JP2023016717A - 高速マンモグラフィ・データ・ハンドリングのためのシステム及び方法 - Google Patents
高速マンモグラフィ・データ・ハンドリングのためのシステム及び方法 Download PDFInfo
- Publication number
- JP2023016717A JP2023016717A JP2022110877A JP2022110877A JP2023016717A JP 2023016717 A JP2023016717 A JP 2023016717A JP 2022110877 A JP2022110877 A JP 2022110877A JP 2022110877 A JP2022110877 A JP 2022110877A JP 2023016717 A JP2023016717 A JP 2023016717A
- Authority
- JP
- Japan
- Prior art keywords
- cnn
- mask
- input
- breast
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000009607 mammography Methods 0.000 title abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 334
- 210000000481 breast Anatomy 0.000 claims abstract description 216
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000001574 biopsy Methods 0.000 claims description 202
- 238000012549 training Methods 0.000 claims description 175
- 230000003902 lesion Effects 0.000 claims description 71
- 238000011176 pooling Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 54
- 230000005856 abnormality Effects 0.000 description 16
- 230000004913 activation Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 7
- 230000001902 propagating effect Effects 0.000 description 7
- 230000004807 localization Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000003211 malignant effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010064390 Tumour invasion Diseases 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000009400 cancer invasion Effects 0.000 description 1
- 238000010276 construction 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
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002962 histologic effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Description
200 ニューラル・ネットワーク訓練システム
204 入力FFDM画像
205、209 特徴マップ
206、210 畳み込み層
207、211 プールされた特徴マップ
208、212 プーリング層
214 全結合層
216 出力層
218、220、222 2D乳房マスク
236 目標画像分類
250 ニューラル・ネットワーク訓練システムの第二の実施形態
260 正解値病変情報
262 2Dバイオプシ画像
264、266、268 2Dバイオプシ・ウィンドウ・マスク
300 CNNを訓練する方法
350 CNNを展開する方法
400 ニューラル・ネットワーク訓練システム200の第三の実施形態
410 乳房の画像容積分類又は病変位置決定
411 3Dスライス
412 DBT画像容積
413、415、417 3D乳房マスク・スライス又はスラブ
414、416、418 3D乳房マスク
450 ニューラル・ネットワーク訓練システム200の第四の実施形態
460 画像容積正解値
461 3Dスライス
462 3Dバイオプシ画像容積
463、465、467 3Dバイオプシ・ウィンドウ・マスク・スライス
464、466、468 3Dバイオプシ・ウィンドウ・マスク
500 ニューラル・ネットワーク訓練システム200の第五の実施形態
502 3D画像容積
503 スライス又はスラブ
504、506、508 3Dパッチ・マスク
505 3Dスライス
510、512 3Dパッチ
514 乳房
Claims (20)
- 画像処理システムのための方法であって、
入力画像に基づいて当該画像処理システムの訓練済み畳み込みニューラル・ネットワーク(CNN)の出力を生成するステップと、計算を前記入力画像の予め画定された領域の内部の入力画像データに限定するように、前記CNNの畳み込み層及び全結合層の少なくとも一方への追加入力として前記入力画像の前記予め画定された領域を含めるステップと、
前記出力を記憶し且つ/又は前記出力を表示装置に表示するステップと
を備えた方法。 - 前記CNNの畳み込み層及び全結合層の前記少なくとも一方への追加入力として前記入力画像の前記予め画定された領域を含めるステップはさらに、
マスクを前記CNNの少なくとも一つの畳み込み層に関連付けるステップと、
前記マスクを前記少なくとも一つの畳み込み層の入力にマッピングするステップと、
前記予め画定された領域の内部の入力データについて畳み込みを行なうステップと、
前記予め画定された領域の外部の入力画像データについて畳み込みを行なわないステップと
を含んでいる、請求項1に記載の方法。 - 前記CNNの畳み込み層及び全結合層の前記少なくとも一方への追加入力として前記入力画像の前記予め画定された領域を含めるステップはさらに、
マスクを前記CNNの少なくとも一つの全結合層に関連付けるステップと、
前記マスクを前記少なくとも一つの全結合層の入力にマッピングするステップと、
前記予め画定された領域の内部の入力データに基づき、且つ前記予め画定された領域の外部の入力データには基づかずに、前記少なくとも一つの全結合層の出力を算出するステップと
を含んでいる、請求項1に記載の方法。 - 前記マスクを前記少なくとも一つの畳み込み層の特徴入力にマッピングするステップはさらに、前記CNNの前段の層に関連付けられた前記マスクをダウンサンプリングし且つ/又は寸法変更することを含んでいる、請求項2に記載の方法。
- 前記マスクは、前記少なくとも一つの畳み込み層への入力と同じ一組の寸法を有する値の配列であり、前記値の配列の各々の値が、前記入力のそれぞれのピクセル又は特徴に対応しており、該それぞれのピクセル又は特徴が前記予め画定された領域の内部に位置する場合には、第一の値が前記配列に割り当てられ、前記それぞれのピクセル又は特徴が前記予め画定された領域の外部に位置する場合には、第二の値が前記配列に割り当てられる、請求項2に記載の方法。
- 前記少なくとも一つの畳み込み層の入力及び/又は出力に、前記マスクの対応する空間的位置における値を乗算するステップ
をさらに含んでいる 請求項5に記載の方法。 - 前記CNNの訓練段階時に、
前記予め画定された領域の内部の入力画像データについて畳み込みを行ない、且つ前記予め画定された領域の外部の入力画像データについて畳み込みを行なわないように、前記CNNの少なくとも一つの畳み込み層への追加入力として前記マスクを含めるステップと、
前記予め画定された領域の内部の入力画像データに基づいてノードを活性化し、且つ前記予め画定された領域の外部の入力画像データに基づいてノードを活性化しないように、前記CNNの少なくとも一つの全結合層への追加入力として前記マスクを含めるステップと
の少なくとも一方をさらに含んでいる請求項2に記載の方法。 - 前記訓練段階時に、前記予め画定された領域の内部では損失逆伝播に基づき、且つ前記予め画定された領域の外部では基づかずに前記CNNの重みを調節するように前記CNNの前記少なくとも一つの畳み込み層において前記マスクを用いて、前記CNNの各ノードを通して損失関数の結果を逆伝播させるステップをさらに含んでいる請求項7に記載の方法。
- 前記CNNの訓練段階時に、前記予め画定された領域の外部の前記入力画像のピクセルに前記第二の値を割り当てるように、前記CNNの入力層においてのみ前記マスクを適用するステップと、
前記CNNの推論段階時に、
背景入力画像を前記CNNに入力するステップであって、前記背景入力画像の全てのピクセル強度値が前記第二の値に等しい、入力するステップと、
一組の背景特徴を前記CNNの最後の畳み込み層の出力として得るステップと、
前記CNNに新たな入力画像を入力するステップと、
前記予め画定された領域の外部で前記最後の畳み込み層の出力として得られる特徴を、前記一組の背景特徴の対応する特徴により置き換えるステップと、
前記置き換えられた重みを用いて前記CNNの出力を生成するステップと
をさらに含んでいる請求項5に記載の方法。 - 前記予め画定された領域は、乳房の正常区域及び異常区域を含む該乳房の1又は複数の区域で構成されている、請求項1に記載の方法。
- 前記マスクは、圧迫板の形状又はバイオプシ・ウィンドウの形状の一方により境界を定められた予め画定された領域に基づいている、請求項2に記載の方法。
- 畳み込みニューラル・ネットワーク(CNN)と、
画像の訓練データセットであって、複数の訓練対を含んでおり、各々の訓練対が乳房の入力画像と前記乳房の正解値データとを含んでいる、訓練データセットと、
前記CNNを記憶しており命令を含んでいる非一過性メモリに連絡可能に結合されているプロセッサと
を備えた画像処理システムであって、前記命令は実行されると、
各々の訓練対の各々の入力画像の前記乳房の領域を画定するステップであって、該領域の画像データは乳房情報を含んでおり前記領域にない画像データは前記乳房情報を含まない、画定するステップと、
前記CNNの訓練時に、伝播時及び逆伝播時に前記乳房情報を前記CNNの各々の層に入力するステップと、
出力を生成するように前記CNNを展開して、前記出力を表示装置に表示し且つ/又は前記出力を当該画像処理システムのデータベースに記憶するステップと
を前記プロセッサに行なわせる、画像処理システム。 - 伝播時及び逆伝播時に前記乳房情報を前記CNNの各々の層に入力するステップは、
伝播時には、前記CNNの各々の層において、前記予め画定された領域の内部の入力データについて畳み込みを行ない、且つ前記予め画定された領域の外部の入力画像データについて畳み込みを行なわないようにマスクを適用し、
逆伝播時には、前記CNNの各々の層において、最急降下アルゴリズムを用いるときに前記マスクを適用し、ここで重みが、前記CNNのノードにおいて前記予め画定された領域の内部では損失逆伝播に基づき、且つ前記予め画定された領域の外部では基づかずに調節される、請求項12に記載のシステム。 - 前記CNNの各々の層において前記マスクを適用するステップはさらに、
前記CNNの各々のプーリング層において前記マスクについてダウンサンプリング演算を行なうステップと、
各々のプーリング層に続く層において、ダウンサンプリングされたマスクを適用するステップと
を含んでいる、請求項13に記載のシステム。 - 前記出力は、前記乳房の病変の存在の指標及び前記病変の位置情報の少なくとも一方を含んでいる、請求項12に記載のシステム。
- 前記CNNはパッチ方式訓練を用いて訓練されており、前記予め画定された領域は前記パッチ方式訓練時に用いられる2Dパッチ又は3Dパッチである、請求項13に記載のシステム。
- 畳み込みニューラル・ネットワーク(CNN)のための方法であって、
推論段階時に入力画像において異常を検出するように当該CNNを展開するステップと、
前記入力画像の第一の領域に当該CNNの畳み込みフィルタを適用し、且つ前記入力画像の第二の領域に畳み込みフィルタを適用しないステップであって、前記第一の領域及び前記第二の領域はマスクにより指定される、適用するステップと
を備えた方法。 - 前記第一の領域は前記第二の領域と交差せず、前記入力画像の合計面積は、前記第一の領域の合計面積に前記第二の領域の合計面積を加えたものに等しい、請求項17に記載の方法。
- 前記マスクは二値の配列であり、前記第一の領域に対応する該配列の値は1と指定され、前記第一の領域に対応しない前記配列の値は0と指定される、請求項17に記載の方法。
- 前記マスクは、前記CNNの各層を通してダウンサンプリングされて伝播される、請求項17に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/382,159 US11954853B2 (en) | 2021-07-21 | 2021-07-21 | Systems and methods for fast mammography data handling |
US17/382,159 | 2021-07-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023016717A true JP2023016717A (ja) | 2023-02-02 |
JP7395668B2 JP7395668B2 (ja) | 2023-12-11 |
Family
ID=82547532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022110877A Active JP7395668B2 (ja) | 2021-07-21 | 2022-07-11 | 高速マンモグラフィ・データ・ハンドリングのためのシステム及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11954853B2 (ja) |
EP (1) | EP4123512A1 (ja) |
JP (1) | JP7395668B2 (ja) |
CN (1) | CN115689979A (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003532934A (ja) * | 1997-08-28 | 2003-11-05 | クァリア・コンピューティング・インコーポレーテッド | クラスタ化された微小カルシウム沈着をディジタル乳房x線像から自動検出するための方法およびシステム |
JP2017513605A (ja) * | 2014-04-29 | 2017-06-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | トモシンセシスイメージングのための装置及び方法 |
US20200058126A1 (en) * | 2018-08-17 | 2020-02-20 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
JP2020508143A (ja) * | 2017-02-22 | 2020-03-19 | ザ ユナイテッド ステイツ オブ アメリカ, アズ リプレゼンテッド バイ ザ セクレタリー, デパートメント オブ ヘルス アンド ヒューマン サービシーズ | インスタンス重み付けを伴うランダムフォレストを使用するマルチパラメトリックmriにおける前立腺がんの検出、およびホリスティックネスト型ネットワークを用いたディープラーニングによるmr前立腺セグメント化 |
JP2021511138A (ja) * | 2018-01-18 | 2021-05-06 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 試験組織試料における転移を予測するための医療解析方法 |
WO2021098300A1 (zh) * | 2019-11-18 | 2021-05-27 | 北京京东尚科信息技术有限公司 | 面部解析方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5999639A (en) | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US10885400B2 (en) | 2018-07-03 | 2021-01-05 | General Electric Company | Classification based on annotation information |
-
2021
- 2021-07-21 US US17/382,159 patent/US11954853B2/en active Active
-
2022
- 2022-07-04 EP EP22182923.7A patent/EP4123512A1/en active Pending
- 2022-07-06 CN CN202210789554.9A patent/CN115689979A/zh active Pending
- 2022-07-11 JP JP2022110877A patent/JP7395668B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003532934A (ja) * | 1997-08-28 | 2003-11-05 | クァリア・コンピューティング・インコーポレーテッド | クラスタ化された微小カルシウム沈着をディジタル乳房x線像から自動検出するための方法およびシステム |
JP2017513605A (ja) * | 2014-04-29 | 2017-06-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | トモシンセシスイメージングのための装置及び方法 |
JP2020508143A (ja) * | 2017-02-22 | 2020-03-19 | ザ ユナイテッド ステイツ オブ アメリカ, アズ リプレゼンテッド バイ ザ セクレタリー, デパートメント オブ ヘルス アンド ヒューマン サービシーズ | インスタンス重み付けを伴うランダムフォレストを使用するマルチパラメトリックmriにおける前立腺がんの検出、およびホリスティックネスト型ネットワークを用いたディープラーニングによるmr前立腺セグメント化 |
JP2021511138A (ja) * | 2018-01-18 | 2021-05-06 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 試験組織試料における転移を予測するための医療解析方法 |
US20200058126A1 (en) * | 2018-08-17 | 2020-02-20 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
WO2021098300A1 (zh) * | 2019-11-18 | 2021-05-27 | 北京京东尚科信息技术有限公司 | 面部解析方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
US11954853B2 (en) | 2024-04-09 |
EP4123512A1 (en) | 2023-01-25 |
US20230023042A1 (en) | 2023-01-26 |
CN115689979A (zh) | 2023-02-03 |
JP7395668B2 (ja) | 2023-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10957098B2 (en) | Consistent 3D rendering in medical imaging | |
Yamashita et al. | Convolutional neural networks: an overview and application in radiology | |
US10691980B1 (en) | Multi-task learning for chest X-ray abnormality classification | |
CN109753866A (zh) | 机器学习中具有密集特征金字塔网络架构的医学图像对象检测 | |
JP7139479B2 (ja) | 画像処理装置、医用画像診断装置、及びプログラム | |
US20060210131A1 (en) | Tomographic computer aided diagnosis (CAD) with multiple reconstructions | |
US20080031506A1 (en) | Texture analysis for mammography computer aided diagnosis | |
US20070052700A1 (en) | System and method for 3D CAD using projection images | |
US11308611B2 (en) | Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging | |
Gao et al. | Deep convolutional neural network with adversarial training for denoising digital breast tomosynthesis images | |
CN112529834A (zh) | 病理图像模式在3d图像数据中的空间分布 | |
US11615508B2 (en) | Systems and methods for consistent presentation of medical images using deep neural networks | |
Ricciardi et al. | A deep learning classifier for digital breast tomosynthesis | |
Dehghani et al. | Breast cancer diagnosis system based on contourlet analysis and support vector machine | |
Wu et al. | End-to-end abnormality detection in medical imaging | |
WO2022268618A1 (en) | Multi-energy x-ray imaging with anatomical intelligence | |
Wu et al. | Reducing false-positive biopsies using deep neural networks that utilize both local and global image context of screening mammograms | |
US11783476B2 (en) | System and method for analyzing three-dimensional image data | |
de Miranda Almeida et al. | Machine Learning Algorithms for Breast Cancer Detection in Mammography Images: A Comparative Study. | |
JP7395668B2 (ja) | 高速マンモグラフィ・データ・ハンドリングのためのシステム及び方法 | |
EP3896649A1 (en) | Medical image synthesis of abnormality patterns associated with covid-19 | |
Sajda et al. | Multi-resolution and wavelet representations for identifying signatures of disease | |
CN116964629A (zh) | 用于使用深度神经网络来推断二维医学图像中的感兴趣的对象类的厚度的系统和方法 | |
JP2023545570A (ja) | 形状プライアを用いた及び用いないセグメンテーション結果によって解剖学的異常を検出すること | |
Ram et al. | Lung Lobe Segmentation With Automated Quality Assurance Using Deep Convolutional Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220822 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230525 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230607 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230713 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230920 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231019 |
|
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: 20231101 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231129 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7395668 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |