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
Description
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。
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。
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。
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)。
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。
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。
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。
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。
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、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。
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。
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。
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、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、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、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、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、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。
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。
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。
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。
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。
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 |