JP2021528751A - 深層学習を使用して癌検出を改善するための方法およびシステム - Google Patents
深層学習を使用して癌検出を改善するための方法およびシステム Download PDFInfo
- Publication number
- JP2021528751A JP2021528751A JP2020570510A JP2020570510A JP2021528751A JP 2021528751 A JP2021528751 A JP 2021528751A JP 2020570510 A JP2020570510 A JP 2020570510A JP 2020570510 A JP2020570510 A JP 2020570510A JP 2021528751 A JP2021528751 A JP 2021528751A
- Authority
- JP
- Japan
- Prior art keywords
- model
- cancer
- dataset
- stage
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 307
- 201000011510 cancer Diseases 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims abstract description 163
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 238000013135 deep learning Methods 0.000 title claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 54
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000002591 computed tomography Methods 0.000 claims description 145
- 238000012549 training Methods 0.000 claims description 64
- 210000004556 brain Anatomy 0.000 claims description 54
- 210000004072 lung Anatomy 0.000 claims description 48
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 44
- 201000005202 lung cancer Diseases 0.000 claims description 44
- 208000020816 lung neoplasm Diseases 0.000 claims description 44
- 210000001519 tissue Anatomy 0.000 claims description 37
- 238000012216 screening Methods 0.000 claims description 31
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 26
- 238000013517 stratification Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000002600 positron emission tomography Methods 0.000 claims description 10
- 230000001771 impaired effect Effects 0.000 claims description 9
- 208000014644 Brain disease Diseases 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 210000004879 pulmonary tissue Anatomy 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 14
- 238000003384 imaging method Methods 0.000 description 25
- 208000010877 cognitive disease Diseases 0.000 description 22
- 208000028698 Cognitive impairment Diseases 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 208000024827 Alzheimer disease Diseases 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000013459 approach Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000003920 cognitive function Effects 0.000 description 7
- 230000036210 malignancy Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 206010056342 Pulmonary mass Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 239000000090 biomarker Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 208000027061 mild cognitive impairment Diseases 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 206010060862 Prostate cancer Diseases 0.000 description 4
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000002610 neuroimaging Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008049 biological aging Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 208000008771 Lymphadenopathy Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007166 healthy aging Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 208000018555 lymphatic system disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30061—Lung
-
- 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
-
- 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
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
本出願は、2018年6月18日に出願した米国仮出願第62/686,541号、および2018年8月31日に出願した米国仮出願第62/726,178号の優先権の利益を主張するものである。
a)コンピュータ断層撮影データセットから、患者が癌を有するグローバルな確率を生成するようにトレーニングされた、3次元深層畳み込みニューラルネットワークを備える、予測的モデル(グローバル予測的モデル)を使用して、コンピュータ断層撮影データセットを処理するステップと、
b)2段階予測モデルを使用して、コンピュータ断層撮影データセットを処理するステップであって、前記処理が、
1)1つまたは複数の癌細胞を表す候補関心領域として、データセットにおける1つまたは複数の3次元候補ボリュームを生成するために、検出モデルを使用して、コンピュータ断層撮影データセットを処理するステップと、
2)3次元候補ボリュームの各々のための確率を生成するために、検出モデルによって生成された1つまたは複数の3次元候補ボリュームを処理するステップであって、3次元ボリュームの各々のための確率が、3次元ボリュームが1つまたは複数の癌細胞を表す確率を示す、ステップと
を含む、ステップと、
c)患者が癌を有するグローバルな確率と、3次元候補ボリュームの各々のための確率の両方を使用して、患者が癌を有する確率を生成するステップと
を含む。
a)グローバルに、コンピュータ断層撮影データセットにおける肺組織における癌の存在の確率を少なくとも予測するように、3次元深層畳み込みニューラルネットワークの形態におけるグローバル予測的モデルをトレーニングするステップであって、トレーニングが、癌の存在または不在を示すグランドトゥルースアノテーションをもつ多数のコンピュータ断層撮影データセットに対して実行される、ステップと、
b)コンピュータ断層撮影データセット内の1つまたは複数の3次元癌候補を検出するための、第1段階検出モデルをトレーニングするステップと、
c)第1段階検出モデルによって検出された1つまたは複数の3次元癌候補に対して動作する、複数の第2段階確率モデルをトレーニングするステップであって、第2段階確率モデルの各々が、3次元癌候補の各々に癌確率pを割り当て、複数の第2段階確率モデルの各々が、異なるモデルパラメータによって特徴付けられる、ステップと、
d)CTスキャンデータセットにおける癌の確率のアンサンブルまたは全体的予測を生成するために、グローバル予測的モデルおよび第2段階確率モデルの予測をアンサンブル方式で結合するためのアルゴリズムまたは関数を定義するステップと
を含む。
a)癌の存在を示すデータセットにおける特徴を抽出する、3次元深層畳み込みニューラルネットワークを備える、グローバル予測的モデルに、最近のデータセット、および場合によっては縦断的データセットを供給するステップと、
b)2段階予測モデルに、最近のデータセットおよび縦断的データセットを供給するステップであって、2段階予測モデルが、
1)現在のデータセット内の1つまたは複数の3次元癌候補を検出する、第1段階検出モデルと、
2)第1段階検出モデルによって検出された1つまたは複数の3次元癌候補に対して動作し、縦断的データセット、およびグローバルモデルからの抽出された特徴を組み込み、3次元癌候補の各々に癌確率pを割り当てる、第2段階確率モデルと
を備える、ステップと、
c)第2段階確率モデルによって3次元癌候補の各々に割り当てられた癌確率pから、データセットにおける癌の確率の全体的予測を生成するステップと
を含む。
a)癌の存在を示すデータセットにおける特徴を抽出する、3次元深層畳み込みニューラルネットワークを備える、グローバル予測的モデルに、マルチモーダルデータセットを供給するステップと、
b)2段階予測モデルにマルチモーダルデータセットを供給するステップであって、2段階予測モデルが、
1)マルチモーダルデータセット(たとえば、3D CT画像データセット)における画像のうちの1つの中の1つまたは複数の3次元癌候補を検出する、第1段階検出モデルと、
2)第1段階検出モデルによって検出された1つまたは複数の3次元癌候補、およびマルチモーダルデータセットにおける他の画像(PET画像およびMRI画像など)、およびグローバルモデルからの抽出された特徴において動作し、3次元癌候補の各々に癌確率pを割り当てる、第2段階確率モデルと
を備える、ステップと、
c)第2段階確率モデルによって3次元癌候補の各々に割り当てられた癌確率pから、データセットにおける癌の確率の全体的予測を生成するステップと
を含む。
a)患者から1つまたは複数の3D画像を取得し、予測的モデルに、1つまたは複数の3D画像を供給するステップと、
b)予測的モデルを用いて、被験者のための脳年齢予測を生成するステップと、
c)脳年齢予測を、患者の実年齢と比較するステップとを含み、脳年齢予測が、患者の実年齢のものよりも実質的に大きい場合、患者が、加齢関連脳疾患を発症するリスクが高いとして識別される。
本開示で説明するモデルの開発およびトレーニングのために、我々は、14,863名の患者からの42,943件のCT検査を含み、そのうちの620名が生検で確認された癌を発症した、National Lung Screening Trial(NLST)データセットを解析した。データセットにおける症例に関する追加の詳細は、アメリカ国立衛生研究所(NIH)Cancer Data Access System[https://biometry.nci.nih.gov/cdas/learn/nlst/images/]を通して入手可能であり、手短に言えば、症例は、複数の機関から低線量で得られたものであり、スライス厚は1.25mmから2.5mmまで変動し(NLSTデータセットからのより大きいスライス厚データは、検討から除去された)、スキャナベンダーは現場によって変動した。症例は、3つのグループ化されたセット、すなわち、トレーニング(70%)、チューニング(15%)、およびテスト(15%)に分割された。癌症例がすべての3つのグループ化されたセットにおいて現れることを保証するためのステップが実行されたので、症例の分割は完全にランダムであるとは限らなかった。癌の存在についてのグランドトゥルースは、患者がスクリーニング年の間に生検または手術で確認された肺癌と診断された(すなわち、真陽性)か否かの決定によって定義された。「陰性」は、NLST結果による癌の不在によって定義された(試験における患者は、6.5年の経過観察の中央値を有した)。データセットは、以下で説明するように、グローバルモデルにおける癌/癌なしに加えて、異なる二項分類を開発するために使用された、CTデータセットに関連付けられた患者のための臨床データを含む。
(1) IGi(image)=imagei*∫0-1▽Fi(α*image)dα
ただし、Fは、ラベルのための予測関数であり、
imageiは、i番目のピクセルの値であり、
IGi(image)は、i番目のピクセルに関する統合勾配、すなわち、i番目のピクセルのためのアトリビューションであり、
▽は、imageiに対する勾配演算子である。
(2) P(no cancer)=(1-p1)×(1-p2)×(1-p3)
(3) P(cancer)=1-P(no cancer)。
システム内に存在する場合、第2段階モデル132B、132Cなどの各々について、同じ計算が行われる。
(4) PE=(PG+PA+PB+PC)/4
ただし、PGは、たとえば、0〜100のパーセンテージスケールにおける、グローバルモデル確率予測である。
本明細書の背景技術のセクションにおいて上述したように、縦断的画像データセット(すなわち、現在または直近の画像データセットとの比較のために利用可能な前の患者画像データセット)、およびマルチモーダル画像データセットは、診断画像における癌スクリーニング診断または癌検出の改善に役立つことができる。多くの場合、そのようなデータセットの解釈は、放射線科医が複数の時間にわたって画像の同じ領域を比較することによって、手動または半自動的に実行される。深層学習を使用する自動化された手法は、癌を識別および分類するために、複数の画像にわたって微妙な手掛かりを識別するための能力を提供することができる。我々は、本明細書のこのセクションにおいて、深層学習モデルのアンサンブルを使用する癌検出および分類のために、縦断的またはマルチモーダルイメージングを組み込むための一般的な手法を提示する。
図1のシステムは、クラウド環境において展開され得、クラウド環境では、グローバル予測的モデルおよび2段階予測的モデルが、リモートで(たとえば、モデルをトレーニングおよび開発したサービスプロバイダによって、たとえば、クラウドにおいて)実装される。この構成では、CTスキャンデータセットが、コンピュータネットワーク(たとえば、インターネット)上で送られ、サービスプロバイダは、CTデータセットが取得されるクリニックまたはオフィスに最終確率スコアおよび位置を返し、そこで、放射線科医がCTスキャンを検討中であるか、またはそこで、医師が、患者から取得されたCTスキャンに関して患者と協議し、さらなる治療を計画中であり得る。代替的に、図1のシステムは、ローカルに実装され得、すなわち、コンピューティングリソースおよび深層学習モデルは、CTデータセットが取得されるか、または、たとえば、放射線科医もしくはかかりつけ医によってワークステーション上で閲覧される、オフィス、クリニック、または病院のローカルに位置する。
このセクションは、構造的磁気共鳴イメージングデータセットからの脳年齢予測のための提案する深層学習モデルの使用について説明する。
我々の手法の全体的な流れが、図12に示されている。図12のこのモデルは、図5の上側部分のグローバルモデルにおいて示されている。同じ物理的寸法の3D SMRI画像が、入力としてパイプラインに供給された。3D特徴抽出器が、入力画像から特徴マップを抽出するために利用された。次いで、回帰タスクまたはバケット化分類タスクとして、年齢予測を作成するために、完全接続層が利用された。
図13aおよび図13bは、それぞれ、回帰モデルおよびバケット化分類モデルのためのチューニングデータセットにおける、認知機能が正常な被験者の本当の年齢に対する予測年齢の散布プロットである。回帰モデルは、5.54のRMSEを達成したが、バケット化分類モデルは、6.44のRMSEを達成した。図14aおよび図14bは、同じ予測年齢グループにおける、認知障害のない被験者および障害のある被験者のための本当の年齢の分布のボックスプロットを示す。これらの図は、同じ年齢グループに入ると予測されたとき、認知障害のある被験者の本当の年齢の分布が、認知障害のない被験者の本当の年齢の分布よりも一貫して低い平均値を有することを示す。我々は、本当の年齢が60歳未満および90歳を超える被験者を除外しており、その理由は、テストデータセットにおいて十分なサンプルがなかったからである。加えて、認知障害のある被験者の予測年齢は、回帰手法およびバケット化分類手法において、それぞれ、彼らの暦年齢よりも平均で3.24±2.12歳および2.67±2.35歳高かった。
我々は、SMRI画像から脳年齢を予測するために、転移学習パラダイムに基づいて、2つの異なる畳み込みニューラルネットワーク(CNN)ベースの手法を開発した。我々の2つのモデルは、認知障害のない被験者の脳年齢の予測において、5.54および6.44(歳)のRMSEを達成した。さらなる解析は、同じ暦年齢グループに属する、認知障害のある被験者の予測脳年齢と正常な被験者の予測脳年齢との間に実質的な差があることを示した。したがって、我々は、予測脳年齢が、人生の早期にアルツハイマー病などの加齢関連脳疾患を発症するリスクがより高い個人を、彼らの人生の早期に識別することにおいて、臨床的に有用であることが判明し得ると考える。将来の作業において、我々は、発見したものを検証するために追加のデータを取得し、予測性能を改善するために、モデル最適化を実行するつもりである。
102 患者
104 従来のCTスキャナ
106 3D CTデータセット、CTデータセット、データセット
110 グローバル予測的モデル、グローバルモデル
112 癌確率
120 メモリ
122 コンピュータシステム
130 第1段階検出モデル、検出モデル
132 第2段階確率モデル、第2段階モデル、単一の確率モデル、単一の第2段階モデル、モデル
132A、132B、132C 第2段階モデル
134 癌検出候補、検出候補、候補、所与の入力癌候補3Dボリューム
200、202、204 層
206 高密度分類層
500 エンドツーエンドグローバル畳み込みモデル、グローバルモデル
502 2段階モデル
502A 第1段階または検出モデル
502B 第2段階または確率モデル、第2段階確率モデル
504 現在のCTボリューム
506 前のCTボリューム、前のモダリティ画像または他のモダリティ画像
508 3D特徴抽出器、特徴抽出器
510 8×8×8のより小さいボリューム
520 現在のCTボリューム、フルボリュームの現在の高解像度CTデータセット、フルボリュームデータセット
522 縦断的または前のCTボリューム、前のフルボリュームの高解像度CTデータセット、前のフルボリュームCTデータセット、CTボリューム、フルボリュームデータセット、他方のボリューム
524 結節検出器、第1段階モデルの結節検出、3D検出モデル、検出モデル
526 対応するROI、サブボリュームまたはROI、対応するサブボリュームまたはROI
528 癌候補(サブボリューム)、サブボリュームまたはROI、癌検出候補
530 3D特徴抽出器
532 小さいボリューム
534 平均プーリングおよび/または畳み込み層、追加の畳み込み層および平均プーリング
538 分類器、分類動作、分類プロセス
540 出力、出力ステップ
800 バウンディングボックス
900 より大きいバウンディングボックス
902 ボックス
1100 CTスキャン画像、画像
1102 小さい領域、アテンション機構結果、画像の部分
Claims (54)
- 患者について取得されたコンピュータ断層撮影データセットからの肺癌スクリーニングおよび検出を改善するための方法であって、
a)グローバルベースで、前記データセットにおける肺組織における癌の存在の確率を少なくとも予測するようにトレーニングされた、3次元深層畳み込みニューラルネットワークを備える、グローバル予測的モデルに、前記データセットを供給するステップと、
b)2段階予測モデルに前記データセットを供給するステップであって、前記2段階予測モデルが、
1)前記データセット内の1つまたは複数の3次元癌候補の位置を検出する、第1段階検出モデルと、
2)前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作し、前記3次元癌候補の各々に癌確率pを割り当てる、第2段階確率モデルと
を備える、ステップと、
c)(1)前記グローバル予測的モデルの前記予測と、前記第2段階確率モデルによって前記3次元癌候補の各々に割り当てられた前記癌確率pとの両方を使用する、前記データセットにおける癌の確率の全体的予測、および(2)前記データセットにおける癌の位置を表す、データを生成するステップであって、前記癌の位置が、前記グローバル予測的モデルまたは前記2段階予測モデルのいずれかによって決定される、ステップと
を含む、方法。 - 前記1つまたは複数の3次元癌候補が、前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作する、複数の第2段階確率モデルに提供され、前記第2段階確率モデルの各々が、前記3次元癌候補の各々に癌確率pを割り当て、前記複数の第2段階確率モデルの各々が、異なるモデルパラメータによって特徴付けられる、請求項1に記載の方法。
- 前記複数の第2段階確率モデルの前記異なるモデルパラメータが、1)前記データセットにおけるクロップされた3Dデータの異なるボリューム、2)学習中に使用される異なる最適化パラメータ、3)トレーニングの過程の間の異なる時点でモデルをとること、4)トレーニング中のデータ拡大の結果としての異なるパラメータ、ならびに5)各モデルのための深度、カーネルサイズ、および畳み込みの数など、異なるモデルアーキテクチャ設定からなる、パラメータのグループから選択される、請求項2に記載の方法。
- ステップc)において、全体的確率が、前記グローバルモデルによって生成されたグローバルな確率と、前記複数の第2段階確率モデルの各々によって算出された前記候補の各々のための全確率との平均を備える、請求項2または3に記載の方法。
- 前記グローバル予測的モデルが、前記データセットにおける前記癌の存在の確率に加えて、
a)癌の転帰、
b)2次元における少なくとも20mmのサイズの結節の存在、
c)5年以内の死亡確率、
d)2年以内の肺癌の診断
のうちの少なくとも1つを予測するようにトレーニングされる、請求項1から4のいずれか一項に記載の方法。 - 前記グローバルモデルが、前記データセットにおける肺癌の存在を識別するために、基本特徴抽出器を使用し、前記第1段階検出モデルが、前記基本特徴抽出器を使用する、請求項1から5のいずれか一項に記載の方法。
- 前記第1段階検出モデルおよび前記第2段階確率モデルが、深層畳み込みニューラルネットワークを備える、請求項1から6のいずれか一項に記載の方法。
- 前記第1段階検出モデルが、前記データセットの全ボリュームにおいて動作する、請求項1から7のいずれか一項に記載の方法。
- 前記グローバル予測的モデルが、前記データセットにおける前記癌の存在の確率の予測が前記識別された肺組織内のみでグローバルに動作するように、前記データセット内の肺組織を識別する肺セグメンテーション特徴をさらに備える、請求項1から8のいずれか一項に記載の方法。
- 前記データセットにおける前記癌の確率の前記全体的予測を、リスク層別化スキーマのバケットに入れるステップをさらに含む、請求項1から9のいずれか一項に記載の方法。
- 前記リスク層別化スキーマが、Lung-RADS(商標)などの既存のリスク層別化スキーマに近似する、請求項10に記載の方法。
- 前記複数の第2段階モデルが、特徴マップに関連付けられた中間畳み込み層を各々が有する、深層畳み込みニューラルネットワークを備え、前記グローバル予測的モデルが、特徴マップに関連付けられた中間畳み込み層を含み、ステップc)において、前記データセットにおける前記癌の確率の前記全体的予測が、(1)前記第2段階モデルからの前記特徴マップを、前記グローバルモデルの前記中間畳み込み層の前記特徴マップにアペンドし、前記グローバルモデルからの前記予測を生成すること、または(2)前記グローバルモデルからの前記特徴マップを、前記第2段階モデルの前記中間畳み込み層の前記特徴マップにアペンドし、前記第2段階モデルの出力から前記予測を生成することのいずれかによって取得される、請求項1に記載の方法。
- 患者について取得されたコンピュータ断層撮影データセットからの肺癌スクリーニングおよび検出を改善するためのコンピュータ実施システムであって、
a)グローバルベースで、前記データセットにおける肺組織における癌の存在の確率を少なくとも予測するようにトレーニングされた、3次元深層畳み込みニューラルネットワークを備える、グローバル予測的モデルと、
b)2段階予測モデルであって、
1)前記データセット内の1つまたは複数の3次元癌候補を検出する、第1段階検出モデルと、
2)前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作し、前記3次元癌候補の各々に癌確率pを割り当てる、第2段階確率モデルと
を備える、2段階予測モデルと、
c)(1)前記グローバル予測的モデルの前記予測と、前記第2段階確率モデルによって前記3次元癌候補の各々に割り当てられた前記癌確率pとを使用する、前記データセットにおける癌の確率の全体的予測、および(2)前記データセットにおける癌の位置を表す、データを生成するためのコンピュータシステム実行コードと
を組み合わせて備える、コンピュータ実施システム。 - 前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作する、複数の第2段階確率モデルをさらに備え、前記第2段階確率モデルの各々が、前記3次元癌候補の各々に癌確率pを割り当て、前記複数の第2段階確率モデルの各々が、異なるモデルパラメータによって特徴付けられる、請求項13に記載のシステム。
- 前記異なるモデルパラメータが、1)前記データセットにおけるクロップされた3Dデータの異なるボリューム、2)学習中に使用される異なる最適化パラメータ、3)トレーニングの過程の間の異なる時点でモデルをとること、および4)トレーニング中のデータ拡大の結果としての異なるパラメータからなる、パラメータのグループから選択される、請求項14に記載のシステム。
- 全体的確率が、前記グローバルモデルによって生成されたグローバルな確率と、前記複数の第2段階確率モデルの各々によって算出された前記候補の各々のための全確率との平均を備える、請求項13から15のいずれか一項に記載のシステム。
- 前記グローバル予測的モデルが、前記データセットにおける前記癌の存在の確率に加えて、
a)癌の転帰、
b)2次元における少なくとも20mmのサイズの結節の存在、
c)5年以内の死亡確率、
d)2年以内の肺癌の診断
のうちの少なくとも1つを予測するようにトレーニングされる、請求項13から16のいずれか一項に記載のシステム。 - 前記グローバルモデルが、前記データセットにおける肺癌の存在を識別するために、基本特徴抽出器を使用し、前記第1段階検出モデルが、前記基本特徴抽出器を使用する、請求項13から17のいずれか一項に記載のシステム。
- 前記第1段階検出モデルおよび前記第2段階確率モデルが、深層畳み込みニューラルネットワークを備える、請求項13から18のいずれか一項に記載のシステム。
- 前記コンピュータシステムが、前記データセットにおける前記癌の確率の前記全体的予測を、リスク層別化スキーマのバケットに入れるためのコードをさらに実行する、請求項13から19のいずれか一項に記載のシステム。
- コンピュータ断層撮影データセットの肺癌スクリーニングの特異度を高めるための深層学習システムを生成するための方法であって、
a)コンピュータ断層撮影データセットにおける肺組織における癌の存在の確率を少なくとも予測するように、3次元深層畳み込みニューラルネットワークの形態におけるグローバル予測的モデルをトレーニングするステップであって、前記トレーニングが、癌の存在または不在を示すグランドトゥルースアノテーションをもつ多数のコンピュータ断層撮影データセットに対して実行される、ステップと、
b)前記コンピュータ断層撮影データセット内の1つまたは複数の3次元癌候補を検出するための、第1段階検出モデルをトレーニングするステップと、
c)前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作する、複数の第2段階確率モデルをトレーニングするステップであって、前記複数の第2段階確率モデルの各々が、前記3次元癌候補の各々に癌確率pを割り当て、前記複数の第2段階確率モデルの各々が、異なるモデルパラメータによって特徴付けられる、ステップと、
d)CTスキャンデータセットにおける癌の確率のアンサンブル予測を生成するために、前記グローバル予測的モデルおよび前記第2段階確率モデルの前記予測をアンサンブル方式で結合するためのアルゴリズムを定義するステップとを含み、
前記グローバルモデルまたは前記2段階モデルのいずれかが、前記CTスキャンデータセットにおける癌の位置を識別するようにさらにトレーニングされる、方法。 - 前記異なるモデルパラメータが、1)前記データセットにおけるクロップされた3Dデータの異なるボリューム、2)学習中に使用される異なる最適化パラメータ、3)トレーニングの過程の間の異なる時点でモデルをとること、および4)トレーニング中のデータ拡大の結果としての異なるパラメータからなる、パラメータのグループから選択される、請求項21に記載の方法。
- 前記アルゴリズムが平均計算である、請求項21または22に記載の方法。
- 前記グローバル予測的モデルが、コンピュータ断層撮影データセットにおける前記癌の存在の確率に加えて、
a)癌の転帰、
b)2次元における少なくとも30mmのサイズの結節の存在、
c)5年以内の死亡確率、
d)2年以内の肺癌の診断
のうちの少なくとも1つを予測するようにトレーニングされる、請求項21から23のいずれか一項に記載の方法。 - 前記グローバル予測的モデルが、前記肺組織における前記癌の確率の予測を生成するより前に、コンピュータ断層撮影データセットにおいて非肺組織から肺組織をセグメント化する、肺セグメンテーション手順を組み込む、請求項21から24のいずれか一項に記載の方法。
- 前記グローバルモデルまたは前記第2段階確率モデルのいずれかが、アテンション機構を含む、請求項1から12のいずれか一項に記載の方法。
- 前記アテンション機構が統合勾配を備える、請求項26に記載の方法。
- 前記グローバルモデルまたは前記第2段階確率モデルのいずれかが、アテンション機構を含む、請求項13から20のいずれか一項に記載のシステム。
- 前記アテンション機構が統合勾配を備える、請求項28に記載のシステム。
- 前記グローバルモデルまたは前記第2段階確率モデルのいずれかが、アテンション機構を含む、請求項21から25のいずれか一項に記載の方法。
- 前記アテンション機構が統合勾配を備える、請求項30に記載の方法。
- 複数のバケットの形態におけるリスク層別化スキーマを定義するステップであって、前記データセットにおける前記癌の確率の全体的予測が、前記リスク層別化スキーマにおける前記バケットのうちの1つに入れられる、ステップをさらに含む、請求項21から25のいずれか一項に記載の方法。
- 前記リスク層別化スキーマが、Lung-RADS(商標)などの既存のリスク層別化スキーマに近似する、請求項32に記載の方法。
- 最近の医用画像ベースのデータセットおよび縦断的医用画像ベースのデータセットからの医用画像ベースの癌検出のための方法であって、
a)癌の存在を示す前記データセットにおける特徴を抽出する、3次元深層畳み込みニューラルネットワークを備える、グローバル予測的モデルに、前記最近のデータセット、および場合によっては前記縦断的データセットを供給するステップと、
b)2段階予測モデルに、前記最近のデータセットおよび前記縦断的データセットを供給するステップであって、前記2段階予測モデルが、
1)前記最近のデータセット内の1つまたは複数の3次元癌候補を検出する、第1段階検出モデルと、
2)前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作し、前記縦断的データセット、および前記グローバルモデルからの前記抽出された特徴を組み込み、前記3次元癌候補の各々に癌確率pを割り当てる、第2段階確率モデルと
を備える、ステップと、
c)前記第2段階確率モデルによって前記3次元癌候補の各々に割り当てられた癌確率pから、前記データセットにおける癌の確率の全体的予測を生成するステップと
を含む、方法。 - 前記1つまたは複数の3次元癌候補が、前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作する、複数の第2段階確率モデルに提供され、前記第2段階確率モデルの各々が、前記3次元癌候補の各々に癌確率pを割り当て、前記複数の第2段階確率モデルの各々が、異なるモデルパラメータによって特徴付けられる、請求項34に記載の方法。
- 前記複数の第2段階確率モデルの前記異なるモデルパラメータが、1)前記データセットにおけるクロップされた3Dデータの異なるボリューム、2)学習中に使用される異なる最適化パラメータ、3)トレーニングの過程の間の異なる時点でモデルをとること、4)トレーニング中のデータ拡大の結果としての異なるパラメータ、ならびに5)各モデルのための深度、カーネルサイズ、および畳み込みの数など、異なるモデルアーキテクチャ設定からなる、パラメータのグループから選択される、請求項35に記載の方法。
- 前記最近の医用画像ベースのデータセットおよび前記縦断的医用画像ベースのデータセットが、3Dコンピュータ断層撮影(CT)画像データセットを備える、請求項34から36のいずれか一項に記載の方法。
- 前記最近の医用画像ベースのデータセットおよび前記縦断的医用画像ベースのデータセットが、3D磁気共鳴イメージング(MRI)画像データセットを備える、請求項34から36のいずれか一項に記載の方法。
- 前記最近の医用画像ベースのデータセットおよび前記縦断的医用画像ベースのデータセットが、3D陽電子放射断層撮影(PET)画像データセットを備える、請求項34から36のいずれか一項に記載の方法。
- 前記第1段階検出モデルが、前記最近のデータセットの全ボリュームにおいて動作する、請求項33から39のいずれか一項に記載の方法。
- 前記グローバル予測的モデルが、前記特徴の抽出が前記識別された肺組織内のみで発生するように、前記最近のデータセットおよび前記縦断的データセット内の肺組織を識別する肺セグメンテーション特徴をさらに備える、請求項34から40のいずれか一項に記載の方法。
- 前記データセットにおける前記癌の確率の前記全体的予測を、リスク層別化スキーマのバケットに入れるステップをさらに含む、請求項34から41のいずれか一項に記載の方法。
- 前記リスク層別化スキーマが、Lung-RADS(商標)などの既存のリスク層別化スキーマに近似する、請求項42に記載の方法。
- 前記第2段階確率モデルが、特徴マップに関連付けられた中間畳み込み層を有する、深層畳み込みニューラルネットワークを備え、前記グローバル予測的モデルが、特徴マップに関連付けられた中間畳み込み層を含み、ステップc)において、前記データセットにおける前記癌の確率の前記全体的予測が、前記グローバルモデルからの前記特徴マップを、前記第2段階確率モデルの前記中間畳み込み層の前記特徴マップに連結し、前記第2段階確率モデルの出力から前記予測を生成することによって取得される、請求項34に記載の方法。
- マルチモーダル画像ベースのデータセットからの医用画像ベースの癌検出のための方法であって、
a)癌の存在を示す前記データセットにおける特徴を抽出する、3次元深層畳み込みニューラルネットワークを備える、グローバル予測的モデルに、前記マルチモーダルデータセットにおける前記画像のうちの少なくとも1つを供給するステップと、
b)2段階予測モデルに前記マルチモーダルデータセットを供給するステップであって、前記2段階予測モデルが、
1)前記マルチモーダルデータセットにおける前記画像のうちの1つの中の1つまたは複数の3次元癌候補を検出する、第1段階検出モデルと、
2)前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補、および前記マルチモーダルデータセットにおける他の画像、および前記グローバルモデルからの前記抽出された特徴において動作し、前記3次元癌候補の各々に癌確率pを割り当てる、第2段階確率モデルと
を備える、ステップと、
c)前記第2段階確率モデルによって前記3次元癌候補の各々に割り当てられた癌確率pから、前記データセットにおける癌の確率の全体的予測を生成するステップと
を含む、方法。 - 前記1つまたは複数の3次元癌候補が、前記第1段階検出モデルによって検出された前記1つまたは複数の3次元癌候補に対して動作する、複数の第2段階確率モデルに提供され、前記第2段階確率モデルの各々が、前記3次元癌候補の各々に癌確率pを割り当て、前記複数の第2段階確率モデルの各々が、異なるモデルパラメータによって特徴付けられる、請求項45に記載の方法。
- 前記複数の第2段階確率モデルの前記異なるモデルパラメータが、1)前記データセットにおけるクロップされた3Dデータの異なるボリューム、2)学習中に使用される異なる最適化パラメータ、3)トレーニングの過程の間の異なる時点でモデルをとること、4)トレーニング中のデータ拡大の結果としての異なるパラメータ、ならびに5)各モデルのための深度、カーネルサイズ、および畳み込みの数など、異なるモデルアーキテクチャ設定からなる、パラメータのグループから選択される、請求項45に記載の方法。
- 前記マルチモーダル画像ベースのデータセットが、3Dコンピュータ断層撮影(CT)画像データセット、3D磁気共鳴イメージング(MRI)画像データセット、および3D陽電子放射断層撮影(PET)画像データセットのうちの2つ以上の組合せを備える、請求項45から47のいずれか一項に記載の方法。
- 前記マルチモーダルデータセットが、マルチモーダルMRI画像データセットを備える、請求項45から47のいずれか一項に記載の方法。
- 前記データセットにおける前記癌の確率の前記全体的予測を、リスク層別化スキーマのバケットに入れるステップをさらに含む、請求項45から47のいずれか一項に記載の方法。
- 前記第2段階確率モデルが、特徴マップに関連付けられた中間畳み込み層を有する、深層畳み込みニューラルネットワークを備え、前記グローバル予測的モデルが、特徴マップに関連付けられた中間畳み込み層を含み、ステップc)において、前記データセットにおける前記癌の確率の前記全体的予測が、前記グローバルモデルからの前記特徴マップを、前記第2段階確率モデルの前記中間畳み込み層の前記特徴マップに連結し、前記第2段階確率モデルの出力から前記予測を生成することによって取得される、請求項45に記載の方法。
