JP2021074360A - 医用画像処理装置及び医用画像処理方法、医用画像処理プログラム - Google Patents
医用画像処理装置及び医用画像処理方法、医用画像処理プログラム Download PDFInfo
- Publication number
- JP2021074360A JP2021074360A JP2019204400A JP2019204400A JP2021074360A JP 2021074360 A JP2021074360 A JP 2021074360A JP 2019204400 A JP2019204400 A JP 2019204400A JP 2019204400 A JP2019204400 A JP 2019204400A JP 2021074360 A JP2021074360 A JP 2021074360A
- Authority
- JP
- Japan
- Prior art keywords
- medical image
- image processing
- learning data
- space
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 4
- 230000003902 lesion Effects 0.000 description 22
- 238000002059 diagnostic imaging Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 230000036210 malignancy Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
【課題】既存の識別器に対して新たな学習が与える影響を類推可能な医用画像処理装置及び医用画像処理方法、医用画像処理プログラムを提供する。
【解決手段】医用画像を処理する医用画像処理装置であって、医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを記憶する記憶部103と、医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定部401と、特徴量空間における既存の学習データの分布に基づいて、特徴量空間を識別結果毎の領域に分割する領域分割部402と、既存の学習データとは異なる新規の学習データが領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出部403を備える。
【選択図】図4
【解決手段】医用画像を処理する医用画像処理装置であって、医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを記憶する記憶部103と、医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定部401と、特徴量空間における既存の学習データの分布に基づいて、特徴量空間を識別結果毎の領域に分割する領域分割部402と、既存の学習データとは異なる新規の学習データが領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出部403を備える。
【選択図】図4
Description
本発明は医用画像撮影装置で取得される医用画像を処理する医用画像処理装置及び医用画像処理方法、医用画像処理プログラムに関し、特に医用画像の画像診断を支援する医用画像処理装置の再学習に係る。
X線CT(Computed Tomography)装置やMRI(Magnetic Resonance Imaging)装置等に代表される医用画像撮影装置の高性能化にともなって大量の医用画像が取得されるようになり、画像診断する読影医の負担が増大している。読影医の負担を軽減するため、コンピュータによって医用画像から病変候補を検出することで画像診断を支援する医用画像処理装置いわゆるCAD(Computer Aided Detection)が開発されている。CADでは、医用画像と画像診断の結果との対の集合を学習データとした機械学習がなされ、機械学習に用いられる学習データによって病変候補の検出精度は変化する。
特許文献1には、X線画像の撮影部位を判別する識別器の判別精度の低下を防ぐ情報処理装置が開示されている。具体的には、汎用的な学習データを用いた学習により構成される既存の識別器と、カスタマイズ用の学習データを用いた学習により構成される一又は複数の新規の識別器との判別精度をそれぞれ算出し、最も判別精度の高い識別器を選択することが開示されている。
しかしながら特許文献1では、新規の識別器の判別精度を算出するために、カスタマイズ用の学習データを新たに学習させる必要がある。新たな学習にはデータ量に応じた時間を要するものの、識別器の判別精度が向上するか否かは用いられる学習データの性質に依存する。すなわち、新たな学習に長時間を費やしたとしても、識別器の判別精度やCADの検出精度等が低下する場合がある。
そこで本発明は、既存の識別器に対して新たな学習が与える影響を類推可能な医用画像処理装置及び医用画像処理方法、医用画像処理プログラムを提供することを目的とする。
上記目的を達成するために本発明は、医用画像を処理する医用画像処理装置であって、前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを記憶する記憶部と、前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定部と、前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割部と、前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出部を備えることを特徴とする。
また本発明は、コンピュータが医用画像を処理する医用画像処理方法であって、前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする。
また本発明は、コンピュータによって医用画像を処理させる医用画像処理プログラムであって、前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする。
本発明によれば、既存の識別器に対して新たな学習が与える影響を類推可能な医用画像処理装置及び医用画像処理方法、医用画像処理プログラムを提供することができる。
以下、添付図面に従って本発明に係る医用画像処理装置および医用画像処理方法の好ましい実施例について説明する。なお、以下の説明及び添付図面において、同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
図1を用いて本実施例の医用画像処理装置100のハードウェア構成について説明する。医用画像処理装置100は、いわゆるコンピュータである。具体的には、CPU(Central Processing Unit)101、メモリ102、記憶部103、ネットワークアダプタ104、入力部106、表示部107がバス105によって信号送受可能に接続されて構成される。また医用画像処理装置100は、ネットワークアダプタ104及びネットワーク108を介して医用画像撮影装置109や医用画像データベース110、画像診断支援装置111と信号送受可能に接続される。ここで、「信号送受可能に」とは、電気的または光学的に、有線と無線を問わず、相互にあるいは一方から他方へ信号を受け渡しできる状態である。
CPU101は、記憶部103に記憶されるシステムプログラム等を読み出し、各構成要素の動作を制御する装置である。CPU101は、記憶部103に格納されるプログラムやプログラム実行に必要なデータをメモリ102にロードして実行する。記憶部103は、CPU101が実行するプログラムやプログラム実行に必要なデータを格納する装置であり、具体的にはHDD(Hard Disk Drive)やSSD(Solid State Drive)等の記録装置や、ICカード、SDカード、DVD等の記録媒体に読み書きする装置である。プログラム実行に必要なデータを含む各種データはLAN(Local Area Network)等のネットワーク108からも送受信される。メモリ102には、CPU101が実行するプログラムや演算処理の途中経過等が記憶される。
表示部107は、プログラム実行の結果等が表示される装置であり、具体的には液晶ディスプレイ等である。入力部106は、操作者が医用画像処理装置100に対して操作指示を行う操作デバイスであり、具体的にはキーボードやマウス等である。マウスはトラックパッドやトラックボールなどの他のポインティングデバイスであっても良い。また表示部107がタッチパネルである場合には、タッチパネルが入力部106としても機能する。ネットワークアダプタ104は、医用画像処理装置100をLAN、電話回線、インターネット等のネットワーク108に接続するためのものである。
医用画像撮影装置109は、病変部位等の形態を画像化した断層画像等の医用画像を取得する装置であり、具体的には、レントゲン装置や、X線CT(Computed Tomography)装置、MRI(Magnetic Resonance Imaging)装置、超音波診断装置等である。複数の断層画像が積み上げられることにより、三次元医用画像が作成される。医用画像データベース110は、医用画像撮影装置109によって取得された医用画像を保管するデータベースシステムである。画像診断支援装置111は、医用画像から病変候補を検出したり、検出された病変候補の悪性度や、医用画像に含まれる臓器を識別したりするコンピュータである。
図2を用いて、医用画像撮影装置109によって取得された医用画像と画像診断支援装置111によって検出された病変候補について説明する。図2(a)にはX線CT装置によって撮影された医用画像である肺野の断層画像200が、図2(b)には断層画像200から検出された三つの病変候補201が示される。読影医は、図2(a)の断層画像200を読影してから図2(b)の病変候補201を参照して断層画像200を再読影したり、図2(b)の病変候補201を参照しながら読影したりする。いずれにしろ、読影医が断層画像200を読影し、断層画像200や病変候補201に対して下された診断結果が識別結果として記録される。
図3を用いて識別結果の例について説明する。図3(a)には、医用画像毎に病変の有無が識別された結果が記録された表が例示される。例えばImg-1には病変が有り、Img-nには病変がない。すなわち図3(a)の表の識別結果は、病変が有るか否かといった二値のラベルである。
図3(b)には、医用画像に含まれる病変毎に悪性度が識別された結果が記録された表が例示される。例えばImg-1のNodule-1とNodule-2、Img-2のNodule-1は悪性度1、Img-1のNodule-3とImg-3のNodule-2は悪性度2、Img-3のNodule-1は悪性度3である。なおImg-nには病変がないので、悪性度が記録されない。すなわち図3(b)の表の識別結果は、病変の悪性度がレベル分けされた多値のラベルである。レベル分けされた識別結果の場合、レベルを表す数値として、例えば0〜1の範囲の小数が用いられても良い。また病変毎に、位置や大きさが識別結果とともに記録されても良い。
図3(c)には、医用画像毎に撮影部位が識別された結果が記録された表が例示される。例えばImg-1とImg-3は臓器A、Img-2は臓器B、Img-nは臓器Cである。すなわち図3(c)の表の識別結果は、撮影部位を示す多値のラベルである。
画像診断支援装置111は、図3に示されるような医用画像と識別結果との対の集合を学習データとして学習することにより構成される識別器の一つであり、学習データの性質によって画像診断支援装置111の性能は変化する。すなわち既存の画像診断支援装置111に新規の学習データを学習させるために長時間を費やしたとしても、識別精度が向上するとは限らない。そこで本実施例では、新規の学習データを学習させなくても、既存の画像診断支援装置111に対して新規の学習データが与える影響を類推可能にする。
図4を用いて本実施例の機能ブロック図について説明する。なおこれらの機能は、ASIC(Application Specific Integrated Circuit)やFPGA(Field-Programmable Gate Array)等を用いた専用のハードウェアで構成されても良いし、CPU101上で動作するソフトウェアで構成されても良い。以降の説明では各機能がソフトウェアで構成された場合について説明する。本実施例は、空間設定部401と領域分割部402と逸脱度算出部403を備える。以下、各部について説明する。
空間設定部401は、医用画像から算出される複数の特徴量を軸として有する多次元空間である特徴量空間を設定する。特徴量空間の軸に用いられる特徴量は、例えば輝度、位置、大きさ、円形度等であり、識別結果との関係が強いものが好ましい。すなわち、識別結果との相関係数の絶対値が高い特徴量が特徴量空間の軸に用いられることが好ましい。
領域分割部402は、空間設定部401によって設定される特徴量空間を識別結果毎の領域に分割する。特徴量空間の領域分割には、例えば特徴量空間における既存の学習データの識別結果の分布が用いられる。識別結果毎の領域に分割された特徴量空間の例は図8を用いて後述される。
逸脱度算出部403は、既存の学習データとは異なる新規の学習データが、領域分割部402によって分割された領域から逸脱する程度である逸脱度を算出する。逸脱度の算出例は図10を用いて後述される。
図5を用いて、本実施例の処理の流れの一例について説明する。
(S501)
空間設定部401は、医用画像と識別結果の対の集合である既存の学習データを取得する。既存の学習データは記憶部103から読み出されても良いし、ネットワークアダプタ104を介して外部から送信されても良い。
空間設定部401は、医用画像と識別結果の対の集合である既存の学習データを取得する。既存の学習データは記憶部103から読み出されても良いし、ネットワークアダプタ104を介して外部から送信されても良い。
(S502)
空間設定部401は、医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する。
空間設定部401は、医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する。
図6を用いて、本ステップの処理の流れの一例について説明する。
(S601)
空間設定部401は、既存の学習データの医用画像から複数の特徴量を算出する。図7に、算出される特徴量が例示される。図7(a)は医用画像毎に算出された複数の特徴量であり、図7(b)は医用画像に含まれる病変毎に算出された複数の特徴量である。
空間設定部401は、既存の学習データの医用画像から複数の特徴量を算出する。図7に、算出される特徴量が例示される。図7(a)は医用画像毎に算出された複数の特徴量であり、図7(b)は医用画像に含まれる病変毎に算出された複数の特徴量である。
(S602)
空間設定部401は、既存の学習データの識別結果とS601で算出された各特徴量との相関係数を算出する。相関係数の算出には、数1で表されるピアソンの確率相関係数等が用いられる。
空間設定部401は、既存の学習データの識別結果とS601で算出された各特徴量との相関係数を算出する。相関係数の算出には、数1で表されるピアソンの確率相関係数等が用いられる。
ここで、ρkは識別結果とk番目の特徴量の相関係数、nは医用画像の総数、xkiは医用画像iに対するk番目の特徴量の値、yiは医用画像iに対する識別結果である。またロジスティック回帰や判別分析法等の手法で、説明変数を各特徴量、目的変数を識別結果とした場合の予測精度を相関係数の代わりに用いてもよい。
(S603)
空間設定部401は、S602で算出された相関係数に基づいて、複数の特徴量を選択する。例えば、相関係数の絶対値の高い順から予め定められた数の特徴量を選択したり、相関係数の絶対値が予め定められた閾値よりも大きい特徴量を選択したりする。
空間設定部401は、S602で算出された相関係数に基づいて、複数の特徴量を選択する。例えば、相関係数の絶対値の高い順から予め定められた数の特徴量を選択したり、相関係数の絶対値が予め定められた閾値よりも大きい特徴量を選択したりする。
(S604)
空間設定部401は、S603で選択された特徴量を軸として有する特徴量空間を設定する。S603で選択された特徴量を軸として有することにより、識別結果との関係が強い特徴量空間が設定できる。
空間設定部401は、S603で選択された特徴量を軸として有する特徴量空間を設定する。S603で選択された特徴量を軸として有することにより、識別結果との関係が強い特徴量空間が設定できる。
図5の説明に戻る。
(S503)
領域分割部402は、特徴量空間を識別結果毎に領域分割する。図8を用いて、識別結果の分布に基づいて領域分割された特徴量空間の例について説明する。図8に例示される特徴量空間は、A_1とA_2との二つの特徴量を軸として有する二次元空間である。識別結果aと識別結果bは、医用画像や病変と対であるので、医用画像や病変から算出される特徴量により特徴量空間に図8のような分布を形成する。なお図8には、識別結果aが○で、識別結果bが△で示され、識別結果aの分布の中心が(A_1_a、A_2_a)で、識別結果bの分布の中心が(A_1_b、A_2_b)で示される。各識別結果の分布の中心は、特徴量空間の軸である特徴量の平均値として算出される。
領域分割部402は、特徴量空間を識別結果毎に領域分割する。図8を用いて、識別結果の分布に基づいて領域分割された特徴量空間の例について説明する。図8に例示される特徴量空間は、A_1とA_2との二つの特徴量を軸として有する二次元空間である。識別結果aと識別結果bは、医用画像や病変と対であるので、医用画像や病変から算出される特徴量により特徴量空間に図8のような分布を形成する。なお図8には、識別結果aが○で、識別結果bが△で示され、識別結果aの分布の中心が(A_1_a、A_2_a)で、識別結果bの分布の中心が(A_1_b、A_2_b)で示される。各識別結果の分布の中心は、特徴量空間の軸である特徴量の平均値として算出される。
図8では、識別結果aの分布が特徴量空間の左上側に、識別結果bの分布が特徴量空間の右下側に偏っているので、両分布の中心から等距離にある直線A_2=α・A_1+βを各識別結果の領域間の境界とする。すなわちA_2>α・A_1+βが識別結果aの領域、それ以外が識別結果bの領域となる。なお各識別結果の分布に基づいて多変量正規分布の確率密度関数を算出し、各識別結果の確率密度が等しい箇所に各識別結果の領域間の境界を設けることにより識別結果毎に領域分割しても良い。
(S504)
逸脱度算出部403は、新規の学習データの逸脱度を提示する。すなわち、既存の学習データを用いて領域分割された特徴量空間において、新規の学習データが当該領域に含まれるか否かが確認され、含まれない場合は逸脱の程度である逸脱度が算出され提示される。逸脱度の提示により、既存の識別器の一つである画像診断支援装置111に対して新たな学習が与える影響を類推可能となる。
逸脱度算出部403は、新規の学習データの逸脱度を提示する。すなわち、既存の学習データを用いて領域分割された特徴量空間において、新規の学習データが当該領域に含まれるか否かが確認され、含まれない場合は逸脱の程度である逸脱度が算出され提示される。逸脱度の提示により、既存の識別器の一つである画像診断支援装置111に対して新たな学習が与える影響を類推可能となる。
図9を用いて、本ステップの処理の流れの一例について説明する。
(S901)
逸脱度算出部403は、医用画像と識別結果の対の集合であり、既存の学習データとは異なる新規の学習データを取得する。新規の学習データは記憶部103から読み出されても良いし、ネットワークアダプタ104を介して外部から送信されても良い。
逸脱度算出部403は、医用画像と識別結果の対の集合であり、既存の学習データとは異なる新規の学習データを取得する。新規の学習データは記憶部103から読み出されても良いし、ネットワークアダプタ104を介して外部から送信されても良い。
(S902)
逸脱度算出部403は、新規の学習データの医用画像から特徴量空間の軸である各特徴量を算出する。
逸脱度算出部403は、新規の学習データの医用画像から特徴量空間の軸である各特徴量を算出する。
(S903)
逸脱度算出部403は、S902で算出された特徴量を用いて、新規の学習データの医用画像を特徴量空間へ配置する。
逸脱度算出部403は、S902で算出された特徴量を用いて、新規の学習データの医用画像を特徴量空間へ配置する。
(S904)
逸脱度算出部403は、S903で特徴量空間へ配置された医用画像がどの領域にあるかを確認し、識別結果とは異なる領域に配置された場合は逸脱度を算出する。
逸脱度算出部403は、S903で特徴量空間へ配置された医用画像がどの領域にあるかを確認し、識別結果とは異なる領域に配置された場合は逸脱度を算出する。
図10を用いて逸脱度の一例について説明する。図10には、直線A_2=α・A_1+βを境界として識別結果aの領域と識別結果bの領域に分割された特徴量空間に、新規の学習データの中の識別結果aである医用画像n1とn2が配置された状態が示される。図10では、医用画像n2が識別結果aの領域に配置されているのに対し、医用画像n1が識別結果bの領域、つまり識別結果a以外の領域に配置されており、識別結果aの領域から逸脱している。医用画像n1の逸脱度には、例えば図10中の両矢印で示される境界からの距離d1が用いられる。なお医用画像n2のように正しい領域に配置される場合、ゼロまたは境界からの距離に−1を乗じた値が逸脱度として用いられても良い。
逸脱度として境界からの距離が用いられる場合、各識別結果の分布の中心からの距離に応じて、逸脱度が補正されても良い。図11を用いて逸脱度の補正について説明する。図11には、図10と同じ特徴量空間に、新規の学習データの中の識別結果aである医用画像n1とn3が配置された状態が示される。医用画像n1とn3は、識別結果bの領域に配置されている。医用画像n1は境界からの距離d1が医用画像n3と等しいものの、識別結果aの分布の中心からの距離r1が医用画像n3の距離r3よりも長い。さらに識別結果の分布の中心からの距離が例えば無限遠点まで長くなると、境界からの距離は誤差の範疇となる。そこで、境界からの距離d1を識別結果の分布の中心からの距離r1やr3で除すことにより逸脱度が補正されても良い。この場合、補正された逸脱度はd1/r1やd1/r3となる。
(S905)
逸脱度算出部403は、新規の学習データの医用画像の全てが特徴量空間に配置されたか否かを判定する。まだ配置されていない医用画像があればS902へ処理が戻る。新規の学習データの全てが特徴量空間に配置されていればS906へ処理が進む。
逸脱度算出部403は、新規の学習データの医用画像の全てが特徴量空間に配置されたか否かを判定する。まだ配置されていない医用画像があればS902へ処理が戻る。新規の学習データの全てが特徴量空間に配置されていればS906へ処理が進む。
(S906)
逸脱度算出部403は、新規の学習データ全体としての逸脱度を算出する。新規の学習データ全体としての逸脱度Dの算出には数2や数3が用いられても良い。
逸脱度算出部403は、新規の学習データ全体としての逸脱度を算出する。新規の学習データ全体としての逸脱度Dの算出には数2や数3が用いられても良い。
ここで、diはS904で算出される医用画像iの各逸脱度、nは医用画像の総数である。
ここで、diはS904で算出される逸脱する医用画像iの各逸脱度、n0は逸脱する医用画像の枚数である。
なお逸脱する医用画像の枚数n0を医用画像の総数nで除した値n0/nを新規の学習データ全体としての逸脱度としても良い。また既存の学習データについても、新規の学習データと同様に、既存の学習データ全体としての逸脱度を算出し、両者を合わせて表示しても良い。
また医用画像毎に算出される逸脱度diが比較的大きい医用画像を、逸脱する医用画像のサンプルとして表示しても良い。例えば、各逸脱度diが所定の閾値よりも大きい医用画像や、逸脱度diが大きい方から所定数の医用画像が、逸脱する医用画像のサンプルとして表示される。逸脱度とともに逸脱する医用画像のサンプルが表示されることにより、新たな学習が与える影響をより類推しやすくなる。さらに、逸脱する医用画像の枚数n0が所定の閾値よりも多い場合には、逸脱度diが比較的大きい医用画像に共通する特徴量である共通特徴量を求めて提示しても良い。
図12を用いて逸脱する医用画像に共通する特徴量である共通特徴量の求め方について説明する。図12には、図10と同じ特徴量空間に、新規の学習データの中の識別結果aである医用画像n1とn4が配置された状態が示される。医用画像n1とn4は、識別結果bの領域に配置されている。医用画像n1から識別結果aの分布の中心へのベクトルは、特徴量A_1の成分D1_1と特徴量A_2の成分D1_2に分解される。医用画像n4からのベクトルも同様にD4_1とD4_2に分解される。そして各特徴量の成分に分解されたベクトルの中で比較的ばらつきが小さい成分が共通特徴量として求められる。例えば、分解された成分の分散や差が予め設定した閾値以下となる特徴量が、逸脱する医用画像の共通特徴量として求められる。図12では、D1_1とD4_1との差が閾値Dlimitよりも小さい場合に、逸脱する医用画像n1とn4の共通特徴量としてA_1が求められる。逸脱する医用画像の共通特徴量がさらに提示されることにより、新たな学習が与える影響をより類推しやすくなる。
以上説明した処理の流れにより、既存の学習データを用いて領域分割された特徴量空間における新規の学習データの逸脱度が提示される。そして提示される逸脱度から、既存の識別器の一つである画像診断支援装置111に対して新たな学習が与える影響を類推可能となる。
以上、本発明の実施例について説明した。本発明はこれらの実施例に限定されるものではなく、さまざまな変形例が含まれる。例えば、上記した実施例は本発明をわかりやすく説明するために詳細に説明したものであり、説明したすべての構成を備えるものに限定されるものではない。
100:医用画像処理装置、101:CPU、102:メモリ、103:記憶部、104:ネットワークアダプタ、105:バス、106:入力部、107:表示部、108:ネットワーク、109:医用画像撮影装置、110:医用画像データベース、111:画像診断支援装置、200:断層画像、201:病変候補、401:空間設定部、402:領域分割部、403:逸脱度算出部
Claims (9)
- 医用画像を処理する医用画像処理装置であって、
前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを記憶する記憶部と、
前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定部と、
前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割部と、
前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出部を備えることを特徴とする医用画像処理装置。 - 請求項1に記載の医用画像処理装置であって、
前記逸脱度算出部は、前記新規の学習データに含まれる各医用画像に対して前記逸脱度を算出し、算出された逸脱度が比較的大きい医用画像を表示させることを特徴とする医用画像処理装置。 - 請求項2に記載の医用画像処理装置であって、
前記逸脱度算出部は、逸脱度が比較的大きい医用画像に共通する特徴量である共通特徴量を求めることを特徴とする医用画像処理装置。 - 請求項3に記載の医用画像処理装置であって、
前記逸脱度算出部は、前記領域から逸脱する各医用画像から前記領域の中心へのベクトルを特徴量毎の成分に分解し、分解された成分の中で比較的ばらつきが小さい成分を前記共通特徴量として求めることを特徴とする医用画像処理装置。 - 請求項1に記載の医用画像処理装置であって、
前記逸脱度算出部は、前記領域の間の境界からの距離に基づいて前記逸脱度を算出することを特徴とする医用画像処理装置。 - 請求項5に記載の医用画像処理装置であって、
前記領域分割部は、前記特徴量空間において領域毎に中心を算出し、
前記逸脱度算出部は、前記領域毎の中心からの距離に基づいて前記逸脱度を補正することを特徴とする医用画像処理装置。 - 請求項1に記載の医用画像処理装置であって、
前記空間設定部は、前記既存の学習データの識別結果との相関係数に基づいて前記特徴量空間の軸を選択することを特徴とする医用画像処理装置。 - コンピュータが医用画像を処理する医用画像処理方法であって、
前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、
前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、
前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、
前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする医用画像処理方法。 - コンピュータによって医用画像を処理させる医用画像処理プログラムであって、
前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、
前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、
前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、
前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする医用画像処理プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019204400A JP2021074360A (ja) | 2019-11-12 | 2019-11-12 | 医用画像処理装置及び医用画像処理方法、医用画像処理プログラム |
CN202010425674.1A CN112862741A (zh) | 2019-11-12 | 2020-05-19 | 医用图像处理装置及医用图像处理方法、医用图像处理程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019204400A JP2021074360A (ja) | 2019-11-12 | 2019-11-12 | 医用画像処理装置及び医用画像処理方法、医用画像処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021074360A true JP2021074360A (ja) | 2021-05-20 |
Family
ID=75897748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019204400A Pending JP2021074360A (ja) | 2019-11-12 | 2019-11-12 | 医用画像処理装置及び医用画像処理方法、医用画像処理プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2021074360A (ja) |
CN (1) | CN112862741A (ja) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5533662B2 (ja) * | 2008-10-30 | 2014-06-25 | コニカミノルタ株式会社 | 情報処理装置 |
JP5284863B2 (ja) * | 2009-04-30 | 2013-09-11 | 独立行政法人理化学研究所 | 画像処理装置、画像処理方法およびプログラム |
JP5762008B2 (ja) * | 2011-01-19 | 2015-08-12 | 株式会社東芝 | 医用画像処理装置、及び医用画像処理プログラム |
JP5830295B2 (ja) * | 2011-07-29 | 2015-12-09 | オリンパス株式会社 | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム |
JP6168876B2 (ja) * | 2013-06-24 | 2017-07-26 | オリンパス株式会社 | 検出装置、学習装置、検出方法、学習方法及びプログラム |
JP2015116319A (ja) * | 2013-12-18 | 2015-06-25 | パナソニックIpマネジメント株式会社 | 診断支援装置、診断支援方法、および診断支援プログラム |
JPWO2017047819A1 (ja) * | 2015-09-18 | 2018-08-02 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
JP6631641B2 (ja) * | 2016-01-20 | 2020-01-15 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
JP2018061771A (ja) * | 2016-10-14 | 2018-04-19 | 株式会社日立製作所 | 画像処理装置、及び画像処理方法 |
JP6824845B2 (ja) * | 2017-08-09 | 2021-02-03 | キヤノン株式会社 | 画像処理システム、装置、方法およびプログラム |
JP6930283B2 (ja) * | 2017-08-18 | 2021-09-01 | コニカミノルタ株式会社 | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム |
JP6727176B2 (ja) * | 2017-09-27 | 2020-07-22 | 富士フイルム株式会社 | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 |
-
2019
- 2019-11-12 JP JP2019204400A patent/JP2021074360A/ja active Pending
-
2020
- 2020-05-19 CN CN202010425674.1A patent/CN112862741A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN112862741A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5954769B2 (ja) | 医用画像処理装置、医用画像処理方法および異常検出プログラム | |
JP7034013B2 (ja) | 自動画像レジストレーション品質評価 | |
US10726344B2 (en) | Diagnosis support apparatus and method of controlling the same | |
JP5875285B2 (ja) | 医療診断支援装置、情報処理方法及びプログラム | |
US10424067B2 (en) | Image processing apparatus, image processing method and storage medium | |
JP7187244B2 (ja) | 医用画像処理装置、医用画像処理システム及び医用画像処理プログラム | |
JP5982726B2 (ja) | ボリュームデータ解析システム及びその方法 | |
JPWO2007000940A1 (ja) | 異常陰影候補検出方法、異常陰影候補検出装置 | |
JP2007151645A (ja) | 医用画像診断支援システム | |
US20220028510A1 (en) | Medical document creation apparatus, method, and program | |
CN115861656A (zh) | 用于自动处理医学图像以输出警报的方法、设备和系统 | |
CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质 | |
US10249050B2 (en) | Image processing apparatus and image processing method | |
JP2021074360A (ja) | 医用画像処理装置及び医用画像処理方法、医用画像処理プログラム | |
CN113327665A (zh) | 医用信息处理系统以及医用信息处理方法 | |
US11923072B2 (en) | Image diagnosis supporting device and image processing method | |
JP2018110040A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US11657909B2 (en) | Medical image processing apparatus and medical image processing method | |
US20230186463A1 (en) | Estimation of b-value in prostate magnetic resonance diffusion weighted images | |
US20230099284A1 (en) | System and method for prognosis management based on medical information of patient | |
Hampshire et al. | A probabilistic method for estimation of bowel wall thickness in MR colonography | |
CN110709888B (zh) | 信息处理装置和用于控制信息处理装置的方法 | |
Li et al. | Quantifying emphysema in lung screening computed tomography with robust automated lobe segmentation | |
US20210065899A1 (en) | Methods and systems for computer-aided diagnosis with deep learning models | |
Zarei et al. | Do Deep Learning Algorithms Accurately Segment Intracerebral Hemorrhages on Noncontrast Computed Tomography? A Systematic Review and Meta‐Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20211027 |