JP2021521982A - 超音波断層撮影画像上の特徴抽出および分類のためのシステムおよび方法 - Google Patents
超音波断層撮影画像上の特徴抽出および分類のためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2021521982A JP2021521982A JP2020559559A JP2020559559A JP2021521982A JP 2021521982 A JP2021521982 A JP 2021521982A JP 2020559559 A JP2020559559 A JP 2020559559A JP 2020559559 A JP2020559559 A JP 2020559559A JP 2021521982 A JP2021521982 A JP 2021521982A
- Authority
- JP
- Japan
- Prior art keywords
- measurements
- interest
- sound
- region
- processor
- 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
- 238000000034 method Methods 0.000 title claims description 458
- 238000002604 ultrasonography Methods 0.000 title description 51
- 238000000605 extraction Methods 0.000 title description 18
- 238000005259 measurement Methods 0.000 claims abstract description 480
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 196
- 208000031513 cyst Diseases 0.000 claims abstract description 34
- 238000009877 rendering Methods 0.000 claims description 264
- 230000003902 lesion Effects 0.000 claims description 257
- 238000010801 machine learning Methods 0.000 claims description 90
- 230000000877 morphologic effect Effects 0.000 claims description 74
- 230000003211 malignant effect Effects 0.000 claims description 53
- 201000011510 cancer Diseases 0.000 claims description 45
- 230000035945 sensitivity Effects 0.000 claims description 41
- 201000003149 breast fibroadenoma Diseases 0.000 claims description 37
- 208000007659 Fibroadenoma Diseases 0.000 claims description 36
- 206010001233 Adenoma benign Diseases 0.000 claims description 35
- 238000012706 support-vector machine Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012935 Averaging Methods 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000004393 prognosis Methods 0.000 claims description 18
- 206010011732 Cyst Diseases 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 210000001519 tissue Anatomy 0.000 description 272
- 238000004422 calculation algorithm Methods 0.000 description 139
- 210000000481 breast Anatomy 0.000 description 62
- 238000003066 decision tree Methods 0.000 description 55
- 230000011218 segmentation Effects 0.000 description 53
- 238000012549 training Methods 0.000 description 52
- 238000003860 storage Methods 0.000 description 39
- 238000004458 analytical method Methods 0.000 description 33
- 238000003325 tomography Methods 0.000 description 25
- 238000003384 imaging method Methods 0.000 description 24
- 230000015654 memory Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 22
- 230000000670 limiting effect Effects 0.000 description 22
- 230000004044 response Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 16
- 230000011514 reflex Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000002238 attenuated effect Effects 0.000 description 13
- 238000012512 characterization method Methods 0.000 description 13
- 230000036210 malignancy Effects 0.000 description 13
- 238000000513 principal component analysis Methods 0.000 description 13
- 238000013459 approach Methods 0.000 description 12
- 230000001052 transient effect Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 230000003628 erosive effect Effects 0.000 description 10
- 230000002601 intratumoral effect Effects 0.000 description 10
- 210000000577 adipose tissue Anatomy 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 8
- 230000001788 irregular Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 210000000779 thoracic wall Anatomy 0.000 description 5
- 238000009966 trimming Methods 0.000 description 5
- 208000003200 Adenoma Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000001613 neoplastic effect Effects 0.000 description 4
- 210000004003 subcutaneous fat Anatomy 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002445 nipple Anatomy 0.000 description 3
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 208000030270 breast disease Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000009607 mammography Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000010979 ruby Substances 0.000 description 2
- 229910001750 ruby Inorganic materials 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000026683 transduction Effects 0.000 description 2
- 238000010361 transduction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000251730 Chondrichthyes Species 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 201000005171 Cystadenoma Diseases 0.000 description 1
- 241000288113 Gallirallus australis Species 0.000 description 1
- 240000000594 Heliconia bihai Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 101100126329 Mus musculus Islr2 gene Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004581 coalescence Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- FROBCXTULYFHEJ-OAHLLOKOSA-N propaquizafop Chemical compound C1=CC(O[C@H](C)C(=O)OCCON=C(C)C)=CC=C1OC1=CN=C(C=C(Cl)C=C2)C2=N1 FROBCXTULYFHEJ-OAHLLOKOSA-N 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000010255 response to auditory stimulus Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- WZWYJBNHTWCXIM-UHFFFAOYSA-N tenoxicam Chemical compound O=C1C=2SC=CC=2S(=O)(=O)N(C)C1=C(O)NC1=CC=CC=N1 WZWYJBNHTWCXIM-UHFFFAOYSA-N 0.000 description 1
- 229960002871 tenoxicam Drugs 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/13—Tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/42—Details of probe positioning or probe attachment to the patient
- A61B8/4272—Details of probe positioning or probe attachment to the patient involving the acoustic interface between the transducer and the tissue
- A61B8/4281—Details of probe positioning or probe attachment to the patient involving the acoustic interface between the transducer and the tissue characterised by sound-transmitting media or devices for coupling the transducer to the tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本明細書に開示されるシステム、プロセッサ、またはコンピュータ可読媒体は、対象の組織の透過および／または反射画像を受信することであって、画像は、組織を通して透過される音響波形から導出される音響信号から生成される、ことと、ユーザ選択着目領域と関連付けられた予後パラメータのセットを提供することであって、予後パラメータのセットは、組織内の音伝搬を特性評価する、音伝搬計測値を含み、予後パラメータのセットは、組織分類子モデルの中への入力に対応し、予後パラメータのセットは、複数の関連特徴群を含む、ことと、分類子モデルを使用して、該関連特徴群の複数のサブセットに基づいて、対象の組織のタイプを決定することであって、組織のタイプは、癌性腫瘍、線維腺腫、嚢胞、非特異性良性腫瘤、および識別不能腫瘤である、こととを行うための命令とともに構成される。
Description
（相互参照）
本願は、両方とも本参照によってその全体として本明細書に組み込まれる、２０１８年４月２７日に出願された、米国仮出願第６２／６６４，０３８号、および２０１９年４月２４日に出願された、米国仮出願６２／８３８，１７４号の利益を主張する。
本願は、両方とも本参照によってその全体として本明細書に組み込まれる、２０１８年４月２７日に出願された、米国仮出願第６２／６６４，０３８号、および２０１９年４月２４日に出願された、米国仮出願６２／８３８，１７４号の利益を主張する。
乳癌は、女性における癌死亡率の主要原因のうちの１つであり得る。乳房疾患の早期検出は、死亡率における低減につながり得る。しかしながら、乳癌スクリーニングのための現在の標準の感度および特異度に関して問題が存在する。これらの問題は、癌発症のリスク増加傾向にある高濃度乳房を伴う、若い女性の部分集合において実質的である。
組織タイプを識別するための超音波撮像の以前のアプローチは、準理想的であり得、少なくともいくつかの事例では、組織タイプを正確に識別しない場合がある。例えば、熟練技術者またはオペレータへの依拠は、幾分、時間がかかり得る。また、撮像モダリティの以前の使用は、理想的であろうものより少ない情報を伝達し得る。臨床設定では、放射線科医または他の医療従事者は、走査される患者の画像（例えば、超音波断層撮影画像）を精査し、認められる内容に基づいて診断を行い得る。特に、放射線科医は、その経験および訓練に依拠して、任意の限局性撮像異常の存在に関する決定を行う。しかしながら、これらの決定は、常時、正しいわけではない場合がある。放射線科医は、同一画像を異なるように精査し得、そのような差異は、放射線科医が、異なる訓練レベルを有する、または異なるように訓練されているとき、さらに悪化され得る。客観的データではなく、オペレータの知識および技能への本依拠は、準理想的結果を提供し得る。
機械学習が、組織タイプを決定するために提案されているが、機械学習の以前の使用は、少なくともいくつかの事例では、準理想的結果を提供し得る。例えば、入力データは、準理想的であり得、完全または適切に利用されない場合がある。また、機械学習を用いた以前のアプローチのうちのいくつかは、あまり正確ではない入力パラメータに依拠し、それによって、少なくともいくつかの事例では、準理想的正確度、感度、および特異度を生産し得る。さらに、入力データの組み合わせは、準理想的に利用され、それによって、少なくともいくつかの事例では、正確度、感度、および特異度を減少させ得る。
上記に照らして、改良された正確度を伴って、超音波画像の組織を評価するための改良された方法および装置の必要性が存在する。
（要約）
本明細書に開示される方法および装置は、組織の体積内の病変の改良された識別を提供する。本方法および装置は、複数の関連特徴を関連特徴のサブセット等の入力パラメータとして使用した機械学習によって補助される、特徴抽出および特性評価を使用することができる。関連特徴群のサブセットの使用は、改良された正確度、感度、および特異度を提供することができる。関連特徴の複数のサブセットは、関連音速特徴、関連音減衰特徴、および関連反射特徴を含んでもよい。関連音速特徴は、平均値、標準偏差、歪曲度、および尖度を含んでもよい。音速の虚数成分を通して、またはバルク測定値を通して生成される、関連減衰特徴は、平均値、標準偏差、歪曲度、および尖度を含んでもよい。関連反射特徴は、反射特徴の平均値、標準偏差、歪曲度、および尖度を含んでもよい。波形増強音速または堅度撮像等の関連導出撮像モダリティは、反射特徴の平均値、標準偏差、歪曲度、および尖度を含んでもよい。音速特徴、減衰特徴、反射特徴、および導出された特徴に対応するサブセットはそれぞれ、組織タイプの決定の改良された正確度を取得するために、分類子の中に入力されることができる。これらの特徴は、機械学習アルゴリズムに基づいて、画像データセグメント化、特徴抽出、特徴選択、および組織分類と併用されることができる。いくつかの実施形態では、本方法および装置は、分類正確度を改良するために、特徴サブセットの選択（例えば、単一特徴クラスまたは複数のクラスからの特徴）のために構成される。
本明細書に開示される方法および装置は、組織の体積内の病変の改良された識別を提供する。本方法および装置は、複数の関連特徴を関連特徴のサブセット等の入力パラメータとして使用した機械学習によって補助される、特徴抽出および特性評価を使用することができる。関連特徴群のサブセットの使用は、改良された正確度、感度、および特異度を提供することができる。関連特徴の複数のサブセットは、関連音速特徴、関連音減衰特徴、および関連反射特徴を含んでもよい。関連音速特徴は、平均値、標準偏差、歪曲度、および尖度を含んでもよい。音速の虚数成分を通して、またはバルク測定値を通して生成される、関連減衰特徴は、平均値、標準偏差、歪曲度、および尖度を含んでもよい。関連反射特徴は、反射特徴の平均値、標準偏差、歪曲度、および尖度を含んでもよい。波形増強音速または堅度撮像等の関連導出撮像モダリティは、反射特徴の平均値、標準偏差、歪曲度、および尖度を含んでもよい。音速特徴、減衰特徴、反射特徴、および導出された特徴に対応するサブセットはそれぞれ、組織タイプの決定の改良された正確度を取得するために、分類子の中に入力されることができる。これらの特徴は、機械学習アルゴリズムに基づいて、画像データセグメント化、特徴抽出、特徴選択、および組織分類と併用されることができる。いくつかの実施形態では、本方法および装置は、分類正確度を改良するために、特徴サブセットの選択（例えば、単一特徴クラスまたは複数のクラスからの特徴）のために構成される。
本明細書に開示される方法および装置は、音速特徴、反射特徴、減衰特徴、および導出された撮像モダリティ特徴に応答して、一連のステップを伴う機械学習技法を使用して、超音波画像（例えば、超音波断層撮影）の組織特性評価を実施するように構成されることができる。いくつかの実施形態では、異なるタイプの組織および腫瘤の実施例を含む、画像のセットが、生成されることができる。訓練された放射線科医は、次いで、着目領域（ＲＯＩ）マスク（例えば、バイナリ）を生成することによって、着目組織を位置特定およびセグメント化することができる。特徴が、次いで、関連サブセットを伴うＲＯＩから抽出されることができる。特徴選択技法を使用して、最も関連する特徴が、次いで、機械学習分類子モデルを訓練するためにフィードされる。訓練された分類子が、次いで、未知の組織サンプルからの特徴をフィードされ、関連特徴サブセットに応答して、未知の組織サンプルのための標識または分類を決定することができる。
ある側面では、組織の体積内の病変を特性評価するためのコンピュータ実装方法が、提供される。本方法は、複数の音響レンダリングを受信するステップであって、音響レンダリングは、組織の体積を通した音伝搬の表現を含み、複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ステップと、予後パラメータのセットを決定するステップであって、予後パラメータのセットは、複数の音響レンダリングから導出される、１つまたは複数の音伝搬計測値を含む、ステップと、予後パラメータのセットの各要素に予測値を割り当てるステップであって、予測値は、複数の分類された音響レンダリングに基づく、ステップと、分類子モデルを予後パラメータのセットのサブセットから形成するステップであって、サブセットは、予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ステップと、分類子モデルを使用して、スコアを計算するステップであって、スコアは、病変がある分類である確率に関連する、ステップとを含んでもよい。
いくつかの実施形態では、病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む。いくつかの実施形態では、複数の音響レンダリングは、組み合わせられた音響レンダリングを含む。いくつかの実施形態では、組み合わせられた音響レンダリングは、複数の反射レンダリングを含む。いくつかの実施形態では、組み合わせられたレンダリングは、複数の透過レンダリングを含む。いくつかの実施形態では、組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む。いくつかの実施形態では、透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む。いくつかの実施形態では、予後パラメータは、着目領域に関連する音速計測値を含む。いくつかの実施形態では、着目領域は、ユーザ選択着目領域である。いくつかの実施形態では、着目領域は、病変の少なくとも一部を含む。いくつかの実施形態では、着目領域は、２次元着目領域を含む。いくつかの実施形態では、着目領域は、少なくとも部分的に、エッジ検出を介して決定される。いくつかの実施形態では、着目領域は、少なくとも部分的に、予後パラメータのセットを使用して選択される。いくつかの実施形態では、２次元着目領域は、３次元着目領域を生成するために使用される。いくつかの実施形態では、マスクが、該着目領域に基づいて生成される。いくつかの実施形態では、予後パラメータのセットは、該着目領域に基づく。いくつかの実施形態では、予後パラメータのセットは、着目領域のユーザ割当分類を含む。いくつかの実施形態では、ユーザ割当分類は、腫瘤境界スコアである。いくつかの実施形態では、予後パラメータのセットは、病変の少なくとも１つの形態学的計測値を含む。いくつかの実施形態では、形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む。いくつかの実施形態では、予後パラメータのセットは、曖昧度を含む。いくつかの実施形態では、該曖昧度は、病変の境界のものである。いくつかの実施形態では、予後パラメータのセットは、鮮明度を含む。いくつかの実施形態では、該鮮明度は、病変のマージンのものである。いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つのテクスチャ計測値を含む。いくつかの実施形態では、テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、予後パラメータのセットは、トリミングされる。いくつかの実施形態では、複数のサブセットのうちの１つは、音速を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音減衰を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音反射を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する。いくつかの実施形態では、分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。いくつかの実施形態では、分類子は、病変が悪性病変である尤度を決定する。いくつかの実施形態では、病変が悪性病変である尤度は、パーセンテージとして表される。いくつかの実施形態では、分類子モデルは、機械学習技法を使用して生成される。いくつかの実施形態では、機械学習技法は、サポートベクトルマシンを含む。
別の側面では、有形媒体を備える、プロセッサが、提供される。有形媒体は、複数の音響レンダリングを受信することであって、音響レンダリングは、組織の体積を通した音伝搬の表現を含み、複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、予後パラメータのセットを決定することであって、予後パラメータのセットは、複数の音響レンダリングから導出される、１つまたは複数の音伝搬計測値を含む、ことと、予後パラメータのセットの各要素に予測値を割り当ることであって、予測値は、複数の分類された音響レンダリングに基づく、ことと、分類子モデルを予後パラメータのセットのサブセットから形成することであって、サブセットは、予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、分類子モデルを使用して、スコアを計算することであって、スコアは、病変がある分類である確率に関連する、こととを行うための命令とともに構成されてもよい。
いくつかの実施形態では、病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む。いくつかの実施形態では、複数の音響レンダリングは、組み合わせられた音響レンダリングを含む。いくつかの実施形態では、組み合わせられた音響レンダリングは、複数の反射レンダリングを含む。いくつかの実施形態では、組み合わせられたレンダリングは、複数の透過レンダリングを含む。いくつかの実施形態では、組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む。いくつかの実施形態では、透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む。いくつかの実施形態では、予後パラメータは、着目領域に関連する音速計測値を含む。いくつかの実施形態では、着目領域は、ユーザ選択着目領域である。いくつかの実施形態では、着目領域は、病変の少なくとも一部を含む。いくつかの実施形態では、着目領域は、２次元着目領域を含む。いくつかの実施形態では、着目領域は、少なくとも部分的に、エッジ検出を介して決定される。いくつかの実施形態では、着目領域は、少なくとも部分的に、予後パラメータのセットを使用して選択される。いくつかの実施形態では、２次元着目領域は、３次元着目領域を生成するために使用される。いくつかの実施形態では、マスクが、該着目領域に基づいて生成される。いくつかの実施形態では、予後パラメータのセットは、該着目領域に基づく。いくつかの実施形態では、予後パラメータのセットは、着目領域のユーザ割当分類を含む。いくつかの実施形態では、ユーザ割当分類は、腫瘤境界スコアである。いくつかの実施形態では、予後パラメータのセットは、病変の少なくとも１つの形態学的計測値を含む。いくつかの実施形態では、形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む。いくつかの実施形態では、予後パラメータのセットは、曖昧度を含む。いくつかの実施形態では、該曖昧度は、病変の境界のものである。いくつかの実施形態では、予後パラメータのセットは、鮮明度を含む。いくつかの実施形態では、該鮮明度は、病変のマージンのものである。いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つのテクスチャ計測値を含む。いくつかの実施形態では、テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、予後パラメータのセットは、トリミングされる。いくつかの実施形態では、複数のサブセットのうちの１つは、音速を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音減衰を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音反射を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する。いくつかの実施形態では、分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。いくつかの実施形態では、分類子は、病変が悪性病変である尤度を決定する。いくつかの実施形態では、病変が悪性病変である尤度は、パーセンテージとして表される。いくつかの実施形態では、分類子モデルは、機械学習技法を使用して生成される。いくつかの実施形態では、機械学習技法は、サポートベクトルマシンを含む。
別の側面では、組織の体積内の病変を分類するためのコンピュータ実装方法が、提供される。本方法は、複数の音響レンダリングを受信するステップであって、音響レンダリングは、組織の体積を通した音伝搬の表現を含み、複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ステップと、組織の体積内の着目領域を示すステップであって、領域は、組織の体積内の病変に近接する、ステップと、着目領域の近傍の複数の音響レンダリングのうちの少なくとも１つの一部をセグメント化するステップと、その部分が病変の内部または外部にあることのインジケーションを提供するステップと、マスクを生成するステップであって、マスクは、病変の形状の予測を含む、ステップと、予後パラメータのセットを決定するステップであって、予後パラメータのセットは、複数の音響レンダリングから導出される、１つまたは複数の音伝搬計測値を含む、ステップとを含んでもよい。
いくつかの実施形態では、セグメント化するステップは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法を含む。いくつかの実施形態では、セグメント化するステップは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法のうちの少なくとも２つを含む。いくつかの実施形態では、本方法はさらに、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法のうちの少なくとも２つによって、その部分が病変の内部または外部にあることを決定するステップを含む。いくつかの実施形態では、本方法はさらに、分類子モデルを予後パラメータのセットから形成するステップを含む。いくつかの実施形態では、本方法はさらに、組織の体積内の病変を、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤のうちの１つとして分類するステップを含む。いくつかの実施形態では、本方法はさらに、分類子モデルを使用してスコアを計算するステップであって、スコアは、病変が、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤のうちの１つである、確率に関連する、ステップを含む。
いくつかの実施形態では、病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む。いくつかの実施形態では、複数の音響レンダリングは、組み合わせられた音響レンダリングを含む。いくつかの実施形態では、組み合わせられた音響レンダリングは、複数の反射レンダリングを含む。いくつかの実施形態では、組み合わせられたレンダリングは、複数の透過レンダリングを含む。いくつかの実施形態では、組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む。いくつかの実施形態では、透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む。いくつかの実施形態では、予後パラメータは、着目領域に関連する音速計測値を含む。いくつかの実施形態では、着目領域は、ユーザ選択着目領域である。いくつかの実施形態では、着目領域は、病変の少なくとも一部を含む。いくつかの実施形態では、着目領域は、２次元着目領域を含む。いくつかの実施形態では、着目領域は、少なくとも部分的に、エッジ検出を介して決定される。いくつかの実施形態では、着目領域は、少なくとも部分的に、予後パラメータのセットを使用して選択される。いくつかの実施形態では、２次元着目領域は、３次元着目領域を生成するために使用される。いくつかの実施形態では、マスクが、該着目領域に基づいて生成される。いくつかの実施形態では、予後パラメータのセットは、該着目領域に基づく。いくつかの実施形態では、予後パラメータのセットは、着目領域のユーザ割当分類を含む。いくつかの実施形態では、ユーザ割当分類は、腫瘤境界スコアである。いくつかの実施形態では、予後パラメータのセットは、病変の少なくとも１つの形態学的計測値を含む。いくつかの実施形態では、形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む。いくつかの実施形態では、予後パラメータのセットは、曖昧度を含む。いくつかの実施形態では、該曖昧度は、病変の境界のものである。いくつかの実施形態では、予後パラメータのセットは、鮮明度を含む。いくつかの実施形態では、該鮮明度は、病変のマージンのものである。いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つのテクスチャ計測値を含む。いくつかの実施形態では、テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、予後パラメータのセットは、トリミングされる。いくつかの実施形態では、複数のサブセットのうちの１つは、音速を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音減衰を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音反射を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する。いくつかの実施形態では、分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。いくつかの実施形態では、分類子は、病変が悪性病変である尤度を決定する。いくつかの実施形態では、病変が悪性病変である尤度は、パーセンテージとして表される。いくつかの実施形態では、分類子モデルは、機械学習技法を使用して生成される。いくつかの実施形態では、機械学習技法は、サポートベクトルマシンを含む。
別の側面では、本明細書に開示される組織の体積内の病変を分類する方法の任意の実施形態または側面を実施するための命令とともに構成される、有形媒体を備える、プロセッサが、提供される。
別の側面では、命令とともに構成される、有形媒体を備える、プロセッサが、提供される。有形媒体は、対象の組織の複数の画像を受信することであって、複数の画像は、透過画像および反射画像から成る群から選択され、複数の画像は、組織の体積を通して透過される音響波形から導出される複数の音響信号から生成される、ことと、ユーザ選択着目領域と関連付けられた予後パラメータのセットを提供することであって、予後パラメータのセットは、組織内の音伝搬を特性評価する、１つまたは複数の音伝搬計測値を含み、予後パラメータのセットは、組織分類子モデルの中への入力に対応し、予後パラメータのセットは、関連特徴群の複数のサブセットを含む、ことと、分類子モデルを使用して、該関連特徴群の複数のサブセットに基づいて、対象の組織のタイプを決定することであって、組織のタイプは、癌性腫瘍、線維腺腫、嚢胞、非特異性良性腫瘤、および識別不能腫瘤から成る群から選択される、こととを行うための命令とともに構成されてもよい。
いくつかの実施形態では、透過画像は、速度画像または減衰画像を含む。いくつかの実施形態では、複数の画像は、組み合わせられた画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の反射画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の透過画像を含む。いくつかの実施形態では、組み合わせられた画像は、少なくとも１つの反射画像および少なくとも１つの透過画像を含む。
いくつかの実施形態では、ユーザ選択着目領域は、２次元着目領域を含む。いくつかの実施形態では、ユーザ選択２次元着目領域の選択は、プロセッサによって補助される。いくつかの実施形態では、プロセッサは、エッジ検出によって、着目領域の選択を補助する。いくつかの実施形態では、プロセッサは、予後パラメータのセットを使用して、着目領域の選択を補助する。いくつかの実施形態では、ユーザ選択着目領域は、３次元着目領域を生成するために使用される。いくつかの実施形態では、マスクが、該３次元着目領域に基づいて生成される。いくつかの実施形態では、予後パラメータのセットは、該３次元着目領域に基づいて生成される。いくつかの実施形態では、マスクが、該２次元着目領域に基づいて生成される。いくつかの実施形態では、予後パラメータのセットは、該２次元着目領域に基づく。
いくつかの実施形態では、予後パラメータのセットは、着目領域のユーザ割当分類を含む。いくつかの実施形態では、ユーザ割当分類は、腫瘤境界スコアを含む。いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つの形態学的計測値を含む。いくつかの実施形態では、形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む。いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つのテクスチャ計測値を含む。いくつかの実施形態では、テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む。
いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む。
いくつかの実施形態では、１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む。
いくつかの実施形態では、予後パラメータのセットは、トリミングされる。いくつかの実施形態では、予後パラメータのセットのトリミングは、プロセッサによって補助される。いくつかの実施形態では、プロセッサは、主成分分析、多重線形主成分分析、および決定木分析から成る群から選択される方法に基づいて、予後パラメータのセットをトリミングする。いくつかの実施形態では、複数のサブセットのうちの１つは、音速を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音減衰を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音反射を特性評価する、１つまたは複数の音伝搬計測値を含む。
いくつかの実施形態では、分類子モデルが、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する。いくつかの実施形態では、分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する。いくつかの実施形態では、相対的統計的正確度は、組織分類の特異度または感度である。
いくつかの実施形態では、分類子モデルが、該１つ以上の予後パラメータの正確度に基づいて、決定木を構築する。いくつかの実施形態では、分類子モデルは、該予後パラメータのサブセットの正確度に基づいて、決定木を構築する。いくつかの実施形態では、分類子モデルは、該決定木を使用して、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。
いくつかの実施形態では、分類子モデルが、機械学習技法を用いて生成されている。いくつかの実施形態では、機械学習技法は、サポートベクトルマシンを含む。いくつかの実施形態では、サポートベクトルマシンは、ＬｉｂＳＶＭを含む。いくつかの実施形態では、機械学習技法は、決定木を含む。いくつかの実施形態では、決定木は、Ｊ４８、Ｃ４．５、またはＩＤ３を含む。いくつかの実施形態では、決定木は、ＡＤＡＢｏｏｓｔまたはＤｉｃｉｓｉｏｎＳｔｕｍｐを含む。いくつかの実施形態では、機械学習技法は、ニューラルネットワークを含む。いくつかの実施形態では、機械学習技法は、ｋ−最近傍法を含む。いくつかの実施形態では、機械学習技法は、Ｂａｙｅｓ分類を含む。
別の側面では、非一過性コンピュータ可読記憶媒体が、提供される。いくつかの実施形態では、非一過性コンピュータ可読記憶媒体は、その上に記憶される命令を含み、命令は、プロセッサによって実行可能である。いくつかの実施形態では、非一過性コンピュータ可読記憶媒体は、その上に記憶される命令を含み、命令は、本明細書に提供される実施形態のいずれかのプロセッサによって実行可能である。
別の側面では、対象の組織のタイプを決定するためのコンピュータシステムが、提供される。いくつかの実施形態では、コンピュータシステムは、その上に記憶される命令を伴う、非一過性コンピュータ可読記憶媒体を備え、命令は、プロセッサによって実行可能である。いくつかの実施形態では、コンピュータシステムは、その上に記憶される命令を伴う、非一過性コンピュータ可読記憶媒体を備え、命令は、本明細書に提供される実施形態のいずれかのプロセッサによって実行可能である。
別の側面では、組織の体積の画像を生成するためのシステムが、提供される。いくつかの実施形態では、本システムは、超音波エミッタのアレイおよび超音波受信機のアレイを備える、トランスデューサアレイであって、トランスデューサアレイは、組織の体積の周囲に構成され、超音波送信機のアレイは、音響波形を組織の体積に向かって放出するように構成され、超音波受信機のアレイは、放出された音響波形を受信し、受信された音響波形を複数の音響信号に変換するように構成される、トランスデューサアレイと、ユーザに可視のディスプレイと、本明細書に開示されるプロセッサの任意の実施形態とを備える。
別の側面では、組織の体積の画像を生成するためのシステムが、提供される。いくつかの実施形態では、本システムは、超音波エミッタのアレイおよび超音波受信機のアレイを備える、トランスデューサアレイであって、トランスデューサアレイは、組織の体積の周囲に構成され、超音波送信機のアレイは、音響波形を組織の体積に向かって放出するように構成され、超音波受信機のアレイは、放出された音響波形を受信し、受信された音響波形を複数の音響信号に変換するように構成される、トランスデューサアレイと、ユーザに可視のディスプレイと、本明細書に開示される非一過性コンピュータ可読記憶媒体の任意の実施形態とを備える。
別の側面では、分類子モデルを用いて組織のタイプを決定する方法であって、１つ以上のプロセッサと、命令を含むコンピュータ可読記憶媒体とを備える、コンピュータによって実装される、方法が、提供される。いくつかの実施形態では、本方法は、対象の組織の複数の画像を受信するステップであって、複数の画像は、透過画像および反射画像から成る群から選択され、複数の画像は、組織の体積を通して透過される音響波形から導出される複数の音響信号から生成される、ステップと、ユーザ選択着目領域と関連付けられた予後パラメータのセットを提供するステップであって、予後パラメータのセットは、組織内の音伝搬を特性評価する、１つまたは複数の音伝搬計測値を含み、予後パラメータのセットは、組織分類子モデルの中への入力に対応し、予後パラメータのセットは、関連特徴群の複数のサブセットを含む、ステップと、対象の組織のタイプを決定するステップであって、組織のタイプは、該分類子モデルを使用して、癌性腫瘍、線維腺腫、嚢胞、非特異性良性腫瘤、および識別不能腫瘤から成る群から選択される、ステップとを含む。
別の側面では、プロセッサによって実行されると、プロセッサに、本明細書に説明される方法の任意の実施形態を実施させる、その上に記憶される命令を伴う、非一過性コンピュータ可読記憶媒体が、提供される。別の側面では、本明細書に説明される方法の任意の実施形態を実施するように構成される、非一過性コンピュータ可読記憶媒体を備える、コンピュータが、提供される。
いくつかの実施形態では、透過画像は、速度画像または減衰画像を含む。いくつかの実施形態では、複数の画像は、組み合わせられた画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の反射画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の透過画像を含む。いくつかの実施形態では、組み合わせられた画像は、少なくとも１つの反射画像および少なくとも１つの透過画像を含む。
いくつかの実施形態では、ユーザ選択着目領域は、２次元着目領域を含む。いくつかの実施形態では、ユーザ選択２次元着目領域の選択は、プロセッサによって補助される。いくつかの実施形態では、プロセッサは、エッジ検出によって、着目領域の選択を補助する。いくつかの実施形態では、プロセッサは、予後パラメータのセットを使用して、着目領域の選択を補助する。いくつかの実施形態では、ユーザ選択着目領域は、３次元着目領域を生成するために使用される。いくつかの実施形態では、マスクが、該３次元着目領域に基づいて生成される。いくつかの実施形態では、予後パラメータのセットは、該３次元着目領域に基づいて生成される。いくつかの実施形態では、マスクが、該２次元着目領域に基づいて生成される。いくつかの実施形態では、予後パラメータのセットは、該２次元着目領域に基づく。
いくつかの実施形態では、予後パラメータのセットは、着目領域のユーザ割当分類を含む。いくつかの実施形態では、ユーザ割当分類は、腫瘤境界スコアを含む。いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つの形態学的計測値を含む。いくつかの実施形態では、形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む。いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つのテクスチャ計測値を含む。いくつかの実施形態では、テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む。
いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む。
いくつかの実施形態では、１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む。いくつかの実施形態では、１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む。
いくつかの実施形態では、予後パラメータのセットは、トリミングされる。いくつかの実施形態では、予後パラメータのセットのトリミングは、プロセッサによって補助される。いくつかの実施形態では、プロセッサは、主成分分析、多重線形主成分分析、および決定木分析から成る群から選択される方法に基づいて、予後パラメータのセットをトリミングする。いくつかの実施形態では、複数のサブセットのうちの１つは、音速を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音減衰を特性評価する、１つまたは複数の音伝搬計測値を含む。いくつかの実施形態では、複数のサブセットのうちの１つは、音反射を特性評価する、１つまたは複数の音伝搬計測値を含む。
いくつかの実施形態では、分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する。いくつかの実施形態では、分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する。いくつかの実施形態では、相対的統計的正確度は、組織分類の特異度または感度である。
いくつかの実施形態では、分類子モデルが、該１つ以上の予後パラメータの正確度に基づいて、決定木を構築する。いくつかの実施形態では、分類子モデルは、予後パラメータの該サブセットの正確度に基づいて、決定木を構築する。いくつかの実施形態では、分類子モデルは、該決定木を使用して、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。いくつかの実施形態では、分類子モデルは、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。
いくつかの実施形態では、分類子モデルが、機械学習技法を用いて生成されている。いくつかの実施形態では、機械学習技法は、サポートベクトルマシンを含む。いくつかの実施形態では、サポートベクトルマシンは、ＬｉｂＳＶＭを含む。いくつかの実施形態では、機械学習技法は、決定木を含む。いくつかの実施形態では、決定木は、Ｊ４８、Ｃ４．５、またはＩＤ３を含む。いくつかの実施形態では、決定木は、ＡＤＡＢｏｏｓｔまたはＤｉｃｉｓｉｏｎＳｔｕｍｐを含む。いくつかの実施形態では、機械学習技法は、ニューラルネットワークを含む。いくつかの実施形態では、機械学習技法は、ｋ−最近傍法を含む。いくつかの実施形態では、機械学習技法は、Ｂａｙｅｓ分類を含む。
本主題の特徴および利点のより深い理解は、例証的実施形態を記載する以下の詳細な説明と、付随の図面とを参照することによって得られるであろう。
（詳細な説明）
本明細書に開示されるものは、機械学習アルゴリズムに基づく、画像データセグメント化、特徴抽出、特徴選択、および組織分類のためのシステムおよび方法である。いくつかの実施形態では、本明細書に開示されるものは、分類正確度に影響を及ぼす、異なる特徴サブセット（例えば、単一特徴クラスまたは複数のクラスからの特徴）の選択である。
本明細書に開示されるものは、機械学習アルゴリズムに基づく、画像データセグメント化、特徴抽出、特徴選択、および組織分類のためのシステムおよび方法である。いくつかの実施形態では、本明細書に開示されるものは、分類正確度に影響を及ぼす、異なる特徴サブセット（例えば、単一特徴クラスまたは複数のクラスからの特徴）の選択である。
以前の超音波断層撮影（ＵＳＴ）との組み合わせのために非常に好適である、本明細書に開示される方法および装置は、有利なこととして、乳癌スクリーニングのための現在の標準の欠点の救済策を提供し得る。本明細書に開示される方法および装置は、低オペレータ依存性であって、データ入手プロセスのさらなる再現性を有し、反射および透過情報の両方を利用し得る様式において、超音波断層撮影と組み合わせられることができる。超音波信号の透過される部分は、音波が当てられた媒体の音速および減衰性質についての情報を含有し得る。これらの性質は、脂肪、線維腺組織、良性腫瘤、および悪性癌の区分化を補助することができ、本明細書に開示される方法および装置との組み合わせのために非常に好適である。
放射線科医は、超音波断層撮影画像を読影するとき、データを処理し、画像があるタイプの乳房疾患を有するかどうかに関する結論に到達する。本明細書に開示されるものは、機械学習およびデータマイニング技法を利用して、超音波断層撮影画像を処理および分類し、画像が具体的タイプの乳房異常を示すかどうかに関する結論に到達する、システムおよび方法である。
本明細書に開示される、いくつかの実施形態では、学習技法を使用する、超音波画像（例えば、超音波断層撮影）の組織特性評価機械は、一連のステップを要求する。ある場合には、異なるタイプの組織および腫瘤の実施例を含有する画像のセットが、生成されることができる。訓練された放射線科医は、次いで、着目領域（ＲＯＩ）マスク（例えば、バイナリ）を生成することによって、着目組織を位置特定およびセグメント化することができる。特徴が、次いで、ＲＯＩから抽出されることができる。特徴選択技法を使用して、最も関連する特徴が、次いで、フィードされ、機械学習分類子モデルを訓練する。訓練された分類子は、次いで、未知の組織サンプルからの特徴をフィードされ、サンプルに関する標識または分類を予測することができる。標識または分類の予測は、病変が特定のタイプである確率を含んでもよい。標識または分類の予測は、スコアを含んでもよい。
いくつかの実施形態では、機械学習およびデータマイニング技法を超音波断層撮影画像上で使用する、本明細書におけるシステムおよび方法は、２つの異なるパイプラインを有する。第１のパイプラインは、オフライン学習と称される、分類子モデル生成である。第２のパイプラインは、画像をデータマイニングおよび分類するための実際の放射線科医（または他のユーザ）による分類子モデルの使用であって、これは、オンライン使用と称される。
いくつかの実施形態では、オフライン学習プロセスは、均一画像生成を含む、すなわち、訓練セット内の全ての未加工データが、規定された画像再構成パラメータ、例えば、均一画像再構成パラメータを用いて再構成される。超音波断層撮影の側面は、それぞれ、３次元組織の体積、例えば、乳房を通したシーケンシャル画像を含む、複数の画像スタックの生成である。各画像スタックは、その３次元体積の異なる音響成分を表すことができる。いくつかの実施形態では、異なる反射および透過成分が、音速および減衰を含む、顕著な透過成分とともに利用される。これらの組み合わせの種々の順列が、組み合わせられ、組織堅度をより良好に表すために、音速および減衰の標準的グレースケール反射と閾値化された値のカラーオーバーレイの組み合わせ等の改良された組織区分化を提供することができる。同様に、集団効果が、背景正常組織からの改良されたコントラストのために音速データを組み込みことによって、反射上で強調されることができる。
いくつかの実施形態では、本明細書に説明されるものは、組織の体積内の病変を特性評価するためのコンピュータ実装方法である。本方法は、複数の音響レンダリングを受信するステップであって、音響レンダリングは、組織の体積を通した音伝搬の表現を含み、複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ステップと、予後パラメータのセットを決定するステップであって、予後パラメータのセットは、複数の音響レンダリングから導出される、１つまたは複数の音伝搬計測値を含む、ステップと、予後パラメータのセットの各要素に予測値を割り当てるステップであって、予測値は、複数の分類された音響レンダリングに基づく、ステップと、分類子モデルを予後パラメータのセットのサブセットから形成するステップであって、サブセットは、予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ステップと、分類子モデルを使用して、スコアを計算するステップであって、スコアは、病変がある分類である確率に関連する、ステップとを含んでもよい。
いくつかの実施形態では、本明細書に説明されるものは、有形媒体を備える、プロセッサである。有形媒体は、複数の音響レンダリングを受信することであって、音響レンダリングは、組織の体積を通した音伝搬の表現を含み、複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、予後パラメータのセットを決定することであって、予後パラメータのセットは、複数の音響レンダリングから導出される、１つまたは複数の音伝搬計測値を含む、ことと、予後パラメータのセットの各要素に予測値を割り当てることであって、予測値は、複数の分類された音響レンダリングに基づく、ことと、分類子モデルを予後パラメータのセットのサブセットから形成することであって、サブセットは、予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、分類子モデルを使用して、スコアを計算することであって、スコアは、病変がある分類である確率に関連する、こととを行うための命令とともに構成されてもよい。
いくつかの実施形態では、本明細書に説明されるものは、組織の体積内の病変を分類するためのコンピュータ実装方法である。本方法は、複数の音響レンダリングを受信するステップであって、音響レンダリングは、組織の体積を通した音伝搬の表現を含み、複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ステップと、組織の体積内の着目領域を示すステップであって、領域は、組織の体積内の病変に近接する、ステップと、着目領域の近傍の複数の音響レンダリングのうちの少なくとも１つの一部をセグメント化するステップと、その部分が病変の内部または外部にあることのインジケーションを提供するステップと、マスクを生成するステップであって、マスクは、病変の形状の予測を含む、ステップと、予後パラメータのセットを決定するステップであって、予後パラメータのセットは、複数の音響レンダリングから導出される、１つまたは複数の音伝搬計測値を含む、ステップとを含んでもよい。
本明細書に説明される、いくつかの実施形態では、プロセッサであって、対象の組織の複数の画像を受信することであって、複数の画像は、透過画像および反射画像から成る群から選択され、複数の画像は、組織の体積を通して透過される音響波形から導出される複数の音響信号から生成される、ことと、ユーザ選択着目領域と関連付けられた予後パラメータのセットを提供することであって、予後パラメータのセットは、組織内の音伝搬を特性評価する、１つまたは複数の音伝搬計測値を含み、予後パラメータのセットは、組織分類子モデルの中への入力に対応し、予後パラメータのセットは、関連特徴群の複数のサブセットを含む、ことと、分類子モデルを使用して、該関連特徴群の複数のサブセットに基づいて、対象の組織のタイプを決定することであって、組織のタイプは、癌性腫瘍、線維腺腫、嚢胞、非特異性良性腫瘤、および識別不能腫瘤から成る群から選択される、こととを行うための命令とともに構成される、有形媒体を備える、プロセッサである。いくつかの実施形態では、着目領域は、複数の音響レンダリングのうちの少なくとも１つ内にあってもよい。いくつかの実施形態では、ユーザは、少なくとも１つの音響レンダリング上である形状を描画すること等によって、音響レンダリングの一部を選択することによって、着目領域を選択してもよい。
いくつかの実施形態では、本明細書に開示されるものは、分類子モデルを用いて組織のタイプを決定する方法であって、本方法は、１つ以上のプロセッサと、命令を含むコンピュータ可読記憶媒体とを備える、コンピュータによって実装され、対象の組織の複数の画像を受信するステップであって、複数の画像は、透過画像および反射画像から成る群から選択され、複数の画像は、組織の体積を通して透過される音響波形から導出される複数の音響信号から生成される、ステップと、ユーザ選択着目領域と関連付けられた予後パラメータのセットを提供するステップであって、予後パラメータのセットは、組織内の音伝搬を特性評価する、１つまたは複数の音伝搬計測値を含み、予後パラメータのセットは、組織分類子モデルの中への入力に対応し、予後パラメータのセットは、関連特徴群の複数のサブセットを含む、ステップと、該分類子モデルを使用して、対象の組織のタイプを決定するステップであって、組織のタイプは、癌性腫瘍、線維腺腫、嚢胞、非特異性良性腫瘤、および識別不能腫瘤から成る群から選択される、ステップとを含む、方法である。いくつかの実施形態では、本明細書に開示されるものは、プロセッサによって実行されると、プロセッサに、本明細書に開示される方法を実施させる、その上に記憶される命令を伴う、非一過性コンピュータ可読記憶媒体である。いくつかの実施形態では、本明細書に開示されるものは、本明細書の非一過性コンピュータ可読記憶媒体を備える、コンピュータである。
（定義）
別様に定義されない限り、本明細書で使用される全ての技術的用語は、本発明が属する当業者によって一般的に理解されるものと同一の意味を有する。
別様に定義されない限り、本明細書で使用される全ての技術的用語は、本発明が属する当業者によって一般的に理解されるものと同一の意味を有する。
本明細書で使用されるように、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈が明確に別様に示さない限り、複数指示物を含む。本明細書の任意の「または」の言及は、別様に記載されない限り、「および／または」を包含するように意図される。
本明細書で使用されるように、用語「約」は、その中の増分を含む、約１０％、５％、または１％述べられた量の近傍の量を指す。
（超音波システム）
図１Ａ、図１Ｂ、および図１Ｃは、それぞれ、実施形態による、例示的超音波スキャナの概略、例示的超音波スキャナにおける患者の乳房の概略、および超音波スキャナの例示的超音波トランスデューサの概略を図示する。図１Ａ、図１Ｂ、および図１Ｃに示されるように、超音波断層撮影スキャナ１００は、組織の体積を受信するように構成され、超音波送信機のアレイ１２４と、超音波受信機のアレイ１２６とを備える、トランスデューサ１２０を備えてもよい。超音波送信機のアレイは、音響波形を組織の体積に向かって放出するように構成されてもよく、超音波受信機のアレイ１２６は、組織の体積を通して透過される音響波形から導出される、音響信号のセットを検出するように構成されてもよい。超音波断層撮影スキャナ１００はさらに、トランスデューサと通信し、１つ以上のプロセッサと、実行されると、組織の体積の増強された画像を生成する方法、乳房組織の体積を特性評価する方法、および本明細書に説明される実施形態および変形例を実施するように構成され得る、その上に記憶される命令を伴う、非一過性コンピュータ可読媒体とを備える、コンピュータ１１０（例えば、デジタル処理デバイス）を備えてもよい。超音波断層撮影スキャナ１００はさらに、デジタル処理デバイス１１０と通信し、組織の体積の増強された画像をレンダリングするように構成される、ディスプレイ１９０を備えてもよい。
図１Ａ、図１Ｂ、および図１Ｃは、それぞれ、実施形態による、例示的超音波スキャナの概略、例示的超音波スキャナにおける患者の乳房の概略、および超音波スキャナの例示的超音波トランスデューサの概略を図示する。図１Ａ、図１Ｂ、および図１Ｃに示されるように、超音波断層撮影スキャナ１００は、組織の体積を受信するように構成され、超音波送信機のアレイ１２４と、超音波受信機のアレイ１２６とを備える、トランスデューサ１２０を備えてもよい。超音波送信機のアレイは、音響波形を組織の体積に向かって放出するように構成されてもよく、超音波受信機のアレイ１２６は、組織の体積を通して透過される音響波形から導出される、音響信号のセットを検出するように構成されてもよい。超音波断層撮影スキャナ１００はさらに、トランスデューサと通信し、１つ以上のプロセッサと、実行されると、組織の体積の増強された画像を生成する方法、乳房組織の体積を特性評価する方法、および本明細書に説明される実施形態および変形例を実施するように構成され得る、その上に記憶される命令を伴う、非一過性コンピュータ可読媒体とを備える、コンピュータ１１０（例えば、デジタル処理デバイス）を備えてもよい。超音波断層撮影スキャナ１００はさらに、デジタル処理デバイス１１０と通信し、組織の体積の増強された画像をレンダリングするように構成される、ディスプレイ１９０を備えてもよい。
システム１００は、超音波画像をレンダリングし、および／または組織の体積内に存在する構造の高分解能画像を生成するために使用され得る、変換された超音波データを生成するように機能し得る。いくつかの実施形態では、システム１００は、例えば、米国食品医薬品局（ＦＤＡ）によって規制されるような医療撮像のための規制基準に準拠され得る、画像を生産するように機能し得る。システム１００は、本明細書に説明される方法のある実施形態、変形例、または実施例の少なくとも一部を実装するように構成されてもよい。しかしながら、システム１００は、加えて、または代替として、任意の他の好適な方法を実装するように構成されてもよい。
トランスデューサ１２０、コンピュータプロセッサ１１０、およびディスプレイ１９０は、図１Ａおよび図１Ｂに示されるように、スキャナ台１０５に結合されてもよい。スキャナ台１０５は、患者の組織の体積へのアクセスを提供する、開口部１０６を有してもよい。耐久性のある可撓性材料（例えば、可撓性膜、布地等）から作製され得る、台は、患者の身体に対して輪郭付けられ、それによって、乳房の腋窩領域への走査アクセスを増加させ、患者快適性を増加させ得る。台内の開口部１０６は、乳房（または他の付属器官）が台を通して突出し、音響波を伝搬させる音響結合媒体としての水または別の好適な流体で充填される撮像タンク１３０内に浸漬されることを可能にし得る。
図１Ｂおよび図１Ｃは、実施形態による、例示的超音波スキャナにおける患者の乳房の概略および超音波スキャナの例示的超音波トランスデューサの概略を示す。図１Ｂおよび図１Ｃに示されるように、トランスデューサ要素１２２を伴うリング形状のトランスデューサ１２０が、撮像タンク１３０内に位置し、乳房を包囲または別様に囲繞し得、トランスデューサ要素１２２はそれぞれ、超音波受信機のアレイ１２６のうちの１つと対合される、超音波送信機のアレイ１２４のうちの１つを備えてもよい。安全な非イオン化超音波パルスを組織に向かって指向する、複数の超音波送信機１２４と、組織から散乱する、および／または組織を通して透過される、音響信号を受信および記録する、複数の超音波受信機１２６とが、リングトランスデューサ１２０の周囲に分布されてもよい。一実施形態では、トランスデューサ１２０は、各超音波送信機要素が、対応する超音波受信機要素と対合され得、各超音波送信機要素が、２つの隣接する超音波送信機要素によって囲繞され得、各超音波受信機要素が、２つの隣接する超音波受信機要素によって囲繞され得、トランスデューサが、図１Ｃにおけるように、軸方向に対称であり得るように、編成されてもよい。
走査の間、リングトランスデューサ１２０は、胸壁と乳房の乳首領域との間を前後方向等に、組織に沿って通過し、音響反射、音響減衰、および音速等の測定値を含む、音響データセットを入手し得る。データセットは、離散走査ステップまたは冠状「スライス」において入手されてもよい。トランスデューサ１２０は、胸壁から乳首および／または乳首から胸壁に向かって少しずつ、ステップ毎に走査するように構成されてもよい。しかしながら、トランスデューサ１２０は、加えて、および／または代替として、走査の間、任意の好適な方向において、組織の任意の好適な生体力学的性質に関するデータを受信してもよい。
いくつかの実施形態では、スキャナ台は、本明細書に組み込まれる参考文献のいずれかに加えて、またはその代替として、「Ｐａｔｉｅｎｔ Ｉｎｔｅｒｆａｃｅ Ｓｙｓｔｅｍ」と題された米国出願第１４／２０８，１８１号、「Ｓｙｓｔｅｍ ｆｏｒ Ｐｒｏｖｉｄｉｎｇ Ｓｃａｎｎｉｎｇ Ｍｅｄｉｕｍ」と題された米国出願第１４／８１１，３１６号、または「Ｓｙｓｔｅｍ ｆｏｒ Ｓｈａｐｉｎｇ ａｎｄ Ｐｏｓｉｔｉｏｎｉｎｇ ａ Ｔｉｓｓｕｅ Ｂｏｄｙ」と題されたＰ．Ｃ．Ｔ．国際特許出願公開第ＷＯ２０１７１３９３８９号（それぞれ、参照することによってその全体として本明細書に組み込まれる）に説明される患者インターフェースシステムの実施形態、変形例、または実施例を備えてもよい。しかしながら、システム１００は、加えて、または代替として、任意の他の好適な患者インターフェースシステムを備える、またはそれと結合されてもよい。
（画像モダリティ）
本開示のシステムおよび方法は、組織の体積の１つまたは複数の画像を生成するステップを含んでもよい。画像は、本明細書に説明される１つ以上のコンピュータプロセッサによって生成されてもよい。１つまたは複数の画像は、反射画像、速度画像、および減衰画像のうちの１つ以上のものを含んでもよい。いくつかの実施形態では、本明細書に開示されるシステム、デバイス、および方法は、透過画像の生成を含んでもよい。透過画像は、減衰画像および音速画像のうちの１つ以上のものを含んでもよい。いくつかの実施形態では、複数の画像は、組み合わせられた画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の反射画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の透過画像を含む。いくつかの実施形態では、組み合わせられた画像は、少なくとも１つの反射画像および少なくとも１つの透過画像を含む。
本開示のシステムおよび方法は、組織の体積の１つまたは複数の画像を生成するステップを含んでもよい。画像は、本明細書に説明される１つ以上のコンピュータプロセッサによって生成されてもよい。１つまたは複数の画像は、反射画像、速度画像、および減衰画像のうちの１つ以上のものを含んでもよい。いくつかの実施形態では、本明細書に開示されるシステム、デバイス、および方法は、透過画像の生成を含んでもよい。透過画像は、減衰画像および音速画像のうちの１つ以上のものを含んでもよい。いくつかの実施形態では、複数の画像は、組み合わせられた画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の反射画像を含む。いくつかの実施形態では、組み合わせられた画像は、複数の透過画像を含む。いくつかの実施形態では、組み合わせられた画像は、少なくとも１つの反射画像および少なくとも１つの透過画像を含む。
１つまたは複数の画像は、組織の体積内の音伝搬を特性評価する、音響機械的パラメータの３次元レンダリングから生成されてもよい。音響機械的パラメータは、例えば、音速、音減衰、および音反射のうちの少なくとも１つを含んでもよい。各レンダリングは、組織の体積の走査における各ステップで測定された音響機械的パラメータ毎に、組織の体積の一連の「スライス」に対応する２Ｄ画像の１つ以上の「スタック」から形成されてもよい。代替として、または組み合わせて、各レンダリングは、組織の体積から受信される複数の音響データから生成される、組織の体積内の音伝搬のモデルに応答してもよい。ある場合には、放射線科医は、そのような複数の画像スタックを使用して、組織異常の検出および特性評価と交差相関させ、腫瘤を画定する。図１Ｄ、図１Ｅ、および図１Ｆは、それぞれ、乳房の例示的音速、反射、および減衰超音波断層撮影画像を示す。
いくつかの実施形態では、本開示のシステムおよび方法は、ヒトまたは他の動物における異常（例えば、癌性組織）を検出するために使用され得る、１つ以上のレンダリングを生成するために使用されてもよい。したがって、１つの変形例では、トランスデューサシステムから生成された画像は、組織を特性評価し、癌の診断を促進する、そのタイプを査定する、その範囲を決定する（例えば、組織内の腫瘤が外科的に除去可能であり得るかどうかを決定するため）、または癌発症のリスクを査定する（例えば、乳房組織密度を測定する）ために使用されてもよい。さらに別の実施形態では、トランスデューサシステムから生成された画像は、組織内の腫瘤が、腫瘍、嚢胞、線維腺腫、または他の種類の腫瘤であり得るかどうかを決定するため等、組織の特定の側面を特性評価または調査するために使用されてもよい。組織の体積内の病変を特性評価するステップは、少なくとも部分的に、組み込まれた参考文献における方法の実施形態、変形例、または実施例を用いて実装されてもよい。代替として、または組み合わせて、トランスデューサシステムからの画像に応答して、病変を特性評価するステップは、任意の他の好適な方法を使用して実装されてもよい。
本明細書に説明されるトランスデューサシステムの実施形態は、特定のタイプの画像を生成するように構成されてもよい。例えば、トランスデューサシステムは、特定の音響機械的パラメータに応答して、特定のタイプの画像を入手するように構成されてもよい。一実施形態では、トランスデューサシステムは、透過撮像（例えば、速度撮像または減衰撮像）のために構成されてもよく、および／または反射撮像のために構成されてもよい。種々の画像モダリティから形成される画像は、全体的または部分的にマージされ、組み合わせられた画像モダリティを形成してもよい。代替として、または組み合わせて、超音波データの処理は、本明細書に組み込まれる参考文献における方法に説明される方法を使用して実施されてもよい。そのような方法は、波形音速レンダリングを生成するステップと、反射レンダリングを生成するステップとを含んでもよい。
１つ以上の画像モダリティを生成するステップは、組織の体積の前後軸におけるステップ毎走査を含んでもよい。走査における各ステップでは、１つ以上のトランスデューサ要素は、音響波形を組織の体積の中に透過させ得る。走査における各ステップでは、１つ以上のトランスデューサ要素は、音響波形を組織の体積からの組織から受信し得る。受信された波形は、音響データに変換されてもよい。受信された波形は、増幅されてもよい。受信された波形は、デジタル化されてもよい。音響データは、エネルギーの速度、エネルギーの反射、および／またはエネルギーの減衰を含んでもよい。受信された波形は、本明細書に説明される任意のプロセッサおよび関連付けられた電子機器によって、増幅され、続いて、音響データに変換されてもよい。受信された波形は、プロセッサおよび関連付けられた電子機器によって、増幅され、続いて、音響データに変換されてもよい。
図１Ｄは、いくつかの実施形態による、例示的音速画像を示す。いくつかの実施形態では、速度画像は、複数の音響信号から生成されてもよい。音速レンダリングは、組織の体積の領域を横断した音速値の分布を含んでもよい。音響音速レンダリングを生成するステップは、１つまたは複数の２次元（２Ｄ）音速レンダリングを生成するステップを含んでもよい。２次元音速レンダリングは、組織の体積を通したスライス（例えば、冠状スライス）と関連付けられてもよい。音響音速レンダリングを生成するステップは、組織の体積の音響音速の体積表現である、３次元（３Ｄ）音響音速レンダリングを生成するステップを含んでもよい。音速レンダリングは、脂肪組織（例えば、脂肪実質、実質性脂肪、皮下脂肪等）、実質性組織、癌性組織、異常組織（例えば、線維嚢胞性組織、線維腺腫等）、および組織の体積内の任意の他の好適な組織タイプのうちの１つ以上のものの分布を用いて、組織の体積を特性評価することができる。
エネルギーの速度に応答した画像（例えば、速度画像）が、本明細書に説明される超音波断層撮影スキャナとともに含まれる、またはそれに結合される、プロセッサ１１０を使用して生成されてもよい。代替として、または組み合わせて、エネルギーの速度に応答した画像は、本明細書に説明される任意の好適なプロセッサ上で生成されてもよい。エネルギーの速度に応答した画像は、組織の体積から受信される複数の音響信号に応答した音速レンダリングであってもよい。代替として、または組み合わせて、音速レンダリングは、任意の好適なデータからの複数の音響信号に応答して生成されてもよい。音速マップは、組織の体積から後方散乱された信号に加え、組織の体積を通した音透過信号の処理に応答して生成されてもよい。
音速マップは、組織の体積の複素数値超音波インピーダンスの実数部、組織の体積を通した波形の進行率、透過と検出との間の経時的に組織の体積を通した進行距離の比率、または任意の他の好適な音響速度パラメータを特性評価してもよい。２Ｄ音響音速画像のスタックは、組織の複素数値インピーダンスの実数部から導出されてもよく、組織の解剖学的詳細を提供してもよい。
音速レンダリングは、波形音速方法から生成されてもよい。そのような方法は、進行時間断層撮影アルゴリズムに従ってシミュレートされた波形に応答して、初期音速レンダリングを生成するステップを含んでもよい。代替として、または組み合わせて、初期音速レンダリングは、光線アーチファクトが、複数の音周波数成分毎に所定の閾値まで低減されるまで、反復的に最適化されてもよい。加えて、または組み合わせて、初期方法レンダリングは、取得されたモデルが、真モデルに収束するために波形音速方法のための開始モデルとして十分に良好になるまで、反復的に調節されてもよい。そのような方法は、米国出願第１４／８１７，４７０号（参照することによってその全体として本明細書に組み込まれる）に説明される方法を含んでもよい。
図１Ｆは、いくつかの実施形態による、例示的減衰画像を示す。いくつかの実施形態では、減衰画像は、複数の音響信号から生成されてもよい。音減衰レンダリングは、組織の体積の領域を横断した音減衰値の分布を含んでもよい。音響音減衰レンダリングを生成するステップは、１つまたは複数の２次元（２Ｄ）音減衰レンダリングを生成するステップを含んでもよい。２次元音減衰レンダリングは、組織の体積を通したスライス（例えば、冠状スライス）と関連付けられてもよい。音響音減衰レンダリングを生成するステップは、組織の体積の音響音減衰の体積表現である、３次元（３Ｄ）音響音減衰レンダリングを生成するステップを含んでもよい。音減衰レンダリングは、脂肪組織（例えば、脂肪実質、実質性脂肪、皮下脂肪等）、実質性組織、癌性組織、異常組織（例えば、線維嚢胞性組織、線維腺腫等）、および組織の体積内の任意の他の好適な組織タイプのうちの１つ以上のものの分布を用いて、組織の体積を特性評価することができる。加えて、または代替として、音響減衰レンダリングを生成するステップは、本明細書に組み込まれる参考文献に説明される方法を含んでもよい。
エネルギーの減衰に応答した画像（例えば、速度画像）は、本明細書に説明される超音波断層撮影スキャナとともに含まれる、またはそれに結合される、プロセッサ１１０を使用して生成されてもよい。代替として、または組み合わせて、エネルギーの減衰に応答した画像は、本明細書に説明される任意の好適なプロセッサ上で生成されてもよい。エネルギーの減衰に応答した画像は、組織の体積から受信される複数の音響信号に応答した音減衰レンダリングであってもよい。代替として、または組み合わせて、音減衰レンダリングは、任意の好適なデータからの複数の音響信号に応答して生成されてもよい。音減衰マップは、組織の体積から後方散乱された信号に加え、組織の体積を通した音透過信号の処理に応答して生成されてもよい。
音減衰マップは、組織の体積の複素数値超音波インピーダンスの虚数部、組織の体積による波形の吸収、または任意の他の好適な音響減衰パラメータを特性評価してもよい。２Ｄ音響音減衰画像のスタックは、組織の複素数値インピーダンスの虚数部から導出されてもよく、組織の解剖学的詳細を提供してもよい。
図１Ｅは、いくつかの実施形態による、例示的反射画像を示す。いくつかの実施形態では、反射画像は、複数の音響信号から生成されてもよい。音反射レンダリングは、組織の体積の領域を横断した音反射値の分布を含んでもよい。音響音反射レンダリングを生成するステップは、１つまたは複数の２次元（２Ｄ）音反射レンダリングを生成するステップを含んでもよい。２次元音反射レンダリングは、組織の体積を通したスライス（例えば、冠状スライス）と関連付けられてもよい。音響反射レンダリングを生成するステップは、組織の体積の音響反射の体積表現である、３次元（３Ｄ）音響反射レンダリングを生成するステップを含んでもよい。音反射レンダリングは、脂肪組織（例えば、脂肪実質、実質性脂肪、皮下脂肪等）、実質性組織、癌性組織、異常組織（例えば、線維嚢胞性組織、線維腺腫等）、および組織の体積内の任意の他の好適な組織タイプのうちの１つ以上のものの分布を用いて、組織の体積を特性評価することができる。
エネルギーの反射に応答した画像（例えば、反射画像）は、本明細書に説明される超音波断層撮影スキャナとともに含まれる、またはそれに結合される、プロセッサ１１０を使用して生成されてもよい。代替として、または組み合わせて、エネルギーの反射に応答した画像は、本明細書に説明される任意の好適なプロセッサ上で生成されてもよい。エネルギーの反射に応答した画像は、組織の体積から受信される複数の音響信号に応答した音反射レンダリングであってもよい。代替として、または組み合わせて、音反射レンダリングは、任意の好適なデータからの複数の音響信号に応答して生成されてもよい。
反射レンダリングは、エンベロープ検出反射データ（ＥＲＦ）、フラッシュＢモード超音波画像に変換され得る、未加工無線周波数反射信号（例えば、ＲＥＦ画像データ、「無線周波数」、またはＲＦデータ）、または任意の好適な超音波画像を利用してもよい。音響反射信号の分布は、音響波形の反射された強度と放出された強度との間の関係（例えば、和、差異、比率等）、組織の体積の音響インピーダンスの変化、または任意の他の好適な音響反射パラメータを特性評価してもよい。２Ｄ音響反射画像のスタックは、組織の音響インピーダンスの変化から導出されてもよく、組織に関するエコーテクスチャデータおよび解剖学的詳細を提供してもよい。
いくつかの実施形態では、音響反射レンダリングは、例えば、音速レンダリングまたは減衰レンダリングを含む別の音響データタイプからレンダリングを生成するために使用されるトランスデューサ要素のアレイの周波数を上回る周波数において伝送および受信するトランスデューサ要素のアレイから受信された音響反射信号の分布から生成されてもよい。他の実施形態では、音響反射レンダリングは、例えば、音速レンダリングまたは減衰レンダリングを含む別の音響データタイプからレンダリングを生成するために使用されるトランスデューサ要素のアレイの周波数を下回る周波数において伝送および受信するトランスデューサ要素のアレイから受信された音響反射信号の分布から生成されてもよい。低周波数（約１ＭＨｚ）は、正反射（約１ｍｍまで）に関する情報を提供し得るが、しかしながら、より高い周波数（約１〜５ＭＨｚ）における撮像が、スペックルパターンに関する情報を提供するサブｍｍ粒度をより良好に撮像することが可能であり得る。したがって、特定の周波数において特定の音響レンダリングを生成することが、有益であり得る。
任意のタイプの音響データの３Ｄレンダリングが、全体的または部分的に、組み合わせられる、またはマージされてもよい。一実施形態では、マージされたレンダリングは、少なくとも２つのタイプの画像データの３Ｄレンダリングを組み合わせるステップを含んでもよい。別の実施形態では、マージされたレンダリングは、少なくとも２つのタイプの画像データからの複数の２Ｄ画像の少なくとも一部を組み合わせるステップを含んでもよい。任意の好適な公式またはアルゴリズムが、種々のレンダリングを単一レンダリングの中にマージまたは融合するために使用されてもよい。いくつかの実施形態では、組み合わせられた画像は、増強された反射画像であってもよい。そのような実施形態では、プロセッサは、増強された反射画像を反射画像および速度画像から生成するように構成されてもよい。
増強された画像は、本発明の譲受人に譲渡された出願、すなわち、米国特許出願第１５／８２９，７４８号およびＰ．Ｃ．Ｔ．出願第ＵＳ２０１７／０６４３５０号（それぞれ、参照することによってその全体として本明細書に組み込まれる）に説明される、組織の体積の増強された画像を生成するためのシステムおよび方法の実施形態、変形例、または実施例を含んでもよい。要するに、引用される参考文献のシステムおよび方法は、組織の体積から反射された信号の検出から生成された反射画像と速度画像を組み合わせ、増強された反射画像を生成してもよい。第２の反射画像は、音速画像の勾配から生成されてもよく、２つの反射画像は、組み込まれる参考文献に説明されるように組み合わせられてもよい。
（体積の特性評価）
本開示の実施形態は、患者の乳房組織の体積を特性評価するための方法を提供する。本方法は、１つ以上のプロセッサと、命令を含むコンピュータ可読媒体とを備える、コンピュータによって実装され得る。図２は、いくつかの実施形態による、患者の乳房組織の体積を特性評価するための例示的方法２００を示す。方法２００は、組織の体積に向かって複数の音響波形を放出するステップと、トランスデューサを用いて組織の体積から複数の音響信号を検出するステップとを含んでもよく、トランスデューサは、組織の体積を囲繞するように構成される、超音波送信機のアレイと、超音波受信機のアレイとを備えてもよい（２１０）。方法２００はさらに、トランスデューサから、組織の体積を通して透過される音響波形から導出される複数の音響信号を受信するステップを含んでもよい（２２０）。方法２００はさらに、複数の音響信号から、組織の体積内の音伝搬を特性評価する３次元音響レンダリングを生成するステップを含んでもよい（２３０）。方法２００はさらに、ユーザ選択着目領域の選択を含んでもよい（２４０）。方法２００はさらに、音響レンダリングから、音伝搬に対応する複数の予後パラメータを生成するステップを含んでもよい（２５０）。方法２００はさらに、音響レンダリングから、パラメータの予測セットに対応する複数の予後パラメータのサブセットを生成するステップを含んでもよい（２６０）。方法２００はさらに、予後パラメータのサブセットを使用して、組織の体積内の病変を特性評価するステップを含んでもよい（２７０）。
本開示の実施形態は、患者の乳房組織の体積を特性評価するための方法を提供する。本方法は、１つ以上のプロセッサと、命令を含むコンピュータ可読媒体とを備える、コンピュータによって実装され得る。図２は、いくつかの実施形態による、患者の乳房組織の体積を特性評価するための例示的方法２００を示す。方法２００は、組織の体積に向かって複数の音響波形を放出するステップと、トランスデューサを用いて組織の体積から複数の音響信号を検出するステップとを含んでもよく、トランスデューサは、組織の体積を囲繞するように構成される、超音波送信機のアレイと、超音波受信機のアレイとを備えてもよい（２１０）。方法２００はさらに、トランスデューサから、組織の体積を通して透過される音響波形から導出される複数の音響信号を受信するステップを含んでもよい（２２０）。方法２００はさらに、複数の音響信号から、組織の体積内の音伝搬を特性評価する３次元音響レンダリングを生成するステップを含んでもよい（２３０）。方法２００はさらに、ユーザ選択着目領域の選択を含んでもよい（２４０）。方法２００はさらに、音響レンダリングから、音伝搬に対応する複数の予後パラメータを生成するステップを含んでもよい（２５０）。方法２００はさらに、音響レンダリングから、パラメータの予測セットに対応する複数の予後パラメータのサブセットを生成するステップを含んでもよい（２６０）。方法２００はさらに、予後パラメータのサブセットを使用して、組織の体積内の病変を特性評価するステップを含んでもよい（２７０）。
いくつかの実施形態では、方法２００は、視野内の標的物体を増強する超音波画像のレンダリングに従って、組織の体積（例えば、乳房全体、別の器官）を特性評価するように機能してもよい。加えて、または代替として、組織の体積は、脂肪組織（例えば、脂肪実質、実質性脂肪、皮下脂肪等）、実質性組織、癌性組織、異常組織（例えば、線維嚢胞性組織、線維腺腫等）、および組織の体積内の任意の他の好適な組織タイプのうちの１つ以上のものの分布を含んでもよい。方法２００は、ヒト乳房の組織を特性評価するために使用されてもよいが、加えて、または代替として、腕、脚、他の付属器官、および／またはヒトまたは他の動物における任意の好適な組織の体積の組織を特性評価するために使用されてもよい。現在の超音波方法およびシステムに関連して、方法２００は、最大１０％、例えば、以下の値、すなわち、約０．１％、約１％、約５％、および約１０％のうちのいずれか２つの間に定義される範囲内で腫瘤のタイプの特性評価における特異度を改良し得る。そのような腫瘤は、限定ではないが、癌性腫瘍、線維腺腫、嚢胞、非特異性良性腫瘤、および識別不能腫瘤を含んでもよい。しかしながら、方法２００は、任意の他の好適な様式で組織の体積の診断、監視、および／または特性評価を可能にするように機能してもよい。
いくつかの実施形態では、方法７００は、癌の診断を促進し、そのタイプを評価し、その範囲を決定するために（例えば、組織内の腫瘤が外科手術的に除去可能であり得るかどうかを決定するために）、または癌生成のリスクを評価するために（例えば、乳房組織密度を測定する）、組織を特性評価するために使用されてもよい。さらに別の実施形態では、方法２００は、組織内の腫瘤が腫瘍、嚢胞、線維腺腫、または他の種類の腫瘤であり得るかどうかを決定するため等、組織の特定の側面を特性評価および／または調査するために使用されてもよい。方法２００は、組織の体積または他の好適な物体を撮像するための任意の好適な用途において使用されてもよい。方法２００は、少なくとも部分的に、本明細書のいずれにおける「超音波システム」と題された節に説明されるシステム１００の実施形態、変形例、および／または実施例によって実装されてもよいが、しかしながら、方法２００は、加えて、または代替として、任意の他の好適なシステムを使用して実装されてもよい。
図２は、実施形態による、組織の体積の増強された画像を生成する方法を示すが、当業者は、多くの適合および変形例を認識するであろう。さらに、図２に示される１つ以上のステップは、削除される、または繰り返されてもよく、付加的ステップが、追加されることができ、ステップは、任意の順序で実施されることができる。
方法２００のステップ２１０において、複数の音響波形が、組織の体積に向かって放出され得、複数の音響信号が、トランスデューサを用いて組織の体積から検出され得る。トランスデューサは、組織の体積を囲繞するように構成される、超音波送信機のアレイと、超音波受信機のアレイとを備えてもよい。方法２００のステップ２２０において、組織の体積を通して透過される音響信号から導出される複数の音響信号が、トランスデューサからコンピュータによって受信され得る。ステップ２１０および２２０は、それから組織の体積のレンダリングが方法２００の他のステップにおいて導出され得る、音響データを収集するように機能する。方法２００のステップ２１０において、音響波形を放出するステップおよび音響信号のセットを検出するステップは、例えば、「超音波システム」と題された節に説明されるように、組み込まれる参考文献に説明されるものと類似する方法を使用して、超音波断層撮影スキャナ１００を用いて実施されてもよい。しかしながら、任意の好適な超音波デバイスまたはスキャナが、使用されてもよい。
方法２００のステップ２３０において、組織の体積内の音伝搬を特性評価する３次元音響レンダリングが、複数の音響信号から生成されてもよい。音響信号は、音響データとしてコンピュータによって処理されてもよい。音響データは、測定された音響機械的パラメータ毎の組織の体積の一連の「スライス」に対応する２Ｄ画像の１つ以上の「スタック」を生成するために使用されてもよい。２Ｄ画像データの各スタックは、組織の特定のパラメータまたは性質と関連付けられる音響データ、例えば、音響反射、音響音速、および音響減衰等の任意のタイプの音響データを含んでもよい。プロセッサ１１０は、加えて、または代替として、２次元画像のスタックに基づく３次元体積レンダリングを生成する、および／または受信された音響データに直接基づく３次元体積レンダリングを生成してもよい。組織の体積の任意の部分の画像表現は、組織の体積の任意の１つ以上の音響機械的性質を描写してもよい。例えば、画像表現は、音響減衰、音響反射、音響速度、および／または組織の任意の好適な性質を描写してもよい。
加えて、または代替として、ステップ２３０は、本明細書に説明される組織の体積を特性評価する方法のための方法２００を使用して実施されてもよい。加えて、または代替として、ステップ２３０は、本明細書の「画像モダリティ」と題された節および組み込まれる参考文献における方法に説明される方法を使用して実施されてもよい。そのような方法は、波形音速レンダリングを生成するステップと、第１の反射レンダリングを生成するステップとを含んでもよい。
一実施形態では、スライスは、前後様式で（例えば、冠状スライスにおける）走査された組織の体積の領域に対応し得るが、しかしながら、スライスは、任意の他の方向における（例えば、前後方向に対する任意の角度における、上下方向における、上下方向に対する任意の角度における、内外方向における、内外方向に対する任意の角度における等）スライスに対応してもよい。音響スライス内の各音響データ点は、スライスおよびデータが組織の体積を撮像するために相互に対して順序付けられ得るように、スライス軸に沿った位置を含む、グリッド上の特定の値と関連付けられてもよい。
（着目領域選択）
着目領域（ＲＯＩ）は、音響減衰、音響音速、および音響反射を含み、加えて、組み合わせられた、またはマージされたレンダリングを含む、任意の形態の音響データの３Ｄレンダリングに基づいて、ユーザによって識別され得る。ユーザ選択ＲＯＩは、２次元ＲＯＩまたは３次元ＲＯＩであることができる。ＲＯＩは、例えば、乳房組織内の腫瘤に対応し得る。腫瘤は、例えば、癌性腫瘤、良性線維腺腫、嚢胞、別の良性所見、識別不能腫瘤（例えば、いかなる所見も存在し得ない）、または任意の好適な特性評価または分類であり得る。一実施形態では、ＲＯＩは、ユーザによって、例えば、ＲＯＩを「フリーハンドで」なぞる、または円または楕円等の単純な形状を描くことによって選択されてもよい。いくつかの実施形態では、着目領域の選択は、ユーザの補助を伴わずに実施される。いくつかの実施形態では、ユーザが、マウスを画像内のある点上に設置し、着目領域が、プロセッサによって生成される。
着目領域（ＲＯＩ）は、音響減衰、音響音速、および音響反射を含み、加えて、組み合わせられた、またはマージされたレンダリングを含む、任意の形態の音響データの３Ｄレンダリングに基づいて、ユーザによって識別され得る。ユーザ選択ＲＯＩは、２次元ＲＯＩまたは３次元ＲＯＩであることができる。ＲＯＩは、例えば、乳房組織内の腫瘤に対応し得る。腫瘤は、例えば、癌性腫瘤、良性線維腺腫、嚢胞、別の良性所見、識別不能腫瘤（例えば、いかなる所見も存在し得ない）、または任意の好適な特性評価または分類であり得る。一実施形態では、ＲＯＩは、ユーザによって、例えば、ＲＯＩを「フリーハンドで」なぞる、または円または楕円等の単純な形状を描くことによって選択されてもよい。いくつかの実施形態では、着目領域の選択は、ユーザの補助を伴わずに実施される。いくつかの実施形態では、ユーザが、マウスを画像内のある点上に設置し、着目領域が、プロセッサによって生成される。
２次元着目領域等のユーザ選択着目領域の選択は、プロセッサによって補助されることができる。加えて、または代替として、ＲＯＩの選択は、コンピュータ実装アルゴリズムによって支援または最適化されてもよく、コンピュータは、アルゴリズムを実装するための命令を伴うプロセッサを備える。プロセッサは、任意の音響データタイプおよび／またはデータタイプの組み合わせを含む複数のデータタイプの閾値に基づいて、ＲＯＩの選択を支援または最適化してもよい。プロセッサは、画像認識アルゴリズムの使用を通して等の既知の形態に基づいて、ＲＯＩの選択を支援または最適化してもよい。例えば、プロセッサは、種々に分類された病変を呈する任意の音響データタイプの画像のセットから訓練された機械学習アルゴリズムを使用して、ＲＯＩの選択を補助または最適化してもよい。別の実施例では、機械学習アルゴリズムは、定質的形態学的特徴（例えば、形状に基づくユーザ査定スコア）、定量的形態学的特徴（例えば、計算された楕円度、棘状突起）、および定量的特徴（速度、減衰、反射等）を含む、画像データのセット上で訓練されてもよい。ある場合には、プロセッサは、エッジ検出アルゴリズムを使用することによって、着目領域の選択を補助することができる。ある場合には、プロセッサは、予後パラメータのセットを使用して、着目領域の選択を補助することができる。ある場合には、プロセッサは、エッジ検出アルゴリズムと予後パラメータのセットの組み合わせを使用して、着目領域の選択を補助することができる。
３次元着目領域が、３次元着目領域を生成するために使用されることができる。これは、例えば、プロセッサを使用することによって遂行されることができる。ある場合には、マスクが、着目領域に基づいて生成されることができる。マスクは、２次元着目領域または３次元着目領域のものであることができる。
いくつかの実施形態では、予後パラメータのセットが、２次元着目領域または３次元着目領域等の着目領域に基づいて提供されることができる。ある場合には、予後パラメータのセットは、プロセッサによって決定されることができる。提供される予後パラメータのセットは、少なくとも１、２、５、１０、１５、２０、２５、３０、３５、４０、４５、５０、または１００個の予後パラメータを含むことができる。
特定の２次元着目領域（ＲＯＩ）の識別は、オペレータ／放射線科医によって手動で描かれ、潜在的腫瘤の境界を慎重にトレースすることによって等、いくつかの様式において行われてもよい。いくつかの実施形態では、ユーザが、着目領域（ＲＯＩ）を複数の画像スタックの１つ以上の画像上に描き、限定ではないが、嚢胞、線維腺腫、癌、腫瘍周囲組織、実質性組織、脂質組織、および皮膚を含む、特定の組織のタイプをセグメント化する。いくつかの実施形態では、着目領域は、２次元着目領域のスタックから形成される着目体積等の３次元着目領域であってもよい。
ＲＯＩは、ＲＯＩと周辺組織との間のマージン境界を含み得る。図３Ａは、実施形態による、種々のユーザ選択および／またはコンピュータ選択マージン境界を含み、加えて、種々の境界形態を含む、例示的ＲＯＩを示す。マージン境界は、分析の開始時に完全に識別され得るが、しかしながら、加えて、または代替として、マージン境界は、分析の開始時に不完全であり、コンピュータプログラムによって最適化されてもよい。図３Ａでは、左の３つのマージン境界は、分析の開始時の種々の完全度を示す。マージン境界３１０は、３分の２を上回って完全であり、マージン境界３２０は、３分の１〜３分の２完全であり、マージン境界３３０は、１／３を下回って完全である。
マージン境界はまた、分類子モデルにおいて使用され得る形態を含み得る。そのような形態は、例えば、平滑なエッジを伴うもの、不規則および／または粗いエッジを伴うもの、例えば、１つまたは複数の伸長要素を有するものまたは棘形成され得るもの、主に丸形または楕円形であり得るもの、または組織内の病変が合理的にとり得る任意の他の形状を含み得る。マージン境界３４０および３５０は、完全であり、マージン境界の例示的形態を示す。マージン境界３４０は、不規則なマージン境界を示す。マージン境界３５０は、癌性病変を示し得るもの等の有意な棘状突起を示す。
識別されたマージン境界を伴う選択されたＲＯＩから、１つまたは複数の内部および外部着目領域が、識別され得る。内部着目領域は、マージン境界において開始し、ＲＯＩのさらに内側に続く１つまたは複数の層を含み得る。外部着目領域は、マージン境界において開始し、ＲＯＩのさらに外側に続く１つまたは複数の層を含み得る。ＲＯＩの内部および外部層は、それぞれ、「近傍」および「遠隔」として分類される層を含み得る。「近傍」層は、境界に近接するものとして分類され得る。「遠隔」層は、境界から離れたものとして分類され得る。例えば、着目領域の内部層は、境界の近傍の層および境界から遠隔の層を含み得る。例えば、着目領域の外部層は、境界の近傍の層および境界から遠隔の層を含み得る。
図３Ｂは、実施形態による、マージン境界および内部および外部層を伴う例示的楕円形ＲＯＩ３６０を示す。マージン境界は、ユーザによって選択され、加えて、または代替として、ユーザによって選択され、コンピュータ実装アルゴリズムを用いて最適化されてもよい。図３Ｂの例示的ＲＯＩは、楕円形であるが、しかしながら、ＲＯＩは、病変がとり得る任意の形態を有してもよく、そのうちのいくつかが、図３Ａを参照して列挙される。加えて、または代替として、図３ＢのＲＯＩは、コンピュータプログラムによって最適化または補助される、ユーザによって選択される初期ＲＯＩに対応してもよい。ＲＯＩ３６０は、灰色における内部および白色における外部３７０を有する。ＲＯＩの外部は、図３ＢのＲＯＩの周囲に描かれる線よりも遠くに延在し得る。
いくつかの実施形態では、ＲＯＩ３６０の内部は、灰色面積の内側に描かれる実線を用いて示される層にセグメント化されてもよい。図３Ｂは、１０個の層にセグメント化された着目領域の内部を示すが、しかしながら、ＲＯＩの内部は、任意の数の層にセグメント化されることができる。層は、均一に離間されてもよい、または内部から外部にかけてより小さくなる、またはより大きくなってもよい。加えて、または代替として、ＲＯＩ３６０の外部は、ＲＯＩ３６０の外側に描かれる実線を用いて示される層にセグメント化されてもよい。図３Ｂは、１０個の層にセグメント化された着目領域の外部を示すが、しかしながら、ＲＯＩの外部は、任意の数の層にセグメント化されることができる。層は、均一に離間されてもよい、または内部から外部にかけてより小さくなる、またはより大きくなってもよい。ＲＯＩは、ＲＯＩの完成の前または後に層にセグメント化されることができる。
加えて、または代替として、着目領域の内部または外部の層のセットが、「近傍」または「遠隔」として分類されてもよい。図３Ｂの外部領域３７０は、「近傍」として分類された５つの層３７２と、「遠隔」として分類された５つの層３７４とを有する。近傍または遠隔として分類される層の数は、着目領域の内部または外部の層の任意のサブセットを含み得る。加えて、または代替として、層は、近傍および遠隔に均一または不均一に分割されてもよい。加えて、または代替として、近傍および遠隔として分類される層は、個々の層が近傍および遠隔分類の両方に該当し得るように重複してもよい。層は、ＲＯＩの完成の前または後に近傍または遠隔として分類され得る。
図４Ａは、周辺８：００位置において明確に境界を定められた二葉線維腺腫を伴う、音速超音波断層撮影画像の実施例を示す。この場合、マスクＲＯＩが、図４Ａにおける腫瘤の周囲に描かれ（手動で、半自動的に、または自動的に）、図４Ｂおよび４Ｃ（拡大図）に見られるように、バイナリマスクを生成する。ＲＯＩは、図４Ｄおよび４Ｅに示されるように、囲繞する腫瘍周囲領域内の特徴を査定するように拡張されることができる。いくつかの実施形態では、図４Ａ−４Ｅに示されるような詳細なＲＯＩを使用する代わりに、病変および他の周囲組織の全体を包含する、楕円形ＲＯＩもまた、元々のＲＯＩから作成またはモーフィングされることができる。
時間がかかるＲＯＩ描画は、腫瘤マージンに近似させる単純楕円形によって簡略化される、またはエッジ検出プロセスによって自動化されてもよい。本明細書に開示されるものは、エッジ検出プロセスであって、それによって、アルゴリズムは、放射線科医と協働して腫瘤を通した最適な代表的スライス上で選定される２次元（２Ｄ）マージンのより良好な定義のために複数の画像スタックから描かれたデータを利用するように訓練されている。それによって、単純長方形または他の輪郭（卵形、円形、不規則的形状等）が、腫瘤標的を囲繞するように描かれ、腫瘤境界検出を始動させ得る。アルゴリズムは、良性腫瘤の有力な予測子を認識するように訓練されることができる。平滑湾曲境界が、その領域の有意な部分にわたって検出される場合、円形または楕円形が、プログラムによって、あまり良好に画定され得ない部分に沿って予期される良性マージンを強調するように完了されてもよい。これは、不規則的マージンが良性腫瘤と比較される悪性度の有力な予測子であるため、良性腫瘤に関する不規則的境界の潜在的に不正確な推定を回避することに役立ち得る。ある場合には、ユーザは、任意のさらなる適切な編集のために、領域に関して検出されたエッジを承認するための選択肢を与えられてもよい。代替として、不規則的境界は、悪性度の確率の来るべき機械学習へのさらなる入力を有する、任意の画像スタック上で承認されてもよい。
いったん２Ｄ ＲＯＩが、腫瘤マージン検出のために、病変を通したスライス（例えば、ｘｙ軸）から識別されると、プロセスは、本明細書におけるマルチパラメータプロセスを利用して、容易に拡張されることができ、これは、複数の撮像モダリティからのピクセル強度値を利用して、腫瘤マージンの範囲を決定することができる。２Ｄ ＲＯＩによって画定された（ある場合には、加えて、放射線科医によって承認された）マージンは、次いで、３次元（３Ｄ）腫瘤範囲のための隣接するスライスに適用され得る、特性を画定し得る。いくつかの実施形態では、アルゴリズムは、したがって、隣接する画像のその調査を後続の隣接する画像上の初期長方形によって元々画定された領域に低減させることができる。放射線科医画定２Ｄ近似赤道部画像内で検出された特性の適用は、次いで、Ｚ方向における腫瘤の有効極性範囲を画定するために適用されることができる。セグメント化された画像の３Ｄ範囲は、したがって、セグメント化およびマスクプロセスを受け、３Ｄ ＲＯＩを生成することができる。セグメントは、バイナリマスク（すなわち、ＲＯＩ内にない場合の０の値およびＲＯＩ内にある場合の１の値）であることができる。バイナリマスクは、組織タイプの境界形態を画定してもよい。ある場合には、マスクは、バイナリではなくてもよい。例えば、マスクは、病変マージンにおいて滑らかにされてもよい。
（特徴抽出）
いくつかの実施形態では、組織の体積内の病変は、ユーザ査定スコアに応答して、１つ以上の画像から特性評価されてもよい。しかしながら、多くの場合では、ユーザ査定スコアを使用しないことがより理想的であり得る。本明細書における方法およびシステムは、実質的にユーザ入力を伴わずに使用されるように適合されてもよい。いくつかの実施形態では、ユーザ査定スコアは、主に、腫瘍形状、マージン、および隣接する組織との相互作用の査定に特化され得る、ＢＩ−ＲＡＤＳ基準等の既存の分類方法から査定されてもよい。ＢＩ−ＲＡＤＳにおける「付影処理」または「透過を通した増強」のような基準は、本明細書に説明される超音波断層撮影方法に適用可能ではない場合がある。しかしながら、良性腫瘤被嚢または多くの癌の棘状突起または構築的歪曲の正反射等の他の基準は、超音波断層撮影を使用してより高感度に検出され得る。他の実施形態では、マージン境界スコア等、超音波断層撮影のために最適化されている、適合されたユーザ選択分類システムが、実装されてもよい。そのような方法は、腫瘍マージンのためのＵＳ−ＢＩ−ＲＡＤＳ基準および腫瘍周囲組織相互作用を組み合わせる、５点スケール（マージン境界スコア）に基づいてもよい。スコアを査定する方法は、少なくとも部分的に、組み込まれた参考文献における方法の実施形態、変形例、または実施例を用いて実装されてもよい。
いくつかの実施形態では、組織の体積内の病変は、ユーザ査定スコアに応答して、１つ以上の画像から特性評価されてもよい。しかしながら、多くの場合では、ユーザ査定スコアを使用しないことがより理想的であり得る。本明細書における方法およびシステムは、実質的にユーザ入力を伴わずに使用されるように適合されてもよい。いくつかの実施形態では、ユーザ査定スコアは、主に、腫瘍形状、マージン、および隣接する組織との相互作用の査定に特化され得る、ＢＩ−ＲＡＤＳ基準等の既存の分類方法から査定されてもよい。ＢＩ−ＲＡＤＳにおける「付影処理」または「透過を通した増強」のような基準は、本明細書に説明される超音波断層撮影方法に適用可能ではない場合がある。しかしながら、良性腫瘤被嚢または多くの癌の棘状突起または構築的歪曲の正反射等の他の基準は、超音波断層撮影を使用してより高感度に検出され得る。他の実施形態では、マージン境界スコア等、超音波断層撮影のために最適化されている、適合されたユーザ選択分類システムが、実装されてもよい。そのような方法は、腫瘍マージンのためのＵＳ−ＢＩ−ＲＡＤＳ基準および腫瘍周囲組織相互作用を組み合わせる、５点スケール（マージン境界スコア）に基づいてもよい。スコアを査定する方法は、少なくとも部分的に、組み込まれた参考文献における方法の実施形態、変形例、または実施例を用いて実装されてもよい。
いくつかの実施形態では、本明細書におけるシステムおよび方法は、本明細書ではＲＯＩと関連付けられた特徴とも同等である、予後パラメータのセットを提供する。そのようなＲＯＩは、２次元ＲＯＩであることができる。ある場合には、そのようなＲＯＩは、腫瘍または腫瘍周囲の全部または一部を含み得る、領域と相関することができる。ある場合には、そのようなＲＯＩは、腫瘍または腫瘍周囲の十分に近傍にあり得る、領域と相関することができる。
ＲＯＩは、ユーザ選択されることができる。いくつかの事例では、ＲＯＩのユーザ選択は、腫瘍または腫瘍周囲に重複または近接し得る、点または領域であり得る、開始点を示すことができる。例えば、ユーザは、閉ループ、弧、円形、ドット、線、または矢印として、ＲＯＩを示す場合がある。
ある場合には、予後パラメータは、ＲＯＩのユーザ割当分類を含むことができる。そのようなユーザ割当分類は、ＲＯＩの決定と同時に、または異なる時間に生じてもよい。ある場合には、ユーザ割当分類は、ＲＯＩの決定後に生じてもよい。いくつかの場合では、ユーザ割当分類は、使用されなくてもよい。
特徴が、ＲＯＩの領域から抽出されてもよい。いくつかの実施形態では、特徴はまた、ＲＯＩを囲繞する腫瘍周囲領域として知られる、拡張された領域から抽出されてもよい。そのような拡張された領域は、種々の方法を使用して生成されることができる。一例示的方法は、各方向に均一距離を追加することであり得る。別の例示的方法は、ＲＯＩの均等面積を伴う円形の半径を見出すことを含み得る。本半径は、ある乗法係数によって拡張されることができ、元々の半径と拡張された半径との間の差異が、ＲＯＩの各方向に追加されることができる。同様に、本方法は、それぞれ、最小および最大半径サイズに関する下限または上限閾値が存在するように修正されることができる。同様に、そのような方法は、ＲＯＩの領域を縮小し、内側腫瘍性ＲＯＩを生成するために使用されることができる。
ある場合には、予後パラメータのセットは、モデル出力（例えば、分類または標識）を生成するために、組織分類子モデルの中への入力に対応する。いくつかの実施形態では、予後パラメータのセットは、関連特徴群の複数のサブセットを含む。いくつかの実施形態では、予後パラメータのセットは、着目領域のユーザ割当分類を含む。ユーザ割当分類は、腫瘤境界スコアであることができる。
予後パラメータのセットは、画像、例えば、補正された減衰画像、複合され増強された反射画像、増強された反射画像、または音速画像から抽出されるパラメータを含むことができる。いくつかの実施形態では、予後パラメータのセットは、腫瘤境界スコア、形態学的特徴等の記述を含むことができる。
予後パラメータのセットは、補正された減衰画像またはデータセットのパラメータを含むことができる。そのようなパラメータは、腫瘍または腫瘍周囲のＲＯＩであることができる。時として、腫瘍と腫瘍周囲との間のそのような値の差異が、予後パラメータのセット内にあり得る。
ある場合には、補正された減衰画像またはデータセットの予後パラメータのセットは、腫瘍内の平均値、腫瘍内の尖度値、腫瘍内の尖度値と腫瘍周囲内の尖度値との間の差異、腫瘍内のグレースケールの標準偏差、腫瘍内のグレースケール画像の勾配、腫瘍周囲内の勾配の標準偏差、腫瘍周囲内の勾配の歪曲度、腫瘍周囲内の補正された減衰の尖度、腫瘍内のエネルギーの補正された減衰、腫瘍周囲内の画像のグレースケールのコントラスト、腫瘍周囲内の画像のグレースケールの均質度、または腫瘍内および腫瘍周囲内のグレースケールのコントラストの差異を含むことができる。
予後パラメータのセットは、複合され増強された反射画像またはデータセットのパラメータを含むことができる。そのようなパラメータは、腫瘍または腫瘍周囲のＲＯＩであることができる。時として、腫瘍と腫瘍周囲との間のそのような値の差異は、予後パラメータのセット内にあり得る。
ある場合には、複合され増強された反射画像またはデータセットの予後パラメータのセットは、腫瘍内の平均グレースケール値、腫瘍内の勾配の尖度、腫瘍周囲内の勾配の尖度、腫瘍内の勾配の標準偏差と腫瘍周囲内の勾配の標準偏差との間の差異、腫瘍内のエロージョン処理されたグレースケール画像の均質度、腫瘍周囲内のエロージョン処理されたグレースケール画像のエネルギー、腫瘍周囲内のエロージョン処理されたグレースケール画像の均質度、腫瘍内のグレースケール画像のエネルギーの勾配、腫瘍周囲内のグレースケール画像の勾配の相関、腫瘍周囲内のグレースケール画像の勾配の均質度、腫瘍内および腫瘍周囲内のグレースケール画像の勾配のコントラスト間の差異、または腫瘍内および腫瘍周囲内のグレースケール画像の相関間の差異を含むことができる。
予後パラメータのセットは、増強された反射画像またはデータセットのパラメータを含むことができる。そのようなパラメータは、腫瘍または腫瘍周囲のＲＯＩであることができる。時として、腫瘍と腫瘍周囲との間のそのような値の差異は、予後パラメータのセット内にあり得る。
ある場合には、増強された反射画像またはデータセットの予後パラメータのセットは、腫瘍内の歪曲度、腫瘍内の平均グレースケール値、腫瘍周囲内の歪曲度、腫瘍内の勾配の標準偏差と腫瘍周囲内の勾配の標準偏差との間の差異、腫瘍内の尖度と腫瘍周囲内の尖度との間の差異、腫瘍内の勾配の平均、腫瘍周囲内の勾配の標準偏差、腫瘍周囲内の勾配の歪曲度、腫瘍周囲内の勾配の尖度、または腫瘍周囲内のエロージョン処理されたグレースケール画像の均質度を含むことができる。
予後パラメータのセットは、音速画像またはデータセットのパラメータを含むことができる。そのようなパラメータは、腫瘍または腫瘍周囲のＲＯＩであることができる。時として、腫瘍と腫瘍周囲との間のそのような値の差異は、予後パラメータのセット内にあり得る。
ある場合には、予後パラメータのセットは、腫瘍内のエロージョン処理されたグレースケール画像の標準偏差、腫瘍内のエロージョン処理されたグレースケール画像の平均、腫瘍周囲内のエロージョン処理されたグレースケール画像の標準偏差、腫瘍内の勾配の一次エントロピ、腫瘍内の勾配の一次平均値、腫瘍内の一次エントロピと腫瘍周囲内の一次エントロピとの間の差異、腫瘍内のコントラスト、腫瘍内の相関、腫瘍と腫瘍周囲との間のコントラストの差異、または腫瘍と腫瘍周囲との間の均質度の差異を含むことができる。
予後パラメータのセットは、マージンの不規則度、腫瘍内の音速値の平均、腫瘍周囲内の平均減衰値、腫瘍周囲内の反射のコントラストテクスチャ性質、腫瘍内の平均反射値と腫瘍周囲内の平均反射値との間の差異、腫瘍内の反射のコントラストテクスチャ性質、腫瘍内の音速値の一次標準偏差、腫瘍内の反射値の平均、腫瘍周囲内の反射値の平均、腫瘍内の反射値の一次平均、腫瘍内および腫瘍周囲内の反射の均質度テクスチャ性質間の差異、腫瘍周囲内の音速値の一次平均、腫瘍内の減衰のコントラストテクスチャ性質と腫瘍周囲内の減衰のコントラストテクスチャ性質との間の差異、音速マージンのウェーブレット詳細係数の標準偏差、反射マージンのウェーブレット詳細係数の標準偏差、反射マージンのウェーブレット詳細係数のエントロピのヒストグラム、反射マージンのウェーブレット詳細係数の局所最小標準偏差、または鮮明なコントラストの標準偏差の最大値のうちの１つ以上のものを含むことができる。予後パラメータのセットは、これらのパラメータのうちの少なくとも１、２、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、または１８個のものを含むことができる。ある場合には、予後パラメータのセットは、他の予後パラメータを含むことができる。
いくつかの実施形態では、予後パラメータのセットは、組織内の音伝搬を特性評価する、１つまたは複数の音伝搬計測値を含むことができる。いくつかの実施形態では、音伝搬計測値は、着目領域の内部および／または着目領域の外部の音伝搬を特性評価する。ある場合には、音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する。ある場合には、音伝搬計測値は、音速計測値、反射計測値、減衰計測値、ユーザ定義スコア、形態学的計測値、およびテクスチャ計測値のうちの１つ以上のものを含む。
方法２００のステップ２５０において、音伝搬に対応する複数の予後パラメータが、音響レンダリングから生成される。方法２００のステップ２６０において、パラメータの予測セットに対応する複数の予後パラメータのサブセットが、音響レンダリングから生成され得る。各層、層のサブセット、層の分類、および／またはＲＯＩは、１つまたは多くの関連付けられる定量的予後パラメータを有し得る。定量的予後パラメータは、例えば、任意の音響データタイプの平均値、中央値、最頻値、標準偏差、およびその体積平均を含んでもよい。定量的予後パラメータは、データタイプの組み合わせから計算されてもよい。例えば、定量的予後パラメータは、ＲＯＩの内部の領域とＲＯＩの外部の領域との間の予後パラメータの差異を含んでもよい。別の実施例では、定量的予後パラメータは、着目領域、層、層の分類等の間の差異を含んでもよい。定量的予後パラメータは、例えば、別の予後パラメータ、既知の生物学的性質等との予後パラメータの比率を含んでもよい。加えて、または代替として、定量的予後パラメータは、空間分布によって加重されてもよい。加えて、または代替として、定量的予後パラメータは、例えば、着目領域、層、複数の層、層の分類等にわたる音響データタイプの体積平均から計算されてもよい。
各層、層の分類、および／またはＲＯＩは、１つまたは多くの関連付けられる定質的予後パラメータを有し得る。１つ以上の定質的予後パラメータが、他の定質的予後パラメータを生成するために組み合わせて使用されてもよい。定質的予後パラメータは、形態学的レンダリングの形状、尖鋭度、構造、および／または他の特性のうちの１つまたは組み合わせを含んでもよい。定質的予後パラメータは、生体力学的性質レンダリングの任意の好適な側面を特性評価し得る。定質的予後パラメータは、ユーザまたはコンピュータによって、音響反射レンダリングにおける着目領域の不明瞭なマージンに関する「１」および鮮明なマージンに関する「２」等の半定量的予後パラメータに変換されてもよい。別の実施例として、定質的予後パラメータは、ユーザまたはコンピュータによって、定質的側面が表される程度を分類する整数スケール上の値（例えば、１〜５）等の半定量的パラメータに変換されてもよい。例えば、音響反射レンダリングにおける着目領域のマージン尖鋭度は、これが非常に尖鋭である場合に「１」、これが中程度に不明瞭である場合に「３」、またはこれが非常に不明瞭である場合に「５」としての反射指数を用いて分類されてもよい。
定質的、定量的、および半定量的予後パラメータは、他の拡張予後パラメータを生成するために組み合わせられてもよい。これらの拡張予後パラメータは、病変が１〜５の整数スケール上で特性評価される、既存の乳腺画像報告データシステム（ＢＩ−ＲＡＤＳ）を含んでもよいが、また、音響データを含む他の拡張予後パラメータを含んでもよい。本明細書に開示される予後パラメータは、時間依存性であり得る。１つまたは複数の予後パラメータの時間依存性は、予後パラメータを含み得る。これらの定量的および定質的予後パラメータの全てが決定されてもよいが、これらのパラメータの一部のみが、決定されてもよい。
表１は、組織の体積にわたる特定の音響データタイプＡ、Ｂ、およびＣの平均値（例えば、体積平均）および標準偏差（例えば、体積標準偏差）に関するフィールドを含む、着目領域および着目領域の分類によって予後パラメータを編成するための例示的フィールドを示す。表はまた、着目領域と関連付けられる層の分類の間の差異と関連付けられる予後パラメータを含む。
領域「腫瘍」は、着目領域の内部の音響データと関連付けられる予後パラメータのセットを特性評価する。領域「腫瘍周囲」は、着目領域の外部の音響データと関連付けられる予後パラメータのセットを特性評価する。領域「近傍腫瘍周囲」は、着目領域のマージン境界の近傍にあり得、着目領域の外部であり得る層の分類と関連付けられる予後パラメータのセットを特性評価する。領域「遠隔腫瘍周囲」は、着目領域のマージン境界の遠隔にあり得、着目領域の外部にあり得る層の分類と関連付けられる予後パラメータのセットを特性評価する。領域「相対的腫瘍周囲」は、内部予後パラメータのセットから外部予後パラメータのセットを引いた差異と関連付けられる予後パラメータのセットを特性評価する。領域「相対的近傍腫瘍周囲」は、内部予後パラメータのセットから、着目領域のマージン境界の近傍にあり得、着目領域の外部にあり得る層の分類と関連付けられ得る予後パラメータのセットを引いた差異と関連付けられる予後パラメータのセットを特性評価する。領域「相対的遠隔腫瘍周囲」は、内部予後パラメータのセットから、着目領域のマージン境界の遠隔にあり得、着目領域の外部にあり得る層の分類と関連付けられ得る予後パラメータのセットを引いた差異と関連付けられる予後パラメータのセットを特性評価する。
表１はまた、種々の音響データタイプによって予後パラメータを編成するための例示的フィールドを示す。いくつかの実施形態では、個々の予後パラメータは、領域、層、または層の分類によって画定されるもの等の体積にわたる平均値または標準偏差等の統計メトリックに対応してもよい。そのようなデータタイプは、限定ではないが、例えば、マージン境界スコア、平均増強反射（ＥｒｆＭｅａｎ）、ＲＯＩの内部および外部の増強された反射の相対平均値（ＥｒｆＲｅｌＤｉｓｔ）、増強された反射の標準偏差（Ｅｒｆ＿ＳＤ）、平均音速（ＳＳＭｅａｎ）、ＲＯＩの内部および外部の相対平均音速（ＳＳＲｅｌＤｉｓｔ）、音速の標準偏差（ＳＳ＿ＳＤ）、平均減衰（ＡｔＭｅａｎ）、減衰の標準偏差（Ａｔ＿ＳＤ）、マージン境界スコアに関して補正された減衰の平均値（Ｃｏｒｒ＿Ａｔ＿Ｍｅａｎ）、およびマージン境界スコアに関して補正された減衰の標準偏差（Ｃｏｒｒ＿Ａｔ＿ＳＤ）を含み得る。
いくつかの実施形態では、予後パラメータのセットは、着目領域の少なくとも１つの形態学的計測値を含む。いくつかの実施形態では、形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む。
ある場合には、ＲＯＩは、ＲＯＩ内の音の伝搬によって説明されることができる。そのような説明は、音伝搬計測値の形態であることができる。そのような計測値は、腫瘍内または腫瘍周囲内等のＲＯＩ内の音伝搬を特性評価することができる。ある場合には、そのような計測値は、ＲＯＩの外部の音伝搬を特性評価することができる。ある場合には、第２の音伝搬計測値は、ＲＯＩの内部または外部の音伝搬を特性評価することができる。そのような音伝搬計測値は、平均、標準偏差、歪曲度、または尖度を含むことができる。ある場合には、２つの音伝搬計測値間の差異は、予後パラメータであることができる。
予後パラメータは、平均値を含む、または平均の計算から導出されることができる。平均値は、例えば、平均値、中央値、または最頻値として計算されることができる。平均値は、補正された減衰画像、増強された反射画像、複合され増強された反射画像、または音速画像のために決定されることができる。
予後パラメータは、尖度値を含むことができる。尖度値は、周波数分布曲線のピークの尖鋭度を説明または表すことができる。ある場合には、尖度は、グレースケール画像等の画像の勾配の尖度として計算されることができる。尖度は、補正された減衰画像、増強された反射画像、複合され増強された反射画像、または音速画像のために決定されることができる。
予後パラメータは、標準偏差を含むことができる。ある場合には、標準偏差は、グレースケール画像等の画像の勾配の標準偏差として決定されることができる。標準偏差は、補正された減衰画像、増強された反射画像、複合され増強された反射画像、または音速画像のために決定されることができる。
いくつかの実施形態では、音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価することができる。例えば、音伝搬計測値は、音速計測値および音減衰計測値、音速計測値および音反射計測値、または音減衰計測値および音反射計測値を含むことができる。ある場合には、音伝搬計測値は、音速計測値、音減衰計測値、および音反射計測値を含むことができる。
いくつかの実施形態では、ユーザ定義スコアが、音伝搬計測値内に含まれることができる。言い換えると、音伝搬計測値は、ユーザ定義スコアおよび音速計測値、音減衰計測値、または音伝搬計測値を含むことができる。例えば、音伝搬計測値は、音速計測値、音減衰計測値、およびユーザ定義スコアを含むことができる。別の実施例として、音伝搬計測値は、音速計測値、音反射計測値、およびユーザ定義スコアを含むことができる。別の実施例として、音伝搬計測値は、音減衰計測値およびユーザ定義スコアを含むことができる。さらなる実施例として、音伝搬計測値は、音減衰計測値、音速計測値、音伝搬計測値、およびユーザ定義スコアを含むことができる。
いくつかの実施形態では、形態学的計測値が、音伝搬計測値内に含まれることができる。言い換えると、音伝搬計測値は、形態学的計測値および音速計測値、音減衰計測値、または音伝搬計測値を含むことができる。例えば、音伝搬計測値は、音速計測値、音減衰計測値、および形態学的計測値を含むことができる。別の実施例として、音伝搬計測値は、音速計測値、音反射計測値、および形態学的計測値を含むことができる。別の実施例として、音伝搬計測値は、音減衰計測値および形態学的計測値を含むことができる。さらなる実施例として、音伝搬計測値は、音減衰計測値、音速計測値、音伝搬計測値、および形態学的計測値を含むことができる。
予後パラメータは、コントラストを含むことができる。コントラストは、腫瘍または腫瘍周囲等のＲＯＩ内の信号の差異の測定値であることができる。
予後パラメータは、均質度値を含むことができる。均質度値は、腫瘍または腫瘍周囲等のＲＯＩ内の変動の測定値であることができる。
いくつかの実施形態では、予後パラメータのセットは、ＲＯＩの少なくとも１つのテクスチャ計測値を含む。テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含むことができる。
ある場合には、予後パラメータは、画像のウェーブレットのパラメータであることができる。ある場合には、画像のウェーブレットは、画像を表すことができる。ある場合には、ウェーブレットは、画像の分析において採用されることができる。ウェーブレットの実施例は、画像の連続ウェーブレット変換または画像の離散ウェーブレット変換を含むことができる。
いくつかの実施形態では、本明細書における特徴は、腫瘤境界スコア（ＭＢＳ）、勾配画像の形態学的特徴、定量的特徴、定量的特徴、正常グレースケールの一次統計、エロージョン処理されたグレースケールの一次統計、勾配グレースケールの一次統計、正常グレースケールのグレーレベル同時生起行列（ＧＬＣＭ）二次特徴、エロージョン処理されたグレースケールのＧＬＣＭ二次特徴、および勾配グレースケールのＧＬＣＭ二次特徴を含む、１０個の主要クラスを含み得る。例えば、正常グレースケールの一次統計の特徴は、定量的値が正規化されるように、腫瘍および腫瘍周囲領域内の定量的値の、腫瘍および腫瘍周囲領域の合体内の定量的値の最小／最大値によって画定されたグレースケール値へのマッピングを含む。別の実施例として、正常グレースケールの一次統計の特徴は、腫瘍、腫瘍周囲、または両領域に関する平均値、標準偏差、歪曲度、ヒストグラム等を含む。さらに別の実施例では、エロージョン処理されたグレースケールの一次統計の特徴は、腫瘍および腫瘍周囲領域内の定量的値の、０．６６×腫瘍半径のエロージョン処理半径を伴う腫瘍および腫瘍周囲領域のエロージョン処理されたマスク内の定量的値の最小／最大値によって画定されたグレースケール値へのマッピングを含む。
いくつかの実施形態では、ＲＯＩから抽出される特徴は、下層音響パラメータ（各画像の未加工ピクセル値）またはグレー／カラースケール相対物の順序統計量（すなわち、平均値、相違、歪曲度、尖度、コントラスト、雑音レベル、信号対雑音比（ＳＮＲ）等）である。ある場合には、画像のテクスチャは、グレースケール分布の値を特性評価するヒストグラムの順序統計量を使用することによって査定されることができる。いくつかの実施形態では、本明細書における特徴は、一次ヒストグラム特徴等のテクスチャ特徴を含む。いくつかの実施形態では、特徴は、グレーレベル同時生起行列（ＧＬＣＭ）およびその個別のスカラー特徴（エネルギー、エントロピ等）等のテクスチャをさらに特性評価する、より高次の特徴を含む。いくつかの実施形態では、本明細書における同時生起行列は、あるピクセルとその局所近隣の強度を比較する、方法である。いくつかの実施形態では、同時生起行列は、（グレースケールにおける）ある特定の値がある画定された空間関係において別の値と同時生起する回数を調べることができる。例えば、腫瘍ＲＯＩを伴うピクセル毎にループされる場合、そのピクセルの値が、５のグレースケールであって、そのピクセルの右に隣接するピクセルが、９のグレースケール値を有する回数を求めることができる。同時生起行列を構築後、スカラー特徴が、構築されることができる。これは、エネルギー、エントロピ、コントラスト、均質度、および相関を含む。これらのスカラー特徴に関する定義は、例えば、以下の参考文献ｈｔｔｐｓ／／ｗｗｗ．ｃｏｄｅ．ｕｃｓｄ．；ｅｄｕ／ｐｃｏｓｍａｎ／ｇｌｃｍ．ｐｄｆに見出されることができる。いくつかの実施形態では、特徴は、Ｌａｗのテクスチャマップ、ウェーブレットまたはフーリエ分析と関連付けられた特徴、またはフラクタル分析等のより高次の特徴を含む。いくつかの実施形態では、本明細書における特徴は、テクスチャ特徴を含む。いくつかの実施形態では、画像Ｉ内の鮮鋭度は、以下のように、画像内のある閾値εを上回るＲＯＩ Ｒ内のピクセルの数として定義される。
いくつかの実施形態では、本明細書における特徴は、種々の局所フィルタを画像を適用するステップに依存する、Ｌａｗのテクスチャエネルギー測定値を含む。これらのフィルタは、限定ではないが、平均化フィルタ、エッジ検出フィルタ、リップル検出フィルタ、およびスポット検出フィルタを含んでもよい。結果として生じる画像は、次いで、種々の方法において線形に組み合わせられ、９つのテクスチャ画像のセットを生産する。
いくつかの実施形態では、特徴は、上記に説明されるＲＯＩの形態を特性評価する、形態学的特徴（真円度、不規則度等）を含む。いくつかの実施形態では、形態学的特徴である、マージンの平滑度が、腫瘤の面積とセグメント化された腫瘤を含有する最小凸包の面積との間の比率として決定されてもよい。腫瘍面積（内側の薄灰色輪郭によって画定された面積）および外側のより暗い灰色凸包面積の比は、マージンの平滑度であり得る。
いくつかの実施形態では、形状の真円度は、以下のように決定され得る。
いくつかの実施形態では、形状の不規則度は、以下のように決定され得る。
いくつかの実施形態では、マージンの不規則度は、以下のように決定され得る。
式中、ｄｉａｍｅｔｅｒ’は、
としてのＲＯＩと同一面積を伴う円形の直径である。
Ｌａｗのテクスチャマップの実施例は、図５に見られる。図５Ａは、音速画像を示し、図５Ｂは、図５ＡのＥＥ（エッジエッジ）マップを示し、図５Ｃは、図５ＡのＥＳＳＥマップを示し、図５Ｄは、４ビット色を伴うＥＳＳＥ（エッジスポットスポットエッジ）マップを示す。
Ｌａｗのテクスチャマップの実施例は、図５に見られる。図５Ａは、音速画像を示し、図５Ｂは、図５ＡのＥＥ（エッジエッジ）マップを示し、図５Ｃは、図５ＡのＥＳＳＥマップを示し、図５Ｄは、４ビット色を伴うＥＳＳＥ（エッジスポットスポットエッジ）マップを示す。
いくつかの実施形態では、本明細書における特徴は、曖昧度を含むことができる。曖昧度は、境界特徴、例えば、病変の境界特徴を定量化することができる。
いくつかの実施形態では、曖昧度は、病変のマージン等のマージンにフラグを付けるステップを含み得る、方法によって決定されることができる。
いったんマージンに、フラグが付けられると、ウェーブレット変換が、２次元ウェーブレットをもたらすように適用されることができる。極性座標は、２次元ウェーブレット画像の可視化のために使用されることができる。ある場合には、２次元ウェーブレット画像は、正規化されることができる。
ウェーブレット変換は、２次元ウェーブレット画像に適用され、１次元ウェーブレットをもたらすことができる。１次元ウェーブレットは、極性座標を使用して表示されることができる。
曖昧度特徴は、平均値、最大値、最大値と最小値との間の差異、標準偏差、またはエントロピ（例えば、局所エントロピまたは全体的エントロピ）を含むことができる。
曖昧度特徴は、１次元ウェーブレットから抽出されることができる。曖昧度特徴の実施例は、反射マージンまたは音速マージンのウェーブレット詳細を含むことができる。ある場合には、音速マージンのウェーブレット詳細は、水平詳細、垂直詳細、または対角線詳細を含むことができる。ある場合には、反射マージンのウェーブレット詳細は、水平詳細、垂直詳細、または対角線詳細を含むことができる。ある場合には、曖昧度特徴は、音速マージンの近似係数または反射マージンの近似係数を含むことができる。
ある場合には、曖昧度は、図６に示されるような方法を使用して決定されることができる。音速画像および反射画像は、入力として使用されることができる。（例えば、セグメント化または自動セグメント化を介して達成されるような）セグメント化マスクもまた、入力として使用されることができる。音速画像および反射画像は、２次元ウェーブレットに変換されることができる。マージンは、音速画像の２次元ウェーブレット、反射画像の２次元ウェーブレット、元々の音速画像、および元々の反射画像から抽出されることができる。ある場合には、セグメント化マスクは、マージン抽出のために、形態学的動作を画像および２次元ウェーブレット上で実施するように求められることができる。いったんマージンが、抽出されると、画像およびウェーブレットは、極性座標に変換され、１次元ウェーブレットに変換されることができる。曖昧度特徴は、１次元ウェーブレットから抽出されることができる。
図７Ａは、音速画像および対応する２次元ウェーブレットの実施例を示す。図７Ｂは、反射画像および対応する２次元ウェーブレットの実施例を示す。これらの図では、左上パネルは、元々の画像を表し、右下パネルは、正規化された画像を表し、中央上パネルは、音速画像のｃＡウェーブレットを描写し、中央下パネルは、音速画像のｃＶウェーブレットを表し、右上パネルは、音速画像のｃＨウェーブレットを表し、左下パネルは、音速画像のｃＤウェーブレットを表す。
１次元ウェーブレットが、音速および反射画像に関して決定され、図８に示される。ウェーブレットは、音速画像（上）および反射画像（下）に関して示される。マージンのウェーブレット（左）、マージンの近傍のｃＡウェーブレット（中央）、およびマージンの近傍のｃＤウェーブレット（右）が、示される。
音速ウェーブレット画像からの１次元ウェーブレットマージンは、図９Ａに示される。右上パネルは、音速ｃＡウェーブレットのｃＤを描写し、中央上パネルは、音速ｃＡウェーブレットのｃＡを描写し、左上パネルは、音速ｃＨウェーブレットのｃＤを描写し、中央左パネルは、音速ｃＨウェーブレットのｃＡを描写し、中央パネルは、音速ｃＶウェーブレットのｃＡを描写し、中央右パネルは、音速ｃＶウェーブレットのｃＤを描写し、左下パネルは、音速ｃＤウェーブレットのｃＡを描写し、中央下パネルは、音速ｃＤウェーブレットのｃＤを描写し、右下パネルは、音速ｃＡマージンを描写する。
反射ウェーブレット画像からの１次元ウェーブレットマージンは、図９Ｂに示される。右上パネルは、音速ｃＡウェーブレットのｃＤを描写し、中央上パネルは、音速ｃＡウェーブレットのｃＡを描写し、左上パネルは、音速ｃＨウェーブレットのｃＤを描写し、中央左パネルは、音速ｃＨウェーブレットのｃＡを描写し、中央パネルは、音速ｃＶウェーブレットのｃＡを描写し、中央右パネルは、音速ｃＶウェーブレットのｃＤを描写し、左下パネルは、音速ｃＤウェーブレットのｃＡを描写し、中央下パネルは、音速ｃＤウェーブレットのｃＤを描写し、右下パネルは、音速ｃＡマージンを描写する。
曖昧度を特徴として（例えば、分類のために使用される他の特徴と組み合わせて）含むことは、特徴が曖昧度を含まないときの結果と比較して、受信者動作特性曲線の曲線下面積を改良することができる。これは、手動でセグメント化されている、自動でセグメント化されている、または楕円形にセグメント化されている、病変に関して行われることができる。曖昧度が、特徴として含まれるとき、曲線下面積は、約０．０１、０．０２、０．０３、０．０４、０．０５、０．０６、または０．０７増加し得る。ある場合には、曖昧度が、特徴として含まれるとき、曲線下面積は、少なくとも０．０５、少なくとも０．０６、少なくとも０．０７、少なくとも０．０８、少なくとも０．０９、少なくとも０．０１、少なくとも０．０２、少なくとも０．０３、少なくとも０．０４、または少なくとも０．０５増加し得る。ある場合には、曖昧度が、特徴として含まれるとき、曲線下面積は、曖昧度が含まれないときと比較して、少なくとも１％、少なくとも２％、少なくとも３％、少なくとも４％、少なくとも５％、少なくとも６％、または少なくとも７％増加し得る。
特徴として曖昧度を含む、アルゴリズムは、少なくとも７０％、少なくとも７５％、少なくとも８０％、少なくとも８５％、少なくとも９０％、または少なくとも９５％の感度を有することができる。特徴として曖昧度を含む、アルゴリズムは、７０％〜９０％、８０％〜９０％、または７０％〜８０％の感度を有することができる。ある場合には、特徴として曖昧度を含む、アルゴリズムは、少なくとも７０％、少なくとも７５％、少なくとも８０％、少なくとも８５％、少なくとも９０％、または少なくとも９５％の特異度を有することができる。特徴として曖昧度を含む、アルゴリズムは、７０％〜９５％、８０％〜９５％、または８０％〜９５％の特異度を有することができる。
いくつかの実施形態では、本明細書における特徴は、鮮明度を含むことができる。鮮明度は、マージン、例えば、病変のマージンにおける変化の迅速度を定量化または説明することができる。ある場合には、鮮明度は、マージンにおける変化の大きさを定量化することができる。
鮮明度特徴または複数の特徴は、図１０に示されるように抽出されることができる。鮮明度は、音速画像または反射画像を使用して決定されることができる。ある場合には、鮮明度は、音速画像および反射画像の両方を使用して決定されることができる。
音速画像および反射画像が、鮮明度を決定するために使用される場合、最初の数ステップは、音速および反射画像に関して類似または並行することができる。最初に、各画像が、容認可能正規化方法によって正規化されることができる。勾配が、正規化された画像に適用されることができる。
勾配の適用後、マージン抽出が、実施されることができる。本ステップに関して、セグメント化マスクが、マージンを抽出を促進するために作成されることができる。例えば、ある場合には、マージン抽出は、ダイレーション処理およびエロージョン処理を介して実施されることができる。エロージョン処理は、病変のマージンを含み、おそらく、病変の他の領域を含まない、マスクをもたらすようにセグメント化マスクから除去することができる。ダイレーション処理は、セグメント化マスク、例えば、孔または断裂した面積を充填する、または空間によって分離される面積を接続するように追加することができる。マージン抽出は、マージンマスクをもたらし得る。
マージン抽出後、空間平均フィルタリングが、実施されることができる。ある場合には、本フィルタリングは、マージンマスクでマスクされているコントラスト画像上で実施されることができる。いくつかの実施形態では、フィルタリングされたマージンコントラスト画像が、達成されることができる。病変のマージン抽出および空間平均フィルタリングの実施例は、図１１に示される。
本時点で、ある場合には、音速および反射画像は、総和されることができる。マージンセグメント化が、実施されることができ、１つ以上の鮮明な曲線が、検出されることができる。ある場合には、１つ以上の鮮明な曲線の検出は、鮮明な面積を画定することができる。鮮明な特徴が、次いで、抽出されることができる。
鮮明な特徴は、平均値、最大値、最大値と最小値との間の差異、または分散値を含むことができる。特徴は、ピクセル値またはピクセル値から導出される値であることができる。
鮮明なコントラストの標準偏差は、良性病変を悪性病変から判別するための良好な特徴であることができる。ある場合には、鮮明なコントラストの標準偏差の最大値を含むことは、分類アルゴリズムの正確度を改良することができる。ある場合には、鮮明なコントラストの標準偏差の最大値と最小値との間の差異を含むことは、分類アルゴリズムの正確度を改良することができる。ある場合には、鮮明なコントラストの標準偏差の他の特徴は、分類アルゴリズムの正確度を改良することができる。
鮮明なマージンの傾きは、良性病変を悪性病変から判別するための良好な特徴となり得る。例えば、鮮明な角度特徴、歪曲度傾き、または両方を含むことは、分類アルゴリズムの正確度を改良することができる。
ある場合には、鮮明な特徴は、鮮明なコントラストの平均値、鮮明なコントラストの標準偏差、ある変化点におけるコントラスト導関数（例えば、一次導関数または二次導関数）、鮮明なピクセル半径、鮮明な角度、鮮明な傾きの歪曲度、または鮮明な傾きの尖度であることができる。本明細書では、鮮明な傾きは、極性座標内の鮮明な曲線に適合する線の傾きであることができる。
ある場合には、鮮明な特徴は、境界を定められた特徴であることができる。境界を定められた特徴は、例えば、鮮明な角度および鮮明なピクセル半径を使用して計算されることができる。ある場合には、鮮明なピクセル半径の分散値は、境界を定められた特徴を計算するために使用されることができる。ある場合には、境界を定められた特徴は、鮮明な角度対鮮明なピクセル半径の分散値の比として計算されることができる。
図１２Ａでは、嚢胞を有する乳房の音速および反射画像が、入手され、画像の勾配が、達成された。セグメント化が、嚢胞をセグメント化するために実施され、鮮明なセグメントが、右下パネルに示されるように識別された。
図１２Ｂでは、線維腺腫を有する乳房の音速および反射画像が、入手され、画像の勾配が、達成された。セグメント化が、線維腺腫をセグメント化するために実施され、鮮明なセグメントが、右下パネルに示されるように識別された。
図１２Ｃでは、腫瘍を有する乳房の音速および反射画像が、入手され、画像の勾配が、達成された。セグメント化が、腫瘍をセグメント化するために実施され、鮮明なセグメントが、右下パネルに示されるように識別された。
いくつかの実施形態では、病変を特性評価するために使用される特徴は、曖昧度および鮮明度を含むことができる。
特徴として鮮明度を含む（例えば、分類のために使用される他の特徴と組み合わせて）ことは、特徴が鮮明度を含まないときの結果と比較して、受信者動作特性曲線の曲線下面積を改良することができる。これは、手動でセグメント化されている、自動でセグメント化されている、または楕円形にセグメント化されている、病変に関して行われることができる。鮮明度が、特徴として含まれるとき、曲線下面積は、０．０１増加し得る。ある場合には、曲線下面積は、少なくとも０．０５、少なくとも０．０６、少なくとも０．０７、少なくとも０．０８、少なくとも０．０９、または少なくとも０．０１増加し得る。
特徴として鮮明度を含む、アルゴリズムは、少なくとも７０％、少なくとも７５％、少なくとも８０％、少なくとも８５％、少なくとも９０％、または少なくとも９５％の感度を有することができる。特徴として鮮明度を含む、アルゴリズムは、７０％〜９０％、８０％〜９０％、または７０％〜８０％の感度を有することができる。ある場合には、特徴として鮮明度を含む、アルゴリズムは、少なくとも７０％、少なくとも７５％、少なくとも８０％、少なくとも８５％、少なくとも９０％、または少なくとも９５％の特異度を有することができる。特徴として鮮明度を含む、アルゴリズムは、７０％〜９５％、８０％〜９５％、または８０％〜９５％の特異度を有することができる。
ある場合には、鮮明度および曖昧度特徴の両方が、使用されることができる。鮮明度および曖昧度は、テクスチャ特徴、形態学的特徴、または統計的特徴等の他の特徴と併用されることができる。鮮明度および曖昧度を含む特徴は、病変の分類のために、抽出され、選択され（例えば、機械学習アルゴリズムによって）、使用されることができる。
円形度特徴が、鮮明度および曖昧度を含む、特徴抽出アルゴリズムに追加されることができ、アルゴリズムの性能を改良することができる。円形度特徴は、楕円形を腫瘍に適合し、腫瘤と楕円形の類似度を計算することによって、追加されることができる。
鮮明度および曖昧度を含む、特徴抽出アルゴリズムは、アルゴリズムの性能を改良し得る、分類子の変化を被り得る。そのような変化は、例えば、ニューラルネットワークからサポートベクトルマシンへのものであり得る。変化は、最適分類子が選定されるように、別の容認可能分類子へのものであり得る。
いくつかのアルゴリズムに関して、円形度特徴が、追加されることができ、最適分類子が、選定されることができる。そのようなアルゴリズムは、「増強されたアルゴリズム」と呼ばれ得る。
増強されたアルゴリズムは、増強されていない、同一アルゴリズムの改良をもたらし得る。ある場合には、アルゴリズムは、そのような増強技法を使用することによって、受信者動作特性曲線の曲線下面積における改良を有することができる。ある場合には、鮮明度および曖昧度を含む、アルゴリズムは、そのような増強技法を使用することによって、受信者動作特性曲線の曲線下面積における改良を有することができる。そのような増強に起因する受信者動作特性曲線の曲線下面積における改良は、少なくとも０．０１、少なくとも０．０５、または少なくとも０．１であることができる。そのような増強に起因する受信者動作特性曲線の曲線下面積における改良は、少なくとも１％、２％、３％、４％、５％、６％、７％、８％、９％、または１０％であることができる。ある場合には、曲線下面積は、１％〜１０％、２％〜１０％、３％〜１０％、１％〜７％、２％〜７％、３％〜７％、１％〜５％、または２％〜５％増加し得る。
増強されたアルゴリズムは、少なくとも７０％、少なくとも７５％、少なくとも８０％、少なくとも８５％、少なくとも９０％、または少なくとも９５％の感度を有することができる。ある場合には、増強されたアルゴリズムは、７０％〜９５％、７０％〜９０％、７０％〜８５％、７０％〜８０％、７５％〜９５％、７５％〜９０％、７５％〜８５％、７５％〜８０％、８０％〜９５％、８０％〜９０％、８５％〜９５％、８５％〜９０％、または９０％〜９５％の感度を有することができる。増強されたアルゴリズムは、少なくとも７０％、少なくとも７５％、少なくとも８０％、少なくとも８５％、少なくとも９０％、または少なくとも９５％の特異度を有することができる。ある場合には、増強されたアルゴリズムは、７０％〜９５％、７０％〜９０％、７０％〜８５％、７０％〜８０％、７５％〜９５％、７５％〜９０％、７５％〜８５％、７５％〜８０％、８０％〜９５％、８０％〜９０％、８５％〜９５％、８５％〜９０％、または９０％〜９５％の特異度を有することができる。
いくつかの実施形態では、付加的特徴が、画像がコントラスト化される順列、腫瘍および腫瘍周囲領域内の特徴間の差異、および撮像タイプから抽出されることができる。
画像から抽出される特徴に加え、放射線科医がまた、悪性度を査定する、スコアを提供してもよい。いくつかの実施形態では、これは、機械学習アルゴリズムの分類正確度を向上させるために提供され得る、先験的情報である。本明細書に開示されるものは、腫瘍形態における異質度を査定する、単一ＢＩ−ＲＡＤ様基準を含む。腫瘤境界（ＭＢ）スコアと呼ばれる、そのようなスコアは、腫瘍を１〜５のスケールで格付ける。低値は、明確に画定されたマージンを伴う、明確に境界を定められた病変を反映する一方、より高いスコアは、腫瘍周囲領域の中に延在する不明瞭に画定されたマージンを伴う、不規則的または有棘病変を反映する。病変の２／３を上回るものが、境界を定められる場合、１のスコアが、与えられる。この周が、１／３〜２／３である場合、２のスコアが、与えられる。病変の１／３未満のものが、境界を定められる場合、３のスコアが、与えられる。病変が、非常に不規則的である場合、４のスコアが、与えられる。同様に、明確に異なる棘状突起が、認められる場合、５のスコアが、与えられる。いくつかの実施形態では、ＭＢスコアは、ＭＢスコアが、腫瘍／腫瘍周囲形態学的のみを分類し、ｌ２ヶ月経過観察（ＢＩ−ＲＡＤ１および２）、６ヶ月経過観察（ＢＩ−ＲＡＤ３）の臨床決定、または生検に関する推奨（ＢＩ−ＲＡＤ４および５）を伝達することを意味しないという点で、全体的ＢＩ−ＲＡＤスコアと幾分異なる。実際、ＭＢスコアは、ＢＩ−ＲＡＤ３を伴う＜２％からＢＩ−ＲＡＤ４を伴う約１０〜５０％までの確率において、鋭的変曲ではなく、癌確率のより平滑な遷移を表す可能性が高くあり得る。
いくつかの実施形態では、２〜１０，０００の範囲内の特徴の総数が、抽出されてもよい。いくつかの実施形態では、１０〜１，０００の範囲内の特徴の総数が、抽出されてもよい。いくつかの実施形態では、５０〜５００の範囲内の特徴の総数が、抽出されてもよい。
いくつかの実施形態では、抽出された特徴は、関連特徴群の複数のサブセットまたはクラスを含む。１つのサブセットは、音速、音減衰、音反射、またはその組み合わせを特性評価する、１つ以上の音伝搬計測値を含んでもよい。１つのサブセットは、単一特徴クラス内のあらゆる特徴を含んでもよい。１つのサブセットは、単一特徴クラス内の１つを上回る特徴を含んでもよい。１つのサブセットは、１つを上回る特徴クラスからの特徴を含んでもよい。１つのサブセットは、抽出された特徴の総数より少ない数の特徴を含んでもよい。いくつかの実施形態では、１つのサブセットは、本明細書の分類子モデルを訓練するように選択される、全ての特徴を含んでもよい。
いくつかの実施形態では、１つのサブセット特徴は、２〜１００個の特徴を含んでもよい。いくつかの実施形態では、１つのサブセット特徴は、２０〜８０個の特徴を含んでもよい。いくつかの実施形態では、１つのサブセット特徴は、３０〜７０個の特徴を含んでもよい。いくつかの実施形態では、１つのサブセット特徴は、４０〜６０個の特徴を含んでもよい。
（特徴選択）
予後パラメータのセットは、トリミングされることができる。特徴が、ＲＯＩから抽出された後、抽出される特徴は、特徴選択ステップにおいてトリミングされてもよい。ある場合には、本トリミングは、コンピュータプロセッサによって補助されることができる。いくつかの実施形態では、トリミング前の抽出される特徴の数は、患者サンプルの数に匹敵する、またはそれを上回ってもよい。例えば、複数の撮像モダリティが、使用され、腫瘍および腫瘍周囲領域の両方が、使用され、種々のコントラスト選択が、行われ、他の順列も、含まれるとき、特徴の数は、患者サンプルの数をはるかに上回って激増する。いくつかの実施形態では、１つ以上の特徴は、抽出された特徴が決定する、仮説空間内の次元を表し得る。しかしながら、「次元の呪い」は、仮説空間が高濃度にサンプリングされるように十分なサンプル（患者データ）を有する必要があることを伝える。したがって、いくつかの実施形態では、特徴の数は、プルーニングまたはトリミングされてもよい。
予後パラメータのセットは、トリミングされることができる。特徴が、ＲＯＩから抽出された後、抽出される特徴は、特徴選択ステップにおいてトリミングされてもよい。ある場合には、本トリミングは、コンピュータプロセッサによって補助されることができる。いくつかの実施形態では、トリミング前の抽出される特徴の数は、患者サンプルの数に匹敵する、またはそれを上回ってもよい。例えば、複数の撮像モダリティが、使用され、腫瘍および腫瘍周囲領域の両方が、使用され、種々のコントラスト選択が、行われ、他の順列も、含まれるとき、特徴の数は、患者サンプルの数をはるかに上回って激増する。いくつかの実施形態では、１つ以上の特徴は、抽出された特徴が決定する、仮説空間内の次元を表し得る。しかしながら、「次元の呪い」は、仮説空間が高濃度にサンプリングされるように十分なサンプル（患者データ）を有する必要があることを伝える。したがって、いくつかの実施形態では、特徴の数は、プルーニングまたはトリミングされてもよい。
特徴選択のための多くの異なる方法または方法の種々の組み合わせが、使用されることができる。例えば、決定木が、各サブセットが特徴空間全体の合体を形成するように、特徴のサブセットから作成されることができる。これらの個々のサブセットを使用した訓練は、最大情報利得が上位ノードにある、決定木を生成する。これらの木のノード（例えば、上位層におけるノード）は、最も有益な特徴を保つように集約されることができる。特徴の一変量または多変量分析が、行われることができる。
特徴選択またはトリミングを遂行するための非限定的例示的方法は、焼きなまし法、遺伝子アルゴリズム、変数増加法、変数減少法、木ベースのフィルタリング、および決定木プルーニングを含む。いくつかの実施形態では、決定木プルーニングは、仮説空間または特徴空間の次元を低減させるために使用される。
いくつかの実施形態では、特徴は、主成分分析、多重線形主成分分析、および決定木分析から成る群から選択される方法に基づいて、トリミングまたは選択される。
予後パラメータのセットは、容認可能方法に基づいて、トリミングされることができる（例えば、プロセッサによって）。容認可能方法は、例えば、主成分分析、多重線形成分分析、決定木分析、またはサポートベクトルマシンの使用であることができる。ある場合には、容認可能方法は、主成分分析、多重線形成分分析、決定木分析、サポートベクトルマシンの使用から成る群から選択されることができる。ある場合には、容認可能方法は、主成分分析、多重線形成分分析、および決定木分析から成る群から選択されることができる。
いくつかの実施形態では、主成分分析（ＰＣＡ）が、特徴選択および作成のために使用される［Ｃｏｍｐｕｔｅｒ−ａｉｄｅｄ ｄｉａｇｎｏｓｉｓ ｓｃｈｅｍｅ ｆｏｒ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ ｂｅｔｗｅｅｎ ｂｅｎｉｇｎ ａｎｄ ｍａｌｉｇｎａｎｔ ｍａｓｓｅｓ ｉｎ ｂｒｅａｓｔ ＤＣＥ−ＭＲＩ Ｊ Ｄｉｇｉｔ Ｉｍａｇｉｎｇ． ２０１６； ２９：３８８−９３］（本参照によって本明細書に組み込まれる）。ある場合には、ＰＣＡは、入力として、多くの特徴および実施例を伴うデータセットをとる。これは、次いで、有意ではないそれらの特徴を排除することによって、特徴の数を低減させる。特に、これは、既存の特徴の線形組み合わせである、新しい特徴を作成してもよい。例えば、鮮鋭度および腫瘍標準偏差が、最も重要な計測値である場合、ＰＣＡ手順は、独立して、それらを識別し、それらを組み合わせ、データの最良可能分類をもたらし得る。
いくつかの実施形態では、本明細書の１０個の主要特徴クラスのうちの１つが、選択され、したがって、選択されたクラス内の１つ以上の特徴が、選択される。いくつかの実施形態では、限定ではないが、ＩＣＡ（独立成分分析）、ＲＣＡ（ランダム成分分析）、ニューラルネットワーク加重値、および順列方法を含む、他の方法も、本明細書に開示される。
いくつかの実施形態では、ニューラルネットワークの適用等の機械学習方法または他の深層学習技法が、特徴選択のために使用されることができる。
いくつかの実施形態では、遺伝子アルゴリズムが、異なる特徴をランダムに選択し、次いで、それらの特徴のうちのいくつかが他の特徴と対を成す、子孫を生産することができる。いくつかの実施形態では、フィードフォワードアプローチが、とられることができ、各単一特徴が、別の特徴と対合され、複数の特徴対を生成する。複数の特徴対はそれぞれ、訓練データセットの少なくとも一部を使用して、１つ以上の選択された機械学習アルゴリズムを訓練するために使用され、最大機械学習正確度を伴う対（例えば、正確度は、特異度、偽陽性、偽陰性、感度、ＰＰＶ等の１つ以上の選択された計測値を含んでもよい）が、次いで、残りの特徴のそれぞれと組み合わせられ、複数の特徴の三つ組を生成し、これはそれぞれ、新しい訓練工程および正確度の評価を受け得る。最大性能を伴う三つ組は、次いで、全ての他の特徴のそれぞれと組み合わせられ、４つの特徴の複数の群を生成することができる。そのようなプロセスは、規定された回数にわたって、または停止基準が満たされるまで、繰り返されてもよい。いくつかの実施形態では、後退消去法が、使用されることができる。全ての抽出された特徴、例えば、Ｎ個の特徴が、使用されることができ、単一特徴が、一度に排除され、Ｎ−ｌ個の特徴のＮ個のサブセットを生成する。最不良機械学習性能を伴うＮ−ｌ個の特徴の群が、排除される。そのようなプロセスは、規定された時間にわたって、または停止基準が満たされるまで、繰り返されてもよい。
いくつかの実施形態では、画像毎の１つ以上の特徴クラスが、選択され、ともに組み合わせられ、選択された特徴を生成する。例えば、特徴クラスのうちの１つ、例えば、形態学的特徴が、画像のうちの１つのために選択される。各特徴クラスは、１０〜２０個の特徴を含んでもよい。決定木（例えば、Ｊ４８）が、訓練データの少なくとも一部を伴う選択された特徴クラス上で訓練され、情報利得の大部分を含有する、結果として生じる決定木の上位２〜３つの層が、留保される。１つを上回る特徴クラスに関して、本プロセスが繰り返され、Ｊ４８決定木または他の機械学習アルゴリズムを訓練するための各特徴クラスのいくつかの特徴（例えば、２〜５つの特徴）が取得される。いくつかの実施形態では、画像毎の上位特徴クラス（例えば、上位３つ）および対応する特徴が、木ノード上に現れる。特定の実施形態では、定量的／テクスチャ特徴の総数は、５００超から４３個の特徴まで低減されることができる。ＭＢＳおよび形態学的特徴が、含まれる場合、合計４９個の特徴となり得る。いくつかの実施形態では、各決定木の上位層における特徴ではなく、最適正確度を伴う決定木内の各単一特徴が、選択される。
いくつかの実施形態では、抽出された特徴またはトリミングされた特徴は、サブカテゴリにパーティション化される。これらのサブカテゴリは、限定ではないが、音響パラメータおよび詳細な手動で描かれたＲＯＩ（Ｒ）を使用して取得されるテクスチャ特徴、大まかな楕円形ＲＯＩを用いて取得された同一特徴（ＲＥ）、詳細な手動で描かれたＲＯＩから取得された定量的形態学的特徴（Ｍ）、腫瘤境界（ＭＢ）スコア、およびそれらの組み合わせを含むことができる。
いくつかの実施形態では、訓練データセットは、３８例の嚢胞、５５例の線維腺腫、および６８例の癌を含む、乳房病変の１６１例（９３例の良性および６８例の悪性）のサンプルを含有する。いくつかの実施形態では、訓練データセットは、１０を上回る数の乳房病変の任意の数のサンプルを含有してもよい。いくつかの実施形態では、訓練データセットは、任意の非ゼロ数の良性サンプル、嚢胞サンプル、線維腺腫サンプル、および癌性サンプルを含んでもよい。いくつかの実施形態では、訓練セットは、機械学習アルゴリズムの試験のためのものである、データのサブセットを含む。試験サブセットは、訓練セットの約１／２、１／３、１／４、１／５、１／６、または任意の他の部分であってもよい。いくつかの実施形態では、訓練セットは、利用可能になるより多くのデータサンプルが存在するとき、静的なままである、または動的に増加してもよい。いくつかの実施形態では、訓練セットは、異なる年齢群、例えば、患者の若年、中年、高齢群からのデータサンプルを含んでもよい。いくつかの実施形態では、訓練セットは、人種等の異なる人口統計群からのデータサンプルを含んでもよい。いくつかの実施形態では、訓練セットは、乳房病変の異なる病期からのデータサンプルを含んでもよい。
予後パラメータのセットは、予後パラメータの複数のサブセットのうちの１つにトリミングされることができる。ある場合には、複数のサブセットのうちの１つは、音速を特性評価する、１つまたは複数の音伝搬計測値を含むことができる。いくつかの実施形態では、複数のサブセットのうちの１つは、音減衰を特性評価する、１つまたは複数の音伝搬計測値を含むことができる。いくつかの実施形態では、複数のサブセットのうちの１つは、音反射を特性評価する、１つまたは複数の音伝搬計測値を含むことができる。
分類子モデルは、少なくともＸの感度および少なくともＹの特異度を有する、組織のタイプを決定することができる。ある場合には、Ｘは、７５％〜１００％、８０％〜１００％、８５％〜１００％、９０％〜１００％、または９５％〜１００％であることができる。ある場合には、Ｙは、７５％〜１００％、８０％〜１００％、８５％〜１００％、９０％〜１００％、または９５％〜１００％であることができる。
分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定することができる。閾値は、上限閾値または下限閾値であることができる。ある場合には、閾値は、範囲であることができる。例えば、予後パラメータが、悪性病変に関する下限閾値を上回る場合、病変は、悪性として分類され得る。
分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定することができる。いくつかの実施形態では、相対的統計的正確度は、組織分類の特異度または感度であることができる。ある場合には、特異度および感度の両方が、決定されることができる。ある場合には、特異度、感度、または両方が、最適化されることができる。
分類子モデルは、１つ以上の予後パラメータの正確度に基づいて、決定木を構築することができる。分類子モデルは、予後パラメータのサブセットの正確度に基づいて、決定木を構築することができる。いくつかの実施形態では、分類子モデルは、決定木を使用して組織を分類するために十分な予後パラメータのサブセットの閾値を決定することができる。
いくつかの実施形態では、分類子モデルは、組織を分類するために十分な予後パラメータのサブセットの閾値を決定することができる。例えば、組織は、悪性または非悪性として分類されることができる。ある場合には、悪性度のパーセンテージ尤度が、決定されることができる。いくつかの実施形態では、分類子モデルは、機械学習技法を使用して生成されることができる。いくつかの実施形態では、機械学習技法は、サポートベクトルマシンを含むことができる。いくつかの実施形態では、サポートベクトルマシンは、ＬｉｂＳＶＭ、ＭＡＴＬＡＢ（登録商標）、ＳＡＳ、ＳＶＭｌｉｇｈｔ、ｋｅｒｎｌａｂ、ｓｃｉｋｉｔ−ｌｅａｒｎ、Ｓｈｏｇｕｎ、Ｗｅｋａ、Ｓｈａｒｋ、ＪＫｅｒｎｅｌＭａｃｈｉｎｅｓ、ＯｐｅｎＣＶ、または別のサポートベクトルマシンを含むことができる。
いくつかの実施形態では、機械学習技法は、決定木を含む。決定木は、Ｊ４８、Ｃ４．５、またはＩＤ３を含むことができる。いくつかの実施形態では、決定木は、ＡＤＡＢｏｏｓｔまたはＤｉｃｉｓｉｏｎＳｔｕｍｐを含むことができる。
機械学習技法は、ニューラルネットワークを含むことができる。いくつかの実施形態では、機械学習技法は、ｋ−最近傍法、パーセプトロン、フィードフォワード、動径基底ネットワーク、ディープフィードフォワード、回帰型ニューラルネットワーク、長／短期メモリ、ゲート付き回帰型ユニット、自動エンコーダ、変分オートエンコーダ、デノイジングオートエンコーダ、スパースオートエンコーダ、マルコフ連鎖、ホップフィールドネットワーク、ボルツマンマシン、制限ボルツマンマシン、ディープビリーフネットワーク、ディープ畳み込みネットワーク、逆畳み込みネットワーク、ディープ畳み込みインバースグラフィックスネットワーク、敵対的生成ネットワーク、リキッドステートマシン、エクストリームラーニングマシン、エコーステートネットワーク、ディープ残差ネットワーク、コホネンネットワーク、サポートベクトルマシン、またはニューラルチューリングマシンを含む。
（モデル生成）
いったん特徴が、選択されると、選択された特徴の１つ以上のサブカテゴリが、ベクトルｘに代入されることができる。いくつかの実施形態では、それらは、ユーザによって提供される標識ｙ（嚢胞、線維腺腫、癌等）と組み合わせられ、タプル（ｘ，ｙ）を生成する。これは、訓練セット内の組織の実施例毎に行われることができる。Ｍ個のそのような実施例が存在する場合、訓練セットＳは、Ｓ＝｛（ｘ＿ｌ、ｙ＿ｌ）、（ｘ＿２、ｙ＿２）、．．．，（ｘ＿Ｍ、ｙ＿Ｍ）｝を含む。いくつかの実施形態では、訓練セットは、次いで、機械学習アルゴリズムを適合させる、または適合された機械学習アルゴリズムを生成するために、機械学習アルゴリズムに、例えば、ｆ（ｘ）＝ｙの形態においてフィードされる。いくつかの実施形態では、機械学習アルゴリズムは、分類または回帰方法を含む。いくつかの実施形態では、機械学習アルゴリズムは、特徴ｘを対応する標識ｙまたは回帰スコアにマッピングする、分類子モデルｆ（ｘ）を生成するために使用される。いくつかの実施形態では、本明細書における機械学習アルゴリズムは、複数のアルゴリズムを組み合わせる。いくつかの実施形態では、本明細書における機械学習アルゴリズムは、同時に訓練され、正確度または性能に関して比較される、複数のアルゴリズムを含む。
いったん特徴が、選択されると、選択された特徴の１つ以上のサブカテゴリが、ベクトルｘに代入されることができる。いくつかの実施形態では、それらは、ユーザによって提供される標識ｙ（嚢胞、線維腺腫、癌等）と組み合わせられ、タプル（ｘ，ｙ）を生成する。これは、訓練セット内の組織の実施例毎に行われることができる。Ｍ個のそのような実施例が存在する場合、訓練セットＳは、Ｓ＝｛（ｘ＿ｌ、ｙ＿ｌ）、（ｘ＿２、ｙ＿２）、．．．，（ｘ＿Ｍ、ｙ＿Ｍ）｝を含む。いくつかの実施形態では、訓練セットは、次いで、機械学習アルゴリズムを適合させる、または適合された機械学習アルゴリズムを生成するために、機械学習アルゴリズムに、例えば、ｆ（ｘ）＝ｙの形態においてフィードされる。いくつかの実施形態では、機械学習アルゴリズムは、分類または回帰方法を含む。いくつかの実施形態では、機械学習アルゴリズムは、特徴ｘを対応する標識ｙまたは回帰スコアにマッピングする、分類子モデルｆ（ｘ）を生成するために使用される。いくつかの実施形態では、本明細書における機械学習アルゴリズムは、複数のアルゴリズムを組み合わせる。いくつかの実施形態では、本明細書における機械学習アルゴリズムは、同時に訓練され、正確度または性能に関して比較される、複数のアルゴリズムを含む。
いくつかの実施形態では、組織の分類、標識、またはタイプは、限定ではないが、癌性腫瘍、線維腺腫、嚢胞、非特異性良性腫瘤、および識別不能腫瘤のうちの１つ以上のものを含む。いくつかの実施形態では、組織の分類、標識、またはタイプは、限定ではないが、悪性または良性を含む。
いくつかの実施形態では、組織の分類、標識、またはタイプは、２、３、４、５、６つ、またはさらにより多くの異なる標識またはタイプを含む。
いくつかの実施形態では、訓練は、臨床上の必要性を満たすための規定された持続時間を用いて実施される。いくつかの実施形態では、訓練は、既存の臨床ワークフローの中に適合させるための規定された持続時間を用いて実施される。いくつかの実施形態では、訓練は、過剰適合を伴わずに実施される。いくつかの実施形態では、訓練は、１つ以上の停止基準が満たされると停止される。
いくつかの実施形態では、分類子モデル、組織を分類するために十分な１つ以上の予後パラメータまたは特徴の閾値を決定する。いくつかの実施形態では、分類子モデルは、特異度、感度、またはＰＰＶ等の１つ以上の予後パラメータの相対的統計的正確度または性能を決定する。いくつかの実施形態では、分類子モデルの正確度または性能は、限定ではないが、感度、特異度、偽陽性、偽陰性、モデル訓練のための持続時間、モデル適合のための持続時間、モデル適合の算出複雑性、モデルの複雑性、選択される特徴の数、および選択される特徴に関するクラスの数を含む、１つ以上の計測値によって決定される。
いくつかの実施形態では、分類子モデルは、組織またはＲＯＩを分類する際、１つ以上の予後パラメータまたは予後パラメータのサブセットの正確度に基づく決定木を含む。いくつかの実施形態では、分類子モデルは、該決定木を使用して組織を分類するために十分な予後パラメータのサブセットの閾値を決定する。
ある場合には、分類子モデルは、例えば、決定木または他の分類子を使用して、組織を分類するために十分な該予後パラメータのサブセットの閾値を決定する。
いくつかの実施形態では、分類子モデルは、データの訓練セットの有無にかかわらず、機械学習技法を用いて生成される。いくつかの実施形態では、データの訓練セットは、画像データおよび対応する画像データまたはＲＯＩの分類を含む。いくつかの実施形態では、データの訓練セットは、ＲＯＩの分類または標識を含まない。
いくつかの実施形態では、決定木、例えば、Ｊ４８、Ｃ４．５、またはＩＤ３決定木が、全ての特徴上で訓練され、訓練された決定木は、図１３に示される。いくつかの実施形態では、平均の正しい分類±標準偏差は、８５．２３±３．６５％である。他の決定木が、腫瘤境界スコア特徴を使用せずに（図１４）、形態学的測定値を使用せずに（図１５）、または腫瘤境界スコアまたは形態学的測定値を使用せずに（図１６）訓練後に生成されてもよい。決定木を使用した平均の正しい分類±標準偏差は、それぞれ、８０．１２±３．８２％、８５．７１３±２．６１％、および７０．２４±５．０２％である。いくつかの実施形態では、形態学的測定値を選択せず、その上で決定木を訓練することは、有利なこととして、良好な正しい分類率を伴って、既存の臨床研究フローのための機械学習分類子を生成し得、現在の臨床フロー内に含まれない付加的特徴、例えば、形態学的特徴を入手する必要はない。
決定木の実施例のうちの１つは、図１３に示される。最初に、ＭＢが、決定される。ＭＢが、３を上回る場合、病変は、悪性と見なされる。ＭＢが、３未満である場合、さらなる分析が、必要とされる。ＭＢが、３未満であるが、２を上回る場合、病変における音速値の標準偏差が、検討され、値が、所与の閾値を上回る場合、病変は、悪性と見なされる。ＭＢが、２未満である、またはそれに等しい場合、病変と病変周囲との間の勾配差の標準偏差が、検討され得る。勾配差の標準偏差が、所与の閾値を上回る場合、腫瘍周囲エネルギー変位が、検討される。エネルギー変位が、所与の閾値を下回る場合、病変は、悪性と見なされる。勾配差の標準偏差が、所与の閾値を下回る場合、Ｌａｗマップにおける平均値が、検討される。平均値が、所与の閾値を下回る場合、病変は、良性と見なされる。平均値が、所与の閾値を上回る場合、腫瘍鮮鋭度カウントが、検討され得る。腫瘍鮮鋭度カウントが、所与の閾値を上回る場合、病変は、悪性と見なされる。そうでなければ、病変は、良性と見なされる。
決定木の実施例のうちの１つが、図１４に示される。ここでは、病変のマージンの平滑度が、所与の閾値を下回る場合、病変は、悪性と見なされる。病変のマージンの平滑度が、所与の閾値を上回る場合、腫瘍と腫瘍周囲との間の音速差の標準偏差が、検討される。音速差の標準偏差が、所与の閾値を下回る場合、腫瘍は、良性と見なされる。そうでなければ、腫瘍コントラスト変位が、検討される。腫瘍コントラスト変位が、所与の閾値を下回る場合、腫瘍および腫瘍周囲の勾配の差異の標準偏差が、検討される。勾配差の標準偏差が、所与の閾値を下回る場合、病変は、良性である。そうでなければ、病変は、悪性である。腫瘍コントラスト変位が、所与の閾値を上回る場合、Ｌａｗマップにおける平均値が、検討される。Ｌａｗマップにおける平均値が、所与の閾値を下回る場合、病変は、良性である。Ｌａｗマップにおける平均値が、所与の閾値を上回る場合、別のＬａｗマップにおける平均値が、検討される。第２のＬａｗマップにおける平均値が、所与の閾値未満である場合、病変は、良性と見なされる。そうでなければ、第３のＬａｗマップにおける平均値が、検討される。第３のＬａｗマップの平均値が、所与の閾値を下回る場合、病変は、良性と見なされ得る。そうでなければ、病変は、悪性と見なされる。
決定木の実施例のうちの１つが、図１５に示される。ここでは、ＭＢが、最初に検討される。ＭＢが、閾値（ここでは、＞３）を上回る場合、病変は、悪性と見なされ得る。そうでなければ、ＭＢが、下限閾値を上回る（例えば、２を上回るが、３未満である）場合、病変における音速値の標準偏差が、検討され得る。音速の標準偏差が、閾値を下回る場合、病変は、悪性であり得る。そうでなければ、病変は、良性であり得る。ＭＢが、下限閾値未満である（例えば、２未満）である場合、腫瘍と腫瘍周囲との間の勾配の差異の標準偏差が、検討され得る。勾配差の標準偏差が、所与の閾値を下回る場合、Ｌａｗマップにおける平均値が、検討される。Ｌａｗマップにおける平均値が、所与の閾値を下回る場合、病変は、良性と見なされ得る。Ｌａｗマップにおける平均値が、所与の閾値を上回る場合、病変の鮮鋭度が、検討され得る。鮮鋭度が、所与の閾値を下回る場合、病変は、良性と見なされ得る。鮮鋭度が、所与の閾値を上回る場合、病変は、悪性と見なされ得る。勾配差の標準偏差が、所与の閾値を上回る場合、腫瘍周囲内のエネルギー変位が、検討され得る。エネルギー変位が、所与の閾値を下回る場合、病変は、悪性と見なされ得る。エネルギー変位が、所与の閾値を上回る場合、病変は、良性と見なされ得る。
決定木の実施例のうちの１つが、図１６に示される。ここでは、腫瘍周囲の鮮鋭度が、最初に検討される。腫瘍周囲鮮鋭度が、所与の閾値を上回る場合、Ｌａｗマップにおける平均値が、検討される。Ｌａｗマップにおける平均値が、所与の閾値を上回る場合、病変は、悪性と見なされ得る。そうでなければ、病変の鮮鋭度カウントが、検討され得る。病変の鮮鋭度が、所与の閾値を上回る場合、病変は、悪性と見なされ得る。そうでなければ、病変は、良性と見なされ得る。腫瘍周囲鮮鋭度が、所与の閾値を下回る場合、腫瘍と腫瘍周囲との間の勾配の差異の標準偏差が、検討され得る。勾配差の標準偏差が、所与の閾値未満である場合、病変は、良性と見なされ得る。そうでなければ、Ｌａｗマップにおける平均値が、検討され得る。Ｌａｗマップにおける平均値が、所与の閾値を上回る場合、病変は、悪性と見なされ得る。そうでなければ、異なるＬａｗマップにおける平均値が、検討され得る。本第２のＬａｗマップにおける平均値が、所与の閾値を上回る場合、病変は、良性と見なされ得る。そうでなければ、腫瘍周囲における音速画像の標準偏差が、検討され得る。腫瘍周囲における音速画像の標準偏差が、所与の閾値を上回る場合、病変は、悪性と見なされ得る。そうでなければ、病変は、良性と見なされ得る。
本明細書に説明されるシステムおよび方法は、分類モデルを訓練し、および／または分類を行うために（例えば、異なる撮像モダリティから画像内の良性および悪性乳房組織を標識するために）、機械学習アルゴリズムを使用してもよい。本明細書における機械学習アルゴリズムは、未知のデータから学習し、分類を行い得る。データは、任意の入力、中間出力、前の出力、または訓練情報、または別様にアルゴリズムに、またはそれによって提供される、任意の情報であってもよい。
機械学習アルゴリズムは、教師あり学習アプローチを使用してもよい。教師あり学習では、アルゴリズムは、訓練データから関数またはモデルを生成することができる。訓練データは、標識されることができる。訓練データは、それと関連付けられたメタデータを含んでもよい。訓練データの各訓練実施例は、少なくとも、入力物体および所望の出力値から成る対であってもよい。教師あり学習アルゴリズムは、ユーザが、１つ以上の制御パラメータを決定することを要求し得る。これらのパラメータは、訓練データのサブセット、例えば、検証セット上での性能を最適化することによって調節されることができる。パラメータ調節および学習後、結果として生じる関数／モデルの性能は、訓練セットと別個であり得る、試験セット上で測定されることができる。回帰方法が、教師あり学習アプローチにおいて使用されることができる。
いくつかの実施形態では、教師あり機械学習アルゴリズムは、限定ではないが、ニューラルネットワーク、サポートベクトルマシン（例えば、ＬｉｂＳＶＭ）、最近隣補間法、決定木、ブーストされた決定株、そのようなアルゴリズムのブーストされたバージョン、そのようなアルゴリズムの派生バージョン、またはその組み合わせを含むことができる。いくつかの実施形態では、機械学習アルゴリズムは、ベイズモデル、決定グラフ、帰納論理プログラミング、ガウス過程回帰、遺伝的プログラミング、カーネル推定器、最小メッセージ長、多重線形部分空間学習、単純ベイズ分類器、最大エントロピ分類器、条件付き確率場、最小複雑性機械（ＭＣＭ）、ランダムフォレスト、分類器のアンサンブル、および多基準分類アルゴリズムのうちの１つ以上のものを含むことができる。
ある場合には、機械学習アルゴリズムは、サポートベクトルマシンであることができる。サポートベクトルマシンは、教師あり学習モデルであることができ、これは、関連付けられた学習アルゴリズムを有することができる。関連付けられた学習アルゴリズムは、データを分析することができ、これは、病変の分類のために使用され得る。
サポートベクトルマシンでは、訓練サンプルのセットはそれぞれ、悪性および良性等のカテゴリに属するとマークされることができる。サポートベクトルマシンアルゴリズムは、新しい実施例をカテゴリ（例えば、悪性または良性）のうちの１つに割り当て得る、モデルを構築することができる。ある場合には、サポートベクトルマシンは、非確率的バイナリ線形分類子であることができる。
機械学習アルゴリズムは、半教師あり学習アプローチを使用してもよい。半教師あり学習は、標識および未標識データの両方を組み合わせ、適切な関数または分類子を生成することができる。
いくつかの実施形態では、機械学習アルゴリズムは、教師なし学習アプローチを使用してもよい。教師なし学習では、アルゴリズムは、関数／モデルを生成し、標識されていないデータ（すなわち、直接観察または算出されることができない、分類またはカテゴリ化）からの隠れ構造を説明し得る。学習器に与えられる実施例は、標識されていないため、関連アルゴリズムによって出力される、構造の正確度の評価が存在しない。教師なし学習のアプローチは、クラスタ化、異常検出、およびニューラルネットワークを含む。
機械学習アルゴリズムは、強化学習アプローチを使用してもよい。強化学習では、アルゴリズムは、世界の観察を前提として、どのように作用するかの方針を学習することができる。あらゆる作用は、環境内に何らかの影響を有し得、環境は、学習アルゴリズムを誘導する、フィードバックを提供することができる。
機械学習アルゴリズムは、トランスダクションアプローチを使用してもよい。トランスダクションは、教師あり学習に類似し得るが、関数を明示的に構築しない。代わりに、訓練入力、訓練出力、および新しい入力に基づいて、新しい出力を予測することを試みる。
機械学習アルゴリズムは、「学習の学習」アプローチを使用してもよい。学習の学習では、アルゴリズムは、前の経験に基づいて、その独自の誘導バイアスを学習することができる。
機械学習アルゴリズムは、患者データに適用され、予測モデルを生成する。いくつかの実施形態では、機械学習アルゴリズムまたはモデルは、周期的に訓練されてもよい。いくつかの実施形態では、機械学習アルゴリズムまたはモデルは、非周期的に訓練されてもよい。
本明細書で使用されるように、機械学習アルゴリズムは、関数またはモデルを学習するステップを含んでもよい。関数またはモデルの数学的表現は、直接算出可能または観察可能である場合とそうではない場合がある。関数またはモデルは、モデル内で使用される１つ以上のパラメータを含んでもよい。例えば、公式Ｙ＝Ｃ０＋Ｃ１ｘ１＋Ｃ２ｘ２を有する、線形回帰モデルは、２つの予測子変数ｘｌおよびｘ２と、係数またはパラメータＣ０、Ｃ１、およびＣ２とを有する。本実施例において予測される変数は、Ｙである。モデルのパラメータが、学習された後、値が、モデル内の予測子変数毎に代入され、従属または予測される変数（例えば、Ｙ）に関する結果を生成することができる。
（オンライン使用）
いくつかの実施形態では、オンライン使用パイプラインは、オフライン訓練において使用されなかった画像／データを含む。いくつかの実施形態では、オンライン使用パイプラインは、標識されていない画像をセグメント化するために、ユーザがＲＯＩを作成するステップ伴う。周囲／内側腫瘍性領域が、オフライン訓練における領域と類似方式において生成されることができる。同様に、特徴が、オフライン訓練におけるものと同様に、ＲＯＩから抽出されることができる。
いくつかの実施形態では、オンライン使用パイプラインは、オフライン訓練において使用されなかった画像／データを含む。いくつかの実施形態では、オンライン使用パイプラインは、標識されていない画像をセグメント化するために、ユーザがＲＯＩを作成するステップ伴う。周囲／内側腫瘍性領域が、オフライン訓練における領域と類似方式において生成されることができる。同様に、特徴が、オフライン訓練におけるものと同様に、ＲＯＩから抽出されることができる。
いくつかの実施形態では、オンライン使用における特徴は、オフライン訓練から選択された特徴のみを含む。いくつかの実施形態では、オンライン使用における特徴は、オフライン訓練から選択された特徴以外の付加的特徴を含む。
いくつかの実施形態では、特徴は、次いで、訓練された分類子にフィードされ、分類、標識、または回帰スコアを生成する。いくつかの実施形態では、標識および／または回帰スコアは、ユーザに表示される。いくつかの実施形態では、標識／スコアに対応する、最も有益な特徴が、ユーザに提示されることができる。
ある場合には、本明細書のシステムおよび方法の有効性は、訓練された分類子の感度（ＳＥＮ）、特異度（ＳＰＦ）、および正の予測値（ＰＰＶ）を使用して評価される。ＳＥＮ、ＳＰＦ、およびＰＰＶの定義は、それらが、典型的には、医療画像内の病変を検出するために通常意味し得るものではなくあり得る。代わりに、放射線科医が、病変をすでに見出しており、それに輪郭を付けている。いくつかの実施形態では、分類子は、領域を良性または悪性として標識する。いくつかの実施形態では、分類子のＳＥＮ、ＳＰＦ、およびＰＰＶは、したがって、領域を良性または悪性として適切に標識する能力を反映させる。過適合を低減させ、良好に一般化される分類子モデルを有するために、分類子を別個の試験セット上で試験することが重要である。本明細書の試験のために、データは、訓練および試験セットの中に明示的にパーティション化されない。代わりに、階層化されたシャッフル分割交差検証アプローチが、使用される。また、ＳＥＮ、ＳＰＦ、およびＰＰＶにおけるランダムな当て推量に優る本明細書の分類の改良は、最終的臨床有用性をより良好に推定するために使用される。表２は、特徴の具体的カテゴリを使用するときのランダムな当て推量に優る感度（ＳＥＮ）、特異度（ＳＰＦ）、および正の予測値（ＰＰＶ）における改良を示し、特徴のそのようなカテゴリは、詳細な手動で描かれたＲＯＩ（Ｒ）、同一特徴であるが、大まかな楕円形ＲＯＩ（ＲＥ）、詳細な手動で描かれたＲＯＩから取得される定量的形態学的特徴（Ｍ）、および腫瘤境界（ＭＢ）スコアを使用して取得されるテクスチャ特徴を含む。
（自動セグメント化）
自動セグメント化が、画像、例えば、音速画像、反射画像、またはウエハ画像上で実施されることができる。全３つの画像タイプが、利用可能である、ある場合には、自動セグメント化が、音速画像上、反射画像上、およびウエハ画像上で実施されることができる。
自動セグメント化が、画像、例えば、音速画像、反射画像、またはウエハ画像上で実施されることができる。全３つの画像タイプが、利用可能である、ある場合には、自動セグメント化が、音速画像上、反射画像上、およびウエハ画像上で実施されることができる。
いったん画像が、取得されると、着目領域が、画像上で示されることができる。ある場合には、本着目領域は、画像上に描かれることができる。ある場合には、放射線科医が、着目領域を描くことができる。着目領域は、病変を包含することができる、病変と交差することができる、または病変の近傍にあることができる。着目領域は、病変ではない、画像の一部を含むことができる。
自動セグメント化は、３つのアルゴリズム、すなわち、マルコフ確率場、混合ガウスモデル、および適応ファジィＣ平均法のうちの１つを使用して実施されることができる。いくつかの実施形態では、全３つの自動セグメント化アルゴリズムが、画像上で実施されることができる。ある場合には、マルコフ確率場、混合ガウスモデル、および適応ファジィＣ平均法アルゴリズムのうちの１つと、２つの他の自動セグメント化アルゴリズムとが、実施されることができる。ある場合には、マルコフ確率場、混合ガウスモデル、および適応ファジィＣ平均法アルゴリズムのうちの２つが、実施されることができる。
マルコフ確率場自動セグメント化は、各ｙｉがピクセルの強度である、画像ｙ＝（ｙ１，．．．，ｙＮ）と、ｘｉが推測され得る、標識Ｘ＝（ｘ，．．．，ｘＮ）の構成との上で実施されることができる。ある場合には、標識Ｘは、バイナリであることができる。標識Ｘは、例えば、以下のように取得されることができる。
式中、Ｐ（ｘ）は、ギブス分布
であって、ガウス分布を伴って、
となる。加えて、パラメータθが、期待（Ｅ）および最大化（Ｍ）ステップを用いて、期待値最大化（ＥＭ）アルゴリズムによって取得されることができる。
Ｅステップは、例えば、以下のように、条件付き期待値を計算することができる。
Ｍ−ステップは、例えば、以下のように、Ｅステップにおいて計算されたＱ等の期待値Ｑを最大限にし、θパラメータの次のステップを取得することができる。
音速画像上、反射画像上、およびウエハ画像上での自動セグメント化のためにマルコフ確率場を使用した結果の実施例は、図１７に示される。パネル（ａ）は、音速画像を描写し、パネル（ｂ）は、反射画像を描写し、パネル（ｃ）は、ウエハ画像を描写する。パネル（ｄ）は、マルコフ確率場を使用してセグメント化されている、反射画像を描写する。パネル（ｅ）は、放射線科医によって手動でセグメント化されている、反射画像を描写する。パネル（ｆ）は、セグメント化から作成されたマスク（白色）と放射線科医による手動セグメント化から作成されたマスク（灰色）の比較を描写する。
混合ガウスモデル自動セグメント化は、例えば、画像上のピクセルが未知のパラメータを伴う有限数のガウス分散成分の混合物から生成されたと仮定され得るとき、画像上で実施されることができる。ある場合には、成分のパラメータは、平均値、共分散、混合性質、またはそれらの組み合わせを含むことができる。成分のパラメータは、期待（Ｅ）および最大化（Ｍ）ステップを含み得る、期待値最大化（ＥＭ）アルゴリズムを使用して、取得、推定、または決定されることができる。Ｅステップに先立って、値は、初期化されることができる。例えば、初期化され得る、値は、成分平均値、共分散行列、または混合性質を含むことができる。Ｅステップは、少なくとも１つのピクセルおよび最大で全てのピクセルに関する成分メンバーシップの事後確率が算出され得るように実施されることができる。ある場合には、事後確率は、ユーザ選択着目領域内のピクセル毎に算出されることができる。Ｍステップは、Ｅステップ後に実施されることができる。例えば、Ｍステップは、１つ以上の成分メンバーシップ事後確率加重を使用して、特徴を計算することができる。Ｍステップにおいて計算された特徴は、成分平均値、共分散行列、および混合性質を含むことができる。ある場合には、そのような特徴は、最尤アルゴリズム等のアルゴリズムを使用して、決定、計算、または取得されることができる。
成分のパラメータが、取得された後、１つ以上のピクセルのメンバーシップの確率が、計算される。メンバーシップの確率は、ユーザ選択着目領域内のピクセル毎に計算されることができる。特定の特徴を有するピクセルは、標識されることができる。ある場合には、最大確率または規定された閾値を上回る確率を有するピクセルは、標識されることができる。ある場合には、１つを上回るピクセルが、最大確率を有するとして標識されることができる、または規定された閾値を上回る確率が、標識されることができる。
音速画像、反射画像、およびウエハ画像上で混合ガウスモデルを使用した結果の実施例は、図１８に示される。パネル（ａ）は、音速画像を描写し、パネル（ｂ）は、反射画像を描写し、パネル（ｃ）は、ウエハ画像を描写する。パネル（ｄ）は、混合ガウスモデルを使用してセグメント化されている、反射画像を描写する。パネル（ｅ）は、放射線科医によって手動でセグメント化されている、反射画像を描写する。パネル（ｆ）は、セグメント化から作成されたマスク（白色）と放射線科医による手動セグメント化から作成されたマスク（灰色）の比較を描写する。
適応ファジィＣ平均法自動セグメント化が、各ｙ＿ｉがピクセルの強度である、画像ｙ＝（ｙ＿１，．．．，ｙ＿Ｎ）上で実施されることができる。ｘ＿ｉがバイナリである、標識Ｘ＝（ｘ＿１，．．．，ｘ＿Ｎ）の構成が、推測されることができる。標識は、例えば、以下の最小限化アルゴリズムを使用して推測されることができる。
式中、ｙデータは、ｍ次元空間内で入力することができ、Ｎは、データアイテムの数であって、ｃは、クラスタの数であって、Ｕｊｉは、クラスタＪに対するｊ番目のピクセルのメンバーシップの程度であり得、ＮＲは、基数であり得、ｙｒは、ｙｉの近隣を表し得、Ｎｉは、ピクセルｙｉの周囲の窓内に常駐し得る、近隣のセットであり得、ａは、近隣の項の影響を制御し得る、パラメータであり得る。ある場合には、ｕは、以下のように計算されることができる。
式中、ｘｉは、クラスタに対する最大Ｕｊｉを見出すことによって取得されることができる。
音速画像、反射画像、およびウエハ画像上で適応ファジィＣ平均法を使用した結果の実施例は、図１９に示される。パネル（ａ）は、音速画像を描写し、パネル（ｂ）は、反射画像を描写し、パネル（ｃ）は、ウエハ画像を描写する。パネル（ｄ）は、適応ファジィＣ平均法を使用してセグメント化されている、反射画像を描写する。パネル（ｅ）は、放射線科医によって手動でセグメント化されている、反射画像を描写する。パネル（ｆ）は、セグメント化から作成されたマスク（白色）と放射線科医による手動セグメント化から作成されたマスク（灰色）の比較を描写する。
ある場合には、３つのセグメント化方法、典型的には、自動セグメント化方法が、画像に適用されることができる。いくつかのそのような場合では、３つの自動セグメント化方法は、マルコフ確率場、混合ガウスモデル、および適応ファジィＣ平均法であることができる。ある場合には、他のセグメント化または自動セグメント化方法またはアルゴリズムが、３つのセグメント化画像のうちの１つであることができる。
ピクセル毎投票技法が、例えば、ピクセル毎に、ピクセルが病変の一部であるかどうかを決定するとき、各セグメント化結果が検討され得るように、適用されることができる。ピクセル毎投票技法は、例えば、加算によって、セグメント化アルゴリズムのセグメント化結果を組み合わせることができる。ピクセル毎投票技法の略図は、図２０に図示される。
実施例として、マルコフ確率場セグメント化、混合ガウスモデルセグメント化、および適応ファジィＣ平均法セグメント化から導出されるマスクが、入手されることができる。ある場合には、マスクは、バイナリであることができる。そのような場合では、ピクセルが、「１」の値を有する場合、そのピクセルは、病変の一部として示され得る一方、ピクセルが、「０」の値を有する場合、そのピクセルは、病変の一部ではないものとして示され得る。３つのマスクが、加算され、投票行列をもたらすことができる。投票行列は、０、１、２、または３に等しい値を有する、ピクセルを含むことができる。ある場合には、ピクセル値が、０である場合、ピクセルは、任意のマスク内の病変の一部であるように示されない。ピクセル値が、１である場合、１つの自動セグメント化アルゴリズムは、ピクセルが病変の一部であることを示す、結果をもたらした。ピクセル値が、２である場合、２つの自動セグメント化アルゴリズムが、ピクセルが病変の一部であることを示す、結果をもたらした。ピクセル値が、３である場合、３つの自動セグメント化アルゴリズムが病変の一部であることを示す、結果をもたらした。
投票行列のピクセル値が、少なくとも閾値である場合、そのピクセルは、病変の一部と見なされることができる。ある場合には、閾値は、１であることができ、その場合、ピクセルは、１つのみのアルゴリズムにおいて識別され得る。ある場合には、閾値は、２であることができ、その場合、ピクセルは、３つのアルゴリズムのうちの２つによって識別され得る（例えば、３つのアルゴリズムのうちの２つが一致する）。ある場合には、閾値は、３であることができ、その場合、ピクセルは、全３つのアルゴリズムによって識別され得る（例えば、全３つのアルゴリズムが一致する）。
ピクセルが、最終マスクにおいて少なくとも閾値である場合、そのピクセルは、１の値を割り当てられることができる。そうでなければ、ピクセルは、０の値を割り当てられることができる。最終マスクは、全３つの自動セグメント化アルゴリズムからの情報を含み得る、病変の場所を示すマスクであり得る。
ピクセル毎投票技法は、２次元画像または３次元画像に適用されることができる。ある場合には、ピクセル毎投票技法は、３次元画像に近似する、３次元領域の複数の２次元画像に適用されることができる。
例えば、マスクは、セグメント化結果毎に作成され、マルコフ確率場マスク、混合ガウスモデルマスク、および適応ファジィＣ平均法マスクをもたらすことができる。
（病変分析ツール）
ある場合には、病変は、図２１に描写されるもの等のツールによって分析されることができる。入力画像は、音速画像、反射画像、またはウエハ画像であることができる。ある場合には、入力は、音速画像および反射画像であることができる。ある場合には、入力は、音速画像およびウエハ画像であることができる。ある場合には、入力は、反射画像およびウエハ画像であることができる。ある場合には、入力は、音速画像、反射画像、およびウエハ画像であることができる。
ある場合には、病変は、図２１に描写されるもの等のツールによって分析されることができる。入力画像は、音速画像、反射画像、またはウエハ画像であることができる。ある場合には、入力は、音速画像および反射画像であることができる。ある場合には、入力は、音速画像およびウエハ画像であることができる。ある場合には、入力は、反射画像およびウエハ画像であることができる。ある場合には、入力は、音速画像、反射画像、およびウエハ画像であることができる。
入力画像は、本明細書に説明されるようにセグメント化されることができる。セグメント化は、例えば、病変、例えば、癌性病変または嚢胞または線維腺腫等の非癌性病変を識別するために実施されることができる。図２１では、セグメント化は、「クラスタアンサンブル」として示される。
画像は、マルコフ確率場アルゴリズム（ＭＲＦ）、混合ガウスモデルアルゴリズム（ＧＭＭ）、または適応ファジィＣ平均法アルゴリズム（ＡＦＣＭ）を介してセグメント化されることができる。ある場合には、画像は、個々に、全３つのアルゴリズム（ＭＲＦ、ＧＭＭ、およびＡＦＣＭ）によってセグメント化される。全３つのアルゴリズムが使用される、ある場合には、本明細書に説明されるもの等のピクセル毎投票技法が、病変（例えば、腫瘍）に属するピクセルを決定するために使用されることができる。
いったん病変が、セグメント化されると、特徴は、本明細書に説明されるもの等の容認可能方法によって抽出されることができる。ある場合には、テクスチャ特徴、鮮明度特徴、曖昧度特徴、形態学的特徴、または統計的特徴のうちの１つ以上のものが、抽出されることができる。１つを上回る特徴または特徴のタイプが、抽出される場合、抽出された特徴の組み合わせを使用して決定され得る、付加的特徴が、計算または導出されることができる。
特徴が、次いで、選択されることができる。例えば、最も正確に、精密に、または具体的に、病変を識別または分類し得る、特徴が、選択されることができる。本選択は、逐次変数増加法アルゴリズム等の容認可能アルゴリズムまたは方法によって達成されることができる。ある場合には、逐次変数増加法は、空のセットから開始することができ、目的関数を最大限にする、特徴を逐次追加することができる。アルゴリズムは、目的が最大値に収束するまで、または目的が反復の間に閾値より低い量だけ変化するまで、繰り返されることができる。ここでの閾値は、５％未満、１％未満、０．５％未満、０．１％未満、０．０５％未満、または０．０１％未満の変化であることができる。
逐次変数増加法アルゴリズムの代わりに、またはそれと組み合わせて使用され得る、他のアルゴリズムは、分枝限定法、分枝限定法を用いた近似画像モノトニシティ、ビームサーチ、逐次変数減少法、プラスＩマイナスｒ選択、双方向検索、逐次フローティング選択、ランダム生成と逐次選択、焼きなまし法、または遺伝子アルゴリズムを含むことができる。
病変は、分類されることができる。ある場合には、分類は、教師あり学習アルゴリズムを使用して実施されることができる。例えば、サポートベクトルマシンが、病変を分類するために使用されることができる。サポートベクトルマシンは、標識されたデータ入力（例えば、識別された特徴を有し、悪性度が既知である、データ）を使用して、新しい実施例を１つのカテゴリまたは別のカテゴリ（例えば、悪性または非悪性）に割り当て得る、モデルを構築することができる。
ある場合には、線形回帰、ロジスティック回帰、単純ベイズ、線形判別分析、決定木、ｋ−最近傍法アルゴリズム、ニューラルネットワーク、または類似性学習等の別の教師あり学習モデルが、病変を分類するために採用されることができる。
悪性度スコアが、提示されることができる。悪性度スコアは、病変が悪性または癌性である尤度を示し得る、スコアであることができる。ある場合には、悪性度スコアは、パーセンテージとして表されることができる。そのような悪性度スコアは、０％〜１００％の範囲であることができる。ある場合には、０％の悪性度スコアは、病変が悪性であることの０％機会を示すことができる。ある場合には、１００％の悪性度スコアは、病変が悪性であることの１００％機会を示すことができる。ある場合には、悪性度スコアは、ｘ％であることができ、ｘは、０〜１００（それらの値を含む）であることができ、これは、病変が悪性であることのｘ％機会を示すことができる。
ある場合には、病変分析ツールアルゴリズムは、感度または特異度を有することができる。そのようなツールの感度は、約８５％であることができる。そのようなツールの感度は、少なくとも、７５％、８０％、８５％、９０％、または９５％であることができる。そのようなツールの特異度は、約９０％であることができる。そのようなツールの特異度は、少なくとも、８０％、８５％、９０％、または９５％であることができる。ある場合には、特異度は、少なくとも３５％、少なくとも４０％、少なくとも５０％、少なくとも６０％、少なくとも７０％、少なくとも８０％、または少なくとも９０％であることができる。
選択されたＲＯＩは、予後パラメータのセットに基づく分類子モデルを使用して特性評価され得る。予後パラメータのセットは、組織の体積内の音伝搬に対応する１つまたは多くのタイプの音響データを含み得る。そのようなタイプの音響データは、限定ではないが、例えば、定量的音響データ（例えば、音響音速、音響減衰、および音響反射）、定量的形態学的データ（例えば、ＲＯＩの面積、直径、楕円率等）、および定質的形態学的データ（例えば、ユーザ評価パラメータ）を含む。加えて、または代替として、分類子モデルは、任意の予後パラメータおよび／または複数の予後パラメータの閾値を使用してもよい。予後パラメータの閾値は、病変タイプに固有の既知の値から選択されてもよい。予後パラメータの閾値は、ユーザによって選択されてもよい。予後パラメータの閾値は、コンピュータ実装アルゴリズムに基づいて選択されてもよい。選択された閾値および／または閾値の組み合わせは、病変の特性評価を改良するために、そのようなアルゴリズムによって最適化されてもよい。
方法２００のステップ２７０において、組織の体積内の病変が、予後パラメータを使用して特性評価され得る。予後パラメータは、着目領域を分類、予測、または別様に特性評価するために、分類子モデル内で使用されてもよい。分析は、着目領域が癌性腫瘤、良性線維腺腫、嚢胞、別の良性所見、識別不能腫瘤（例えば、いかなる所見も存在し得ない）、または任意の好適な特性評価または分類であり得るかどうかを予測し得る。しかしながら、分析は、加えて、および／または代替として、経時的に、または任意の好適な用途のために、１つ以上の予後パラメータの傾向を監視してもよい。予後パラメータを分析するステップは、定量的、半定量的、定質的、および／または拡張的であり得る複数の予後パラメータの分析を含んでもよい。
図２２Ａは、実施形態による、単一の予後パラメータの閾値を含む、例示的分類子モデル２２１０を示す。いくつかの実施形態では、予後パラメータＰ１は、整数スケールによる着目領域のマージン境界のユーザ選択分類を含む、拡張予後パラメータであってもよい。いくつかの実施形態では、分類子モデル２２１０は、組織の体積内の音伝搬と関連付けられる定質的または定量的予後パラメータに完全に基づいてもよい。他の実施形態では、分類子モデル２２１０は、１つの分類子モデルの出力が別のものの入力における予後パラメータとして使用され得るように、２２２０または２２３０等の別の分類子モデルと併せて使用されてもよい。
いくつかの実施形態では、ユーザ選択分類は、医療従事者等の熟練したオペレータによって実施されてもよく、他の実施形態では、ユーザ選択分類は、コンピュータ実装方法またはアルゴリズムによって補助されてもよい。いくつかの実施形態では、分類は、波形音速レンダリングの観察と併せて実施されてもよいが、しかしながら、分類は、音響音速、音響減衰、音響反射、および音速、音響減衰、および音響反射から生成された増強された画像等の任意の音響データタイプの画像またはレンダリングを使用して実施されてもよい。
いくつかの実施形態では、ユーザ選択分類は、主に、腫瘍形状、マージン、および隣接する組織との相互作用の査定に特化し得る、ＢＩ−ＲＡＤＳ基準等の既存の分類方法から査定されてもよい。ＢＩ−ＲＡＤＳにおける「付影処理」または「透過を通した増強」のような基準は、本明細書に説明される適用可能な超音波断層撮影方法に適用可能ではない場合がある。しかしながら、良性被嚢の正反射または多くの癌の棘状突起または構築上の歪曲等の他の基準は、超音波断層撮影を使用してより高感度に検出され得る。他の実施形態では、超音波断層撮影撮像のために最適化されている、適合されたユーザ選択分類システムが、実装されてもよい。そのような方法は、腫瘍マージンのためのＵＳ−ＢＩ−ＲＡＤＳ基準および腫瘍周囲組織相互作用を組み合わせる、５点スケール（マージン境界スコア）に基づいてもよい。
分類子モデル２２１０の例示的使用は、Ｐ１≧ａである場合、腫瘤が癌性として診断され得るような値ａにおけるオペレータ評価スコアに関する閾値を含む。例えば、実施例１は、予後パラメータＰ１および３の閾値に関する波形音速画像から評価されるマージン境界スコアを使用する診断結果を含む臨床データを含む。
分類子モデル２２１０の別の例示的使用は、Ｐ１＞ａである場合、腫瘤が癌性として診断され得るような値ａにおけるオペレータ評価スコアに関する閾値を含む。分類子モデル２２１０の別の例示的使用は、Ｐ１≦ａである場合、腫瘤が癌性として診断され得るような値ａにおけるオペレータ評価スコアに関する閾値を含む。分類子モデル２２１０の別の例示的使用は、Ｐ１＜ａである場合、腫瘤が癌性として診断され得るような値ａにおけるオペレータ評価スコアに関する閾値を含む。分類子モデル２２１０の別の例示的使用は、値ａの関数を評価するステップと、値ａの評価された関数に基づいて、腫瘤を癌性として診断するステップとを含む。
図２２Ｂは、実施形態による、内部予後パラメータおよび外部予後パラメータの閾値を含む、例示的分類子モデル２２２０を示す。いくつかの実施形態では、分類子モデル２２２０は、組織の体積内の音伝搬と関連付けられる定量的予後パラメータに完全に基づいてもよい。他の実施形態では、分類子モデル２２２０は、定量的、半定量的、および／または拡張予後パラメータの組み合わせ（例えば、マージン境界スコア）に基づいてもよい。他の実施形態では、分類子モデル２２２０は、１つの分類子モデルの出力が別のものの入力における予後パラメータとして使用され得るように、２２１０または９３０等の別の分類子モデルと併せて使用されてもよい。
分類子モデル２２２０の例示的使用は、Ｐ２≧ｂであり、Ｐ３≦ｃである場合、腫瘤が癌性として診断され得るような値ｂにおける内部予後パラメータＰ２および値ｃにおける外部予後パラメータＰ３に関する閾値を含む。例えば、実施例１は、０．０３４７の閾値を伴う予後パラメータＰ２に関する音響減衰に関する体積標準偏差を使用し、１．５１の閾値を伴う予後パラメータＰ３に関する着目領域の外部の（例えば、腫瘍周囲領域内の）音速に関する体積平均を使用する診断結果を含む臨床データを含む。
分類子モデル２２２０の別の例示的使用は、Ｐ２＞ｂであり、Ｐ３＞ｃである場合、腫瘤が癌性として診断され得るような値ｂにおける内部予後パラメータＰ２および値ｃにおける外部予後パラメータＰ３に関する閾値を含む。分類子モデル２２２０の別の例示的使用は、Ｐ２≦ｂであり、Ｐ３≦ｃである場合、腫瘤が癌性として診断され得るような値ｂにおける内部予後パラメータＰ２および値ｃにおける外部予後パラメータＰ３に関する閾値を含む。分類子モデル２２２０の別の例示的使用は、Ｐ２＜ｂであり、Ｐ３＜ｃである場合、腫瘤が癌性として診断され得るような値ｂにおける内部予後パラメータＰ２および値ｃにおける外部予後パラメータＰ３に関する閾値を含む。分類子モデル２２２０の別の例示的使用は、２つまたはそれ上回る変数（ｂ、ｃ、…）の関数または区分関数を評価するステップと、２つ以上の変数の評価された関数に基づいて、腫瘤を癌性として診断するステップとを含む。例えば、実施例１は、２つの変数、すなわち、腫瘍領域内の減衰の体積標準偏差および音速の体積標準偏差の関数に基づく診断のための臨床データを含む。
図２２Ｃは、実施形態による、腫瘤を評価するための混合された定質的かつ定量的メトリックを含む、例示的分類子モデル２２３０を示す。いくつかの実施形態では、分類子モデル２２３０は、組織の体積内の音伝搬と関連付けられる定量的予後パラメータに完全に基づいてもよい。他の実施形態では、分類子モデル２２２０は、定量的、半定量的、および／または拡張予後パラメータの組み合わせ（例えば、マージン境界スコア）に基づいてもよい。他の実施形態では、分類子モデル２２３０は、１つの分類子モデルの出力が別のものの入力における予後パラメータとして使用され得るように、２２１０または２２２０等の別の分類子モデルと併せて使用されてもよい。
分類子モデル２２３０の例示的使用は、ａおよびｄにおける２つの閾値を伴うオペレータ評価スコアＰ１、値ｅにおける内部予後パラメータＰ２、および値ｆにおける内部および外部予後パラメータの差異から計算される相対的予後パラメータＰ４を含む。オペレータ評価スコアＰ１がａを上回る、またはそれに等しい場合、腫瘤は、癌性として特性評価され得る。着目領域のオペレータ評価スコアがｄを上回り、ａを下回る場合、相対的予後パラメータＰ４はさらに、評価内に含まれ得る。Ｐ４の値がｆを上回る場合、病変は、癌性として特性評価され得る。オペレータ評価スコアＰ１がｄを下回る、またはそれに等しい場合、内部予後パラメータＰ２はさらに、モデル内に含まれ得る。Ｐ２の値がｅを上回る、またはそれに等しい場合、病変は、癌性として分類され得る。
分類子２２３０の上記の使用では、Ｐ１は、２および４における閾値を伴うマージン境界スコアであり得る。Ｐ１の値が３である場合、Ｐ４は、腫瘍領域内の体積平均増強反射率から遠隔腫瘍周囲領域内の体積平均増強反射率を引いたものに対応する予後パラメータであり得る。差異が≧−３４．６である場合、腫瘤は、癌性として評価され得る。Ｐ１が１または２である場合、Ｐ３は、着目領域内の補正された音響減衰の体積標準偏差であり得る。標準偏差が≧０．１５である場合、癌は、癌性として診断され得る。分類子モデル２２１０、２２２０、および２２３０は、モデル間で予後パラメータを共有するが、示される共有される予後パラメータは、１つの可能性として考えられる実施形態の実施例であり、各分類子モデルにおける例示的予後パラメータは、本明細書に開示されるもの等の任意の音響データタイプのものであり得る。
（プロセッサ）
いくつかの実施形態では、本明細書に説明されるプラットフォーム、システム、媒体、および方法は、デジタル処理デバイスまたは均等物、プロセッサを含む。さらなる実施形態では、プロセッサは、デバイスの機能を実行する、１つ以上のハードウェア中央処理ユニット（ＣＰＵ）、汎用グラフィックス処理ユニット（ＧＰＧＰＵ）を含む。またさらなる実施形態では、デジタル処理デバイスはさらに、実行可能命令を実施するように構成されるオペレーティングシステムを備える。いくつかの実施形態では、デジタル処理デバイスは、随意に、コンピュータネットワークに接続されてもよい。さらなる実施形態では、デジタル処理デバイスは、随意に、これがワールドワイドウェブにアクセスするように、インターネットに接続される。またさらなる実施形態では、デジタル処理デバイスは、随意に、クラウドコンピューティングインフラストラクチャに接続される。他の実施形態では、デジタル処理デバイスは、随意に、イントラネットに接続される。他の実施形態では、デジタル処理デバイスは、随意に、データ記憶デバイスに接続される。
いくつかの実施形態では、本明細書に説明されるプラットフォーム、システム、媒体、および方法は、デジタル処理デバイスまたは均等物、プロセッサを含む。さらなる実施形態では、プロセッサは、デバイスの機能を実行する、１つ以上のハードウェア中央処理ユニット（ＣＰＵ）、汎用グラフィックス処理ユニット（ＧＰＧＰＵ）を含む。またさらなる実施形態では、デジタル処理デバイスはさらに、実行可能命令を実施するように構成されるオペレーティングシステムを備える。いくつかの実施形態では、デジタル処理デバイスは、随意に、コンピュータネットワークに接続されてもよい。さらなる実施形態では、デジタル処理デバイスは、随意に、これがワールドワイドウェブにアクセスするように、インターネットに接続される。またさらなる実施形態では、デジタル処理デバイスは、随意に、クラウドコンピューティングインフラストラクチャに接続される。他の実施形態では、デジタル処理デバイスは、随意に、イントラネットに接続される。他の実施形態では、デジタル処理デバイスは、随意に、データ記憶デバイスに接続される。
本明細書の説明によると、好適なデジタル処理デバイスは、非限定的実施例として、サーバコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、ノートブックコンピュータ、サブノートブックコンピュータ、ネットブックコンピュータ、ネットパッドコンピュータ、セットトップコンピュータ、メディアストリーミングデバイス、ハンドヘルドコンピュータ、インターネットアプライアンス、モバイルスマートフォン、タブレットコンピュータ、携帯情報端末、ビデオゲームコンソール、および車両を含む。当業者は、多くのスマートフォンが、本明細書に説明されるシステムにおける使用のために好適であることを認識するであろう。当業者はまた、随意のコンピュータネットワークコネクティビティを伴うセレクトテレビ、ビデオプレーヤ、およびデジタル音楽プレーヤが、本明細書に説明されるシステムにおける使用のために好適であることを認識するであろう。好適なタブレットコンピュータは、当業者に公知である、ブックレット、スレート、およびコンバーティブル構成を伴うものを含む。
いくつかの実施形態では、プロセッサは、実行可能命令を実施するように構成されるオペレーティングシステムを含む。オペレーティングシステムは、例えば、プログラムおよびデータを含むソフトウェアであり、これは、デバイスのハードウェアを管理し、アプリケーションの実行に関するサービスを提供する。当業者は、好適なサーバオペレーティングシステムが、非限定的実施例として、ＦｒｅｅＢＳＤ、ＯｐｅｎＢＳＤ、ＮｅｔＢＳＤ（登録商標）、Ｌｉｎｕｘ（登録商標）、Ａｐｐｌｅ（登録商標） Ｍａｃ ＯＳ Ｘ Ｓｅｒｖｅｒ（登録商標）、Ｏｒａｃｌｅ（登録商標） Ｓｏｌａｒｉｓ（登録商標）、Ｗｉｎｄｏｗｓ Ｓｅｒｖｅｒ（登録商標）、およびＮｏｖｅｌｌ（登録商標） ＮｅｔＷａｒｅ（登録商標）を含むことを認識するであろう。当業者は、好適なパーソナルコンピュータオペレーティングシステムが、非限定的実施例として、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｗｉｎｄｏｗｓ（登録商標）、Ａｐｐｌｅ（登録商標） Ｍａｃ ＯＳ Ｘ（登録商標）、ＵＮＩＸ（登録商標）、およびＧＮＵ／Ｌｉｎｕｘ（登録商標）等のＵＮＩＸ（登録商標）のようなオペレーティングシステムを含むことを認識するであろう。いくつかの実施形態では、オペレーティングシステムは、クラウドコンピューティングによって提供される。当業者はまた、好適なモバイルスマートフォンオペレーティングシステムが、非限定的実施例として、Ｎｏｋｉａ（登録商標） Ｓｙｍｂｉａｎ（登録商標） ＯＳ、Ａｐｐｌｅ（登録商標） ｉＯＳ（登録商標）、Ｒｅｓｅａｒｃｈ Ｉｎ Ｍｏｔｉｏｎ（登録商標） ＢｌａｃｋＢｅｒｒｙ ＯＳ（登録商標）、Ｇｏｏｇｌｅ（登録商標） Ａｎｄｒｏｉｄ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｗｉｎｄｏｗｓ Ｐｈｏｎｅ（登録商標） ＯＳ、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｗｉｎｄｏｗｓ Ｍｏｂｉｌｅ（登録商標） ＯＳ、Ｌｉｎｕｘ（登録商標）、およびＰａｌｍ（登録商標） ＷｅｂＯＳ（登録商標）を含むことを認識するであろう。当業者はまた、好適なメディアストリーミングデバイスオペレーティングシステムが、非限定的実施例として、Ａｐｐｌｅ ＴＶ（登録商標）、Ｒｏｋｕ（登録商標）、Ｂｏｘｅｅ（登録商標）、Ｇｏｏｇｌｅ ＴＶ（登録商標）、Ｇｏｏｇｌｅ Ｃｈｒｏｍｅｃａｓｔ（登録商標）、Ａｍａｚｏｎ Ｆｉｒｅ（登録商標）、およびＳａｍｓｕｎｇ（登録商標） ＨｏｍｅＳｙｎｃ（登録商標）を含むことを認識するであろう。当業者はまた、好適なビデオゲームコンソールオペレーティングシステムが、非限定的実施例として、Ｓｏｎｙ（登録商標） ＰＳ３（登録商標）、Ｓｏｎｙ（登録商標） ＰＳ４（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｘｂｏｘ３６０（登録商標）、Ｍｉｃｒｏｓｏｆｔ Ｘｂｏｘ Ｏｎｅ、Ｎｉｎｔｅｎｄｏ（登録商標） Ｗｉｉ（登録商標）、Ｎｉｎｔｅｎｄｏ（登録商標） Ｗｉｉ Ｕ（登録商標）、およびＯｕｙａ（登録商標）を含むことを認識するであろう。
いくつかの実施形態では、プロセッサは、記憶および／またはメモリデバイスを含む。記憶および／またはメモリデバイスは、一時的または永久的ベースでデータまたはプログラムを記憶するために使用される、１つ以上の物理的装置である。いくつかの実施形態では、本デバイスは、揮発性メモリであり、記憶された情報を維持するための電力を要求する。いくつかの実施形態では、本デバイスは、不揮発性メモリであり、プロセッサが給電されていないとき、記憶された情報を保持する。さらなる実施形態では、不揮発性メモリは、フラッシュメモリを含む。いくつかの実施形態では、不揮発性メモリは、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）を含む。いくつかの実施形態では、不揮発性メモリは、強誘電体ランダムアクセスメモリ（ＦＲＡＭ（登録商標））を含む。いくつかの実施形態では、不揮発性メモリは、相変化ランダムアクセスメモリ（ＰＲＡＭ）を含む。他の実施形態では、本デバイスは、非限定的実施例として、ＣＤ−ＲＯＭ、ＤＶＤ、フラッシュメモリデバイス、磁気ディスクドライブ、磁気テープドライブ、光学ディスクドライブ、およびクラウドコンピューティングベースの記憶装置を含む記憶デバイスである。さらなる実施形態では、記憶および／またはメモリデバイスは、本明細書に開示されるもの等のデバイスの組み合わせである。
いくつかの実施形態では、プロセッサは、視覚情報をユーザに送信するためのディスプレイを含む。いくつかの実施形態では、ディスプレイは、液晶ディスプレイ（ＬＣＤ）である。さらなる実施形態では、ディスプレイは、薄膜トランジスタ液晶ディスプレイ（ＴＦＴ−ＬＣＤ）である。いくつかの実施形態では、ディスプレイは、有機発光ダイオード（ＯＬＥＤ）ディスプレイである。種々のさらなる実施形態では、ＯＬＥＤディスプレイ上には、パッシブマトリクスＯＬＥＤ（ＰＭＯＬＥＤ）またはアクティブマトリクスＯＬＥＤ（ＡＭＯＬＥＤ）ディスプレイがある。いくつかの実施形態では、ディスプレイは、プラズマディスプレイである。他の実施形態では、ディスプレイは、ビデオプロジェクタである。さらに他の実施形態では、ディスプレイは、ＶＲヘッドセット等のプロセッサと通信する、頭部搭載型ディスプレイである。さらなる実施形態では、好適なＶＲヘッドセットは、非限定的実施例として、ＨＴＣ Ｖｉｖｅ、Ｏｃｕｌｕｓ Ｒｉｆｔ、Ｓａｍｓｕｎｇ Ｇｅａｒ ＶＲ、Ｍｉｃｒｏｓｏｆｔ ＨｏｌｏＬｅｎｓ、Ｒａｚｅｒ ＯＳＶＲ、ＦＯＶＥ ＶＲ、Ｚｅｉｓｓ ＶＲ Ｏｎｅ、Ａｖｅｇａｎｔ Ｇｌｙｐｈ、Ｆｒｅｅｆｌｙ ＶＲヘッドセット、および同等物を含む。またさらなる実施形態では、ディスプレイは、本明細書に開示されるもの等のデバイスの組み合わせである。
いくつかの実施形態では、プロセッサは、情報をユーザから受信するための入力デバイスを含む。いくつかの実施形態では、入力デバイスは、キーボードである。いくつかの実施形態では、入力デバイスは、非限定的実施例として、マウス、トラックボール、トラックパッド、ジョイスティック、ゲームコントローラ、またはスタイラスを含むポインティングデバイスである。いくつかの実施形態では、入力デバイスは、タッチスクリーンまたはマルチタッチスクリーンである。他の実施形態では、入力デバイスは、声または他の音声入力を捕捉するためのマイクロホンである。他の実施形態では、入力デバイスは、運動または視覚入力を捕捉するためのビデオカメラまたは他のセンサである。さらなる実施形態では、入力デバイスは、Ｋｉｎｅｃｔ、Ｌｅａｐ Ｍｏｔｉｏｎ、または同等物である。またさらなる実施形態では、入力デバイスは、本明細書に開示されるもの等のデバイスの組み合わせである。
図２３を参照すると、特定の実施形態では、例示的プロセッサ１１０は、ＲＯＩの生成、特徴抽出、特徴選択、分類子モデル生成または適合、モデル正確度の評価、モデルのオンライン使用等を可能にするように、プログラムされるかまたは別様に構成される。プロセッサ１１０は、例えば、特徴選択、ＲＯＩ生成、特徴抽出等の本開示の種々の側面を調整することができる。本実施形態では、プロセッサ１１０は、中央処理ユニット（ＣＰＵ、また、本明細書では、「プロセッサ」および「コンピュータプロセッサ」）２３０５を含み、これは、シングルコアまたはマルチコアプロセッサまたは並列処理のための複数のプロセッサであることができる。プロセッサ１１０はまた、メモリまたはメモリ場所２３１０（例えば、ランダムアクセスメモリ、読取専用メモリ、フラッシュメモリ）と、電子記憶ユニット２３１５（例えば、ハードディスク）と、１つ以上の他のシステム、およびキャッシュ、他のメモリ、データ記憶装置、および／または電子ディスプレイアダプタ等の周辺デバイスと通信するための通信インターフェース２３２０（例えば、ネットワークアダプタ、ネットワークインターフェース）とを含む。周辺デバイスは、記憶デバイスまたは記憶媒体１２６５を含むことができ、これは、記憶装置インターフェース１２７０を介して、デバイスの残りと通信する。メモリ２３１０、記憶ユニット２３１５、インターフェース２３２０、および周辺デバイスは、マザーボード等の通信バス２３２５を通して、ＣＰＵ２３０５と通信する。記憶ユニット２３１５は、データを記憶するためのデータ記憶ユニット（またはデータリポジトリ）であることができる。プロセッサ１１０は、通信インターフェース２３２０を用いて、コンピュータネットワーク（「ネットワーク」）２３３０に動作可能に結合されることができる。ネットワーク２３３０は、インターネット、インターネットおよび／またはエクストラネット、またはインターネットと通信する、イントラネットおよび／またはエクストラネットであることができる。ネットワーク２３３０は、ある場合には、電気通信および／またはデータネットワークである。ネットワーク２３３０は、１つ以上のコンピュータサーバを含むことができ、これは、クラウドコンピューティング等の分散型コンピューティングを可能にすることができる。ネットワーク２３３０は、ある場合には、デバイス１１０を用いて、ピアツーピアネットワークを実装することができ、これは、デバイス１１０に結合されるデバイスがクライアントまたはサーバとして挙動することを可能にし得る。
継続して図２３を参照すると、プロセッサ１１０は、ユーザからの情報を受信するための入力デバイス１４５を含み、入力デバイスは、入力インターフェース１２５０を介して、デバイスの他の要素と通信する。プロセッサ１１０は、出力インターフェース１２６０を介してデバイスの他の要素に通信する、出力デバイス１２５５を含むことができる。
継続して図２３を参照すると、メモリ２３１０は、限定ではないが、ランダムアクセスメモリコンポーネント（例えば、ＲＡＭ）（例えば、静的ＲＡＭ「ＳＲＡＭ」、動的ＲＡＭ「ＤＲＡＭ等）、または読取専用コンポーネント（例えば、ＲＯＭ）を含む、種々のコンポーネント（例えば、機械可読媒体）を含んでもよい。メモリ１１０はまた、デバイス始動の際等、プロセッサ内の要素間で情報を伝達することに役立つ、基本ルーチンを含む、基本入力／出力システム（ＢＩＯＳ）を含むことができ、これは、メモリ２３１０内に記憶され得る。
継続して図２３を参照すると、ＣＰＵ２３０５は、機械可読命令のシーケンスを実行することができ、これは、プログラムまたはソフトウェアにおいて具現化されることができる。命令は、メモリ２３１０等のメモリ場所内に記憶され得る。命令は、ＣＰＵ２３０５に指向されることができ、これは、続けて、本開示の方法を実装するようにＣＰＵ２３０５をプログラムまたは別様に構成することができる。ＣＰＵ２３０５によって実施される動作の実施例は、フェッチ、デコード、実行、およびライトバックを含むことができる。ＣＰＵ２３０５は、集積回路等の回路の部分であり得る。デバイス１１０の１つ以上の他のコンポーネントが、回路内に含まれることができる。ある場合には、回路は、特定用途向け集積回路（ＡＳＩＣ）またはフィールドプログラマブルゲートアレイ（ＦＰＧＡ）である。
継続して図２３を参照すると、記憶ユニット２３１５は、ドライバ、ライブラリ、および保存されたプログラム等のファイルを記憶することができる。記憶ユニット２３１５は、ユーザデータ、例えば、ユーザ選好およびユーザプログラムを記憶することができる。プロセッサ １１０は、ある場合には、イントラネットまたはインターネットを通して通信する遠隔サーバ上に位置する等、外部にある１つ以上の付加的データ記憶ユニットを含むことができる。記憶ユニット２３１５はまた、オペレーティングシステム、アプリケーションプログラム、および同等物を記憶するために使用されることができる。随意に、記憶ユニット２３１５は、プロセッサと除去可能にインターフェースがとられてもよい（例えば、外部ポートコネクタ（図示せず）を介して、および／または記憶ユニットインターフェースを介して）。ソフトウェアは、完全または部分的に、記憶ユニット２３１５内または外のコンピュータ可読記憶媒体内に常駐してもよい。別の実施例では、ソフトウェアは、完全または部分的に、プロセッサ２３０５内に常駐してもよい。
継続して図２３を参照すると、プロセッサ１１０は、ネットワーク２３３０を通して１つ以上の遠隔コンピュータシステム１２０２と通信することができる。例えば、デバイス１１０は、ユーザの遠隔コンピュータシステムと通信することができる。遠隔コンピュータシステムの実施例は、パーソナルコンピュータ（例えば、ポータブルＰＣ）、スレートまたはタブレットＰＣ（例えば、Ａｐｐｌｅ（登録商標） ｉＰａｄ（登録商標）、Ｓａｍｓｕｎｇ（登録商標） Ｇａｌａｘｙ Ｔａｂ）、電話、スマートフォン（例えば、Ａｐｐｌｅ（登録商標） ｉＰｈｏｎｅ（登録商標）、Ａｎｄｒｏｉｄ対応デバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標））、または携帯情報端末を含む。
継続して図２３を参照すると、情報およびデータは、ディスプレイ２３３５を通して、ユーザに表示されることができる。ディスプレイは、インターフェース１９０を介して、バス２３２５に接続され、ディスプレイとデバイス１１０の他の要素との間のデータの搬送は、インターフェース１９０を介して制御されることができる。
本明細書に説明されるような方法は、例えば、メモリ２３１０または電子記憶ユニット２３１５上等、プロセッサ１１０の電子記憶場所上に記憶される機械（例えば、コンピュータプロセッサ）実行可能コードを用いて実装されることができる。機械実行可能または機械可読コードは、ソフトウェアの形態において提供されることができる。使用中、コードは、プロセッサ２３０５によって実行されることができる。ある場合には、コードは、記憶ユニット２３１５から読み出され、プロセッサ２３０５による迅速なアクセスのためにメモリ２３１０上に記憶されることができる。いくつかの状況では、電子記憶ユニット２３１５は、除外されることができ、機械実行可能命令が、メモリ２３１０上に記憶される。
（非一過性コンピュータ可読記憶媒体）
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、随意にネットワーク化されるプロセッサのオペレーティングシステムによって実行可能な命令を含むプログラムを用いてエンコードされる、１つ以上の非一過性コンピュータ可読記憶媒体を含む。さらなる実施形態では、コンピュータ可読記憶媒体は、プロセッサの有形コンポーネントである。またさらなる実施形態では、コンピュータ可読記憶媒体は、随意に、プロセッサから可撤性である。いくつかの実施形態では、コンピュータ可読記憶媒体は、非限定的実施例として、ＣＤ−ＲＯＭ、ＤＶＤ、フラッシュメモリデバイス、ソリッドステートメモリ、磁気ディスクドライブ、磁気テープドライブ、光学ディスクドライブ、クラウドコンピューティングシステムおよびサービス、および同等物を含む。ある場合には、プログラムおよび命令は、恒久的に、実質的に恒久的に、半恒久的に、または非一過性的に媒体上でエンコードされる。
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、随意にネットワーク化されるプロセッサのオペレーティングシステムによって実行可能な命令を含むプログラムを用いてエンコードされる、１つ以上の非一過性コンピュータ可読記憶媒体を含む。さらなる実施形態では、コンピュータ可読記憶媒体は、プロセッサの有形コンポーネントである。またさらなる実施形態では、コンピュータ可読記憶媒体は、随意に、プロセッサから可撤性である。いくつかの実施形態では、コンピュータ可読記憶媒体は、非限定的実施例として、ＣＤ−ＲＯＭ、ＤＶＤ、フラッシュメモリデバイス、ソリッドステートメモリ、磁気ディスクドライブ、磁気テープドライブ、光学ディスクドライブ、クラウドコンピューティングシステムおよびサービス、および同等物を含む。ある場合には、プログラムおよび命令は、恒久的に、実質的に恒久的に、半恒久的に、または非一過性的に媒体上でエンコードされる。
（コンピュータプログラム）
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、少なくとも１つのコンピュータプログラムまたはその使用を含む。コンピュータプログラムは、プロセッサのＣＰＵにおいて実行可能であり、規定されたタスクを実施するように書き込まれる、命令のシーケンスを含む。コンピュータ可読命令は、特定のタスクを実施する、または特定の抽象データタイプを実装する、関数、オブジェクト、アプリケーションプログラミングインターフェース（ＡＰＩ）、データ構造、および同等物等のプログラムモジュールとして実装され得る。本明細書に提供される開示に照らして、当業者は、コンピュータプログラムが種々の言語の種々のバージョンにおいて書き込まれ得ることを認識するであろう。
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、少なくとも１つのコンピュータプログラムまたはその使用を含む。コンピュータプログラムは、プロセッサのＣＰＵにおいて実行可能であり、規定されたタスクを実施するように書き込まれる、命令のシーケンスを含む。コンピュータ可読命令は、特定のタスクを実施する、または特定の抽象データタイプを実装する、関数、オブジェクト、アプリケーションプログラミングインターフェース（ＡＰＩ）、データ構造、および同等物等のプログラムモジュールとして実装され得る。本明細書に提供される開示に照らして、当業者は、コンピュータプログラムが種々の言語の種々のバージョンにおいて書き込まれ得ることを認識するであろう。
コンピュータ可読命令の機能性は、種々の環境において所望に応じて組み合わせられる、または分散され得る。いくつかの実施形態では、コンピュータプログラムは、命令の１つのシーケンスを含む。いくつかの実施形態では、コンピュータプログラムは、命令の複数のシーケンスを含む。いくつかの実施形態では、コンピュータプログラムは、１つの場所から提供される。他の実施形態では、コンピュータプログラムは、複数の場所から提供される。種々の実施形態では、コンピュータプログラムは、１つ以上のソフトウェアモジュールを含む。種々の実施形態では、コンピュータプログラムは、部分的または全体的に、１つ以上のウェブアプリケーション、１つ以上のモバイルアプリケーション、１つ以上のスタンドアロンアプリケーション、１つ以上のウェブブラウザプラグイン、拡張、アドイン、またはアドオン、またはそれらの組み合わせを含む。
（ウェブアプリケーション）
いくつかの実施形態では、コンピュータプログラムは、ウェブアプリケーションを含む。本明細書に提供される本開示に照らして、当業者は、ウェブアプリケーションが、種々の実施形態において、１つ以上のソフトウェアフレームワークと、１つ以上のデータベースシステムとを利用することを認識するであろう。いくつかの実施形態では、ウェブアプリケーションは、Ｍｉｃｒｏｓｏｆｔ（登録商標） ．ＮＥＴまたはＲｕｂｙ ｏｎ Ｒａｉｌｓ（ＲｏＲ）等のソフトウェアフレームワークに応じて作成される。いくつかの実施形態では、ウェブアプリケーションは、非限定的実施例として、関係、非関係、オブジェクト指向、連想、およびＸＭＬデータベースシステムを含む、１つ以上のデータベースシステムを利用する。さらなる実施形態では、好適な関係データベースシステムは、非限定的実施例として、Ｍｉｃｒｏｓｏｆｔ（登録商標） ＳＱＬ Ｓｅｒｖｅｒ、ｍｙＳＱＬＴＭ、およびＯｒａｃｌｅ（登録商標）を含む。当業者はまた、ウェブアプリケーションが、種々の実施形態において、１つ以上の言語の１つ以上のバージョンで記述されることを認識するであろう。ウェブアプリケーションは、１つ以上のマークアップ言語、プレゼンテーション定義言語、クライアント側スクリプト言語、サーバ側コーディング言語、データベースクエリ言語、またはそれらの組み合わせで記述されてもよい。いくつかの実施形態では、ウェブアプリケーションは、ある程度、ハイパーテキストマークアップ言語（ＨＴＭＬ）、拡張ハイパーテキストマークアップ言語（ＸＨＴＭＬ）、または拡張マークアップ言語（ＸＭＬ）等のマークアップ言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、カスケーディングスタイルシート（ＣＳＳ）等のプレゼンテーション定義言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、非同期ＪａｖａｓｃｒｉｐｔおよびＸＭＬ（ＡＪＡＸ）、Ｆｌａｓｈ（登録商標） Ａｃｔｉｏｎｓｃｒｉｐｔ、Ｊａｖａｓｃｒｉｐｔ、またはＳｉｌｖｅｒｌｉｇｈｔ（登録商標）等のクライアント側スクリプト言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、Ａｃｔｉｖｅ Ｓｅｒｖｃｅｒ Ｐａｇｅｓ（ＡＳＰ）、ＣｏｌｄＦｕｓｉｏｎ（登録商標）、Ｐｅｒｌ、ＪａｖａＴＭ、ＪａｖａＳｅｒｖｅｒ Ｐａｇｅｓ（ＪＳＰ）、Ｈｙｐｅｒｔｅｘｔ Ｐｒｅｐｒｏｃｅｓｓｏｒ（ＰＨＰ）、ＰｙｔｈｏｎＴＭ、Ｒｕｂｙ、Ｔｃｌ、Ｓｍａｌｌｔａｌｋ、ＷｅｂＤＮＡ（登録商標）、またはＧｒｏｏｖｙ等のサーバ側コーディング言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、構造化クエリ言語（ＳＱＬ）等のデータベースクエリ言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ＩＢＭ（登録商標） Ｌｏｔｕｓ Ｄｏｍｉｎｏ（登録商標）等の企業サーバ製品を統合する。いくつかの実施形態では、ウェブアプリケーションは、メディアプレーヤ要素を含む。種々のさらなる実施形態では、メディアプレーヤ要素は、非限定的実施例として、Ａｄｏｂｅ（登録商標） Ｆｌａｓｈ（登録商標）、ＨＴＭＬ５、Ａｐｐｌｅ（登録商標） ＱｕｉｃｋＴｉｍｅ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｓｉｌｖｅｒｌｉｇｈｔ（登録商標）、ＪａｖａＴＭ、およびＵｎｉｔｙ（登録商標）を含む、多くの好適なマルチメディア技術のうちの１つ以上のものを利用する。
いくつかの実施形態では、コンピュータプログラムは、ウェブアプリケーションを含む。本明細書に提供される本開示に照らして、当業者は、ウェブアプリケーションが、種々の実施形態において、１つ以上のソフトウェアフレームワークと、１つ以上のデータベースシステムとを利用することを認識するであろう。いくつかの実施形態では、ウェブアプリケーションは、Ｍｉｃｒｏｓｏｆｔ（登録商標） ．ＮＥＴまたはＲｕｂｙ ｏｎ Ｒａｉｌｓ（ＲｏＲ）等のソフトウェアフレームワークに応じて作成される。いくつかの実施形態では、ウェブアプリケーションは、非限定的実施例として、関係、非関係、オブジェクト指向、連想、およびＸＭＬデータベースシステムを含む、１つ以上のデータベースシステムを利用する。さらなる実施形態では、好適な関係データベースシステムは、非限定的実施例として、Ｍｉｃｒｏｓｏｆｔ（登録商標） ＳＱＬ Ｓｅｒｖｅｒ、ｍｙＳＱＬＴＭ、およびＯｒａｃｌｅ（登録商標）を含む。当業者はまた、ウェブアプリケーションが、種々の実施形態において、１つ以上の言語の１つ以上のバージョンで記述されることを認識するであろう。ウェブアプリケーションは、１つ以上のマークアップ言語、プレゼンテーション定義言語、クライアント側スクリプト言語、サーバ側コーディング言語、データベースクエリ言語、またはそれらの組み合わせで記述されてもよい。いくつかの実施形態では、ウェブアプリケーションは、ある程度、ハイパーテキストマークアップ言語（ＨＴＭＬ）、拡張ハイパーテキストマークアップ言語（ＸＨＴＭＬ）、または拡張マークアップ言語（ＸＭＬ）等のマークアップ言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、カスケーディングスタイルシート（ＣＳＳ）等のプレゼンテーション定義言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、非同期ＪａｖａｓｃｒｉｐｔおよびＸＭＬ（ＡＪＡＸ）、Ｆｌａｓｈ（登録商標） Ａｃｔｉｏｎｓｃｒｉｐｔ、Ｊａｖａｓｃｒｉｐｔ、またはＳｉｌｖｅｒｌｉｇｈｔ（登録商標）等のクライアント側スクリプト言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、Ａｃｔｉｖｅ Ｓｅｒｖｃｅｒ Ｐａｇｅｓ（ＡＳＰ）、ＣｏｌｄＦｕｓｉｏｎ（登録商標）、Ｐｅｒｌ、ＪａｖａＴＭ、ＪａｖａＳｅｒｖｅｒ Ｐａｇｅｓ（ＪＳＰ）、Ｈｙｐｅｒｔｅｘｔ Ｐｒｅｐｒｏｃｅｓｓｏｒ（ＰＨＰ）、ＰｙｔｈｏｎＴＭ、Ｒｕｂｙ、Ｔｃｌ、Ｓｍａｌｌｔａｌｋ、ＷｅｂＤＮＡ（登録商標）、またはＧｒｏｏｖｙ等のサーバ側コーディング言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ある程度、構造化クエリ言語（ＳＱＬ）等のデータベースクエリ言語で記述される。いくつかの実施形態では、ウェブアプリケーションは、ＩＢＭ（登録商標） Ｌｏｔｕｓ Ｄｏｍｉｎｏ（登録商標）等の企業サーバ製品を統合する。いくつかの実施形態では、ウェブアプリケーションは、メディアプレーヤ要素を含む。種々のさらなる実施形態では、メディアプレーヤ要素は、非限定的実施例として、Ａｄｏｂｅ（登録商標） Ｆｌａｓｈ（登録商標）、ＨＴＭＬ５、Ａｐｐｌｅ（登録商標） ＱｕｉｃｋＴｉｍｅ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標） Ｓｉｌｖｅｒｌｉｇｈｔ（登録商標）、ＪａｖａＴＭ、およびＵｎｉｔｙ（登録商標）を含む、多くの好適なマルチメディア技術のうちの１つ以上のものを利用する。
図２４を参照すると、特定の実施形態では、アプリケーションプロビジョニングシステムは、関係データベース管理システム（ＲＤＢＭＳ）２４１０によってアクセスされる、１つ以上のデータベース２４００を備える。好適なＲＤＢＭＳは、Ｆｉｒｅｂｉｒｄ、ＭｙＳＱＬ、ＰｏｓｔｇｒｅＳＱＬ、ＳＱＬｉｔｅ、Ｏｒａｃｌｅ Ｄａｔａｂａｓｅ、Ｍｉｃｒｏｓｏｆｔ ＳＱＬ Ｓｅｒｖｅｒ、ＩＢＭ ＤＢ２、ＩＢＭ Ｉｎｆｏｒｉｘ、ＳＡＰ Ｓｙｂａｓｅ、ＳＡＰ Ｓｙｂａｓｅ、Ｔｅｒａｄａｔａ、および同等物を含む。本実施形態では、アプリケーションプロビジョニングシステムはさらに、１つ以上のアプリケーションサーバ２４２０（Ｊａｖａ（登録商標）サーバ、．ＮＥＴサーバ、ＰＨＰサーバ、および同等物等）および１つ以上のウェブサーバ２４３０（Ａｐａｃｈｅ、ＩＩＳ、ＧＷＳ、および同等物等）を備える。ウェブサーバは、随意に、ａｐｐアプリケーションプログラミングインターフェース（ＡＰＩ）２４４０を介して、１つ以上のウェブサービスをエクスポーズする。インターネット等のネットワークを介して、システムは、ブラウザベースおよび／またはモバイルネイティブユーザインターフェースを提供する。
図２５を参照すると、特定の実施形態では、アプリケーションプロビジョニングシステムは、代替として、分散型のクラウドベースのアーキテクチャ２５００を有し、エラスティックに負荷平衡される、自動スケーリングウェブサーバリソース２５１０およびアプリケーションサーバリソース２５２０および同期して複製されるデータベース２５３０を備える。
（モバイルアプリケーション）
いくつかの実施形態では、コンピュータプログラムは、モバイルプロセッサに提供される、モバイルアプリケーションを含む。いくつかの実施形態では、モバイルアプリケーションは、製造時に、モバイルプロセッサに提供される。他の実施形態では、モバイルアプリケーションは、本明細書に説明されるコンピュータネットワークを介して、モバイルプロセッサに提供される。
いくつかの実施形態では、コンピュータプログラムは、モバイルプロセッサに提供される、モバイルアプリケーションを含む。いくつかの実施形態では、モバイルアプリケーションは、製造時に、モバイルプロセッサに提供される。他の実施形態では、モバイルアプリケーションは、本明細書に説明されるコンピュータネットワークを介して、モバイルプロセッサに提供される。
本明細書に提供される本開示に照らして、モバイルアプリケーションは、当該分野に公知のハードウェア、言語、および開発環境を使用して、当業者に公知の技法によって作成される。当業者は、モバイルアプリケーションが、いくつかの言語で記述されることを認識するであろう。好適なプログラミング言語は、非限定的実施例として、Ｃ、Ｃ＋＋、Ｃ＃、Ｏｂｊｅｃｔｉｖｅ−Ｃ、ＪａｖａＴＭ、Ｊａｖａｓｃｒｉｐｔ、Ｐａｓｃａｌ、Ｏｂｊｅｃｔ Ｐａｓｃａｌ、ＰｙｔｈｏｎＴＭ、Ｒｕｂｙ、ＶＢ．ＮＥＴ、ＷＭＬ、およびＣＳＳの有無にかかわらずＸＨＴＭＬ／ＨＴＭＬ、またはそれらの組み合わせを含む。
好適なモバイルアプリケーション開発環境は、いくつかのソースから利用可能である。市販の開発環境は、非限定的実施例として、ＡｉｒｐｌａｙＳＤＫ、ａｌｃｈｅＭｏ、Ａｐｐｃｅｌｅｒａｔｏｒ（登録商標）、Ｃｅｌｓｉｕｓ、Ｂｅｄｒｏｃｋ、ＦｌａｓｈＬｉｔｅ、．ＮＥＴ Ｃｏｍｐａｃｔ Ｆｒａｍｅｗｏｒｋ、Ｒｈｏｍｏｂｉｌｅ、およびＷｏｒｋＬｉｇｈｔ Ｍｏｂｉｌｅ Ｐｌａｔｆｏｒｍを含む。他の開発環境は、非限定的実施例として、Ｌａｚａｒｕｓ、ＭｏｂｉＦｌｅｘ、ＭｏＳｙｎｃ、およびＰｈｏｎｅｇａｐを含め、コストを伴わずに利用可能である。また、モバイルデバイス製造業者は、非限定的実施例として、ｉＰｈｏｎｅ（登録商標）およびｉＰａｄ（登録商標）（ｉＯＳ）ＳＤＫ、ＡｎｄｒｏｉｄＴＭ ＳＤＫ、ＢｌａｃｋＢｅｒｒｙ（登録商標） ＳＤＫ、ＢＲＥＷ ＳＤＫ、Ｐａｌｍ（登録商標） ＯＳ ＳＤＫ、Ｓｙｍｂｉａｎ ＳＤＫ、ｗｅｂＯＳ ＳＤＫ、およびＷｉｎｄｏｗｓ（登録商標） Ｍｏｂｉｌｅ ＳＤＫを含む、ソフトウェア開発者キットを配布している。
当業者は、非限定的実施例として、Ａｐｐｌｅ（登録商標） Ａｐｐ Ｓｔｏｒｅ、Ｇｏｏｇｌｅ（登録商標） Ｐｌａｙ、Ｃｈｒｏｍｅ ＷｅｂＳｔｏｒｅ、ＢｌａｃｋＢｅｒｒｙ（登録商標） Ａｐｐ Ｗｏｒｌｄ、Ａｐｐ Ｓｔｏｒｅ ｆｏｒ Ｐａｌｍ ｄｅｖｉｃｅｓ、Ａｐｐ Ｃａｔａｌｏｇ ｆｏｒ ｗｅｂＯＳ、Ｗｉｎｄｏｗｓ（登録商標） Ｍａｒｋｅｔｐｌａｃｅ ｆｏｒ Ｍｏｂｉｌｅ、Ｏｖｉ Ｓｔｏｒｅ ｆｏｒ Ｎｏｋｉａ（登録商標） ｄｅｖｉｃｅｓ、Ｓａｍｓｕｎｇ（登録商標） Ａｐｐｓ、およびＮｉｎｔｅｎｄｏ（登録商標） ＤＳｉ Ｓｈｏｐを含む、いくつかの商業用フォーラムが、モバイルアプリケーションの配布のために利用可能であることを認識するであろう。
（ソフトウェアモジュール）
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、ソフトウェア、サーバ、および／またはデータベースモジュール、またはその使用を含む。本明細書に提供される開示に照らして、ソフトウェアモジュールは、当技術分野に公知の機械、ソフトウェア、および言語を使用して、当業者に公知の技術によって作成される。本明細書に開示されるソフトウェアは、多数の方法において実装される。種々の実施形態では、ソフトウェアモジュールは、ファイル、コードのセクション、プログラミングオブジェクト、プログラミング構造、またはそれらの組み合わせを備える。さらに種々の実施形態では、ソフトウェアモジュールは、複数のフィアル、複数のコードのセクション、複数のプログラミングオブジェクト、複数のプログラミング構造、またはそれらの組み合わせを備える。種々の実施形態では、１つ以上のソフトウェアモジュールは、非限定的実施例として、ウェブアプリケーション、モバイルアプリケーション、スタンドアロンアプリケーションを備える。いくつかの 実施形態では、ソフトウェアモジュールは、１つのコンピュータプログラムまたはアプリケーション内にある。他の実施形態では、ソフトウェアモジュールは、１つを上回るコンピュータプログラムまたはアプリケーション内にある。いくつかの 実施形態では、ソフトウェアモジュールは、１つの機械上にホストされる。他の実施形態では、ソフトウェアモジュールは、１つを上回る機械上にホストされる。さらなる実施形態では、ソフトウェアモジュールは、クラウドコンピューティングプラットフォーム上にホストされる。いくつかの実施形態では、ソフトウェアモジュールは、１つの場所における１つ以上の機械上にホストされる。他の実施形態では、ソフトウェアモジュールは、１つを上回る場所における１つ以上の機械上にホストされる。
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、ソフトウェア、サーバ、および／またはデータベースモジュール、またはその使用を含む。本明細書に提供される開示に照らして、ソフトウェアモジュールは、当技術分野に公知の機械、ソフトウェア、および言語を使用して、当業者に公知の技術によって作成される。本明細書に開示されるソフトウェアは、多数の方法において実装される。種々の実施形態では、ソフトウェアモジュールは、ファイル、コードのセクション、プログラミングオブジェクト、プログラミング構造、またはそれらの組み合わせを備える。さらに種々の実施形態では、ソフトウェアモジュールは、複数のフィアル、複数のコードのセクション、複数のプログラミングオブジェクト、複数のプログラミング構造、またはそれらの組み合わせを備える。種々の実施形態では、１つ以上のソフトウェアモジュールは、非限定的実施例として、ウェブアプリケーション、モバイルアプリケーション、スタンドアロンアプリケーションを備える。いくつかの 実施形態では、ソフトウェアモジュールは、１つのコンピュータプログラムまたはアプリケーション内にある。他の実施形態では、ソフトウェアモジュールは、１つを上回るコンピュータプログラムまたはアプリケーション内にある。いくつかの 実施形態では、ソフトウェアモジュールは、１つの機械上にホストされる。他の実施形態では、ソフトウェアモジュールは、１つを上回る機械上にホストされる。さらなる実施形態では、ソフトウェアモジュールは、クラウドコンピューティングプラットフォーム上にホストされる。いくつかの実施形態では、ソフトウェアモジュールは、１つの場所における１つ以上の機械上にホストされる。他の実施形態では、ソフトウェアモジュールは、１つを上回る場所における１つ以上の機械上にホストされる。
（データベース）
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、１つ以上のデータベースまたはその使用を含む。本明細書に提供される開示に照らして、当業者は、多くのデータベースが、未加工画像データ、再構成された画像データ、ＲＯＩ、訓練データ、標識または分類、特徴、特徴のサブカテゴリ、機械学習アルゴリズム等の記憶および読出のために好適であることを認識するであろう。種々の実施形態では、好適なデータベースは、非限定的実施例として、関係データベース、非関係データベース、オブジェクト指向データベース、オブジェクトデータベース、エンティティ関係モデルデータベース、連想データベース、およびＸＭＬデータベースを含む。さらなる非限定的実施例は、ＳＱＬ、ＰｏｓｔｇｒｅＳＱＬ、ＭｙＳＱＬ、Ｏｒａｃｌｅ、ＤＢ２、およびＳｙｂａｓｅを含む。いくつかの実施形態では、データベースは、インターネットベースである。さらなる実施形態では、データベースは、ウェブベースである。またさらなる実施形態では、データベースは、クラウドコンピューティングベースである。他の実施形態では、データベースは、１つ以上のローカルコンピュータ記憶デバイスに基づく。
いくつかの実施形態では、本明細書に開示されるプラットフォーム、システム、媒体、および方法は、１つ以上のデータベースまたはその使用を含む。本明細書に提供される開示に照らして、当業者は、多くのデータベースが、未加工画像データ、再構成された画像データ、ＲＯＩ、訓練データ、標識または分類、特徴、特徴のサブカテゴリ、機械学習アルゴリズム等の記憶および読出のために好適であることを認識するであろう。種々の実施形態では、好適なデータベースは、非限定的実施例として、関係データベース、非関係データベース、オブジェクト指向データベース、オブジェクトデータベース、エンティティ関係モデルデータベース、連想データベース、およびＸＭＬデータベースを含む。さらなる非限定的実施例は、ＳＱＬ、ＰｏｓｔｇｒｅＳＱＬ、ＭｙＳＱＬ、Ｏｒａｃｌｅ、ＤＢ２、およびＳｙｂａｓｅを含む。いくつかの実施形態では、データベースは、インターネットベースである。さらなる実施形態では、データベースは、ウェブベースである。またさらなる実施形態では、データベースは、クラウドコンピューティングベースである。他の実施形態では、データベースは、１つ以上のローカルコンピュータ記憶デバイスに基づく。
（実施例）
以下の例証的実施例は、本明細書に説明されるソフトウェアアプリケーション、システム、および方法の実施形態を表し、任意の方法において限定されることを意味するものではない。
以下の例証的実施例は、本明細書に説明されるソフトウェアアプリケーション、システム、および方法の実施形態を表し、任意の方法において限定されることを意味するものではない。
（実施例１）
臨床研究が、組織の体積の増強された画像を生成する方法および患者の乳房組織の体積を特性評価するための方法を開発するために行われた。結果は、組織特性を定量化する、超音波断層撮影に基づく乳房撮像を利用しながら、また、本明細書に説明される方法が含み得る、乳房解剖学的構造の３Ｄ画像を生産する、臨床研究から提示される。
臨床研究が、組織の体積の増強された画像を生成する方法および患者の乳房組織の体積を特性評価するための方法を開発するために行われた。結果は、組織特性を定量化する、超音波断層撮影に基づく乳房撮像を利用しながら、また、本明細書に説明される方法が含み得る、乳房解剖学的構造の３Ｄ画像を生産する、臨床研究から提示される。
インフォームドコンセントが、ＨＩＰＡＡガイドラインに従って、ＩＲＢ承認プロトコルにおいて予め募集された全ての患者から取得された。冠状画像が、反射、音速、および減衰に関して、断層撮影アルゴリズムによって生産された。全ての画像は、乳房撮像および超音波技術開発における２０年以上の経験を伴う、委員会認定の放射線科医によって精査された。研究の第１相では、ＵＳＴ画像が、マルチモーダル撮像と比較され、病変および乳房実質の外観を決定した。研究の第２相では、磁気共鳴（ＭＲ）乳房撮像との相関比較が、実質性パターンの識別および特性評価、ＵＳＴの空間分解能の決定、およびＵＳＴを用いて撮像され得る乳房体積の推定を含む、超音波断層撮影（ＵＳＴ）システムの基本動作能力を確立するために使用された。研究の第３相は、病変の特性評価に焦点を当てた。着目領域（ＲＯＩ）分析が、全３つのＵＳＴ画像タイプを使用して、全ての識別された病変上で実施された。ＲＯＩ生成値の組み合わせが、研究における全ての腫瘤を特性評価するために使用された。
研究は、脂肪減算コントラスト増強ＭＲＩに対する乳房組織構造の高相関度と、冠状平面における０．７ｍｍの分解能での乳房の体積の約９０％を走査する能力とを実証した。約１〜３分の走査持続時間では、有意な運動アーチファクトは、観察されなかった。初期臨床結果は、音速および減衰パラメータと組み合わせてマージン境界スコアを使用した病変を特性評価する能力を示唆する。
ＵＳＴおよびＭＲ撮像が、相互に数週間以内に実施された。ＵＳＴ撮像は、ＳｏｆｔＶｕｅシステム（Ｄｅｌｐｈｉｎｕｓ Ｍｅｄｉｃａｌ Ｔｅｃｈｎｏｌｏｇｉｅｓ）を用いて実行され、ＭＲ検査は、Ｐｈｉｌｉｐｓ Ａｃｈｉｅｖａ ３Ｔシステムを用いて実行された。結果として生じる画像シーケンスは、ＵＳＴの撮像性能を定質的および定量的に査定するためのものであった。上記に議論されるように、ＵＳＴ画像は、ＭＲＩ画像と最良に相関する。さらなる検査は、３つのＵＳＴ画像タイプのうち、音速画像がＭＲと最良に相関することを示す。図２６Ａは、代表的乳房実質のＵＳＴ音速とＭＲコントラスト増強脂肪減算画像との間の冠状断面図比較を示す。
実質性パターンは、乳房の形状に関連する主な差異を伴うのみで、非常に類似する。本差異は、浮力が乳房を縮小するようにＳｏｆｔＶｕｅシステムが水を利用する一方、ＭＲでは、重力がＡＰ寸法（例えば、腹臥位）において乳房を延長させるという事実によって解説されることができる。上記に議論されるように、ＵＳＴ画像は、ＭＲ画像と最良に相関する。さらなる調査は、図２６Ａに図示されるように、３つのＵＳＴ画像タイプのうち、音速画像がＭＲと最良に相関することを示す。
ＭＲＩおよびＵＳＴ乳房体積が、対応ｔ検定を使用して比較された。第１のステップでは、ｋ平均セグメント化アルゴリズムが、非組織背景を自動的に分離して除外するために、Ｔ１乳房ＭＲ画像に適用された。第２のステップでは、乳房組織と胸壁との間の境界が、手動で描かれ、胸壁は、除去され、乳房組織のみを残した。
ＵＳＴ画像では、半自動化ツールが、各冠状スライスにおいて乳房組織の周囲に境界を描くために使用され、境界の外側は全て、除去された（水信号）。胸壁信号を含有するいずれのスライスもまた、除去された。
各モダリティの空間分解能が、図２６Ｂに示されるような全幅半値基準を使用する、薄い特徴のプロファイルカットを使用して推定された。空間分解能分析の結果は、下記の表に示される。空間分解能は、両方のＭＲＩに関して再投影タイプに依存し、ＵＳＴは冠状平面においてＭＲＩよりも優れ、ＭＲＩは他の投影においてＵＳＴよりも優れていることが見出された。（しかしながら、等方性ボクセルを伴うＭＲ取得は、冠状平面においてＵＳＴに匹敵する分解能を示すであろう）。軸方向および矢状平面において再構築されたＵＳＴが、本時点で２．５ｍｍスライス厚に接近する分解能を有するように、ＵＳＴ画像ボクセルは、等方性ではなく、データ取得は、ＭＲのように容易に調節されることができない。
ＵＳ−ＢＩ−ＲＡＤＳ基準は、主に、腫瘍形状、マージン、および隣接する組織との相互作用の査定に特化する。しかしながら、付影処理または透過を通した増強等の基準は、ＵＳＴの円形幾何学形状に適用可能ではない。加えて、３ＭＨｚにおいて動作するＵＳＴは、良性腫瘤被嚢または多くの癌の棘状突起および／または構造的歪曲の正反射により感受性があると考えられる。したがって、腫瘍マージンに関するＵＳ−ＢＩ−ＲＡＤＳ基準および腫瘍周囲組織相互作用に関する可能性を組み合わせた５点スケール（マージン境界スコア）を開発した。
目標は、放射線科医が楕円形ＲＯＩを描くことを単純に要求することによって、よりオペレータ依存性ではなく、検出された腫瘤に関する適切な診断支援としての役割を果たし得る、テクスチャ分析を生成することであり得る。図２７は、多くの嚢胞、線維腺腫、および癌に関して着目される音速テクスチャおよび形態における基本的差異を示す。マージン境界スコアの５点スケールに基づいて、分類子モデルが、分類子モデル９１０を使用して実装されることができ、３の閾値に等しい、またはそれを上回るマージン境界スコアが、癌として診断され得る。病変のタイプ、調査された患者に関する領域の査定されたマージン境界スコア（１０７例の良性病変および３１例の癌を含有する）を示す第１の表が、下記に示される。
診断結果を示す第２の要約表が、下記に示される。
加えて、腫瘤が、（ｉ）マージン境界スコア、（ｉｉ）反射率、（ｉｉｉ）定量的ＳＳ評価、および（ｉｖ）ＡＴＴ評価によって特性評価された。半自動的着目領域（ＲＯＩ）ツールが、各腫瘤の定量的性質を決定するために使用された。着目腫瘤を識別した後、単純な楕円形ＲＯＩが、腫瘤の周囲に描かれ得る。ＲＯＩアルゴリズムは、次いで、２０個の半径方向楕円（腫瘤の内側に１０個および外側に１０個）を生成する。定量的情報が、次いで、後続分析のために２０個の環毎に測定された。着目領域（ＲＯＩ）分析は、全ての３つのＵＳＴ画像タイプを使用して、全ての識別された病変に実施された。ＲＯＩ生成値の組み合わせが、研究において全ての腫瘤を特性評価するために使用された。
発明者の最近のデータは、腫瘍ＲＯＩ内の標準偏差等の一次統計および周辺の腫瘍周囲領域との比較の有意な影響を強調する。図２８Ａ−図２８Ｂは、平均増強反射（ＥｒｆＭｅａｎ）、ＲＯＩの内部および外部の相対平均増強反射（ＥｒｆＲｅｌＤｉｓｔ）、増強された反射の標準偏差（Ｅｒｆ＿ＳＤ）、平均音速（ＳＳＭｅａｎ）、ＲＯＩの内部および外部の相対平均音速（ＳＳＲｅｌＤｉｓｔ）、音速の標準偏差（ＳＳ＿ＳＤ）、平均減衰（ＡｔＭｅａｎ）、減衰の標準偏差（Ａｔ＿ＳＤ）、およびマージン境界スコアに関して補正された減衰の標準偏差（Ｃｏｒｒ＿Ａｔ＿ＳＤ）を含む、該一次統計を要約する箱ひげ図を示す。各箱ひげ図はまた、種々のタイプの病変に関する統計の関連付けられる値を示す要約表を含有する。箱ひげ図は、１０７例の良性病変および３１例の癌に関する平均値をとることに基づいた。
最適な方法の散布図および箱ひげ図が、特性評価潜在性を例証するために使用された。図２８Ｃの箱ひげ図は、ＳＳよりもわずかにのみ高い有意性を有する、ＡＴＴ画像から抽出された腫瘍ＲＯＩに基づいて、より粗分析の不均一性の測定値である標準偏差の一次統計と組み合わせられた境界スコアを使用したときに達成された区分化を示す。これらのＲＯＩは、再び、腫瘤の周囲に楕円形ＲＯＩを単純に描き、ＲＯＩ内の標準偏差を決定することによって取得された。
さらなる調査に応じて、腫瘍周囲腫瘤領域（腫瘤境界ＲＯＩのすぐ外側の環状面積によって画定される）のＳＳが、癌から良性腫瘤をさらに分離したことが見出された。以下のデータは、分類子方法９２０を使用して生成される。これらのパラメータの全てに基づく散布図が、図２９Ａに示される。散布図は、癌、線維腺腫、および癌を別個に示す。癌は、高境界スコア、高不均一性（音減衰の標準偏差≧０．０３４７）、およびより低い腫瘍周囲音速（腫瘍周囲領域内の平均音速≦１．５１）を示すプロットの左上角に厳密に群化される。これらの測定値によって、嚢胞と線維腺腫との間に大幅な分離は存在しないが、それらと癌との間に有意な分離が存在した。散布図に表されるデータのＲＯＣ分析は、感度が９７％であるとき、９１％のＰＰＶを示す。結果を示す要約表が、下記に示される。
図２９Ｂは、腫瘍内の音速の標準偏差および腫瘍内の減衰の標準偏差に基づく散布図を示す。２つの予後パラメータの線形関数を使用する分類子モデル９２０の例証的実施例が、散布図を通して描かれる線によって示される。図２９Ｂにプロットされる２つの予後パラメータ毎の患者値が線の右上にある場合、病変は、癌性として診断される。
これは、より定量的なマージン分析を含む、拡大された進行中の研究に対するデータのサブセットである。本方法はまた、腫瘍および周辺の腫瘍周囲領域内の肉眼的に明白なテクスチャ差異を識別するための教示ツールとしての役割を果たすことができる。
（実施例２）特徴選択と分類子モデルの組み合わせは、分類の正確度を決定する。
乳房病変の１６１例（９３例の良性および６８例の悪性）のサンプルを含有する、訓練データセットが、Ｊ４８決定木、ニューラルネットワーク、ＡＤＡＢｏｏｓｔ（ＤｅｃｉｓｉｏｎＳｔｕｍｐ）、ＬｉｂＳＶＭアルゴリズムを含む、種々の機械学習アルゴリズムを訓練するために使用される。Ｊ４８決定木に関して、特徴の単一クラスが、木を訓練するために使用される。他のアルゴリズムに関して、音速（ＳＳ）特徴と増強された反射（ＥＲＦ）特徴の組み合わせが、使用される。Ｊ４８アルゴリズム（規定された基準、例えば、訓練するための公差エントロピを伴う）用いた分類のための訓練結果は、以下の通りである。
式中、Ｂは、良性組織であって、Ｍは、悪性組織である。選択されたパラメータ（α＝０．２、λ＝０．２、シード＝２）を伴うニューラルネットワークに関して、Ｊ４８アルゴリズムを用いた最適分類結果は、以下の通りである。
決定株アルゴリズムは、以下のように分類結果を生成する。
一方、サポートベクトルマシン（Ｃ−ＳＶＣ、動径基底、γ＝０、Ｃ＝１０）は、以下のように分類結果を生成する。
本特定の実施形態では、異なる機械学習アルゴリズムを使用したＳＳおよびＥＲＦ属性の組み合わせは、任意の単一特徴クラスのみを伴うＪ４８の使用と比較的に同一またはより良好に性能を発揮する。正確度に基づいて、ＳＳおよびＥＲＦ特徴は、未知のサンプルの分類または標識を予測するためのサポートベクトルマシンとともに選択されてもよい。
乳房病変の１６１例（９３例の良性および６８例の悪性）のサンプルを含有する、訓練データセットが、Ｊ４８決定木、ニューラルネットワーク、ＡＤＡＢｏｏｓｔ（ＤｅｃｉｓｉｏｎＳｔｕｍｐ）、ＬｉｂＳＶＭアルゴリズムを含む、種々の機械学習アルゴリズムを訓練するために使用される。Ｊ４８決定木に関して、特徴の単一クラスが、木を訓練するために使用される。他のアルゴリズムに関して、音速（ＳＳ）特徴と増強された反射（ＥＲＦ）特徴の組み合わせが、使用される。Ｊ４８アルゴリズム（規定された基準、例えば、訓練するための公差エントロピを伴う）用いた分類のための訓練結果は、以下の通りである。
（実施例３）インビボでの癌性病変の検出
乳房病変を有する、３０７名の対象が、本明細書に説明されるように撮像された。これらの３０７名の対象のうち、２２７名の対象が、良性病変を有し、８０名の対象が、癌性病変を有していた。
乳房病変を有する、３０７名の対象が、本明細書に説明されるように撮像された。これらの３０７名の対象のうち、２２７名の対象が、良性病変を有し、８０名の対象が、癌性病変を有していた。
良性病変を有する対象のうち、９１名の対象が、良性病変を有しており、これは、嚢胞であった。嚢胞病変のうちの５１例は、不均一高濃度乳房であって、嚢胞病変のうちの４０例は、極めて高濃度乳房であった。１１１名の対象は、良性病変を有しており、これは、線維腺腫であって、８２例は、不均一高濃度乳房であって、２８例は、極めて高濃度乳房であって、１例は、散在高濃度乳房であった。２５名の対象は、良性病変を有し、これは、別のタイプの病変であって、そのうちの２２例は、不均一高濃度であって、３例は、極めて高濃度乳房であった。
癌性病変を有する対象のうち、８０例は、散在高濃度乳房であって、５０例は、不均一高濃度であって、１１例は、極めて高濃度乳房であった。
ＯＣＴ画像が、乳房成形器を使用して入手され、全て、同一方法を使用して再構成された。
悪性度スコアが、本明細書に説明されるように、病変分析ツールアルゴリズムを使用して、病変毎に決定された。病変毎の悪性度スコアが、記録され、図３０Ａにおけるヒストグラムに表示されている。良性／悪性両方の腫瘍が、示される。悪性度スコアは、０％〜１００％の範囲であった。
アルゴリズムが、高濃度癌または高濃度および非高濃度癌を用いて訓練された。自動セグメント化アルゴリズムが、癌性病変をセグメント化するために使用され、セグメント化が、実施された。受信者動作特性曲線が、決定され、図３０Ｂに表示されている。アルゴリズムが、高濃度癌症例のみを使用して訓練されたとき、曲線下面積（ＡＵＣ）は、０．９０であった。高濃度および非高濃度癌症例の両方が、アルゴリズムを訓練するために使用されるとき、ＡＵＣは、０．９１であった。
本主題の好ましい実施形態が、本明細書に示され、説明されたが、そのような実施形態は、実施例としてのみ提供されることが、当業者に明白となるであろう。多数の変形例、変更、および代用が、ここで、本発明から逸脱することなく、当業者に想起されるであろう。本明細書に説明される本主題の実施形態の種々の代替が、本発明を実践する際に採用され得ることを理解されたい。
いくつかの実施形態では、分類子モデルが、機械学習技法を用いて生成されている。いくつかの実施形態では、機械学習技法は、サポートベクトルマシンを含む。いくつかの実施形態では、サポートベクトルマシンは、ＬｉｂＳＶＭを含む。いくつかの実施形態では、機械学習技法は、決定木を含む。いくつかの実施形態では、決定木は、Ｊ４８、Ｃ４．５、またはＩＤ３を含む。いくつかの実施形態では、決定木は、ＡＤＡＢｏｏｓｔまたはＤｉｃｉｓｉｏｎＳｔｕｍｐを含む。いくつかの実施形態では、機械学習技法は、ニューラルネットワークを含む。いくつかの実施形態では、機械学習技法は、ｋ−最近傍法を含む。いくつかの実施形態では、機械学習技法は、Ｂａｙｅｓ分類を含む。
本願明細書は、例えば、以下の項目も提供する。
（項目１）
組織の体積内の病変を特性評価するためのコンピュータ実装方法であって、上記方法は、
複数の音響レンダリングを受信することであって、上記音響レンダリングは、上記組織の体積を通した音伝搬の表現を含み、上記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
予後パラメータのセットを決定することであって、上記予後パラメータのセットは、上記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと、
上記予後パラメータのセットの各要素に予測値を割り当てることであって、上記予測値は、複数の分類された音響レンダリングに基づく、ことと、
分類子モデルを上記予後パラメータのセットのサブセットから形成することであって、上記サブセットは、上記予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、
上記分類子モデルを使用して、スコアを計算することであって、上記スコアは、上記病変がある分類である確率に関連する、ことと
を含む、方法。
（項目２）
上記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、項目１に記載の方法。
（項目３）
上記複数の音響レンダリングは、組み合わせられた音響レンダリングを含む、項目１に記載の方法。
（項目４）
上記組み合わせられた音響レンダリングは、複数の反射レンダリングを含む、項目３に記載の方法。
（項目５）
上記組み合わせられたレンダリングは、複数の透過レンダリングを含む、項目３に記載の方法。
（項目６）
上記組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、項目３に記載の方法。
（項目７）
透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、項目１に記載の方法。
（項目８）
上記予後パラメータは、着目領域に関連する音速計測値を含む、項目１に記載の方法。
（項目９）
上記着目領域は、ユーザ選択着目領域である、項目８に記載の方法。
（項目１０）
上記着目領域は、上記病変の少なくとも一部を含む、項目８に記載の方法。
（項目１１）
上記着目領域は、２次元着目領域を含む、項目８に記載の方法。
（項目１２）
上記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、項目８に記載の方法。
（項目１３）
上記着目領域は、少なくとも部分的に、上記予後パラメータのセットを使用して選択される、項目８に記載の方法。
（項目１４）
上記２次元着目領域は、３次元着目領域を生成するために使用される、項目１１に記載の方法。
（項目１５）
マスクが、上記着目領域に基づいて生成される、項目８に記載の方法。
（項目１６）
上記予後パラメータのセットは、上記着目領域に基づく、項目８に記載の方法。
（項目１７）
上記予後パラメータのセットは、上記着目領域のユーザ割当分類を含む、項目８に記載の方法。
（項目１８）
上記ユーザ割当分類は、腫瘤境界スコアである、項目１７に記載の方法。
（項目１９）
上記予後パラメータのセットは、上記病変の少なくとも１つの形態学的計測値を含む、項目１に記載の方法。
（項目２０）
形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、項目１９に記載の方法。
（項目２１）
上記予後パラメータのセットは、曖昧度を含む、項目１に記載の方法。
（項目２２）
上記曖昧度は、上記病変の境界のものである、項目２１に記載の方法。
（項目２３）
上記予後パラメータのセットは、鮮明度を含む、項目１に記載の方法。
（項目２４）
上記鮮明度は、上記病変のマージンのものである、項目２３に記載の方法。
（項目２５）
上記予後パラメータのセットは、上記着目領域の少なくとも１つのテクスチャ計測値を含む、項目１に記載の方法。
（項目２６）
上記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、項目２５に記載の方法。
（項目２７）
上記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、項目１に記載の方法。
（項目２８）
上記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目１に記載の方法。
（項目２９）
第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目１に記載の方法。
（項目３０）
上記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、項目１に記載の方法。
（項目３１）
上記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、項目１に記載の方法。
（項目３２）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、項目１に記載の方法。
（項目３３）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、項目１に記載の方法。
（項目３４）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、項目１に記載の方法。
（項目３５）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、項目１に記載の方法。
（項目３６）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、項目１に記載の方法。
（項目３７）
上記予後パラメータのセットは、トリミングされる、項目１に記載の方法。
（項目３８）
上記複数のサブセットのうちの１つは、音速を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目１に記載の方法。
（項目３９）
上記複数のサブセットのうちの１つは、音減衰を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目１に記載の方法。
（項目４０）
上記複数のサブセットのうちの１つは、音反射を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目１に記載の方法。
（項目４１）
上記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、項目１に記載の方法。
（項目４２）
上記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、項目１に記載の方法。
（項目４３）
上記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、項目１に記載の方法。
（項目４４）
上記分類子モデルは、組織を分類するために十分な上記予後パラメータのサブセットの閾値を決定する、項目１に記載の方法。
（項目４５）
上記分類子は、上記病変が悪性病変である尤度を決定する、項目１に記載の方法。
（項目４６）
上記病変が悪性病変である尤度は、パーセンテージとして表される、項目４５に記載の方法。
（項目４７）
上記分類子モデルは、機械学習技法を使用して生成される、項目１に記載の方法。
（項目４８）
上記機械学習技法は、サポートベクトルマシンを含む、項目４７に記載の方法。
（項目４９）
プロセッサであって、上記プロセッサは、
複数の音響レンダリングを受信することであって、上記音響レンダリングは、上記組織の体積を通した音伝搬の表現を含み、上記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
予後パラメータのセットを決定することであって、上記予後パラメータのセットは、上記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと、
上記予後パラメータのセットの各要素に予測値を割り当てることであって、上記予測値は、複数の分類された音響レンダリングに基づく、ことと、
分類子モデルを上記予後パラメータのセットのサブセットから形成することであって、上記サブセットは、上記予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、
上記分類子モデルを使用して、スコアを計算することであって、上記スコアは、上記病変がある分類である確率に関連する、ことと
を行うための命令とともに構成される有形媒体を備える、プロセッサ。
（項目５０）
上記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、項目４９に記載のプロセッサ。
（項目５１）
上記複数のレンダリングは、組み合わせられたレンダリングを含む、項目４９に記載のプロセッサ。
（項目５２）
上記組み合わせられたレンダリングは、複数の反射レンダリングを含む、項目５１に記載のプロセッサ。
（項目５３）
上記組み合わせられたレンダリングは、複数の透過レンダリングを含む、項目５１に記載のプロセッサ。
（項目５４）
上記組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、項目５１に記載のプロセッサ。
（項目５５）
透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、項目４９に記載のプロセッサ。
（項目５６）
上記予後パラメータは、着目領域に関連する音速計測値を含む、項目４９に記載のプロセッサ。
（項目５７）
上記着目領域は、ユーザ選択着目領域である、項目５６に記載のプロセッサ。
（項目５８）
上記着目領域は、上記病変の少なくとも一部を含む、項目５６に記載のプロセッサ。
（項目５９）
上記着目領域は、２次元着目領域を含む、項目５６に記載のプロセッサ。
（項目６０）
上記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、項目５６に記載のプロセッサ。
（項目６１）
上記着目領域は、少なくとも部分的に、上記予後パラメータのセットを使用して選択される、項目５６に記載のプロセッサ。
（項目６２）
上記２次元着目領域は、３次元着目領域を生成するために使用される、項目５９に記載のプロセッサ。
（項目６３）
マスクが、上記着目領域に基づいて生成される、項目５９に記載のプロセッサ。
（項目６４）
上記予後パラメータのセットは、上記着目領域に基づく、項目５６に記載のプロセッサ。
（項目６５）
上記予後パラメータのセットは、上記着目領域のユーザ割当分類を含む、項目５９に記載のプロセッサ。
（項目６６）
上記ユーザ割当分類は、腫瘤境界スコアである、項目６５に記載のプロセッサ。
（項目６７）
上記予後パラメータのセットは、上記病変の少なくとも１つの形態学的計測値を含む、項目４９に記載のプロセッサ。
（項目６８）
形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、項目６７に記載のプロセッサ。
（項目６９）
上記予後パラメータのセットは、曖昧度を含む、項目４９に記載のプロセッサ。
（項目７０）
上記曖昧度は、上記病変の境界のものである、項目６９に記載のプロセッサ。
（項目７１）
上記予後パラメータのセットは、鮮明度を含む、項目４９に記載のプロセッサ。
（項目７２）
上記鮮明度は、上記病変のマージンのものである、項目７１に記載のプロセッサ。
（項目７３）
上記予後パラメータのセットは、上記着目領域の少なくとも１つのテクスチャ計測値を含む、項目４９に記載のプロセッサ。
（項目７４）
上記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、項目７３に記載のプロセッサ。
（項目７５）
上記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、項目４９に記載のプロセッサ。
（項目７６）
上記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目４９に記載のプロセッサ。
（項目７７）
第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目４９に記載のプロセッサ。
（項目７８）
上記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、項目４９に記載のプロセッサ。
（項目７９）
上記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、項目４９に記載のプロセッサ。
（項目８０）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、項目４９に記載のプロセッサ。
（項目８１）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、項目４９に記載のプロセッサ。
（項目８２）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、項目４９に記載のプロセッサ。
（項目８３）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、項目４９に記載のプロセッサ。
（項目８４）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、項目４９に記載のプロセッサ。
（項目８５）
上記予後パラメータのセットは、トリミングされる、項目４９に記載のプロセッサ。
（項目８６）
上記複数のサブセットのうちの１つは、音速を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目４９に記載のプロセッサ。
（項目８７）
上記複数のサブセットのうちの１つは、音減衰を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目４９に記載のプロセッサ。
（項目８８）
上記複数のサブセットのうちの１つは、音反射を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目４９に記載のプロセッサ。
（項目８９）
上記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、項目４９に記載のプロセッサ。
（項目９０）
上記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、項目４９に記載のプロセッサ。
（項目９１）
上記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、項目４９に記載のプロセッサ。
（項目９２）
上記分類子モデルは、組織を分類するために十分な上記予後パラメータのサブセットの閾値を決定する、項目４９に記載のプロセッサ。
（項目９３）
上記分類子は、上記病変が悪性病変である尤度を決定する、項目４９に記載のプロセッサ。
（項目９４）
上記病変が悪性病変である尤度は、パーセンテージとして表される、項目４５に記載のプロセッサ。
（項目９５）
上記分類子モデルは、機械学習技法を使用して生成される、項目４９に記載のプロセッサ。
（項目９６）
上記機械学習技法は、サポートベクトルマシンを含む、項目４７に記載のプロセッサ。
（項目９７）
組織の体積内の病変を分類するためのコンピュータ実装方法であって、上記方法は、
複数の音響レンダリングを受信することであって、上記音響レンダリングは、上記組織の体積を通した音伝搬の表現を含み、上記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
上記組織の体積内の着目領域を示すことであって、上記領域は、上記組織の体積内の病変に近接する、ことと、
上記着目領域の近傍の上記複数の音響レンダリングのうちの少なくとも１つの一部をセグメント化することと、
上記部分が上記病変の内部または外部にあることのインジケーションを提供することと、
マスクを生成することであって、上記マスクは、上記病変の形状の予測を含む、ことと、
予後パラメータのセットを決定することであって、上記予後パラメータのセットは、上記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと
を含む、方法。
（項目９８）
上記セグメント化することは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法を含む、項目９７に記載の方法。
（項目９９）
上記セグメント化することは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法のうちの少なくとも２つを含む、項目９７に記載の方法。
（項目１００）
上記マルコフ確率場、上記混合ガウスモデル、または上記適応ファジィＣ平均法のうちの少なくとも２つによって、上記部分が病変の内部または外部にあることを決定することをさらに含む、項目９９に記載の方法。
（項目１０１）
上記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、項目９７に記載の方法。
（項目１０２）
上記複数の音響レンダリングは、組み合わせられた音響レンダリングを含む、項目９７に記載の方法。
（項目１０３）
上記組み合わせられた音響レンダリングは、複数の反射レンダリングを含む、項目１０２に記載の方法。
（項目１０４）
上記組み合わせられた音響レンダリングは、複数の透過レンダリングを含む、項目１０２に記載の方法。
（項目１０５）
上記組み合わせられた音響レンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、項目１０２に記載の方法。
（項目１０６）
透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、項目９７に記載の方法。
（項目１０７）
上記予後パラメータは、着目領域に関連する音速計測値を含む、項目９７に記載の方法。
（項目１０８）
上記着目領域は、ユーザ選択着目領域である、項目１０７に記載の方法。
（項目１０９）
上記着目領域は、上記病変の少なくとも一部を含む、項目１０７に記載の方法。
（項目１１０）
上記着目領域は、２次元着目領域を含む、項目１０７に記載の方法。
（項目１１１）
上記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、項目１０７に記載の方法。
（項目１１２）
上記着目領域は、少なくとも部分的に、上記予後パラメータのセットを使用して選択される、項目１０７に記載の方法。
（項目１１３）
上記２次元着目領域は、３次元着目領域を生成するために使用される、項目１１０に記載の方法。
（項目１１４）
マスクが、上記着目領域に基づいて生成される、項目１０７に記載の方法。
（項目１１５）
上記予後パラメータのセットは、上記着目領域に基づく、項目１０７に記載の方法。
（項目１１６）
上記予後パラメータのセットは、上記着目領域のユーザ割当分類を含む、項目１０７に記載の方法。
（項目１１７）
上記ユーザ割当分類は、腫瘤境界スコアである、項目１１６に記載の方法。
（項目１１８）
上記予後パラメータのセットは、上記病変の少なくとも１つの形態学的計測値を含む、項目９７に記載の方法。
（項目１１９）
形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、項目１１８に記載の方法。
（項目１２０）
上記予後パラメータのセットは、曖昧度を含む、項目９７に記載の方法。
（項目１２１）
上記曖昧度は、上記病変の境界のものである、項目１２０に記載の方法。
（項目１２２）
上記予後パラメータのセットは、鮮明度を含む、項目９７に記載の方法。
（項目１２３）
上記鮮明度は、上記病変のマージンのものである、項目１２２に記載の方法。
（項目１２４）
上記予後パラメータのセットは、上記着目領域の少なくとも１つのテクスチャ計測値を含む、項目９７に記載の方法。
（項目１２５）
上記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、項目１２４に記載の方法。
（項目１２６）
上記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、項目９７に記載の方法。
（項目１２７）
上記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目９７に記載の方法。
（項目１２８）
第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目９７に記載の方法。
（項目１２９）
上記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、項目９７に記載の方法。
（項目１３０）
上記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、項目９７に記載の方法。
（項目１３１）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、項目９７に記載の方法。
（項目１３２）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、項目９７に記載の方法。
（項目１３３）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、項目９７に記載の方法。
（項目１３４）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、項目９７に記載の方法。
（項目１３５）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、項目９７に記載の方法。
（項目１３６）
上記予後パラメータのセットは、トリミングされる、項目９７に記載の方法。
（項目１３７）
上記複数のサブセットのうちの１つは、音速を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目９７に記載の方法。
（項目１３８）
上記複数のサブセットのうちの１つは、音減衰を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目９７に記載の方法。
（項目１３９）
上記複数のサブセットのうちの１つは、音反射を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目９７に記載の方法。
（項目１４０）
上記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、項目９７に記載の方法。
（項目１４１）
上記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、項目９７に記載の方法。
（項目１４２）
上記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、項目９７に記載の方法。
（項目１４３）
上記分類子モデルは、組織を分類するために十分な上記予後パラメータのサブセットの閾値を決定する、項目９７に記載の方法。
（項目１４４）
上記分類子は、上記病変が悪性病変である尤度を決定する、項目９７に記載の方法。
（項目１４５）
上記病変が悪性病変である尤度は、パーセンテージとして表される、項目１４４に記載の方法。
（項目１４６）
上記分類子モデルは、機械学習技法を使用して生成される、項目９７に記載の方法。
（項目１４７）
上記機械学習技法は、サポートベクトルマシンを含む、項目１４６に記載の方法。
（項目１４８）
項目９７−１４７のいずれかに記載の方法を実施するための命令とともに構成される有形媒体を備える、プロセッサ。
本願明細書は、例えば、以下の項目も提供する。
（項目１）
組織の体積内の病変を特性評価するためのコンピュータ実装方法であって、上記方法は、
複数の音響レンダリングを受信することであって、上記音響レンダリングは、上記組織の体積を通した音伝搬の表現を含み、上記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
予後パラメータのセットを決定することであって、上記予後パラメータのセットは、上記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと、
上記予後パラメータのセットの各要素に予測値を割り当てることであって、上記予測値は、複数の分類された音響レンダリングに基づく、ことと、
分類子モデルを上記予後パラメータのセットのサブセットから形成することであって、上記サブセットは、上記予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、
上記分類子モデルを使用して、スコアを計算することであって、上記スコアは、上記病変がある分類である確率に関連する、ことと
を含む、方法。
（項目２）
上記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、項目１に記載の方法。
（項目３）
上記複数の音響レンダリングは、組み合わせられた音響レンダリングを含む、項目１に記載の方法。
（項目４）
上記組み合わせられた音響レンダリングは、複数の反射レンダリングを含む、項目３に記載の方法。
（項目５）
上記組み合わせられたレンダリングは、複数の透過レンダリングを含む、項目３に記載の方法。
（項目６）
上記組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、項目３に記載の方法。
（項目７）
透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、項目１に記載の方法。
（項目８）
上記予後パラメータは、着目領域に関連する音速計測値を含む、項目１に記載の方法。
（項目９）
上記着目領域は、ユーザ選択着目領域である、項目８に記載の方法。
（項目１０）
上記着目領域は、上記病変の少なくとも一部を含む、項目８に記載の方法。
（項目１１）
上記着目領域は、２次元着目領域を含む、項目８に記載の方法。
（項目１２）
上記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、項目８に記載の方法。
（項目１３）
上記着目領域は、少なくとも部分的に、上記予後パラメータのセットを使用して選択される、項目８に記載の方法。
（項目１４）
上記２次元着目領域は、３次元着目領域を生成するために使用される、項目１１に記載の方法。
（項目１５）
マスクが、上記着目領域に基づいて生成される、項目８に記載の方法。
（項目１６）
上記予後パラメータのセットは、上記着目領域に基づく、項目８に記載の方法。
（項目１７）
上記予後パラメータのセットは、上記着目領域のユーザ割当分類を含む、項目８に記載の方法。
（項目１８）
上記ユーザ割当分類は、腫瘤境界スコアである、項目１７に記載の方法。
（項目１９）
上記予後パラメータのセットは、上記病変の少なくとも１つの形態学的計測値を含む、項目１に記載の方法。
（項目２０）
形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、項目１９に記載の方法。
（項目２１）
上記予後パラメータのセットは、曖昧度を含む、項目１に記載の方法。
（項目２２）
上記曖昧度は、上記病変の境界のものである、項目２１に記載の方法。
（項目２３）
上記予後パラメータのセットは、鮮明度を含む、項目１に記載の方法。
（項目２４）
上記鮮明度は、上記病変のマージンのものである、項目２３に記載の方法。
（項目２５）
上記予後パラメータのセットは、上記着目領域の少なくとも１つのテクスチャ計測値を含む、項目１に記載の方法。
（項目２６）
上記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、項目２５に記載の方法。
（項目２７）
上記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、項目１に記載の方法。
（項目２８）
上記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目１に記載の方法。
（項目２９）
第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目１に記載の方法。
（項目３０）
上記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、項目１に記載の方法。
（項目３１）
上記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、項目１に記載の方法。
（項目３２）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、項目１に記載の方法。
（項目３３）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、項目１に記載の方法。
（項目３４）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、項目１に記載の方法。
（項目３５）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、項目１に記載の方法。
（項目３６）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、項目１に記載の方法。
（項目３７）
上記予後パラメータのセットは、トリミングされる、項目１に記載の方法。
（項目３８）
上記複数のサブセットのうちの１つは、音速を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目１に記載の方法。
（項目３９）
上記複数のサブセットのうちの１つは、音減衰を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目１に記載の方法。
（項目４０）
上記複数のサブセットのうちの１つは、音反射を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目１に記載の方法。
（項目４１）
上記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、項目１に記載の方法。
（項目４２）
上記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、項目１に記載の方法。
（項目４３）
上記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、項目１に記載の方法。
（項目４４）
上記分類子モデルは、組織を分類するために十分な上記予後パラメータのサブセットの閾値を決定する、項目１に記載の方法。
（項目４５）
上記分類子は、上記病変が悪性病変である尤度を決定する、項目１に記載の方法。
（項目４６）
上記病変が悪性病変である尤度は、パーセンテージとして表される、項目４５に記載の方法。
（項目４７）
上記分類子モデルは、機械学習技法を使用して生成される、項目１に記載の方法。
（項目４８）
上記機械学習技法は、サポートベクトルマシンを含む、項目４７に記載の方法。
（項目４９）
プロセッサであって、上記プロセッサは、
複数の音響レンダリングを受信することであって、上記音響レンダリングは、上記組織の体積を通した音伝搬の表現を含み、上記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
予後パラメータのセットを決定することであって、上記予後パラメータのセットは、上記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと、
上記予後パラメータのセットの各要素に予測値を割り当てることであって、上記予測値は、複数の分類された音響レンダリングに基づく、ことと、
分類子モデルを上記予後パラメータのセットのサブセットから形成することであって、上記サブセットは、上記予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、
上記分類子モデルを使用して、スコアを計算することであって、上記スコアは、上記病変がある分類である確率に関連する、ことと
を行うための命令とともに構成される有形媒体を備える、プロセッサ。
（項目５０）
上記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、項目４９に記載のプロセッサ。
（項目５１）
上記複数のレンダリングは、組み合わせられたレンダリングを含む、項目４９に記載のプロセッサ。
（項目５２）
上記組み合わせられたレンダリングは、複数の反射レンダリングを含む、項目５１に記載のプロセッサ。
（項目５３）
上記組み合わせられたレンダリングは、複数の透過レンダリングを含む、項目５１に記載のプロセッサ。
（項目５４）
上記組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、項目５１に記載のプロセッサ。
（項目５５）
透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、項目４９に記載のプロセッサ。
（項目５６）
上記予後パラメータは、着目領域に関連する音速計測値を含む、項目４９に記載のプロセッサ。
（項目５７）
上記着目領域は、ユーザ選択着目領域である、項目５６に記載のプロセッサ。
（項目５８）
上記着目領域は、上記病変の少なくとも一部を含む、項目５６に記載のプロセッサ。
（項目５９）
上記着目領域は、２次元着目領域を含む、項目５６に記載のプロセッサ。
（項目６０）
上記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、項目５６に記載のプロセッサ。
（項目６１）
上記着目領域は、少なくとも部分的に、上記予後パラメータのセットを使用して選択される、項目５６に記載のプロセッサ。
（項目６２）
上記２次元着目領域は、３次元着目領域を生成するために使用される、項目５９に記載のプロセッサ。
（項目６３）
マスクが、上記着目領域に基づいて生成される、項目５９に記載のプロセッサ。
（項目６４）
上記予後パラメータのセットは、上記着目領域に基づく、項目５６に記載のプロセッサ。
（項目６５）
上記予後パラメータのセットは、上記着目領域のユーザ割当分類を含む、項目５９に記載のプロセッサ。
（項目６６）
上記ユーザ割当分類は、腫瘤境界スコアである、項目６５に記載のプロセッサ。
（項目６７）
上記予後パラメータのセットは、上記病変の少なくとも１つの形態学的計測値を含む、項目４９に記載のプロセッサ。
（項目６８）
形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、項目６７に記載のプロセッサ。
（項目６９）
上記予後パラメータのセットは、曖昧度を含む、項目４９に記載のプロセッサ。
（項目７０）
上記曖昧度は、上記病変の境界のものである、項目６９に記載のプロセッサ。
（項目７１）
上記予後パラメータのセットは、鮮明度を含む、項目４９に記載のプロセッサ。
（項目７２）
上記鮮明度は、上記病変のマージンのものである、項目７１に記載のプロセッサ。
（項目７３）
上記予後パラメータのセットは、上記着目領域の少なくとも１つのテクスチャ計測値を含む、項目４９に記載のプロセッサ。
（項目７４）
上記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、項目７３に記載のプロセッサ。
（項目７５）
上記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、項目４９に記載のプロセッサ。
（項目７６）
上記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目４９に記載のプロセッサ。
（項目７７）
第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目４９に記載のプロセッサ。
（項目７８）
上記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、項目４９に記載のプロセッサ。
（項目７９）
上記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、項目４９に記載のプロセッサ。
（項目８０）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、項目４９に記載のプロセッサ。
（項目８１）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、項目４９に記載のプロセッサ。
（項目８２）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、項目４９に記載のプロセッサ。
（項目８３）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、項目４９に記載のプロセッサ。
（項目８４）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、項目４９に記載のプロセッサ。
（項目８５）
上記予後パラメータのセットは、トリミングされる、項目４９に記載のプロセッサ。
（項目８６）
上記複数のサブセットのうちの１つは、音速を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目４９に記載のプロセッサ。
（項目８７）
上記複数のサブセットのうちの１つは、音減衰を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目４９に記載のプロセッサ。
（項目８８）
上記複数のサブセットのうちの１つは、音反射を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目４９に記載のプロセッサ。
（項目８９）
上記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、項目４９に記載のプロセッサ。
（項目９０）
上記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、項目４９に記載のプロセッサ。
（項目９１）
上記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、項目４９に記載のプロセッサ。
（項目９２）
上記分類子モデルは、組織を分類するために十分な上記予後パラメータのサブセットの閾値を決定する、項目４９に記載のプロセッサ。
（項目９３）
上記分類子は、上記病変が悪性病変である尤度を決定する、項目４９に記載のプロセッサ。
（項目９４）
上記病変が悪性病変である尤度は、パーセンテージとして表される、項目４５に記載のプロセッサ。
（項目９５）
上記分類子モデルは、機械学習技法を使用して生成される、項目４９に記載のプロセッサ。
（項目９６）
上記機械学習技法は、サポートベクトルマシンを含む、項目４７に記載のプロセッサ。
（項目９７）
組織の体積内の病変を分類するためのコンピュータ実装方法であって、上記方法は、
複数の音響レンダリングを受信することであって、上記音響レンダリングは、上記組織の体積を通した音伝搬の表現を含み、上記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
上記組織の体積内の着目領域を示すことであって、上記領域は、上記組織の体積内の病変に近接する、ことと、
上記着目領域の近傍の上記複数の音響レンダリングのうちの少なくとも１つの一部をセグメント化することと、
上記部分が上記病変の内部または外部にあることのインジケーションを提供することと、
マスクを生成することであって、上記マスクは、上記病変の形状の予測を含む、ことと、
予後パラメータのセットを決定することであって、上記予後パラメータのセットは、上記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと
を含む、方法。
（項目９８）
上記セグメント化することは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法を含む、項目９７に記載の方法。
（項目９９）
上記セグメント化することは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法のうちの少なくとも２つを含む、項目９７に記載の方法。
（項目１００）
上記マルコフ確率場、上記混合ガウスモデル、または上記適応ファジィＣ平均法のうちの少なくとも２つによって、上記部分が病変の内部または外部にあることを決定することをさらに含む、項目９９に記載の方法。
（項目１０１）
上記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、項目９７に記載の方法。
（項目１０２）
上記複数の音響レンダリングは、組み合わせられた音響レンダリングを含む、項目９７に記載の方法。
（項目１０３）
上記組み合わせられた音響レンダリングは、複数の反射レンダリングを含む、項目１０２に記載の方法。
（項目１０４）
上記組み合わせられた音響レンダリングは、複数の透過レンダリングを含む、項目１０２に記載の方法。
（項目１０５）
上記組み合わせられた音響レンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、項目１０２に記載の方法。
（項目１０６）
透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、項目９７に記載の方法。
（項目１０７）
上記予後パラメータは、着目領域に関連する音速計測値を含む、項目９７に記載の方法。
（項目１０８）
上記着目領域は、ユーザ選択着目領域である、項目１０７に記載の方法。
（項目１０９）
上記着目領域は、上記病変の少なくとも一部を含む、項目１０７に記載の方法。
（項目１１０）
上記着目領域は、２次元着目領域を含む、項目１０７に記載の方法。
（項目１１１）
上記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、項目１０７に記載の方法。
（項目１１２）
上記着目領域は、少なくとも部分的に、上記予後パラメータのセットを使用して選択される、項目１０７に記載の方法。
（項目１１３）
上記２次元着目領域は、３次元着目領域を生成するために使用される、項目１１０に記載の方法。
（項目１１４）
マスクが、上記着目領域に基づいて生成される、項目１０７に記載の方法。
（項目１１５）
上記予後パラメータのセットは、上記着目領域に基づく、項目１０７に記載の方法。
（項目１１６）
上記予後パラメータのセットは、上記着目領域のユーザ割当分類を含む、項目１０７に記載の方法。
（項目１１７）
上記ユーザ割当分類は、腫瘤境界スコアである、項目１１６に記載の方法。
（項目１１８）
上記予後パラメータのセットは、上記病変の少なくとも１つの形態学的計測値を含む、項目９７に記載の方法。
（項目１１９）
形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、項目１１８に記載の方法。
（項目１２０）
上記予後パラメータのセットは、曖昧度を含む、項目９７に記載の方法。
（項目１２１）
上記曖昧度は、上記病変の境界のものである、項目１２０に記載の方法。
（項目１２２）
上記予後パラメータのセットは、鮮明度を含む、項目９７に記載の方法。
（項目１２３）
上記鮮明度は、上記病変のマージンのものである、項目１２２に記載の方法。
（項目１２４）
上記予後パラメータのセットは、上記着目領域の少なくとも１つのテクスチャ計測値を含む、項目９７に記載の方法。
（項目１２５）
上記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、項目１２４に記載の方法。
（項目１２６）
上記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、項目９７に記載の方法。
（項目１２７）
上記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目９７に記載の方法。
（項目１２８）
第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、項目９７に記載の方法。
（項目１２９）
上記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、項目９７に記載の方法。
（項目１３０）
上記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、項目９７に記載の方法。
（項目１３１）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、項目９７に記載の方法。
（項目１３２）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、項目９７に記載の方法。
（項目１３３）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、項目９７に記載の方法。
（項目１３４）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、項目９７に記載の方法。
（項目１３５）
上記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、項目９７に記載の方法。
（項目１３６）
上記予後パラメータのセットは、トリミングされる、項目９７に記載の方法。
（項目１３７）
上記複数のサブセットのうちの１つは、音速を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目９７に記載の方法。
（項目１３８）
上記複数のサブセットのうちの１つは、音減衰を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目９７に記載の方法。
（項目１３９）
上記複数のサブセットのうちの１つは、音反射を特性評価する上記１つまたは複数の音伝搬計測値を含む、項目９７に記載の方法。
（項目１４０）
上記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、項目９７に記載の方法。
（項目１４１）
上記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、項目９７に記載の方法。
（項目１４２）
上記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、項目９７に記載の方法。
（項目１４３）
上記分類子モデルは、組織を分類するために十分な上記予後パラメータのサブセットの閾値を決定する、項目９７に記載の方法。
（項目１４４）
上記分類子は、上記病変が悪性病変である尤度を決定する、項目９７に記載の方法。
（項目１４５）
上記病変が悪性病変である尤度は、パーセンテージとして表される、項目１４４に記載の方法。
（項目１４６）
上記分類子モデルは、機械学習技法を使用して生成される、項目９７に記載の方法。
（項目１４７）
上記機械学習技法は、サポートベクトルマシンを含む、項目１４６に記載の方法。
（項目１４８）
項目９７−１４７のいずれかに記載の方法を実施するための命令とともに構成される有形媒体を備える、プロセッサ。
Claims (148)
- 組織の体積内の病変を特性評価するためのコンピュータ実装方法であって、前記方法は、
複数の音響レンダリングを受信することであって、前記音響レンダリングは、前記組織の体積を通した音伝搬の表現を含み、前記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
予後パラメータのセットを決定することであって、前記予後パラメータのセットは、前記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと、
前記予後パラメータのセットの各要素に予測値を割り当てることであって、前記予測値は、複数の分類された音響レンダリングに基づく、ことと、
分類子モデルを前記予後パラメータのセットのサブセットから形成することであって、前記サブセットは、前記予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、
前記分類子モデルを使用して、スコアを計算することであって、前記スコアは、前記病変がある分類である確率に関連する、ことと
を含む、方法。 - 前記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、請求項１に記載の方法。
- 前記複数の音響レンダリングは、組み合わせられた音響レンダリングを含む、請求項１に記載の方法。
- 前記組み合わせられた音響レンダリングは、複数の反射レンダリングを含む、請求項３に記載の方法。
- 前記組み合わせられたレンダリングは、複数の透過レンダリングを含む、請求項３に記載の方法。
- 前記組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、請求項３に記載の方法。
- 透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、請求項１に記載の方法。
- 前記予後パラメータは、着目領域に関連する音速計測値を含む、請求項１に記載の方法。
- 前記着目領域は、ユーザ選択着目領域である、請求項８に記載の方法。
- 前記着目領域は、前記病変の少なくとも一部を含む、請求項８に記載の方法。
- 前記着目領域は、２次元着目領域を含む、請求項８に記載の方法。
- 前記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、請求項８に記載の方法。
- 前記着目領域は、少なくとも部分的に、前記予後パラメータのセットを使用して選択される、請求項８に記載の方法。
- 前記２次元着目領域は、３次元着目領域を生成するために使用される、請求項１１に記載の方法。
- マスクが、前記着目領域に基づいて生成される、請求項８に記載の方法。
- 前記予後パラメータのセットは、前記着目領域に基づく、請求項８に記載の方法。
- 前記予後パラメータのセットは、前記着目領域のユーザ割当分類を含む、請求項８に記載の方法。
- 前記ユーザ割当分類は、腫瘤境界スコアである、請求項１７に記載の方法。
- 前記予後パラメータのセットは、前記病変の少なくとも１つの形態学的計測値を含む、請求項１に記載の方法。
- 形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、請求項１９に記載の方法。
- 前記予後パラメータのセットは、曖昧度を含む、請求項１に記載の方法。
- 前記曖昧度は、前記病変の境界のものである、請求項２１に記載の方法。
- 前記予後パラメータのセットは、鮮明度を含む、請求項１に記載の方法。
- 前記鮮明度は、前記病変のマージンのものである、請求項２３に記載の方法。
- 前記予後パラメータのセットは、前記着目領域の少なくとも１つのテクスチャ計測値を含む、請求項１に記載の方法。
- 前記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、請求項２５に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、請求項１に記載の方法。
- 第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、請求項１に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、請求項１に記載の方法。
- 前記予後パラメータのセットは、トリミングされる、請求項１に記載の方法。
- 前記複数のサブセットのうちの１つは、音速を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項１に記載の方法。
- 前記複数のサブセットのうちの１つは、音減衰を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項１に記載の方法。
- 前記複数のサブセットのうちの１つは、音反射を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項１に記載の方法。
- 前記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、請求項１に記載の方法。
- 前記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、請求項１に記載の方法。
- 前記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、請求項１に記載の方法。
- 前記分類子モデルは、組織を分類するために十分な前記予後パラメータのサブセットの閾値を決定する、請求項１に記載の方法。
- 前記分類子は、前記病変が悪性病変である尤度を決定する、請求項１に記載の方法。
- 前記病変が悪性病変である尤度は、パーセンテージとして表される、請求項４５に記載の方法。
- 前記分類子モデルは、機械学習技法を使用して生成される、請求項１に記載の方法。
- 前記機械学習技法は、サポートベクトルマシンを含む、請求項４７に記載の方法。
- プロセッサであって、前記プロセッサは、
複数の音響レンダリングを受信することであって、前記音響レンダリングは、前記組織の体積を通した音伝搬の表現を含み、前記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
予後パラメータのセットを決定することであって、前記予後パラメータのセットは、前記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと、
前記予後パラメータのセットの各要素に予測値を割り当てることであって、前記予測値は、複数の分類された音響レンダリングに基づく、ことと、
分類子モデルを前記予後パラメータのセットのサブセットから形成することであって、前記サブセットは、前記予後パラメータのセットの少なくともサブセットのそれぞれの予測値に基づいて決定される、ことと、
前記分類子モデルを使用して、スコアを計算することであって、前記スコアは、前記病変がある分類である確率に関連する、ことと
を行うための命令とともに構成される有形媒体を備える、プロセッサ。 - 前記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、請求項４９に記載のプロセッサ。
- 前記複数のレンダリングは、組み合わせられたレンダリングを含む、請求項４９に記載のプロセッサ。
- 前記組み合わせられたレンダリングは、複数の反射レンダリングを含む、請求項５１に記載のプロセッサ。
- 前記組み合わせられたレンダリングは、複数の透過レンダリングを含む、請求項５１に記載のプロセッサ。
- 前記組み合わせられたレンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、請求項５１に記載のプロセッサ。
- 透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、請求項４９に記載のプロセッサ。
- 前記予後パラメータは、着目領域に関連する音速計測値を含む、請求項４９に記載のプロセッサ。
- 前記着目領域は、ユーザ選択着目領域である、請求項５６に記載のプロセッサ。
- 前記着目領域は、前記病変の少なくとも一部を含む、請求項５６に記載のプロセッサ。
- 前記着目領域は、２次元着目領域を含む、請求項５６に記載のプロセッサ。
- 前記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、請求項５６に記載のプロセッサ。
- 前記着目領域は、少なくとも部分的に、前記予後パラメータのセットを使用して選択される、請求項５６に記載のプロセッサ。
- 前記２次元着目領域は、３次元着目領域を生成するために使用される、請求項５９に記載のプロセッサ。
- マスクが、前記着目領域に基づいて生成される、請求項５９に記載のプロセッサ。
- 前記予後パラメータのセットは、前記着目領域に基づく、請求項５６に記載のプロセッサ。
- 前記予後パラメータのセットは、前記着目領域のユーザ割当分類を含む、請求項５９に記載のプロセッサ。
- 前記ユーザ割当分類は、腫瘤境界スコアである、請求項６５に記載のプロセッサ。
- 前記予後パラメータのセットは、前記病変の少なくとも１つの形態学的計測値を含む、請求項４９に記載のプロセッサ。
- 形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、請求項６７に記載のプロセッサ。
- 前記予後パラメータのセットは、曖昧度を含む、請求項４９に記載のプロセッサ。
- 前記曖昧度は、前記病変の境界のものである、請求項６９に記載のプロセッサ。
- 前記予後パラメータのセットは、鮮明度を含む、請求項４９に記載のプロセッサ。
- 前記鮮明度は、前記病変のマージンのものである、請求項７１に記載のプロセッサ。
- 前記予後パラメータのセットは、前記着目領域の少なくとも１つのテクスチャ計測値を含む、請求項４９に記載のプロセッサ。
- 前記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、請求項７３に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、請求項４９に記載のプロセッサ。
- 第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、請求項４９に記載のプロセッサ。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、請求項４９に記載のプロセッサ。
- 前記予後パラメータのセットは、トリミングされる、請求項４９に記載のプロセッサ。
- 前記複数のサブセットのうちの１つは、音速を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項４９に記載のプロセッサ。
- 前記複数のサブセットのうちの１つは、音減衰を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項４９に記載のプロセッサ。
- 前記複数のサブセットのうちの１つは、音反射を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項４９に記載のプロセッサ。
- 前記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、請求項４９に記載のプロセッサ。
- 前記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、請求項４９に記載のプロセッサ。
- 前記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、請求項４９に記載のプロセッサ。
- 前記分類子モデルは、組織を分類するために十分な前記予後パラメータのサブセットの閾値を決定する、請求項４９に記載のプロセッサ。
- 前記分類子は、前記病変が悪性病変である尤度を決定する、請求項４９に記載のプロセッサ。
- 前記病変が悪性病変である尤度は、パーセンテージとして表される、請求項４５に記載のプロセッサ。
- 前記分類子モデルは、機械学習技法を使用して生成される、請求項４９に記載のプロセッサ。
- 前記機械学習技法は、サポートベクトルマシンを含む、請求項４７に記載のプロセッサ。
- 組織の体積内の病変を分類するためのコンピュータ実装方法であって、前記方法は、
複数の音響レンダリングを受信することであって、前記音響レンダリングは、前記組織の体積を通した音伝搬の表現を含み、前記複数の音響レンダリングは、少なくとも、透過レンダリングおよび反射レンダリングを含む、ことと、
前記組織の体積内の着目領域を示すことであって、前記領域は、前記組織の体積内の病変に近接する、ことと、
前記着目領域の近傍の前記複数の音響レンダリングのうちの少なくとも１つの一部をセグメント化することと、
前記部分が前記病変の内部または外部にあることのインジケーションを提供することと、
マスクを生成することであって、前記マスクは、前記病変の形状の予測を含む、ことと、
予後パラメータのセットを決定することであって、前記予後パラメータのセットは、前記複数の音響レンダリングから導出される１つまたは複数の音伝搬計測値を含む、ことと
を含む、方法。 - 前記セグメント化することは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法を含む、請求項９７に記載の方法。
- 前記セグメント化することは、マルコフ確率場、混合ガウスモデル、または適応ファジィＣ平均法のうちの少なくとも２つを含む、請求項９７に記載の方法。
- 前記マルコフ確率場、前記混合ガウスモデル、または前記適応ファジィＣ平均法のうちの少なくとも２つによって、前記部分が病変の内部または外部にあることを決定することをさらに含む、請求項９９に記載の方法。
- 前記病変は、癌、線維腺腫、嚢胞、非特異性良性腫瘤、または識別不能腫瘤を含む、請求項９７に記載の方法。
- 前記複数の音響レンダリングは、組み合わせられた音響レンダリングを含む、請求項９７に記載の方法。
- 前記組み合わせられた音響レンダリングは、複数の反射レンダリングを含む、請求項１０２に記載の方法。
- 前記組み合わせられた音響レンダリングは、複数の透過レンダリングを含む、請求項１０２に記載の方法。
- 前記組み合わせられた音響レンダリングは、少なくとも１つの反射レンダリングおよび少なくとも１つの透過レンダリングを含む、請求項１０２に記載の方法。
- 透過レンダリングは、音速レンダリングまたは減衰レンダリングを含む、請求項９７に記載の方法。
- 前記予後パラメータは、着目領域に関連する音速計測値を含む、請求項９７に記載の方法。
- 前記着目領域は、ユーザ選択着目領域である、請求項１０７に記載の方法。
- 前記着目領域は、前記病変の少なくとも一部を含む、請求項１０７に記載の方法。
- 前記着目領域は、２次元着目領域を含む、請求項１０７に記載の方法。
- 前記着目領域は、少なくとも部分的に、エッジ検出を介して決定される、請求項１０７に記載の方法。
- 前記着目領域は、少なくとも部分的に、前記予後パラメータのセットを使用して選択される、請求項１０７に記載の方法。
- 前記２次元着目領域は、３次元着目領域を生成するために使用される、請求項１１０に記載の方法。
- マスクが、前記着目領域に基づいて生成される、請求項１０７に記載の方法。
- 前記予後パラメータのセットは、前記着目領域に基づく、請求項１０７に記載の方法。
- 前記予後パラメータのセットは、前記着目領域のユーザ割当分類を含む、請求項１０７に記載の方法。
- 前記ユーザ割当分類は、腫瘤境界スコアである、請求項１１６に記載の方法。
- 前記予後パラメータのセットは、前記病変の少なくとも１つの形態学的計測値を含む、請求項９７に記載の方法。
- 形態学的計測値は、真円度、形状の不規則度、マージンの不規則度、およびマージンの平滑度のうちの少なくとも１つを含む、請求項１１８に記載の方法。
- 前記予後パラメータのセットは、曖昧度を含む、請求項９７に記載の方法。
- 前記曖昧度は、前記病変の境界のものである、請求項１２０に記載の方法。
- 前記予後パラメータのセットは、鮮明度を含む、請求項９７に記載の方法。
- 前記鮮明度は、前記病変のマージンのものである、請求項１２２に記載の方法。
- 前記予後パラメータのセットは、前記着目領域の少なくとも１つのテクスチャ計測値を含む、請求項９７に記載の方法。
- 前記テクスチャ計測値は、鮮鋭度、グレーレベル同時生起行列、およびＬａｗのテクスチャマップのうちの少なくとも１つを含む、請求項１２４に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、着目領域の内部の音伝搬を特性評価する、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、請求項９７に記載の方法。
- 第１の音伝搬計測値は、着目領域の内部の音伝搬を特性評価し、第２の音伝搬計測値は、着目領域の外部の音伝搬を特性評価する、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、平均値、標準偏差、歪曲度、および尖度のうちの少なくとも１つを含む、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、音速、音減衰、および音反射のうちの少なくとも１つを特性評価する、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値および反射計測値を含む、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、および減衰計測値を含む、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、およびユーザ定義スコアを含む、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、および形態学的計測値を含む、請求項９７に記載の方法。
- 前記１つまたは複数の音伝搬計測値は、少なくとも、音速計測値、反射計測値、減衰計測値、形態学的計測値、およびユーザ定義スコアを含む、請求項９７に記載の方法。
- 前記予後パラメータのセットは、トリミングされる、請求項９７に記載の方法。
- 前記複数のサブセットのうちの１つは、音速を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項９７に記載の方法。
- 前記複数のサブセットのうちの１つは、音減衰を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項９７に記載の方法。
- 前記複数のサブセットのうちの１つは、音反射を特性評価する前記１つまたは複数の音伝搬計測値を含む、請求項９７に記載の方法。
- 前記分類子モデルは、少なくとも８５％の感度および少なくとも８４％の特異度を伴って、組織のタイプを決定する、請求項９７に記載の方法。
- 前記分類子モデルは、組織を分類するために十分な１つ以上の予後パラメータの閾値を決定する、請求項９７に記載の方法。
- 前記分類子モデルは、１つ以上の予後パラメータの相対的統計的正確度を決定する、請求項９７に記載の方法。
- 前記分類子モデルは、組織を分類するために十分な前記予後パラメータのサブセットの閾値を決定する、請求項９７に記載の方法。
- 前記分類子は、前記病変が悪性病変である尤度を決定する、請求項９７に記載の方法。
- 前記病変が悪性病変である尤度は、パーセンテージとして表される、請求項１４４に記載の方法。
- 前記分類子モデルは、機械学習技法を使用して生成される、請求項９７に記載の方法。
- 前記機械学習技法は、サポートベクトルマシンを含む、請求項１４６に記載の方法。
- 請求項９７−１４７のいずれかに記載の方法を実施するための命令とともに構成される有形媒体を備える、プロセッサ。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862664038P | 2018-04-27 | 2018-04-27 | |
| US62/664,038 | 2018-04-27 | ||
| US201962838174P | 2019-04-24 | 2019-04-24 | |
| US62/838,174 | 2019-04-24 | ||
| PCT/US2019/029592 WO2019210292A1 (en) | 2018-04-27 | 2019-04-29 | System and method for feature extraction and classification on ultrasound tomography images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021521982A true JP2021521982A (ja) | 2021-08-30 |
Family
ID=68293651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020559559A Pending JP2021521982A (ja) | 2018-04-27 | 2019-04-29 | 超音波断層撮影画像上の特徴抽出および分類のためのシステムおよび方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210035296A1 (ja) |
| EP (1) | EP3784139A4 (ja) |
| JP (1) | JP2021521982A (ja) |
| KR (1) | KR20210005699A (ja) |
| WO (1) | WO2019210292A1 (ja) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020501648A (ja) | 2016-12-02 | 2020-01-23 | デルフィヌス メディカル テクノロジーズ， インコーポレイテッド | 超音波トモグラフィのための波形強化反射およびマージン境界特徴付け |
| GB201705911D0 (en) | 2017-04-12 | 2017-05-24 | Kheiron Medical Tech Ltd | Abstracts |
| CN111095263A (zh) | 2017-06-26 | 2020-05-01 | 纽约州立大学研究基金会 | 用于虚拟胰造影术的系统、方法和计算机可访问介质 |
| US10762636B2 (en) | 2017-06-29 | 2020-09-01 | HealthMyne, Inc. | Systems and methods for volumetric segmentation of structures in planar medical images |
| US11513205B2 (en) | 2017-10-30 | 2022-11-29 | The Research Foundation For The State University Of New York | System and method associated with user authentication based on an acoustic-based echo-signature |
| EP3806744B1 (en) | 2018-06-14 | 2022-02-16 | Kheiron Medical Technologies Ltd | Immediate workup |
| US11521742B2 (en) * | 2018-07-18 | 2022-12-06 | SCA Robotics | Methods of implementing an artificial intelligence based neuroradiology platform for neurological tumor identification and for T-Cell therapy initiation and tracking and related precision medical treatment predictive modeling |
| EP3877949A4 (en) * | 2018-11-05 | 2022-08-17 | Healthmyne, Inc. | SYSTEMS AND METHODS FOR SEMI-AUTOMATIC TUMOR SEGMENTATION |
| WO2020243574A1 (en) * | 2019-05-31 | 2020-12-03 | Delphinus Medical Technologies, Inc. | Systems and methods for interactive lesion characterization |
| US11610304B2 (en) * | 2019-10-11 | 2023-03-21 | Case Western Reserve University | Predicting tumor prognoses based on a combination of radiomic and clinico-pathological features |
| EP4076158A4 (en) * | 2019-12-17 | 2023-12-06 | Delphinus Medical Technologies, Inc. | METHODS AND SYSTEMS FOR ASSESSING CANCER RISK USING TISSUE SOUND SPEED AND RIGIDITY |
| EP4087494A4 (en) | 2020-01-07 | 2024-03-27 | Arcscan Inc | COMPOSITE ULTRASONIC IMAGES |
| JP2023509786A (ja) * | 2020-01-10 | 2023-03-09 | プレノシス，インコーポレイテッド | 適合率診断において関連する特徴を選択するためのツール |
| US11515033B2 (en) * | 2020-04-22 | 2022-11-29 | GE Precision Healthcare LLC | Augmented inspector interface with targeted, context-driven algorithms |
| US20220061810A1 (en) * | 2020-08-25 | 2022-03-03 | Clarius Mobile Health Corp. | Systems and methods for placing a gate and/or a color box during ultrasound imaging |
| US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
| US11587236B2 (en) | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
| US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
| US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
| US11436724B2 (en) * | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
| US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
| CN112598139B (zh) * | 2020-12-22 | 2023-08-18 | 百度在线网络技术（北京）有限公司 | 类别编码方法、装置、设备、存储介质及程序产品 |
| US20220319002A1 (en) * | 2021-04-05 | 2022-10-06 | Nec Laboratories America, Inc. | Tumor cell isolines |
| CN113642632B (zh) * | 2021-08-11 | 2023-10-27 | 国网冀北电力有限公司计量中心 | 基于自适应竞争和均衡优化的电力系统客户分类方法及装置 |
| CN114354455B (zh) * | 2022-01-17 | 2023-12-08 | 北京石油化工学院 | 一种电池浆料粒度分布在线测量的方法 |
| WO2023215363A1 (en) * | 2022-05-03 | 2023-11-09 | Quantivly Inc. | Identifying medical imaging protocols based on radiology data and metadata |
| WO2023242805A1 (en) * | 2022-06-15 | 2023-12-21 | Syndiag S.R.L. | Processing method of an ultrasound image to associate information supporting tumour diagnosis of cysts and solid lesions |
| CN117252448B (zh) * | 2023-11-20 | 2024-02-20 | 华东交通大学 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008541889A (ja) * | 2005-06-02 | 2008-11-27 | ザ メディパターン コーポレイション | コンピュータ支援検出のシステムおよび方法 |
| JP2013519455A (ja) * | 2010-02-12 | 2013-05-30 | デルフィヌス メディカル テクノロジーズ，インコーポレイテッド | 患者の組織を特徴づける方法 |
| JP2015154918A (ja) * | 2014-02-19 | 2015-08-27 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 病変検出装置及び方法 |
| WO2017040866A1 (en) * | 2015-09-01 | 2017-03-09 | Delphinus Medical Technologies, Inc. | Tissue imaging and analysis using ultrasound waveform tomography |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7556602B2 (en) * | 2000-11-24 | 2009-07-07 | U-Systems, Inc. | Breast cancer screening with adjunctive ultrasound mammography |
| US20050033123A1 (en) * | 2003-07-25 | 2005-02-10 | Siemens Medical Solutions Usa, Inc. | Region of interest methods and systems for ultrasound imaging |
| EP2533684B1 (en) * | 2010-02-12 | 2021-06-16 | Delphinus Medical Technologies, Inc. | Method of characterizing tissue of a patient |
| US8582848B2 (en) * | 2010-07-30 | 2013-11-12 | Siemens Medical Solutions Usa, Inc. | System and method for detection of acoustic shadows and automatic assessment of image usability in 3D ultrasound images |
| US9060685B2 (en) * | 2012-03-26 | 2015-06-23 | Nec Laboratories America, Inc. | Whole tissue classifier for histology biopsy slides |
| CA3004657A1 (en) * | 2015-11-10 | 2017-05-18 | Exact Imaging, Inc. | A system comprising indicator features in high-resolution micro-ultrasound images |
| JP6468179B2 (ja) * | 2015-12-22 | 2019-02-13 | 株式会社島津製作所 | 乳房検査用画像撮影装置 |
| CN106778829B (zh) * | 2016-11-28 | 2019-04-30 | 常熟理工学院 | 一种主动学习的肝脏损伤类别的图像检测方法 |
| CN107274428B (zh) * | 2017-08-03 | 2020-06-30 | 汕头市超声仪器研究所有限公司 | 基于仿真和实测数据的多目标三维超声图像分割方法 |
-
2019
- 2019-04-29 JP JP2020559559A patent/JP2021521982A/ja active Pending
- 2019-04-29 KR KR1020207034160A patent/KR20210005699A/ko active IP Right Grant
- 2019-04-29 EP EP19792932.6A patent/EP3784139A4/en active Pending
- 2019-04-29 WO PCT/US2019/029592 patent/WO2019210292A1/en active Application Filing
-
2020
- 2020-10-21 US US17/076,384 patent/US20210035296A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008541889A (ja) * | 2005-06-02 | 2008-11-27 | ザ メディパターン コーポレイション | コンピュータ支援検出のシステムおよび方法 |
| JP2013519455A (ja) * | 2010-02-12 | 2013-05-30 | デルフィヌス メディカル テクノロジーズ，インコーポレイテッド | 患者の組織を特徴づける方法 |
| JP2015154918A (ja) * | 2014-02-19 | 2015-08-27 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 病変検出装置及び方法 |
| WO2017040866A1 (en) * | 2015-09-01 | 2017-03-09 | Delphinus Medical Technologies, Inc. | Tissue imaging and analysis using ultrasound waveform tomography |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3784139A4 (en) | 2021-12-29 |
| US20210035296A1 (en) | 2021-02-04 |
| WO2019210292A1 (en) | 2019-10-31 |
| EP3784139A1 (en) | 2021-03-03 |
| KR20210005699A (ko) | 2021-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210035296A1 (en) | System and method for feature extraction and classification on ultrasound tomography images | |
| US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
| Sheba et al. | An approach for automatic lesion detection in mammograms | |
| US11350905B2 (en) | Waveform enhanced reflection and margin boundary characterization for ultrasound tomography | |
| Ciurte et al. | Semi-supervised segmentation of ultrasound images based on patch representation and continuous min cut | |
| CN108348221A (zh) | 使用超声波波形断层成像的组织成像和分析 | |
| US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
| Yi et al. | Technology trends and applications of deep learning in ultrasonography: image quality enhancement, diagnostic support, and improving workflow efficiency | |
| Sridevi et al. | Survey of image segmentation algorithms on ultrasound medical images | |
| CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
| Shan | A fully automatic segmentation method for breast ultrasound images | |
| Tan et al. | Segmentation of malignant lesions in 3D breast ultrasound using a depth‐dependent model | |
| US20220084203A1 (en) | System and methods for interactive lesion characterization | |
| Vaiyapuri et al. | Design of metaheuristic optimization-based vascular segmentation techniques for photoacoustic images | |
| US11914034B2 (en) | Ultrasound-target-shape-guided sparse regularization to improve accuracy of diffused optical tomography and target depth-regularized reconstruction in diffuse optical tomography using ultrasound segmentation as prior information | |
| Hossain et al. | Automated breast tumor ultrasound image segmentation with hybrid UNet and classification using fine-tuned CNN model | |
| Pengiran Mohamad et al. | Transition of traditional method to deep learning based computer-aided system for breast cancer using Automated Breast Ultrasound System (ABUS) images: a review | |
| Murmu et al. | Deep learning model-based segmentation of medical diseases from MRI and CT images | |
| US10433818B2 (en) | Color coding an image for identifying anatomy using quantitative transmission ultrasound tomography | |
| Khaledyan et al. | Enhancing breast ultrasound segmentation through fine-tuning and optimization techniques: Sharp attention UNet | |
| US20160210774A1 (en) | Breast density estimation | |
| Wu et al. | Choroidal layer segmentation in OCT images by a boundary enhancement network | |
| US20220028067A1 (en) | Systems and Methods for Quantifying Vessel Features in Ultrasound Doppler Images | |
| Sawyer et al. | Evaluation of segmentation algorithms for optical coherence tomography images of ovarian tissue | |
| Vaiyapuri et al. | Research Article Design of Metaheuristic Optimization-Based Vascular Segmentation Techniques for Photoacoustic Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201224 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220228 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221101 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230127 |
|
| 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: 20230816 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240307 |