- 前記最近のデータセットおよび前記縦断的データセットを登録するステップをさらに含む、請求項34から44のいずれか一項に記載の方法。
- 前記マルチモーダルデータセットにおける前記画像を登録するステップをさらに含む、請求項45から51のいずれか一項に記載の方法。
- 患者が加齢関連脳疾患を発症するリスクがあるか否かを予測するための方法であって、前記方法が、同じ暦年齢グループに属する認知障害のある被験者および正常な被験者の3D画像のデータセットから、領域知識なしに開発された、脳年齢のための予測的モデルを利用し、前記方法が、
a)前記患者から1つまたは複数の3D画像を取得し、前記予測的モデルに、前記1つまたは複数の3D画像を供給するステップと、
b)前記予測的モデルを用いて、前記被験者のための脳年齢予測を生成するステップと、
c)前記脳年齢予測を、前記患者の実年齢と比較するステップとを含み、
前記脳年齢予測が、前記患者の前記実年齢のものよりも実質的に大きい場合、前記患者が、加齢関連脳疾患を発症するリスクが高いとして識別される、方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862686541P | 2018-06-18 | 2018-06-18 | |
US62/686,541 | 2018-06-18 | ||
US201862726178P | 2018-08-31 | 2018-08-31 | |
US62/726,178 | 2018-08-31 | ||
PCT/US2018/061956 WO2019245597A1 (en) | 2018-06-18 | 2018-11-20 | Method and system for improving cancer detection using deep learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021528751A true JP2021528751A (ja) | 2021-10-21 |
JP7069359B2 JP7069359B2 (ja) | 2022-05-17 |
Family
ID=64902378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020570510A Active JP7069359B2 (ja) | 2018-06-18 | 2018-11-20 | 深層学習を使用して癌検出を改善するための方法およびシステム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210225511A1 (ja) |
EP (1) | EP3788546A1 (ja) |
JP (1) | JP7069359B2 (ja) |
WO (1) | WO2019245597A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102583160B1 (ko) * | 2022-07-18 | 2023-09-26 | 주식회사 래디센 | X-ray 이미지의 노듈위치 결정방법 |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11361868B2 (en) * | 2017-08-16 | 2022-06-14 | The Johns Hopkins University | Abnormal tissue detection via modal upstream data fusion |
JP7114347B2 (ja) * | 2018-06-04 | 2022-08-08 | 浜松ホトニクス株式会社 | 断層画像予測装置および断層画像予測方法 |
CN109544534B (zh) * | 2018-11-26 | 2020-10-16 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
US11294367B2 (en) * | 2018-12-21 | 2022-04-05 | Canvass Analytics Inc. | Predictive analysis of industrial processes |
US10936160B2 (en) * | 2019-01-11 | 2021-03-02 | Google Llc | System, user interface and method for interactive negative explanation of machine-learning localization models in health care applications |
US11165954B1 (en) * | 2019-06-19 | 2021-11-02 | Objectvideo Labs, Llc | Scene-aware custom tuned video surveillance detection system |
GB2585005B (en) * | 2019-06-24 | 2021-06-23 | Roadmetric Ltd | Training a machine to recognize a motor vehicle driver using a mobile device |
US11424037B2 (en) | 2019-11-22 | 2022-08-23 | International Business Machines Corporation | Disease simulation in medical images |
AU2021207668A1 (en) * | 2020-01-17 | 2022-09-15 | Johnson & Johnson Enterprise Innovation Inc. | System and method for predicting the risk of future lung cancer |
US11403493B2 (en) * | 2020-01-17 | 2022-08-02 | Ping An Technology (Shenzhen) Co., Ltd. | Device and method for universal lesion detection in medical images |
CN111415743B (zh) * | 2020-03-17 | 2021-07-09 | 推想医疗科技股份有限公司 | 肺炎分类方法、装置、介质及电子设备 |
EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
EP3901903B1 (en) * | 2020-04-23 | 2023-06-14 | Siemens Healthcare GmbH | Classifying a lesion based on longitudinal studies |
KR102231698B1 (ko) * | 2020-06-15 | 2021-03-24 | 주식회사 루닛 | 정상 의료 영상을 필터링하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치 |
WO2021258081A1 (en) * | 2020-06-16 | 2021-12-23 | Verily Life Sciences Llc | Systems and methods for directly predicting cancer patient survival based on histopathology images |
CN111814726B (zh) * | 2020-07-20 | 2023-09-22 | 南京工程学院 | 一种探测机器人视觉目标检测方法 |
US20220068467A1 (en) * | 2020-08-31 | 2022-03-03 | International Business Machines Corporation | Simulated follow-up imaging |
US20220067509A1 (en) * | 2020-09-02 | 2022-03-03 | Alibaba Group Holding Limited | System and method for learning from partial compressed representation |
CN112201328B (zh) * | 2020-10-09 | 2022-06-21 | 浙江德尚韵兴医疗科技有限公司 | 一种基于交叉注意力机制的乳腺肿块分割方法 |
KR20220049754A (ko) * | 2020-10-15 | 2022-04-22 | 삼성에스디에스 주식회사 | 영상 분류 모델 학습 장치 및 방법 |
CN112508884A (zh) * | 2020-11-24 | 2021-03-16 | 江苏大学 | 一种癌变区域综合检测装置及方法 |
AU2021396186A1 (en) * | 2020-12-09 | 2023-07-27 | Imidex, Inc. | Methods of assessing lung disease in chest x-rays |
CN112861480A (zh) * | 2021-01-28 | 2021-05-28 | 中山大学 | 一种基于Albert模型的改进预测方法、系统及装置 |
TWI790572B (zh) * | 2021-03-19 | 2023-01-21 | 宏碁智醫股份有限公司 | 影像相關的檢測方法及檢測裝置 |
CN113191413B (zh) * | 2021-04-25 | 2022-06-21 | 华中科技大学 | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 |
CN113284615A (zh) * | 2021-06-16 | 2021-08-20 | 北京大学人民医院 | 一种基于XGBoost算法的胃肠道间质瘤预测方法和系统 |
CN113421176B (zh) * | 2021-07-16 | 2022-11-01 | 昆明学院 | 一种学生成绩分数中异常数据智能筛选方法 |
CN115063349A (zh) * | 2022-05-18 | 2022-09-16 | 北京理工大学 | 基于sMRI多维张量形态特征预测脑年龄的方法及装置 |
CN114677677B (zh) * | 2022-05-30 | 2022-08-19 | 南京友一智能科技有限公司 | 一种质子交换膜燃料电池气体扩散层材料比例预测方法 |
CN114814776B (zh) * | 2022-06-24 | 2022-10-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
EP4307224A1 (en) | 2022-07-15 | 2024-01-17 | Median Technologies | Method and system for computer aided diagnosis using ensembled 2d and 3d neural networks based on medical images |
CN115375665B (zh) * | 2022-08-31 | 2024-04-16 | 河南大学 | 一种基于深度学习策略的早期阿尔兹海默症发展预测方法 |
CN115578387A (zh) * | 2022-12-06 | 2023-01-06 | 中南大学 | 一种基于多模态的阿尔茨海默症医学图像分类方法及系统 |
CN116563524B (zh) * | 2023-06-28 | 2023-09-29 | 南京航空航天大学 | 一种基于多视觉记忆单元的扫视路径预测方法 |
CN117853490B (zh) * | 2024-03-06 | 2024-05-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、图像处理模型的训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10171910A (ja) * | 1996-11-29 | 1998-06-26 | Arch Dev Corp | 診断支援装置及び方法 |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
JP2008080121A (ja) * | 2006-09-28 | 2008-04-10 | General Electric Co <Ge> | 画像内の領域を識別する方法及びシステム |
US20090080748A1 (en) * | 2002-10-18 | 2009-03-26 | Cornell Research Foundation, Inc. | System, Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
US10265040B2 (en) * | 2015-07-13 | 2019-04-23 | Scott Anderson Middlebrooks | Method and apparatus for adaptive computer-aided diagnosis |
US10482633B2 (en) * | 2016-09-12 | 2019-11-19 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
US10140421B1 (en) * | 2017-05-25 | 2018-11-27 | Enlitic, Inc. | Medical scan annotator system |
-
2018
- 2018-11-20 WO PCT/US2018/061956 patent/WO2019245597A1/en unknown
- 2018-11-20 JP JP2020570510A patent/JP7069359B2/ja active Active
- 2018-11-20 EP EP18829537.2A patent/EP3788546A1/en active Pending
- 2018-11-20 US US17/055,313 patent/US20210225511A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10171910A (ja) * | 1996-11-29 | 1998-06-26 | Arch Dev Corp | 診断支援装置及び方法 |
US20090080748A1 (en) * | 2002-10-18 | 2009-03-26 | Cornell Research Foundation, Inc. | System, Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
JP2008080121A (ja) * | 2006-09-28 | 2008-04-10 | General Electric Co <Ge> | 画像内の領域を識別する方法及びシステム |
Non-Patent Citations (3)
Title |
---|
COLE JAMES H; ET AL: "PREDICTING BRAIN AGE WITH DEEP LEARNING FROM RAW IMAGING DATA RESULTS IN A RELIABLE AND HERITABLE BI", NEUROIMAGE, vol. 163, JPN5021010651, 29 July 2017 (2017-07-29), NL, pages 115 - 124, XP085290620, ISSN: 0004746962, DOI: 10.1016/j.neuroimage.2017.07.059 * |
HEUNG-IL SUK; ET AL: "HIERARCHICAL FEATURE REPRESENTATION AND MULTIMODAL FUSION WITH DEEP LEARNING FOR AD/MCI DIAGNOSIS", NEUROIMAGE, vol. 101, JPN5021010650, November 2014 (2014-11-01), NL, pages 569 - 582, XP055564567, ISSN: 0004746961, DOI: 10.1016/j.neuroimage.2014.06.077 * |
WAFAA ALAKWAA; ET AL: "LUNG CANCER DETECTION AND CLASSIFICATION WITH 3D CONVOLUTIONAL NEURAL NETWORK (3D-CNN)", INTERNATIONAL JOURNAL OF ADVANCED COMPUTER SCIENCE AND APPLICATIONS(IJACSA), vol. VOL:8,NR:8, JPN5021010649, 2017, pages 409 - 417, ISSN: 0004746960 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102583160B1 (ko) * | 2022-07-18 | 2023-09-26 | 주식회사 래디센 | X-ray 이미지의 노듈위치 결정방법 |
Also Published As
Publication number | Publication date |
---|---|
EP3788546A1 (en) | 2021-03-10 |
CN112292691A (zh) | 2021-01-29 |
WO2019245597A1 (en) | 2019-12-26 |
JP7069359B2 (ja) | 2022-05-17 |
US20210225511A1 (en) | 2021-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069359B2 (ja) | 深層学習を使用して癌検出を改善するための方法およびシステム | |
Singh et al. | Machine learning in cardiac CT: basic concepts and contemporary data | |
US10499857B1 (en) | Medical protocol change in real-time imaging | |
US7529394B2 (en) | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system | |
CN111563523B (zh) | 利用机器训练的异常检测的copd分类 | |
US20220254023A1 (en) | System and Method for Interpretation of Multiple Medical Images Using Deep Learning | |
US20050049497A1 (en) | Systems and methods for automated diagnosis and decision support for breast imaging | |
EP3685401B1 (en) | Method and apparatus for deriving a set of training data | |
Carneiro et al. | Automated 5-year mortality prediction using deep learning and radiomics features from chest computed tomography | |
US20100266173A1 (en) | Computer-aided detection (cad) of a disease | |
US20220301159A1 (en) | Artificial intelligence-based colonoscopic image diagnosis assisting system and method | |
US20210202072A1 (en) | Medical image diagnosis assistance apparatus and method for providing user-preferred style based on medical artificial neural network | |
US10957038B2 (en) | Machine learning to determine clinical change from prior images | |
Nidhin Raju et al. | Identification of interstitial lung diseases using deep learning | |
JP2004213643A (ja) | コンピュータ支援調和法 | |
WO2021178685A1 (en) | Class-disparate loss function to address missing annotations in training data | |
Velichko et al. | A Comprehensive Review of Deep Learning Approaches for Magnetic Resonance Imaging Liver Tumor Analysis | |
US20230162353A1 (en) | Multistream fusion encoder for prostate lesion segmentation and classification | |
Costa et al. | A deep learning-based radiomics approach for COVID-19 detection from CXR images using ensemble learning model | |
US20220287647A1 (en) | Disease classification by deep learning models | |
US11742072B2 (en) | Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images | |
CN112292691B (zh) | 用于使用深度学习提高癌症检测的方法与系统 | |
Happila et al. | Logistic Segmentation and Multistage Categorization based Predictive Modeling of Lung Cancer | |
Kovalev et al. | Automatic detection of pathological changes in chest X-ray screening images using deep learning methods | |
Ahmadyar et al. | Hierarchical approach for pulmonary-nodule identification from CT images using YOLO model and a 3D neural network classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210118 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210118 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220411 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220502 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7069359 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |