JP2020525127A - 仮想膵臓撮影法のためのシステム、方法、およびコンピュータ・アクセス可能媒体 - Google Patents

Abstract

医用イメージング・データを使用して、嚢胞性病変についてスクリーニングするためのシステム、方法、およびコンピュータ・アクセス可能媒体は、例えば、１人の患者の器官に対する第１のイメージング情報を受信することと、嚢胞性病変を指し示す組織タイプを含む、複数の組織タイプを識別するために、第１のイメージング情報に対してセグメンテーション動作を遂行することにより第２のイメージング情報を生成することと、第２のイメージング情報内の嚢胞性病変を識別することと、第１の分類器および第２の分類器を嚢胞性病変に適用して、複数の嚢胞性病変タイプのうちの１つまたは複数へと嚢胞性病変を分類することとを含むことができる。第１の分類器は、ランダム・フォレスト分類器であり得るものであり、第２の分類器は、畳み込みニューラル・ネットワーク分類器であり得る。畳み込みニューラル・ネットワークは、少なくとも６つの畳み込み層を含むことができ、少なくとも６つの畳み込み層は、最大プーリング層と、ドロップアウト層と、全結合層とを含むことができる。【選択図】図１

Description

関連出願の相互参照
本出願は、その開示全体が参照により本明細書に組み込まれている、２０１７年６月２６日に出願された米国特許出願第６２／５２４，８１９号に関し、その優先権を主張するものである。

連邦政府により資金提供を受けた研究に関する記載
本発明は、米国国立科学財団により授与された、交付番号ＣＮＳ−０９５９９７９、ＩＩＰ １０６９１４７、およびＣＮＳ−１３０２２４６のもとでの政府助成によって為されたものである。政府は、本発明において所定の権利を有する。

本開示は、一般に、医用イメージングに関し、より詳細には、仮想膵臓撮影法のための例示的なシステム、方法、およびコンピュータ・アクセス可能媒体の例示的な実施形態に関する。

膵臓がんまたは膵管腺がん（「ＰＤＡＣ」）は、公式に知られ得るように、きわめて不健康な予後、および、９％未満の総体的な５年生存率を伴う、すべてのがんのうちの最も致命的なものの１つであり得る。この疾患の特異的な早期症候はなく、症例の大部分は、がんが膵臓を越えて広がった後の進行期において診断される。

ＰＤＡＣの前兆の早期検出は、浸潤性ＰＤＡＣの発病を防止する機会を供し得る。ＰＤＡＣの３つの前兆のうちの２つ、膵管内乳頭粘液性腫瘍（「ＩＰＭＮ」）および粘液性嚢胞腫瘍（「ＭＣＮ」）は、膵嚢胞性病変を形成する。これらの嚢胞性病変は、一般的なものであり、コンピュータ断層撮影法（「ＣＴ」）および磁気共鳴イメージング（「ＭＲＩ」）などの現在利用可能なイメージング・モダリティによって検出するのが容易であり得る。ＩＰＭＮおよびＭＣＮは、相対的に容易に識別され、ＰＤＡＣの早期識別に対する潜在的可能性を供し得る。しかしながら、多くの他のタイプの膵嚢胞性病変が存在するため、問題が複雑化することがある。これらの病変は、外科的介入を要さない、漿液性嚢胞腺腫（「ＳＣＡ」）などの、全体として良性または非がん性の嚢胞から、悪性であり得るものであり、外科的切除を受けるべきである、充実性偽乳頭状腫瘍（「ＳＰＮ」）までの範囲に及ぶ。これらの問題により、嚢胞のタイプを正しく識別して、適切な差配を確実にすることの重要性が強調される。（例えば、参考文献１を参照されたい）。

膵嚢胞性病変の大多数は、ＣＴスキャンにおいて偶然に発見され得るものであり、そのことが、ＣＴを、診断のためのイメージング・データの第１の利用可能なソースにする。患者の年齢および性別などの一般的な人口統計的特性に加えて、ＣＴイメージング所見の組み合わせが、異なるタイプの膵嚢胞性病変を判別するために使用され得る。（例えば、参考文献１を参照されたい）。しかしながら、膵嚢胞性病変の放射線学的画像の手作業での検討により、嚢胞性病変タイプを正しく識別することは、経験豊富な放射線科医にとってさえ難題であり得る。最近の研究（例えば、参考文献２を参照されたい）は、腹部イメージングにおいて１０年より多い経験を伴う２人の読み取る人により遂行された、ＣＴスキャンに関しての１３０の膵嚢胞性病変の判別に対する６７〜７０％の正確性を報告した。

コンピュータ支援診断（「ＣＡＤ」）手順の使用は、放射線科医を援助することのみではなく、さらには、ＣＴスキャンにおいて識別される様々な膵嚢胞性病変の区別の信頼性および客観性を向上させることができる。多くの手順が、様々な器官においての良性および悪性の腫瘤の非侵襲性分析に対して提案されたが、膵嚢胞性病変タイプを分類するためのＣＡＤ手順は存しない。

したがって、本明細書において上記で説明された欠陥のうちの少なくとも一部を克服することができる、仮想膵臓撮影法のための例示的なシステム、方法、およびコンピュータ・アクセス可能媒体を提供することは有益であり得る。

（例えば、嚢胞性病変のセグメンテーションおよび視覚化のために）医用イメージング・データを使用して、嚢胞についてスクリーニングするためのシステム、方法、およびコンピュータ・アクセス可能媒体は、例えば、１人の患者の器官に対する第１のイメージング情報を受信することと、嚢胞を指し示す組織タイプを含む、複数の組織タイプを識別するために、第１のイメージング情報に対してセグメンテーション動作を遂行することにより第２のイメージング情報を生成することと、第２のイメージング情報内の嚢胞を識別することと、第１の分類器および第２の分類器を嚢胞に適用して、複数の嚢胞性病変タイプのうちの１つまたは複数へと嚢胞を分類することとを含むことができる。第１の分類器は、ランダム・フォレスト分類器であり得るものであり、第２の分類器は、畳み込みニューラル・ネットワーク分類器であり得る。畳み込みニューラル・ネットワークは、少なくとも６つの畳み込み層を含むことができ、少なくとも６つの畳み込み層は、最大プーリング層と、ドロップアウト層と、全結合層とを含むことができる。

本開示の一部の例示的な実施形態において、最大プーリング層は、３つの最大プーリング層を含むことができ、ドロップアウト層は、２つのドロップアウト層を含むことができ、全結合層は、３つの全結合層を含むことができる。３つの全結合層は、２つのドロップアウト層を含むことができる。第２のイメージング情報は、第１のイメージング情報を、嚢胞性病変を視覚化することにおいての使用のために前景および背景へとセグメンテーションすることにより生成され得る。前景は、膵臓腺を含むことができ、背景は、複数のさらなる嚢胞性病変を含むことができる。第２の情報は、嚢胞性病変を視覚化するために使用され得る前景および背景に対する複数のセグメンテーション輪郭を生成することにより生成され得る。第１の分類器は、患者に対する特性を分析することにより適用され得るものであり、特性は、（ｉ）患者の年齢、（ｉｉ）患者の性別、（ｉｉｉ）膵臓腺においての嚢胞の場所、（ｉｖ）嚢胞の形状、または（ｉｖ）嚢胞の強度特性を含むことができる。

本開示の所定の例示的な実施形態において、特性は、前景のセグメンテーション輪郭または強度特性に基づいて生成され得る。セグメンテーション動作は、自動化されたセグメンテーション手順であり得る。第２のイメージング情報は、第１のイメージング情報を、ユーザに（例えば、視覚化のために）表示することと、第１のイメージング情報を、ユーザから受信される入力に基づいてセグメンテーションすることとにより生成され得る。第１の分類器は、クラス確率の第１のセットを生成するために、嚢胞に適用され得るものであり、第２の分類器は、クラス確率の第２のセットを生成するために、嚢胞に適用され得る。嚢胞は、ベイジアン組み合わせをクラス確率の第１のセット、および、クラス確率の第２のセットに適用することにより分類され得る。

本開示の一部の例示的な実施形態において、嚢胞は、（ｉ）膵管内乳頭粘液性腫瘍、（ｉｉ）粘液性嚢胞腫瘍、（ｉｉｉ）漿液性嚢胞腺腫、または（ｉｖ）充実性偽乳頭状腫瘍と分類され得る。分類は、嚢胞が、（ｉ）膵管内乳頭粘液性腫瘍、（ｉｉ）粘液性嚢胞腫瘍、（ｉｉｉ）漿液性嚢胞腺腫、または（ｉｖ）充実性偽乳頭状腫瘍であり得るという確率を含むことができる。嚢胞は、患者の膵臓において場所決めされ得る。第１のイメージング情報は、磁気共鳴イメージング情報またはコンピュータ断層撮影法イメージング情報を含むことができる。磁気共鳴イメージング情報およびコンピュータ断層撮影法イメージング情報は、医者による視覚化のためのセグメンテーション手順を使用するセグメントであり得る。セグメンテーションされた嚢胞性病変は、さらには、１つまたは複数の分類器を使用して分類され得る。

さらに、解剖学的構造のマルチ・ラベル・セグメンテーションのための例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、解剖学的構造に対する複数の単一ラベル・データセットに関係付けられる第１のイメージング情報を受信することと、解剖学的構造に対する複数のクラス・ラベルに関係付けられる第２の情報を受信することと、第３の情報を、畳み込みニューラル・ネットワーク（ＣＮＮ）を使用して第１のイメージング情報に基づいて第２の情報を符号化することにより生成することと、第４の情報を、ＣＮＮを使用して第３の情報を復号化することにより生成することと、解剖学的構造を、第４の情報に基づいてセグメンテーションすることとを含むことができる。

本開示の一部の例示的な実施形態において、第３の情報は、複数の符号化層を使用して生成され得るものであり、第４の情報は、複数の復号化層を使用して生成され得る。第３の情報は、符号化層のうちの１つに対する特徴マップを符号化層のうちの前の１つに基づいて連結することにより生成され得るものであり、第４の情報は、復号化層のうちの１つに対する特徴マップを復号化層のうちの前の１つに基づいて連結することにより生成され得る。符号化層は、畳み込み層と、少なくとも３つの最大プーリング層とを含むことができる。符号化層は、各々の密なブロック内に、各々の密なブロックの深さに比例する、特定の数の特徴チャネルを含むことができる。

本開示の所定の例示的な実施形態において、第４の情報は、符号化層とトポロジー的に対称である、アップサンプリング層としての、ストライドを有する複数の転置畳み込みを使用して生成され得る。復号化層のうちの１つは、シグモイド関数を含むことができる。解剖学的構造は、腹部器官であり得る。符号化層または復号化層は、例えば、セグメンテーションされるターゲット・ラベルを使用して条件付けされ得る。

本開示の例示的な実施形態の、これらおよび他の、目的、特徴、および利点は、添付される特許請求の範囲とあいまって解されるときに、本開示の例示的な実施形態の、後に続く詳細な説明を読むことで明らかになるであろう。

本開示のさらなる目的、特徴、および利点は、本開示の例解的な実施形態を示す、付随する図とあいまって解される、後に続く詳細な説明から明らかになるであろう。

図１は、本開示の例示的な実施形態による、例示的な視覚化システムにおいて使用される画像を生成するための例示的な方法の図である。 図２Ａは、本開示の例示的な実施形態による、膵臓の中の嚢胞性病変の場所を示す画像である。 図２Ｂは、本開示の例示的な実施形態による、膵臓の中の嚢胞性病変の場所を示す画像である。 図２Ｃは、本開示の例示的な実施形態による、膵臓の中の嚢胞性病変の場所を示す画像である。 図２Ｄは、本開示の例示的な実施形態による、膵臓の中の嚢胞性病変の場所を示す画像である。 図３は、本開示の例示的な実施形態による、嚢胞性病変の輪郭を例解する画像のセットの図である。 図４Ａ〜４Ｃは、本開示の例示的な実施形態による、分類手順の概略図である。 図５は、本開示の例示的な実施形態による、例示的な視覚化インターフェイスの画像の図である。 図５（１）の続きである。 図６は、本開示の例示的な実施形態による、例示的な視覚化インターフェイスのさらなる画像である。 図６（１）の続きである。 図７Ａは、本開示の例示的な実施形態による、画像をセグメンテーションするときの中間画像結果成果の図である。 図７Ｂは、本開示の例示的な実施形態による、画像をセグメンテーションするときの中間画像結果成果の図である。 図７Ｃは、本開示の例示的な実施形態による、画像をセグメンテーションするときの中間画像結果成果の図である。 図７Ｄは、本開示の例示的な実施形態による、画像をセグメンテーションするときの中間画像結果成果の図である。 図７Ｅは、本開示の例示的な実施形態による、画像をセグメンテーションするときの中間画像結果成果の図である。 図７Ｆは、本開示の例示的な実施形態による、画像をセグメンテーションするときの中間画像結果成果の図である。 図８は、本開示の例示的な実施形態による、セグメンテーションされた画像のセットの図である。 図９は、本開示の例示的な実施形態による、３Ｄ有向境界ボックス、および、関連付けられる測定を示す図である。 図１０は、本開示の例示的な実施形態による、２Ｄスライス・ビューの画像である。 図１１は、本開示の例示的な実施形態による、中心線に直交する再構築された２Ｄスライスを例解する画像である。 図１２は、本開示の例示的な実施形態による、中心線の３Ｄ画像である。 図１３は、本開示の例示的な実施形態による、導管の３Ｄ画像である。 図１４は、本開示の例示的な実施形態による、視覚化インターフェイスのための高等のレンダリング・パラメータの例示的な画像の図である。 図１５Ａは、本開示の例示的な実施形態による、変形された膵臓の２Ｄ画像である。 図１５Ｂは、本開示の例示的な実施形態による、図１５Ａからの変形された膵臓の３Ｄ画像である。 図１６Ａは、本開示の例示的な実施形態による、解剖学的構造のセグメンテーションの画像である。 図１６Ｂは、本開示の例示的な実施形態による、解剖学的構造のセグメンテーションの画像である。 図１６Ｃは、本開示の例示的な実施形態による、解剖学的構造のセグメンテーションの画像である。 図１６Ｄは、本開示の例示的な実施形態による、解剖学的構造のセグメンテーションの画像である。 図１６Ｅは、本開示の例示的な実施形態による、解剖学的構造のセグメンテーションの画像である。 図１７Ａは、本開示の例示的な実施形態による、例示的な畳み込みニューラル・ネットワークの概略図である。 図１７Ｂは、本開示の例示的な実施形態による、符号化器に対して遂行され得る条件付けの図である。 図１７Ｃは、本開示の例示的な実施形態による、復号化器に対して遂行され得る条件付けの図である。 図１８Ａは、本開示の例示的な実施形態による、様々な例示的なモデルに対する学習曲線のグラフである。 図１８Ｂは、本開示の例示的な実施形態による、様々な例示的なモデルに対する学習曲線のグラフである。 図１８Ｃは、本開示の例示的な実施形態による、様々な例示的なモデルに対する学習曲線のグラフである。 図１８Ｄは、本開示の例示的な実施形態による、様々な例示的なモデルに対する学習曲線のグラフである。 図１８Ｅは、本開示の例示的な実施形態による、様々な例示的なモデルに対する学習曲線のグラフである。 図１９本開示の例示的な実施形態による、例示的なＣＴ画像のセットの図である。 図２０Ａは、本開示の例示的な実施形態による、医用イメージング・データを使用して、１つまたは複数の嚢胞性病変についてスクリーニングするための例示的な方法のフロー図である。 図２０Ｂは、本開示の例示的な実施形態による、解剖学的構造のマルチ・ラベル・セグメンテーションのための例示的な方法のフロー図である。 図２１は、本開示の所定の例示的な実施形態による、例示的なシステムの例示的なブロック図の例解の図である。

図面の全体を通して、同じ参照番号および符号は、別段に説述されない限り、例解される実施形態の類似の特徴、要素、構成要素、または一部分を表象するために使用される。なおまた、本開示は、今から、図を参照して詳細に説明されることになるが、本開示は、例解的な実施形態に関してそのように行われ、図、および、添付される特許請求の範囲において例解される個別の実施形態により制限されない。

本明細書において説明される本発明の実施形態は、仮想膵臓撮影法（「ＶＰ」）のための例示的なシステム、方法、およびコンピュータ・アクセス可能媒体を提供する。この例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、コンピュータ断層撮影法（「ＣＴ」）または磁気共鳴イメージング（「ＭＲＩ」）などの、腹部スキャンからの膵嚢胞性病変の非侵襲性放射線学的評価のためのソフトウェア・ツールを含むことができる。膵臓腺および膵嚢胞性病変の、医師誘導の、または自動的なセグメンテーションが提供され得るものであり、そのセグメンテーションは、嚢胞性病変タイプ（例えば、膵管内乳頭粘液性腫瘍、粘液性嚢胞腫瘍、漿液性嚢胞腺腫、および充実性偽乳頭状腫瘍）への病理組織学的分類のための、セグメンテーションされた膵嚢胞性病変の自動的な画像分析、ならびに、３Ｄレンダリングおよび測定潜在能力を伴う包括的な視覚化インターフェイスを含む。

当該例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、医師、例えば典型的には放射線科医を援助して、診断の正確性を改善すること、および、ＣＴまたはＭＲＩなどの放射線学的スキャンにおいて識別される様々な膵嚢胞性病変の区別の客観性を向上させることができる。当該例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、膵嚢胞性病変の早期検出をサポートすることができ、そのことは、実質的に、膵臓がんに対する生存率を変化させることができる。

図１は、本開示の例示的な実施形態による、例示的な分類および視覚化システムにおいて使用される画像を生成するための例示的な方法１００を示す。例えば、手順１０５において、患者スキャン（例えば、患者のＣＴスキャンまたはＭＲＩスキャン）が受けられ得る。手順１１０において、自動化または半自動化されたセグメンテーション手順が、器官および潜在的な嚢胞性病変などの、組織タイプの様々な領域を識別するために、患者スキャンに関して遂行され得る。手順１１５において、嚢胞性病変分類手順が、潜在的な嚢胞性病変を複数の嚢胞性病変タイプのうちの１つへと分類するために、セグメンテーションされた患者スキャンに関して遂行され得る。手順１２０において、手順１１０および１１５の結果が、例えば放射線科医による視認のために、３Ｄ視覚化インターフェイス内へと入力され得る。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、膵臓および嚢胞性病変セグメンテーションを含むことができる。具体的には、ＶＰシステムは、膵臓腺、嚢胞性病変、および導管の、医師／技師誘導の、または自動的なセグメンテーションを遂行するためのモジュールを含むことができる。医師誘導のモジュールは、関心の領域をパラメータ化するための境界ボックス配置のためのツール、ならびに、前景（膵臓腺および嚢胞性病変）および背景の代表的な区域上でストーク（ｓｔｏｋｅ）を描くための「ブラシ」または「マーカ」ツールを伴う、グラフィカル・ユーザ・インターフェイスを含むことができる。モジュールは、この情報、および、元のスキャン画像を使用して、大まかなセグメンテーション輪郭を生成することができ、それらの輪郭は、次いで、前景要素と背景要素との間の最終的なセグメンテーション境界を創出するために、ランダム・ウォーカ手順により精緻化され得る。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、嚢胞性病変分類を含むことができる。膵嚢胞性病変の判別のために放射線科医により使用される、最も一般的な特徴は、患者の性別および年齢、ならびに、膵臓の中の嚢胞性病変の場所、形状、および、嚢胞性病変の全体的な外観を含む。（例えば、図２Ａ〜２Ｄを参照されたい）。例えば、ＭＣＮ（例えば、図２Ｃおよび図３、要素３１５を参照されたい）およびＳＰＮ（例えば、図２Ｄおよび図３要素３２０を参照されたい）は、しばしば、閉経前年齢の女性に存在し、一方で、ＩＰＭＮ（例えば、図２Ｂおよび図３要素３１０を参照されたい）は、男性と女性との間で等しい分布を有し、典型的には、６０歳代後半の患者に現れる。ＭＣＮおよびＳＰＮの圧倒的多数は、膵臓の胴部または尾部において生出し、一方で、他のタイプは、そのような傾向を示さない。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、すべてのこれらの特徴を利用して、ＭＣＮおよびＳＰＮの存在の最終的な確率を生み出すことができる。例示的なＣＮＮは、同時的な自動的な、膵臓腺および嚢胞性病変のセグメンテーション、ならびに、嚢胞性病変の病理組織学的分類のために使用され得る。ＣＴスキャンからの放射線学的特徴および空間的情報が使用され得るものであり、嚢胞性病変の病理組織学的タイプと、膵臓腺の中のその嚢胞性病変の場所、その嚢胞性病変の形状、および、その嚢胞性病変の放射線学的外観との間の関係性が符号化され得る。

図４Ａにおいて例解されるように、ＶＰシステムの分類モジュールは、膵嚢胞性病変の輪郭、元のイメージング・スキャン、ならびに、患者の年齢および性別を使用して、自動的な病理組織学的分析を遂行することができる。分類モジュールは、（ｉ）患者の年齢および性別、膵臓腺の中の嚢胞性病変の場所、スキャンの輪郭および強度から導出されるその嚢胞性病変の形状および強度特性などの要因４１０を分析することができる確率的ランダム・フォレスト分類器４２０と、（ｉｉ）嚢胞性病変の高レベル・イメージング特性を分析することができる、図４Ｂにおいて例示される、畳み込みニューラル・ネットワークとを含むことができる。図４Ｃを参照すると、これらの２つのモジュールは、４つの最も一般的な膵嚢胞性病変タイプと、嚢胞性病変の特性との間の関係性を符号化するために、ベイジアン組み合わせ４５５へと組み合わされ得るものであり、したがって、個別のタイプのものであることの嚢胞性病変の最終的な確率４６０を生み出すことができる。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、視覚化インターフェイスを含むことができ、そのインターフェイスの例が、図５および６において描写されている。ＶＰシステムの視覚化モジュールは、全体的な、および膵臓／嚢胞性病変に特定的な、３Ｄボリューム・レンダリングおよび測定のための、セグメンテーション輪郭のオプションのオーバーレイを伴う、元のスキャン画像の２Ｄ視覚化のためのツールを提供することができる。加えて、このモジュールは、膵臓の中心線に、または膵管に直交する、元の２Ｄスライスを再構築するように構成され得る。このことは、嚢胞性病変の内部的アーキテクチャへの、および、嚢胞性病変／膵臓関係性を理解することにおいての、追加的な洞察を提供することができる。測定ツールは、嚢胞性病変の、手作業での距離、測定、ならびに、体積および最大広がりを含むことができる。病理組織学的分類の結果は、視覚化インターフェイス内の定められたウィンドウ内で示される。

セグメンテーションは、視覚化および診断をサポートする医用システム内の構成要素である。従前の臨床診療において、セグメンテーションが必要とされるならば、それは一般的には、臨床医または技師により手作業で遂行される。しかしながら、手作業でのセグメンテーションは、時間を消費し、面倒であり、オペレータに依存的であり得る。結果的に生じる線引きの、高いオペレータ内およびオペレータ間変動性は、セグメンテーション・プロセスを、より精密でない、および再現不可能なものにする。手作業でのセグメンテーションと対照的に、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、画像を半自動的にセグメンテーションすること、または、何らのユーザ入力もなしに画像を自動的にセグメンテーションすることのいずれかができる。畳み込みニューラル・ネットワーク（「ＣＮＮ」）が使用され得るものであり、そのことは、様々な器官のセグメンテーションを含む、広い範囲の医用応用例においてのものである。例示的なＣＮＮは、例えば、ＣＴスキャン・データに関する微細なテクスチャ的および空間的情報を分析して、出力を生み出すことができる、膵臓腺および嚢胞性病変の自動的なセグメンテーションのために、訓練および評価され得る。この分析された情報は、さらには、嚢胞性病変病理組織学的分類のために使用され得る。

例示的なデータ収集
Ｓｉｅｍｅｎｓ ＳＯＭＡＴＯＭスキャナ（例えば、Ｓｉｅｍｅｎｓ Ｍｅｄｉｃａｌ Ｓｏｌｕｔｉｏｎｓ、ペンシルベニア州マルバーン）によって集められた１３４個の腹部コントラスト強調ＣＴスキャンを内包した、例示的なデータセットが使用された。このデータセットは、４つの最も一般的な膵嚢胞性病変：７４症例のＩＰＭＮ、１４症例のＭＣＮ、２９症例のＳＣＡ、および、１７症例のＳＰＮからなる。すべてのＣＴ画像は、０．７５ｍｍスライス厚さを有する。対象者（例えば、４３人の男性、９１人の女性）の年齢は、１９から８９歳の範囲に及ぶ（例えば、平均年齢５９．９±１７．４歳）。

さらなる例示的なデータセットは、３１９個の膵臓ＣＴデータセット（例えば、様々な嚢胞性病変を伴う３１０個、および、９人の健常患者）を含んだ。これらのうち、１８２症例は、手作業でのセグメンテーションを含んだ。わかっている嚢胞性病変タイプ、および、ラベルされないデータセットの数が、手作業でのセグメンテーションの対応する数とともに、下記の表１において示される。

コンピュータ支援嚢胞性病変分析の重要な側面は、セグメンテーションであり得る。例示的な分類手順の有効性およびロバスト性は、部分的には、セグメンテーション輪郭の精密度に依存し得る。図３を参照すると、様々な嚢胞性病変の輪郭が、半自動化されたグラフ・ベースのセグメンテーション手順により取得されたものであり（例えば、参考文献３を参照されたい）、経験豊富な放射線科医により、ＳＣＡ３０５、ＩＰＭＮ３１０、ＭＣＮ３１５、およびＳＰＮ３２０と確認された。各々の対象者に対する病理組織学的診断は、膵臓病理医により、引き続いて切除された標本に基づいて確認された。セグメンテーション手順の後に続いたのが、現況技術のＢＭ４Ｄ強調フィルタを使用するノイズ除去手順であった。（例えば、参考文献４を参照されたい）。

例示的な方法
例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、膵嚢胞性病変に対する正確な病理組織学的区別を提供することができる。図４Ａ〜４Ｃは、本開示の例示的な実施形態による、例示的な分類手順の概略を示す。この例示的なモデルは、（ｉ）手作業で選択される定量的特徴を分析するために使用され得る確率的ランダム・フォレスト（「ＲＦ」）分類器４２０と、（ｉｉ）より良好な区別のために高レベル・イメージング特徴を発見するために訓練される畳み込みニューラル・ネットワーク（「ＣＮＮ」）４３５とを含むことができる。

例えば、図４Ａは、セグメンテーションされた嚢胞性病変４０５から定量的特徴４１０のベクトルを分類するために訓練されるランダム・フォレスト分類器を示す。定量的特徴４１０は、年齢、性別、場所、強度統計、および形状特徴を含むことができるが、それらに限られない。定量的特徴４１０は、クラス確率４２５を生み出すために、併合され４１５、ＲＦ分類器４２０内へと入力され得る。例示的なＣＮＮアーキテクチャが、図４Ｂにおいて示される。セグメンテーションされた嚢胞性病変４０５は、６４画素×６４画素画像４３０へとサイズ再設定され得る。六（６）個の畳み込み層が、図４Ｂにおいて示される（例えば、３つの最大プーリング層４３５、および、３つの全結合（「ＦＣ」）層４４５であり、それらの全結合層のうちの２つは、ドロップアウト層４４０であり得るものであり、それらの層はすべて、クラス確率４５０を生み出すために使用され得る。図４Ｃにおいて示されるように、図４Ａからのクラス確率４２５、および、図４Ｂからのクラス確率４５０は、クラス確率４６０を生成するために使用され得るベイジアン組み合わせ４５５を形成することができる。ＶＰシステムの文脈においてのクラス確率は、例えば、ＩＰＭＮ、ＭＣＮ、ＳＣＮ、およびＳＰＮを含み得る。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、患者の一般的な人口統計的情報、および、嚢胞性病変のＣＴ結像を利用することができる。そのことは、下位クラス固有の人口統計的属性（例えば、年齢および性別）、嚢胞性病変の、場所（例えば、頭部、胴部、および尾部）、強度、および形状特徴を学習することができるＲＦ分類器４２０、ならびに、微細なテクスチャ情報を利用することができるＣＮＮの、ベイジアン組み合わせ４５５に基づくものであり得る。

データセットのサイズに基づいて、ＲＦおよびＣＮＮは、２つの別個の分類器として利用され得る。代替的に、ＲＦおよびＣＮＮは、単一の分類器において使用され得る。ＲＦおよびＣＮＮを２つの別個の分類器として使用することは有利であり得るものであり、なぜならば、ＲＦ分類器は、患者人口統計的情報を利用することにより、弁別的なイメージング特徴を有さない、小さい嚢胞性病変を分類することにおいて、より良好な性能を示すことができ、ＣＮＮは、大きい嚢胞性病変を分析することにおいて、類似の性能を示すことができるからである。ＲＦおよびＣＮＮ分類器を独立的に訓練した後、ベイジアン組み合わせが遂行されることが、よりロバストおよび正確な分類器が、最終的な決定を為すことにおいて、より多くの力を有するということを確実にするために行われた。

開発された分類手順の性能がテストされることが、１３４個のデータセットに関して層化１０分割交差検証戦略を使用し、嚢胞性病変クラスの起こり得る過剰および不足表現を回避するために、データセットを訓練およびテストすることにおいて類似のデータ分布を維持して行われた。各々の嚢胞性病変タイプに対する分類正確性が、下記の表２において要約される。

例示的な定量的特徴およびランダム・フォレスト
初期膵嚢胞性病変区別に対して使用され得る、医学文献において論考される最も一般的な特徴は、対象者の性別および年齢、ならびに、嚢胞性病変の、場所、形状、および、全体的な外観を必然的に含む。（例えば、参考文献２を参照されたい）。１４個の定量的特徴のセットＱが、（ｉ）患者の年齢ａ∈Ｑおよび性別ｇ∈Ｑ、（ｉｉ）嚢胞性病変場所ｌ∈Ｑ、（ｉｉｉ）強度Ｉ⊂Ｑ、ならびに、（ｉｖ）嚢胞性病変の形状Ｓ⊂Ｑ特徴により、個別の症例を記述するために定義され得る。これらの特徴の重要性および判別力が、下記で説明される。
１．年齢および性別。いくつもの研究が、患者の年齢および性別と、膵嚢胞性病変の所定のタイプとの間の強い相関を報告した。（例えば、参考文献１および５を参照されたい）。例えば、ＭＣＮおよびＳＰＮは、しばしば、閉経前年齢の女性に現れる。対照的に、ＩＰＭＮは、男性と女性との間で等しい分布を有し、典型的には、６０歳代後半の患者に現れる。
２．嚢胞性病変場所。所定の嚢胞性病変タイプは、膵臓の中の個別の場所において見出され得る。例えば、ＭＣＮの圧倒的多数は、膵臓の胴部または尾部において生出する。
３．強度特徴。均質性、対、隔壁形成、石灰化、または充実性構成要素の一般的な存在などの、膵嚢胞性病変の微細な構造においての違いに起因して、それぞれ強度の、平均、標準偏差、尖度、歪度、および中央値であり得る、セット
が、粗い初期区別に対する大域的強度特徴として使用され得る。
４．形状特徴。膵嚢胞性病変は、さらには、カテゴリに依存する形状においての違いをあらわにすることがある。具体的には、嚢胞性病変は、３つのカテゴリ：平滑な形状の、分葉状の、および、多形性の嚢胞性病変へとグループ化され得る。（例えば、参考文献５を参照されたい）。嚢胞性病変の形状の異なる特性を捕捉するために、中で要約される、体積Ｖ∈Ｓ、表面積ＳＡ∈Ｓ、表面積対体積比ＳＡ／Ｖ∈Ｓ、矩形性ｒ∈Ｓ、凸性ｃ∈Ｓ、および、偏心度ｃ∈Ｓ特徴が使用され得る。（例えば、参考文献６を参照されたい）。

わかっている病理組織学的サブタイプｙ_ｉ∈Ｙ＝｛ＩＰＭＮ，ＭＣＮ，ＳＣＡ，ＳＰＮ｝の膵嚢胞性病変の例ｘ_ｉのセットＤ＝｛（ｘ_１，ｙ_１），…，（ｘ_ｋ，ｙ_ｋ）｝を与えられると、セットＤ内のすべてのｋ個の試料に対する記述された特徴の連結
が確定され得る。

特徴抽出の後に続いて、ＲＦ分類器４２０が、初見の嚢胞性病変試料ｘ_ｍに対して計算された特徴ベクトルｑ_ｍの分類を遂行するために使用され得る。ＲＦベースの分類器は、高い、予測の正確性および計算効率を有して、数多くの医用応用例を含む、様々な分類タスクにおいて優れた性能を示した。（例えば、参考文献７および８を参照されたい）。

Ｔ個の決定木のフォレストが使用され得る。各々の決定木θ_ｔは、特徴ベクトルｑ_ｍを与えられると、病理組織学的クラスｙの条件付き確率
を予測することができる。最終的なＲＦクラス確率は、後に続くもののように見出され得る。

例示的なＣＮＮ
提案された定量的特徴に関して訓練されるＲＦは、適度に高い正確性を伴う膵嚢胞性病変分類のために使用され得る。しかしながら、高い一般化潜在的可能性を有するにもかかわらず、提案された例示的な特徴は、イメージング情報をフルに活かさないことがある。特に、膵嚢胞性病変の内部的構造の変動に起因して、それらの特徴は、異なる放射線学的特性を示すことがある：（ｉ）ＳＣＡ嚢胞性病変は、しばしば、中心瘢痕（ｓｔａｒ）または隔壁形成によってハチの巣と類似の外観を有し、（ｉｉ）ＭＣＮ嚢胞性病変は、周辺の石灰化によって「嚢胞性病変の中の嚢胞性病変」外観をあらわにし、（ｉｉｉ）ＩＰＭＮ嚢胞性病変は、「ブドウの房」と類似の外観をレンダリングする傾向があり、ＳＰＮ嚢胞性病変は、典型的には、充実性および嚢胞性構成要素からなる。（例えば、参考文献１０を参照されたい）。しかしながら、これらの放射線学的特徴は、とりわけ嚢胞性病変が小さいものであり得るときに、所定の嚢胞性病変サブタイプに対して重複することがあり、内部的アーキテクチャは区別されないことがある。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、ＣＮＮを第２の分類器として利用することができ、そのＣＮＮは、ほとんど知覚可能でない、それにもかかわらず重要な、イメージング特徴を学習することに、より適したものであり得る。（例えば、参考文献１１を参照されたい）。例示的なＣＮＮアーキテクチャが、図４Ｂにおいて示される。図４Ｂは、６つの畳み込み、３つの最大プーリング層４３５、３つのＦＣ層４４５を示し、それらのＦＣ層のうちの２つは、ドロップアウト層４４０であり得る。各々の畳み込み、および、最初の２つのＦＣ層の後に続くのが、正規化線形ユニット（「ＲｅＬＵ」）活性化関数であり得るものであり、最後のＦＣ層４４５は、最終的なクラス確率を取得するためのソフトマックス活性化関数によって終了することができる。

例示的なＣＮＮを訓練およびテストするためのデータが、後に続くように生成された。セグメンテーションされた嚢胞性病変ｘ_ｉを伴う元の３Ｄ境界ボックス
の、各々の２次元（「２Ｄ」）アキシャル・スライス（Ｓｌｉｃｅ）
が、バイキュービック補間を使用して、６４×６４画素正方形にサイズ再設定された。嚢胞性病変の全体的に球状の形状に起因して、ボリュームの頂部および底部に近いスライスは、正確な診断を為すのに十分な嚢胞性病変の画素を内包しない。それゆえに、スライス内の嚢胞性病変画素のパーセンテージと定義され得る、４０％未満の重複比を伴うスライスが排除された。データ拡張ルーチンが、訓練データセットのサイズを増大するために、および、オーバー・フィッティングを防止するために利用された：（ｉ）［−２５°；＋２５°］度範囲の中のランダム回転；（ｉｉ）ランダム垂直および水平反転；（ｉｉｉ）ならびに、［−２；＋２］画素範囲の中のランダム水平および垂直並進。

ネットワークは、Ｋｅｒａｓライブラリを使用して実装され、１００エポックに対する０．００１学習率を伴う確率的勾配降下法を使用して、クラス平衡（ｃｌａｓｓ−ｂａｌａｎｃｅｄ）交差エントロピー損失関数を最小化するために、５１２にサイズ設定されたミニ・バッチに関して訓練され得る。テスティング局面において、４０％より多い重複比を伴う各々のスライスが、ＣＮＮにより別個に分析されたものであり、確率の最終的なベクトルが、例えば次式のように、各々のスライスに対するクラス確率を平均化することにより取得された。
ただし、
は、クラス確率のベクトルであり得るものであり、Ｊ_ｍは、嚢胞性病変試料ｘ_ｍの分類のために使用される２Ｄアキシャル・スライスの数であり得る。

例示的なデータセットは、集団において生出する嚢胞性病変のタイプを表すものであり得るが、そのデータセットは、限られた情報を内包することができ、ロバストなＣＮＮ性能を取得するために有益であり得る、まれなイメージング外観の嚢胞性病変の十分な症例を含まないことがある。それゆえに、ＲＦ分類器が、患者に関する臨床情報、ならびに、全体的な強度および形状特徴を利用することにより、十分な弁別的なイメージング特徴を有さない、小さい嚢胞性病変を分類することにおいて、より良好な性能を示すために使用され得るものであり、しかるに、例示的なＣＮＮは、類似の性能を、ただし大きい嚢胞性病変を分析することにおいて示すことを期待され得る。

複数個の分類器の組み合わせ（例えば、分類器アンサンブル）が、異なる（例えば、独立的な）分類部分問題を別個に学習することにより、単一の分類器モデルと比較して、優良な性能を達成することができるということが示された（例えば、参考文献１２を参照されたい）。それゆえに、ＲＦおよびＣＮＮ分類器を独立的に訓練した後、ベイジアン組み合わせが遂行されることが、よりロバストおよび正確な分類器が、最終的な決定を為すことにおいて、より多くの力を有し得るということを確実にするために行われ得る。数学的には、最終的な病理組織学的診断
は、後に続く形で書き表され得る。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体の性能が評価されることが、層化１０分割交差検証戦略を使用し、データセット内の不均衡に起因する病理組織学的クラスの起こり得る過剰および不足表現を回避するために、データセットを訓練およびテストすることにおいて類似のデータ分布を維持して行われた。分類性能は、正規化された平均化された混同行列、および、総体的な分類正確性の見地において報告され得る。個々の分類器およびアンサンブル分類器の正確性と、間違って分類された嚢胞性病変の平均サイズとの間の依存性もまた分析された。

すべての実験は、ＮＶＩＤＩＡ Ｔｉｔａｎ Ｘ（１２ＧＢ）ＧＰＵを伴うマシン上で遂行された。ＲＦおよびＣＮＮ分類器の訓練は、各々の交差検証ループの間、それぞれ、近似的に１秒および３０分かかったものであり、最終的なクラス確率に対するテスト時間は、単一の試料に対して計算するために、大まかには１秒かかった。

個々の分類器の例示的な結果：ＲＦおよびＣＮＮ分類器の性能が、別個に比較されたものであり、総体的な正確性は、それぞれ７９．８％および７７．６％であった。定量的詳細は、表３において提供されている。実験は、ＲＦ内の３０個の木の正確性が、誤差収束につながり、優良な性能を達成するのに充分であったということを示した。定量的特徴の提案されたセットを開発するより前に、ＲＦ分類器の性能が、臨床医により使用される最も客観的な判定基準として、年齢、性別、および、膵臓の中の嚢胞性病変の場所のみを使用して評価された。総体的な正確性は、６２％であったものであり、嚢胞性病変の体積を特徴として追加することが、分類を２．２％だけ改善した。加えて、ＣＮＮに対する性能有利性が、データ拡張手順を使用するときに評価された。具体的には、データ拡張の使用が、ＣＮＮの総体的な正確性を１３．２％だけ改善するということが見出された。

関心を引く、ただしさらには期待される、アウトカムのうちの１つは、間違って分類された嚢胞性病変の平均サイズであり得る。特に、ＣＮＮ分類器は、弁別的な外観の非存在に起因して適度に難題であり得る、９ｃｍ^３、または直径で２．３ｃｍより小さい体積の嚢胞性病変を正しく解釈することに難儀する（例えば、間違って分類された嚢胞性病変の平均の体積および直径は、それぞれ５．１ｃｍ^３および１．３ｃｍであり得る）。しかしながら、ＲＦの正確性は、そのような依存関係を示さない（例えば、間違って分類された嚢胞性病変の平均の体積および直径は、それぞれ８１ｃｍ^３および５．２ｃｍであり得る）。

アンサンブル分類器の例示的な結果。この実験において、ＲＦおよびＣＮＮ分類器のベイジアン組み合わせの効果が、性能に関してテストされたものであり、結果が、上記の表４において提示されている。総体的な正確性は、個々の分類器の性能より高いものであり得る、８３．６％であり得る。アンサンブル・モデルに対してそれぞれ６５ｃｍ^３および４．８ｃｍであり得る、間違って分類された嚢胞性病変の平均の体積および直径の変化に注意することが、さらには関心を引くものであり得る。これらの結果は、例示的な仮説を検証するものであり、ＲＦおよびＣＮＮ分類器をベイジアン組み合わせへと組み合わせて、それらの分類器が訓練データセットを分析することにおいてどれだけ正確であったかに依存する、それらの分類器の別個の診断を考慮することの決定を正当化する。

例示的な嚢胞性病変分類盲検試験
わかっていない嚢胞性病変タイプ分布を伴う６１人の患者に関する盲検試験が遂行された。症例のすべては、最初に半自動的なセグメンテーション・パイプラインによって処理されたものであり、次いで、嚢胞性病変が、例示的な自動的な分類システムを使用して分類された。セグメンテーションは、ノイズの多いデータに起因して、１つの症例において嚢胞性病変をセグメンテーションすることに失敗したものであり、したがって、分類結果は、総計６０症例に対して確定された。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、総計４５症例のＩＰＭＮ、７症例のＭＣＮ、６症例のＳＣＡ、および、２症例のＳＰＮを予測した。症例は、独立的に評価されたものであり、結果は、自動的な分類と比較された。下記の表５は、分類器予測、および、病理学で確認された結果（例えば、ゴールド・スタンダード）に対する、これらの症例に対する混同行列を示す。結果の分析は、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体が、すべての症例のうちの９１．７％を正しく分類することができるということを明白にした。各々の嚢胞性病変タイプに対する分類正確性が、下記の表６において示される。

膵臓および嚢胞性病変に対する例示的な半自動的なセグメンテーション
例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、膵臓および嚢胞性病変の半自動的なセグメンテーションを含むことができる。領域成長およびランダム・ウォーカ手順の組み合わせが使用され得る。セグメンテーション・モジュールのグラフィカル・ユーザ・インターフェイスの例が、図６において示される。例示的なセグメンテーション・パイプラインが、後に続く手順において要約され得る。
１．ユーザ入力による初期化、境界ボックスを膵臓および嚢胞性病変の周囲に配置すること、ならびに、ブラシ・ツールを使用して、膵臓、嚢胞、および背景の数個のボクセルをマーキングすること。
２．中央値フィルタリングおよび異方性拡散平滑化によるノイズ低減による画像強調。
３．ユーザ配置のブラシ・ストロークを使用する領域成長による粗いセグメンテーション。
４．ランダム・ウォーカ・アルゴリズムによるセグメンテーション精緻化。
５．バイナリ投票アルゴリズムによる出力強調。

図７Ａ〜７Ｆは、中間画像結果を例解し、図８は、セグメンテーション結果の例を示す。例えば、図７Ａは、関心の領域、および、ユーザにより配置されるマーカ７０５を示す。図７Ｂは、平滑化の後の関心の領域を示す。図７Ｃは、領域成長により生成される粗いセグメンテーションを示す。図７Ｄは、ランダム・ウォーカ・アルゴリズムにより生成される精緻化されたセグメンテーションを示す。図７Ｅは、図７Ｄの３Ｄレンダリングを示し、図７Ｆは、最終的な強調されたセグメンテーションを示す。図８は、膵臓８０５、嚢胞性病変８１０、および膵管８１５に対するセグメンテーション結果の３Ｄボリューム・レンダリングされた例を示す。

例示的なセグメンテーション手順は、膵臓および嚢胞性病変セグメンテーションそれぞれに対して、７１．５±１０．５％および８１．４±８．５％正確性を達成した。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、医師が、膵臓のセグメンテーションされたＣＴスキャンから再構築される膵臓および周りの組織の３Ｄモデルを検討することを可能とすることができるツールを伴う、コンピュータ・ベースのソフトウェア・システムを含むことができる、仮想膵臓撮影法を含むことができる。このことは、膵管／胆管を通しての、およびそれらの周囲の、３Ｄ視覚化およびナビゲーションを手助けして、嚢胞性病変を識別および特性評価すること、ならびに、嚢胞性病変特徴を嚢胞性病変診断と相関させることができる。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、医師が、嚢胞性病変タイプ、および、膵臓内の異形成の度合を識別し、正しく分類することの助けとなることができる。この非侵襲性ツールは、進行する潜在的可能性を有さない良性の嚢胞性病変を伴う患者において不必要な外科手術を回避することの助けとなることができ、不治の浸潤性膵臓がんに進行するリスクがある嚢胞性病変を識別することにより生命を救うことの助けとなることができる。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、膵臓および嚢胞性病変のユーザ誘導のセグメンテーションを遂行することができる。前景および背景領域に対する、境界ボックスおよびシード点を含む、いくつかのユーザ入力が、大まかなセグメンテーションを生成するために、ＣＴスキャン画像と組み合わされ得るものであり、そのセグメンテーションは、次いで、ランダム・ウォーカ手順により精緻化され得る。このことをフルに自動化することは、セグメンテーションが、何らのユーザ入力もなしに前処理ステップとして遂行されることを容易にすることができる。

例示的な視覚化インターフェイスが、医師による使用のために提供され得る。（例えば、図５を参照されたい）。その図５において示されるように、２Ｄ ＣＴスライスを視認するための、ならびに、腹部および膵臓／嚢胞性病変に特定的な、３Ｄボリューム・レンダリングおよび測定のためのツールが提供され得る。３Ｄ視覚化は、ユーザが、腺および導管との関係において嚢胞性病変の場所を観察することの助けとなることができる。しかしながら、個々のデータセットに対するレンダリング・パラメータを手直しすることは、時間を消費し、専門知識を要する。したがって、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、この雑事についてユーザを楽にするための自動的な伝達関数生成、および、異なる嚢胞性病変タイプの特性特徴を強調するための特別なレンダリング・モードを含むことができる。

例示的な視覚化システムは、膵臓がんの検出において放射線科医の助力となるための診断デバイスと分類され得る、画像出力ファイル（例えば、ＣＴスキャナから収集されるＤＩＣＯＭ準拠腹部画像）を分析するために使用され得る。このことは、放射線科医が、浸潤性膵臓がん、および、早期非浸潤性病変の両方を検出することの助けとなることができる。従来の２Ｄ ＣＴ結像のみを使用することと比較して、浸潤性がんに対する現在のイメージング・システムの区別および感度は改善され得るものであり、放射線科医の読み取り時間は短縮され得る。早期検出は、膵臓内の小さい病変を検出する能力に加えて、膵臓がんを発病する増大されるリスクを伴う患者集団（例えば、膵臓がんまたはポイツ・ジェガース（Ｐｅｕｔｚ−Ｊｅｇｈｅｒｓ）症候群の強い家族歴を伴う患者）をターゲットにすることができる。このことは、偶然のスキャンに関して見出される非浸潤性の小さい病変を伴う患者の早期スクリーニングをもたらすことができる。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、セグメンテーションのためにテクスチャ的特徴を、ならびに、分類のためにテクスチャ的特徴および人口統計的特徴の両方を分析することができる。そのことは、臨床的に関連性のある、および、再現可能な定量的データをもたらすことができる。視覚化は、臨床医が、セグメンテーションされた、および、セグメンテーションされないＣＴデータを、３Ｄの形で、任意の所望される向きおよびスケールから視認することを可能とすることができる。自動的なカスタム伝達関数生成およびカスタム視覚化モードが、異なる嚢胞性病変タイプの特性特徴を強調するために利用され得る。異なる嚢胞性病変タイプは、異なる視覚的ＣＴ外観を有するので、カスタム・レンダリング・モードが、例示的な分類手順の結果、または、放射線科医からの指示に基づいて、各々の嚢胞性病変タイプに対して利用され得る。

ボリューム視覚化手順は、様々な応用例に対して開発されたが、これらの手順は、特定の応用例およびデータに対する効果的な使用のために、修正および最適化されるべきである。伝達関数などのレンダリング・パラメータは、正しく構成されないならば、データにわたって、最終的なレンダリングされた画像において、大きい変動性を引き起こすことがある。データの各々のインスタンスに対してこれらのセッティングをカスタマイズすることは、しばしば、規則的な放射線科医の作業フローにおいて、３Ｄ視覚化を利用することにおいて妨げになる。対照的に、例示的な視覚化システムは、最小限のユーザ介入を伴って、またはユーザ介入なしで、膵臓中心のＣＴスキャン、セグメンテーションされた膵臓、および、その特徴に関して調和して作動することができる、自動的な伝達関数生成を含むことができる。

放射線科医の入力またはＣＡＤ結果に基づいて膵嚢胞性病変においての特徴を強調することができる、視覚化プリセット（例えば、あらかじめ構成されたパラメータ）が提供され得る。膵嚢胞性病変は、それらを異なるタイプへと分類することにおいて助けとなることができる特性特徴を有する。嚢胞性病変の分類は、それが、最終的な診断、治療、および成績に影響を及ぼすことがあるので、診断の重要な部分である。これらの特徴は、従前の２Ｄビューにおいて識別するのが困難であり、時間を消費し得る。ユーザ相互作用を最小へと保ちながら、それらの特徴を３Ｄの形でレンダリングおよび強調することは、診断プロセスにおいて放射線科医を援助することができる。例示的な放射線学的特徴は、（ｉ）嚢胞性病変壁の厚さ、（ｉｉ）内部的テクスチャ／パターン、および、（ｉｉｉ）石灰化の存在を含む。（例えば、図２Ａ〜２Ｄを参照されたい）。具体的には、ＳＣＡ嚢胞性病変（例えば、図２Ａ、図３要素３０５を参照されたい）は、しばしば、薄壁を、および、中心瘢痕または隔壁形成によってハチの巣と類似の内部的外観を有し、ＭＣＮ嚢胞性病変（例えば、図２Ｃ、図３要素３１５を参照されたい）は、普通、厚壁を有し、周辺の石灰化によって、カットされたオレンジの外観をあらわにし、ＩＰＭＮ嚢胞性病変（例えば、図２Ｂ、図３要素３１０を参照されたい）は、薄壁を有し（例えば、それが二次導管において生じるならば）、「ブドウの房」と類似の外観を有する傾向があり、ＳＰＮ嚢胞性病変（例えば、図２Ｄ、図３要素３２０を参照されたい）は、典型的には、充実性および嚢胞性構成要素からなる。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、セグメンテーション、分類、および視覚化のための様々なソフトウェア・モジュールを含むことができる、組み合わされたソフトウェア・プログラムに含まれ得る。３つのモジュールが、多用途の、ユーザ・フレンドリーな、包括的なソフトウェア・パッケージへと組み合わされ得る。そのパッケージは、最小限のユーザ介入を伴って、放射線科医の作業フローに対して効率的である、統合されたエンド・ツー・エンド膵臓がんスクリーニング・システムとして役立つことができる。システムは、未加工のＤＩＣＯＭ画像を入力として受け取り、セグメンテーションされた腺および嚢胞性病変、ならびに、分類された嚢胞性病変を、３Ｄ視覚化インターフェイスに提供することができる。セグメンテーションおよび分類モジュールは、個別のＣＴデータセットがシステム内へとロードされた後、背景において同時的および自動的に実行され得る。セグメンテーションおよび分類構成要素は、さらには、独立的なモジュールとして出荷され得る。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、セグメンテーションされた膵臓、嚢胞性病変、および膵管に対する特異的な注目によって、腹部ＣＴスキャン・データを視覚化するための３Ｄグラフィックス・アプリケーションの形で実施され得る。このアプリケーションは、入力としての患者のＣＴスキャン（例えば、または他のイメージング・スキャン）、および、対応するセグメンテーション・マスクを利用し、３Ｄおよび２Ｄの両方の視覚化ツールを提供することができる。ロードされたデータセットを伴うグラフィカル・ユーザ・インターフェイスの例のスクリーンショットが、図５において示される。中央において、アプリケーションは、フル・データセットのボリューメトリック・レンダリングに対する３Ｄビュー、ならびに、可視ならば、さえぎられない膵臓、嚢胞性病変、および膵管のビューを提供する）。左側バーは、ＤＩＣＯＭヘッダおよび中心線スライス・ビューから抽出された情報を内包する。右側は、従来の２Ｄスライス・ビュー（例えば、アキシャル、矢状、および冠状）を内包する。セグメンテーション・マスクの輪郭が、その上、２Ｄビューのすべてにおいて表示される。

ユーザは、左または右側の２Ｄビューの任意のものの上でダブル・クリックすることにより、中央のビューを取り換えることができ、そのことは、スライス・ビューのより詳細な調査を可能とする。２Ｄビューのすべてに対して、マウス・スクロール・ナビゲーションが、スライスの下方のスライダに加えて、スライス・スタックをスクロールさせるために提供される。後に続くツールが、さらには、検討の間の使用のためにインターフェイスにおいて存在する。

例示的な測定：医師は、３Ｄ有向境界ボックス（例えば、図９を参照されたい）上で、および、すべての２Ｄスライス・ビュー（例えば、図１０を参照されたい）上で、手作業での距離測定を遂行することができ、複数個の測定が、同時的に遂行され得る。嚢胞性病変の主成分および最大広がりが測定され得るものであり、セグメンテーションされた特徴（例えば、膵臓、嚢胞性病変、および導管）に対する体積測定が提供され得る。（例えば、図９および１０を参照されたい）。

例示的な膵臓／導管中心線スライス・ビュー：医師は、膵臓１１０５、導管１１１０、または嚢胞性病変１１１５の中心線に直交する、再構築された２Ｄスライスを視認することができる。（例えば、図１１を参照されたい）。このビューは、嚢胞性病変特徴への、および、嚢胞性病変−膵臓境界面を理解することにおいての、追加的な洞察を提供することができる。文脈に対して、対応する中心線１２０５が、３Ｄレンダリングされたビューにおいて示され得る。（例えば、図１２を参照されたい）。

例示的な可視性オプション：ユーザは、メイン・ウィンドウの底部においてのチェックボックスのセットを使用して、異なるオーバーレイの可視性（例えば、示す／隠す）を変化させることができる。例えば、図１３は、導管（要素１３０５）および嚢胞性病変（要素１３１０）の３Ｄビューを示す。

例示的な分類結果：セグメンテーションが完了された後、分類手順が、背景においてランさせられ得るものであり、結果が、特別なウィンドウ内で視認され得る。

例示的なレンダリング調整：所望されるならば、ユーザは、個々の特徴（例えば、フル・ボリューム、膵臓、嚢胞性病変、および導管）に対する伝達関数１４０５を編集することにより、高等のレンダリング・パラメータを調整することができる。各々の伝達関数は、必要とされる際に、編集、記憶、およびロードされ得る。（例えば、図１３を参照されたい）。

図１５Ａおよび１５Ｂは、膵臓、嚢胞性病変、および導管のボリューム変形、ならびに、２Ｄおよび３Ｄの形で視覚化することを必然的に含む、導管−嚢胞性病変関係性の、医師による視認を例解する、画像のセットである。例えば、変形された膵臓、嚢胞性病変、および導管の視覚化が、２Ｄ（図１５Ａ）および３Ｄ（図１５Ｂ）の形で示される。

単一ラベル・データセットからマルチ・ラベル・セグメンテーションを学習すること
上記で論考されたように、画像セグメンテーションは、一般的には医用イメージング応用例において、ならびに、より詳しくは、本発明のＶＰシステムおよび方法において用いられる１つの要素である。深層学習は、セマンティック・セグメンテーションを含む、幅広い範囲のタスクに対する強力なツールであることが判明している。進歩がこの研究境域において為されたものであり、そのような前進の主要な要因のうちの１つは、ＩｍａｇｅＮｅｔ（例えば、参考文献１４を参照されたい）、ＣＯＣＯ（例えば、参考文献２９を参照されたい）、ＰＡＳＣＡＬ ＶＯＣ（例えば、参考文献１９を参照されたい）、および他のものなどの、大規模なマルチ・ラベル・データセットの公的な利用可能性である。そのような種々の利用可能なデータセットは、異なるセグメンテーション・モデルを訓練および評価するためのみではなく、さらには、多様なラベルを呈するための手段を提供する。しかしながら、自然の画像と対照的に、セグメンテーション研究の決定的な重要性にもかかわらず、グラウンド・トゥルース・アノテーションおよびラベリングの生成が、きわめてコスト高であり、研究を前進させることにおいてボトルネックのままである、所定の対象領域がある。

生物医学的イメージングは、様々な構造の正確なセグメンテーションが、臨床研究において基本的な問題である、１つのそのような対象領域である。従前の臨床診療において、セグメンテーションは、しばしば、診断プロセスの間に省略される。しかしながら、測定を含む、生物医学的画像の手作業での分析は、大きい変動性を免れないものであり、なぜならば、その分析は、関心の構造、画像品質、および、臨床医の経験を含む、異なる要因に依存するからである。なおまた、セグメンテーションは、コンピュータ支援診断（「ＣＡＤ」）（例えば、参考文献１６および２１を参照されたい）および外科手術／治療計画立案をサポートする様々な医用システムにおいて、本質的な構成要素である。さらに、ＶＰ応用例を含む、早期がん検出および病期分類は、しばしば、セグメンテーションの結果に依存し得る。

進歩が近年において為された、生物医学的画像の境域のうちの１つは、磁気共鳴イメージング（「ＭＲＩ」）およびコンピュータ断層撮影法（「ＣＴ」）３次元（「３Ｄ」）スキャンなどの、放射線学的画像のセグメンテーションである。放射線学的画像は、単一の画像の中で、腹部器官などの様々なオブジェクトを呈する（例えば、図１６Ａおよび１６Ｂを参照されたい）。しかしながら、そのような画像に対するエキスパート・アノテーションを創出することは、時間を消費する、および集約的なタスクであり、したがって、マルチ・ラベル・データセットは、生成するのが困難である。限られた数のセグメンテーション手順が、マルチ・ラベル・データセットに関して提案および評価された。これらのデータセットは、資金の不足に起因して利用可能でなかった、ＶＩＳＣＥＲＡＬ（例えば、参考文献２６を参照されたい）などの、私的または公的なデータセットを含む。なおまた、これらのマルチ・ラベル・データセットは、しばしば、サイズにおいて制限され（例えば、３０未満のボリューム）、それらのデータセットが、同じイメージング・プロトコルおよびイメージング・デバイスを使用して生成された、単一の機関に由来するものであり、そのことは、開発されるセグメンテーション手順が、そのようなイメージング・パラメータに高感度になることにつながる。他方で、単一ラベル・データセットの生成は、より少ない時間および労力を利用し、それらのデータセットは、しばしば、チャレンジの一部、例えば、Ｓｌｉｖｅｒ０７（例えば、参考文献２２を参照されたい）（例えば、図１６Ｃを参照されたい）およびＮＩＨ膵臓（例えば、図１６Ｄを参照されたい）として、公的に利用可能である。（例えば、参考文献２３を参照されたい）。加えて、これらの単一ラベル・データセットは、異なる機関に由来し、悪性腫瘍の存在、イメージング・プロトコル、および再構築手順などの要因において変動性を呈する。

しかしながら、単一ラベル・データセットは、しばしば、単一の画像の中に同じオブジェクトを内包するが、グラウンド・トゥルース・アノテーションは、バイナリ・マスクの形式で、オブジェクトの個別のクラスのみに対して提供され、画像のセットそれら自体は、データセットの間で重複しない。したがって、そのことは、データセットを単純に組み合わせて、マルチ・ラベル・セグメンテーションのためのモデルを訓練するのに障害になる。一般的には、単一ラベル・データセットは、個別のクラスのセグメンテーションのための高度に仕立てられたソリューションを開発するために使用されてきた。

前の業績は、カテゴリまたはラベルなどの所定の属性に関して条件付けされた画像を生成することに関して遂行されたものであり、成功裏の、および説得力のある結果を示した。（例えば、参考文献２８、３８、４０、および４１を参照されたい）。例えば、任意の姿勢を根拠とする人物画像合成のためのフレームワークが提案された。（例えば、参考文献３１を参照されたい）。他の業績は、画像対画像翻訳の潜在的可能性結果の分布をモデリングした。（例えば、参考文献４４を参照されたい）。所望される内容、および、画像の中のその場所を与えられての画像の合成が、さらには論証された。（例えば、参考文献３５を参照されたい）。しかしながら、セマンティック・セグメンテーションのための条件付き畳み込みネット（ｃｏｎｖｎｅｔ）の境域は、未開拓で残されてきており、応用例が探究されていない。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、セグメンテーションのために、および次いで、腹部器官のセグメンテーションを評価するために使用され得る、条件付け畳み込みネットを含むことができる。

解剖学的構造、とりわけ腹部器官のセグメンテーションは、困難な問題と考えられ得るものであり、なぜならば、それらの解剖学的構造は、サイズ、位置、形状、およびノイズにおいて高い変動性をあらわにするからである。（例えば、図１６Ａ〜１６Ｅを参照されたい）。様々な畳み込みネット・ベースのセグメンテーション手順が、腹部器官セグメンテーションに対して提案された。単一ラベル・データセットを利用する、これらの手順の大多数は、肝臓（例えば、参考文献１７および３０を参照されたい）または膵臓などの個別の器官のセグメンテーションに関して専門化され得る。（例えば、参考文献２０および３６を参照されたい）。若干のより一般的に適用可能な畳み込みネット・ベースの手順が、複数個の器官に関して提案およびテストされた。（例えば、参考文献１８を参照されたい）。これらの手順のすべては、モデルを記述し、個々の器官のセグメンテーションに対して適用され得るものであり、別個のセグメンテーションが、最終的なラベルを生み出すために一体に融合させられ得る。しかしながら、現況技術の性能を示す一方で、これらのモデルは、各々の器官のセグメンテーションに対して別個に訓練および適用され得るものであり、そのことは、計算的リソースおよび追加的な訓練時間の非効率的な使用法を表顕するものである。なおまた、そのような別個に訓練されるモデルは、腹部器官の間の空間的相関を組み入れず、したがって、各々の個別の単一ラベル・データセットに対してオーバー・フィッティングされる公算が大きいものであり得る。加えて、これらのモデルは、しばしば、前および後処理ステップを利用し、そのことは、いっそうさらに進んで、モデルを複雑化および個別化する。

いくつもの研究が、医用画像においての解剖学的構造の同時的なマルチ・ラベルまたは多器官セグメンテーションに対して提案された。これらの研究の大多数は、確率的アトラス（例えば、参考文献１３、３３、および３９を参照されたい）および統計的形状モデルを利用する。（例えば、参考文献３２を参照されたい）。これらの手順は、位置合わせされることになる、訓練データセット内のすべてのボリューメトリック画像を利用する。この前処理ステップは、計算的に高価であり、しばしば、患者の間の腹部器官のサイズ、形状、および場所においての少なからぬ変動に起因して不完全であり得る。最近、数個の畳み込みネット・ベースのソリューションが、同時的な多器官セグメンテーションに対して提案された。（例えば、参考文献３７を参照されたい）。しかしながら、すべてのそのような手順は、公的に利用不可能なマルチ・ラベル・セグメンテーション・データセットに関して開発および評価された。なおまた、使用されたマルチ・ラベル・データセットは、単一の機関により収集されたものであり、同じ画像品質を呈し、慢性の異常性を欠く。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、多様な単一ラベル・データセットを活用し、畳み込みネットを条件付けするための手順を記述して、高い一般化能力のマルチ・ラベル・セグメンテーション・モデルを開発することができる。

単一ラベル・データセットにおいて各々のオブジェクトに対して別個のモデルを生成することの代わりに、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、単一ラベル・データセットのセットを与えられると、マルチ・ラベル知識を同時的に学習することができる。例えば、単一ラベル・データセットのセット｛Ｄ_１，…，Ｄ_ｋ｝を考えるものであり、その場合、各々のデータセット
、ｊ∈｛１，…，ｋ｝は、入力画像
のセット、および、オブジェクトｃ_ｉ∈Ｃ、ｉ＝１、…ｍの対応するバイナリ・セグメンテーション・マスク
のセットを内包する。加えて、入力画像Ｉ^ｊの各々のセットは、すべてのラベルｃ_ｉ∈Ｃのオブジェクトを内包する。なおまた、データセットＤ_ｊは、
、∀ｉ、ｊなど、
の同じ対を有さず、各々のデータセットは、異なる濃度を有することができるということが、さらには想定され得る。これらの想定は、初期条件を大幅に緩和し、問題の記述を、より一般的に、および難題にすることを試みる。目標は、セグメンテーション・マスクのセット
を、初見の入力画像
を与えられて予測することであり得る。

例示的なベース・モデル
例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、スキップ・コネクションを伴う符号化器−復号化器などの、３Ｄ完全畳み込みのＵ−ｎｅｔと類似のアーキテクチャを含むことができる。（例えば、図１７Ａを参照されたい）。例えば、その図１７Ａにおいて示されるように、Ｋ個の単一ラベル・データセットからの入力画像１７０５が、クラス・ラベル１７２５とともに、符号化器１７１５と復号化器１７２０とを含むことができるベース・モデル１７１０を使用して条件付けされ得る。このことは、複数の出力セグメンテーション１７３０を結果的に生じさせることができる。条件付けは、ベース・モデル１７１０の符号化器層１７１５（例えば、図１７Ｂを参照されたい）もしくは復号化器層１７２０（例えば、図１７Ｃを参照されたい）のいずれか、または両方に対して遂行され得る。

加えて、ＣＴスキャンにおいて利用可能なボリューメトリック情報を効果的に利用することができる、３Ｄの密に結合された畳み込みブロック（例えば、参考文献２４および２５を参照されたい）が利用され得る。例示的なモデルは、合成関数Ｈ_ｌ（・）の密に結合されたユニットを含むことができ、第ｌの層の出力ｘ_ｌは、例えば、次式のように定義され得る。
ｘ_ｌ＝Ｈ_ｌ（［ｘ_０，ｘ_１，…，ｘ_ｌ−１］） （４）
ただし、［…］は、前の層からの特徴マップの連結演算であり得る。例示的な実験において、Ｈ_ｌ（・）は、正規化線形ユニット（「ＲｅＬＵ」）と定義され得るものであり、後に続くのが、３×３×３畳み込みである。モデルの符号化器パートは、畳み込み層を含むことができ、後に続くのが、２×２×２最大プーリング層によって逐次的に結合される、６つの密に結合された畳み込みブロックである。各々の密なブロック内の特徴チャネルの数は、その深さに比例し得る。モデルの復号化器パートは、アップサンプリング層として、ストライドを伴う転置畳み込みを利用することができ、符号化器とトポロジー的に対称であり得る。最後の畳み込み層は、シグモイド関数によって終了することができる。

例示的な条件付け
各々のラベルｃ_ｉ∈Ｃに対して別個のモデルを訓練することの伝統的な手法と類似せずに、例示的なフレームワークは、単一ラベル・データセットからの複数個のラベルのセグメンテーションおよび関係性を推論することができ、学習して、単一のモデルによってすべてのラベルｃ_ｉに対するセグメンテーションを生成することができる。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、ベース畳み込みモデルを、セグメンテーションされることを必要とするターゲット・ラベルｃ_ｉによって条件付けするために使用され得る。条件付けのための所定の手順が、画像合成に対する敵対的生成ネット（「ＧＡＮ」）（例えば、参考文献１５、３１、および３５を参照されたい）において広く使用されているが、セグメンテーションのために畳み込みネットを条件付けするための前の試みは存していない。

性能に悪影響を与えることがある追加的なオーバーヘッドを回避するために、ベース・モデルを完全畳み込みに、単純に、および効率的に保つことが有益であり得る。このことを達成するために、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、畳み込み演算を遂行した後に、および、非線形性を適用する前に、中間活性化信号の一部として条件付き情報を組み込むことができる。条件付けされたＧＡＮ（例えば、参考文献３５を参照されたい）の一部の例は、条件付き関数を学習することを提唱するが、セグメンテーションのタスクのための、より計算的に効率的な手法が使用され得る。具体的には、後に続く例示的な関数が使用され得る。
ただし、
は、要素ごとの乗算であり得るものであり、Ｏ^{Ｈ×Ｗ×Ｄ}は、すべての要素が１にセットされるサイズＨ×Ｗ×Ｄのテンソルであり得るものであり、ｈａｓｈ（・）は、あらかじめ定義されたルックアップ・テーブルに対するハッシュ関数であり得る。そのことは、関数
が、すべての値がｈａｓｈ（ｃ_ｉ）にセットされるサイズＨ_ｊ×Ｗ_ｊ×Ｄ_ｊのテンソルを創出することができるということであり得る。それゆえに、サイズＨ_ｌ×Ｗ_ｌ×Ｄ_ｌの入力ｘ_ｌによる第ｌの層の例示的な条件付けは、例えば、次式のように定義され得る。
ただし、ｘ_ｌ−１は、前の層の出力であり得る。例示的な条件付けは、場所、形状、その他などの、ラベルの可能な属性に依存しないということに注意することは重要であり得る。そのことは、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体の一般化能力を増大するために行われ得る。

訓練時間の間に、ネットワークは、異なるデータセットＤ_ｊからランダムにサンプリングされ得る対
に関して訓練され得るものであり、一方で、バイナリ・グラウンド・トゥルース・セグメンテーション・マスク
において、対応するラベルｃ_ｉに関して条件付けされる。推論時間の間に、ネットワークは、セグメンテーション・マスク
を、入力画像
内のすべてのオブジェクトに対して生成するために、すべてのｃ_ｉ∈Ｃに関して逐次的に条件付けされ得る。あらかじめ定義されたルックアップ・テーブルを使用するそのような手法は、訓練されることになる追加的な変数なしに単純性および簡素性を維持することができるが、その手法は、さらには、若干の実用的な利益を有することがある。特に、新しいターゲット・セグメンテーション・ラベルｃ_ｍ＋１を追加することの事象において、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、条件付き関数が学習されているならば予想される高価な再訓練と類似せずに、ルックアップ・テーブルへの新しいエントリ、および、単純な微調整を利用するのみであり得る。

符号化器−復号化器と類似のアーキテクチャを与えられると、条件付けが復号化器内の層上で遂行され得るときに、より良好な性能を期待することができるものであり、その条件付けは、提供される条件付き情報、および、符号化器特徴マップ内に存在する低レベル情報を使用して、それらの層を、ネットワークの中のより高いレベルにマッピングすることができる。なおまた、複数個の層にとって直接的にアクセス可能な条件付き情報は、最適化を手助けすることができる。

例示的なマルチ・ラベル実験
例示的な実験は、異なる種類の損失関数、および、様々な手立ての条件付け、および、結果をソリューションと比較することを含むことができ、それらのソリューションは、各々の単一ラベル・データセットに対して個々にカスタマイズされた、または、マルチ・ラベル・データセットに対して設計されたものである。例示的な条件付けされたマルチ・ラベル・セグメンテーション・フレームワークは、現在の現況技術の単一ラベル・セグメンテーション手法をしのぐ。結果は、下記で示される表５において要約される。

例示的なマルチ・ラベル・データセット：例示的なシステム、方法、およびコンピュータ・アクセス可能媒体を評価するために、腹部ＣＴボリュームの３つの単一ラベル・データセットが使用され得る。特に、肝臓セグメンテーションの公的に利用可能なＳｌｉｖｅｒ０７データセット（例えば、参考文献２２を参照されたい）の２０個のボリューム、膵臓セグメンテーションの公的に利用可能なＮＩＨ膵臓データセット（例えば、参考文献２３を参照されたい）の８２個のボリューム、ならびに、肝臓および脾臓セグメンテーションの本発明者らの追加的なデータセットからの７４個のボリュームが使用された。それゆえに、例示的な実験において、ｃ_ｉ∈Ｃ＝｛肝臓，脾臓，膵臓｝である。後者のデータセットにおいてのセグメンテーション・マスクは、バイナリ化され、別個の単一ラベル・ファイルとして記憶された。ＣＴ画像、および、対応するグラウンド・トゥルース・セグメンテーション・マスクの例が、図１６Ｃ〜１６Ｅおよび図１９において例解される。各々のデータセットは、約８０／２０の比率で訓練および検証セットへと分けられた。各々のデータセットにおいてのボリュームのサイズは、約５１２×５１２×Ｚ_０であった。各々のデータセットは、異なる機関において、異なるイメージング・スキャナおよびプロトコルによって集められたものであり、様々なスライス間の間隔のボリュームを組み込み、なおまた、肝腫瘍、および、脾腫の症例などの、様々な病態を呈した。データセットにおけるそのような多様性によって、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体のテスティングが、難題なセッティングにおいてのものであり得ることが可能になる。

入力画像は、最小限に前処理されたものであり、各々の画像は、約２５６×２５６×Ｚ_０にサイズ再設定され、正規化された。訓練の間に、各々のデータセットは、等しい確率によってサンプリングされたものであり、サイズ約２５６×２５６×３２のサブボリュームが、訓練入力画像を創出するために抽出された。加えて、すべての訓練例は、小さいランダム回転、ズーム、およびシフトによって拡張された。

例示的なマルチ・ラベル訓練：例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、すべての使用された単一ラベル・データセットからの例に関して訓練された。フレームワークは、後に続く目的物によって最適化された。
ただし、
は、単一ラベル・データセットＤ_ｉに対する損失関数であり得るものであり、ハイパーパラメータα_ｉは、全損失に関する個別のラベルｃ_ｉの影響力を指定することができ、β_ｉ＝｛０，１｝は、訓練バッチにおいてのラベルｃ_ｉの存在を指定することができる。

例示的なマルチ・ラベル推論：推論時間の間に、ターゲット・セグメンテーション・ラベルｃ_ｉが指定され得る。しかしながら、推論時間の間のフレームワークの使用を単純化するために、ターゲット・セグメンテーション・ラベルを指定することのプロセスは、ルックアップ・テーブル内のすべてのエンティティを反復して調べることにより自動化され得る。代替的に、具体的には腹部器官のセグメンテーションに対して、しばしば臨床医により一体で分析され得る、肝臓および胆嚢などの、プリセットのセットが定義され得る。

例示的なマルチ・ラベル実装形態：例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、Ｔｅｎｓｏｒ−Ｆｌｏｗバックエンドを伴うＫｅｒａｓライブラリを使用して実装された。例示的なネットワークは、使用Ａｄａｍオプティマイザ（例えば、参考文献２７を参照されたい）を使用して、初期学習率すなわち０．００００５、およびβ_１＝０．９、β_２＝０．９９９によって、２５Ｋ反復に対する２のバッチ・サイズによって、一から訓練された。

例示的なマルチ・ラベル・アブレーション実験
予測されたセグメンテーション・マスクは、それらのマスクを約０．５でしきい値処理することによりバイナリ化され得る。一般的なダイス類似度係数（「ＤＳＣ」）メトリックが使用され得るものであり、そのメトリックは、
と定義され得るものであり、バイナリ・セグメンテーション・マスクＹと
との間の類似度を測定することができる。具体的には単一ラベル・セグメンテーションに対して提案されたものであり、個別のラベルに対して仕立てられ得る、現在の現況技術のセグメンテーション方法に照らして、例示的な結果が比較された。特に、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、膵臓セグメンテーションのための２ステップ畳み込みネット・ベースのソリューションを説明したものであり、ＮＩＨ膵臓データセットに関して８２．４％ＤＳＣを生じさせた、先の業績（例えば、参考文献４３を参照されたい）と比較された。（例えば、参考文献２３を参照されたい）。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、さらには、肝臓の１０００個のＣＴ画像の私的なデータセットに関して９５％ＤＳＣを示した、別の畳み込みネット・ベースのセグメンテーション業績（例えば、参考文献４２を参照されたい）と比較された。例示的な結果は、さらには、私的なマルチ・ラベル・データセットに関して評価されたものであり、肝臓、脾臓、および膵臓それぞれに対して、９５．４％、９２．８％、および８２．２％ＤＳＣを結果的に生じさせた、２段階多器官畳み込みネット・ベースのソリューション（例えば、参考文献３７を参照されたい）と比較された。

説明されるすべての例示的な実験において、α_１＝１であり、ＤＳＣベースの損失関数は、後に続くようなものであり得る。

加えて、バイナリ交差エントロピー損失関数がテストされたものであり、そのことは、有意に、より悪い性能を示した。例示的な実験は、条件付けの使用なしに各々のラベルｃ_ｉに対して別個に訓練された例示的なベース・モデルの性能を分析することにより始まった。この実験は、個々（ｉｎｄｉｖｓ）と呼称され得るものであり、各々のモデルに対する学習曲線が、図１８Ａ〜１８Ｅにおいて例解される。例えば、線１８０５は、下記の表５において示される、ダイス類似度係数に対する肝臓（行１８２０）、脾臓（行１８２５）、および膵臓（行１８３０）に対する現況技術のセグメンテーション結果：９５．２、９２．８、および８２．４を例解する。線１８１０は、訓練データセット内の画像に関する肝臓、脾臓、および膵臓に対するダイス類似度係数を例解する。線１８１５は、テスティング・データセット内の画像に関する肝臓、脾臓、および膵臓に対するダイス類似度係数に対する結果を示す。モデルは、最初の２５Ｋ反復の間は、現況技術の性能に接近することに失敗したが、結果は、モデルが、十分な表現的潜在的能力を有し、性能は、より多くの訓練時間を与えられれば改善され得るということを示すということが観察され得る。

次に、単一ラベル・データセットに関して単一のモデルを訓練することの原始的な手法が、同じ寸法の、ただし、各々が肝臓、脾臓、および膵臓などの各々のラベルｃ_ｉに対する３つのチャネルを伴うボリュームを予測することにより、適度なマルチ・ラベル・セグメンテーション結果を生み出すためにテストされた。この実験は、条件なし（ｎｏ ｃｏｎｄ）と呼称され得るものであり、学習曲線が、図１８Ｂにおいて例解される。結果は、訓練が収束しないということを示し、そのことは、モデルが、訓練例において、調和のないバイナリ・ラベルからマルチ・ラベル関係性を推論することに難儀するという事実により解説され得る。加えて、この手法は、メモリ有界であり得るものであり、小さい数のラベルのみが、この手立てでモデリングされ得る。

実験、条件−第２において、単一のモデルを条件付けすることの単純な手立てが、条件付き情報を入力ボリュームの第２のチャネルとして提供することによりテストされた。特に、条件付け変数のルックアップ・テーブルが、各々のｃ_ｉに対して、［−１，１］からサンプリングされたランダム実数値によって定義された。具体的には、各々の訓練３Ｄサブボリュームが、すべての要素がｈａｓｈ（ｃ_ｉ）にセットされた同じサイズのボリュームによって、第２のチャネルにおいて拡張された。図１８Ｃにおいて例解される学習曲線は、モデルが、提供された条件付き情報を利用して、および、学習して、マルチ・ラベル・セグメンテーションを生成することができたということを示す。しかしながら、符号化器内の各々の密なブロックが、条件付き情報への直接的なアクセスを有した、実験、条件−符号化（例えば、図１８Ｄを参照されたい）と類似して、モデルは適して見える。

さらに、ベース・モデルの復号化器パートを条件付けすることが、条件付けテンソルへの直接的なアクセスを提供することにより検討された。図１８Ｅにおいて例解される学習曲線は、優良なセグメンテーション性能を示す。この実験においての訓練は、他の実験においてより高速に収束する。単一ラベル・セグメンテーションに対して綿密に仕立てられたソリューション、および、私的なデータセットに関して設計されたマルチ・ラベル・セグメンテーション・ソリューションの両方をしのぐことに加えて、例示的なフレームワークは、さらには、有意な一般化能力を示す。この実験に対するセグメンテーション結果の例が、図１９において例解される。オンであるイメージング・プロトコルに起因して、すべての器官が、一体で密集していることの他に、さらには、類似の強度を有し、それらの器官の境界が、区別するのが難しいものであり得る、図１９において例解される困難な事例（例えば、行１９０５）においてでさえ、モデルは、すべてのターゲット・オブジェクトを正確に線引きするということが観察され得る。例示的なモデルによるそのような正確なセグメンテーションに対する理由は、（ｉ）モデリングされているすべてのラベルの間で共有する高い度合の暗黙パラメータ、ならびに、（ｉｉ）利用可能な条件付き情報を生かし、ターゲット・ラベルの空間的情報および鮮明な境界を徐々に回復する、復号化器経路の能力に起因するものであり得る。

図１９において示されるように、各々の行１９０５、１９１０、および１９１５は、エキスパートにより手作業で生成されたグラウンド・トゥルース・セグメンテーションに対するセグメンテーション例（例えば、輪郭１９２０および輪郭１９２５）を示す。輪郭１９３０は、異なるデータセット内の異なる器官に対する自動的に生成された輪郭を示す。例えば、行１９０５は、肝臓に対するグラウンド・トゥルース・セグメンテーションを有するデータセットからの画像に対するセグメンテーション結果を示す。行１９１０は、膵臓に対するグラウンド・トゥルース・セグメンテーションを有するデータセットからの画像に対するセグメンテーション結果を示す。行１９１０は、肝臓および脾臓に対するグラウンド・トゥルース・セグメンテーションを有するデータセットからの画像に対するセグメンテーション結果を示す。

例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、マルチ・ラベル・セグメンテーションに対する畳み込みネットを条件付けすることにより、非重複ラベル・データセットからマルチ・ラベル・セグメンテーションを学習することを含むことができる。モデルを条件付けすることの様々な手立ての広範な実験的評価が遂行されたものであり、そのことは、復号化器経路内の各々の層に、条件付き情報への直接的なアクセスを提供することが、最も正確なセグメンテーション結果を生じさせるということを見出した。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、単一ラベル・データセットの問題が自然に生出する、医用画像のセグメンテーションのタスクに関して評価された。有意に、より計算的に効率的である一方で、方法は、各々の単一ラベル・データセットに対して特異的に仕立てられた、現在の現況技術のソリューションをしのぐ。

例示的なモデルは、放射線学的ＣＴ画像を使用して検証されたが、そのモデルは、様々な他の対象領域においての応用例に容易に展開され得る。特に、例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、病理画像においてのがん転移の検出に対して適用され得る。転移検出に対する病理学は、類似のデータセット断片化を示し、−脳または胸部などの、様々な生物学的組織の病理画像の統合されたデータベースは、現在は実在せず、研究は、別個の部分問題に重点を置く。例示的な実験と類似して、畳み込みネットが、異なる組織試料内の転移したがん細胞のターゲット・タイプに関して条件付けされ得る。なおまた、各々のインスタンスが、サイズ、色、その他などの所定の属性、または、種もしくは類などの、より込み入った何かに関して条件付けされ得る、インスタンス・レベル・セグメンテーションの目的のために畳み込みネットを条件付けすることの類似の応用例が適用され得る。さらにまた、先の業績は、分類の目的のために複数個の視覚的対象領域においてデータ表現を学習することの方法を説明した（例えば、参考文献３４を参照されたい）。例示的なシステム、方法、およびコンピュータ・アクセス可能媒体は、そのような業績をセグメンテーションの目的のために拡張することができる。

図２０Ａは、本開示の例示的な実施形態による、医用イメージング・データを使用して、１つまたは複数の嚢胞性病変についてスクリーニングするための方法２０００のフロー図である。例えば、手順２００５において、患者の器官の第１の情報が受信され得る。手順２０１０において、第２の情報が、第１の情報を前景および背景へとセグメンテーションすることを含むことができる、セグメンテーション動作を遂行することにより生成され得る。手順２０１５において、セグメンテーション輪郭が、前景および背景に基づいて生成され得る。代替的に、または加えて、手順２０２０において、第１の情報が、ユーザに表示され得るものであり、次いで、第２の情報が、ユーザからの入力に基づいて第１の情報に関してセグメンテーション手順を遂行することにより生成され得る。手順２０２５において、第２の情報内の１つまたは複数の嚢胞性病変が識別され得る。手順２０３０において、第１および第２のクラス確率が、第１および第２の分類器を１つまたは複数の嚢胞性病変に別個に適用することにより生成され得る。手順２０３５において、第１および第２の分類器の結果が、ベイジアン組み合わせがクラス確率の第１および第２のセットに適用されることによってなどで組み合わされ得るものであり、１つまたは複数の嚢胞性病変は、ベイジアン組み合わせに基づいて、個別のタイプ（ｔｙｐｏ）と分類され得る。

図２０Ｂは、本開示の例示的な実施形態による、解剖学的構造のマルチ・ラベル・セグメンテーションのための例示的な方法２０５０のフロー図である。例えば、手順２０５５において、解剖学的構造に対する単一ラベル・データセットに関係付けられる第１の情報が受信され得る。手順２０６０において、解剖学的構造に対するクラス・ラベルに関係付けられる第２の情報が受信され得る。手順２０６５において、第３の情報が、畳み込みニューラル・ネットワークを使用して第１の情報に基づいて第２の情報を符号化することにより生成され得る。手順２０７０において、第３の情報は条件付けされ得る。手順２０７５において、第４の情報が、畳み込みニューラル・ネットワークを使用して第３の情報を復号化することにより生成され得る。手順２０８０において、第４の情報は条件付けされ得る。手順２０８５において、解剖学的構造が、第４の情報に基づいてセグメンテーションされ得る。

図２１は、上記で説明された方法２００を遂行するために使用され得る、本開示によるシステムの例示的な実施形態のブロック図を示す。例えば、本明細書において説明される本開示による例示的な手順（例えば、方法２０００）は、処理装置および／または計算装置（例えば、コンピュータ・ハードウェア装置）２１０５により遂行され得る。そのような処理／計算装置２１０５は、例えば全体としてコンピュータ／プロセッサ２１１０である、もしくはコンピュータ／プロセッサ２１１０の一部である、またはコンピュータ／プロセッサ２１１０を含むが、コンピュータ／プロセッサ２１１０に限られないことがあり、そのコンピュータ／プロセッサ２１１０は、例えば１つまたは複数のマイクロプロセッサを含み、コンピュータ・アクセス可能媒体（例えば、ＲＡＭ、ＲＯＭ、ハード・ドライブ、または、他の記憶デバイス）上に記憶される命令を使用することができる。

図２１において示されるように、例えば、コンピュータ・アクセス可能媒体２１１５（例えば、本明細書において上記で説明されたように、ハード・ディスク、フロッピー・ディスク、メモリスティック、ＣＤ−ＲＯＭ、ＲＡＭ、ＲＯＭ、その他、または、それらの集合体などの記憶デバイス）が、（例えば、処理装置２１０５と通信している様態で）設けられ得る。コンピュータ・アクセス可能媒体２１１５は、その媒体上に実行可能命令２１２０を内包することができる。加えて、または代替的に、記憶装置２１２５が、コンピュータ・アクセス可能媒体２１１５とは別個に設けられ得るものであり、その記憶装置２１２５は、命令を処理装置２１０５に提供することを、例えば、本明細書において上記で説明されたような、所定の例示的な手順、プロセス、および方法を実行するように処理装置を構成するように行うことができる。例示的な手順は、患者に対するイメージング情報を受信すること、イメージング情報をセグメンテーションすること、および、イメージング情報内の嚢胞性病変を分類することを含むことができる。

さらに、例示的な処理装置２１０５は、入出力ポート２１３５を設けられる、または含むことがあり、それらの入出力ポート２１３５は、例えば、有線ネットワーク、ワイヤレス・ネットワーク、インターネット、イントラネット、データ採取プローブ、センサ、その他を含むことができる。図２１において示されるように、例示的な処理装置２１０５は、例示的な表示装置２１３０と通信している様態にあり得るものであり、その表示装置２１３０は、本開示の所定の例示的な実施形態によれば、例えば、処理装置からの情報を出力することに加えて、処理装置への情報を入力することのために構成されるタッチ・スクリーンであり得る。例えば、表示装置２１３０は、イメージング情報を、ユーザ（例えば、医者）に表示するために使用され得るものであり、そのユーザは、入力を提供して、イメージング情報に関するセグメンテーションする動作を遂行することができる。さらに、例示的な表示装置２１３０および／または記憶装置２１２５は、ユーザ・アクセス可能フォーマットおよび／またはユーザ可読フォーマットで、データを表示および／または記憶するために使用され得る。

前述のことは、本開示の原理を例解するにすぎない。説明された実施形態に対する様々な修正および改変が、当業者には、本明細書においての教示に鑑みて明らかであろう。したがって、当業者は、本明細書において明示的に示されない、または説明されないが、本開示の原理を実施する、ならびに、かくして、本開示の趣旨および範囲の中にあり得る、数多くのシステム、装置、および手順を考案することができることになるということが察知されるであろう。様々な異なる例示的な実施形態は、当業者により理解されるはずであるように、互いと一緒に、および、互いと交換可能に使用され得る。加えて、本開示の明細書、図面、および特許請求の範囲を含めて、本開示において使用される所定の用語は、例えばデータおよび情報を含むが、それらに限られない、所定の実例において同義的に使用され得る。互いに同義的であり得るこれらの単語、および／または、他の単語が、本明細書において同義的に使用され得る一方で、そのような単語が、同義的に使用されないことを意図され得る実例が存し得るということが理解されるべきである。さらに、従来技術知識が、上記で本明細書に参照により明示的に組み込まれていない限りにおいて、その従来技術知識は、その全体において本明細書に明示的に組み込まれている。参照されるすべての出版物は、それらの全体において参照により本明細書に組み込まれている。

例示的な参考文献
後に続く参考文献は、ここに、それらの全体において参照により組み込まれている。
［１］Ｌｅｎｎｏｎ， Ａ．Ｍ．、Ｗｏｌｆｇａｎｇ， Ｃ．Ｌ．、Ｃａｎｔｏ， Ｍ．Ｉ．、Ｋｌｅｉｎ， Ａ．Ｐ．、Ｈｅｒｍａｎ， Ｊ．Ｍ．、Ｇｏｇｇｉｎｓ， Ｍ．、Ｆｉｓｈｍａｎ， Ｅ．Ｋ．、Ｋａｍｅｌ， Ｉ．、Ｗｅｉｓｓ， Ｍ．Ｊ．、Ｄｉａｚ， Ｌ．Ａ．、Ｐａｐａｄｏｐｏｕｌｏｓ， Ｎ．、Ｋｉｎｚｌｅｒ， Ｋ．Ｗ．、Ｖｏｇｅｌｓｔｅｉｎ， Ｂ．、Ｈｒｕｂａｎ， Ｒ．Ｈ．：Ｔｈｅ ｅａｒｌｙ ｄｅｔｅｃｔｉｏｎ ｏｆ ｐａｎｃｒｅａｔｉｃ ｃａｎｃｅｒ：Ｗｈａｔ ｗｉｌｌ ｉｔ ｔａｋｅ ｔｏ ｄｉａｇｎｏｓｅ ａｎｄ ｔｒｅａｔ ｃｕｒａｂｌｅ ｐａｎｃｒｅａｔｉｃ ｎｅｏｐｌａｓｉａ？ Ｃａｎｃｅｒ Ｒｅｓｅａｒｃｈ ７４（１３）（２０１４）３３８１〜３３８９。
［２］Ｓａｈａｎｉ， Ｄ．Ｖ．、Ｓａｉｎａｎｉ、Ｂｌａｋｅ， Ｍ．Ａ．、Ｃｒｉｐｐａ， Ｓ．、Ｍｉｎｏ−Ｋｅｎｕｄｓｏｎ， Ｍ．、ｄｅｌ Ｃａｓｔｉｌｌｏ， Ｃ．Ｆ．：Ｐｒｏｓｐｅｃｔｉｖｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｒｅａｄｅｒ ｐｅｒｆｏｒｍａｎｃｅ ｏｎ ｍｄｃｔ ｉｎ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ ｃｙｓｔｉｃ ｐａｎｃｒｅａｔｉｃ ｌｅｓｉｏｎｓ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｃｙｓｔ ｂｉｏｌｏｇｉｃ ａｇｇｒｅｓｓｉｖｅｎｅｓｓ． Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｅｎｔｇｅｎｏｌｏｇｙ １９７（１）（２０１１）Ｗ５３〜Ｗ６１。
［３］Ｄｍｉｔｒｉｅｖ， Ｋ．、Ｇｕｎｔｅｎｋｏ， Ｉ、Ｎａｄｅｅｍ， Ｓ．、Ｋａｕｆｍａｎ， Ａ．：Ｐａｎｃｒｅａｓ ａｎｄ ｃｙｓｔ ｓｅｇｍｅｎｔａｔｉｏｎ． Ｐｒｏｃ． ｏｆ ＳＰＩＥ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ （２０１６）９７８４２Ｃ〜９７８４２Ｃ。
［４］Ｍａｇｇｉｏｎｉ， Ｍ．、Ｋａｔｋｏｖｎｉｋ， Ｖ．、Ｅｇｉａｚａｒｉａｎ， Ｋ．、Ｆｏｉ， Ａ．：Ｎｏｎｌｏｃａｌ ｔｒａｎｓｆｏｒｍ−ｄｏｍａｉｎ ｆｉｌｔｅｒ ｆｏｒ ｖｏｌｕｍｅｔｒｉｃ ｄａｔａ ｄｅｎｏｉｓｉｎｇ ａｎｄ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ２２（１）（２０１３）１１９〜１３３。
［５］Ｃｈｏ， Ｈ．Ｗ．、Ｃｈｏｉ， Ｊ．Ｙ．、Ｋｉｍ， Ｍ．Ｊ．、Ｐａｒｋ， Ｍ．Ｓ．、Ｌｉｍ， Ｊ．Ｓ．、Ｃｈｕｎｇ， Ｙ．Ｅ．、Ｋｉｍ， Ｋ．Ｗ．：Ｐａｎｃｒｅａｔｉｃ ｔｕｍｏｒｓ：ｅｍｐｈａｓｉｓ ｏｎ ＣＴ ｆｉｎｄｉｎｇｓ ａｎｄ ｐａｔｈｏｌｏｇｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ． Ｋｏｒｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｒａｄｉｏｌｏｇｙ １２（６）（２０１１）７３１〜７３９。
［６］Ｙａｎｇ， Ｍ．、Ｋｐａｌｍａ， Ｋ．、Ｒｏｎｓｉｎ， Ｊ．：Ａ ｓｕｒｖｅｙ ｏｆ ｓｈａｐｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ （２００８）４３〜９０。
［７］Ｒａｍａｎ， Ｓ．Ｐ．、Ｃｈｅｎ， Ｙ．、Ｓｃｈｒｏｅｄｅｒ， Ｊ．Ｌ．、Ｈｕａｎｇ， Ｐ．、Ｆｉｓｈｍａｎ， Ｅ．Ｋ．：ＣＴ ｔｅｘｔｕｒｅ ａｎａｌｙｓｉｓ ｏｆ ｒｅｎａｌ ｍａｓｓｅｓ：ｐｉｌｏｔ ｓｔｕｄｙ ｕｓｉｎｇ ｒａｎｄｏｍ ｆｏｒｅｓｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｐａｔｈｏｌｏｇｙ． Ａｃａｄｅｍｉｃ Ｒａｄｉｏｌｏｇｙ ２１（１２）（２０１４）１５８７〜１５９６。
［８］Ｒａｍａｎ， Ｓ．Ｐ．、Ｓｃｈｒｏｅｄｅｒ， Ｊ．Ｌ．、Ｈｕａｎｇ， Ｐ．、Ｃｈｅｎ， Ｙ．、Ｃｏｑｕｉａ， Ｓ．Ｆ．、Ｋａｗａｍｏｔｏ， Ｓ．、Ｆｉｓｈｍａｎ， Ｅ．Ｋ．：Ｐｒｅｌｉｍｉｎａｒｙ ｄａｔａ ｕｓｉｎｇ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｔｅｘｔｕｒｅ ａｎａｌｙｓｉｓ ｆｏｒ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｙｐｅｒｖａｓｃｕｌａｒ ｌｉｖｅｒ ｌｅｓｉｏｎｓ：ｇｅｎｅｒａｔｉｏｎ ｏｆ ａ ｐｒｅｄｉｃｔｉｖｅ ｍｏｄｅｌ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｑｕａｎｔｉｔａｔｉｖｅ ｓｐａｔｉａｌ ｆｒｅｑｕｅｎｃｙ ｍｅａｓｕｒｅｍｅｎｔｓ − ａ ｗｏｒｋ ｉｎ ｐｒｏｇｒｅｓｓ． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｓｓｉｓｔｅｄ Ｔｏｍｏｇｒａｐｈｙ ３９（３）（２０１５）３８３〜３９５。
［９］Ｃｒｉｍｉｎｉｓｉ， Ａ．、Ｓｈｏｔｔｏｎ， Ｊ．、Ｋｏｎｕｋｏｇｌｕ， Ｅ．：Ｄｅｃｉｓｉｏｎ ｆｏｒｅｓｔｓ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ， ｒｅｇｒｅｓｓｉｏｎ， ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎ， ｍａｎｉｆｏｌｄ ｌｅａｒｎｉｎｇ ａｎｄ ｓｅｍｉ−ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ． Ｍｉｃｒｏｓｏｆｔ Ｒｅｓｅａｒｃｈ Ｃａｍｂｒｉｄｇｅ， Ｔｅｃｈ， Ｒｅｐ． ＭＳＲＴＲ−２０１１−１１４ ５（６）（２０１１）１２。
［１０］Ｚａｈｅｅｒ， Ａ．、Ｐｏｋｈａｒｅｌ， Ｓ．Ｓ．、Ｗｏｌｆｇａｎｇ， Ｃ．、Ｆｉｓｈｍａｎ， Ｅ．Ｋ．、Ｈｏｒｔｏｎ， Ｋ．Ｍ．：Ｉｎｃｉｄｅｎｔａｌｌｙ ｄｅｔｅｃｔｅｄ ｃｙｓｔｉｃ ｌｅｓｉｏｎｓ ｏｆ ｔｈｅ ｐａｎｃｒｅａｓ ｏｎ ＣＴ：ｒｅｖｉｅｗ ｏｆ ｌｉｔｅｒａｔｕｒｅ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｓｕｇｇｅｓｔｉｏｎｓ． Ａｂｄｏｍｉｎａｌ Ｉｍａｇｉｎｇ ３８（２）（２０１３）３３１〜３４１。
［１１］Ｓｈｉｎ， Ｈ．Ｃ．、Ｒｏｔｈ， Ｈ．Ｒ．、Ｇａｏ， Ｍ．、Ｌｕ， Ｌ．、Ｘｕ， Ｚ．、Ｎｏｇｕｅｓ， Ｉ、Ｙａｏ， Ｊ．、Ｍｏｌｌｕｒａ， Ｄ．、Ｓｕｍｍｅｒｓ， Ｒ．Ｍ．：Ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｃｏｍｐｕｔｅｒ−ａｉｄｅｄ ｄｅｔｅｃｔｉｏｎ：Ｃｎｎ ａｒｃｈｉｔｅｃｔｕｒｅｓ， ｄａｔａｓｅｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ３５（５）（２０１６）１２８５〜１２９８。
［１２］Ｉｎｇａｌｈａｌｉｋａｒ， Ｍ．、Ｐａｒｋｅｒ， Ｗ．Ａ．、Ｂｌｏｙ， Ｌ．、Ｒｏｂｅｒｔｓ， Ｔ．Ｐ．、Ｖｅｒｍａ， Ｒ．：Ｕｓｉｎｇ ｍｕｌｔｉ−ｐａｒａｍｅｔｒｉｃ ｄａｔａ ｗｉｔｈ ｍｉｓｓｉｎｇ ｆｅａｔｕｒｅｓ ｆｏｒ ｌｅａｒｎｉｎｇ ｐａｔｔｅｒｎｓ ｏｆ ｐａｔｈｏｌｏｇｙ、Ｐｒｏｃ． ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＭＩＣＣＡＩ （２０１２）４６８〜４７５。
［１３］Ｃｈｅｎｇｗｅｎ Ｃｈｕ、Ｍａｓａｈｉｒｏ Ｏｄａ、Ｔａｋａｙｕｋｉ Ｋｉｔａｓａｋａ、Ｋａｚｕｎａｒｉ Ｍｉｓａｗａ、Ｍｉｃｈｉｔａｋａ Ｆｕｊｉｗａｒａ、Ｙｕｉｃｈｉｒｏ Ｈａｙａｓｈｉ、Ｙｕｋｉｔａｋａ Ｎｉｍｕｒａ、Ｄａｎｉｅｌ Ｒｕｅｃｋｅｒｔ、およびＫｅｎｓａｋｕ Ｍｏｒｉ。Ｍｕｌｔｉ−ｏｒｇａｎ ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｐａｔｉａｌｌｙ−ｄｉｖｉｄｅｄ ｐｒｏｂａｂｉｌｉｓｔｉｃ ａｔｌａｓ ｆｒｏｍ ３Ｄ ａｂｄｏｍｉｎａｌ ＣＴ ｉｍａｇｅｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ、（ＭＩＣＣＡＩ）、１６５〜１７２頁、２９２、２０１３。
［１４］Ｊｉａ Ｄｅｎｇ、Ｗｅｉ Ｄｏｎｇ、Ｒｉｃｈａｒｄ Ｓｏｃｈｅｒ、Ｌｉ−Ｊｉａ Ｌｉ、Ｋａｉ Ｌｉ、およびＬｉ Ｆｅｉ−Ｆｅｉ。Ｉｍａｇｅｎｅｔ：Ａ ｌａｒｇｅ−ｓｃａｌｅ ｈｉｅｒａｒｃｈｉｃａｌ ｉｍａｇｅ ｄａｔａｂａｓｅ． Ｐｒｏｃ． ｏｆ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ、（ＣＶＰＲ）、２４８〜２５５頁、２００９。
［１５］Ｅｍｉｌｙ Ｌ Ｄｅｎｔｏｎ、Ｓｏｕｍｉｔｈ Ｃｈｉｎｔａｌａ、Ｒｏｂ Ｆｅｒｇｕｓら。Ｄｅｅｐ ｇｅｎｅｒａｔｉｖｅ ｉｍａｇｅ ｍｏｄｅｌｓ ｕｓｉｎｇ ａ ｌａｐｌａｃｉａｎ ｐｙｒａｍｉｄ ｏｆ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、１４８６〜１４９４頁、２０１５。
［１６］Ｋｏｎｓｔａｎｔｉｎ Ｄｍｉｔｒｉｅｖ、Ａｒｉｅ Ｅ Ｋａｕｆｍａｎ、Ａｍｍａｒ Ａ Ｊａｖｅｄ、Ｒａｌｐｈ Ｈ Ｈｒｕｂａｎ、Ｅｌｌｉｏｔ Ｋ Ｆｉｓｈｍａｎ、Ａｎｎｅ Ｍａｒｉｅ Ｌｅｎｎｏｎ、およびＪｏｅｌ Ｈ Ｓａｌｔｚ。Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｐａｎｃｒｅａｔｉｃ ｃｙｓｔｓ ｉｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｉｍａｇｅｓ ｕｓｉｎｇ ａ ｒａｎｄｏｍ ｆｏｒｅｓｔ ａｎｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｅｎｓｅｍｂｌｅ． Ｐｒｏｃ． ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ、（ＭＩＣＣＡＩ）、３０３−１５０〜１５８頁、２０１７。
［１７］Ｑｉ Ｄｏｕ、Ｈａｏ Ｃｈｅｎ、Ｙｕｅｍｉｎｇ Ｊｉｎ、Ｌｅｑｕａｎ Ｙｕ、Ｊｉｎｇ Ｑｉｎ、およびＰｈｅｎｇ−Ａｎｎ Ｈｅｎｇ。３Ｄ ｄｅｅｐｌｙ ｓｕｐｅｒｖｉｓｅｄ ｎｅｔｗｏｒｋ ｆｏｒ ａｕｔｏｍａｔｉｃ ｌｉｖｅｒ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｒｏｍ ＣＴ ｖｏｌｕｍｅｓ． Ｐｒｏｃ． ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ、（ＭＩＣＣＡＩ）、１４９〜１５７頁、２０１６。
［１８］Ｍｉｃｈａｌ Ｄｒｏｚｄｚａｌ、Ｇａｂｒｉｅｌ Ｃｈａｒｔｒａｎｄ、Ｅｕｇｅｎｅ Ｖｏｒｏｎｔｓｏｖ、Ｍａｈｓａ Ｓｈａｋｅｒｉ、Ｌｉｓａ Ｄｉ Ｊｏｒｉｏ、Ａｎ Ｔａｎｇ、Ａｄｒｉａｎａ Ｒｏｍｅｒｏ、Ｙｏｓｈｕａ Ｂｅｎｇｉｏ、Ｃｈｒｉｓ Ｐａｌ、およびＳａｍｕｅｌ Ｋａｄｏｕｒｙ。Ｌｅａｒｎｉｎｇ ｎｏｒｍａｌｉｚｅｄ ｉｎｐｕｔｓ ｆｏｒ ｉｔｅｒａｔｉｖｅ ｅｓｔｉｍａｔｉｏｎ ｉｎ ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ． Ｍｅｄｉｃａｌ ｉｍａｇｅ ａｎａｌｙｓｉｓ、４４：１〜１３、２０１８。
［１９］Ｍａｒｋ Ｅｖｅｒｉｎｇｈａｍ、Ｌｕｃ Ｖａｎ Ｇｏｏｌ、Ｃｈｒｉｓｔｏｐｈｅｒ ＫＩ Ｗｉｌｌｉａｍｓ、Ｊｏｈｎ Ｗｉｎｎ、およびＡｎｄｒｅｗ Ｚｉｓｓｅｒｍａｎ。Ｔｈｅ ｐａｓｃａｌ ｖｉｓｕａｌ ｏｂｊｅｃｔ ｃｌａｓｓｅｓ （ｖｏｃ） ｃｈａｌｌｅｎｇｅ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ、８８（２）：３１２ ３０３〜３３８、２０１０。
［２０］Ａｍａｌ Ｆａｒａｇ、Ｌｅ Ｌｕ、Ｈｏｌｇｅｒ Ｒ Ｒｏｔｈ、Ｊｉａｍｉｎ Ｌｉｕ、Ｅｖｒｉｍ Ｔｕｒｋｂｅｙ、およびＲｏｎａｌｄ Ｍ Ｓｕｍｍｅｒｓ。Ａ ｂｏｔｔｏｍ−ｕｐ ａｐｐｒｏａｃｈ ｆｏｒ ｐａｎｃｒｅａｓ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ｃａｓｃａｄｅｄ ｓｕｐｅｒｐｉｘｅｌｓ ａｎｄ （ｄｅｅｐ） ｉｍａｇｅ ｐａｔｃｈ ｌａｂｅｌｉｎｇ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ、２６（１）：３８６〜３９９、２０１７。
［２１］Ｍｉｃｈａｅｌ Ｇｏｅｔｚ、Ｃｈｒｉｓｔｉａｎ Ｗｅｂｅｒ、Ｂｒａｍ Ｓｔｉｅｌｔｊｅｓ、Ｋｌａｕｓ Ｍａｉｅｒ−Ｈｅｉｎ、およびＫ Ｍａｉｅｒ。Ｌｅａｒｎｉｎｇ ｆｒｏｍ ｓｍａｌｌ ａｍｏｕｎｔｓ ｏｆ ｌａｂｅｌｅｄ ｄａｔａ ｉｎ ａ ｂｒａｉｎ ｔｕｍｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｔａｓｋ． Ｐｒｏｃ． ｏｆ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、２０１４。
［２２］Ｔｏｂｉａｓ Ｈｅｉｍａｎｎ、Ｂｒａｍ Ｖａｎ Ｇｉｎｎｅｋｅｎ、Ｍａｒｔｉｎ Ａ Ｓｔｙｎｅｒ、Ｙｕｌｉａ Ａｒｚｈａｅｖａ、Ｖｏｌｋｅｒ Ａｕｒｉｃｈ、Ｃｈｒｉｓｔｉａｎ Ｂａｕｅｒ、Ａｎｄｒｅａｓ Ｂｅｃｋ、Ｃｈｒｉｓｔｏｐｈ Ｂｅｃｋｅｒ、Ｒｅｉｎｈａｒｄ Ｂｅｉｃｈｅｌ、Ｇｙｏｒｇｙ Ｂｅｋｅｓら。Ｃｏｍｐａｒｉｓｏｎ ａｎｄ ｅｖａｌｕａｔｉｏｎ ｏｆ ｍｅｔｈｏｄｓ ｆｏｒ ｌｉｖｅｒ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｒｏｍ ＣＴ ｄａｔａｓｅｔｓ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、２８（８）：１２５１〜１２６５、２００９。
［２３］Ｒｏｔｈ Ｈｏｌｇｅｒ、Ｆａｒａｇ Ａｍａｌ、Ｔｕｒｋｂｅｙ Ｅｖｒｉｍ、Ｌｕ Ｌｅ、Ｌｉｕ Ｊｉａｍｉｎ、およびＳｕｍｍｅｒｓ Ｒｏｎａｌｄ。Ｄａｔａ ｆｒｏｍ ｐａｎｃｒｅａｓ − ＣＴ． Ｃａｎｃｅｒ Ｉｍａｇｉｎｇ Ａｒｃｈｉｖｅ、２０１６。
［２４］Ｇａｏ Ｈｕａｎｇ、Ｚｈｕａｎｇ Ｌｉｕ、Ｋｉｌｉａｎ Ｑ Ｗｅｉｎｂｅｒｇｅｒ、およびＬａｕｒｅｎｓ ｖａｎ ｄｅｒ Ｍａａｔｅｎ。Ｄｅｎｓｅｌｙ ｃｏｎｎｅｃｔｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ． Ｐｒｏｃ． ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ、（ＣＶＰＲ）、１（２）：３、２０１７。
［２５］Ｓｉｍｏｎ Ｊｅｇｏｕ、Ｍｉｃｈａｌ Ｄｒｏｚｄｚａｌ、Ｄａｖｉｄ Ｖａｚｑｕｅｚ、Ａｄｒｉａｎａ Ｒｏｍｅｒｏ、およびＹｏｓｈｕａ Ｂｅｎｇｉｏ。Ｔｈｅ ｏｎｅ ｈｕｎｄｒｅｄ ｌａｙｅｒｓ ｔｉｒａｍｉｓｕ：Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｎｓｅｎｅｔｓ ｆｏｒ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ． Ｐｒｏｃ． ｏｆ ＩＥＥＥ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋｓｈｏｐｓ（ＣＶＰＲＷ）、１１７５〜１１８３頁、２０１７。
［２６］Ｏｓｃａｒ Ｊｉｍｅｎｅｚ−ｄｅｌ Ｔｏｒｏ、Ｈｅｎｎｉｎｇ Ｍｕｅｌｌｅｒ、Ｍａｒｋｕｓ Ｋｒｅｎｎ、Ｋａｔｈａｒｉｎａ Ｇｒｕｅｎｂｅｒｇ、Ａｂｄｅｌ Ａｚｉｚ Ｔａｈａ、Ｍａｒｉａｎｎｅ Ｗｉｎｔｅｒｓｔｅｉｎ、Ｉｖａｎ Ｅｇｇｅｌ、Ａｎｔｏｎｉｏ Ｆｏｎｃｕｂｉｅｒｔａ−Ｒｏｄｒｉｇｕｅｚ、Ｏｒｃｕｎ Ｇｏｋｓｅｌ、Ａｎｄｒａｓ Ｊａｋａｂら。Ｃｌｏｕｄ−ｂａｓｅｄ ｅｖａｌｕａｔｉｏｎ ｏｆ ａｎａｔｏｍｉｃａｌ ｓｔｒｕｃｔｕｒｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｌａｎｄｍａｒｋ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ：Ｖｉｓｃｅｒａｌ ａｎａｔｏｍｙ ｂｅｎｃｈｍａｒｋｓ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、３５（１１）：２４５９〜２４７５、２０１６。
［２７］Ｄｉｅｄｅｒｉｋ Ｐ ＫｉｎｇｍａおよびＪｉｍｍｙ Ｂａ． Ａｄａｍ：Ａ ｍｅｔｈｏｄ ｆｏｒ ｓｔｏｃｈａｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ：１４１２．６９８０、２０１４。
［２８］Ｃｈｒｉｓｔｏｐｈ Ｌａｓｓｎｅｒ、Ｇｅｒａｒｄ Ｐｏｎｓ−Ｍｏｌｌ、およびＰｅｔｅｒ Ｖ Ｇｅｈｌｅｒ。Ａ ｇｅｎｅｒａｔｉｖｅ ｍｏｄｅｌ ｏｆ ｐｅｏｐｌｅ ｉｎ ｃｌｏｔｈｉｎｇ． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１７０５．０４０９８、２０１７。
［２９］Ｔｓｕｎｇ−Ｙｉ Ｌｉｎ、Ｍｉｃｈａｅｌ Ｍａｉｒｅ、Ｓｅｒｇｅ Ｂｅｌｏｎｇｉｅ、Ｊａｍｅｓ Ｈａｙｓ、Ｐｉｅｔｒｏ Ｐｅｒｏｎａ、Ｄｅｖａ Ｒａｍａｎａｎ、Ｐｉｏｔｒ、およびＣ Ｌａｗｒｅｎｃｅ Ｚｉｔｎｉｃｋ。Ｍｉｃｒｏｓｏｆｔ ＣＯＣＯ：Ｃｏｍｍｏｎ ｏｂｊｅｃｔｓ ｉｎ ｃｏｎｔｅｘｔ． Ｐｒｏｃ． ｏｆ Ｅｕｒｏｐｅａｎ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ、（ＥＣＣＶ）、７４０〜７５５頁、２０１４。
［３０］Ｆａｎｇ Ｌｕ、Ｆａ Ｗｕ、Ｐｅｉｊｕｎ Ｈｕ、Ｚｈｉｙｉ Ｐｅｎｇ、およびＤｅｘｉｎｇ Ｋｏｎｇ。Ａｕｔｏｍａｔｉｃ ３Ｄ ｌｉｖｅｒ ｌｏｃａｔｉｏｎ ａｎｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｖｉａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｇｒａｐｈ ｃｕｔ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｒａｄｉｏｌｏｇｙ ａｎｄ Ｓｕｒｇｅｒｙ、１２（２）：１７１〜１８２、２０１７。
［３１］Ｌｉｑｉａｎ Ｍａ、Ｘｕ Ｊｉａ、Ｑｉａｎｒｕ Ｓｕｎ、Ｂｅｒｎｔ Ｓｃｈｉｅｌｅ、Ｔｉｎｎｅ Ｔｕｙｔｅｌａａｒｓ、およびＬｕｃ Ｖａｎ Ｇｏｏｌ。Ｐｏｓｅ ｇｕｉｄｅｄ ｐｅｒｓｏｎ ｉｍａｇｅ ｇｅｎｅｒａｔｉｏｎ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、４０５〜４１５頁、２０１７。
［３２］Ｔｏｓｈｉｙｕｋｉ Ｏｋａｄａ、Ｍａｒｉｕｓ Ｇｅｏｒｇｅ Ｌｉｎｇｕｒａｒｕ、Ｍａｓａｔｏｓｈｉ Ｈｏｒｉ、Ｒｏｎａｌｄ Ｍ Ｓｕｍｍｅｒｓ、Ｎｏｒｉｙｕｋｉ Ｔｏｍｉｙａｍａ、およびＹｏｓｈｉｎｏｂｕ Ｓａｔｏ。Ａｂｄｏｍｉｎａｌ ｍｕｌｔｉ−ｏｒｇａｎ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｒｏｍ ＣＴ ｉｍａｇｅｓ ｕｓｉｎｇ ｃｏｎｄｉｔｉｏｎａｌ ｓｈａｐｅ−ｌｏｃａｔｉｏｎ ａｎｄ ｕｎｓｕｐｅｒｖｉｓｅｄ ｉｎｔｅｎｓｉｔｙ ｐｒｉｏｒｓ． Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ、２６（１）：１〜１８、２０１５。
［３３］Ｂｒｕｎｏ Ｏｌｉｖｅｉｒａ、Ｓａｎｄｒｏ Ｑｕｅｉｒｏｓ、Ｐｅｄｒｏ Ｍｏｒａｉｓ、Ｈｅｌｅｎａ Ｒ Ｔｏｒｒｅｓ、Ｊｏａｏ Ｇｏｍｅｓ−Ｆｏｎｓｅｃａ、Ｊａｉｍｅ Ｃ Ｆｏｎｓｅｃａ、およびＪｏａｏ Ｌ Ｖｉｌａｃａ。Ａ ｎｏｖｅｌ ｍｕｌｔｉ−ａｔｌａｓ ｓｔｒａｔｅｇｙ ｗｉｔｈ ｄｅｎｓｅ ｄｅｆｏｒｍａｔｉｏｎ ｆｉｅｌｄ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｆｏｒ ａｂｄｏｍｉｎａｌ ａｎｄ ｔｈｏｒａｃｉｃ ｍｕｌｔｉ−ｏｒｇａｎ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｒｏｍ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ． Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ、４５：１０８〜１２０、２０１８。
［３４］Ｓｙｌｖｅｓｔｒｅ−Ａｌｖｉｓｅ Ｒｅｂｕｆｆｉ、Ｈａｋａｎ Ｂｉｌｅｎ、およびＡｎｄｒｅａ Ｖｅｄａｌｄｉ。Ｌｅａｒｎｉｎｇ ｍｕｌｔｉｐｌｅ ｖｉｓｕａｌ ｄｏｍａｉｎｓ ｗｉｔｈ ｒｅｓｉｄｕａｌ ａｄａｐｔｅｒｓ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、５０６〜５１６頁、２０１７。
［３５］Ｓｃｏｔｔ Ｅ Ｒｅｅｄ、Ｚｅｙｎｅｐ Ａｋａｔａ、Ｓａｎｔｏｓｈ Ｍｏｈａｎ、Ｓａｍｕｅｌ Ｔｅｎｋａ、Ｂｅｒｎｔ Ｓｃｈｉｅｌｅ、およびＨｏｎｇｌａｋ Ｌｅｅ。Ｌｅａｒｎｉｎｇ ｗｈａｔ ａｎｄ ｗｈｅｒｅ ｔｏ ｄｒａｗ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、２１７〜２２５頁、２０１６。
［３６］Ｈｏｌｇｅｒ Ｒ Ｒｏｔｈ、Ｌｅ Ｌｕ、Ａｍａｌ Ｆａｒａｇ、Ｈｏｏ−Ｃｈａｎｇ Ｓｈｉｎ、Ｊｉａｍｉｎ Ｌｉｕ、Ｅｖｒｉｍ Ｂ Ｔｕｒｋｂｅｙ、およびＲｏｎａｌｄ Ｍ Ｓｕｍｍｅｒｓ。Ｄｅｅｐｏｒｇａｎ：Ｍｕｌｔｉ−ｌｅｖｅｌ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ａｕｔｏｍａｔｅｄ ｐａｎｃｒｅａｓ ｓｅｇｍｅｎｔａｔｉｏｎ． Ｐｒｏｃ． ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ、（ＭＩＣＣＡＩ）、５５６〜５６４頁、２０１５。
［３７］Ｈｏｌｇｅｒ Ｒ Ｒｏｔｈ、Ｈｉｒｏｈｉｓａ Ｏｄａ、Ｙｕｉｃｈｉｒｏ Ｈａｙａｓｈｉ、Ｍａｓａｈｉｒｏ Ｏｄａ、Ｎａｔｓｕｋｉ Ｓｈｉｍｉｚｕ、Ｍｉｃｈｉｔａｋａ Ｆｕｊｉｗａｒａ、Ｋａｚｕｎａｒｉ Ｍｉｓａｗａ、およびＫｅｎｓａｋｕ Ｍｏｒｉ。Ｈｉｅｒａｒｃｈｉｃａｌ ３Ｄ ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｍｕｌｔｉ−ｏｒｇａｎ ｓｅｇｍｅｎｔａｔｉｏｎ． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１７０４．０６３８２、２０１７。
［３８］Ａａｒｏｎ ｖａｎ ｄｅｎ Ｏｏｒｄ、Ｎａｌ Ｋａｌｃｈｂｒｅｎｎｅｒ、Ｌａｓｓｅ Ｅｓｐｅｈｏｌｔ、Ｏｒｉｏｌ Ｖｉｎｙａｌｓ、Ａｌｅｘ Ｇｒａｖｅｓら。Ｃｏｎｄｉｔｉｏｎａｌ ｉｍａｇｅ ｇｅｎｅｒａｔｉｏｎ ｗｉｔｈ ｐｉｘｅｌｃｎｎ ｄｅｃｏｄｅｒｓ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、４７９０〜４７９８頁、２０１６。
［３９］Ｒｏｂｉｎ Ｗｏｌｚ、Ｃｈｅｎｇｗｅｎ Ｃｈｕ、Ｋａｚｕｎａｒｉ Ｍｉｓａｗａ、Ｋｅｎｓａｋｕ Ｍｏｒｉ、およびＤａｎｉｅｌ Ｒｕｅｃｋｅｒｔ。Ｍｕｌｔｉ−ｏｒｇａｎ ａｂｄｏｍｉｎａｌ ＣＴ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ｈｉｅｒａｒｃｈｉｃａｌｌｙ ｗｅｉｇｈｔｅｄ ｓｕｂｊｅｃｔ−ｓｐｅｃｉｆｉｃ ａｔｌａｓｅｓ． Ｐｒｏｃ． Ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ（ＭＩＣＣＡＩ）、１０〜１７頁、２０１２。
［４０］Ｔｉａｎｆａｎ Ｘｕｅ、Ｊｉａｊｕｎ Ｗｕ、Ｋａｔｈｅｒｉｎｅ Ｂｏｕｍａｎ、およびＢｉｌｌ Ｆｒｅｅｍａｎ。Ｖｉｓｕａｌ ｄｙｎａｍｉｃｓ：Ｐｒｏｂａｂｉｌｉｓｔｉｃ ｆｕｔｕｒｅ ｆｒａｍｅ ｓｙｎｔｈｅｓｉｓ ｖｉａ ｃｒｏｓｓ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、９１〜９９頁、２０１６。
［４１］Ｘｉｎｃｈｅｎ Ｙａｎ、Ｊｉｍｅｉ Ｙａｎｇ、Ｋｉｈｙｕｋ Ｓｏｈｎ、およびＨｏｎｇｌａｋ Ｌｅｅ。Ａｔｔｒｉｂｕｔｅ２ｉｍａｇｅ：Ｃｏｎｄｉｔｉｏｎａｌ ｉｍａｇｅ ｇｅｎｅｒａｔｉｏｎ ｆｒｏｍ ｖｉｓｕａｌ ａｔｔｒｉｂｕｔｅｓ． Ｐｒｏｃ． ｏｆ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ、（ＥＣＣＶ）、７７６〜７９１頁、２０１６。
［４２］Ｄｏｎｇ Ｙａｎｇ、Ｄａｇｕａｎｇ Ｘｕ、Ｓ Ｋｅｖｉｎ Ｚｈｏｕ、Ｂｏｇｄａｎ Ｇｅｏｒｇｅｓｃｕ、Ｍｉｎｇｑｉｎｇ Ｃｈｅｎ、Ｓａｓａ Ｇｒｂｉｃ、Ｄｉｍｉｔｒｉｓ Ｍｅｔａｘａｓ、およびＤｏｒｉｎ Ｃｏｍａｎｉｃｉｕ。Ａｕｔｏｍａｔｉｃ ｌｉｖｅｒ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ａｎ ａｄｖｅｒｓａｒｉａｌ ｉｍａｇｅ−ｔｏ−ｉｍａｇｅ ｎｅｔｗｏｒｋ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ、（ＭＩＣＣＡＩ）、５０７〜５１５頁、２０１７。
［４３］Ｙｕｙｉｎ Ｚｈｏｕ、Ｌｉｎｇｘｉ Ｘｉｅ、Ｗｅｉ Ｓｈｅｎ、Ｙａｎ Ｗａｎｇ、Ｅｌｌｉｏｔ Ｋ Ｆｉｓｈｍａｎ、およびＡｌａｎ Ｌ Ｙｕｉｌｌｅ。Ａ ｆｉｘｅｄ−ｐｏｉｎｔ ｍｏｄｅｌ ｆｏｒ ｐａｎｃｒｅａｓ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｎ ａｂｄｏｍｉｎａｌ ＣＴ ｓｃａｎｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ、（ＭＩＣＣＡＩ）、６９３〜７０１頁、２０１７。
［４４］Ｊｕｎ−Ｙａｎ Ｚｈｕ、Ｒｉｃｈａｒｄ Ｚｈａｎｇ、Ｄｅｅｐａｋ Ｐａｔｈａｋ、Ｔｒｅｖｏｒ Ｄａｒｒｅｌｌ、Ａｌｅｘｅｉ Ａ Ｅｆｒｏｓ、Ｏｌｉｖｅｒ Ｗａｎｇ、およびＥｌｉ Ｓｈｅｃｈｔｍａｎ。Ｔｏｗａｒｄ ｍｕｌｔｉｍｏｄａｌ ｉｍａｇｅ−ｔｏ−ｉｍａｇｅ ｔｒａｎｓｌａｔｉｏｎ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ、ＮＩＰＳ、４６５〜４７６頁、２０１７。

Claims (87)

1. 医用イメージング・データを使用して、少なくとも１つの嚢胞性病変についてスクリーニングするためのコンピュータ実行可能命令を記憶している非一時的コンピュータ・アクセス可能媒体であって、コンピュータ装置は、前記命令を実行するとき、
   少なくとも１人の患者の少なくとも１つの器官に対する第１のイメージング情報を受信することと、
   前記少なくとも１つの嚢胞性病変を指し示す少なくとも１つの組織タイプを含む、複数の組織タイプを識別するために、前記第１のイメージング情報に対してセグメンテーション動作を遂行することにより第２のイメージング情報を生成することと、
   前記第２のイメージング情報内の前記少なくとも１つの嚢胞性病変を識別することと、
   第１の分類器および第２の分類器を前記少なくとも１つの嚢胞性病変に適用して、複数の嚢胞性病変タイプのうちの１つまたは複数へと前記少なくとも１つの嚢胞性病変を分類することと
   を含む手順を遂行するように構成される、非一時的コンピュータ・アクセス可能媒体。
2. 前記第１の分類器は、ランダム・フォレスト（ＲＦ）分類器であり、前記第２の分類器は、畳み込みニューラル・ネットワーク分類器（ＣＮＮ）である、請求項１に記載のコンピュータ・アクセス可能媒体。
3. 前記ＣＮＮは、少なくとも６つの畳み込み層を含む、請求項２に記載のコンピュータ・アクセス可能媒体。
4. 前記少なくとも６つの畳み込み層は、少なくとも１つの最大プーリング層と、少なくとも１つのドロップアウト層と、少なくとも１つの全結合層とを含む、請求項３に記載のコンピュータ・アクセス可能媒体。
5. 前記少なくとも１つの最大プーリング層は、３つの最大プーリング層を含み、前記少なくとも１つのドロップアウト層は、２つのドロップアウト層を含み、前記少なくとも１つの全結合層は、３つの全結合層を含む、請求項４に記載のコンピュータ・アクセス可能媒体。
6. 前記３つの全結合層は、前記２つのドロップアウト層を含む、請求項５に記載のコンピュータ・アクセス可能媒体。
7. 前記コンピュータ装置は、前記第２のイメージング情報を、前記第１のイメージング情報を前景および背景へとセグメンテーションすることにより生成するように構成される、請求項１に記載のコンピュータ・アクセス可能媒体。
8. 前記前景は、膵臓腺を含み、前記背景は、複数のさらなる嚢胞性病変を含む、請求項７に記載のコンピュータ・アクセス可能媒体。
9. 前記コンピュータ装置は、前記第２の情報を、前記前景および前記背景に対する複数のセグメンテーション輪郭を生成することにより生成するようにさらに構成される、請求項７に記載のコンピュータ・アクセス可能媒体。
10. 前記コンピュータ装置は、前記第１の分類器を、前記少なくとも１人の患者に対する少なくとも１つの特性を分析することにより適用するように構成され、前記少なくとも１つの特性は、（ｉ）前記少なくとも１人の患者の年齢、（ｉｉ）前記少なくとも１人の患者の性別、（ｉｉｉ）膵臓腺においての前記少なくとも１つの嚢胞性病変の場所、（ｉｖ）前記少なくとも１つの嚢胞性病変の形状、または（ｉｖ）前記少なくとも１つの嚢胞性病変の強度特性のうちの少なくとも１つを含む、請求項９に記載のコンピュータ・アクセス可能媒体。
11. 前記コンピュータ装置は、前記少なくとも１つの特性を、前記前景の前記セグメンテーション輪郭または強度特性のうちの少なくとも１つに基づいて生成するようにさらに構成される、請求項１０に記載のコンピュータ・アクセス可能媒体。
12. 前記セグメンテーション動作は、自動化されたセグメンテーション手順である、請求項１に記載のコンピュータ・アクセス可能媒体。
13. 前記コンピュータ装置は、前記第２のイメージング情報を、
    前記第１のイメージング情報を、少なくとも１人のユーザに表示することと、
    前記第１のイメージング情報を、前記少なくとも１人のユーザから受信される入力に基づいてセグメンテーションすることと
    により生成するように構成される、請求項１に記載のコンピュータ・アクセス可能媒体。
14. 前記コンピュータ装置は、
    クラス確率の第１のセットを生成するために、前記第１の分類器を前記少なくとも１つの嚢胞性病変に適用することと、
    クラス確率の第２のセットを生成するために、前記第２の分類器を前記少なくとも１つの嚢胞性病変に適用することと
    を行うように構成される、請求項１に記載のコンピュータ・アクセス可能媒体。
15. 前記コンピュータ装置は、ベイジアン組み合わせをクラス確率の前記第１のセット、および、クラス確率の前記第２のセットに適用することにより、前記少なくとも１つの嚢胞性病変を分類するように構成される、請求項１４に記載のコンピュータ・アクセス可能媒体。
16. 前記コンピュータ装置は、前記少なくとも１つの嚢胞性病変を、（ｉ）膵管内乳頭粘液性腫瘍、（ｉｉ）粘液性嚢胞腫瘍、（ｉｉｉ）漿液性嚢胞腺腫、または（ｉｖ）充実性偽乳頭状腫瘍のうちの少なくとも１つとして分類するように構成される、請求項１に記載のコンピュータ・アクセス可能媒体。
17. 前記分類は、前記少なくとも１つの嚢胞性病変が、（ｉ）前記膵管内乳頭粘液性腫瘍、（ｉｉ）前記粘液性嚢胞腫瘍、（ｉｉｉ）前記漿液性嚢胞腺腫、または（ｉｖ）前記充実性偽乳頭状腫瘍のうちの前記少なくとも１つであるという確率を含む、請求項１６に記載のコンピュータ・アクセス可能媒体。
18. 前記少なくとも１つの嚢胞性病変は、前記少なくとも１人の患者の膵臓において場所決めされる、請求項１に記載のコンピュータ・アクセス可能媒体。
19. 前記第１のイメージング情報は、磁気共鳴イメージング情報またはコンピュータ断層撮影法イメージング情報を含む、請求項１に記載のコンピュータ・アクセス可能媒体。
20. 医用イメージング・データを使用して、少なくとも１つの嚢胞性病変についてスクリーニングするためのシステムであって、
    少なくとも１人の患者の少なくとも１つの器官に対する第１のイメージング情報を受信することと、
    前記少なくとも１つの嚢胞性病変を指し示す少なくとも１つの組織タイプを含む、複数の組織タイプを識別するために、前記第１のイメージング情報に対してセグメンテーション動作を遂行することにより第２のイメージング情報を生成することと、
    前記第２のイメージング情報内の前記少なくとも１つの嚢胞性病変を識別することと、
    第１の分類器および第２の分類器を前記少なくとも１つの嚢胞性病変に適用して、複数の嚢胞性病変タイプのうちの１つまたは複数へと前記少なくとも１つの嚢胞性病変を分類することと
    を行うように構成されるコンピュータ・ハードウェア装置
    を備える、システム。
21. 前記第１の分類器は、ランダム・フォレスト（ＲＦ）分類器であり、前記第２の分類器は、畳み込みニューラル・ネットワーク分類器（ＣＮＮ）である、請求項２０に記載のシステム。
22. 前記ＣＮＮは、少なくとも６つの畳み込み層を含む、請求項２１に記載のシステム。
23. 前記少なくとも６つの畳み込み層は、少なくとも１つの最大プーリング層と、少なくとも１つのドロップアウト層と、少なくとも１つの全結合層とを含む、請求項２２に記載のシステム。
24. 前記少なくとも１つの最大プーリング層は、３つの最大プーリング層を含み、前記少なくとも１つのドロップアウト層は、２つのドロップアウト層を含み、前記少なくとも１つの全結合層は、３つの全結合層を含む、請求項２３に記載のシステム。
25. 前記３つの全結合層は、前記２つのドロップアウト層を含む、請求項２４に記載のシステム。
26. 前記コンピュータ・ハードウェア装置は、前記第２のイメージング情報を、前記第１のイメージング情報を前景および背景へとセグメンテーションすることにより生成するように構成される、請求項２０に記載のシステム。
27. 前記前景は、膵臓腺を含み、前記背景は、複数のさらなる嚢胞性病変を含む、請求項２６に記載のシステム。
28. 前記コンピュータ・ハードウェア装置は、前記第２の情報を、前記前景および前記背景に対する複数のセグメンテーション輪郭を生成することにより生成するようにさらに構成される、請求項２６に記載のシステム。
29. 前記コンピュータ・ハードウェア装置は、前記第１の分類器を、前記少なくとも１人の患者に対する少なくとも１つの特性を分析することにより適用するように構成され、前記少なくとも１つの特性は、（ｉ）前記少なくとも１人の患者の年齢、（ｉｉ）前記少なくとも１人の患者の性別、（ｉｉｉ）膵臓腺においての前記少なくとも１つの嚢胞性病変の場所、（ｉｖ）前記少なくとも１つの嚢胞性病変の形状、または（ｉｖ）前記少なくとも１つの嚢胞性病変の強度特性のうちの少なくとも１つを含む、請求項２８に記載のシステム。
30. 前記コンピュータ・ハードウェア装置は、前記少なくとも１つの特性を、前記前景の前記セグメンテーション輪郭または強度特性のうちの少なくとも１つに基づいて生成するようにさらに構成される、請求項２９に記載のシステム。
31. 前記セグメンテーション動作は、自動化されたセグメンテーション手順である、請求項２０に記載のシステム。
32. 前記コンピュータ・ハードウェア装置は、前記第２のイメージング情報を、
    前記第１のイメージング情報を、少なくとも１人のユーザに表示することと、
    前記第１のイメージング情報を、前記少なくとも１人のユーザから受信される入力に基づいてセグメンテーションすることと
    により生成するように構成される、請求項２０に記載のシステム。
33. 前記コンピュータ・ハードウェア装置は、
    クラス確率の第１のセットを生成するために、前記第１の分類器を前記少なくとも１つの嚢胞性病変に適用することと、
    クラス確率の第２のセットを生成するために、前記第２の分類器を前記少なくとも１つの嚢胞性病変に適用することと
    を行うように構成される、請求項２０に記載のシステム。
34. 前記コンピュータ・ハードウェア装置は、ベイジアン組み合わせをクラス確率の前記第１のセット、および、クラス確率の前記第２のセットに適用することにより、前記少なくとも１つの嚢胞性病変を分類するように構成される、請求項３３に記載のシステム。
35. 前記コンピュータ・ハードウェア装置は、前記少なくとも１つの嚢胞性病変を、（ｉ）膵管内乳頭粘液性腫瘍、（ｉｉ）粘液性嚢胞腫瘍、（ｉｉｉ）漿液性嚢胞腺腫、または（ｉｖ）充実性偽乳頭状腫瘍のうちの少なくとも１つとして分類するように構成される、請求項２０に記載のシステム。
36. 前記分類は、前記少なくとも１つの嚢胞性病変が、（ｉ）前記膵管内乳頭粘液性腫瘍、（ｉｉ）前記粘液性嚢胞腫瘍、（ｉｉｉ）前記漿液性嚢胞腺腫、または（ｉｖ）前記充実性偽乳頭状腫瘍のうちの前記少なくとも１つであるという確率を含む、請求項３５に記載のシステム。
37. 前記少なくとも１つの嚢胞性病変は、前記少なくとも１人の患者の膵臓において場所決めされる、請求項２０に記載のシステム。
38. 前記第１のイメージング情報は、磁気共鳴イメージング情報またはコンピュータ断層撮影法イメージング情報を含む、請求項２０に記載のシステム。
39. 医用イメージング・データを使用して、少なくとも１つの嚢胞性病変についてスクリーニングするための方法であって、
    少なくとも１人の患者の少なくとも１つの器官に対する第１のイメージング情報を受信するステップと、
    前記少なくとも１つの嚢胞性病変を指し示す少なくとも１つの組織タイプを含む、複数の組織タイプを識別するために、前記第１のイメージング情報に対してセグメンテーション動作を遂行することにより第２のイメージング情報を生成するステップと、
    前記第２のイメージング情報内の前記少なくとも１つの嚢胞性病変を識別するステップと、
    コンピュータ・ハードウェア装置を使用して、第１の分類器および第２の分類器を前記少なくとも１つの嚢胞性病変に適用して、複数の嚢胞性病変タイプのうちの１つまたは複数へと前記少なくとも１つの嚢胞性病変を分類するステップと
    を含む、方法。
40. 前記第１の分類器は、ランダム・フォレスト（ＲＦ）分類器であり、前記第２の分類器は、畳み込みニューラル・ネットワーク分類器（ＣＮＮ）である、請求項３９に記載の方法。
41. 前記ＣＮＮは、少なくとも６つの畳み込み層を含む、請求項４０に記載の方法。
42. 前記少なくとも６つの畳み込み層は、少なくとも１つの最大プーリング層と、少なくとも１つのドロップアウト層と、少なくとも１つの全結合層とを含む、請求項４１に記載の方法。
43. 前記少なくとも１つの最大プーリング層は、３つの最大プーリング層を含み、前記少なくとも１つのドロップアウト層は、２つのドロップアウト層を含み、前記少なくとも１つの全結合層は、３つの全結合層を含む、請求項４２に記載の方法。
44. 前記３つの全結合層は、前記２つのドロップアウト層を含む、請求項４３に記載の方法。
45. 前記第２のイメージング情報を、前記第１のイメージング情報を前景および背景へとセグメンテーションすることにより生成するステップをさらに含む、請求項３９に記載の方法。
46. 前記前景は、膵臓腺を含み、前記背景は、複数のさらなる嚢胞性病変を含む、請求項４５に記載の方法。
47. 前記第２の情報を、前記前景および前記背景に対する複数のセグメンテーション輪郭を生成することにより生成するステップをさらに含む、請求項４５に記載の方法。
48. 前記第１の分類器を、前記少なくとも１人の患者に対する少なくとも１つの特性を分析することにより適用するステップをさらに含み、前記少なくとも１つの特性は、（ｉ）前記少なくとも１人の患者の年齢、（ｉｉ）前記少なくとも１人の患者の性別、（ｉｉｉ）膵臓腺においての前記少なくとも１つの嚢胞性病変の場所、（ｉｖ）前記少なくとも１つの嚢胞性病変の形状、または（ｉｖ）前記少なくとも１つの嚢胞性病変の強度特性のうちの少なくとも１つを含む、請求項４７に記載の方法。
49. 前記少なくとも１つの特性を、前記前景の前記セグメンテーション輪郭または強度特性のうちの少なくとも１つに基づいて生成するステップをさらに含む、請求項４８に記載の方法。
50. 前記セグメンテーション動作は、自動化されたセグメンテーション手順である、請求項３９に記載の方法。
51. 前記第２のイメージング情報を、
    前記第１のイメージング情報を、少なくとも１人のユーザに表示することと、
    前記第１のイメージング情報を、前記少なくとも１人のユーザから受信される入力に基づいてセグメンテーションすることと
    により生成するステップをさらに含む、請求項３９に記載の方法。
52. クラス確率の第１のセットを生成するために、前記第１の分類器を前記少なくとも１つの嚢胞性病変に適用するステップと、
    クラス確率の第２のセットを生成するために、前記第２の分類器を前記少なくとも１つの嚢胞性病変に適用するステップと
    をさらに含む、請求項３９に記載の方法。
53. ベイジアン組み合わせをクラス確率の前記第１のセット、および、クラス確率の前記第２のセットに適用することにより、前記少なくとも１つの嚢胞性病変を分類するステップをさらに含む、請求項５２に記載の方法。
54. 前記少なくとも１つの嚢胞性病変を、（ｉ）膵管内乳頭粘液性腫瘍、（ｉｉ）粘液性嚢胞腫瘍、（ｉｉｉ）漿液性嚢胞腺腫、または（ｉｖ）充実性偽乳頭状腫瘍のうちの少なくとも１つとして分類するステップをさらに含む、請求項３９に記載の方法。
55. 前記分類は、前記少なくとも１つの嚢胞性病変が、（ｉ）前記膵管内乳頭粘液性腫瘍、（ｉｉ）前記粘液性嚢胞腫瘍、（ｉｉｉ）前記漿液性嚢胞腺腫、または（ｉｖ）前記充実性偽乳頭状腫瘍のうちの前記少なくとも１つであるという確率を含む、請求項５４に記載の方法。
56. 前記少なくとも１つの嚢胞性病変は、前記少なくとも１人の患者の膵臓において場所決めされる、請求項３９に記載の方法。
57. 前記第１のイメージング情報は、磁気共鳴イメージング情報またはコンピュータ断層撮影法イメージング情報を含む、請求項３９に記載の方法。
58. 少なくとも１つの解剖学的構造のマルチ・ラベル・セグメンテーションのためのコンピュータ実行可能命令を記憶している非一時的コンピュータ・アクセス可能媒体であって、コンピュータ装置は、前記命令を実行するとき、
    前記少なくとも１つの解剖学的構造に対する複数の単一ラベル・データセットに関係付けられる第１のイメージング情報を受信することと、
    前記少なくとも１つの解剖学的構造に対する複数のクラス・ラベルに関係付けられる第２の情報を受信することと、
    畳み込みニューラル・ネットワーク（ＣＮＮ）を使用して前記第１のイメージング情報に基づいて前記第２の情報を符号化することにより、第３の情報を生成することと、
    前記ＣＮＮを使用して前記第３の情報を復号化することにより、第４の情報を生成することと、
    前記少なくとも１つの解剖学的構造を、前記第４の情報に基づいてセグメンテーションすることと
    を含む手順を遂行するように構成される、非一時的コンピュータ・アクセス可能媒体。
59. 前記コンピュータ装置は、
    前記第３の情報を、複数の符号化層を使用して生成することと、
    前記第４の情報を、複数の復号化層を使用して生成することと
    を行うように構成される、請求項５８に記載のコンピュータ・アクセス可能媒体。
60. 前記コンピュータ装置は、
    前記符号化層のうちの１つに対する特徴マップを前記符号化層のうちの前の１つに基づいて連結することにより、前記第３の情報を生成することと、
    前記復号化層のうちの１つに対する特徴マップを前記復号化層のうちの前の１つに基づいて連結することにより、前記第４の情報を生成することと
    を行うようにさらに構成される、請求項５９に記載のコンピュータ・アクセス可能媒体。
61. 前記符号化層は、少なくとも１つの畳み込み層と、少なくとも３つの最大プーリング層とを含む、請求項５９に記載のコンピュータ・アクセス可能媒体。
62. 前記符号化層は、各々の密なブロック内に、各々の密なブロックの深さに比例する、特定の数の特徴チャネルを含む、請求項６１に記載のコンピュータ・アクセス可能媒体。
63. 前記コンピュータ装置は、前記符号化層とトポロジー的に対称である、アップサンプリング層としての、ストライドを有する複数の転置畳み込みを使用して、前記第４の情報を生成するように構成される、請求項５９に記載のコンピュータ・アクセス可能媒体。
64. 前記復号化層のうちの１つは、シグモイド関数を含む、請求項５９に記載のコンピュータ・アクセス可能媒体。
65. 前記少なくとも１つの解剖学的構造は、少なくとも１つの腹部器官である、請求項５８に記載のコンピュータ・アクセス可能媒体。
66. 前記コンピュータ装置は、（ｉ）前記符号化層または（ｉｉ）前記復号化層のうちの少なくとも１つを条件付けするようにさらに構成される、請求項５９に記載のコンピュータ・アクセス可能媒体。
67. 前記コンピュータ装置は、（ｉ）前記符号化層または（ｉｉ）前記復号化層のうちの前記少なくとも１つを、セグメンテーションされるターゲット・ラベルを使用して条件付けするように構成される、請求項６６に記載のコンピュータ・アクセス可能媒体。
68. 少なくとも１つの解剖学的構造のマルチ・ラベル・セグメンテーションのためのシステムであって、
    前記少なくとも１つの解剖学的構造に対する複数の単一ラベル・データセットに関係付けられる第１のイメージング情報を受信することと、
    前記少なくとも１つの解剖学的構造に対する複数のクラス・ラベルに関係付けられる第２の情報を受信することと、
    畳み込みニューラル・ネットワーク（ＣＮＮ）を使用して前記第１のイメージング情報に基づいて前記第２の情報を符号化することにより、第３の情報を生成することと、
    前記ＣＮＮを使用して前記第３の情報を復号化することにより、第４の情報を生成することと、
    前記少なくとも１つの解剖学的構造を、前記第４の情報に基づいてセグメンテーションすることと
    を行うように構成されるコンピュータ・ハードウェア装置
    を備える、システム。
69. 前記コンピュータ・ハードウェア装置は、
    前記第３の情報を、複数の符号化層を使用して生成することと、
    前記第４の情報を、複数の復号化層を使用して生成することと
    を行うように構成される、請求項６８に記載のシステム。
70. 前記コンピュータ・ハードウェア装置は、
    前記符号化層のうちの１つに対する特徴マップを前記符号化層のうちの前の１つに基づいて連結することにより、前記第３の情報を生成することと、
    前記復号化層のうちの１つに対する特徴マップを前記復号化層のうちの前の１つに基づいて連結することにより、前記第４の情報を生成することと
    を行うようにさらに構成される、請求項６９に記載のシステム。
71. 前記符号化層は、少なくとも１つの畳み込み層と、少なくとも３つの最大プーリング層とを含む、請求項６９に記載のシステム。
72. 前記符号化層は、各々の密なブロック内に、各々の密なブロックの深さに比例する、特定の数の特徴チャネルを含む、請求項７１に記載のシステム。
73. 前記コンピュータ・ハードウェア装置は、前記符号化層とトポロジー的に対称である、アップサンプリング層としての、ストライドを有する複数の転置畳み込みを使用して、前記第４の情報を生成するように構成される、請求項６９に記載のシステム。
74. 前記復号化層のうちの１つは、シグモイド関数を含む、請求項６９に記載のシステム。
75. 前記少なくとも１つの解剖学的構造は、少なくとも１つの腹部器官である、請求項６８に記載のシステム。
76. 前記コンピュータ・ハードウェア装置は、（ｉ）前記符号化層または（ｉｉ）前記復号化層のうちの少なくとも１つを条件付けするようにさらに構成される、請求項６９に記載のシステム。
77. 前記コンピュータ・ハードウェア装置は、（ｉ）前記符号化層または（ｉｉ）前記復号化層のうちの前記少なくとも１つを、セグメンテーションされるターゲット・ラベルを使用して条件付けするように構成される、請求項７６に記載のシステム。
78. 少なくとも１つの解剖学的構造のマルチ・ラベル・セグメンテーションのための方法であって、
    前記少なくとも１つの解剖学的構造に対する複数の単一ラベル・データセットに関係付けられる第１のイメージング情報を受信するステップと、
    前記少なくとも１つの解剖学的構造に対する複数のクラス・ラベルに関係付けられる第２の情報を受信するステップと、
    畳み込みニューラル・ネットワーク（ＣＮＮ）を使用して前記第１のイメージング情報に基づいて前記第２の情報を符号化することにより、第３の情報を生成するステップと、
    前記ＣＮＮを使用して前記第３の情報を復号化することにより、第４の情報を生成するステップと、
    コンピュータ・ハードウェア装置を使用して、前記少なくとも１つの解剖学的構造を、前記第４の情報に基づいてセグメンテーションするステップと
    を含む、方法。
79. 前記第３の情報を、複数の符号化層を使用して生成するステップと、
    前記第４の情報を、複数の復号化層を使用して生成するステップと
    をさらに含む、請求項７８に記載の方法。
80. 前記符号化層のうちの１つに対する特徴マップを前記符号化層のうちの前の１つに基づいて連結することにより、前記第３の情報を生成するステップと、
    前記復号化層のうちの１つに対する特徴マップを前記復号化層のうちの前の１つに基づいて連結することにより、前記第４の情報を生成するステップと
    をさらに含む、請求項７９に記載の方法。
81. 前記符号化層は、少なくとも１つの畳み込み層と、少なくとも３つの最大プーリング層とを含む、請求項７９に記載の方法。
82. 前記符号化層は、各々の密なブロック内に、各々の密なブロックの深さに比例する、特定の数の特徴チャネルを含む、請求項８１に記載の方法。
83. 前記符号化層とトポロジー的に対称である、アップサンプリング層としての、ストライドを有する複数の転置畳み込みを使用して、前記第４の情報を生成するステップをさらに含む、請求項７９に記載の方法。
84. 前記復号化層のうちの１つは、シグモイド関数を含む、請求項７９に記載の方法。
85. 前記少なくとも１つの解剖学的構造は、少なくとも１つの腹部器官である、請求項７８に記載の方法。
86. （ｉ）前記符号化層または（ｉｉ）前記復号化層のうちの少なくとも１つを条件付けするステップをさらに含む、請求項７９に記載の方法。
87. （ｉ）前記符号化層または（ｉｉ）前記復号化層のうちの前記少なくとも１つを条件付けする前記ステップは、セグメンテーションされるターゲット・ラベルを使用するステップを含む、請求項８６に記載の方法。