法であって、前記方法は、
前記少なくとも1つのプロセッサによって、ラベル付与された画像セットの複数のバッチを含む学習データを受信するステップであって、各画像セットは、解剖学的構造を表す画像データを含み、各画像セットは、前記画像セットの各画像に描かれた前記解剖学的構造の特定の部分の領域を識別する少なくとも1つのラベルを含む、ステップと、
前記少なくとも1つのプロセッサによって、前記受信された学習データを利用して前記解剖学的構造の少なくとも1つの部分をセグメンテーションするよう全層畳み込みニューラルネットワーク(CNN)モデルを訓練するステップと、
前記少なくとも1つのプロセッサによって、前記機械学習システムの前記少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体に前記訓練されたCNNモデルを記憶するステップと
を備える方法。 - 前記CNNモデルを訓練するステップは、収縮用経路および膨張用経路を含むCNNモデルを訓練するステップを含み、前記収縮用経路は、いくつかの畳み込み層およびいくつかのプーリング層を含み、各プーリング層は、少なくとも1つの畳み込み層によって先行され、前記膨張用経路は、いくつかの畳み込み層およびいくつかのアップサンプリング層を含み、各アップサンプリング層は、少なくとも1つの畳み込み層によって先行され、アップサンプリングと学習されたカーネルを用いた補間とを実行する転置畳み込み演算を含むことを特徴とする請求項11に記載の方法。
- 前記CNNモデルを訓練するステップは、収縮用経路を含むCNNモデルを訓練するステップを含み、前記収縮用経路は、第1および第2の平行な経路を含み、前記第1および第2の平行な経路のうち一方は、いくつかの畳み込み層およびいくつかのプーリング層を含み、各プーリング層は、少なくとも1つの畳み込み層によって先行され、前記第1および第2の平行な経路のうち他方は、零以上のプーリング層を単に含むことを特徴とする請求項12に記載の方法。
- 前記CNNモデルを訓練するステップは、収縮用経路を含むCNNモデルを訓練するステップを含み、前記収縮用経路の初期層は、前記学習データをダウンサンプリングし、前記初期層に続く層は、前記初期層よりも高い、畳み込み演算体ダウンサンプリング演算の比率を含む請求項12に記載の方法。
- 前記CNNモデルを訓練するステップは、前記収縮用経路よりも少ない畳み込み演算を含む膨張用経路を含むCNNモデルを訓練するステップを含むことを特徴とする請求項12に記載の方法。
- 前記CNNモデルを訓練するステップは、同じ空間的スケールにおいて動作する層の各組の間の残差接続を含むCNNモデルを訓練するステップを含むことを特徴とする請求項12に記載の方法。
- 前記CNNモデルを訓練するステップは、CNNモデルを訓練するステップを含み、前記畳み込みは、密なM×M畳み込み、ただし1≦M≦11、カスケードされたN×1および1×N畳み込み、ただし3≦N≦11、および拡張された畳み込みを含むことを特徴とする請求項12に記載の方法。
- 前記CNNモデルを訓練するステップは、前記収縮用経路および前記膨張用経路において層の前記画像のサイズが互換性のある前記層の間のスキップ接続を含むCNNモデルを訓練するステップを含むことを特徴とする請求項12に記載の方法。
- 前記CNNモデルを訓練するステップは、スキップ接続を含むCNNモデルを訓練するステップを含み、前記スキップ接続は、前記CNNモデルについて連結する特徴マップを含むことを特徴とする請求項18に記載の方法。
- 前記CNNモデルを訓練するステップは、スキップ接続を含むCNNモデルを訓練するステップを含み、前記スキップ接続は、前記CNNモデルの特徴マップの値を加算するまたは減算する残差接続であることを特徴とする請求項18に記載の方法。
- プロセッサ実行可能命令またはデータと、心臓MRIの画像データと、前記心臓の前記心内膜および心外膜を描写する初期の輪郭またはマスクとのうち少なくとも1つを記憶する少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体と、
前記少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体に通信可能に結合された少なくとも1つのプロセッサであって、処理において、前記少なくとも1つのプロセッサは、
系列のための前記心臓MRIの画像データおよび初期の輪郭またはマスクにアクセスし、
前記心内膜の輪郭の内部において乳頭筋および肉柱筋から血液を区別する画像強度の閾値を自律的に計算し、
前記乳頭筋および肉柱筋の前記境界を記述する輪郭またはマスクを定義するために前記画像の強度閾値を自律的に適用する、
少なくとも1つのプロセッサと
を備えた医用画像処理システム。 - 前記画像強度の閾値を計算するために、前記少なくとも1つのプロセッサは、前記心内膜の輪郭と前記心外膜の輪郭との間の領域に対して強度値の分布と前記心内膜の輪郭内の強度値の分布を比較することを特徴とする請求項21に記載の医用画像処理システム。
- 前記少なくとも1つのプロセッサは、経験的な強度分布のカーネル密度の推定を使用して強度値の前記分布の各々を計算することを特徴とする請求項22に記載の医用画像処理システム。
- 前記少なくとも1つのプロセッサは、第1および第2の確率分布関数の交点における前記ピクセル強度であるよう前記画像強度の閾値を決定し、前記第1の確率分布関数は、前記心内膜の輪郭内のピクセルのセットに対するものであり、前記第2の確率分布関数は、前記心内膜の輪郭と前記心外膜輪郭との間の前記領域におけるピクセルのセットに対するものであることを特徴とする請求項22に記載の医用画像処理システム。
- 前記心臓の前記心内膜を描写する前記初期の輪郭またはマスクは、前記心内膜の輪郭の前記内部に前記乳頭筋および肉柱筋を含むことを特徴とする請求項21に記載の医用画像処理システム。
- 前記少なくとも1つのプロセッサは、前記血液貯留領域の接続された構成要素を計算し、前記血液貯留領域から前記計算された接続された構成要素のうちの1つまたは複数を破棄することを特徴とする請求項21に記載の医用画像処理システム。
- 前記少なくとも1つのプロセッサは、前記血液貯留領域から破棄された前記接続された構成要素を前記乳頭筋および肉柱筋の領域に変換することを特徴とする請求項26に記載の医用画像処理システム。
- 前記少なくとも1つのプロセッサは、前記血液貯留領域において最大の接続された構成要素以外のすべてを前記血液貯留領域から破棄することを特徴とする請求項26に記載の医用画像処理システム。
- 前記少なくとも1つのプロセッサは、前記乳頭筋および肉柱筋の前記境界線を記述する前記計算された輪郭またはマスクが、ユーザによって編集されるのを可能にすることを特徴とする請求項21に記載の医用画像処理システム。
- プロセッサ実行可能命令またはデータ、前記心臓の医用画像法のデータ、および訓練された畳み込みニューラルネットワーク(CNN)モデルのうち少なくとも1つを記憶する少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体と、
前記少なくとも1つの非一時的なプロセッサ読み取り可能な記録媒体に通信可能に結合された少なくとも1つのプロセッサであって、処理において、前記少なくとも1つのプロセッサは、
前記訓練されたCNNモデルを使用して前記医用画像法のデータにおいて前記心臓の前記心内膜および心外膜を描写する輪郭またはマスクを計算し、
前記計算された輪郭またはマスクを使用して前記心筋の筋肉についての病状または機能の特性を解剖学的に局所化する、
少なくとも1つのプロセッサと
を備えた機械学習システム。 - 前記少なくとも1つのプロセッサは、前記右心室壁が前記左心室につく前記心室の挿入点を計算することを特徴とする請求項30に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記右心室心内膜または前記右心室心外膜の一方または両方に前記左心室心外膜を描写する輪郭またはマスクの前記近接性に基づいて前記心室の挿入点を計算することを特徴とする請求項31に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記左心室心外膜の境界線が前記右心室心内膜の境界線または前記右心室心外膜の境界線の一方または両方から分岐する前記心臓画像における前記2つの点に基づいて1つまたは複数の2次元心臓画像において前記心室の挿入点を計算することを特徴とする請求項32に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記左心室の獲得された長軸ビューと前記左心室心外膜の前記描写との間の交点に基づいて前記心室の挿入点を計算することを特徴とする請求項31に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記左心室心外膜の輪郭と前記左心臓の3チャンバの長軸平面との間の交点に基づいて少なくとも1つの心室の挿入点を計算することを特徴とする請求項34に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記左心室心外膜の輪郭と前記左心臓の4チャンバの長軸平面との間の交点に基づいて少なくとも1つの心室の挿入点を計算することを特徴とする請求項34に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記左心臓の3チャンバの長軸平面と前記右心室心外膜の輪郭または前記右心室心内膜の輪郭の一方または両方との間の交点に基づいて少なくとも1つの心室の挿入点を計算することを特徴とする請求項34に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記左心臓の4チャンバの長軸平面と前記右心室心外膜の輪郭または前記右心室心内膜の輪郭の一方または両方との間の交点に基づいて、少なくとも1つの心室の挿入点を計算することを特徴とする請求項34に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記心室の挿入点のうちの1つまたは複数のロケーションを手動により描写することをユーザに可能にすることを特徴とする請求項30に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、輪郭と心室の挿入点との組み合わせを使用して、標準化されたフォーマットにおいて前記心筋の筋肉の病状または機能的特性の解剖学的ロケーションを提示することを特徴とする請求項30に記載の機械学習システム。
- 前記標準化されたフォーマットは、前記心筋の筋肉の16または17のセグメントモデルの一方または両方であることを特徴とする請求項40に記載の機械学習システム。
- 前記心臓の前記医用画像法のデータは、機能的心臓病の画像、心筋遅延強調画像、または心筋灌流画像のうち1つまたは複数であることを特徴とする請求項30に記載の機械学習システム。
- 前記心臓の前記医用画像法のデータは、心臓磁気共鳴画像であることを特徴とする請求項42に記載の機械学習システム。
- 前記訓練されたCNNモデルは、前記訓練されたCNNモデルが推論のために使用されるのと同じ種類のアノテーション付与された心臓画像に対して訓練されていることを特徴とする請求項30に記載の機械学習システム。
- 前記訓練されたCNNモデルは、機能的心臓病の画像、心筋遅延強調画像、または心筋灌流画像のうちの1つまたは複数に対して訓練されていることを特徴とする請求項44に記載の機械学習システム。
- 前記訓練されたCNNモデルが訓練された前記データは、心臓磁気共鳴画像であることを特徴とする請求項45に記載の機械学習システム。
- 前記訓練されたCNNモデルは、前記訓練されたCNNモデルが推論のために使用されるのとは異なる種類のアノテーション付与された心臓画像に対して訓練されていることを特徴とする請求項30に記載の機械学習システム。
- 前記訓練されたCNNモデルは、機能的心臓病の画像、心筋遅延強調画像、または心筋灌流画像のうち1つまたは複数に対して訓練されていることを特徴とする請求項47に記載の機械学習システム。
- 前記訓練されたCNNモデルが訓練された前記データは、心臓磁気共鳴画像であることを特徴とする請求項48に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記CNNモデルが推論のために使用されるのと同じ種類のデータに対して前記訓練されたCNNモデルを微調節することを特徴とする請求項30に記載の機械学習システム。
- 前記訓練されたCNNモデルを微調節するために、前記少なくとも1つのプロセッサは、前記訓練されたCNNモデルの前記層のいくつかまたはすべてを保持することを特徴とする請求項50に記載の機械学習システム。
- 前記少なくとも1つのプロセッサは、前記心臓の前記心内膜および心外膜を描写する前記輪郭またはマスクに後処理を適用して、心筋層として識別される前記心臓の領域に存在する非心筋組織の量を最小にすることを特徴とする請求項30に記載の機械学習システム。
- 前記輪郭またはマスクを後処理するために、前記少なくとも1つのプロセッサは、心筋層として識別される前記心臓の領域に形態学的演算を適用して、面積を減少させることを特徴とする請求項52に記載の機械学習システム。
- 前記形態学的演算は、びらんまたは拡張のうち1つまたは複数を含むことを特徴とする請求項53に記載の機械学習システム。
- 前記輪郭またはマスクを後処理するために、前記少なくとも1つのプロセッサは、前記訓練されたCNNモデルが、前記ピクセルが前記心筋層の一部である閾値を上回る確率を表現する心筋層のピクセルのみを識別するように、前記訓練されたCNNモデルによって予測される確率マップに適用される前記閾値を修正することを特徴とする請求項52に記載の機械学習システム。
- 確率マップ値がクラスラベルに変換される前記閾値は0.5よりも大きいことを特徴とする請求項55に記載の機械学習システム。
- 前記輪郭またはマスクを後処理するために、前記少なくとも1つのプロセッサは、前記心筋層を描写する輪郭の頂点を、前記心臓の前記心室の中心に向けてまたは離れるようにシフトして、心筋層の前記識別された面積を減少させることを特徴とする請求項52に記載の機械学習システム。
- 前記心筋の筋肉の前記病状または機能的特性が、心筋瘢痕、心筋梗塞、冠動脈狭窄、または灌流特性のうち1つまたは複数を含むことを特徴とする請求項30に記載の機械学習システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762451482P | 2017-01-27 | 2017-01-27 | |
US62/451,482 | 2017-01-27 | ||
PCT/US2018/015222 WO2018140596A2 (en) | 2017-01-27 | 2018-01-25 | Automated segmentation utilizing fully convolutional networks |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020510463A true JP2020510463A (ja) | 2020-04-09 |
JP2020510463A5 JP2020510463A5 (ja) | 2021-03-04 |
Family
ID=62977998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019540646A Pending JP2020510463A (ja) | 2017-01-27 | 2018-01-25 | 全層畳み込みネットワークを利用する自動化されたセグメンテーション |
Country Status (5)
Country | Link |
---|---|
US (3) | US10600184B2 (ja) |
EP (1) | EP3573520A4 (ja) |
JP (1) | JP2020510463A (ja) |
CN (1) | CN110475505B (ja) |
WO (1) | WO2018140596A2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020038663A (ja) * | 2018-09-05 | 2020-03-12 | 株式会社ストラドビジョン | 障害物を検出する学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{learning method, learning device for detecting obstacles and testing method, testing device using the same} |
Families Citing this family (206)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10331852B2 (en) | 2014-01-17 | 2019-06-25 | Arterys Inc. | Medical imaging and efficient sharing of medical imaging information |
CN106170246A (zh) | 2014-01-17 | 2016-11-30 | 阿特瑞斯公司 | 用于四维(4d)流磁共振成像的设备、方法和产品 |
US10871536B2 (en) * | 2015-11-29 | 2020-12-22 | Arterys Inc. | Automated cardiac volume segmentation |
CN109844865B (zh) | 2016-10-27 | 2021-03-30 | 普罗热尼奇制药公司 | 用于医学图像分析的网络、决策支持系统和相关图形用户界面(gui)应用 |
US10663711B2 (en) | 2017-01-04 | 2020-05-26 | Corista, LLC | Virtual slide stage (VSS) method for viewing whole slide images |
US10600184B2 (en) | 2017-01-27 | 2020-03-24 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
US10580131B2 (en) * | 2017-02-23 | 2020-03-03 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
CN106887225B (zh) * | 2017-03-21 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 基于卷积神经网络的声学特征提取方法、装置和终端设备 |
US10699412B2 (en) * | 2017-03-23 | 2020-06-30 | Petuum Inc. | Structure correcting adversarial network for chest X-rays organ segmentation |
GB201705876D0 (en) | 2017-04-11 | 2017-05-24 | Kheiron Medical Tech Ltd | Recist |
GB201705911D0 (en) | 2017-04-12 | 2017-05-24 | Kheiron Medical Tech Ltd | Abstracts |
US10261903B2 (en) | 2017-04-17 | 2019-04-16 | Intel Corporation | Extend GPU/CPU coherency to multi-GPU cores |
GB201706149D0 (en) * | 2017-04-18 | 2017-05-31 | King's College London | System and method for medical imaging |
US11468286B2 (en) * | 2017-05-30 | 2022-10-11 | Leica Microsystems Cms Gmbh | Prediction guided sequential data learning method |
US10699410B2 (en) * | 2017-08-17 | 2020-06-30 | Siemes Healthcare GmbH | Automatic change detection in medical images |
KR20200129168A (ko) * | 2017-09-27 | 2020-11-17 | 구글 엘엘씨 | 고해상도 이미지 세분화를 위한 종단간 네트워크 모델 |
US10891723B1 (en) | 2017-09-29 | 2021-01-12 | Snap Inc. | Realistic neural network based image style transfer |
EP3471054B1 (en) * | 2017-10-16 | 2022-02-09 | Siemens Healthcare GmbH | Method for determining at least one object feature of an object |
US10783640B2 (en) | 2017-10-30 | 2020-09-22 | Beijing Keya Medical Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
US11551353B2 (en) | 2017-11-22 | 2023-01-10 | Arterys Inc. | Content based image retrieval for lesion analysis |
CN110121293B (zh) * | 2017-11-24 | 2023-07-04 | 佳能医疗系统株式会社 | 医用数据处理装置、成像装置及学习完毕模型生成方法 |
US10973486B2 (en) | 2018-01-08 | 2021-04-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
WO2019147767A1 (en) * | 2018-01-24 | 2019-08-01 | Rensselaer Polytechnic Institute | 3-d convolutional autoencoder for low-dose ct via transfer learning from a 2-d trained network |
US10595727B2 (en) * | 2018-01-25 | 2020-03-24 | Siemens Healthcare Gmbh | Machine learning-based segmentation for cardiac medical imaging |
US10885630B2 (en) * | 2018-03-01 | 2021-01-05 | Intuitive Surgical Operations, Inc | Systems and methods for segmentation of anatomical structures for image-guided surgery |
US11024025B2 (en) * | 2018-03-07 | 2021-06-01 | University Of Virginia Patent Foundation | Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy |
US11537428B2 (en) | 2018-05-17 | 2022-12-27 | Spotify Ab | Asynchronous execution of creative generator and trafficking workflows and components therefor |
US11403663B2 (en) * | 2018-05-17 | 2022-08-02 | Spotify Ab | Ad preference embedding model and lookalike generation engine |
GB2574372B (en) * | 2018-05-21 | 2021-08-11 | Imagination Tech Ltd | Implementing Traditional Computer Vision Algorithms As Neural Networks |
EP3815040A4 (en) | 2018-05-21 | 2022-03-02 | Corista LLC | MULTIPLE SAMPLE BULK SLIDE IMAGE PROCESSING USING MULTIPLE RESOLUTION REGISTRATION |
WO2019232099A1 (en) * | 2018-05-29 | 2019-12-05 | Google Llc | Neural architecture search for dense image prediction tasks |
US11854703B2 (en) | 2018-06-11 | 2023-12-26 | Arterys Inc. | Simulating abnormalities in medical images with generative adversarial networks |
CA3103538A1 (en) * | 2018-06-11 | 2019-12-19 | Socovar, Societe En Commandite | System and method for determining coronal artery tissue type based on an oct image and using trained engines |
CA3102170A1 (en) | 2018-06-14 | 2019-12-19 | Kheiron Medical Technologies Ltd | Immediate workup |
EP3598344A1 (en) * | 2018-07-19 | 2020-01-22 | Nokia Technologies Oy | Processing sensor data |
CN109087298B (zh) * | 2018-08-17 | 2020-07-28 | 电子科技大学 | 一种阿尔兹海默病mri图像分类方法 |
KR102174379B1 (ko) * | 2018-08-27 | 2020-11-04 | 주식회사 딥바이오 | 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법 |
US11164067B2 (en) * | 2018-08-29 | 2021-11-02 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for implementing a multi-resolution neural network for use with imaging intensive applications including medical imaging |
CN109345538B (zh) * | 2018-08-30 | 2021-08-10 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
JP7213412B2 (ja) * | 2018-09-12 | 2023-01-27 | 学校法人立命館 | 医用画像抽出装置、医用画像抽出方法、及び、コンピュータプログラム |
EP3624056B1 (en) * | 2018-09-13 | 2021-12-01 | Siemens Healthcare GmbH | Processing image frames of a sequence of cardiac images |
CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
CN109242863B (zh) * | 2018-09-14 | 2021-10-26 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109272512B (zh) * | 2018-09-25 | 2022-02-15 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
US20200104678A1 (en) * | 2018-09-27 | 2020-04-02 | Google Llc | Training optimizer neural networks |
CN109559315B (zh) * | 2018-09-28 | 2023-06-02 | 天津大学 | 一种基于多路径深度神经网络的水面分割方法 |
CN109410318B (zh) * | 2018-09-30 | 2020-09-08 | 先临三维科技股份有限公司 | 三维模型生成方法、装置、设备和存储介质 |
EP3864618A1 (en) * | 2018-10-12 | 2021-08-18 | The Medical College of Wisconsin, Inc. | Medical image segmentation using deep learning models trained with random dropout and/or standardized inputs |
CN111126242B (zh) | 2018-10-16 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 肺部图像的语义分割方法、装置、设备及存储介质 |
US11651584B2 (en) * | 2018-10-16 | 2023-05-16 | General Electric Company | System and method for memory augmented domain adaptation |
CN109509203B (zh) * | 2018-10-17 | 2019-11-05 | 哈尔滨理工大学 | 一种半自动脑部图像分割方法 |
US11720997B2 (en) | 2018-10-19 | 2023-08-08 | Samsung Electronics Co.. Ltd. | Artificial intelligence (AI) encoding device and operating method thereof and AI decoding device and operating method thereof |
WO2020080765A1 (en) | 2018-10-19 | 2020-04-23 | Samsung Electronics Co., Ltd. | Apparatuses and methods for performing artificial intelligence encoding and artificial intelligence decoding on image |
MX2021004475A (es) * | 2018-10-19 | 2021-06-04 | Climate Llc | Tecnica de aprendizaje automatico para identificar nubes y sombras de nubes en imagenes satelitales. |
KR102525578B1 (ko) | 2018-10-19 | 2023-04-26 | 삼성전자주식회사 | 부호화 방법 및 그 장치, 복호화 방법 및 그 장치 |
WO2020080665A1 (en) | 2018-10-19 | 2020-04-23 | Samsung Electronics Co., Ltd. | Methods and apparatuses for performing artificial intelligence encoding and artificial intelligence decoding on image |
WO2020080698A1 (ko) | 2018-10-19 | 2020-04-23 | 삼성전자 주식회사 | 영상의 주관적 품질을 평가하는 방법 및 장치 |
WO2020080873A1 (en) | 2018-10-19 | 2020-04-23 | Samsung Electronics Co., Ltd. | Method and apparatus for streaming data |
KR20200044653A (ko) * | 2018-10-19 | 2020-04-29 | 삼성전자주식회사 | 딥 뉴럴 네트워크를 이용한 영상의 ai 부호화 및 ai 복호화 방법, 및 장치 |
KR102312337B1 (ko) * | 2018-10-19 | 2021-10-14 | 삼성전자주식회사 | Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법 |
CN109508647A (zh) * | 2018-10-22 | 2019-03-22 | 北京理工大学 | 一种基于生成对抗网络的光谱数据库扩展方法 |
JP2022506135A (ja) * | 2018-10-30 | 2022-01-17 | アレン インスティテュート | ヒトの寄与を組み込む反復的深層学習フローを使用した顕微鏡画像内の3d細胞間構造のセグメント化 |
CN109448006B (zh) * | 2018-11-01 | 2022-01-28 | 江西理工大学 | 一种注意力机制u型密集连接视网膜血管分割方法 |
WO2020093042A1 (en) * | 2018-11-02 | 2020-05-07 | Deep Lens, Inc. | Neural networks for biomedical image analysis |
CN109523077B (zh) * | 2018-11-15 | 2022-10-11 | 云南电网有限责任公司 | 一种风电功率预测方法 |
CN113569796A (zh) * | 2018-11-16 | 2021-10-29 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
CN110009640B (zh) * | 2018-11-20 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 处理心脏视频的方法、设备和可读介质 |
WO2020108009A1 (en) * | 2018-11-26 | 2020-06-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving quality of low-light images |
TW202022713A (zh) * | 2018-12-05 | 2020-06-16 | 宏碁股份有限公司 | 心臟狀態評估方法與系統、電子裝置及超音波掃描裝置 |
CN109711411B (zh) * | 2018-12-10 | 2020-10-30 | 浙江大学 | 一种基于胶囊神经元的图像分割识别方法 |
CN111309800A (zh) * | 2018-12-11 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 数据存储、读取的方法和装置 |
US10943352B2 (en) * | 2018-12-17 | 2021-03-09 | Palo Alto Research Center Incorporated | Object shape regression using wasserstein distance |
US10740901B2 (en) * | 2018-12-17 | 2020-08-11 | Nvidia Corporation | Encoder regularization of a segmentation model |
EP3671660A1 (en) * | 2018-12-20 | 2020-06-24 | Dassault Systèmes | Designing a 3d modeled object via user-interaction |
US11423251B2 (en) | 2019-01-03 | 2022-08-23 | Samsung Electronics Co., Ltd. | Method and system of performing convolution in neural networks with variable dilation rate |
CN109584254B (zh) * | 2019-01-07 | 2022-12-20 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
CN113272859A (zh) | 2019-01-07 | 2021-08-17 | 西尼诊断公司 | 用于平台中立性全身图像分段的系统及方法 |
CN109872325B (zh) * | 2019-01-17 | 2022-11-15 | 东北大学 | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
US11922630B2 (en) | 2019-01-25 | 2024-03-05 | The Johns Hopkins University | Predicting atrial fibrillation recurrence after pulmonary vein isolation using simulations of patient-specific magnetic resonance imaging models and machine learning |
CN109949334B (zh) * | 2019-01-25 | 2022-10-04 | 广西科技大学 | 基于深度强化网络残差连接的轮廓检测方法 |
US10373027B1 (en) * | 2019-01-30 | 2019-08-06 | StradVision, Inc. | Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same |
CN109886159B (zh) * | 2019-01-30 | 2021-03-26 | 浙江工商大学 | 一种非限定条件下的人脸检测方法 |
US11544572B2 (en) * | 2019-02-15 | 2023-01-03 | Capital One Services, Llc | Embedding constrained and unconstrained optimization programs as neural network layers |
DE102019203024A1 (de) * | 2019-03-06 | 2020-09-10 | Robert Bosch Gmbh | Paddingverfahren für ein Convolutional Neural Network |
CN109949318B (zh) * | 2019-03-07 | 2023-11-14 | 西安电子科技大学 | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 |
EP3716201A1 (en) | 2019-03-25 | 2020-09-30 | Siemens Healthcare GmbH | Medical image enhancement |
CN110009619A (zh) * | 2019-04-02 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于荧光编码的液相生物芯片的图像分析方法 |
CN110101401B (zh) * | 2019-04-18 | 2023-04-07 | 浙江大学山东工业技术研究院 | 一种肝脏对比剂数字减影造影方法 |
CN110111313B (zh) * | 2019-04-22 | 2022-12-30 | 腾讯科技(深圳)有限公司 | 基于深度学习的医学图像检测方法及相关设备 |
CN113748443A (zh) | 2019-04-24 | 2021-12-03 | 普罗热尼奇制药公司 | 用于交互式调整核医学图像中的强度窗口设定的系统和方法 |
TW202105407A (zh) | 2019-04-24 | 2021-02-01 | 美商普吉尼製藥公司 | 用於偵測轉移之骨掃描影像之自動及互動式分析系統及方法 |
CN110047073B (zh) * | 2019-05-05 | 2021-07-06 | 北京大学 | 一种x射线焊缝图像缺陷定级方法及系统 |
CN110969182A (zh) * | 2019-05-17 | 2020-04-07 | 丰疆智能科技股份有限公司 | 基于农田图像的卷积神经网络构建方法及其系统 |
CN112396169B (zh) * | 2019-08-13 | 2024-04-02 | 上海寒武纪信息科技有限公司 | 运算方法、装置、计算机设备和存储介质 |
US11328430B2 (en) * | 2019-05-28 | 2022-05-10 | Arizona Board Of Regents On Behalf Of Arizona State University | Methods, systems, and media for segmenting images |
CN112102221A (zh) * | 2019-05-31 | 2020-12-18 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
CN110298366B (zh) * | 2019-07-05 | 2021-05-04 | 北华航天工业学院 | 农作物分布提取方法及装置 |
US20210015438A1 (en) * | 2019-07-16 | 2021-01-21 | Siemens Healthcare Gmbh | Deep learning for perfusion in medical imaging |
CN110599499B (zh) * | 2019-08-22 | 2022-04-19 | 四川大学 | 基于多路卷积神经网络的mri图像心脏结构分割方法 |
CN110517241A (zh) * | 2019-08-23 | 2019-11-29 | 吉林大学第一医院 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
CN110619641A (zh) * | 2019-09-02 | 2019-12-27 | 南京信息工程大学 | 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 |
US10957031B1 (en) * | 2019-09-06 | 2021-03-23 | Accenture Global Solutions Limited | Intelligent defect detection from image data |
CN110598784B (zh) * | 2019-09-11 | 2020-06-02 | 北京建筑大学 | 基于机器学习的建筑垃圾分类方法及装置 |
JP7408325B2 (ja) * | 2019-09-13 | 2024-01-05 | キヤノン株式会社 | 情報処理装置、学習方法およびプログラム |
ES2813777B2 (es) * | 2019-09-23 | 2023-10-27 | Quibim S L | Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral |
CN114600171A (zh) * | 2019-09-24 | 2022-06-07 | 卡耐基梅隆大学 | 用于基于空间-时间数据来分析医学图像的系统和方法 |
CN110675411B (zh) * | 2019-09-26 | 2023-05-16 | 重庆大学 | 基于深度学习的宫颈鳞状上皮内病变识别算法 |
US11544407B1 (en) | 2019-09-27 | 2023-01-03 | Progenics Pharmaceuticals, Inc. | Systems and methods for secure cloud-based medical image upload and processing |
US11900597B2 (en) | 2019-09-27 | 2024-02-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
US11564621B2 (en) | 2019-09-27 | 2023-01-31 | Progenies Pharmacenticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
US11331056B2 (en) * | 2019-09-30 | 2022-05-17 | GE Precision Healthcare LLC | Computed tomography medical imaging stroke model |
US11545266B2 (en) | 2019-09-30 | 2023-01-03 | GE Precision Healthcare LLC | Medical imaging stroke model |
US20210097390A1 (en) * | 2019-10-01 | 2021-04-01 | Chevron U.S.A. Inc. | Artificial learning fracture system and method for predicting permeability of hydrocarbon reservoirs |
US11640552B2 (en) * | 2019-10-01 | 2023-05-02 | International Business Machines Corporation | Two stage training to obtain a best deep learning model with efficient use of computing resources |
JP2022550413A (ja) * | 2019-10-02 | 2022-12-01 | メモリアル スローン ケタリング キャンサー センター | マルチクラス画像セグメンテーションのための深層多重倍率ネットワーク |
CN112365504A (zh) * | 2019-10-29 | 2021-02-12 | 杭州脉流科技有限公司 | Ct左心室分割方法、装置、设备和存储介质 |
US11232859B2 (en) * | 2019-11-07 | 2022-01-25 | Siemens Healthcare Gmbh | Artificial intelligence for basal and apical slice identification in cardiac MRI short axis acquisitions |
KR20210056179A (ko) | 2019-11-08 | 2021-05-18 | 삼성전자주식회사 | Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법 |
US11423544B1 (en) | 2019-11-14 | 2022-08-23 | Seg AI LLC | Segmenting medical images |
US10762629B1 (en) | 2019-11-14 | 2020-09-01 | SegAI LLC | Segmenting medical images |
CN110930383A (zh) * | 2019-11-20 | 2020-03-27 | 佛山市南海区广工大数控装备协同创新研究院 | 基于深度学习语义分割和图像分类的注射器缺陷检测方法 |
CN110910368B (zh) * | 2019-11-20 | 2022-05-13 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
CN111161292B (zh) * | 2019-11-21 | 2023-09-05 | 合肥合工安驰智能科技有限公司 | 一种矿石尺度测量方法及应用系统 |
EP3828828A1 (en) | 2019-11-28 | 2021-06-02 | Robovision | Improved physical object handling based on deep learning |
CN111179149B (zh) * | 2019-12-17 | 2022-03-08 | Tcl华星光电技术有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN110991408B (zh) * | 2019-12-19 | 2022-09-06 | 北京航空航天大学 | 基于深度学习方法分割脑白质高信号的方法和装置 |
CN110739050B (zh) * | 2019-12-20 | 2020-07-28 | 深圳大学 | 一种左心室全参数及置信度的量化方法 |
CN111144486B (zh) * | 2019-12-27 | 2022-06-10 | 电子科技大学 | 基于卷积神经网络的心脏核磁共振图像关键点检测方法 |
CN111260705B (zh) * | 2020-01-13 | 2022-03-15 | 武汉大学 | 一种基于深度卷积神经网络的前列腺mr图像多任务配准方法 |
CN111402203B (zh) * | 2020-02-24 | 2024-03-01 | 杭州电子科技大学 | 一种基于卷积神经网络的织物表面缺陷检测方法 |
CN111401373B (zh) * | 2020-03-04 | 2022-02-15 | 武汉大学 | 基于分组非对称卷积的高效语义分割方法 |
CN111311737B (zh) * | 2020-03-04 | 2023-03-10 | 中南民族大学 | 心脏图像的三维建模方法、装置、设备及存储介质 |
CN111281387B (zh) * | 2020-03-09 | 2024-03-26 | 中山大学 | 基于人工神经网络的左心房与心房瘢痕的分割方法及装置 |
JP2023516775A (ja) | 2020-03-09 | 2023-04-20 | ナノトロニクス イメージング インコーポレイテッド | 欠陥検出システム |
US11810303B2 (en) * | 2020-03-11 | 2023-11-07 | Purdue Research Foundation | System architecture and method of processing images |
US11763456B2 (en) | 2020-03-11 | 2023-09-19 | Purdue Research Foundation | Systems and methods for processing echocardiogram images |
CN111340816A (zh) * | 2020-03-23 | 2020-06-26 | 沈阳航空航天大学 | 一种基于双u型网络框架的图像分割方法 |
CN111462060A (zh) * | 2020-03-24 | 2020-07-28 | 湖南大学 | 胎儿超声图像中标准切面图像的检测方法和装置 |
US11205287B2 (en) | 2020-03-27 | 2021-12-21 | International Business Machines Corporation | Annotation of digital images for machine learning |
US11704803B2 (en) * | 2020-03-30 | 2023-07-18 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems using video-based machine learning for beat-to-beat assessment of cardiac function |
CN111466894B (zh) * | 2020-04-07 | 2023-03-31 | 上海深至信息科技有限公司 | 一种基于深度学习的射血分数计算方法及系统 |
US20210319539A1 (en) * | 2020-04-13 | 2021-10-14 | GE Precision Healthcare LLC | Systems and methods for background aware reconstruction using deep learning |
US11386988B2 (en) | 2020-04-23 | 2022-07-12 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
US11321844B2 (en) | 2020-04-23 | 2022-05-03 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
CN111666972A (zh) * | 2020-04-28 | 2020-09-15 | 清华大学 | 基于深度神经网络的肝部病例图像分类方法及系统 |
CN111652886B (zh) * | 2020-05-06 | 2022-07-22 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
CN112330674B (zh) * | 2020-05-07 | 2023-06-30 | 南京信息工程大学 | 一种基于脑部mri三维图像置信度的自适应变尺度卷积核方法 |
US11532084B2 (en) | 2020-05-11 | 2022-12-20 | EchoNous, Inc. | Gating machine learning predictions on medical ultrasound images via risk and uncertainty quantification |
US11523801B2 (en) | 2020-05-11 | 2022-12-13 | EchoNous, Inc. | Automatically identifying anatomical structures in medical images in a manner that is sensitive to the particular view in which each image is captured |
CN111739028A (zh) * | 2020-05-26 | 2020-10-02 | 华南理工大学 | 指甲区域图像获取方法、系统、计算设备及存储介质 |
US11222426B2 (en) * | 2020-06-02 | 2022-01-11 | Cape Analytics, Inc. | Method for property feature segmentation |
WO2021255514A1 (en) * | 2020-06-15 | 2021-12-23 | Universidade Do Porto | Padding method for convolutional neural network layers adapted to perform multivariate time series analysis |
CN111739000B (zh) * | 2020-06-16 | 2022-09-13 | 山东大学 | 一种提高多个心脏视图左心室分割精确度的系统及装置 |
US11693919B2 (en) * | 2020-06-22 | 2023-07-04 | Shanghai United Imaging Intelligence Co., Ltd. | Anatomy-aware motion estimation |
CN111798462B (zh) * | 2020-06-30 | 2022-10-14 | 电子科技大学 | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 |
CN111754534A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于深度神经网络的ct左心室短轴图像分割方法、装置、计算机设备和存储介质 |
US11216960B1 (en) * | 2020-07-01 | 2022-01-04 | Alipay Labs (singapore) Pte. Ltd. | Image processing method and system |
US11721428B2 (en) | 2020-07-06 | 2023-08-08 | Exini Diagnostics Ab | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
EP3940629A1 (en) * | 2020-07-13 | 2022-01-19 | Koninklijke Philips N.V. | Image intensity correction in magnetic resonance imaging |
CN112001887B (zh) * | 2020-07-20 | 2021-11-09 | 南通大学 | 用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法 |
CN111738268B (zh) * | 2020-07-22 | 2023-11-14 | 浙江大学 | 一种基于随机块的高分遥感图像的语义分割方法及系统 |
CN111928794B (zh) * | 2020-08-04 | 2022-03-11 | 北京理工大学 | 基于深度学习的闭合条纹兼容单幅干涉图解相方法及装置 |
CN111898211B (zh) * | 2020-08-07 | 2022-11-01 | 吉林大学 | 基于深度强化学习的智能车速度决策方法及其仿真方法 |
CN112085162B (zh) * | 2020-08-12 | 2024-02-09 | 北京师范大学 | 基于神经网络的磁共振脑组织分割方法、装置、计算设备及存储介质 |
CN111968112B (zh) * | 2020-09-02 | 2023-12-26 | 广州海兆印丰信息科技有限公司 | Ct三维定位图像的获取方法、装置和计算机设备 |
TWI792055B (zh) * | 2020-09-25 | 2023-02-11 | 國立勤益科技大學 | 利用三維深度學習之心臟超音波判斷模型之建立方法、利用三維深度學習之心臟超音波判斷系統及其方法 |
WO2022061840A1 (en) * | 2020-09-27 | 2022-03-31 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating radiation therapy plan |
US11601661B2 (en) * | 2020-10-09 | 2023-03-07 | Tencent America LLC | Deep loop filter by temporal deformable convolution |
US20220114699A1 (en) * | 2020-10-09 | 2022-04-14 | The Regents Of The University Of California | Spatiotemporal resolution enhancement of biomedical images |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11587236B2 (en) | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11636593B2 (en) | 2020-11-06 | 2023-04-25 | EchoNous, Inc. | Robust segmentation through high-level image understanding |
CN112634243B (zh) * | 2020-12-28 | 2022-08-05 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别系统 |
CN112651987A (zh) * | 2020-12-30 | 2021-04-13 | 内蒙古自治区农牧业科学院 | 一种样方草地覆盖度计算方法及系统 |
CN112750106B (zh) * | 2020-12-31 | 2022-11-04 | 山东大学 | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 |
CN112712527A (zh) * | 2020-12-31 | 2021-04-27 | 山西三友和智慧信息技术股份有限公司 | 一种基于DR-Unet104的医疗图像分割方法 |
CN112734770B (zh) * | 2021-01-06 | 2022-11-25 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多层级联的心脏核磁影像多序列融合分割方法 |
CN112767413B (zh) * | 2021-01-06 | 2022-03-15 | 武汉大学 | 综合区域连通和共生知识约束的遥感影像深度语义分割方法 |
CN112932535B (zh) * | 2021-02-01 | 2022-10-18 | 杜国庆 | 一种医学图像分割及检测方法 |
CN112785592A (zh) * | 2021-03-10 | 2021-05-11 | 河北工业大学 | 基于多重扩张路径的医学影像深度分割网络 |
EP4060608A1 (en) | 2021-03-17 | 2022-09-21 | Robovision | Improved vision-based measuring |
EP4060612A1 (en) | 2021-03-17 | 2022-09-21 | Robovision | Improved orientation detection based on deep learning |
US20220335615A1 (en) * | 2021-04-19 | 2022-10-20 | Fujifilm Sonosite, Inc. | Calculating heart parameters |
CN112989107B (zh) * | 2021-05-18 | 2021-07-30 | 北京世纪好未来教育科技有限公司 | 音频分类和分离方法、装置、电子设备以及存储介质 |
CN113469948B (zh) * | 2021-06-08 | 2022-02-25 | 北京安德医智科技有限公司 | 左心室节段识别方法及装置、电子设备和存储介质 |
CN113284074B (zh) * | 2021-07-12 | 2021-12-07 | 中德(珠海)人工智能研究院有限公司 | 全景图像的目标对象去除方法、装置、服务器及存储介质 |
US11875559B2 (en) * | 2021-07-12 | 2024-01-16 | Obvio Health Usa, Inc. | Systems and methodologies for automated classification of images of stool in diapers |
EP4343708A1 (en) * | 2021-07-12 | 2024-03-27 | Shanghai United Imaging Healthcare Co., Ltd. | Method and apparatus for training machine learning models, computer device, and storage medium |
CN113674235B (zh) * | 2021-08-15 | 2023-10-10 | 上海立芯软件科技有限公司 | 一种基于主动熵采样和模型校准的低代价光刻热点检测方法 |
CN113838001B (zh) * | 2021-08-24 | 2024-02-13 | 内蒙古电力科学研究院 | 基于核密度估计的超声波全聚焦图像缺陷处理方法及装置 |
CN113838027A (zh) * | 2021-09-23 | 2021-12-24 | 杭州柳叶刀机器人有限公司 | 基于图像处理获取目标图像元素的方法及系统 |
US20230126963A1 (en) * | 2021-10-25 | 2023-04-27 | Analogic Corporation | Prediction of extrema of respiratory motion and related systems, methods, and devices |
WO2023075480A1 (ko) * | 2021-10-28 | 2023-05-04 | 주식회사 온택트헬스 | 의료 영상의 예측된 목적 부위에 대한 임상 파라미터를 제공하기 위한 방법, 장치, 레이블링을 위한 의료 영상을 선별하기 위한 방법 및 장치 |
US20230162493A1 (en) * | 2021-11-24 | 2023-05-25 | Riverain Technologies Llc | Method for the automatic detection of aortic disease and automatic generation of an aortic volume |
CN114240951B (zh) * | 2021-12-13 | 2023-04-07 | 电子科技大学 | 一种基于查询的医学图像分割神经网络的黑盒攻击方法 |
CN114549448B (zh) * | 2022-02-17 | 2023-08-11 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法 |
WO2023183486A1 (en) * | 2022-03-23 | 2023-09-28 | University Of Southern California | Deep-learning-driven accelerated mr vessel wall imaging |
CN117197020A (zh) * | 2022-05-23 | 2023-12-08 | 上海微创卜算子医疗科技有限公司 | 二尖瓣开口间距检测方法、电子设备和存储介质 |
WO2023235653A1 (en) * | 2022-05-30 | 2023-12-07 | Northwestern University | Panatomic imaging derived 4d hemodynamics using deep learning |
CN115471659B (zh) * | 2022-09-22 | 2023-04-25 | 北京航星永志科技有限公司 | 语义分割模型的训练方法、分割方法和电子设备 |
CN117036376B (zh) * | 2023-10-10 | 2024-01-30 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013537445A (ja) * | 2010-07-26 | 2013-10-03 | ケイジャヤ、エルエルシー | 内科医が直接用いるのに適応したビジュアライゼーション |
Family Cites Families (110)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5115812A (en) | 1988-11-30 | 1992-05-26 | Hitachi, Ltd. | Magnetic resonance imaging method for moving object |
JP2776844B2 (ja) | 1988-11-30 | 1998-07-16 | 株式会社日立製作所 | 磁気共鳴動体イメージング装置 |
JP3137378B2 (ja) | 1991-09-25 | 2001-02-19 | 株式会社東芝 | 磁気共鳴イメージング装置 |
JP3452400B2 (ja) | 1994-08-02 | 2003-09-29 | 株式会社日立メディコ | 磁気共鳴イメージング装置 |
JP3501182B2 (ja) | 1994-11-22 | 2004-03-02 | 株式会社日立メディコ | 流速画像を算出できる磁気共鳴イメージング装置 |
JP2000506642A (ja) | 1996-02-09 | 2000-05-30 | サーノフ コーポレイション | 不確定の訓練データを用いてオブジェクトを検出及び分類するようにニューラルネットワークを訓練する方法及び装置 |
US6324532B1 (en) | 1997-02-07 | 2001-11-27 | Sarnoff Corporation | Method and apparatus for training a neural network to detect objects in an image |
AU4827700A (en) | 1999-05-05 | 2000-11-17 | Healthgram, Inc. | Portable health record |
US6711433B1 (en) | 1999-09-30 | 2004-03-23 | Siemens Corporate Research, Inc. | Method for providing a virtual contrast agent for augmented angioscopy |
US8166381B2 (en) | 2000-12-20 | 2012-04-24 | Heart Imaging Technologies, Llc | Medical image management system |
US6934698B2 (en) | 2000-12-20 | 2005-08-23 | Heart Imaging Technologies Llc | Medical image management system |
DE10117685C2 (de) | 2001-04-09 | 2003-02-27 | Siemens Ag | Verfahren zur Bearbeitung von Objekten eines standardisierten Kommunikationsprotokolls |
US7139417B2 (en) | 2001-08-14 | 2006-11-21 | Ge Medical Systems Global Technology Company Llc | Combination compression and registration techniques to implement temporal subtraction as an application service provider to detect changes over time to medical imaging |
US7158692B2 (en) | 2001-10-15 | 2007-01-02 | Insightful Corporation | System and method for mining quantitive information from medical images |
US7355597B2 (en) | 2002-05-06 | 2008-04-08 | Brown University Research Foundation | Method, apparatus and computer program product for the interactive rendering of multivalued volume data with layered complementary values |
GB0219408D0 (en) | 2002-08-20 | 2002-09-25 | Mirada Solutions Ltd | Computation o contour |
CN100377165C (zh) | 2003-04-24 | 2008-03-26 | 皇家飞利浦电子股份有限公司 | 无创式左心室的容积测定 |
US7254436B2 (en) | 2003-05-30 | 2007-08-07 | Heart Imaging Technologies, Llc | Dynamic magnetic resonance angiography |
US7805177B2 (en) | 2004-06-23 | 2010-09-28 | M2S, Inc. | Method for determining the risk of rupture of a blood vessel |
US7292032B1 (en) | 2004-09-28 | 2007-11-06 | General Electric Company | Method and system of enhanced phase suppression for phase-contrast MR imaging |
US7127095B2 (en) | 2004-10-15 | 2006-10-24 | The Brigham And Women's Hospital, Inc. | Factor analysis in medical imaging |
EP1659511A1 (en) | 2004-11-18 | 2006-05-24 | Cedara Software Corp. | Image archiving system and method for handling new and legacy archives |
US7736313B2 (en) | 2004-11-22 | 2010-06-15 | Carestream Health, Inc. | Detecting and classifying lesions in ultrasound images |
US8000768B2 (en) | 2005-01-10 | 2011-08-16 | Vassol Inc. | Method and system for displaying blood flow |
US20070061460A1 (en) | 2005-03-24 | 2007-03-15 | Jumpnode Systems,Llc | Remote access |
US7567707B2 (en) | 2005-12-20 | 2009-07-28 | Xerox Corporation | Red eye detection and correction |
CN101243980B (zh) | 2006-12-04 | 2010-12-22 | 株式会社东芝 | X射线计算机断层成像装置和医用图像处理装置 |
US7764846B2 (en) | 2006-12-12 | 2010-07-27 | Xerox Corporation | Adaptive red eye correction |
US8369590B2 (en) * | 2007-05-21 | 2013-02-05 | Cornell University | Method for segmenting objects in images |
US8098918B2 (en) | 2007-09-21 | 2012-01-17 | Siemens Corporation | Method and system for measuring left ventricle volume |
US7806843B2 (en) | 2007-09-25 | 2010-10-05 | Marin Luis E | External fixator assembly |
JP5191787B2 (ja) | 2008-04-23 | 2013-05-08 | 株式会社日立メディコ | X線ct装置 |
US8483466B2 (en) | 2008-05-22 | 2013-07-09 | Hitachi Medical Corporation | Magnetic resonance imaging apparatus and blood vessel image acquiring method |
FR2932599A1 (fr) | 2008-06-12 | 2009-12-18 | Eugene Franck Maizeroi | Procede et dispositif de traitement d'image, notamment pour le traitement d'images medicales pour la determination de vo lumes 3d |
US8379961B2 (en) | 2008-07-03 | 2013-02-19 | Nec Laboratories America, Inc. | Mitotic figure detector and counter system and method for detecting and counting mitotic figures |
US20110230756A1 (en) | 2008-09-30 | 2011-09-22 | University Of Cape Town | Fluid flow assessment |
JP5422171B2 (ja) | 2008-10-01 | 2014-02-19 | 株式会社東芝 | X線画像診断装置 |
US8148984B2 (en) | 2008-10-03 | 2012-04-03 | Wisconsin Alumni Research Foundation | Method for magnitude constrained phase contrast magnetic resonance imaging |
US8301224B2 (en) | 2008-10-09 | 2012-10-30 | Siemens Aktiengesellschaft | System and method for automatic, non-invasive diagnosis of pulmonary hypertension and measurement of mean pulmonary arterial pressure |
EP2355702A1 (en) | 2008-11-13 | 2011-08-17 | Avid Radiopharmaceuticals, Inc. | Histogram-based analysis method for the detection and diagnosis of neurodegenerative diseases |
US20100158332A1 (en) | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
US8457373B2 (en) | 2009-03-16 | 2013-06-04 | Siemens Aktiengesellschaft | System and method for robust 2D-3D image registration |
US8527037B2 (en) * | 2009-04-06 | 2013-09-03 | Sorin Crm S.A.S. | Reconstruction of a surface electrocardiogram from an endocardial electrogram using non-linear filtering |
US10303986B2 (en) | 2009-04-07 | 2019-05-28 | Kayvan Najarian | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning |
US8527251B2 (en) | 2009-05-01 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for multi-component heart and aorta modeling for decision support in cardiac disease |
JP4639347B1 (ja) | 2009-11-20 | 2011-02-23 | 株式会社墨運堂 | 筆記具 |
US20110182493A1 (en) | 2010-01-25 | 2011-07-28 | Martin Huber | Method and a system for image annotation |
US8805048B2 (en) | 2010-04-01 | 2014-08-12 | Mark Batesole | Method and system for orthodontic diagnosis |
US9607373B2 (en) | 2010-08-13 | 2017-03-28 | Smith & Nephew, Inc. | Detection of anatomical landmarks |
US8897519B2 (en) | 2010-09-28 | 2014-11-25 | Siemens Aktiengesellschaft | System and method for background phase correction for phase contrast flow images |
US8374414B2 (en) | 2010-11-05 | 2013-02-12 | The Hong Kong Polytechnic University | Method and system for detecting ischemic stroke |
CN103262120B (zh) | 2010-12-09 | 2017-03-22 | 皇家飞利浦电子股份有限公司 | 图像数据的体积描绘 |
US8600476B2 (en) | 2011-04-21 | 2013-12-03 | Siemens Aktiengesellschaft | Patient support table control system for use in MR imaging |
US20140313222A1 (en) | 2011-06-27 | 2014-10-23 | Koninklijke Philips Electronics N.V. | Anatomical tagging of findings in image data of serial studies |
JP6006307B2 (ja) | 2011-07-07 | 2016-10-12 | ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー | ボリューム測定位相コントラストmriによる総合的心血管解析 |
US9585568B2 (en) | 2011-09-11 | 2017-03-07 | Steven D. Wolff | Noninvasive methods for determining the pressure gradient across a heart valve without using velocity data at the valve orifice |
US8837800B1 (en) | 2011-10-28 | 2014-09-16 | The Board Of Trustees Of The Leland Stanford Junior University | Automated detection of arterial input function and/or venous output function voxels in medical imaging |
US8682049B2 (en) | 2012-02-14 | 2014-03-25 | Terarecon, Inc. | Cloud-based medical image processing system with access control |
US9014781B2 (en) | 2012-04-19 | 2015-04-21 | General Electric Company | Systems and methods for magnetic resonance angiography |
US9165360B1 (en) | 2012-09-27 | 2015-10-20 | Zepmed, Llc | Methods, systems, and devices for automated analysis of medical scans |
US9495752B2 (en) | 2012-09-27 | 2016-11-15 | Siemens Product Lifecycle Management Software Inc. | Multi-bone segmentation for 3D computed tomography |
WO2014120953A1 (en) | 2013-01-31 | 2014-08-07 | The Regents Of The University Of California | Method for accurate and robust cardiac motion self-gating in magnetic resonance imaging |
US9898659B2 (en) | 2013-05-19 | 2018-02-20 | Commonwealth Scientific And Industrial Research Organisation | System and method for remote medical diagnosis |
WO2015031576A1 (en) * | 2013-08-28 | 2015-03-05 | Siemens Aktiengesellschaft | Systems and methods for estimating physiological heart measurements from medical images and clinical data |
US9741116B2 (en) | 2013-08-29 | 2017-08-22 | Mayo Foundation For Medical Education And Research | System and method for boundary classification and automatic polyp detection |
US9406142B2 (en) | 2013-10-08 | 2016-08-02 | The Trustees Of The University Of Pennsylvania | Fully automatic image segmentation of heart valves using multi-atlas label fusion and deformable medial modeling |
US9668699B2 (en) * | 2013-10-17 | 2017-06-06 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US20150139517A1 (en) | 2013-11-15 | 2015-05-21 | University Of Iowa Research Foundation | Methods And Systems For Calibration |
EP3082575A2 (en) * | 2013-12-19 | 2016-10-26 | Cardiac Pacemakers, Inc. | System and method for locating neural tissue |
JP6301133B2 (ja) | 2014-01-14 | 2018-03-28 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置 |
CN106170246A (zh) | 2014-01-17 | 2016-11-30 | 阿特瑞斯公司 | 用于四维(4d)流磁共振成像的设备、方法和产品 |
US9430829B2 (en) | 2014-01-30 | 2016-08-30 | Case Western Reserve University | Automatic detection of mitosis using handcrafted and convolutional neural network features |
KR20150098119A (ko) | 2014-02-19 | 2015-08-27 | 삼성전자주식회사 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
US20150324690A1 (en) | 2014-05-08 | 2015-11-12 | Microsoft Corporation | Deep Learning Training System |
EP4343707A3 (en) | 2014-05-15 | 2024-04-24 | Brainlab AG | Indication-dependent display of a medical image |
KR20160010157A (ko) | 2014-07-18 | 2016-01-27 | 삼성전자주식회사 | 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법 |
US9707400B2 (en) | 2014-08-15 | 2017-07-18 | Medtronic, Inc. | Systems, methods, and interfaces for configuring cardiac therapy |
EP3043318B1 (en) | 2015-01-08 | 2019-03-13 | Imbio | Analysis of medical images and creation of a report |
KR20190047108A (ko) | 2015-03-03 | 2019-05-07 | 난토믹스, 엘엘씨 | 앙상블-기반 연구 추천 시스템 및 방법 |
US10115194B2 (en) | 2015-04-06 | 2018-10-30 | IDx, LLC | Systems and methods for feature detection in retinal images |
US9633306B2 (en) | 2015-05-07 | 2017-04-25 | Siemens Healthcare Gmbh | Method and system for approximating deep neural networks for anatomical object detection |
US10176408B2 (en) | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
WO2017031088A1 (en) | 2015-08-15 | 2017-02-23 | Salesforce.Com, Inc | Three-dimensional (3d) convolution with 3d batch normalization |
US9569736B1 (en) | 2015-09-16 | 2017-02-14 | Siemens Healthcare Gmbh | Intelligent medical image landmark detection |
US9792531B2 (en) | 2015-09-16 | 2017-10-17 | Siemens Healthcare Gmbh | Intelligent multi-scale medical image landmark detection |
US10192129B2 (en) | 2015-11-18 | 2019-01-29 | Adobe Systems Incorporated | Utilizing interactive deep learning to select objects in digital visual media |
US10871536B2 (en) | 2015-11-29 | 2020-12-22 | Arterys Inc. | Automated cardiac volume segmentation |
CN108369642A (zh) | 2015-12-18 | 2018-08-03 | 加利福尼亚大学董事会 | 根据头部计算机断层摄影解释和量化急症特征 |
US10163028B2 (en) | 2016-01-25 | 2018-12-25 | Koninklijke Philips N.V. | Image data pre-processing |
DE102016204225B3 (de) | 2016-03-15 | 2017-07-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur automatischen Erkennung von anatomischen Landmarken und Vorrichtung |
CN105825509A (zh) | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
US9886758B2 (en) | 2016-03-31 | 2018-02-06 | International Business Machines Corporation | Annotation of skin image using learned feature representation |
CN205665697U (zh) | 2016-04-05 | 2016-10-26 | 陈进民 | 基于细胞神经网络或卷积神经网络的医学影像识别诊断系统 |
CN106127725B (zh) | 2016-05-16 | 2019-01-22 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
CN106096632A (zh) | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
CN106096616A (zh) | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
US9589374B1 (en) | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US10582907B2 (en) | 2016-10-31 | 2020-03-10 | Siemens Healthcare Gmbh | Deep learning based bone removal in computed tomography angiography |
US10600184B2 (en) | 2017-01-27 | 2020-03-24 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
US10373313B2 (en) | 2017-03-02 | 2019-08-06 | Siemens Healthcare Gmbh | Spatially consistent multi-scale anatomical landmark detection in incomplete 3D-CT data |
BR112019022447A2 (pt) | 2017-04-27 | 2020-06-09 | Bober Miroslaw | sistema e método para análise de imagem funduscópica automatizada |
EP3629898A4 (en) | 2017-05-30 | 2021-01-20 | Arterys Inc. | AUTOMATED LESION DETECTION, SEGMENTATION AND LONGITUDINAL IDENTIFICATION |
CN107341265B (zh) | 2017-07-20 | 2020-08-14 | 东北大学 | 一种融合深度特征的乳腺图像检索系统与方法 |
US11551353B2 (en) | 2017-11-22 | 2023-01-10 | Arterys Inc. | Content based image retrieval for lesion analysis |
US10902591B2 (en) | 2018-02-09 | 2021-01-26 | Case Western Reserve University | Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (DCE-MRI) |
KR101952887B1 (ko) | 2018-07-27 | 2019-06-11 | 김예현 | 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스 |
KR102575569B1 (ko) | 2018-08-13 | 2023-09-07 | 쑤저우 레킨 세미컨덕터 컴퍼니 리미티드 | 반도체 소자 |
JP7125312B2 (ja) | 2018-09-07 | 2022-08-24 | 富士フイルムヘルスケア株式会社 | 磁気共鳴撮像装置、画像処理装置、及び、画像処理方法 |
US10646156B1 (en) | 2019-06-14 | 2020-05-12 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
-
2018
- 2018-01-25 US US15/879,732 patent/US10600184B2/en active Active
- 2018-01-25 US US15/879,742 patent/US10902598B2/en active Active
- 2018-01-25 WO PCT/US2018/015222 patent/WO2018140596A2/en unknown
- 2018-01-25 JP JP2019540646A patent/JP2020510463A/ja active Pending
- 2018-01-25 CN CN201880020558.2A patent/CN110475505B/zh not_active Expired - Fee Related
- 2018-01-25 EP EP18745114.1A patent/EP3573520A4/en not_active Withdrawn
-
2020
- 2020-02-25 US US16/800,922 patent/US20200193603A1/en not_active Abandoned
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013537445A (ja) * | 2010-07-26 | 2013-10-03 | ケイジャヤ、エルエルシー | 内科医が直接用いるのに適応したビジュアライゼーション |
Non-Patent Citations (3)
Title |
---|
ADAM PASZKE, ET AL.: "ENet: Deep Network Architecture for Real-time Semantic Segmentation", ARXIV, vol. 1606.02147v1, JPN7022000090, 2016, ISSN: 0004845392 * |
KAIMING HE, ET AL.: "Deep Residual Learning for Image Recognition", PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, JPN7022000091, 2016, pages 770 - 778, XP033021254, ISSN: 0004845393, DOI: 10.1109/CVPR.2016.90 * |
OLAF RONNEBERGER, ET AL.: "U-Net: Convolutional Networks for Biomedical Image Segmentation", MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION-MICCAI 2015, JPN7022000089, 2015, pages 234 - 241, XP055786949, ISSN: 0004845391, DOI: 10.1007/978-3-319-24574-4_28 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020038663A (ja) * | 2018-09-05 | 2020-03-12 | 株式会社ストラドビジョン | 障害物を検出する学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{learning method, learning device for detecting obstacles and testing method, testing device using the same} |
Also Published As
Publication number | Publication date |
---|---|
US20180218497A1 (en) | 2018-08-02 |
WO2018140596A2 (en) | 2018-08-02 |
US20200193603A1 (en) | 2020-06-18 |
WO2018140596A3 (en) | 2018-09-07 |
US20180218502A1 (en) | 2018-08-02 |
EP3573520A2 (en) | 2019-12-04 |
CN110475505A (zh) | 2019-11-19 |
US10600184B2 (en) | 2020-03-24 |
EP3573520A4 (en) | 2020-11-04 |
US10902598B2 (en) | 2021-01-26 |
CN110475505B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200193603A1 (en) | Automated segmentation utilizing fully convolutional networks | |
US10871536B2 (en) | Automated cardiac volume segmentation | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
Mahapatra et al. | Image super-resolution using progressive generative adversarial networks for medical image analysis | |
Chakravarty et al. | RACE-net: a recurrent neural network for biomedical image segmentation | |
Jolly | Automatic segmentation of the left ventricle in cardiac MR and CT images | |
Häme et al. | Semi-automatic liver tumor segmentation with hidden Markov measure field model and non-parametric distribution estimation | |
EP1851722B8 (en) | Image processing device and method | |
Abdeltawab et al. | A deep learning-based approach for automatic segmentation and quantification of the left ventricle from cardiac cine MR images | |
Xia et al. | Super-resolution of cardiac MR cine imaging using conditional GANs and unsupervised transfer learning | |
Santiago et al. | Fast segmentation of the left ventricle in cardiac MRI using dynamic programming | |
Kim et al. | Automatic segmentation of the left ventricle in echocardiographic images using convolutional neural networks | |
Bernier et al. | Graph cut-based method for segmenting the left ventricle from MRI or echocardiographic images | |
Laumer et al. | Weakly supervised inference of personalized heart meshes based on echocardiography videos | |
Sanchez-Ortiz et al. | Knowledge-based tensor anisotropic diffusion of cardiac magnetic resonance images | |
Sander et al. | Reconstruction and completion of high-resolution 3D cardiac shapes using anisotropic CMRI segmentations and continuous implicit neural representations | |
Ribeiro et al. | Left ventricle segmentation combining deep learning and deformable models with anatomical constraints | |
Arega et al. | Using Polynomial Loss and Uncertainty Information for Robust Left Atrial and Scar Quantification and Segmentation | |
Niu et al. | Structured graph regularized shape prior and cross-entropy induced active contour model for myocardium segmentation in CTA images | |
CN112862785A (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112862786A (zh) | Cta影像数据处理方法、装置及存储介质 | |
Pereira | A comparison of deep learning algorithms for medical image classification and image enhancement | |
Amor | Bone segmentation and extrapolation in Cone-Beam Computed Tomography | |
Pérez-Pelegrí et al. | Convolutional Neural Networks for Segmentation in Short-Axis Cine Cardiac Magnetic Resonance Imaging: Review and Considerations | |
Oria | Computational Intelligence for Abdominal Aortic Aneurysm Imaging Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210122 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210122 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220118 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220809 |