JP2021536330A - 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 - Google Patents
深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 Download PDFInfo
- Publication number
- JP2021536330A JP2021536330A JP2021513260A JP2021513260A JP2021536330A JP 2021536330 A JP2021536330 A JP 2021536330A JP 2021513260 A JP2021513260 A JP 2021513260A JP 2021513260 A JP2021513260 A JP 2021513260A JP 2021536330 A JP2021536330 A JP 2021536330A
- Authority
- JP
- Japan
- Prior art keywords
- voi
- dataset
- voxel
- neural network
- data set
- 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
- 238000013135 deep learning Methods 0.000 title description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 28
- 230000002547 anomalous effect Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 18
- 238000002591 computed tomography Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 230000003902 lesion Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 48
- 230000011218 segmentation Effects 0.000 abstract description 42
- 230000008569 process Effects 0.000 description 29
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 18
- 230000009471 action Effects 0.000 description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000007634 remodeling Methods 0.000 description 6
- 238000000844 transformation Methods 0.000 description 6
- 238000009877 rendering Methods 0.000 description 5
- 206010056342 Pulmonary mass Diseases 0.000 description 4
- 238000007792 addition Methods 0.000 description 4
- 230000002685 pulmonary effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000207 volumetry Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T2207/20081—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]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Description
入力:それぞれタイムスタンプT0およびT1における3Dデータセットに関する異常位置L0およびL1のリスト。
L0における各異常A0ごとに
L1における各異常A1ごとに
類似性スコアS(A0,A1)を計算する
出力:寸法|L0|×|L1|を有する類似性マトリックスS
類似性マトリックスSが与えられた場合、最適なマッピングMの決定を線形計画問題として定式化し、シンプレックスアルゴリズムを適用することによって、マッピング尤度を最大化するL0とL1との間の最適なマッピングMを計算する。
[1. 0.47 0. 0. 0.]
[0.34 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 0.2 0.04]
1.3Dデータセットの大規模なセット、例えば、訓練セットとして関連する身体部分の3D CTスキャンを含む異なる患者の研究を決定するステップであって、研究は、典型的には、各々が異なる取得平面(例えば、矢状または冠状)でとられたいくつかの3Dデータセットおよび再構成カーネルから構成され得る。
2.病変の検出に最も高い関連性を有する放射線学的専門知識に基づいて1つまたは複数の3Dデータセットを選択するステップであって、好ましくは、選択された3Dデータセットは、DICOMフォーマット(または別の適切な規格)を有するか、またはDICOMフォーマット(または別の適切な規格)に変換される。
3.1つまたは複数の選択された3Dデータセットを、システム内のモジュールによるその後の処理に適したフォーマットに変換するステップであって、具体的には、変換の一部として、1つまたは複数の選択された3Dデータセットの解像度は、3次元において標準化され得る。
1.訓練データセットの複数の一連のスライスにおけるROIおよびROIの位置の抽出。ここで、一連のスライスは、3Dデータセットを形成し得、異なるスライスのROIは、3Dデータセット内の異なる位置におけるVOIのボクセルを形成し得、VOIのボクセルは、異常を表すボクセルを含む。
2.各VOIに関連付けられたターゲットラベルの決定であって、ターゲットラベルは、3D DNNの入力に提供されたVOIのボクセルのブロックと同じまたは類似の寸法の確率的3Dマップを表す。3Dマップの要素は、VOIのボクセルに対応し、各要素は、対応するボクセルが異常に属する可能性に関する確率に関連付けられる。
3.訓練セットのVOIのボクセルを3D DNNの入力に提供し、3D DNNの出力とVOIに関連付けられた正しい出力ラベルとに基づいて誤差を決定するために損失関数を使用するステップ。
4.ネットワークパラメータを改善するために逆伝播を適用し、予測された出力ラベルと正しい出力ラベルとの間の誤差が収束するまでこのプロセスを繰り返すステップ。
クエリ取得レベル:研究
クエリモデル:P(患者)
クエリパラメータ:
PatientID=<patient_id>
StudyDate=<range>(例えば、'20080101-20180505')
StudyInstanceUID=''#empty(応答メッセージにおいてPACSによって提供される)
AccessionNumber=''#empty(応答メッセージにおいてPACSによって提供される)
101 中央プロセッサ
102 データ記憶および取得システム
103 記憶ユニット
104 現在の3Dデータセット
106 前の3Dデータセット
108 インターフェースプロセッサ
109 前処理モジュール
110 検出モジュール
112 セグメンテーションモジュール
114 位置合わせモジュール
116 成長率モジュール
118 メタデータ
120 メタデータ
122 成長率
202 検出モジュール
203 ボクセルのセット、3Dデータセット
204 3Dデータセット
206 第1の深層ニューラルネットワーク
210 第2の深層ニューラルネットワーク
214 出力データ
218 VOI
220 VOI
300 第1の3D(入力)ブロック
302 第1の2D CNN
304 第2の3Dブロック
308 第2の3Dブロック
310 第2の2D CNN
502 データストレージ
506 VOI
702 第2のVOI
704 第1のVOI、位置合わせモジュール
802 前の3Dデータセット
804 現在の3Dデータセット
806 3D深層ニューラルネットワーク
808 類似性スコア
810 類似性マトリックスS
812 プロセッサ
814 マッピング関数M
902 第1の深層ニューラルネットワークブランチ
904 第2のニューラルネットワークブランチ
906 第3のニューラルネットワーク
1010 異常の体積V0およびV1
1012 成長率メトリック
1108 3D訓練データセット
1110 異常を検出するための3D深層ニューラルネットワーク
1112 決定された異常の位置、手動で注釈が付けられた位置
1114 VOI内の異常をセグメント化するための3D DNN
1116 異常のセグメンテーション、手動でセグメント化された異常
1118 前および現在の3Dデータセットの異常を位置合わせするための3D DNN
1120 異常の位置合わせ、手動で注釈が付けられた異常の位置合わせ
1122 注釈
1202 サーバ
1204 標準化されたプロトコル
1206 クライアントデバイス
Claims (15)
- 3Dデータセット内のオブジェクトの成長率の自動決定のための方法であって、
プロセッサが、第1の時間インスタンスに関連付けられた現在の3Dデータセット、好ましくは3D CTスキャンを第1の3D深層ニューラルネットワーク(DNN)システムの入力に提供するステップであって、前記現在の3Dデータセットが患者の身体部分のボクセル表現を定義し、前記第1の3D DNNシステムが、3Dデータセットを受信し、前記3Dデータセットが1つまたは複数の異常(例えば、小結節または病変)を含む場合、前記3Dデータセット内の1つまたは複数の関心体積(VOI)を出力するように訓練されており、前記1つまたは複数のVOIが前記1つまたは複数の異常に関連付けられており、前記入力に応答して、前記プロセッサが、前記第1の3D DNNの前記出力から前記現在の3Dデータセット内の1つまたは複数の第1のVOIを受信する、ステップと、
前記プロセッサが、第2の時間インスタンスに関連付けられた前の3Dデータセット、好ましくは3D CTスキャンを前記第1の3D深層ニューラルネットワーク(DNN)システムの前記入力に提供するステップであって、前記前の3Dデータセットが前記患者の前記身体部分のボクセル表現を定義し、前記入力に応答して、前記プロセッサが、前記第1の3D DNNの前記出力から前記前の3Dデータセット内の1つまたは複数の第2のVOIを受信する、ステップと、
前記プロセッサが、前記1つまたは複数の第1のVOIを前記1つまたは複数の第2のVOIに位置合わせするために位置合わせアルゴリズムを使用するステップであって、前記位置合わせアルゴリズムがマッピングを生成し、前記マッピングが前記現在の3Dデータセット内の第1のVOIに対して前記前の3Dデータセット内の対応する第2のVOIを決定し、前記第1のVOIおよび前記対応する第2のVOIが前記同じ異常に関連する、ステップと、
前記プロセッサが、前記第1のVOIおよび前記対応する第2のVOIのボクセルを第2の3D DNNの前記入力に提供するステップであって、前記第2の3D DNNがVOIのボクセルを受信し、前記VOIのボクセルに関する確率を定義する3Dマップを出力するように訓練されており、ボクセルに関連付けられた確率が、前記ボクセルが異常の一部である可能性を定義し、前記プロセッサが、前記第2の3D DNNの前記出力から第1の3Dマップと第2の3Dマップとを受信し、前記異常を表す前記現在の3Dデータセット内の第1のボクセルを識別するために前記第1の3Dマップを使用し、前記異常を表す前記前のデータセット内の第2のボクセルを識別するために前記第2の3Dマップを使用する、ステップと、
前記プロセッサが、前記第1のボクセルに基づいて前記異常の第1の体積を決定し、前記第2のボクセルに基づいて前記異常の第2の体積を決定し、成長率を決定するために前記第1の体積と第2の体積とを使用するステップと
を含む方法。 - 前記プロセッサが前記1つまたは複数の第1のVOIを受信した後、前記プロセッサが、要求メッセージを構築し、前記要求メッセージをデータベース、好ましくは画像保存通信システム(PACS)に送信するために、前記現在の3Dデータセットに関連付けられたメタデータを使用するステップであって、前記要求メッセージが前記同じ患者および前記同じ身体部分の前の3Dデータセットを前記プロセッサに送信するように前記データベースに指示する、ステップをさらに含む、請求項1に記載の方法。
- 前記第1の訓練された3D深層ニューラルネットワークシステムが、その入力において3Dデータセットを受信し、その出力において1つまたは複数の候補VOIの前記3Dデータセット内の位置を決定するように訓練された少なくとも第1の3D深層畳み込みニューラルネットワーク(CNN)、好ましくは深層完全畳み込みニューラルネットワークであって、各候補VOIが、異常が存在する可能性がある前記3Dデータセット内の位置を定義する、少なくとも第1の3D CNNと、前記第1の3D CNNの前記出力から候補VOIを受信し、候補VOIのボクセルが異常を表す可能性に関する確率を決定するように訓練された少なくとも第2の3D深層CNNとを含む、請求項1または2に記載の方法。
- 前記位置合わせアルゴリズムが、前記現在の3Dデータセットのボクセルを前記前の3Dデータセットのボクセルに位置合わせするための非剛体変換を含む、請求項1から3のいずれか一項に記載の方法。
- 前記位置合わせアルゴリズムが、その入力において前記現在の3Dデータセットの第1のVOIと前記前の3Dデータの第2のVOIとを受信し、その出力において類似性スコアを決定するように訓練された第3の3D深層ニューラルネットワーク(DNN)システムを備え、前記類似性スコアが、前記第1のVOIのボクセルと前記第2のVOIのボクセルとの間の類似性に関する尺度を定義し、
好ましくは、前記第3の3D DNNが3D深層シャムニューラルネットワークとして構成され、前記シャムニューラルネットワークが、前記第1のVOIを受信および処理するための第1の3D深層ニューラルネットワーク部分、好ましくは第1の3D深層CNNと、第2の3D深層ニューラルネットワーク部分、好ましくは第2の3D深層CNNとを含み、前記第1および第2の3D深層ニューラルネットワーク部分が同じ重みを共有する、請求項1から3のいずれか一項に記載の方法。 - マッピングを生成する前記位置合わせアルゴリズムが、
前記現在の3Dデータセット内の前記1つまたは複数の第1のVOIから選択された第1のVOIと前記前の3Dデータセット内の前記1つまたは複数の第2のVOIから選択された第2のVOIとの組合せに関連する確率スコアを含む類似性マトリックスを決定するステップと、
前記現在の3Dデータセットの前記1つまたは複数の第1のVOIと前記前の3Dデータセットの前記1つまたは複数の第2のVOIとの間の最適なマッピングを決定するために、前記類似性マトリックスに基づく線形最適化アルゴリズムを使用するステップ
とを含む、請求項5に記載の方法。 - それぞれ、前記現在の3Dデータセット内の前記第1のボクセルを識別する第1のバイナリ3Dマップを形成するために、第1の3Dマップ内の前記確率に第1のしきい値が適用され、前記前の3Dデータセット内の前記第2のボクセルを識別する第2の3Dバイナリマップを形成するために、前記第2の3Dマップ内の前記確率に第2のしきい値が適用され、好ましくは、前記第1のしきい値が、前記第1の3Dバイナリマップによって識別されたボクセル体積の前記合計が前記現在の3Dデータセット内の前記異常の前記体積を表すように選択され、前記第2のしきい値が、前記第2の3Dバイナリマップによって識別されたボクセル体積の合計が前記前の3Dデータセット内の前記異常の前記体積を表すように選択される、請求項1から6のいずれか一項に記載の方法。
- 前記方法が、
前記現在の3Dデータセットおよび前記前の3Dデータセットに関連するデジタルレポートを生成するステップをさらに含み、前記デジタルレポートが、前記現在の3Dデータセット内の前記異常の3Dグラフィカル表現と、前記前の3Dデータセット内の前記異常の3Dグラフィカル表現と、前記異常の前記成長率とを含む、請求項1から7のいずれか一項に記載の方法。 - 前記第1の3D DNNシステムおよび/または前記第2のDNNが、畳み込み層の1つまたは複数のブロックを備え、各ブロックが3D CNNと2D CNNとを含み、再成形演算が、前記3D CNNのスライスを複数の2Dスライスに再成形し、各スライスが、前記2D CNN、好ましくは2D残余CNNとして構成された前記2D CNNによって処理される、請求項1から8のいずれか一項に記載の方法。
- 前記第1の3D DNNシステムまたは前記第3の3D深層ニューラルネットワークが、3D残余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9のいずれか一項に記載の方法。
- 前記現在および前の3Dデータセットの記憶および取得が、DICOM規格に基づく、請求項1から8のいずれか一項に記載の方法。
- 複数の3D深層ニューラルネットワークを訓練する方法であって、
複数の3D DNNを訓練するための訓練セットを受信するステップであって、前記訓練セットが、患者の身体部分の3Dデータセット、好ましくは3D CTスキャンであり、前記3Dデータセットの各々がゼロまたは1つもしくは複数の異常(例えば、病変または小結節)のいずれかを含む、3Dデータセットと、前記3Dデータセットの少なくとも一部に関する1つまたは複数の関心体積(VOI)であり、各VOIが異常(例えば、病変または小結節)に関連付けられている、VOIとを含む、ステップと、
各VOIについて、前記VOIのボクセル表現と、前記VOIが3Dデータセット内のどの位置にあるかを示す位置情報と、前記VOIのボクセルに関する確率を定義する確率的3Dマップとを受信するステップであって、ボクセルに関連付けられた確率が、前記ボクセルが異常の一部である可能性を定義する、ステップと、
前記3Dデータセットのボクセル表現を入力として使用し、前記位置情報を目標として使用して第1の3D深層ニューラルネットワークを訓練するステップと、
前記VOIのボクセル表現を入力として使用し、前記VOIの前記ボクセル表現に関連付けられた確率的3Dマップを目標として使用して第2の3D深層ニューラルネットワークを訓練するステップと、
前記VOIのボクセル表現と前記VOIの前記ボクセル表現の非線形画像変換とを入力として使用し、類似性スコアを目標として使用して第3の3D深層ニューラルネットワークを訓練するステップであって、類似性スコアがVOIのボクセル表現と前記ボクセル表現の非線形画像変換との間の類似性を定義する、ステップと
を含む方法。 - 具体化されたコンピュータ可読プログラムコードを有するコンピュータ可読記憶媒体であって、前記プログラムコードが少なくとも1つの訓練された3D深層ニューラルネットワークを含む、コンピュータ可読記憶媒体と、前記コンピュータ可読記憶媒体に結合された少なくとも1つのプロセッサ、好ましくはマイクロプロセッサとを備える、3Dデータセット内のオブジェクトの成長率の自動決定のためのコンピュータシステムであって、
前記コンピュータ可読プログラムコードの実行に応答して、前記少なくとも1つのプロセッサが、
第1の時間インスタンスに関連付けられた現在の3Dデータセット、好ましくは3D CTスキャンを第1の3D深層ニューラルネットワーク(DNN)システムの入力に提供する動作であって、前記現在の3Dデータセットが患者の身体部分のボクセル表現を定義し、前記第1の3D DNNシステムが、3Dデータセットを受信し、前記3Dデータセットが1つまたは複数の異常(例えば、小結節または病変)を含む場合、前記3Dデータセット内の1つまたは複数の関心体積(VOI)を出力するように訓練されており、前記1つまたは複数のVOIが前記1つまたは複数の異常に関連付けられており、前記入力に応答して、前記プロセッサが、前記第1の3D DNNの前記出力からの前記現在の3Dデータセット内の1つまたは複数の第1のVOIを受信する、動作と、
第2の時間インスタンスに関連付けられた前の3Dデータセット、好ましくは3D CTスキャンを前記第1の3D深層ニューラルネットワーク(DNN)システムの入力に提供する動作であって、前記前の3Dデータセットが前記患者の前記身体部分のボクセル表現を定義し、前記入力に応答して、前記プロセッサが、前記第1の3D DNNの出力から前記前の3Dデータセット内の1つまたは複数の第2のVOIを受信する、動作と、
前記1つまたは複数の第1のVOIを前記1つまたは複数の第2のVOIに位置合わせするために位置合わせアルゴリズムを使用する動作であって、前記位置合わせアルゴリズムがマッピングを生成し、前記マッピングが前記現在の3Dデータセット内の第1のVOIに対して前記前の3Dデータセット内の対応する第2のVOIを決定し、前記第1のVOIおよび前記対応する第2のVOIが前記同じ異常に関連する、動作と、
前記第1のVOIおよび前記対応する第2のVOIのボクセルを第2の3D DNNの入力に提供する動作であって、前記第2の3D DNNが、VOIのボクセルを受信し、前記VOIのボクセルに関する確率を定義する3Dマップを出力するように訓練されており、ボクセルに関連付けられた確率が、前記ボクセルが異常の一部である可能性を定義し、前記プロセッサが、前記第2の3D DNNの出力から第1の3Dマップと第2の3Dマップとを受信し、前記異常を表す前記現在の3Dデータセット内の第1のボクセルを識別するために前記第1の3Dマップを使用し、前記異常を表す前記前のデータセット内の第2のボクセルを識別するために前記第2の3Dマップを使用する、動作と、
前記第1のボクセルに基づいて前記異常の第1の体積を決定し、前記第2のボクセルに基づいて前記異常の第2の体積を決定し、成長率を決定するために前記第1の体積と前記第2の体積とを使用する動作と
を含む実行可能な動作を実行するように構成される、コンピュータシステム。 - 前記第1の訓練された3D深層ニューラルネットワークシステムが、その入力において3Dデータセットを受信し、その出力において1つまたは複数の候補VOIの前記3Dデータセット内の位置を決定するように訓練された少なくとも第1の3D深層畳み込みニューラルネットワーク(CNN)、好ましくは深層完全畳み込みニューラルネットワークであって、各候補VOIが、異常が存在する可能性がある前記3Dデータセット内の位置を定義する、少なくとも第1の3D CNNと、前記第1の3D CNNの前記出力から候補VOIを受信し、候補VOIのボクセルが異常を表す可能性に関する確率を決定するように訓練された少なくとも第2の3D深層CNNとを含み、および/または
前記位置合わせアルゴリズムが、その入力において前記現在の3Dデータセットの第1のVOIと前記前の3Dデータの第2のVOIとを受信し、その出力において類似性スコアを決定するように訓練された第3の3D深層ニューラルネットワーク(DNN)システムを備え、前記類似性スコアが、前記第1のVOIのボクセルと前記第2のVOIのボクセルとの間の類似性に関する尺度を定義し、好ましくは、前記第3の3D DNNが3D深層シャムニューラルネットワークとして構成され、前記シャムニューラルネットワークが、前記第1のVOIを受信および処理するための第1の3D深層ニューラルネットワーク部分、好ましくは第1の3D深層CNNと、第2の3D深層ニューラルネットワーク部分、好ましくは第2の3D深層CNNとを含み、前記第1および第2の3D深層ニューラルネットワーク部分が同じ重みを共有する、
請求項13に記載のコンピュータシステム。 - コンピュータのメモリ内で実行されると、請求項1から12のいずれか一項に記載の方法ステップを実行するように構成されたソフトウェアコード部分を備えるコンピュータプログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
NL2021559 | 2018-09-04 | ||
NL2021559A NL2021559B1 (en) | 2018-09-04 | 2018-09-04 | Determination of a growth rate of an object in 3D data sets using deep learning |
PCT/NL2019/050574 WO2020050721A1 (en) | 2018-09-04 | 2019-09-04 | Determination of a growth rate of an object in 3d data sets using deep learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021536330A true JP2021536330A (ja) | 2021-12-27 |
JP7346553B2 JP7346553B2 (ja) | 2023-09-19 |
Family
ID=64607249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021513260A Active JP7346553B2 (ja) | 2018-09-04 | 2019-09-04 | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 |
Country Status (8)
Country | Link |
---|---|
US (1) | US11996198B2 (ja) |
EP (1) | EP3847665A1 (ja) |
JP (1) | JP7346553B2 (ja) |
CN (1) | CN113168912B (ja) |
AU (1) | AU2019334755A1 (ja) |
CA (1) | CA3111320A1 (ja) |
NL (1) | NL2021559B1 (ja) |
WO (1) | WO2020050721A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7203000B2 (ja) * | 2019-11-12 | 2023-01-12 | Hoya株式会社 | プログラム、情報処理方法及び情報処理装置 |
CN111767390A (zh) * | 2020-06-28 | 2020-10-13 | 北京百度网讯科技有限公司 | 技能词评估方法及装置、电子设备、计算机可读介质 |
US11972348B2 (en) * | 2020-10-30 | 2024-04-30 | Apple Inc. | Texture unit circuit in neural network processor |
US20220172073A1 (en) * | 2020-11-26 | 2022-06-02 | Zecang Gu | Simulated deep learning method based on sdl model |
CN115439423B (zh) * | 2022-08-22 | 2023-09-12 | 北京医准智能科技有限公司 | 一种基于ct图像的识别方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008173213A (ja) * | 2007-01-17 | 2008-07-31 | Hitachi Medical Corp | 医用画像診断支援装置 |
JP2011177517A (ja) * | 2010-03-03 | 2011-09-15 | Medicsight Plc | 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム |
US20140016845A1 (en) * | 2011-04-08 | 2014-01-16 | Tiferet T. Gazit | Image analysis for specific objects |
JP2017023551A (ja) * | 2015-07-24 | 2017-02-02 | 富士通株式会社 | 画像処理プログラム、画像処理装置及び画像処理方法 |
WO2018026431A1 (en) * | 2016-08-01 | 2018-02-08 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US20180143275A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7920152B2 (en) * | 2004-11-04 | 2011-04-05 | Dr Systems, Inc. | Systems and methods for viewing medical 3D imaging volumes |
US20100266185A1 (en) * | 2009-04-21 | 2010-10-21 | Sloan Kettering Institute of Cancer | Malignant tissue recognition model for the prostate |
US8908948B2 (en) * | 2011-12-21 | 2014-12-09 | Institute Of Automation, Chinese Academy Of Sciences | Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale structure information |
US9990743B2 (en) * | 2014-03-27 | 2018-06-05 | Riverain Technologies Llc | Suppression of vascular structures in images |
CN106659453B (zh) * | 2014-07-02 | 2020-05-26 | 柯惠有限合伙公司 | 用于分割肺部的系统和方法 |
US10169685B2 (en) * | 2014-07-07 | 2019-01-01 | The Regents Of The University Of California | Automatic segmentation and quantitative parameterization of brain tumors in MRI |
CN107636659B (zh) * | 2015-05-11 | 2021-10-12 | 西门子保健有限责任公司 | 使用深度神经网络检测医学图像中的地标的方法和系统 |
JP6667224B2 (ja) * | 2015-08-07 | 2020-03-18 | キヤノン株式会社 | 画像処理装置およびその制御方法、並びにプログラム |
CN106056595B (zh) | 2015-11-30 | 2019-09-17 | 浙江德尚韵兴医疗科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 |
US10582907B2 (en) * | 2016-10-31 | 2020-03-10 | Siemens Healthcare Gmbh | Deep learning based bone removal in computed tomography angiography |
CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
US9968257B1 (en) * | 2017-07-06 | 2018-05-15 | Halsa Labs, LLC | Volumetric quantification of cardiovascular structures from medical imaging |
NL2019410B1 (en) * | 2017-08-10 | 2019-02-21 | Aidence B V | Computer-aided diagnostics using deep neural networks |
-
2018
- 2018-09-04 NL NL2021559A patent/NL2021559B1/en active
-
2019
- 2019-09-04 US US17/273,230 patent/US11996198B2/en active Active
- 2019-09-04 CN CN201980073082.3A patent/CN113168912B/zh active Active
- 2019-09-04 EP EP19782784.3A patent/EP3847665A1/en active Pending
- 2019-09-04 JP JP2021513260A patent/JP7346553B2/ja active Active
- 2019-09-04 AU AU2019334755A patent/AU2019334755A1/en active Pending
- 2019-09-04 CA CA3111320A patent/CA3111320A1/en active Pending
- 2019-09-04 WO PCT/NL2019/050574 patent/WO2020050721A1/en active Search and Examination
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008173213A (ja) * | 2007-01-17 | 2008-07-31 | Hitachi Medical Corp | 医用画像診断支援装置 |
JP2011177517A (ja) * | 2010-03-03 | 2011-09-15 | Medicsight Plc | 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム |
US20140016845A1 (en) * | 2011-04-08 | 2014-01-16 | Tiferet T. Gazit | Image analysis for specific objects |
JP2017023551A (ja) * | 2015-07-24 | 2017-02-02 | 富士通株式会社 | 画像処理プログラム、画像処理装置及び画像処理方法 |
WO2018026431A1 (en) * | 2016-08-01 | 2018-02-08 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US20180143275A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
Also Published As
Publication number | Publication date |
---|---|
WO2020050721A1 (en) | 2020-03-12 |
US20210327583A1 (en) | 2021-10-21 |
CA3111320A1 (en) | 2020-03-12 |
JP7346553B2 (ja) | 2023-09-19 |
CN113168912B (zh) | 2023-12-01 |
US11996198B2 (en) | 2024-05-28 |
NL2021559B1 (en) | 2020-04-30 |
CN113168912A (zh) | 2021-07-23 |
AU2019334755A1 (en) | 2021-04-08 |
EP3847665A1 (en) | 2021-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230106440A1 (en) | Content based image retrieval for lesion analysis | |
US10347010B2 (en) | Anomaly detection in volumetric images using sequential convolutional and recurrent neural networks | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
NL2019410B1 (en) | Computer-aided diagnostics using deep neural networks | |
US9959486B2 (en) | Voxel-level machine learning with or without cloud-based support in medical imaging | |
US20200085382A1 (en) | Automated lesion detection, segmentation, and longitudinal identification | |
Rehman et al. | A region-based deep level set formulation for vertebral bone segmentation of osteoporotic fractures | |
Tran et al. | Computational radiology in breast cancer screening and diagnosis using artificial intelligence | |
Blanc et al. | Artificial intelligence solution to classify pulmonary nodules on CT | |
JP2019530488A (ja) | 深層畳み込みニューラルネットワークを使用した医用画像のためのコンピュータ支援による診断システム | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
EP3893198A1 (en) | Method and system for computer aided detection of abnormalities in image data | |
JP7101809B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Wang et al. | Pulmonary nodule detection in CT images based on shape constraint CV model | |
US20220028510A1 (en) | Medical document creation apparatus, method, and program | |
WO2022056297A1 (en) | Method and apparatus for analyzing medical image data in a latent space representation | |
EP4235566A1 (en) | Method and system for determining a change of an anatomical abnormality depicted in medical image data | |
JP2017189394A (ja) | 情報処理装置および情報処理システム | |
JPWO2019208130A1 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
Cardenas et al. | Automated radiographic bone suppression with deep convolutional neural networks | |
US20220351000A1 (en) | Method and apparatus for classifying nodules in medical image data | |
EP4339961A1 (en) | Methods and systems for providing a template data structure for a medical report | |
Khan et al. | Transformative Deep Neural Network Approaches in Kidney Ultrasound Segmentation: Empirical Validation with an Annotated Dataset | |
CN115619705A (zh) | 用于识别医学图像数据集中的切片的方法和系统 | |
WO2021038088A1 (en) | Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A529 | Written submission of copy of amendment under article 34 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A529 Effective date: 20210415 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220812 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230414 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230424 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230724 |
|
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: 20230807 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7346553 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |