JP2021052999A - 評価システム、評価方法、学習方法、学習済みモデル、プログラム - Google Patents
評価システム、評価方法、学習方法、学習済みモデル、プログラム Download PDFInfo
- Publication number
- JP2021052999A JP2021052999A JP2019178086A JP2019178086A JP2021052999A JP 2021052999 A JP2021052999 A JP 2021052999A JP 2019178086 A JP2019178086 A JP 2019178086A JP 2019178086 A JP2019178086 A JP 2019178086A JP 2021052999 A JP2021052999 A JP 2021052999A
- Authority
- JP
- Japan
- Prior art keywords
- human body
- ray image
- evaluation
- evaluation value
- unit
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 54
- 238000012937 correction Methods 0.000 claims description 36
- 230000002685 pulmonary effect Effects 0.000 claims description 35
- 230000017531 blood circulation Effects 0.000 claims description 32
- 238000009966 trimming Methods 0.000 claims description 22
- 238000007493 shaping process Methods 0.000 claims description 20
- 230000004872 arterial blood pressure Effects 0.000 claims description 14
- 230000036593 pulmonary vascular resistance Effects 0.000 claims description 13
- 230000002861 ventricular Effects 0.000 claims description 11
- 210000001147 pulmonary artery Anatomy 0.000 claims description 10
- 238000011976 chest X-ray Methods 0.000 claims description 4
- 230000009545 invasion Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 6
- 208000002330 Congenital Heart Defects Diseases 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 208000028831 congenital heart disease Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 230000007310 pathophysiology Effects 0.000 description 4
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 210000005240 left ventricle Anatomy 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000035478 Interatrial communication Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 208000013914 atrial heart septal defect Diseases 0.000 description 2
- 206010003664 atrial septal defect Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000036284 oxygen consumption Effects 0.000 description 2
- 210000005241 right ventricle Anatomy 0.000 description 2
- 238000011265 2D-echocardiography Methods 0.000 description 1
- 206010050701 Congenital pulmonary hypertension Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010024119 Left ventricular failure Diseases 0.000 description 1
- 208000011682 Mitral valve disease Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000001910 Ventricular Heart Septal Defects Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002496 oximetry Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 208000002815 pulmonary hypertension Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000008337 systemic blood flow Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 201000003130 ventricular septal defect Diseases 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
【課題】課題は、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる、評価システム、評価方法、学習方法、学習済みモデル、及び、プログラムを提供することである。【解決手段】評価システム１０は、取得部２２と、評価部２４とを備える。取得部２２は、評価対象の人体のＸ線画像を取得する。評価部２４は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値との入出力関係を学習した学習済みモデルＭ１１を用いて、取得部２２で取得された評価対象の人体のＸ線画像に基づいて評価対象の人体の評価値を得る。【選択図】 図１
Description
本開示は、一般に、評価システム、評価方法、学習方法、学習済みモデル、及び、プログラムに関する。本開示は、特に、Ｘ線画像を利用する評価システム、評価方法、学習方法、学習済みモデル、及び、プログラムに関する。
先天性心疾患の治療方針の決定や手術適応の判断に重要な指標（評価値）として、肺体血流比（Qp/Qs）、肺血管抵抗（Rp）、肺動脈圧（PAP）等がある。肺体血流比（Qp/Qs）、肺血管抵抗（Rp）、肺動脈圧（PAP）等の正確な評価にはカテーテル検査が用いられる。しかし、カテーテル検査の施行における患者への侵襲が大きいため、特に重篤な新生児等においてはカテーテル検査が施行できず、治療方針の決定に苦慮することが多い。
カテーテル検査よりも低侵襲な方法として、心臓超音波検査や心臓ＭＲＩ（Magnetic Resonance Imaging）から肺体血流比（Qp/Qs）を予測する方法及び胸部ＣＴ（Computed Tomography）やＭＲＩから肺動脈圧（PAP）を予測する方法が提案されている（非特許文献１−３参照）。
Sanders, Stephen P, et al."Measurement of systemic and pulmonary blood flow and QP/QS ratio usingDoppler and two-dimensional echocardiography." American Journal ofCardiology 51.6 (1983)
Beerbaum, Philipp, et al."Noninvasive quantification of left-to-right shunt in pediatric patients:phase-contrast cine magnetic resonance imaging compared with invasiveoximetry." Circulation 103.20 (2001)
Li, Mengxi, et al."Cardiovascular parameters of chest CT scan in estimating pulmonaryarterial pressure in patients with pulmonary hypertension." The clinicalrespiratory journal 12.2 (2016)
しかし、心臓超音波検査は対象が心房中隔欠損症や心室中隔欠損症など一部の疾患に限られる。心臓ＭＲＩは長時間の安静を要し、解像度や心拍数の問題から体格の小さな小児では評価が難しい。胸部ＣＴは造影剤投与を要し、移動の問題から特に重篤な小児には施行できない場合がある。結果として、肺血管抵抗（Rp）、肺動脈圧（PAP）等の指標（評価値）を正確に得ることが難しい場合が多い。
課題は、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる、評価システム、評価方法、学習方法、学習済みモデル、及び、プログラムを提供することである。
本開示の一態様の評価システムは、取得部と、評価部とを備える。前記取得部は、評価対象の人体のＸ線画像を取得する。前記評価部は、人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値との入出力関係を学習した学習済みモデルを用いて、前記取得部で取得された前記評価対象の人体のＸ線画像に基づいて前記評価対象の人体の評価値を得る。
本開示の別の態様の評価方法は、取得ステップと、評価ステップとを含む。前記取得ステップは、評価対象の人体のＸ線画像を取得するステップである。前記評価ステップは、人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値との入出力関係を学習した学習済みモデルを用いて、前記取得部で取得された前記評価対象の人体のＸ線画像に基づいて前記評価対象の人体の評価値を得るステップである。
本開示の別の態様の学習方法は、人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値とを含む学習用データを含む学習用データセットにより、人工知能のプログラムに、Ｘ線画像と評価値との関係を学習させる、学習方法である。
本開示の別の態様の学習済みモデルは、前記学習方法により生成された、学習済みモデルである。
本開示の別の態様のプログラムは、前記評価方法を、１以上のプロセッサに実行させるためのプログラムである。
本開示の別の態様のプログラムは、前記学習方法を、１以上のプロセッサに実行させるためのプログラムである。
本開示の態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる、という効果を奏する。
（１）実施形態
（１．１）概要
図１は、本実施形態の評価システム１０を概略的に示す。本実施形態の評価システム１０は、図２に示すような人体のＸ線画像Ｐ１０から、カテーテル検査の施行により得られる人体の評価値を求めるシステムである。
（１．１）概要
図１は、本実施形態の評価システム１０を概略的に示す。本実施形態の評価システム１０は、図２に示すような人体のＸ線画像Ｐ１０から、カテーテル検査の施行により得られる人体の評価値を求めるシステムである。
本実施形態の評価システム１０は、図１に示すように、取得部２２と、評価部２４とを備える。取得部２２は、評価対象の人体のＸ線画像Ｐ１０（図２参照）を取得する。評価部２４は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値との入出力関係を学習した学習済みモデルＭ１１を用いて、取得部２２で取得された評価対象の人体のＸ線画像に基づいて評価対象の人体の評価値を得る。
本実施形態の評価システム１０では、学習済みモデルＭ１１を用いて、人体のＸ線画像から人体の評価値を得る。そのため、カテーテル検査を施行する必要がない。また、人体のＸ線画像の撮影は、カテーテル検査よりも低侵襲であり、心臓超音波検査、心臓ＭＲＩ、胸部ＣＴよりも非常に簡易で対象の人体の状態に影響され難い。したがって、本実施形態の評価システム１０によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
（１．２）詳細
上述したように、本実施形態の評価システム１０は、図２に示すような人体のＸ線画像Ｐ１０から、カテーテル検査の施行により得られる人体の評価値を求めるシステムである。
上述したように、本実施形態の評価システム１０は、図２に示すような人体のＸ線画像Ｐ１０から、カテーテル検査の施行により得られる人体の評価値を求めるシステムである。
Ｘ線画像Ｐ１０は、Ｘ線撮影、又は、コンピュータＸ線撮影により得られる画像である。本実施形態では、Ｘ線画像Ｐ１０は、人体の体幹部（胴部）を含むＸ線画像である。より詳細には、Ｘ線画像Ｐ１０は、人体の胸部を含むＸ線画像である。したがって、Ｘ線画像Ｐ１０は、いわゆる、胸部Ｘ線画像である。胸部Ｘ線画像は、対象が小児である場合には胸腹部Ｘ線画像といわれることもある。なお、Ｘ線画像Ｐ１０は、人体の胸部のＸ線撮影により得られるものに限らず、人体の胸部を含む部位のＸ線撮影により得られた画像から抽出されるものであってもよい。
評価値は、カテーテル検査の施行により得られる人体に関する値である。本実施形態では、評価値は、肺体血流比である。肺体血流比は、カテーテル検査で導くことができる指標である。特に、肺体血流比は、体血流量（Qs）に対する肺血流量（Qp）の比で表される。肺血流量（Qp）及び体血流量（Qs）の算出には、Fick法が用いられる。具体的には、肺血流量（Qp）は、酸素消費量／（肺静脈血酸素含有量−肺動脈血酸素含有量）で算出され、体血流量（Qs）は、酸素消費量／（大動脈血酸素含有量−混合静脈血酸素含有量）で算出される。肺体血流比（Qp/Qs）は、先天性心疾患における重要な血行動態指標である。肺体血流比が１を超える場合は肺血流量の増加を意味し、肺体血流比が１未満の場合は肺血流量の減少を意味する。
以下、本実施形態の評価システム１０について図１〜図８を参照して説明する。評価システム１０は、図１に示すように、推論部２０と、学習部３０とを備える。
推論部２０は、いわゆる、推論フェーズのためのシステムである。推論部２０は、図１に示すように、入力部２１と、取得部２２と、補正部２３と、評価部２４と、出力部２５と、モデル格納部２６とを含む。
入力部２１は、評価対象の人体のＸ線画像Ｐ１０の入力のためのインタフェースとして機能する。入力部２１は、通信インタフェースを備えてよく、有線通信又は無線通信により、評価対象の人体のＸ線画像Ｐ１０の入力が可能であってよい。例えば、入力部２１は、Ｘ線撮影装置から、有線通信又は無線通信により、評価対象の人体のＸ線画像Ｐ１０を受け取ることができる。また、入力部２１は、メモリ（例えば、ＵＳＢメモリ）用のポートを有していてよく、メモリを通じてＸ線画像Ｐ１０を受け取ってよい。なお、入力部２１は、評価システム１０を操作するための入力装置を備え得る。入力装置は、例えば、タッチパッド及び／又は１以上のボタンを有してよい。
出力部２５は、評価対象の人体の評価値の出力のためのインタフェースとして機能する。出力部２５は、情報を表示するための画像表示装置を備え得る。画像表示装置は、液晶ディスプレイや有機ＥＬディスプレイ等の薄型のディスプレイ装置である。また、出力部２５は、通信インタフェースを備えてよく、有線通信又は無線通信により、評価対象の人体の評価値の出力が可能であってよい。
なお、入力部２１のタッチパッドと出力部２５の画像表示装置とでタッチパネルが構成されてもよい。
モデル格納部２６は、評価部２４での評価値の算出に使用される学習済みモデルＭ１１を格納する。学習済みモデルＭ１１は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値との入出力関係を学習した学習済みモデルである。学習済みモデルＭ１１については後に詳述する。なお、モデル格納部２６は、情報を記憶するための記憶装置である。モデル格納部２６は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）等である。
取得部２２は、評価対象の人体のＸ線画像Ｐ１０を取得する。本実施形態では、取得部２２は、入力部２１を通じて、評価対象の人体のＸ線画像Ｐ１０を取得する。
補正部２３は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０に補正処理を行う。補正処理は、回転処理、トリミング処理、コントラスト処理、及び、シェイピング処理を含む。
回転処理は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０を所定の向きを向くように回転させる処理である。回転処理は、Ｘ線画像の撮影条件による人体の向きのばらつきを是正することを一つの目的とする処理である。本実施形態では、所定の向きは、Ｘ線画像Ｐ１０における人体の向きが頭側が上向きとなる向きである。一例として、図２に示すＸ線画像Ｐ１０では、Ｘ線画像Ｐ１０における人体の向きは頭側が右向きとなっている。回転処理では、図２に示すＸ線画像Ｐ１０を、左回りに９０度回転させることで、Ｘ線画像Ｐ１０における人体の向きが頭側が上向きとなるようにする（図３に示すＸ線画像Ｐ１１参照）。回転処理によれば、人体の向きが異なる複数のＸ線画像を、人体の向きが同じ複数のＸ線画像に変換することが可能であり、人体の向きによる評価値の精度への影響を低減し得る。よって、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができ得る。なお、回転処理で行う画像の回転自体には従来周知の画像処理技術を適用できるから、詳細な説明は省略する。
トリミング処理は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０から特定部分を抽出する処理である。換言すれば、トリミング処理は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０から特定部分以外を除去して特定部分を残す処理である。トリミング処理は、Ｘ線画像のうち評価値の算出に関与する可能性が高い部分（領域）を抽出することを一つの目的とする処理である。本実施形態では、評価値は、肺体血流比であり、これは、人体の心臓、肺及びその周辺の領域に関連すると考えられる。そのため、トリミング処理では、人体の心臓、肺及びその周辺を特定部分として残し、他の部分を除去する。一例として、図３は、Ｘ線画像Ｐ１０に回転処理及びトリミング処理を行って得られたＸ線画像Ｐ１１を示す。図２及び図３を対比すれば、トリミング処理によって、Ｘ線画像Ｐ１０から人体の頭頸部、左右上肢及び腹部を除去されていることがわかる。トリミング処理によれば、評価値の算出に関与する可能性が低い部分を除去して評価値の算出に関与する可能性が高い部分だけを抽出できる。よって、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができ得る。なお、トリミング処理で行う画像からの特定部分の抽出自体には従来周知の画像処理技術を適用できるから、詳細な説明は省略する。
コントラスト処理は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０のコントラストを調整する処理である。コントラスト処理は、Ｘ線画像のコントラストを改善することで、評価値の算出の精度を向上させることを一つの目的とする処理である。本実施形態では、コントラスト処理は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０のコントラストを向上させる処理である。例えば、コントラスト処理では、Ｘ線画像のコントラストが規定値以上とする。一例として、規定値は、Ｘ線画像における肺の部分が鮮明となるように適宜設定され得る。一例として、図４は、Ｘ線画像（Ｘ線画像Ｐ１０に回転処理及びトリミング処理を行って得られたＸ線画像）Ｐ１１にコントラスト処理を行って得られたＸ線画像Ｐ１２を示す。図３及び図４を対比すれば、コントラスト処理によって、Ｘ線画像Ｐ１２において明暗及び輪郭が明確になる。よって、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができ得る。なお、コントラスト処理で行う画像のコントラストの調整自体には従来周知の画像処理技術を適用できるから、詳細な説明は省略する。
シェイピング処理は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０のサイズを学習済みモデルＭ１１に適合するサイズに変更する処理である。シェイピング処理は、Ｘ線画像を学習済みモデルＭ１１で扱いやすくすることで、評価値の算出の精度を向上させることを一つの目的とする処理である。つまり、シェイピング処理は、Ｘ線画像のサイズを、学習済みモデルＭ１１に入力する画像のサイズに合わせる処理を行う。本実施形態では、Ｘ線画像に特定色の領域を付加して、Ｘ線画像のサイズを学習済みモデルＭ１１に入力する画像のサイズに合わせる。一例として、図５は、シェイピング処理後のＸ線画像Ｐ１３を示す。Ｘ線画像Ｐ１３は、３つの領域Ｒ１０，Ｒ１１，Ｒ１２を含む。領域Ｒ１０は、Ｘ線画像（Ｘ線画像Ｐ１０に回転処理、トリミング処理、及びコントラスト処理を行って得られたＸ線画像）Ｐ１２に対応する。領域Ｒ１１，Ｒ１２は、特定色の領域である。特定色は、学習済みモデルＭ１１での評価値の算出への影響が低い色であることが望ましい。本実施形態では、特定色は黒色である。Ｘ線画像Ｐ１３は、長方形のＸ線画像Ｐ１２（領域Ｒ１０）の上下に領域Ｒ１１，１２を付加することで、正方形とした画像である。Ｘ線画像のサイズが学習済みモデルＭ１１の入力する画像のサイズに合わない場合でも、シェイピング処理によって、Ｘ線画像の縦横比を変更することなくサイズを調整可能である。よって、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができ得る。更に、特定色は、学習済みモデルＭ１１での評価値の算出への影響が少ない色であるから、シェイピング処理によって、逆に評価値の算出の精度が低下してしまう可能性も低減できる。
評価部２４は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値との入出力関係を学習した学習済みモデルＭ１１を用いて、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０に基づいて評価対象の人体の評価値を得る。本実施形態では、評価システム１０は、補正部２３を備えており、補正部２３でＸ線画像Ｐ１０には補正処理がされる。これによって、補正部２３からは、図５に示すようなＸ線画像Ｐ１３が評価部２４に与えられる。評価部２４は、取得部２２を通じて評価対象の人体のＸ線画像を受け取ると、学習済みモデルＭ１１に、受け取ったＸ線画像を入力して、評価値を出力させる。評価部２４は、評価値が得られると、出力部２５により表示する。
学習部３０は、いわゆる、学習フェーズのためのシステムである。学習部３０は、図１に示すように、収集部３１と、生成部３２とを含む。
収集部３１は、学習済みモデルＭ１１を生成するための学習用データを収集し、蓄積する。これによって、学習用データを含む学習用データセットが得られる。本実施形態では、収集部３１は、入力部２１を通じて、学習用データを得ることが可能である。学習用データセットは、複数の学習用データを含む。学習用データは、同一人物に関しての、人体のＸ線画像と、カテーテル検査の施行により得られる人体の評価値とを含む。
生成部３２は、収集部３１で収集された学習用データを含む学習用データセットにより、学習済みモデルＭ１１を生成する。つまり、生成部３２は、学習用データを含む学習用データセットを用いた教師あり学習により、人工知能のプログラム（アルゴリズム）に、Ｘ線画像と評価値との関係を学習させる。学習用データセットには、Ｘ線画像とカテーテル検査の施行により得られる人体の評価値とを含む学習用データが複数含まれている。人工知能のプログラムは、機械学習のモデルであって、例えば、階層モデルの一種であるニューラルネットワークが用いられる。
図６は、学習済みモデルＭ１１に用いられる機械学習のモデル４０の概略図を示す。モデル４０は、画像の入力に対して、数値を出力するように構成されている。モデル４０は、入力層４１と、複数のコンボリューション層４２，４４，・・・と、複数のプーリング層４３，４５，・・・と、グローバルアベレージプーリング層４６と、全結合層４７と、出力層４８とを備える。モデル４０では、入力層４１にＸ線画像の画素値が入力される。全結合層４７の活性化関数は、線形関数であり、グローバルアベレージプーリング層４６からの複数の値を合算して単一の値として、出力層４８に与える。出力層４８からは、学習済みモデルＭ１１により得られた評価値が出力される。なお、コンボリューション層４２，４４，・・・、プーリング層４３，４５，・・・、及び、グローバルアベレージプーリング層４６自体は従来周知の構成であってよいから、詳細な説明は省略する。なお、図６のモデル４０は、実際の機械学習のモデルを単純化したものであって、図６には図示されていない種々の層が含まれ得る。種々の層の例としては、複数のコンボリューション層の結果を結合するコンカット（Concat）層、一時的にモデルの一部（のニューロン）の学習をストップし過学習を抑制するドロップアウト（Dropout）層等が挙げられる。
生成部３２は、機械学習のモデル４０に学習用データセットを用いて教師ありの機械学習（例えば、深層学習）を行わせることで、学習済みモデルＭ１１を生成する。なお、学習済みモデルＭ１１の生成にあたっては、Ｘ線画像に補正部２３での補正処理と同じ処理を行っている。つまり、補正部２３と同等の補正処理がされたＸ線画像を用いて、機械学習を行っている。これによって、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができる。また、生成部３２は、収集部３１が新たに収集した学習用データセットを用いて再学習を行うことで、学習済みモデルＭ１１の性能の向上を図ってよい。このように、学習済みモデルＭ１１は、学習部３０により生成される。学習部３０で生成された学習済みモデルＭ１１は、学習部３０から推論部２０に与えられ、モデル格納部２６に格納（記憶）される。
ここで、学習済みモデルＭ１１によりＸ線画像から得られる評価値（本実施形態では、肺体血流比）である予測値とＸ線画像との相関関係を確かめるために、学習済みモデルＭ１１で得られる評価値（本実施形態では、肺体血流比）である予測値とカテーテル検査の施行により得られた評価値（本実施形態では、肺体血流比）である実測値との関係を確認した。図７は、予測値と実測値との関係を示す。図７からわかるように、予測値と実測値とは、直線Ｌ１０で近似できている。また、直線Ｌ１０の傾きは、予測値と実測値とが一致する場合の直線Ｌ２０に近い。図７のグラフから、Ｘ線画像と評価値（予測値）との間には相関関係があることが確認された。
なお、本実施形態の評価システム１０は、１以上のプロセッサ（マイクロプロセッサ）と１以上のメモリとを含むコンピュータシステムにより実現され得る。つまり、１以上のプロセッサが１以上のメモリに記憶された１以上のプログラム（アプリケーション）を実行することで、評価システム１０（特に、取得部２２、補正部２３、評価部２４、収集部３１、及び生成部３２）として機能する。なお、取得部２２、補正部２３、評価部２４、収集部３１、及び生成部３２は、実体のある構成を表しているわけではなく、コンピュータシステムにより実現される機能を表している。また、コンピュータシステムで実行されるプログラムは、ここではコンピュータシステムのメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の非一時的な記録媒体に記録されて提供されてもよい。
（１．３）動作
次に、評価システム１０の動作について図８のフローチャートを参照して簡単に説明する。まず、評価システム１０では、評価対象の人体のＸ線画像Ｐ１０が入力部２１に入力されると、取得部２２が、この評価対象の人体のＸ線画像Ｐ１０を取得する（Ｓ１１）。そして、評価システム１０では、補正部２３によって、評価対象の人体のＸ線画像Ｐ１０に対して、回転処理（Ｓ１２）、トリミング処理（Ｓ１３）、コントラスト処理（Ｓ１４）、及びシェイピング処理（Ｓ１５）が行われる。この後に、評価部２４が、補正処理がされたＸ線画像Ｐ１３を、学習済みモデルＭ１１に入力して、学習済みモデルＭ１１から評価値を得る（Ｓ１６）。評価部２４は、学習済みモデルＭ１１から得られた評価値を、出力部２５により出力する（Ｓ１７）。
次に、評価システム１０の動作について図８のフローチャートを参照して簡単に説明する。まず、評価システム１０では、評価対象の人体のＸ線画像Ｐ１０が入力部２１に入力されると、取得部２２が、この評価対象の人体のＸ線画像Ｐ１０を取得する（Ｓ１１）。そして、評価システム１０では、補正部２３によって、評価対象の人体のＸ線画像Ｐ１０に対して、回転処理（Ｓ１２）、トリミング処理（Ｓ１３）、コントラスト処理（Ｓ１４）、及びシェイピング処理（Ｓ１５）が行われる。この後に、評価部２４が、補正処理がされたＸ線画像Ｐ１３を、学習済みモデルＭ１１に入力して、学習済みモデルＭ１１から評価値を得る（Ｓ１６）。評価部２４は、学習済みモデルＭ１１から得られた評価値を、出力部２５により出力する（Ｓ１７）。
（１．４）まとめ
このように、評価システム１０は、取得部２２と、評価部２４とを備える。評価システム１０は、取得部２２と、評価部２４とを備える。取得部２２は、評価対象の人体のＸ線画像Ｐ１０を取得する。評価部２４は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値との入出力関係を学習した学習済みモデルＭ１１を用いて、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０に基づいて評価対象の人体の評価値を得る。本実施形態の評価システム１０によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
このように、評価システム１０は、取得部２２と、評価部２４とを備える。評価システム１０は、取得部２２と、評価部２４とを備える。取得部２２は、評価対象の人体のＸ線画像Ｐ１０を取得する。評価部２４は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値との入出力関係を学習した学習済みモデルＭ１１を用いて、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０に基づいて評価対象の人体の評価値を得る。本実施形態の評価システム１０によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
換言すれば、評価システム１０は、次の方法（評価方法）を実行しているといえる。評価方法は、取得ステップと、評価ステップとを含む。取得ステップは、評価対象の人体のＸ線画像Ｐ１０を取得するステップである。評価ステップは、学習済みモデルＭ１１を用いて、取得ステップで取得された評価対象の人体のＸ線画像に基づいて評価対象の人体の評価値を得るステップである。学習済みモデルＭ１１は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値との入出力関係を学習した学習済みモデルである。この評価方法によれば、評価システム１０と同様に、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
評価システム１０は、１以上のプロセッサにより実現されている。つまり、評価システム１０は、１以上のプロセッサがプログラム（評価プログラム）を実行することにより実現される。このプログラムは、１以上のプロセッサに、評価方法を実行させるためのプログラム（コンピュータプログラム）である。このようなプログラムによれば、評価方法と同様に、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
また、評価システム１０は、学習部３０を有しており、次の方法（学習方法）を実行しているといえる。学習方法は、人体のＸ線画像とカテーテル検査の施行により得られる人体の評価値とを含む学習用データを含む学習用データセットにより、人工知能のプログラムに、Ｘ線画像と評価値との関係を学習させる学習方法である。この学習方法によれば、カテーテル検査の施行により得られる人体の評価値をＸ線画像から推論するモデル（学習済みモデルＭ１１）を生成することができる。また、このような学習方法により生成された学習済みモデルＭ１１によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
評価システム１０は、１以上のプロセッサにより実現されている。つまり、評価システム１０は、１以上のプロセッサがプログラム（学習プログラム）を実行することにより実現される。このプログラムは、１以上のプロセッサに、学習方法を実行させるためのプログラム（コンピュータプログラム）である。このようなプログラムによれば、学習方法と同様に、カテーテル検査の施行により得られる人体の評価値をＸ線画像から推論するモデル（学習済みモデルＭ１１）を生成することができる。そして、学習済みモデルＭ１１によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
(２)変形例
本開示の実施形態は、上記実施形態に限定されない。上記実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。以下に、上記実施形態の変形例を列挙する。
本開示の実施形態は、上記実施形態に限定されない。上記実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。以下に、上記実施形態の変形例を列挙する。
上記実施形態では、評価値は、肺体血流比である。しかし、評価値の例としては、肺体血流比の他に、肺血管抵抗、肺動脈圧、右室圧、及び左房圧が挙げられる。肺血管抵抗（Rp）は、カテーテル検査で肺血流量（Qp）と同様に導くことができる指標である。肺血管抵抗は、肺への血液の流れやすさを反映しており、先天性心疾患における病態の把握、手術適応の判断に重要である。肺血管抵抗の単位はum2（unit・m2）であり、肺血管抵抗の正常値は２um2以下であれば正常であると考えられる。肺動脈圧（PAP）は、カテーテル検査で直接測定可能な圧で、右室から肺動脈へ駆出される血圧と、肺血管の状態（肺血管抵抗）を反映する。肺動脈圧は、先天性心疾患や肺高血圧症における病態の把握に重要である。肺動脈圧の単位はmmHgであり、肺動脈圧の正常値は平均２０mmHg以下である。右室圧（RVP）は、カテーテル検査で直接測定可能な圧であり、右室の流出路に狭窄がある場合や、左室と右室に交通がある場合に上昇する。右室圧は、先天性心疾患における病態の把握に重要である。右室圧の単位はmmHgであり、右室圧の正常値は収縮期で３５mmHg以下である。左房圧（LAP）は、カテーテル検査で測定可能な圧で、左心不全や僧帽弁疾患等により左房→左室→全身の血流が流れにくくなると上昇する。左房圧は、心不全患者の病態把握に重要である。左房圧の単位はmmHgであり、左房圧の正常値は１５mmHg以下である。
一変形例では、補正部２３は、評価システム１０のユーザの操作に応じて、回転処理、トリミング処理、コントラスト処理、及びシェイピング処理を行ってもよい。つまり、これら補正処理は、手動で行えてもよい。
上記実施形態では、補正部２３は、回転処理、トリミング処理、及びコントラスト処理をこの順番で行うが、順番は特に限定されない。例えば、トリミング処理は、回転処理より前に行われてもよいし、コントラスト処理が最初に行われてよい。
上記実施形態では、回転処理において、所定の向きは、Ｘ線画像Ｐ１０における人体の向きが頭側が上向きとなる向きであるが、これに限定されない。所定の向きは、複数のＸ線画像において人体の向きを同じにするためのものであるから、適宜設定してよい。
上記実施形態では、トリミング処理において、特定部分は、人体の心臓、肺、及びその周辺であるが、これに限定されない。上述したように、特定部分は、Ｘ線画像のうち評価値の算出に関与する可能性が高い部分であることが望まれるため、評価値によって、適宜設定してよい。評価値が、肺血管抵抗、肺動脈圧、右室圧、又は左房圧である場合においても、特定部分は、人体の心臓、肺、及びその周辺であってよい。また、特定部分は、Ｘ線画像において学習済みモデルＭ１１の注目した注目部分に基づいても決定し得る。注目部分は、機械学習の可視化ツール（Grad-CAM、Guided backpropagation）を利用して特定し得る。
一変形例では、シェイピング処理は、取得部２２で取得された評価対象の人体のＸ線画像Ｐ１０自体の拡大又は縮小をする処理を含んでいてよい。また、シェイピング処理は、Ｘ線画像の周囲の全部に特定色の領域を付加してもよい。つまり、シェイピング処理は、Ｘ線画像の周囲の少なくとも一部に特定色の領域を付加してよい。なお、特定色は、上記実施形態では黒であるが、白であってもよい。また、特定色は、その他の色であってもよい。
一変形例では、補正部２３は、回転処理、トリミング処理、コントラスト処理、及び、シェイピング処理の少なくとも一つを含んでいればよい。また、補正部２３は、補正処理は、回転処理、トリミング処理、コントラスト処理、及び、シェイピング処理のすべてを含んでいる場合であっても、取得部２２が取得したＸ線画像Ｐ１０の状態によって、回転処理、トリミング処理、コントラスト処理、及び、シェイピング処理の少なくとも一つを省略してよい。つまり、取得部２２が取得したＸ線画像Ｐ１０に補正の必要がなければ、補正部２３では補正処理を省略してよい。
一変形例では、評価システム１０は補正部２３を備えていなくてもよい。この場合には、評価部２４は、学習済みモデルＭ１１に、取得部２２を通じて受け取ったＸ線画像Ｐ１０を入力して、評価値を出力させる。評価部２４は、評価値が得られると、出力部２５により表示する。
一変形例では、評価部２４は、評価値に基づいた判定を行ってもよい。一例として、評価部２４は、Ｘ線画像Ｐ１０を学習済みモデルＭ１１に入力して得た評価値に基づいて、Ｘ線画像Ｐ１０に対応する人体の疾患の診断を行ってもよい。評価値が肺体血流比である場合には、評価値に基づいて、心房中隔欠損症かどうかの判定が可能となり得る。例えば、評価部２４は、学習済みモデルＭ１１から得た評価値を閾値と比較して、疾患の有無の判定を行ってよい。あるいは、評価部２４は、学習済みモデルＭ１１から得た評価値を複数の閾値と比較し、疾患の分類を行うことが可能である。そして、評価部２４は、評価値に基づいた判定の結果を出力部２５により表示してよい。また、評価値は、肺体血流比に限らず、肺血管抵抗、肺動脈圧、右室圧、又は左房圧であってもよく、これらの値に関連する疾患についての判定が可能となり得る。
一変形例では、モデル４０において、入力層４１とグローバルアベレージプーリング層４６との間の構造としては、周知のニューラルネットワーク（例えば畳み込みニューラルネットワーク）の構造を採用し得る。例えば、入力層４１とグローバルアベレージプーリング層４６との間には、Inceptionモジュール（Inception-v3等）や、Batch normalization等の種々の構造・機能が含まれ得る。また、モデル４０は、グローバルアベレージプーリング層４６を有していなくてもよい。また、全結合層４７の活性化関数は、シグモイド関数に置換されてもよい。要するに、モデル４０は、図６に示す構造に限定されず、画像を入力として、単一の数量（数値）を出力とするようになっていればよい。
一変形例では、生成部３２は、学習済みモデルＭ１１の生成にあたって、データ拡張（Data Augmentation）を行ってよい。つまり、生成部３２は、収集部３１で収集されたＸ線画像に対して加工をすることで、機械学習に用いられるＸ線画像の数を増やしてよい。これによって、機械学習の効果の向上が期待できる。一例として、生成部３２は、Ｘ線画像に対して、回転処理（例えば、左右２０度以下の回転処理）、鏡面像（左右鏡面像）の生成処理、拡大処理、縮小処理、水平シフト処理、垂直シフト処理、ズーム処理等をランダムに実行し、一枚のＸ線画像から複数枚のＸ線画像を生成してよい。
一変形例では、評価システム１０は、必ずしも学習部３０を備えている必要はない。また、学習部３０は、学習済みモデルＭ１１を生成するための学習システムとして、評価システム１０とは分離して単独で用いられ得る。
一変形例では、評価システム１０は、複数のコンピュータにより構成されていてもよい。例えば、評価システム１０の機能（特に、取得部２２、補正部２３、評価部２４、収集部３１、及び生成部３２）は、複数の装置に分散されていてもよい。更に、評価システム１０の機能の少なくとも一部が、例えば、クラウド（クラウドコンピューティング）によって実現されていてもよい。
以上述べた評価システム１０の実行主体は、コンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを有する。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における評価システム１０の実行主体としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されていてもよいが、電気通信回線を通じて提供されてもよい。また、プログラムは、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的な記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１乃至複数の電子回路で構成される。ＬＳＩの製造後にプログラムされる、フィールド・プログラマブル・ゲート・アレイ（ＦＧＰＡ）、ＡＳＩＣ（application specific integrated circuit）、又はＬＳＩ内部の接合関係の再構成又はＬＳＩ内部の回路区画のセットアップができる再構成可能な論理デバイスも同じ目的で使うことができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。
(３）態様
上記実施形態及び変形例から明らかなように、本開示は、下記の態様を含む。以下では、実施形態との対応関係を明示するためだけに、符号を括弧付きで付している。
上記実施形態及び変形例から明らかなように、本開示は、下記の態様を含む。以下では、実施形態との対応関係を明示するためだけに、符号を括弧付きで付している。
第１の態様は、評価システム（１０）であって、取得部（２２）と、評価部（２４）とを備える。前記取得部（２２）は、評価対象の人体のＸ線画像（Ｐ１０）を取得する。前記評価部（２４）は、学習済みモデル（Ｍ１１）を用いて、前記取得部（２２）で取得された前記評価対象の人体のＸ線画像（Ｐ１０）に基づいて前記評価対象の人体の評価値を得る。前記学習済みモデル（Ｍ１１）は、人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値との入出力関係を学習した学習済みモデルである。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第２の態様は、第１の態様に基づく評価システム（１０）である。第２の態様では、前記Ｘ線画像は、体幹部を含むＸ線画像である。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第３の態様は、第２の態様に基づく評価システム（１０）である。第３の態様では、前記Ｘ線画像は、胸部を含むＸ線画像である。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第４の態様は、第１〜第３の態様のいずれか一つに基づく評価システム（１０）である。第４の態様では、前記評価値は、肺体血流比、肺血管抵抗、肺動脈圧、右室圧、及び左房圧の少なくとも一つを含む。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第５の態様は、第１の態様に基づく評価システム（１０）である。第５の態様では、前記Ｘ線画像は、胸部Ｘ線画像である。前記評価値は、肺体血流比である。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第６の態様は、第１〜第５の態様のいずれか一つに基づく評価システム（１０）である。第６の態様では、前記評価システム（１０）は、前記取得部（２２）で取得された前記評価対象の人体のＸ線画像（Ｐ１０）に補正処理を行う補正部（２３）を更に備える。前記評価部（２４）は、前記補正部（２３）で補正処理がされたＸ線画像（Ｐ１１〜Ｐ１３）に基づいて前記評価対象の人体の評価値を得る。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができる。
第７の態様は、第６の態様に基づく評価システム（１０）である。第７の態様では、前記補正処理は、回転処理と、トリミング処理と、コントラスト処理との少なくとも一つを含む。前記回転処理は、前記取得部（２２）で取得された前記評価対象の人体のＸ線画像（Ｐ１０）を所定の向きを向くように回転させる処理である。前記トリミング処理は、前記取得部（２２）で取得された前記評価対象の人体のＸ線画像（Ｐ１０）から特定部分を抽出する処理である。前記コントラスト処理は、前記取得部（２２）で取得された前記評価対象の人体のＸ線画像（Ｐ１０）のコントラストを調整する処理である。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができる。
第８の態様は、第６又は第７の態様に基づく評価システム（１０）である。第８の態様では、前記補正処理は、前記取得部（２２）で取得された前記評価対象の人体のＸ線画像（Ｐ１０）のサイズを前記学習済みモデル（Ｍ１１）に適合するサイズに変更するシェイピング処理を含む。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができる。
第９の態様は、第８の態様に基づく評価システム（１０）である。第９の態様では、前記シェイピング処理は、前記取得部（２２）で取得された前記評価対象の人体のＸ線画像（Ｐ１０）の周囲の少なくとも一部に特定色の領域を付加する処理を含む。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができる。
第１０の態様は、第９の態様に基づく評価システム（１０）である。第１０の態様では、前記特定色は、黒色又は白色である。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より正確に得ることができる。
第１１の態様は、評価方法であって、取得ステップと、評価ステップとを含む。前記取得ステップは、評価対象の人体のＸ線画像（Ｐ１０）を取得するステップである。前記評価ステップは、学習済みモデル（Ｍ１１）を用いて、前記取得ステップで取得された前記評価対象の人体のＸ線画像に基づいて前記評価対象の人体の評価値を得るステップである。前記学習済みモデル（Ｍ１１）は、人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値との入出力関係を学習した学習済みモデルである。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第１２の態様は、学習方法であって、人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値とを含む学習用データを含む学習用データセットにより、人工知能のプログラムに、Ｘ線画像と評価値との関係を学習させる学習方法である。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第１３の態様は、学習済みモデルであって、第１２の態様の学習方法により生成された学習済みモデルである。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第１４の態様は、プログラムであって、第１１の態様の評価方法を、１以上のプロセッサに実行させるための、プログラムである。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
第１５の態様は、プログラムであって、第１２の態様の学習方法を、１以上のプロセッサに実行させるための、プログラムである。この態様によれば、カテーテル検査の施行により得られる人体の評価値を、より低侵襲で正確に得ることができる。
１０ 評価システム
２２ 取得部
２３ 補正部
２４ 評価部
Ｍ１１ 学習済みモデル
Ｐ１０，Ｐ１１，Ｐ１２，Ｐ１３ Ｘ線画像
Ｒ１１，Ｒ１２ 領域
２２ 取得部
２３ 補正部
２４ 評価部
Ｍ１１ 学習済みモデル
Ｐ１０，Ｐ１１，Ｐ１２，Ｐ１３ Ｘ線画像
Ｒ１１，Ｒ１２ 領域
Claims (15)
- 評価対象の人体のＸ線画像を取得する取得部と、
人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値との入出力関係を学習した学習済みモデルを用いて、前記取得部で取得された前記評価対象の人体のＸ線画像に基づいて前記評価対象の人体の評価値を得る評価部と、
を備える、
評価システム。 - 前記Ｘ線画像は、体幹部を含むＸ線画像である、
請求項１の評価システム。 - 前記Ｘ線画像は、胸部を含むＸ線画像である、
請求項２の評価システム。 - 前記評価値は、肺体血流比、肺血管抵抗、肺動脈圧、右室圧、及び左房圧の少なくとも一つを含む、
請求項１〜３のいずれか一つの評価システム。 - 前記Ｘ線画像は、胸部Ｘ線画像であり、
前記評価値は、肺体血流比である、
請求項１の評価システム。 - 前記取得部で取得された前記評価対象の人体のＸ線画像に補正処理を行う補正部を更に備え、
前記評価部は、前記補正部で補正処理がされたＸ線画像に基づいて前記評価対象の人体の評価値を得る、
請求項１〜５のいずれか一つの評価システム。 - 前記補正処理は、
前記取得部で取得された前記評価対象の人体のＸ線画像を所定の向きを向くように回転させる回転処理と、
前記取得部で取得された前記評価対象の人体のＸ線画像から特定部分を抽出するトリミング処理と、
前記取得部で取得された前記評価対象の人体のＸ線画像のコントラストを調整するコントラスト処理と、
の少なくとも一つを含む、
請求項６の評価システム。 - 前記補正処理は、前記取得部で取得された前記評価対象の人体のＸ線画像のサイズを前記学習済みモデルに適合するサイズに変更するシェイピング処理を含む、
請求項６又は７の評価システム。 - 前記シェイピング処理は、前記取得部で取得された前記評価対象の人体のＸ線画像の周囲の少なくとも一部に特定色の領域を付加する処理を含む、
請求項８の評価システム。 - 前記特定色は、黒色又は白色である、
請求項９の評価システム。 - 評価対象の人体のＸ線画像を取得する取得ステップと、
人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値との入出力関係を学習した学習済みモデルを用いて、前記取得ステップで取得された前記評価対象の人体のＸ線画像に基づいて前記評価対象の人体の評価値を得る評価ステップと、
を含む、
評価方法。 - 人体のＸ線画像とカテーテル検査の施行により得られる前記人体の評価値とを含む学習用データを含む学習用データセットにより、人工知能のプログラムに、Ｘ線画像と評価値との関係を学習させる、
学習方法。 - 請求項１２の学習方法により生成された、
学習済みモデル。 - 請求項１１の評価方法を、１以上のプロセッサに実行させるための、
プログラム。 - 請求項１２の学習方法を、１以上のプロセッサに実行させるための、
プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019178086A JP7369437B2 (ja) | 2019-09-27 | 2019-09-27 | 評価システム、評価方法、学習方法、学習済みモデル、プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019178086A JP7369437B2 (ja) | 2019-09-27 | 2019-09-27 | 評価システム、評価方法、学習方法、学習済みモデル、プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021052999A true JP2021052999A (ja) | 2021-04-08 |
| JP7369437B2 JP7369437B2 (ja) | 2023-10-26 |
Family
ID=75271666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019178086A Active JP7369437B2 (ja) | 2019-09-27 | 2019-09-27 | 評価システム、評価方法、学習方法、学習済みモデル、プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7369437B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023190732A1 (ja) * | 2022-03-29 | 2023-10-05 | バイエル アクチェンゲゼルシャフト | 機械学習モデルに入力する医用画像を生成するためのコンピュータ実装方法、コンピュータプログラム、学習済み機械学習モデルの作成方法、および装置 |
| WO2023220150A1 (en) * | 2022-05-12 | 2023-11-16 | Canon U.S.A., Inc. | Artificial intelligence catheter optical connection or disconnection evaluation, including deep machine learning and using results thereof |
| JP7424423B1 (ja) | 2022-07-20 | 2024-01-30 | コニカミノルタ株式会社 | 動態画像解析装置、プログラム及び動態画像解析方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH107563A (ja) * | 1996-02-28 | 1998-01-13 | Pfizer Inc | 病的状態の抑制方法 |
| US20080243007A1 (en) * | 2007-03-28 | 2008-10-02 | Cardiac Pacemakers, Inc. | Pulmonary Artery Pressure Signals And Methods of Using |
| US20150065864A1 (en) * | 2013-09-04 | 2015-03-05 | Puneet Sharma | Method and System for Functional Assessment of Renal Artery Stenosis from Medical Images |
| US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
| US20160235373A1 (en) * | 2015-02-13 | 2016-08-18 | Siemens Aktiengesellschaft | Plaque vulnerability assessment in medical imaging |
| JP2017501775A (ja) * | 2013-12-04 | 2017-01-19 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 機能性狭窄解析を向上させる局所ｆｆｒ推定及び視覚化 |
| WO2018016113A1 (ja) * | 2016-07-19 | 2018-01-25 | ラドウィスプ プライベート リミテッド | 診断支援プログラム |
| US20190159737A1 (en) * | 2015-08-14 | 2019-05-30 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
-
2019
- 2019-09-27 JP JP2019178086A patent/JP7369437B2/ja active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH107563A (ja) * | 1996-02-28 | 1998-01-13 | Pfizer Inc | 病的状態の抑制方法 |
| US20080243007A1 (en) * | 2007-03-28 | 2008-10-02 | Cardiac Pacemakers, Inc. | Pulmonary Artery Pressure Signals And Methods of Using |
| US20150065864A1 (en) * | 2013-09-04 | 2015-03-05 | Puneet Sharma | Method and System for Functional Assessment of Renal Artery Stenosis from Medical Images |
| US20150112182A1 (en) * | 2013-10-17 | 2015-04-23 | Siemens Aktiengesellschaft | Method and System for Machine Learning Based Assessment of Fractional Flow Reserve |
| JP2017501775A (ja) * | 2013-12-04 | 2017-01-19 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 機能性狭窄解析を向上させる局所ｆｆｒ推定及び視覚化 |
| US20160235373A1 (en) * | 2015-02-13 | 2016-08-18 | Siemens Aktiengesellschaft | Plaque vulnerability assessment in medical imaging |
| US20190159737A1 (en) * | 2015-08-14 | 2019-05-30 | Elucid Bioimaging Inc. | Methods and systems for utilizing quantitative imaging |
| WO2018016113A1 (ja) * | 2016-07-19 | 2018-01-25 | ラドウィスプ プライベート リミテッド | 診断支援プログラム |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023190732A1 (ja) * | 2022-03-29 | 2023-10-05 | バイエル アクチェンゲゼルシャフト | 機械学習モデルに入力する医用画像を生成するためのコンピュータ実装方法、コンピュータプログラム、学習済み機械学習モデルの作成方法、および装置 |
| WO2023220150A1 (en) * | 2022-05-12 | 2023-11-16 | Canon U.S.A., Inc. | Artificial intelligence catheter optical connection or disconnection evaluation, including deep machine learning and using results thereof |
| JP7424423B1 (ja) | 2022-07-20 | 2024-01-30 | コニカミノルタ株式会社 | 動態画像解析装置、プログラム及び動態画像解析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7369437B2 (ja) | 2023-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11847781B2 (en) | Systems and methods for medical acquisition processing and machine learning for anatomical assessment | |
| US10299862B2 (en) | Three-dimensional quantitative heart hemodynamics in medical imaging | |
| US20220012890A1 (en) | Model-Based Deep Learning for Globally Optimal Surface Segmentation | |
| WO2019211307A1 (en) | Modality-agnostic method for medical image representation | |
| Li et al. | Automatic detection of atherosclerotic plaque and calcification from intravascular ultrasound images by using deep convolutional neural networks | |
| JP2019504659A (ja) | 自動化された心臓ボリュームセグメンテーション | |
| US9462952B2 (en) | System and method for estimating artery compliance and resistance from 4D cardiac images and pressure measurements | |
| WO2021186592A1 (ja) | 診断支援装置及びモデル生成装置 | |
| JP7369437B2 (ja) | 評価システム、評価方法、学習方法、学習済みモデル、プログラム | |
| Andreassen et al. | Mitral annulus segmentation using deep learning in 3-D transesophageal echocardiography | |
| Kim et al. | Automatic segmentation of the left ventricle in echocardiographic images using convolutional neural networks | |
| CN116864109B (zh) | 一种医学影像人工智能辅助诊断系统 | |
| EP3923810A1 (en) | Prediction of coronary microvascular dysfunction from coronary computed tomography | |
| Laumer et al. | Weakly supervised inference of personalized heart meshes based on echocardiography videos | |
| CN115861172A (zh) | 基于自适应正则化光流模型的室壁运动估计方法及装置 | |
| Li et al. | Segmentation of human aorta using 3D nnU-net-oriented deep learning | |
| CN114565711A (zh) | 基于深度学习的心脏图像重建方法及系统 | |
| Lu et al. | Collaborative multi-metadata fusion to improve the classification of lumbar disc herniation | |
| Ragnarsdottir et al. | Interpretable prediction of pulmonary hypertension in newborns using echocardiograms | |
| KR102254365B1 (ko) | 의료영상 처리 방법 | |
| CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
| Chauhan et al. | Image Processing for Automated Diagnosis of Cardiac Diseases | |
| Benjamins et al. | Hybrid cardiac imaging: the role of machine learning and artificial intelligence | |
| Guo et al. | ELTS-Net: An enhanced liver tumor segmentation network with augmented receptive field and global contextual information | |
| Qayyum et al. | Transforming Heart Chamber Imaging: Self-Supervised Learning for Whole Heart Reconstruction and Segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20191002 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220516 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230228 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230501 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230620 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230821 |
|
| 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: 20230912 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231006 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7369437 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |