JP2021009026A - プログラム、学習装置、学習方法、学習済みプログラムおよび骨格セグメンテーション装置 - Google Patents
プログラム、学習装置、学習方法、学習済みプログラムおよび骨格セグメンテーション装置 Download PDFInfo
- Publication number
- JP2021009026A JP2021009026A JP2019121528A JP2019121528A JP2021009026A JP 2021009026 A JP2021009026 A JP 2021009026A JP 2019121528 A JP2019121528 A JP 2019121528A JP 2019121528 A JP2019121528 A JP 2019121528A JP 2021009026 A JP2021009026 A JP 2021009026A
- Authority
- JP
- Japan
- Prior art keywords
- scintigram
- subject
- anatomical structure
- neural network
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims description 23
- 210000003484 anatomy Anatomy 0.000 claims abstract description 83
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 18
- 210000000988 bone and bone Anatomy 0.000 abstract description 8
- 238000010606 normalization Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 206010027476 Metastases Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 210000000614 rib Anatomy 0.000 description 3
- 210000001991 scapula Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 210000002758 humerus Anatomy 0.000 description 2
- 210000004705 lumbosacral region Anatomy 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 238000001793 Wilcoxon signed-rank test Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000002188 osteogenic effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Nuclear Medicine (AREA)
- Image Analysis (AREA)
Abstract
Description
図1は、実施の形態の学習装置の構成を示す図である。実施の形態の学習装置1は、被験者のシンチグラムに映る骨格の部位に解剖構造ラベルを付与するためのニューラルネットワークモデルを学習によって生成する装置である。本実施の形態の学習装置1が生成するニューラルネットワークモデルは、被験者を前方および後方から撮影したシンチグラムに映る骨格の部位に解剖構造ラベルを付与する。本明細書において、被験者を前方から撮影した参照シンチグラムを「前方画像」、後方から撮影した参照シンチグラムを「後方画像」という。
・骨シンチグラム濃度値正規化画像:246症例
訓練用データ:164症例
検証用データ:41症例
テストデータ:41症例
・画像サイズ:256×576[pixels]
・初期化:He K, Zhang X, Ren Sら「Deep Residual Learning for Image Recognition」 CVPR2016, 770-778にしたがって行った。
・最適化:適応モーメント推定(ADAM)を用いて損失関数の最小化を行った。(Kingma DP, Ba JL「ADAM: A method for stochastic optimization」 ICLR2015, arXiv:1412.6980v9)
・ADAMのパラメータ
α=0.001、β=0.9、γ=0.999、ε=10−8
ただし、αは1350回目の繰り返しで1/10に減少された。繰り返しの最大回数は1620に設定され、繰り返しの最適回数は、次式(4)のDiceスコアの平均が最大値に達したことによって決定した。なお、Diceスコアは、真の骨格の部位と骨格セグメンテーションの結果との類似度を評価するスコアであり、値が大きいほど類似度が高いことを示す。
図8は、骨格セグメンテーションの結果を示す図である。網掛けをした領域はセグメンテーションされた骨格を示し、白いラインは真の骨格の部位との境界を示している。図8の下部に示した数字は、骨格の各部位についてのDiceスコアである。図9は、図8の下部に示したDiceスコアを並べて記載した表であり、3つの手法のうち最も高いDiceスコアを太字で示している。図8及び図9に示すように、Butterfly−NetまたはDSVを導入したButterfly−Netを使って生成された学習済みモデルでセグメンテーションされた解剖構造ラベルはDiceスコアが高く、適切にセグメンテーションを行なえた。
2 骨格セグメンテーション装置
3 コンピュータ
10 入力部
11 制御部
12 画像反転部
13 前後画像位置合せ部
14 空間的標準化部
15 濃度正規化部
16 学習部
17 記憶部
18 出力部
20 入力部
21 制御部
22 画像反転部
23 前後画像位置合せ部
24 空間的標準化部
25 濃度正規化部
26 推論部
27 学習済みモデル記憶部
28 出力部
30 CPU
31 RAM
32 ROM
33 ハードディスク
34 ディスプレイ
35 キーボード
36 マウス
37 通信インターフェース
Claims (11)
- 被験者のシンチグラムに映る骨格の部位に解剖構造ラベルを付与する骨格セグメンテーションを行うためのプログラムであって、コンピュータに、
被験者のシンチグラムを入力するステップと、
複数の参照シンチグラムとその解剖構造ラベルの正解データとを教師データとして予め学習によって生成されたニューラルネットワークの学習済みモデルを記憶した記憶部から、前記学習済みモデルを読み出し、前記学習済みモデルに前記被験者のシンチグラムを入力し、前記被験者のシンチグラムの中で前記解剖構造ラベルに対応する領域を推論するステップと、
前記被験者のシンチグラムの前記解剖構造ラベルを示すデータを出力するステップと、
を実行させるプログラム。 - 被験者のシンチグラムを入力する前記ステップにおいて、被験者を前方および後方から撮影した一組のシンチグラムを入力し、
前記解剖構造ラベルに対応する領域を推論する前記ステップにおいて、前記学習済みモデルの入力層に前記一組のシンチグラムを入力し、前記一組のシンチグラムの中で前記解剖構造ラベルに対応する領域を推論する、請求項1に記載のプログラム。 - 前記一組のシンチグラムのうち、前方から撮影した前記シンチグラムと、後方から撮影した前記シンチグラムのうちの一方を水平方向に反転するステップを更に含み、
その後に、前記解剖構造ラベルに対応する領域を推論する前記ステップを実行する、請求項2に記載のプログラム。 - 被験者のシンチグラムの中で解剖構造ラベルに対応する領域を推論するためのニューラルネットワークモデルを生成する学習装置であって、
複数の参照シンチグラムとその解剖構造ラベルの正解データとを教師データとして入力する入力部と、
前記参照シンチグラムを、ニューラルネットワークモデルの入力層に入力し、前記ニューラルネットワークモデルによる推論結果と正解の解剖構造ラベルとの誤差に基づいて、前記ニューラルネットワークモデルの学習を行う学習部と、
を備える学習装置。 - 前記ニューラルネットワークは、Encoder−Decoder構造を有し、Encoder構造で得た特徴マップをDecoder構造に入力する構造の第1のネットワーク部分と、前記第1のネットワーク部分と同じ構造を有する第2のネットワーク部分とが結合された構造を有し、
前記入力部は、各被験者を前後から撮影した参照シンチグラム及びその解剖構造ラベルの正解データを入力し、
前記第1のネットワーク部分の入力層に被験者を前方から撮影した参照シンチグラムを入力すると共に、前記第2のネットワーク部分の入力層に前記被験者を後方から撮影した参照シンチグラムを入力して学習を行う、
請求項4に記載の学習装置。 - 前記学習部は、Decoder構造を構成する層から出力される特徴マップと前記正解データとの誤差にも基づいて、前記ニューラルネットワークモデルの学習を行う請求項5に記載の学習装置。
- 被験者のシンチグラムの中で解剖構造ラベルに対応する領域を推論するためのニューラルネットワークモデルを生成するためのプログラムであって、コンピュータに、
複数の参照シンチグラムとその解剖構造ラベルの正解データとを教師データとして入力するステップと、
前記参照シンチグラムを、ニューラルネットワークモデルの入力層に入力し、前記ニューラルネットワークモデルによる推論結果と正解の解剖構造ラベルとの誤差に基づいて、前記ニューラルネットワークモデルの学習を行うステップと、
を実行させるプログラム。 - 被験者のシンチグラムの中で解剖構造ラベルに対応する領域を推論するためのニューラルネットワークモデルを学習によって生成する学習方法であって、
複数の参照シンチグラムとその解剖構造ラベルの正解データとを教師データとして入力するステップと、
前記参照シンチグラムを、ニューラルネットワークモデルの入力層に入力し、前記ニューラルネットワークモデルによる推論結果と正解の解剖構造ラベルとの誤差に基づいて、前記ニューラルネットワークモデルの学習を行うステップと、
を備える学習方法。 - 被験者のシンチグラムに映る骨格の部位に解剖構造ラベルを付与するためのニューラルネットワークモデルを生成するために、コンピュータを機能させるための学習済みモデルであって、
複数の参照シンチグラムと、各参照シンチグラムに付与した解剖構造ラベルの正解データとを教師データとして学習されたものであり、
前記ニューラルネットワークモデルの入力された被験者のシンチグラムに解剖構造ラベルを付与するよう、コンピュータを機能させる学習済みモデル。 - 前記学習済みモデルは、
Encoder−Decoder構造を有し、Encoder構造で得た特徴マップをDecoder構造に入力する構造の第1のネットワーク部分と、前記第1のネットワーク部分と同じ構造を有する第2のネットワーク部分とが結合された構造を有するニューラルネットワークモデルで構成され、
複数の被験者を前方および後方から撮影した参照シンチグラムと、各参照シンチグラムに付与した解剖構造ラベルの正解データとを教師データとし、前方から撮影した参照シンチグラムまたは後方から撮影した参照シンチグラムのいずれかを水平方向に反転させた後に、前方および後方から撮影した参照シンチグラムのそれぞれを、前記ニューラルネットワークモデルの前記第1のネットワーク部分および前記第2のネットワーク部分のそれぞれにある入力層に入力して学習されたものである請求項9に記載の学習済みモデル。 - 被験者のシンチグラムに映る骨格の部位に解剖構造ラベルを付与する骨格セグメンテーションを行うための装置であって、
被験者のシンチグラムを入力する入力部と、
請求項4ないし6のいずれか一項に記載の学習装置にて生成されたニューラルネットワークの学習済みモデルを記憶した記憶部と、
前記記憶部から前記学習済みモデルを読み出し、前記学習済みモデルに前記被験者のシンチグラムを入力し、前記被験者のシンチグラムの中で前記解剖構造ラベルに対応する領域を推論する推論部と、
前記被験者のシンチグラムの前記解剖構造ラベルを示すデータを出力する出力部と、
を備える骨格セグメンテーション装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019121528A JP7446570B2 (ja) | 2019-06-28 | 2019-06-28 | プログラム、学習装置、学習方法、学習済みプログラムおよび骨格セグメンテーション装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019121528A JP7446570B2 (ja) | 2019-06-28 | 2019-06-28 | プログラム、学習装置、学習方法、学習済みプログラムおよび骨格セグメンテーション装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021009026A true JP2021009026A (ja) | 2021-01-28 |
JP7446570B2 JP7446570B2 (ja) | 2024-03-11 |
Family
ID=74199813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019121528A Active JP7446570B2 (ja) | 2019-06-28 | 2019-06-28 | プログラム、学習装置、学習方法、学習済みプログラムおよび骨格セグメンテーション装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7446570B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017198697A (ja) * | 2017-06-30 | 2017-11-02 | 富士フイルムRiファーマ株式会社 | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 |
JP2018181124A (ja) * | 2017-04-18 | 2018-11-15 | Kddi株式会社 | エンコーダデコーダ畳み込みニューラルネットワークにおける解像感を改善するプログラム |
JP2019506208A (ja) * | 2016-01-21 | 2019-03-07 | エレクタ、インク.Elekta, Inc. | 内視鏡的医療画像のセグメンテーションのためのシステムおよび方法 |
-
2019
- 2019-06-28 JP JP2019121528A patent/JP7446570B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019506208A (ja) * | 2016-01-21 | 2019-03-07 | エレクタ、インク.Elekta, Inc. | 内視鏡的医療画像のセグメンテーションのためのシステムおよび方法 |
JP2018181124A (ja) * | 2017-04-18 | 2018-11-15 | Kddi株式会社 | エンコーダデコーダ畳み込みニューラルネットワークにおける解像感を改善するプログラム |
JP2017198697A (ja) * | 2017-06-30 | 2017-11-02 | 富士フイルムRiファーマ株式会社 | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 |
Non-Patent Citations (1)
Title |
---|
ANJANY SEKUBOYINA ET AL.: ""Btrfly Net: Vertebrae Labelling with Energy-based Adversarial Learning of Local Spine Prior"", [ONLINE], vol. arXiv:1804.01307v1, JPN6023012650, 4 April 2018 (2018-04-04), pages 2023 - 03, ISSN: 0005026820 * |
Also Published As
Publication number | Publication date |
---|---|
JP7446570B2 (ja) | 2024-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11282205B2 (en) | Structure correcting adversarial network for chest x-rays organ segmentation | |
US11494871B2 (en) | Registration method and apparatus | |
CN109859233A (zh) | 图像处理、图像处理模型的训练方法及系统 | |
Tiulpin et al. | KNEEL: Knee anatomical landmark localization using hourglass networks | |
CA3084097A1 (en) | Three-dimensional medical image analysis method and system for identification of vertebral fractures | |
US11669729B2 (en) | Model training method and apparatus | |
Ikhsan et al. | An analysis of x-ray image enhancement methods for vertebral bone segmentation | |
Pluim et al. | The truth is hard to make: Validation of medical image registration | |
CN112529863B (zh) | 测量骨密度的方法及装置 | |
CN112804943A (zh) | 学习完成模型的制作方法、亮度调整方法以及图像处理装置 | |
US11704796B2 (en) | Estimating bone mineral density from plain radiograph by assessing bone texture with deep learning | |
WO2022271838A1 (en) | Detecting and segmenting regions of interest in biomedical images using neural networks | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
Kolarik et al. | Upsampling algorithms for autoencoder segmentation neural networks: A comparison study | |
JP2023505374A (ja) | 医療画像セグメント化及びアトラス画像選択 | |
JP7446570B2 (ja) | プログラム、学習装置、学習方法、学習済みプログラムおよび骨格セグメンテーション装置 | |
JP7352261B2 (ja) | 学習装置、学習方法、プログラム、学習済みモデルおよび骨転移検出装置 | |
Zhou | Introduction to medical image recognition, segmentation, and parsing | |
JP7019104B2 (ja) | 閾値の学習方法 | |
Pandey et al. | Recognition of X-rays bones: challenges in the past, present and future | |
CN109697713B (zh) | 基于深度学习和空间关系推理的椎间盘定位标注方法 | |
Bardosi et al. | Metacarpal bones localization in x-ray imagery using particle filter segmentation | |
Starosolski et al. | CNN-based radiographic acute tibial fracture detection in the setting of open growth plates | |
CN115996670A (zh) | 医学成像转换方法和相关联的医学成像3d模型个性化方法 | |
Sukesh et al. | Training deep learning models for 2d spine x-rays using synthetic images and annotations created from 3d ct volumes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220517 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230224 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230404 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230602 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230615 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230926 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231108 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240130 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240216 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7446570 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |