JP2023532761A - 病変の検出および特性評価のための人工知能ベースの画像分析のためのシステムならびに方法 - Google Patents

病変の検出および特性評価のための人工知能ベースの画像分析のためのシステムならびに方法 Download PDF

Info

Publication number
JP2023532761A
JP2023532761A JP2023500326A JP2023500326A JP2023532761A JP 2023532761 A JP2023532761 A JP 2023532761A JP 2023500326 A JP2023500326 A JP 2023500326A JP 2023500326 A JP2023500326 A JP 2023500326A JP 2023532761 A JP2023532761 A JP 2023532761A
Authority
JP
Japan
Prior art keywords
hotspot
processor
map
volume
hotspots
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
Application number
JP2023500326A
Other languages
English (en)
Inventor
ヨハン マルティン ブリノフソン，
シェシュティン エルサ マリア ヨンソン，
ハニッカ マリア エレオノーラ サルステット，
イエンス フィリップ アンドレアス リヒター，
Original Assignee
エクシーニ ディアグノスティクス アーべー
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US17/008,411 external-priority patent/US11721428B2/en
Application filed by エクシーニ ディアグノスティクス アーべー filed Critical エクシーニ ディアグノスティクス アーべー
Publication of JP2023532761A publication Critical patent/JP2023532761A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/70—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • 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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Nuclear Medicine (AREA)

Abstract

本明細書に提示されるものは、陽電子放出断層撮影（ＰＥＴ）および単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）画像等の核医学画像の自動化された分析を介して、対象内の病変の改良された検出ならびに特性評価を提供する、システムおよび方法である。特に、ある実施形態では、本明細書に説明されるアプローチは、人工知能（ＡＩ）を活用し、対象内の潜在的な癌性病変を表すホットスポットに対応する、３Ｄ核医学画像の領域を検出する。機械学習モジュールは、画像内のそのような領域の存在および場所を検出するためだけではなく、それらが当てはまる基礎となる癌性病変を示す尤度に基づいて、病変に対応する領域をセグメント化する、ならびに／もしくはそのようなホットスポットを分類するためにも使用され得る。

Description

（関連出願の相互参照）
本願は、そのそれぞれの内容が、参照することによってそれらの全体として本明細書に組み込まれる、２０２０年７月６日に出願された、米国仮特許出願第６３／０４８，４３６号、２０２０年８月３１日に出願された、米国非仮特許出願第１７／００８，４１１号、２０２０年１２月１８日に出願された、米国仮特許出願第６３／１２７，６６６号、および２０２１年６月１０日に出願された、米国仮特許出願第６３／２０９，３１７号の優先権ならびに利益を主張する。
本発明は、概して、医療画像データの生成、分析、および／または提示のためのシステムならびに方法に関する。より具体的には、ある実施形態では、本発明は、癌性病変を識別および／または特性評価するための医療画像の自動化された分析のためのシステムならびに方法に関する。
核医学撮像は、放射性医薬品と称される、放射標識化合物の使用を伴う。放射性医薬品は、患者に投与され、癌等の疾患の存在および／または状態によって影響を受けるもの等、その中の組織の生物物理的ならびに／もしくは生化学的性質に依存し、したがって、それを示す様式において身体内の種々の領域内に蓄積する。例えば、ある放射性医薬品は、患者への投与に続いて、転移癌を示す、悪性骨病変と関連付けられる異常な骨形成の領域内に蓄積する。他の放射性医薬品が、疾患の進行の間に改変される、身体内の特異的な受容体、酵素、およびタンパク質に結合し得る。患者への投与の後、これらの分子は、それらの意図される標的を見出すまで、血液中で循環する。結合された放射性医薬品は、疾患の部位に留まりながら、薬剤の残部は、身体から退出する。
核医学撮像技法は、放射性医薬品の放射性部分から放出される放射線を検出することによって、画像を捕捉する。蓄積された放射性医薬品は、疾患の場所および集中を描写する画像が、一般的に利用可能な核医学モダリティを使用して取得され得るように、発信機としての役割を果たす。核医学撮像モダリティの実施例は、骨走査撮像（シンチグラフィとも称される）、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）、および陽電子放出断層撮影（ＰＥＴ）を含む。骨走査、ＳＰＥＣＴ、およびＰＥＴ撮像システムが、世界中の大部分の病院において見出される。特定の撮像モダリティの選定は、使用される特定の放射性医薬品に依存する、および／またはそれを決定付ける。例えば、テクネチウム９９ｍ（９９ｍＴｃ）標識化合物は、骨走査撮像およびＳＰＥＣＴ撮像と互換性がある一方、ＰＥＴ撮像は、多くの場合、１８Ｆで標識されたフッ素化合物を使用する。化合物９９ｍＴｃメチレンジホスホン酸（９９ｍＴｃ ＭＤＰ）は、転移性癌を検出するための骨走査撮像のために使用される、一般的に使用される放射性医薬品である。９９ｍＴｃ標識１４０４およびＰｙＬＴＭ（［１８Ｆ］ＤＣＦＰｙＬとも称される）等の放射標識された前立腺特異的膜抗原（ＰＳＭＡ）標的化化合物は、それぞれ、ＳＰＥＣＴならびにＰＥＴ撮像と併用されることができ、非常に特異的な前立腺癌の検出の可能性をもたらす。
故に、核医学撮像は、医師に、患者内の疾患の存在および到達範囲を決定するために使用され得る情報を提供するために、価値がある技法である。医師は、本情報を使用し、患者に推奨される治療過程を提供し、疾患の進行度を追跡することができる。
例えば、腫瘍専門医が、患者の検査からの核医学画像を、患者が、特定の疾患、例えば、前立腺癌を患っているかどうか、疾患のどの病期が明白であるか、（該当する場合）推奨される治療過程は何であろうか、外科手術介入が必要であるかどうか、および、おそらくは、予後のその査定の入力として使用してもよい。腫瘍専門医は、本査定において、放射線医師の報告を使用してもよい。放射線医師の報告は、撮像検査を要求した医師のために放射線医師によって調製される、核医学画像の技術的評価であり、例えば、実施された検査のタイプ、臨床的履歴、画像間の比較、検査を実施するために使用された技法、放射線医師の見解および所見、ならびに放射線医師が撮像検査結果に基づいて有し得る、全体的な印象および推奨を含む。署名された放射線医師の報告が、医師の精査のために検査を指示する医師に送信され、医師と患者との間での結果および治療に関する推奨についての議論が後に続く。
したがって、本プロセスは、放射線医師に患者に関する撮像検査を実施させるステップと、取得された画像を分析するステップと、放射線医師の報告書を作成するステップと、要求する医師に報告を自動転送するステップと、医師に査定および治療推奨をまとめさせるステップと、医師に患者に結果、推奨、ならびにリスクを伝えさせるステップとを伴う。本プロセスはまた、決定的ではない結果に起因して撮像検査を繰り返すステップ、または初期の結果に基づいてさらなる試験を指示するステップも伴い得る。撮像検査が、患者が特定の疾患または病状（例えば、癌）を患っていることを示す場合、医師は、外科手術、ならびに外科手術を受けることではなく、何もしないこと、もしくは経過観察または積極的監視アプローチを採用することのリスクを含む、種々の治療選択肢を議論する。
故に、複数の患者画像を経時的に精査および分析するプロセスは、癌の診断ならびに治療において重要となる役割を果たす。したがって、癌の診断および治療ための画像精査ならびに分析の正確度を促進および改良する、改良されたツールの有意な必要性が、存在する。医師、放射線医師、および他の医療従事者によってこのように利用されるツールキットを改良することは、標準治療ならびに患者体験の有意な改良を提供する。
本明細書に提示されるものは、陽電子放出断層撮影（ＰＥＴ）および単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）画像等の核医学画像の自動化された分析を介して、対象内の病変の改良された検出ならびに特性評価を提供する、システムおよび方法である。特に、ある実施形態では、本明細書に説明されるアプローチは、人工知能（ＡＩ）技法を活用し、対象内の潜在的な癌性病変を表す、３Ｄ核医学画像の領域を検出する。ある実施形態では、これらの領域は、病変内の放射性医薬品の取込の増加に起因する、それらの周囲に対して高い強度の局所的領域、すなわち、ホットスポットに対応する。本明細書に説明されるシステムおよび方法は、１つまたはそれを上回る機械学習モジュールを使用し、画像内のそのようなホットスポットの存在ならびに場所を検出するだけではなく、それらが実際に当てはまる基礎となる癌性病変に対応する尤度に基づいて、ホットスポットに対応する領域をセグメント化する、および／またはホットスポットを分類することも行い得る。これらのＡＩベースの病変検出、セグメント化、および分類アプローチは、病変、全体的腫瘍量、ならびに疾患の重症度およびリスクの推定のさらなる特性評価のための基礎を提供することができる。
例えば、いったん病変を表す画像ホットスポットが、検出、セグメント化、および分類されると、病変指数値が、算出され、基礎病変内の放射性医薬品取込の尺度ならびに／もしくはそのサイズ（例えば、体積）を提供することができる。算出された病変指数値は、ひいては、集約され、対象に関する腫瘍量、疾患の重症度、転移癌リスク、および同等物の全体的推定値を提供することができる。ある実施形態では、病変指数値が、セグメント化されたホットスポット体積内の強度の尺度を、肝臓部分および大動脈部分等の具体的な基準器官の強度と比較することによって算出される。このように基準器官を使用するステップは、病変指数値が異なる対象の画像間で比較され得る正規化されたスケールに基づいて測定されることを可能にする。ある実施形態では、本明細書に説明されるアプローチは、腎臓、肝臓、および嚢（例えば、膀胱）等、放射性医薬品が通常状況下において高レベルで蓄積する、器官ならびに組織領域に対応する複数の画像領域からの強度波及を抑制するための技法を含む。これらの器官に対応する核医学画像の領域内の強度は、典型的には、正常で健康な対象に関しても高く、必ずしも癌を示すわけではない。また、これらの器官内における高い放射性医薬品蓄積は、高レベルの放出放射線をもたらす。増加した放出放射線は、散乱し得、器官自体に対応する核医学画像の領域内にだけではなく、近傍の外側のボクセルにおいても高い強度をもたらす。高取込と関連付けられる器官に対応する領域の外側および周囲の画像の領域内への本強度波及は、近傍の病変の検出を阻害し、その中への取込を測定する際の不正確さを引き起こし得る。故に、そのような強度波及効果を補正するステップが、病変の検出および定量化の正確度を改良する。
ある実施形態では、本明細書に説明されるＡＩベースの病変検出技法が、核医学画像から取得される機能情報を、Ｘ線コンピュータ断層撮影（ＣＴ）画像等、解剖学的画像から取得される解剖学的情報で拡張する。例えば、本明細書に説明されるアプローチにおいて利用される機械学習モジュールが、機能的核医学画像（例えば、ＰＥＴ画像、例えば、ＳＰＥＣＴ画像）の一部に対応する第１のチャネル、ならびに共整合される解剖学的（例えば、ＣＴ）画像の一部に対応する付加的チャネル、および／またはそれらから導出される解剖学的情報を含む、入力の複数のチャネルを受信してもよい。このように解剖学的コンテキストを追加することは、病変検出アプローチの正確度を改良し得る。解剖学的情報はまた、検出に続いて適用される、病変分類アプローチに組み込まれてもよい。例えば、検出されたホットスポットの強度に基づいて病変指数値を算出するステップに加えて、ホットスポットはまた、それらの場所に基づいて解剖学的標識を割り当てられてもよい。例えば、検出されたホットスポットは、それらの場所が、前立腺、骨盤リンパ節、非骨盤リンパ節、骨、または前立腺およびリンパ節の外側の軟質組織領域内の場所に対応するかどうかに基づいて、標識（例えば、英数字標識）を自動的に割り当てられてもよい。
ある実施形態では、検出されたホットスポットおよび算出された病変指数値ならびに解剖学的標識等の関連付けられた情報が、医師、放射線医師、技師等の医療従事者による精査を可能にするように、双方向グラフィカルユーザインターフェース（ＧＵＩ）を用いて表示される。医療従事者は、したがって、ＧＵＩを使用し、検出されたホットスポットならびに対応する指数値および／または解剖学的標識の正確度を精査ならびに確認してもよい。ある実施形態では、ＧＵＩはまた、ユーザが医療画像内の付加的ホットスポットを（例えば、手動で）識別およびセグメント化することを可能にし、それによって、医療従事者が、自動化された検出プロセスが見逃したかもしれないと考えられる付加的な潜在的病変を識別することを可能にし得る。いったん識別された時点で、病変指数値および／または解剖学的標識はまた、これらの手動で識別ならびにセグメント化された病変に関して決定されてもよい。いったんユーザが、検出されたホットスポットのセットおよびそれらから算出された情報に満足した時点で、彼らは、その承認を確認し、例えば、精査され、患者とともに転帰ならびに診断を議論し、予後および治療選択肢を査定するために使用され得る、最終的な署名付き報告書を発生させてもよい。
このように、本明細書に説明されるアプローチは、対象内の疾患（例えば、癌）の状態および進行度の正確度を改良し、その査定を合理化し得る、病変検出ならびに分析のためのＡＩベースのツールを提供する。これは、診断、予後、および治療に対する応答の査定を促進し、それによって、患者の転帰を改良する。
一側面では、本発明は、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射線を表す、強度値（例えば、標準取込値（ＳＵＶ））を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、機械学習モジュール［例えば、（例えば、訓練プロシージャを介して決定された所定の（例えば、固定された）パラメータを有する）予め訓練された機械学習モジュール］を使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎にホットスポットの場所を識別する、ホットスポットリスト［例えば、座標（例えば、画像座標、例えば、物理的空間座標）のリスト、例えば、検出されたホットスポットの場所（例えば、重心）に対応する３Ｄ機能画像のボクセルを識別するマスク］と、（ｉｉ）ホットスポット毎に３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ｛例えば、３Ｄホットスポットマップは、ホットスポット毎に、各ホットスポットの３Ｄホットスポット体積に対応する３Ｄ機能画像内のボクセルを識別する、（例えば、１つまたはそれを上回るセグメント化マスクから成る）セグメント化マップであり［例えば、３Ｄホットスポットマップは、（例えば、入力として、少なくとも３Ｄ機能画像を受信し、出力として、３Ｄホットスポットマップを発生させ、それによって、ホットスポットをセグメント化する、機械学習モジュールを使用して）機能画像の人工知能ベースのセグメント化を介して取得され］、例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入し、３Ｄ機能画像の他のボクセルから、３Ｄホットスポット体積を構成する３Ｄ機能画像のボクセルを区別する、例えば、３Ｄ境界）を境界する｝とのうちの一方または両方を生成するステップと、（ｃ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供するステップとを含む、方法を対象とする。
ある実施形態では、機械学習モジュールは、入力として、３Ｄ機能画像の少なくとも一部を受信し、少なくとも部分的に、３Ｄ機能画像の受信された部分のボクセルの強度に基づいて、１つまたはそれを上回るホットスポットを自動的に検出する。ある実施形態では、機械学習モジュールは、入力として、各着目体積（ＶＯＩ）が対象内の特定の標的組織領域および／または特定の解剖学的領域［例えば、軟質組織領域（例えば、前立腺、リンパ節、肺、乳房）、例えば、１つまたはそれを上回る特定の骨、例えば、全体的骨格領域］に対応する、３Ｄ機能画像内の１つまたはそれを上回るＶＯＩを識別する、３Ｄセグメント化マップを受信する。
ある実施形態では、本方法は、プロセッサによって、解剖学的撮像モダリティ［例えば、Ｘ線コンピュータ断層撮影（ＣＴ）、例えば、磁気共鳴映像法（ＭＲＩ）、例えば、超音波］を使用して取得された、対象の３Ｄ解剖学的画像を受信するステップ（例えば、および／またはそれにアクセスするステップ）を含み、３Ｄ解剖学的画像は、対象内の組織（例えば、軟質組織ならびに／もしくは骨）のグラフィック表現を含み、機械学習モジュールは、入力の少なくとも２つのチャネルであって、該入力チャネルは、３Ｄ解剖学的画像の少なくとも一部に対応する、第１の入力チャネルと、３Ｄ機能画像の少なくとも一部に対応する、第２の入力チャネルとを含む、入力の少なくとも２つのチャネルを受信する［例えば、機械学習モジュールは、別個のチャネル（例えば、同一の体積を表す、別個のチャネル）としてＰＥＴ画像およびＣＴ画像を受信する（例えば、写真カラー画像の２つの色チャネル（ＲＧＢ）の機械学習モジュールによる受信に類似する）］。
ある実施形態では、機械学習モジュールは、入力として、３Ｄ機能画像および／または３Ｄ解剖学的画像内で、各着目体積（ＶＯＩ）が特定の標的組織領域ならびに／もしくは特定の解剖学的領域に対応する、１つまたはそれを上回るＶＯＩを識別する、３Ｄセグメント化マップを受信する。ある実施形態では、本方法は、プロセッサによって、３Ｄ解剖学的画像を自動的にセグメント化し、それによって、３Ｄセグメント化マップを生成するステップを含む。
ある実施形態では、機械学習モジュールは、入力として、対象の１つまたはそれを上回る具体的な組織領域ならびに／もしくは解剖学的領域に対応する、３Ｄ機能画像の具体的部分を受信する、領域固有機械学習モジュールである。
ある実施形態では、機械学習モジュールは、出力として、ホットスポットリストを発生させる［例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセルの強度に基づいて、それぞれが１つまたはそれを上回るホットスポットのうちの１つの場所に対応する、１つまたはそれを上回る場所（例えば、３Ｄ座標）を決定するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装する］。
ある実施形態では、機械学習モジュールは、出力として、３Ｄホットスポットマップを発生させる［例えば、機械学習モジュールは、３Ｄホットスポットマップ（例えば、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）を境界し、それによって、（例えば、３Ｄホットスポット境界によって封入された）３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ）の３Ｄホットスポット体積を識別するように（例えば、少なくとも部分的に、３Ｄ機能画像のボクセルの強度に基づいて）３Ｄ機能画像をセグメント化するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装し、例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセル毎に、ボクセルがホットスポットに対応する尤度を表す、ホットスポット尤度値を決定するように訓練された、機械学習アルゴリズムを実装する（例えば、ステップ（ｂ）は、閾値化等の１つまたはそれを上回る後続の後処理ステップを実施し、ホットスポット尤度値を使用して３Ｄホットスポットマップ（例えば、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）を境界し、それによって、（例えば、３Ｄホットスポット境界によって封入される）３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ）の３Ｄホットスポット体積を識別するステップを含む）］。
ある実施形態では、本方法は、（ｄ）プロセッサによって、ホットスポットの少なくとも一部のホットスポット毎に、ホットスポットが対象内の病変を表す尤度に対応する、病変尤度分類［例えば、ホットスポットが当てはまる病変であるか、またはそうではないかを示す、二項分類、例えば、ホットスポットが当てはまる病変を表す尤度を表す、スケール上の尤度値（例えば、０から１までの範囲に及ぶ浮動小数点値）］を決定するステップを含む。
ある実施形態では、ステップ（ｄ）は、第２の機械学習モジュールを使用し、一部のホットスポット毎に、病変尤度分類を決定するステップを含む［例えば、機械学習モジュールは、ホットスポットを検出し（例えば、出力として、ホットスポットリストおよび／または３Ｄホットスポットマップを発生させ）、ホットスポット毎に、ホットスポットに関する病変尤度分類を決定するように訓練された、機械学習アルゴリズムを実装する］。ある実施形態では、ステップ（ｄ）は、第２の機械学習モジュール（例えば、ホットスポット分類モジュール）を使用し、ホットスポット毎に病変尤度分類を決定するステップを含む［例えば、少なくとも部分的に、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される、１つまたはそれを上回る構成要素に基づき、例えば、第２の機械学習モジュールは、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される、１つまたはそれを上回る構成要素に対応する、入力の１つまたはそれを上回るチャネルを受信する］。
ある実施形態では、本方法は、プロセッサによって、ホットスポット毎に１つまたはそれを上回るホットスポット特徴のセットを決定し、第２の機械学習モジュールへの入力として、１つまたはそれを上回るホットスポット特徴のセットを使用するステップを含む。
ある実施形態では、本方法は、（ｅ）（例えば、報告書内での包含のために、例えば、対象に関する１つまたはそれを上回るリスク指数値を算出するステップにおける使用のために）、プロセッサによって、少なくとも部分的に、ホットスポットのための病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する、１つまたはそれを上回るホットスポットのサブセットを選択するステップを含む。
ある実施形態では、本方法は、（ｆ）［例えば、ステップ（ｂ）に先立って］プロセッサによって、３Ｄ機能画像のボクセルの強度を調節し、３Ｄ機能画像の１つまたはそれを上回る高強度体積からの強度波及（例えば、クロストーク）を補正するステップであって、１つまたはそれを上回る高強度体積はそれぞれ、通常状況下での高い放射性医薬品取込と関連付けられる（例えば、必ずしも癌を示しているわけではない）対象内の高取込組織領域に対応する、ステップを含む。ある実施形態では、ステップ（ｆ）は、複数の高強度体積からの強度波及を一度に１つずつ、逐次的方式において補正するステップを含む［例えば、最初に、３Ｄ機能画像のボクセルの強度を調節し、第１の高強度体積からの強度波及を補正し、第１の補正された画像を発生させ、次いで、第１の補正された画像のボクセルの強度を調節し、第２の高強度体積からの強度波及を補正する等となる］。ある実施形態では、１つまたはそれを上回る高強度体積は、腎臓と、肝臓と、嚢（例えば、膀胱）とから成る群から選択される、１つまたはそれを上回る高取込組織領域に対応する。
ある実施形態では、本方法は、（ｇ）プロセッサによって、１つまたはそれを上回るホットスポットの少なくとも一部のそれぞれに関して、ホットスポットが対応する基礎病変内での放射性医薬品取込のレベルならびに／もしくはそのサイズ（例えば、体積）を示す、対応する病変指数を決定するステップを含む。ある実施形態では、ステップ（ｇ）は、ホットスポットと関連付けられる（例えば、ホットスポットの場所における、および／またはそれを中心とした、例えば、ホットスポットの体積内の）１つまたはそれを上回るボクセルの（例えば、標準取込値（ＳＵＶ）に対応する）強度（複数の強度）と１つまたはそれを上回る基準値を比較するステップであって、各基準値は、対象内の特定の基準組織領域（例えば、肝臓、例えば、大動脈部分）と関連付けられ、基準組織領域に対応する基準体積の強度（例えば、ＳＵＶ値）に基づいて［例えば、平均（例えば、四分位範囲内の平均値等の、ロバスト平均）として］決定される、ステップを含む。ある実施形態では、１つまたはそれを上回る基準値は、対象の大動脈部分と関連付けられる、大動脈基準値と、対象の肝臓と関連付けられる、肝臓基準値とから成る群から選択される、１つまたはそれを上回る構成要素を含む。
ある実施形態では、特定の基準組織領域と関連付けられる少なくとも１つの特定の基準値に関して、特定の基準値を決定するステップは、特定の基準組織領域に対応する特定の基準体積内のボクセルの強度を多成分混合モデル（例えば、２成分ガウスモデル）に適合させる［例えば、ボクセルの強度の分布を適合させる（例えば、ボクセル強度のヒストグラムを適合させる）］ステップ［例えば、さらに、ボクセル強度の分布内の１つまたはそれを上回るマイナーなピークであって、異常な取込と関連付けられるボクセルに対応する、マイナーなピークを識別し、それらのボクセルを基準値決定から除外する（例えば、それによって、肝臓の一部等の基準組織領域のある部分内での異常に低い放射性医薬品取込の効果を考慮する）、ステップと］を含む。
ある実施形態では、本方法は、決定された病変指数値を使用し、対象に関する癌ステータスおよび／またはリスクを示す、対象に関する全体的リスク指数を（例えば、プロセッサによって自動的に）算出するステップを含む。
ある実施形態では、本方法は、プロセッサによって（例えば、自動的に）、ホットスポット毎に、ホットスポットが表す潜在的な癌性病変が位置すると［例えば、プロセッサによって（例えば、受信および／または決定された３Ｄセグメント化マップに基づいて）］決定される、対象内の特定の解剖学的領域ならびに／もしくは解剖学的領域の群［例えば、前立腺、骨盤リンパ節、非骨盤リンパ節、骨（例えば、骨転移領域）、および前立腺またはリンパ節内に位置していない軟質組織領域内］に対応する、解剖学的分類を決定するステップを含む。
ある実施形態では、本方法は、（ｈ）プロセッサによって、グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、ユーザによる精査のための、１つまたはそれを上回るホットスポットの少なくとも一部のグラフィック表現を引き起こすステップを含む。ある実施形態では、本方法は、（ｉ）ユーザ精査を介して対象内の基礎となる癌性病変を表す可能性が高いものとして確認された、１つまたはそれを上回るホットスポットのサブセットのユーザ選択を、プロセッサによって、ＧＵＩを介して受信するステップを含む。
ある実施形態では、３Ｄ機能画像は、対象への薬剤（例えば、放射性医薬品、例えば、造影剤）の投与に続いて取得される、ＰＥＴまたはＳＰＥＣＴ画像を含む。ある実施形態では、薬剤は、ＰＳＭＡ結合剤を含む。ある実施形態では、薬剤は、１８Ｆを含む。ある実施形態では、薬剤は、［１８Ｆ］ＤＣＦＰｙＬを含む。ある実施形態では、薬剤は、ＰＳＭＡ－１１（例えば、６８Ｇａ－ＰＳＭＡ－１１）を含む。ある実施形態では、薬剤は、９９ｍＴｃと、６８Ｇａと、１７７Ｌｕと、２２５Ａｃと、１１１Ｉｎと、１２３Ｉと、１２４Ｉと、１３１Ｉとから成る群から選択される、１つまたはそれを上回る構成要素を含む。
ある実施形態では、機械学習モジュールは、ニューラルネットワーク［例えば、人工ニューラルネットワーク（ＡＮＮ）、例えば、畳み込みニューラルネットワーク（ＣＮＮ）］を実装する。
ある実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
別の側面では、本発明は、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、解剖学的撮像モダリティ［例えば、Ｘ線コンピュータ断層撮影（ＣＴ）、例えば、磁気共鳴映像法（ＭＲＩ）、例えば、超音波］を使用して取得された、対象の３Ｄ解剖学的画像を受信（例えば、および／またはそれにアクセス）するステップであって、３Ｄ解剖学的画像は、対象内の組織（例えば、軟質組織ならびに／もしくは骨）のグラフィック表現を含む、ステップと、（ｃ）プロセッサによって、機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎にホットスポットの場所を識別する、ホットスポットリストと、（ｉｉ）ホットスポット毎に３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ｛例えば、３Ｄホットスポットマップは、ホットスポット毎に、各ホットスポットの３Ｄホットスポット体積に対応する３Ｄ機能画像内のボクセルを識別する、（例えば、１つまたはそれを上回るセグメント化マスクから成る）セグメント化マップであり［例えば、３Ｄホットスポットマップは、（例えば、入力として、少なくとも３Ｄ機能画像を受信し、出力として、３Ｄホットスポットマップを発生させ、それによって、ホットスポットをセグメント化する、機械学習モジュールを使用して）機能画像の人工知能ベースのセグメント化を介して取得され］、例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入し、３Ｄ機能画像の他のボクセルから、３Ｄホットスポット体積を構成する３Ｄ機能画像のボクセルを区別する、例えば、３Ｄ境界）を境界する｝とのうちの一方もしくは両方を生成するステップであって、機械学習モジュールは、入力の少なくとも２つのチャネルであって、該入力チャネルは、３Ｄ解剖学的画像の少なくとも一部に対応する、第１の入力チャネル、３Ｄ機能画像の少なくとも一部に対応する、第２の入力チャネル、および／またはそれらから導出される、解剖学的情報［例えば、３Ｄ機能画像内において、各着目体積（ＶＯＩ）が特定の標的組織領域ならびに／もしくは特定の解剖学的領域に対応する、１つまたはそれを上回るＶＯＩを識別する、３Ｄセグメント化マップ］を含む、入力の少なくとも２つのチャネルを受信する［例えば、機械学習モジュールは、別個のチャネル（例えば、同一の体積を表す、別個のチャネル）としてＰＥＴ画像およびＣＴ画像を受信する（例えば、写真カラー画像の２つの色チャネル（ＲＧＢ）の機械学習モジュールによる受信に類似する）］、ステップと、（ｄ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供するステップとを含む、方法を対象とする。
別の側面では、本発明は、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、第１の機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、ホットスポット毎に、ホットスポットの場所を識別する、ホットスポットリストを生成する［例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセルの強度に基づいて、それぞれが１つまたはそれを上回るホットスポットのうちの１つの場所に対応する、１つまたはそれを上回る場所（例えば、３Ｄ座標）を決定するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装する］ステップと、（ｃ）プロセッサによって、第２の機械学習モジュールおよびホットスポットリストを使用して、１つまたはそれを上回るホットスポットのそれぞれに関して、３Ｄ機能画像内の対応する３Ｄホットスポット体積を自動的に決定し、それによって、３Ｄホットスポットマップを生成するステップ［例えば、第２の機械学習モジュールは、少なくとも部分的に、３Ｄ機能画像のボクセルの強度に加えて、ホットスポットリストに基づいて、３Ｄ機能画像をセグメント化し、３Ｄホットスポットマップの３Ｄホットスポット体積を識別するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装し、例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセル毎に、ボクセルがホットスポットに対応する尤度を表す、ホットスポット尤度値を決定するように訓練された、機械学習アルゴリズムを実装する（例えば、ステップ（ｂ）は、閾値化等の１つまたはそれを上回る後続の後処理ステップを実施し、ホットスポット尤度値を使用して３Ｄホットスポットマップの３Ｄホットスポット体積を識別するステップを含む）］［例えば、３Ｄホットスポットマップは、第２の機械学習モジュールを使用して（例えば、それからの出力に基づいて、ならびに／もしくはそれに対応して）発生される（例えば、１つまたはそれを上回るセグメント化マスクから成る）セグメント化マップであり、３Ｄホットスポットマップは、ホットスポット毎に、各ホットスポットの３Ｄホットスポット体積に対応する３Ｄ機能画像内のボクセルを識別し、例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入し、３Ｄ機能画像の他のボクセルから、３Ｄホットスポット体積を構成する３Ｄ機能画像のボクセルを区別する、例えば、３Ｄ境界）を境界する］と、（ｄ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供するステップとを含む、方法を対象とする。
ある実施形態では、本方法は、（ｅ）プロセッサによって、ホットスポットの少なくとも一部のホットスポット毎に、ホットスポットが対象内の病変を表す尤度に対応する、病変尤度分類を決定するステップを含む。ある実施形態では、ステップ（ｅ）は、第３の機械学習モジュール（例えば、ホットスポット分類モジュール）を使用し、ホットスポット毎に病変尤度分類を決定するステップを含む［例えば、少なくとも部分的に、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される、１つまたはそれを上回る構成要素に基づき、例えば、第３の機械学習モジュールは、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される１つまたはそれを上回る構成要素に対応する、入力の１つまたはそれを上回るチャネルを受信する］。
ある実施形態では、本方法は、（ｆ）（例えば、報告書内での包含のために、例えば、対象に関する１つまたはそれを上回るリスク指数値を算出するステップにおける使用のために）プロセッサによって、少なくとも部分的に、ホットスポットのための病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する、１つまたはそれを上回るホットスポットのサブセットを選択するステップを含む。
別の側面では、本発明は、（例えば、トレーサ取込を伴わない、腫瘍に起因する）低い（例えば、異常に低い）放射性医薬品取込と関連付けられる組織領域からの影響を回避するように、基準組織領域に対応する基準体積（例えば、対象の肝臓と関連付けられる、肝臓体積）内の強度値を測定する方法であって、（ａ）コンピューティングデバイスのプロセッサによって、対象の３Ｄ機能画像であって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、該３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、３Ｄ機能画像内の基準体積を識別するステップと、（ｃ）プロセッサによって、多成分混合モデル（例えば、２成分ガウス混合モデル）を基準体積内のボクセルの強度に適合させる［例えば、多成分混合モデルを基準体積内のボクセルの強度の分布（例えば、ヒストグラム）に適合させる］ステップと、（ｄ）プロセッサによって、多成分モデルのメジャーモードを識別するステップと、（ｅ）プロセッサによって、メジャーモードに対応する強度の尺度（例えば、平均値、最大値、モード、中央値等）を決定し、それによって、（ｉ）基準組織体積内にあり、（ｉｉ）メジャーモードと関連付けられる、ボクセルの強度の尺度に対応する、基準強度値を決定するステップ（例えば、基準値計算から、マイナーモードと関連付けられる強度を有するボクセルを除外する）（例えば、それによって、低い放射性医薬品取込と関連付けられる組織領域からの影響を回避する）と、（ｆ）プロセッサによって、機能画像内において、潜在的な癌性病変に対応する、１つまたはそれを上回るホットスポットを検出するステップと、（ｇ）プロセッサによって、検出されたホットスポットの少なくとも一部のホットスポット毎に、少なくとも基準強度値を使用して、病変指数値［例えば、（ｉ）検出されたホットスポットに対応するボクセルの強度の尺度、および（ｉｉ）基準強度値に基づいて、病変指数値］を決定するステップとを含む、方法を対象とする。
別の側面では、本発明は、通常状況下での高い放射性医薬品取込と関連付けられる（例えば、必ずしも癌を示しているわけではない）対象内の高取込組織領域に起因する、強度波及（例えば、クロストーク）を補正する方法であって、（ａ）コンピューティングデバイスのプロセッサによって、対象の３Ｄ機能画像であって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、３Ｄ機能画像内の高強度体積であって、高い放射性医薬品取込が通常状況下で生じる、特定の高取込組織領域（例えば、腎臓、例えば、肝臓、例えば、嚢）に対応する、高強度体積を識別するステップと、（ｃ）プロセッサによって、識別された高強度体積に基づいて、３Ｄ機能画像内の抑制体積であって、識別された高強度体積の外側にあり、その境界から所定の減衰距離内にある体積に対応する、抑制体積を識別するステップと、（ｄ）プロセッサによって、抑制体積内の３Ｄ機能画像のボクセルの強度に基づいて決定された補間値に置き換えられた、高強度体積内のボクセルの強度を伴う３Ｄ機能画像に対応する、背景画像を決定するステップと、（ｅ）プロセッサによって、３Ｄ機能画像からのボクセルの強度から、背景画像のボクセルの強度を差し引くこと（例えば、ボクセル毎の差引を実施すること）によって、推定画像を決定するステップと、（ｆ）プロセッサによって、抑制体積内のボクセルの場所に、高強度体積に対応する推定画像のボクセルの強度を外挿し、抑制体積に対応する抑制マップのボクセルの強度を決定することと、抑制体積の外側にある場所に対応する、抑制マップのボクセルの強度をゼロに設定することとによって、抑制マップを決定するステップと、（ｇ）プロセッサによって、抑制マップに基づいて、（例えば、３Ｄ機能画像のボクセルの強度から抑制マップのボクセルの強度を差し引くことによって）３Ｄ機能画像のボクセルの強度を調節し、それによって、高強度体積からの強度波及を補正するステップとを含む、方法を対象とする。
ある実施形態では、本方法は、複数の高強度体積のそれぞれに関して、逐次的様式においてステップ（ｂ）－（ｇ）を実施し、それによって、複数の高強度体積のそれぞれからの強度波及を補正するステップを含む。
ある実施形態では、複数の高強度体積は、腎臓と、肝臓と、嚢（例えば、膀胱）とから成る群から選択される、１つまたはそれを上回る構成要素を含む。
別の側面では、本発明は、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出するステップと、（ｃ）プロセッサによって、双方向グラフィカルユーザインターフェース（ＧＵＩ）（例えば、品質制御および報告ＧＵＩ）内での表示のために、１つまたはそれを上回るホットスポットのグラフィック表現のレンダリングを引き起こすステップと、（ｄ）（例えば、報告書内での包含のために）プロセッサによって、双方向ＧＵＩを介して、１つまたはそれを上回る自動的に検出されたホットスポットの少なくとも一部（例えば、最大全て）を含む、最終ホットスポットセットのユーザ選択を受信するステップと、（ｅ）表示および／またはさらなる処理のために、最終ホットスポットセットを記憶ならびに／もしくは提供するステップとを含む、方法を対象とする。
ある実施形態では、本方法は、（ｆ）プロセッサによって、ＧＵＩを介して、最終ホットスポットセット内での包含のための、１つまたはそれを上回る付加的なユーザ識別されたホットスポットのユーザ選択を受信するステップと、（ｇ）プロセッサによって、１つまたはそれを上回る付加的なユーザ識別されたホットスポットを含むように最終ホットスポットセットを更新するステップとを含む。
ある実施形態では、ステップ（ｂ）は、１つまたはそれを上回る機械学習モジュールを使用するステップを含む。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および特性評価する（例えば、等級化する）ための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出するステップと、（ｃ）プロセッサによって、１つまたはそれを上回るホットスポットの少なくとも一部のそれぞれに関して、ホットスポットが表す潜在的な癌性病変が位置すると［例えば、プロセッサによって（例えば、受信ならびに／もしくは決定された３Ｄセグメント化マップに基づいて）］決定される、対象内の特定の解剖学的領域および／または解剖学的領域の群［例えば、前立腺、骨盤リンパ節、非骨盤リンパ節、骨（例えば、骨転移領域）、ならびに前立腺もしくはリンパ節内に位置していない軟質組織領域内］に対応する、解剖学的分類を自動的に決定するステップと、（ｄ）表示および／またはさらなる処理のために、ホットスポット毎の、ホットスポットに対応する解剖学的分類に加えて、１つまたはそれを上回るホットスポットの識別を記憶ならびに／もしくは提供するステップとを含む、方法を対象とする。
ある実施形態では、ステップ（ｂ）は、１つまたはそれを上回る機械学習モジュールを使用するステップを含む。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射線を表す、強度値（例えば、標準取込値（ＳＵＶ））を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）機械学習モジュール［例えば、（例えば、訓練プロシージャを介して決定された所定の（例えば、固定された）パラメータを有する）予め訓練された機械学習モジュール］を使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出させ、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に、ホットスポットの場所を識別する、ホットスポットリスト［例えば、座標（例えば、画像座標、例えば、物理的空間座標）のリスト、例えば、各ボクセルが、検出されたホットスポットの場所（例えば、重心）に対応する、３Ｄ機能画像のボクセルを識別するマスク］と、（ｉｉ）ホットスポット毎に３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ｛例えば、３Ｄホットスポットマップは、ホットスポット毎に、各ホットスポットの３Ｄホットスポット体積に対応する３Ｄ機能画像内のボクセルを識別する、（例えば、１つまたはそれを上回るセグメント化マスクから成る）セグメント化マップであり［例えば、３Ｄホットスポットマップは、（例えば、入力として、少なくとも３Ｄ機能画像を受信し、出力として、３Ｄホットスポットマップを発生させ、それによって、ホットスポットをセグメント化する、機械学習モジュールを使用して）機能画像の人工知能ベースのセグメント化を介して取得され］、例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入し、３Ｄ機能画像の他のボクセルから、３Ｄホットスポット体積を構成する３Ｄ機能画像のボクセルを区別する、例えば、３Ｄ境界）を境界する｝とのうちの一方もしくは両方を生成させ、（ｃ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供させる、メモリとを備える、システムを対象とする。
ある実施形態では、機械学習モジュールは、入力として、３Ｄ機能画像の少なくとも一部を受信し、少なくとも部分的に、３Ｄ機能画像の受信された部分のボクセルの強度に基づいて、１つまたはそれを上回るホットスポットを自動的に検出する。
ある実施形態では、機械学習モジュールは、入力として、各着目体積（ＶＯＩ）が対象内の特定の標的組織領域および／または特定の解剖学的領域［例えば、軟質組織領域（例えば、前立腺、リンパ節、肺、乳房）、例えば、１つまたはそれを上回る特定の骨、例えば、全体的骨格領域］に対応する、３Ｄ機能画像内の１つまたはそれを上回るＶＯＩを識別する、３Ｄセグメント化マップを受信する。
ある実施形態では、命令は、プロセッサに、解剖学的撮像モダリティ［例えば、Ｘ線コンピュータ断層撮影（ＣＴ）、例えば、磁気共鳴映像法（ＭＲＩ）、例えば、超音波］を使用して取得された、対象の３Ｄ解剖学的画像であって、対象内の組織（例えば、軟質組織および／または骨）のグラフィック表現を含む、３Ｄ解剖学的画像を受信（例えば、ならびに／もしくはそれにアクセス）させ、機械学習モジュールは、入力の少なくとも２つのチャネルであって、該入力チャネルは、３Ｄ解剖学的画像の少なくとも一部に対応する、第１の入力チャネルと、３Ｄ機能画像の少なくとも一部に対応する、第２の入力チャネルとを含む、入力の少なくとも２つのチャネルを受信する［例えば、機械学習モジュールは、別個のチャネル（例えば、同一の体積を表す、別個のチャネル）としてＰＥＴ画像およびＣＴ画像を受信する（例えば、写真カラー画像の２つの色チャネル（ＲＧＢ）の機械学習モジュールによる受信に類似する）］。
ある実施形態では、機械学習モジュールは、入力として、３Ｄ機能画像および／または３Ｄ解剖学的画像内で、各着目体積（ＶＯＩ）が特定の標的組織領域ならびに／もしくは特定の解剖学的領域に対応する、１つまたはそれを上回るＶＯＩを識別する、３Ｄセグメント化マップを受信する。
ある実施形態では、命令は、プロセッサに、３Ｄ解剖学的画像を自動的にセグメント化させ、それによって、３Ｄセグメント化マップを生成させる。
ある実施形態では、機械学習モジュールは、入力として、対象の１つまたはそれを上回る具体的な組織領域ならびに／もしくは解剖学的領域に対応する、３Ｄ機能画像の具体的部分を受信する、領域固有機械学習モジュールである。
ある実施形態では、機械学習モジュールは、出力として、ホットスポットリストを発生させる［例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセルの強度に基づいて、それぞれが１つまたはそれを上回るホットスポットのうちの１つの場所に対応する、１つまたはそれを上回る場所（例えば、３Ｄ座標）を決定するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装する］。
ある実施形態では、機械学習モジュールは、出力として、３Ｄホットスポットマップを発生させる［例えば、機械学習モジュールは、３Ｄホットスポットマップ（例えば、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）を境界し、それによって、（例えば、３Ｄホットスポット境界によって封入された）３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ）の３Ｄホットスポット体積を識別するように（例えば、少なくとも部分的に、３Ｄ機能画像のボクセルの強度に基づいて）３Ｄ機能画像をセグメント化するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装し、例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセル毎に、ボクセルがホットスポットに対応する尤度を表す、ホットスポット尤度値を決定するように訓練された、機械学習アルゴリズムを実装する（例えば、ステップ（ｂ）は、閾値化等の１つまたはそれを上回る後続の後処理ステップを実施し、ホットスポット尤度値を使用して３Ｄホットスポットマップ（例えば、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）を境界し、それによって、（例えば、３Ｄホットスポット境界によって封入される）３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ）の３Ｄホットスポット体積を識別するステップを含む）］。
ある実施形態では、命令は、プロセッサに、（ｄ）ホットスポットの少なくとも一部のホットスポット毎に、ホットスポットが対象内の病変を表す尤度に対応する、病変尤度分類［例えば、ホットスポットが当てはまる病変であるか、またはそうではないかを示す、二項分類、例えば、ホットスポットが当てはまる病変を表す尤度を表す、スケール上の尤度値（例えば、０から１までの範囲に及ぶ浮動小数点値）］を決定させる。
ある実施形態では、ステップ（ｄ）において、命令は、プロセッサに、機械学習モジュールを使用させ、一部のホットスポット毎に、病変尤度分類［例えば、機械学習モジュールは、ホットスポットを検出し（例えば、出力として、ホットスポットリストおよび／または３Ｄホットスポットマップを発生させ）、ホットスポット毎に、ホットスポットに関する病変尤度分類を決定するように訓練された、機械学習アルゴリズムを実装する］を決定させる。
ある実施形態では、ステップ（ｄ）において、命令は、プロセッサに、第２の機械学習モジュール（例えば、ホットスポット分類モジュール）を使用させ、ホットスポット毎に病変尤度分類を決定させる［例えば、少なくとも部分的に、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される、１つまたはそれを上回る構成要素に基づき、例えば、第２の機械学習モジュールは、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される、１つまたはそれを上回る構成要素に対応する、入力の１つまたはそれを上回るチャネルを受信する］。
ある実施形態では、命令は、プロセッサに、ホットスポット毎に、１つまたはそれを上回るホットスポット特徴のセットを決定させ、第２の機械学習モジュールへの入力として、１つまたはそれを上回るホットスポット特徴のセットを使用させる。
ある実施形態では、５５－５８，命令は、プロセッサに、（ｅ）（例えば、報告書内での包含のために、例えば、対象に関する１つまたはそれを上回るリスク指数値を算出するステップにおける使用のために）少なくとも部分的に、ホットスポットのための病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する、１つまたはそれを上回るホットスポットのサブセットを選択させる。
ある実施形態では、命令は、プロセッサに、（ｆ）［例えば、ステップ（ｂ）に先立って］プロセッサによって、３Ｄ機能画像のボクセルの強度を調節させ、１つまたはそれを上回る高強度体積がそれぞれ、通常状況下での高い放射性医薬品取込と関連付けられる（例えば、必ずしも癌を示しているわけではない）対象内の高取込組織領域に対応する、３Ｄ機能画像の１つまたはそれを上回る高強度体積からの強度波及（例えば、クロストーク）を補正させる。
ある実施形態では、ステップ（ｆ）において、命令は、プロセッサに、複数の高強度体積からの強度波及を一度に１つずつ、逐次的方式において補正させる［例えば、最初に、３Ｄ機能画像のボクセルの強度を調節し、第１の高強度体積からの強度波及を補正し、第１の補正された画像を発生させ、次いで、第１の補正された画像のボクセルの強度を調節し、第２の高強度体積からの強度波及を補正する等となる］。
ある実施形態では、１つまたはそれを上回る高強度体積は、腎臓と、肝臓と、嚢（例えば、膀胱）とから成る群から選択される、１つまたはそれを上回る高取込組織領域に対応する。
ある実施形態では、命令は、プロセッサに、（ｇ）１つまたはそれを上回るホットスポットの少なくとも一部のそれぞれに関して、ホットスポットが対応する基礎病変内での放射性医薬品取込のレベルならびに／もしくはそのサイズ（例えば、体積）を示す、対応する病変指数を決定させる。
ある実施形態では、ステップ（ｇ）において、命令は、プロセッサに、ホットスポットと関連付けられる（例えば、ホットスポットの場所における、および／またはそれを中心とした、例えば、ホットスポットの体積内の）１つまたはそれを上回るボクセルの（例えば、その標準取込値（ＳＵＶ）に対応する）強度（複数の強度）と１つまたはそれを上回る基準値を比較させ、各基準値は、対象内の特定の基準組織領域（例えば、肝臓、例えば、大動脈部分）と関連付けられ、基準組織領域に対応する基準体積の強度（例えば、ＳＵＶ値）に基づいて［例えば、平均（例えば、四分位範囲内の平均値等の、ロバスト平均）として］決定される。
ある実施形態では、１つまたはそれを上回る基準値は、対象の大動脈部分と関連付けられる、大動脈基準値と、対象の肝臓と関連付けられる、肝臓基準値とから成る群から選択される、１つまたはそれを上回る構成要素を含む。
ある実施形態では、特定の基準組織領域と関連付けられる少なくとも１つの特定の基準値に関して、命令は、プロセッサに、特定の基準組織領域に対応する特定の基準体積内のボクセルの強度を多成分混合モデル（例えば、２成分ガウスモデル）に適合させることによって［例えば、ボクセルの強度の分布を適合させる（例えば、ボクセル強度のヒストグラムを適合させる）ことによって］［例えば、さらに、ボクセル強度の分布内の１つまたはそれを上回るマイナーなピークであって、異常な取込と関連付けられるボクセルに対応する、マイナーなピークを識別し、それらのボクセルを基準値決定から除外する（例えば、それによって、肝臓の一部等の基準組織領域のある部分内での異常に低い放射性医薬品取込の効果を考慮する）ことによって］、特定の基準値を決定させる。
ある実施形態では、命令は、プロセッサに、決定された病変指数値を使用させ、対象に関する癌ステータスおよび／またはリスクを示す、対象に関する全体的リスク指数を（例えば、自動的に）算出させる。
ある実施形態では、命令は、プロセッサに、（例えば、自動的に）ホットスポット毎に、ホットスポットが表す潜在的な癌性病変が位置すると［例えば、プロセッサによって（例えば、受信および／または決定された３Ｄセグメント化マップに基づいて）］決定される、対象内の特定の解剖学的領域ならびに／もしくは解剖学的領域の群［例えば、前立腺、骨盤リンパ節、非骨盤リンパ節、骨（例えば、骨転移領域）、および前立腺またはリンパ節内に位置していない軟質組織領域内］に対応する、解剖学的分類を決定させる。
ある実施形態では、命令は、プロセッサに、（ｈ）グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、ユーザによる精査のための、１つまたはそれを上回るホットスポットの少なくとも一部のグラフィック表現のレンダリングを引き起こさせる。
ある実施形態では、命令は、プロセッサに、（ｉ）ユーザ精査を介して対象内の基礎となる癌性病変を表す可能性が高いものとして確認された、１つまたはそれを上回るホットスポットのサブセットのユーザ選択を、ＧＵＩを介して受信させる。
ある実施形態では、３Ｄ機能画像は、対象への薬剤（例えば、放射性医薬品、例えば、造影剤）の投与に続いて取得される、ＰＥＴまたはＳＰＥＣＴ画像を含む。ある実施形態では、薬剤は、ＰＳＭＡ結合剤を含む。ある実施形態では、薬剤は、１８Ｆを含む。ある実施形態では、薬剤は、［１８Ｆ］ＤＣＦＰｙＬを含む。ある実施形態では、薬剤は、ＰＳＭＡ－１１（例えば、６８Ｇａ－ＰＳＭＡ－１１）を含む。ある実施形態では、薬剤は、９９ｍＴｃと、６８Ｇａと、１７７Ｌｕと、２２５Ａｃと、１１１Ｉｎと、１２３Ｉと、１２４Ｉと、１３１Ｉとから成る群から選択される、１つまたはそれを上回る構成要素を含む。
ある実施形態では、機械学習モジュールは、ニューラルネットワーク［例えば、人工ニューラルネットワーク（ＡＮＮ）、例えば、畳み込みニューラルネットワーク（ＣＮＮ）］を実装する。
ある実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）解剖学的撮像モダリティ［例えば、Ｘ線コンピュータ断層撮影（ＣＴ）、例えば、磁気共鳴映像法（ＭＲＩ）、例えば、超音波］を使用して取得された、対象の３Ｄ解剖学的画像であって、対象内の組織（例えば、軟質組織および／または骨）のグラフィック表現を含む、３Ｄ解剖学的画像を受信（例えば、ならびに／もしくはそれにアクセス）させ、（ｃ）機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出させ、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に、ホットスポットの場所を識別する、ホットスポットリストと、（ｉｉ）ホットスポット毎に３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ｛例えば、３Ｄホットスポットマップは、ホットスポット毎に、各ホットスポットの３Ｄホットスポット体積に対応する３Ｄ機能画像内のボクセルを識別する、（例えば、１つまたはそれを上回るセグメント化マスクから成る）セグメント化マップであり［例えば、３Ｄホットスポットマップは、（例えば、入力として、少なくとも３Ｄ機能画像を受信し、出力として、３Ｄホットスポットマップを発生させ、それによって、ホットスポットをセグメント化する、機械学習モジュールを使用して）機能画像の人工知能ベースのセグメント化を介して取得され］、例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入し、３Ｄ機能画像の他のボクセルから、３Ｄホットスポット体積を構成する３Ｄ機能画像のボクセルを区別する、例えば、３Ｄ境界）を境界する｝とのうちの一方もしくは両方を生成させ、機械学習モジュールは、入力の少なくとも２つのチャネルであって、該入力チャネルは、３Ｄ解剖学的画像の少なくとも一部に対応する、第１の入力チャネル、３Ｄ機能画像の少なくとも一部に対応する、第２の入力チャネル、および／またはそれらから導出される、解剖学的情報［例えば、３Ｄ機能画像内において、各着目体積（ＶＯＩ）が特定の標的組織領域ならびに／もしくは特定の解剖学的領域に対応する、１つまたはそれを上回るＶＯＩを識別する、３Ｄセグメント化マップ］を含む、入力の少なくとも２つのチャネルを受信し［例えば、機械学習モジュールは、別個のチャネル（例えば、同一の体積を表す、別個のチャネル）としてＰＥＴ画像およびＣＴ画像を受信する（例えば、写真カラー画像の２つの色チャネル（ＲＧＢ）の機械学習モジュールによる受信に類似する）］、（ｄ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供させる、メモリとを備える、システムを対象とする。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）第１の機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出させ、それによって、ホットスポット毎に、ホットスポットの場所を識別する、ホットスポットリストを生成させ［例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセルの強度に基づいて、それぞれが１つまたはそれを上回るホットスポットのうちの１つの場所に対応する、１つまたはそれを上回る場所（例えば、３Ｄ座標）を決定するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装する］、（ｃ）第２の機械学習モジュールおよびホットスポットリストを使用して、１つまたはそれを上回るホットスポットのそれぞれに関して、３Ｄ機能画像内の対応する３Ｄホットスポット体積を自動的に決定させ、それによって、３Ｄホットスポットマップを生成させ［例えば、第２の機械学習モジュールは、少なくとも部分的に、３Ｄ機能画像のボクセルの強度に加えて、ホットスポットリストに基づいて、３Ｄ機能画像をセグメント化し、３Ｄホットスポットマップの３Ｄホットスポット体積を識別するように訓練された、機械学習アルゴリズム（例えば、人工ニューラルネットワーク（ＡＮＮ））を実装し、例えば、機械学習モジュールは、３Ｄ機能画像の少なくとも一部のボクセル毎に、ボクセルがホットスポットに対応する尤度を表す、ホットスポット尤度値を決定するように訓練された、機械学習アルゴリズムを実装する（例えば、ステップ（ｂ）は、閾値化等の１つまたはそれを上回る後続の後処理ステップを実施し、ホットスポット尤度値を使用して３Ｄホットスポットマップの３Ｄホットスポット体積を識別するステップを含む）］［例えば、３Ｄホットスポットマップは、第２の機械学習モジュールを使用して（例えば、それからの出力に基づいて、ならびに／もしくはそれに対応して）発生される（例えば、１つまたはそれを上回るセグメント化マスクから成る）セグメント化マップであり、３Ｄホットスポットマップは、ホットスポット毎に、各ホットスポットの３Ｄホットスポット体積に対応する３Ｄ機能画像内のボクセルを識別し、例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄ境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入し、３Ｄ機能画像の他のボクセルから、３Ｄホットスポット体積を構成する３Ｄ機能画像のボクセルを区別する、例えば、３Ｄ境界）を境界する］、（ｄ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供させる、メモリとを備える、システムを対象とする。
ある実施形態では、命令は、プロセッサに、（ｅ）ホットスポットの少なくとも一部のホットスポット毎に、ホットスポットが対象内の病変を表す尤度に対応する、病変尤度分類を決定させる。
ある実施形態では、ステップ（ｅ）において、命令は、プロセッサに、第３の機械学習モジュール（例えば、ホットスポット分類モジュール）を使用させ、ホットスポット毎に病変尤度分類を決定させる［例えば、少なくとも部分的に、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される、１つまたはそれを上回る構成要素に基づき、例えば、第３の機械学習モジュールは、３Ｄ機能画像の強度と、ホットスポットリストと、３Ｄホットスポットマップと、３Ｄ解剖学的画像の強度と、３Ｄセグメント化マップとから成る群から選択される１つまたはそれを上回る構成要素に対応する、入力の１つまたはそれを上回るチャネルを受信する］。
ある実施形態では、命令は、プロセッサに、（ｆ）（例えば、報告書内での包含のために、例えば、対象に関する１つまたはそれを上回るリスク指数値を算出するステップにおける使用のために）少なくとも部分的に、ホットスポットのための病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する、１つまたはそれを上回るホットスポットのサブセットを選択させる。
別の側面では、本発明は、（例えば、トレーサ取込を伴わない、腫瘍に起因する）低い（例えば、異常に低い）放射性医薬品取込と関連付けられる組織領域からの影響を回避するように、基準組織領域（例えば、対象の肝臓と関連付けられる、肝臓体積）に対応する基準体積内の強度値を測定するためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）対象の３Ｄ機能画像であって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）３Ｄ機能画像内の基準体積を識別させ、（ｃ）多成分混合モデル（例えば、２成分ガウス混合モデル）を基準体積内のボクセルの強度に適合させ［例えば、多成分混合モデルを基準体積内のボクセルの強度の分布（例えば、ヒストグラム）に適合させ］、（ｄ）多成分モデルのメジャーモードを識別させ、（ｅ）メジャーモードに対応する強度の尺度（例えば、平均値、最大値、モード、中央値等）を決定させ、それによって、（ｉ）基準組織体積内にあり、（ｉｉ）メジャーモードと関連付けられる、ボクセルの強度の尺度に対応する、基準強度値を決定させ（例えば、基準値計算から、マイナーモードと関連付けられる強度を有するボクセルを除外させ）（例えば、それによって、低い放射性医薬品取込と関連付けられる組織領域からの影響を回避させ）、（ｆ）３Ｄ機能画像内において、潜在的な癌性病変に対応する、１つまたはそれを上回るホットスポットを検出させ、（ｇ）検出されたホットスポットの少なくとも一部のホットスポット毎に、少なくとも基準強度値を使用して、病変指数値［例えば、（ｉ）検出されたホットスポットに対応するボクセルの強度の尺度、および（ｉｉ）基準強度値に基づいて、病変指数値］を決定させる、メモリとを備える、システムを対象とする。
別の側面では、本発明は、通常状況下での高い放射性医薬品取込と関連付けられる（例えば、必ずしも癌を示しているわけではない）対象内の高取込組織領域に起因する、強度波及（例えば、クロストーク）を補正するためのシステムであって、（ａ）対象の３Ｄ機能画像であって、機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）し、（ｂ）３Ｄ機能画像内の高強度体積であって、高い放射性医薬品取込が通常状況下で生じる、特定の高取込組織領域（例えば、腎臓、例えば、肝臓、例えば、嚢）に対応する、高強度体積を識別し、（ｃ）識別された高強度体積に基づいて、３Ｄ機能画像内の抑制体積であって、識別された高強度体積の外側にあり、その境界から所定の減衰距離内にある体積に対応する、抑制体積を識別し、（ｄ）抑制体積内の３Ｄ機能画像のボクセルの強度に基づいて決定された補間値に置き換えられた、高強度体積内のボクセルの強度を伴う３Ｄ機能画像に対応する、背景画像を決定し、（ｅ）３Ｄ機能画像からのボクセルの強度から、背景画像のボクセルの強度を差し引くこと（例えば、ボクセル毎の差引を実施すること）によって、推定画像を決定し、（ｆ）抑制体積内のボクセルの場所に、高強度体積に対応する推定画像のボクセルの強度を外挿し、抑制体積に対応する抑制マップのボクセルの強度を決定することと、抑制体積の外側にある場所に対応する、抑制マップのボクセルの強度をゼロに設定することとによって、抑制マップを決定し、（ｇ）抑制マップに基づいて、（例えば、３Ｄ機能画像のボクセルの強度から抑制マップのボクセルの強度を差し引くことによって）３Ｄ機能画像のボクセルの強度を調節し、それによって、高強度体積からの強度波及を補正するように構成される、システムを対象とする。
ある実施形態では、命令は、プロセッサに、複数の高強度体積のそれぞれに関して、逐次的様式においてステップ（ｂ）－（ｇ）を実施させ、それによって、複数の高強度体積のそれぞれからの強度波及を補正させる。
ある実施形態では、複数の高強度体積は、腎臓と、肝臓と、嚢（例えば、膀胱）とから成る群から選択される、１つまたはそれを上回る構成要素を含む。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出させ、（ｃ）双方向グラフィカルユーザインターフェース（ＧＵＩ）（例えば、品質制御および報告ＧＵＩ）内での表示のために、１つまたはそれを上回るホットスポットのグラフィック表現のレンダリングを引き起こさせ、（ｄ）（例えば、報告書内での包含のために）双方向ＧＵＩを介して、１つまたはそれを上回る自動的に検出されたホットスポットの少なくとも一部（例えば、最大全て）を含む、最終ホットスポットセットのユーザ選択を受信させ、（ｅ）表示および／またはさらなる処理のために、最終ホットスポットセットを記憶ならびに／もしくは提供させる、メモリとを備える、システムを対象とする。
ある実施形態では、命令は、プロセッサに、（ｆ）ＧＵＩを介して、最終ホットスポットセット内での包含のための、１つまたはそれを上回る付加的なユーザ識別されたホットスポットのユーザ選択を受信させ、（ｇ）１つまたはそれを上回る付加的なユーザ識別されたホットスポットを含むように最終ホットスポットセットを更新させる。
ある実施形態では、ステップ（ｂ）において、命令は、プロセッサに、１つまたはそれを上回る機械学習モジュールを使用させる。
別の側面では、本発明は、対象内の癌性病変を識別および／または特性評価する（例えば、等級化する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された、対象の３Ｄ機能画像［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、解剖学的撮像モダリティを使用して取得された、対象の３Ｄ解剖学的画像［例えば、コンピュータ断層撮影（ＣＴ）画像、例えば、磁気共鳴（ＭＲ）画像］を受信（例えば、および／またはそれにアクセス）するステップと、（ｃ）プロセッサによって、３Ｄ機能画像内および／または３Ｄ解剖学的画像内の１つまたはそれを上回る特定の組織領域もしくは組織領域の群（例えば、特定の解剖学的領域に対応する、組織領域のセット、例えば、高いまたは低い放射性医薬品取込が生じる器官を構成する、組織領域の群）を識別する、３Ｄセグメント化マップを受信（例えば、ならびに／もしくはそれにアクセス）するステップと、（ｄ）プロセッサによって、１つまたはそれを上回る機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す、３Ｄ機能画像内の１つまたはそれを上回るホットスポットのセットを自動的に検出ならびに／もしくはセグメント化し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に［例えば、１つまたはそれを上回る機械学習モジュールによって検出されるような］ホットスポットの場所を識別する、ホットスポットリストと、（ｉｉ）ホットスポット毎に［例えば、１つまたはそれを上回る機械学習モジュールによって実施されるセグメント化を介して決定されるような］３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ［例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄホットスポット境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入する、３Ｄ境界）を境界する、セグメント化マップである］とのうちの一方もしくは両方を生成するステップであって、１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つ（例えば、最大全て）は、入力として、（ｉ）３Ｄ機能画像と、（ｉｉ）３Ｄ解剖学的画像と、（ｉｉｉ）３Ｄセグメント化マップとを受信する、ステップと、（ｅ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供するステップとを含む、方法を対象とする。
ある実施形態では、本方法は、プロセッサによって、３Ｄ解剖学的画像および／または３Ｄ機能画像内の１つまたはそれを上回る（例えば、複数の）特定の組織領域（例えば、器官ならびに／もしくは特定の骨）を識別する、初期の３Ｄセグメント化マップを受信するステップと、プロセッサによって、１つまたはそれを上回る特定の組織領域の少なくとも一部を、１つまたはそれを上回る組織グルーピング（例えば、予め定義されたグルーピング）のうちの特定のものに属するものとして識別し、プロセッサによって、識別された特定の領域を特定の組織グルーピングに属するものとして示すように、３Ｄセグメント化マップを更新するステップと、プロセッサによって、１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つへの入力として、更新された３Ｄセグメント化マップを使用するステップとを含む。
ある実施形態では、１つまたはそれを上回る組織グルーピングは、軟質組織を表す特定の組織領域が軟質組織グルーピングに属するものとして識別されるように、軟質組織グルーピングを含む。ある実施形態では、１つまたはそれを上回る組織グルーピングは、骨を表す特定の組織領域が骨組織グルーピングに属するものとして識別されるように、骨組織グルーピングを含む。ある実施形態では、１つまたはそれを上回る組織グルーピングは、（例えば、通常状況下における、かつ必ずしも病変の存在に起因するわけではない）高い放射性医薬品取込と関連付けられる１つまたはそれを上回る器官が、高取込グルーピングに属するものと識別されるように、高取込器官グルーピングを含む。
ある実施形態では、本方法は、検出および／またはセグメント化されたホットスポット毎に、プロセッサによって、［例えば、解剖学的場所に従って、例えば、ホットスポットを骨、リンパ、もしくは前立腺として分類して、例えば、表１の標識スキーム等、対象内のホットスポットの（例えば、プロセッサによって）決定された場所に基づいて英数字コードを割り当てて］ホットスポットのための分類を決定するステップを含む。
ある実施形態では、本方法は、１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つを使用し、検出ならびに／もしくはセグメント化された病変毎に、ホットスポットのための分類を決定するステップを含む（例えば、単一の機械学習モジュールは、検出、セグメント化、および分類を実施する）。
ある実施形態では、１つまたはそれを上回る機械学習モジュールは、（Ａ）身体全体の全体を通してホットスポットを検出ならびに／もしくはセグメント化する、全身病変検出モジュールと、（Ｂ）前立腺内のホットスポットを検出および／またはセグメント化する、前立腺病変モジュールとを備える。ある実施形態では、本方法は、（Ａ）および（Ｂ）のそれぞれを使用し、結果を融合して、ホットスポットリストならびに／もしくはマップを発生させるステップを含む。
ある実施形態では、ステップ（ｄ）は、１つまたはそれを上回るホットスポットのセットをセグメント化および分類し、ホットスポット毎に、３Ｄ機能画像内にあり、各ホットスポット体積が、第１の機械学習モジュールであって、単一のホットスポットクラスに従って３Ｄ機能画像のホットスポットをセグメント化する、第１の機械学習モジュールを使用し、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第１のセットを識別する［例えば、（例えば、ホットスポットの異なるタイプではなく）背景領域ならびにホットスポット体積を弁別するように（例えば、第１の３Ｄホットスポットマップによって識別された各ホットスポット体積が、背景と対照的に、単一のホットスポットクラスに属するものとして標識されるように）、全てのホットスポットを単一のホットスポットクラスに属するものとして識別する］、第１の初期の３Ｄホットスポットマップを生成することと、第２の機械学習モジュールであって、第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識される、マルチクラス３Ｄホットスポットマップであるように（例えば、異なるホットスポットクラスに対応するホットスポット体積、ならびにホットスポット体積を背景領域として弁別するように）、複数の異なるホットスポットクラスに従って、３Ｄ機能画像をセグメント化する、第２の機械学習モジュールを使用し、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第２のセットを識別する、第２の初期の３Ｄホットスポットマップを生成することと、プロセッサによって、第１の初期の３Ｄホットスポットマップによって識別される、ホットスポット体積の少なくとも一部に関して、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積であって、複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別し（例えば、第１および第２の初期の３Ｄホットスポットマップの実質的に重複するホットスポット体積を識別し）、第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、特定のホットスポットクラスに属するものとして標識し（例えば、合致ホットスポット体積が属するものとして標識される）、それによって、第２の３Ｄホットスポットマップの合致ホットスポット体積が属するものとして識別されるクラスに従って標識されている、第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む、融合された３Ｄホットスポットマップを生成することによって、第１の初期の３Ｄホットスポットマップならびに第２の初期の３Ｄホットスポットマップを融合することとによって、複数のホットスポットクラスの特定のホットスポットクラス［例えば、各ホットスポットクラスは、ホットスポットによって表される病変が位置すると決定される、特定の解剖学的領域および／または組織領域（例えば、リンパ、骨、前立腺）を識別する］に属するものとして標識される、対応する３Ｄホットスポット体積を識別する、標識された３Ｄホットスポットマップを生成するステップを含み、ステップ（ｅ）は、表示ならびに／もしくはさらなる処理のために、融合された３Ｄホットスポットマップを記憶および／または提供するステップを含む。
ある実施形態では、複数の異なるホットスポットクラスは、（ｉ）（例えば、第２の機械学習モジュールによって）骨の中に位置する病変を表すと決定される、骨ホットスポットと、（ｉｉ）（例えば、第２の機械学習モジュールによって）リンパ節の中に位置する病変を表すと決定される、リンパホットスポットと、（ｉｉｉ）（例えば、第２の機械学習モジュールによって）前立腺の中に位置する病変を表すと決定される、前立腺ホットスポットとから成る群から選択される、１つまたはそれを上回る構成要素を含む。
ある実施形態では、本方法はさらに、（ｆ）ホットスポットリストを受信および／またはそれにアクセスするステップと、（ｇ）ホットスポットリスト内のホットスポット毎に、分析モデルを使用してホットスポットをセグメント化する［例えば、それによって、分析的にセグメント化されたホットスポットの３Ｄマップ（例えば、ホットスポット毎に、３Ｄ解剖学的画像のボクセル、および／またはセグメント化されたホットスポット領域によって封入される、機能画像を含む、ホットスポット体積を識別する、３Ｄマップ）を生成する］ステップとを含む。
ある実施形態では、本方法はさらに、（ｈ）ホットスポットマップを受信および／またはそれにアクセスするステップと、（ｉ）ホットスポットマップ内のホットスポット毎に、分析モデルを使用してホットスポットをセグメント化する［例えば、それによって、分析的にセグメント化されたホットスポットの３Ｄマップ（例えば、ホットスポット毎に、３Ｄ解剖学的画像のボクセル、および／またはセグメント化されたホットスポット領域によって封入される、機能画像を含む、ホットスポット体積を識別する、３Ｄマップ）を生成する］ステップとを含む。
ある実施形態では、分析モデルは、適応的閾値化方法であり、ステップ（ｉ）は、それぞれが、特定の基準組織領域に対応する特定の基準体積内に位置する３Ｄ機能画像のボクセルの強度の尺度に基づく、１つまたはそれを上回る基準値（例えば、対象の大動脈の一部に対応する大動脈体積内の強度に基づいて決定される、血液貯留基準値、例えば、対象の肝臓に対応する肝臓体積内の強度に基づいて決定される、肝臓基準値）を決定するステップと、３Ｄホットスポットマップの特定のホットスポット体積毎に、プロセッサによって、特定のホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度［例えば、ホットスポット強度は、特定のホットスポット体積内のボクセルの（例えば、ＳＵＶを表す）強度の最大値である］を決定し、プロセッサによって、特定のホットスポットに関して、（ｉ）対応するホットスポット強度と、（ｉｉ）１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、ホットスポット固有閾値を決定するステップとを含む。
ある実施形態では、ホットスポット固有閾値は、複数の閾値関数から選択される、特定の閾値関数であって、対応するホットスポット強度と少なくとも１つの基準値の比較に基づいて選択される、特定の閾値関数を使用して決定される［例えば、複数の閾値関数はそれぞれ、強度（例えば、ＳＵＶ）値の特定の範囲と関連付けられ、特定の閾値関数は、ホットスポット強度および／またはその（例えば、所定の）割合が該当する特定の範囲に従って選択される（例えば、強度値の各特定の範囲は、少なくとも部分的に、少なくとも１つの基準値の倍数によって境界される）］。
ある実施形態では、ホットスポット固有閾値は、（例えば、特定の閾値関数によって）対応するホットスポット強度の可変割合として決定され、可変割合は、ホットスポット強度の増加に伴って減少する［例えば、可変割合は、それ自体が、対応するホットスポット強度の関数（例えば、減少関数）である］。
別の側面では、本発明は、対象内の癌性病変を識別および／または特性評価する（例えば、特定の病変タイプを表すものとして、例えば、等級化する、例えば、分類する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された、対象の３Ｄ機能画像［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、第１の機械学習モジュールを使用して、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットを自動的にセグメント化し、それによって、初期のホットスポット体積の第１のセットを識別する［例えば、（例えば、ホットスポットの異なるタイプではなく）背景領域およびホットスポット体積を弁別するように（例えば、第１の３Ｄホットスポットマップによって識別された各ホットスポット体積が、背景と対照的に、単一のホットスポットクラスに属するものとして標識されるように）、全てのホットスポットを単一のホットスポットクラスに属するものとして識別する］、第１の初期の３Ｄホットスポットマップを生成するステップであって、第１の機械学習モジュールは、単一のホットスポットクラスに従って３Ｄ機能画像のホットスポットをセグメント化する、ステップと、（ｃ）プロセッサによって、第２の機械学習モジュールを使用して、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットを自動的にセグメント化し、それによって、初期のホットスポット体積の第２のセットを識別する、第２の初期の３Ｄホットスポットマップを生成するステップであって、第２の機械学習モジュールは、第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識される、マルチクラス３Ｄホットスポットマップであるように（例えば、異なるホットスポットクラスに対応するホットスポット体積、ならびにホットスポット体積を背景領域として弁別するように）複数の異なるホットスポットクラス［例えば、各ホットスポットクラスは、ホットスポットによって表される病変が位置すると決定される、特定の解剖学的領域および／または組織領域（例えば、リンパ、骨、前立腺）を識別する］に従って、３Ｄ機能画像をセグメント化する、ステップと、（ｄ）プロセッサによって、第１の初期の３Ｄホットスポットマップによって識別される、初期のホットスポット体積の第１のセットの少なくとも一部の特定のホットスポット体積毎に、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積であって、複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別し（例えば、第１および第２の初期の３Ｄホットスポットマップの実質的に重複するホットスポット体積を識別し）、第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、特定のホットスポットクラスに属するものとして標識し（合致ホットスポット体積が属するものとして標識される）、それによって、第２の３Ｄホットスポットマップの合致ホットスポットが属するものとして識別されるクラスに従って標識されている、第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む、融合された３Ｄホットスポットマップを生成することによって、第１の初期の３Ｄホットスポットマップおよび第２の初期の３Ｄホットスポットマップを融合するステップと、（ｅ）表示および／またはさらなる処理のために、融合された３Ｄホットスポットマップを記憶ならびに／もしくは提供するステップとを含む、方法を対象とする。
ある実施形態では、複数の異なるホットスポットクラスは、（ｉ）（例えば、第２の機械学習モジュールによって）骨の中に位置する病変を表すと決定される、骨ホットスポットと、（ｉｉ）（例えば、第２の機械学習モジュールによって）リンパ節の中に位置する病変を表すと決定される、リンパホットスポットと、（ｉｉｉ）（例えば、第２の機械学習モジュールによって）前立腺の中に位置する病変を表すと決定される、前立腺ホットスポットとから成る群から選択される、１つまたはそれを上回る構成要素を含む。
別の側面では、本発明は、適応的閾値化アプローチを介して、対象内の癌性病変を識別および／または特性評価する（例えば、特定の病変タイプを表すものとして、例えば、等級化する、例えば、分類する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された、対象の３Ｄ機能画像［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を受信（例えば、および／またはそれにアクセス）するステップと、（ｂ）プロセッサによって、３Ｄ機能画像内において、１つまたはそれを上回る予備ホットスポット体積を識別する、予備３Ｄホットスポットマップを受信（例えば、ならびに／もしくはそれにアクセス）するステップと、（ｃ）プロセッサによって、それぞれが、特定の基準組織領域に対応する特定の基準体積内に位置する３Ｄ機能画像のボクセルの強度の尺度に基づく、１つまたはそれを上回る基準値（例えば、対象の大動脈の一部に対応する大動脈体積内の強度に基づいて決定される、血液貯留基準値、例えば、対象の肝臓に対応する肝臓体積内の強度に基づいて決定される、肝臓基準値）を決定するステップと、（ｄ）プロセッサによって、予備ホットスポット体積に基づいて、予備３Ｄホットスポットマップによって識別される、１つまたはそれを上回る予備ホットスポット体積の少なくとも一部の特定の予備ホットスポット体積毎に、特定の予備ホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度［例えば、ホットスポット強度は、特定の予備ホットスポット体積内のボクセルの（例えば、ＳＵＶを表す）強度の最大値である］を決定し、（ｉ）対応するホットスポット強度と、（ｉｉ）１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、特定の予備ホットスポット体積のためのホットスポット固有閾値を決定し、特定の予備ホットスポット体積のために決定されたホットスポット固有閾値を使用して画像セグメント化を実施する、閾値ベースのセグメント化アルゴリズムを使用して、３Ｄ機能画像の少なくとも一部（例えば、特定の予備ホットスポット体積内を中心とした下位体積）をセグメント化し［例えば、ボクセルのクラスタ（例えば、ホットスポット固有閾値を上回る強度を有し、予備ホットスポットの最大強度ボクセルを備える、ｎ個の接続された構成要素方式（例えば、ｎ＝６、ｎ＝１８等となる）で相互に接続される、ボクセルの３Ｄクラスタ）を識別し］、それによって、特定の予備ホットスポット体積に対応する、精緻化された、分析的にセグメント化されたホットスポット体積を決定し、精緻化されたホットスポット体積を精緻化された３Ｄホットスポットマップ内に含むことによって、適応的閾値ベースのセグメント化を使用して、精緻化された３Ｄホットスポットマップを生成するステップと、（ｅ）表示および／またはさらなる処理のために、精緻化された３Ｄホットスポットマップを記憶ならびに／もしくは提供するステップとを含む、方法を対象とする。
ある実施形態では、ホットスポット固有閾値は、複数の閾値関数から選択される、特定の閾値関数であって、対応するホットスポット強度と少なくとも１つの基準値の比較に基づいて選択される、特定の閾値関数を使用して決定される［例えば、複数の閾値関数はそれぞれ、強度（例えば、ＳＵＶ）値の特定の範囲と関連付けられ、特定の閾値関数は、ホットスポット強度および／またはその（例えば、所定の）割合が該当する特定の範囲に従って選択される（例えば、強度値の各特定の範囲は、少なくとも部分的に、少なくとも１つの基準値の倍数によって境界される）］。
ある実施形態では、ホットスポット固有閾値は、（例えば、特定の閾値関数によって）対応するホットスポット強度の可変割合として決定され、可変割合は、ホットスポット強度の増加に伴って減少する［例えば、可変割合は、それ自体が、対応するホットスポット強度の関数（例えば、減少関数）である］。
別の側面では、本発明は、対象内の癌性病変を識別および／または特性評価する（例えば、特定の病変タイプを表すものとして、例えば、等級化する、例えば、分類する）ために対象の３Ｄ画像を自動的に処理するための方法であって、（ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像モダリティ［例えば、Ｘ線コンピュータ断層撮影（ＣＴ）、例えば、磁気共鳴映像法（ＭＲＩ）、例えば、超音波］を使用して取得された、対象の３Ｄ解剖学的画像であって、対象内の組織（例えば、軟質組織および／または骨）のグラフィック表現を含む、３Ｄ解剖学的画像を受信（例えば、ならびに／もしくはそれにアクセス）するステップと、（ｂ）プロセッサによって、３Ｄ解剖学的画像を自動的にセグメント化し、３Ｄ解剖学的画像内において、対象の肝臓に対応する、肝臓体積と、大動脈部分に対応する、大動脈体積とを含む、複数の着目体積（ＶＯＩ）（例えば、胸部および／または腹部）を識別する、３Ｄセグメント化マップを生成するステップと、（ｃ）プロセッサによって、機能撮像モダリティ機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）するステップと、（ｄ）プロセッサによって、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的にセグメント化するステップであって、各セグメント化されたホットスポットは、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表し（例えば、示し）、それによって、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積を識別する、ステップと、（ｅ）プロセッサによって、双方向グラフィカルユーザインターフェース（ＧＵＩ）（例えば、品質制御および報告ＧＵＩ）内での表示のために、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積のグラフィック表現のレンダリングを引き起こすステップと、（ｆ）プロセッサによって、双方向ＧＵＩを介して、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積の少なくとも一部（例えば、最大全て）を含む、最終ホットスポットセットのユーザ選択を受信するステップと、（ｇ）プロセッサによって、最終セットのホットスポット体積毎に、（ｉ）ホットスポット体積に対応する（例えば、その中に位置する）、機能画像のボクセルの強度、および（ｉｉ）肝臓体積ならびに大動脈体積に対応する、機能画像のボクセルの強度を使用して決定される、１つまたはそれを上回る基準値に基づいて、病変指数値を決定するステップと、（ｅ）表示および／またはさらなる処理のために、最終ホットスポットセットならびに／もしくは病変指数値を記憶および／または提供するステップとを含む、方法を対象とする。
ある実施形態では、ステップ（ｂ）は、３Ｄセグメント化マップが対象の１つまたはそれを上回る骨に対応する、１つまたはそれを上回る骨体積を識別するように、解剖学的画像をセグメント化するステップを含み、ステップ（ｄ）は、機能画像内において、１つまたはそれを上回る骨体積を使用して、骨格体積を識別し、（例えば、ガウスフィルタの１つまたはそれを上回る差異を適用し、骨格体積を閾値化することによって）骨格体積内に位置する、１つまたはそれを上回る骨ホットスポット体積をセグメント化するステップを含む。
ある実施形態では、ステップ（ｂ）は、３Ｄセグメント化マップが、対象の軟質組織器官［例えば、左／右肺、左／右大殿筋、膀胱、肝臓、左／右腎臓、胆嚢、脾臓、胸部大動脈、および腹部大動脈、ならびに随意に、（例えば、前立腺全摘出術を受けたことのない患者に関して）前立腺］に対応する、１つまたはそれを上回る器官体積を識別するように、解剖学的画像をセグメント化するステップを含み、ステップ（ｄ）は、機能画像内において、１つまたはそれを上回るセグメント化された器官体積を使用して、１つまたはそれを上回る軟質組織（例えば、リンパ、随意に、前立腺）体積を識別し、軟質組織体積内に位置する、１つまたはそれを上回るリンパならびに／もしくは前立腺ホットスポット体積を（例えば、１つまたはそれを上回るガウスのラプラシアンフィルタを適用し、軟質組織体積を閾値化することによって）セグメント化するステップを含む。
ある実施形態では、ステップ（ｄ）はさらに、１つまたはそれを上回るリンパならびに／もしくは前立腺ホットスポット体積をセグメント化するステップに先立って、機能画像の強度を調節し、（例えば、本明細書に説明される１つまたはそれを上回る抑制方法を使用して）１つまたはそれを上回る高取込組織領域からの強度を抑制するステップを含む。
ある実施形態では、ステップ（ｇ）は、肝臓体積に対応する機能画像のボクセルの強度を使用して、肝臓基準値を決定するステップを含む。
ある実施形態では、本方法は、２成分ガウス混合モデルを、肝臓体積に対応する機能画像ボクセルの強度のヒストグラムに適合させ、２成分ガウス混合モデル適合を使用して、肝臓体積からの異常に低い取込の領域と関連付けられる強度を有するボクセルを識別および除外し、残りの（例えば、除外されていない）ボクセルの強度を使用して、肝臓基準値を決定するステップを含む。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および／または特性評価する（例えば、特定の病変タイプを表すものとして、例えば、等級化する、例えば、分類する）ためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）機能撮像モダリティを使用して取得された、対象の３Ｄ機能画像［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）解剖学的撮像モダリティを使用して取得された、対象の３Ｄ解剖学的画像［例えば、コンピュータ断層撮影（ＣＴ）画像、例えば、磁気共鳴（ＭＲ）画像］を受信（例えば、および／またはそれにアクセス）させ、（ｃ）３Ｄ機能画像内および／または３Ｄ解剖学的画像内の１つまたはそれを上回る特定の組織領域もしくは組織領域の群（例えば、特定の解剖学的領域に対応する、組織領域のセット、例えば、高いまたは低い放射性医薬品取込が生じる器官を構成する、組織領域の群）を識別する、３Ｄセグメント化マップを受信（例えば、ならびに／もしくはそれにアクセス）させ、（ｄ）１つまたはそれを上回る機械学習モジュールを使用して、各ホットスポットが、その周囲に対してその周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す、３Ｄ機能画像内の１つまたはそれを上回るホットスポットのセットを自動的に検出ならびに／もしくはセグメント化させ、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に、［例えば、１つまたはそれを上回る機械学習モジュールによって検出されるような］ホットスポットの場所を識別する、ホットスポットリストと、（ｉｉ）ホットスポット毎に、［例えば、１つまたはそれを上回る機械学習モジュールによって実施されるセグメント化を介して決定されるような］３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する、３Ｄホットスポットマップ［例えば、３Ｄホットスポットマップは、ホットスポット毎に、ホットスポットの３Ｄホットスポット境界（例えば、不規則的境界）（例えば、３Ｄホットスポット体積を封入する、３Ｄ境界）を境界する、セグメント化マップである］とのうちの一方もしくは両方を生成するステップであって、１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つ（例えば、最大全て）は、入力として、（ｉ）３Ｄ機能画像と、（ｉｉ）３Ｄ解剖学的画像と、（ｉｉｉ）３Ｄセグメント化マップとを受信する、ステップを行わせ、（ｅ）表示および／またはさらなる処理のために、ホットスポットリストならびに／もしくは３Ｄホットスポットマップを記憶および／または提供させる、メモリとを備える、システムを対象とする。
ある実施形態では、命令は、プロセッサに、３Ｄ解剖学的画像および／または３Ｄ機能画像内の１つまたはそれを上回る（例えば、複数の）特定の組織領域（例えば、器官ならびに／もしくは特定の骨）を識別する、初期の３Ｄセグメント化マップを受信させ、１つまたはそれを上回る特定の組織領域の少なくとも一部を、１つまたはそれを上回る組織グルーピング（例えば、予め定義されたグルーピング）のうちの特定のものに属するものとして識別させ、識別された特定の領域を特定の組織グルーピングに属するものとして示すように、３Ｄセグメント化マップを更新させ、１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つへの入力として、更新された３Ｄセグメント化マップを使用させる。
ある実施形態では、１つまたはそれを上回る組織グルーピングは、軟質組織を表す特定の組織領域が軟質組織グルーピングに属するものとして識別されるように、軟質組織グルーピングを含む。ある実施形態では、１つまたはそれを上回る組織グルーピングは、骨を表す特定の組織領域が骨組織グルーピングに属するものとして識別されるように、骨組織グルーピングを含む。ある実施形態では、１つまたはそれを上回る組織グルーピングは、（例えば、通常状況下における、かつ必ずしも病変の存在に起因するわけではない）高い放射性医薬品取込と関連付けられる１つまたはそれを上回る器官が、高取込グルーピングに属するものと識別されるように、高取込器官グルーピングを含む。
ある実施形態では、命令は、プロセッサに、検出および／またはセグメント化されたホットスポット毎に、［例えば、解剖学的場所に従って、例えば、病変を骨、リンパ、もしくは前立腺として分類して、例えば、表１の標識スキーム等、対象に対するホットスポットの（例えば、プロセッサによって）決定された場所に基づいて英数字コードを割り当てて］ホットスポットのための分類を決定させる。
ある実施形態では、命令は、プロセッサに、１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つを使用させ、検出ならびに／もしくはセグメント化されたホットスポット毎に、ホットスポットのための分類を決定させる（例えば、単一の機械学習モジュールは、検出、セグメント化、および分類を実施する）。
ある実施形態では、１つまたはそれを上回る機械学習モジュールは、（Ａ）身体全体の全体を通してホットスポットを検出ならびに／もしくはセグメント化する、全身病変検出モジュールと、（Ｂ）前立腺内のホットスポットを検出および／またはセグメント化する、前立腺病変モジュールとを含む。ある実施形態では、命令は、プロセッサに、（Ａ）および（Ｂ）のそれぞれを使用して、ホットスポットリストならびに／もしくはマップを発生させ、結果を融合させる。
ある実施形態では、ステップ（ｄ）において、命令は、プロセッサに、１つまたはそれを上回るホットスポットのセットをセグメント化および分類させ、ホットスポット毎に、３Ｄ機能画像内にあり、各ホットスポット体積が、第１の機械学習モジュールであって、単一のホットスポットクラスに従って３Ｄ機能画像のホットスポットをセグメント化する、第１の機械学習モジュールを使用し、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第１のセットを識別する［例えば、（例えば、ホットスポットの異なるタイプではなく）背景領域ならびにホットスポット体積を弁別するように（例えば、第１の３Ｄホットスポットマップによって識別された各ホットスポット体積が、背景と対照的に、単一のホットスポットクラスに属するものとして標識されるように）、全てのホットスポットを単一のホットスポットクラスに属するものとして識別する］、第１の初期の３Ｄホットスポットマップを生成することと、第２の機械学習モジュールであって、第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識される、マルチクラス３Ｄホットスポットマップであるように（例えば、異なるホットスポットクラスに対応するホットスポット体積、ならびにホットスポット体積を背景領域として弁別するように）、複数の異なるホットスポットクラスに従って、３Ｄ機能画像をセグメント化する、第２の機械学習モジュールを使用し、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第２のセットを識別する、第２の初期の３Ｄホットスポットマップを生成することと、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積であって、複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別し（例えば、第１および第２の初期の３Ｄホットスポットマップの実質的に重複するホットスポット体積を識別し）、第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、特定のホットスポットクラスに属するものとして標識し（合致ホットスポット体積が属するものとして標識される）、それによって、第２の３Ｄホットスポットマップの合致ホットスポットが属するものとして識別されるクラスに従って標識されている、第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む、融合された３Ｄホットスポットマップを生成することによって、第１の初期の３Ｄホットスポットマップによって識別される、ホットスポット体積の少なくとも一部の第１の初期の３Ｄホットスポットマップならびに第２の初期の３Ｄホットスポットマップを融合することとによって、複数のホットスポットクラスの特定のホットスポットクラス［例えば、各ホットスポットクラスは、ホットスポットによって表される病変が位置すると決定される、特定の解剖学的領域および／または組織領域（例えば、リンパ、骨、前立腺）を識別する］に属するものとして標識される、対応する３Ｄホットスポット体積を識別する、標識された３Ｄホットスポットマップを生成させ、ステップ（ｅ）において、命令は、プロセッサに、表示および／またはさらなる処理のために、融合された３Ｄホットスポットマップを記憶ならびに／もしくは提供させる。
ある実施形態では、複数の異なるホットスポットクラスは、（ｉ）（例えば、第２の機械学習モジュールによって）骨の中に位置する病変を表すと決定される、骨ホットスポットと、（ｉｉ）（例えば、第２の機械学習モジュールによって）リンパ節の中に位置する病変を表すと決定される、リンパホットスポットと、（ｉｉｉ）（例えば、第２の機械学習モジュールによって）前立腺の中に位置する病変を表すと決定される、前立腺ホットスポットとから成る群から選択される、１つまたはそれを上回る構成要素を含む。
ある実施形態では、命令はさらに、プロセッサに、（ｆ）ホットスポットリストを受信および／またはそれにアクセスさせ、（ｇ）ホットスポットリスト内のホットスポット毎に、分析モデルを使用してホットスポットをセグメント化させる［例えば、それによって、分析的にセグメント化されたホットスポットの３Ｄマップ（例えば、ホットスポット毎に、３Ｄ解剖学的画像のボクセル、および／またはセグメント化されたホットスポット領域によって封入される、機能画像を含む、ホットスポット体積を識別する、３Ｄマップ）を生成させる］。
ある実施形態では、命令はさらに、プロセッサに、（ｈ）ホットスポットマップを受信および／またはそれにアクセスさせ、（ｉ）ホットスポットマップ内のホットスポット毎に、分析モデルを使用してホットスポットをセグメント化させる［例えば、それによって、分析的にセグメント化されたホットスポットの３Ｄマップ（例えば、ホットスポット毎に、３Ｄ解剖学的画像のボクセル、ならびに／もしくはセグメント化されたホットスポット領域によって封入される、機能画像を含む、ホットスポット体積を識別する、３Ｄマップ）を生成させる］。
ある実施形態では、分析モデルは、適応的閾値化方法であり、ステップ（ｉ）において、命令は、プロセッサに、それぞれが、特定の基準組織領域に対応する特定の基準体積内に位置する３Ｄ機能画像のボクセルの強度の尺度に基づく、１つまたはそれを上回る基準値（例えば、対象の大動脈の一部に対応する大動脈体積内の強度に基づいて決定される、血液貯留基準値、例えば、対象の肝臓に対応する肝臓体積内の強度に基づいて決定される、肝臓基準値）を決定させ、３Ｄホットスポットマップの特定のホットスポット体積毎に、特定のホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度［例えば、ホットスポット強度は、特定のホットスポット体積内のボクセルの（例えば、ＳＵＶを表す）強度の最大値である］を決定させ、（ｉ）対応するホットスポット強度と、（ｉｉ）１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、特定のホットスポットのためのホットスポット固有閾値を決定させる。
ある実施形態では、ホットスポット固有閾値は、複数の閾値関数から選択される、特定の閾値関数であって、対応するホットスポット強度と少なくとも１つの基準値の比較に基づいて選択される、特定の閾値関数を使用して決定される［例えば、複数の閾値関数はそれぞれ、強度（例えば、ＳＵＶ）値の特定の範囲と関連付けられ、特定の閾値関数は、ホットスポット強度および／またはその（例えば、所定の）割合が該当する特定の範囲に従って選択される（例えば、強度値の各特定の範囲は、少なくとも部分的に、少なくとも１つの基準値の倍数によって境界される）］。
ある実施形態では、ホットスポット固有閾値は、（例えば、特定の閾値関数によって）対応するホットスポット強度の可変割合として決定され、可変割合は、ホットスポット強度の増加に伴って減少する［例えば、可変割合は、それ自体が、対応するホットスポット強度の関数（例えば、減少関数）である］。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および／または特性評価する（例えば、特定の病変タイプを表すものとして、例えば、等級化する、例えば、分類する）ためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）機能撮像モダリティを使用して取得された、対象の３Ｄ機能画像［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）第１の機械学習モジュールであって、単一のホットスポットクラスに従って３Ｄ機能画像のホットスポットをセグメント化する、第１の機械学習モジュールを使用して、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットを自動的にセグメント化させ、それによって、初期のホットスポット体積の第１のセット、すなわち、３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する［例えば、（例えば、ホットスポットの異なるタイプではなく）背景領域およびホットスポット体積を弁別するように（例えば、第１の３Ｄホットスポットマップによって識別された各ホットスポット体積が、背景と対照的に、単一のホットスポットクラスに属するものとして標識されるように）、全てのホットスポットを単一のホットスポットクラスに属するものとして識別する］、第１の初期の３Ｄホットスポットマップを生成させ、（ｃ）第２の機械学習モジュールであって、第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識される、マルチクラス３Ｄホットスポットマップであるように（例えば、異なるホットスポットクラスに対応するホットスポット体積、ならびにホットスポット体積を背景領域として弁別するように）、複数の異なるホットスポットクラス［例えば、各ホットスポットクラスは、ホットスポットによって表される病変が位置すると決定される、特定の解剖学的領域および／または組織領域（例えば、リンパ、骨、前立腺）を識別する］に従って、３Ｄ機能画像をセグメント化する、第２の機械学習モジュールを使用して、３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットを自動的にセグメント化させ、それによって、初期のホットスポット体積の第２のセットを識別する、第２の初期の３Ｄホットスポットマップを生成させ、（ｄ）第１の初期の３Ｄホットスポットマップによって識別される、初期のホットスポット体積の第１のセットの少なくとも一部の特定のホットスポット体積毎に、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積であって、複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別し（例えば、第１および第２の初期の３Ｄホットスポットマップの実質的に重複するホットスポット体積を識別し）、第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、特定のホットスポットクラスに属するものとして標識し（合致ホットスポット体積が属するものとして標識される）、それによって、第２の３Ｄホットスポットマップの合致ホットスポットが属するものとして識別されるクラスに従って標識されている、第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む、融合された３Ｄホットスポットマップを生成することによって、第１の初期の３Ｄホットスポットマップおよび第２の初期の３Ｄホットスポットマップを融合させ、（ｅ）表示および／またはさらなる処理のために、融合された３Ｄホットスポットマップを記憶ならびに／もしくは提供させる、メモリとを備える、システムを対象とする。
ある実施形態では、複数の異なるホットスポットクラスは、（ｉ）（例えば、第２の機械学習モジュールによって）骨の中に位置する病変を表すと決定される、骨ホットスポットと、（ｉｉ）（例えば、第２の機械学習モジュールによって）リンパ節の中に位置する病変を表すと決定される、リンパホットスポットと、（ｉｉｉ）（例えば、第２の機械学習モジュールによって）前立腺の中に位置する病変を表すと決定される、前立腺ホットスポットとから成る群から選択される、１つまたはそれを上回る構成要素を含む。
別の側面では、本発明は、適応的閾値化アプローチを介して、対象内の癌性病変を識別および／または特性評価する（例えば、特定の病変タイプを表すものとして、例えば、等級化する、例えば、分類する）ために対象の３Ｄ画像を自動的に処理するためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）機能撮像モダリティを使用して取得された、対象の３Ｄ機能画像［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を受信（例えば、および／またはそれにアクセス）させ、（ｂ）３Ｄ機能画像において、１つまたはそれを上回る予備ホットスポット体積を識別する、予備３Ｄホットスポットマップを受信（例えば、および／またはそれにアクセス）させ、（ｃ）それぞれが、特定の基準組織領域に対応する特定の基準体積内に位置する３Ｄ機能画像のボクセルの強度の尺度に基づく、１つまたはそれを上回る基準値（例えば、対象の大動脈の一部に対応する大動脈体積内の強度に基づいて決定される、血液貯留基準値、例えば、対象の肝臓に対応する肝臓体積内の強度に基づいて決定される、肝臓基準値）を決定させ、（ｄ）予備ホットスポット体積に基づいて、予備３Ｄホットスポットマップによって識別される、１つまたはそれを上回る予備ホットスポット体積の少なくとも一部の特定の予備ホットスポット体積毎に、特定の予備ホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度［例えば、ホットスポット強度は、特定の予備ホットスポット体積内のボクセルの（例えば、ＳＵＶを表す）強度の最大値である］を決定し、（ｉ）対応するホットスポット強度と、（ｉｉ）１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、特定の予備ホットスポットに関するホットスポット固有閾値を決定し、特定の予備ホットスポットに関して決定されたホットスポット固有閾値を使用して、画像セグメント化を実施する、閾値ベースのセグメント化アルゴリズムを使用して、３Ｄ機能画像の少なくとも一部（例えば、特定の予備ホットスポット体積内を中心とした下位体積）をセグメント化し［例えば、ボクセルのクラスタ（例えば、ホットスポット固有閾値を上回る強度を有し、予備ホットスポットの最大強度ボクセルを備える、ｎ個の接続された構成要素方式（例えば、ｎ＝６、ｎ＝１８等となる）で相互に接続される、ボクセルの３Ｄクラスタ）を識別し］、それによって、特定の予備ホットスポット体積に対応する、精緻化された、分析的にセグメント化されたホットスポット体積を決定し、精緻化されたホットスポット体積を精緻化された３Ｄホットスポットマップ内に含むことによって、適応的閾値ベースのセグメント化を使用して、精緻化された３Ｄホットスポットマップを生成させ、（ｅ）表示および／またはさらなる処理のために、精緻化された３Ｄホットスポットマップを記憶ならびに／もしくは提供させる、メモリとを備える、システムを対象とする。
ある実施形態では、ホットスポット固有閾値は、複数の閾値関数から選択される、特定の閾値関数であって、対応するホットスポット強度と少なくとも１つの基準値の比較に基づいて選択される、特定の閾値関数を使用して決定される［例えば、複数の閾値関数はそれぞれ、強度（例えば、ＳＵＶ）値の特定の範囲と関連付けられ、特定の閾値関数は、ホットスポット強度および／またはその（例えば、所定の）割合が該当する特定の範囲に従って選択される（例えば、強度値の各特定の範囲は、少なくとも部分的に、少なくとも１つの基準値の倍数によって境界される）］。
ある実施形態では、ホットスポット固有閾値は、（例えば、特定の閾値関数によって）対応するホットスポット強度の可変割合として決定され、可変割合は、ホットスポット強度の増加に伴って減少する［例えば、可変割合は、それ自体が、対応するホットスポット強度の関数（例えば、減少関数）である］。
別の側面では、本発明は、対象の３Ｄ画像を自動的に処理し、対象内の癌性病変を識別および／または特性評価する（例えば、特定の病変タイプを表すものとして、例えば、等級化する、例えば、分類する）ためのシステムであって、コンピューティングデバイスのプロセッサと、その上に記憶される命令を有する、メモリであって、命令が、プロセッサによって実行されると、プロセッサに、（ａ）解剖学的撮像モダリティ［例えば、Ｘ線コンピュータ断層撮影（ＣＴ）、例えば、磁気共鳴映像法（ＭＲＩ）、例えば、超音波］を使用して取得された、対象の３Ｄ解剖学的画像であって、対象内の組織（例えば、軟質組織および／または骨）のグラフィック表現を含む、３Ｄ解剖学的画像を受信（例えば、ならびに／もしくはそれにアクセス）させ、（ｂ）３Ｄ解剖学的画像を自動的にセグメント化させ、３Ｄ解剖学的画像内において、対象の肝臓に対応する、肝臓体積と、大動脈部分に対応する、大動脈体積とを含む、複数の着目体積（ＶＯＩ）（例えば、胸部および／または腹部）を識別する、３Ｄセグメント化マップを生成させ、（ｃ）機能撮像モダリティ［例えば、陽電子放出断層撮影（ＰＥＴ）、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）］を使用して取得された、対象の３Ｄ機能画像［例えば、３Ｄ機能画像は、それぞれが対象内の特定の物理的体積を表し、特定の物理的体積から放出された検出された放射線を表す強度値を有する、複数のボクセルを含み、３Ｄ機能画像の複数のボクセルの少なくとも一部は、標的組織領域内の物理的体積を表す］を受信（例えば、および／またはそれにアクセス）させ、（ｄ）各セグメント化されたホットスポットが、その周囲に対して高い強度の局所領域に対応し、対象内の潜在的な癌性病変を表す（例えば、示す）ように、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的にセグメント化させ、それによって、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積を識別させ、（ｅ）双方向グラフィカルユーザインターフェース（ＧＵＩ）（例えば、品質制御および報告ＧＵＩ）内での表示のために、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積のグラフィック表現のレンダリングを引き起こさせ、（ｆ）双方向ＧＵＩを介して、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積の少なくとも一部（例えば、最大全て）を含む、最終ホットスポットセットのユーザ選択を受信させ、（ｇ）最終セットのホットスポット体積毎に、（ｉ）ホットスポット体積に対応する（例えば、その中に位置する）、機能画像のボクセルの強度、および（ｉｉ）肝臓体積ならびに大動脈体積に対応する、機能画像のボクセルの強度を使用して決定される、１つまたはそれを上回る基準値に基づいて、病変指数値を決定させ、（ｅ）表示および／またはさらなる処理のために、最終ホットスポットセットならびに／もしくは病変指数値を記憶および／または提供させる、メモリとを備える、システムを対象とする。
ある実施形態では、ステップ（ｂ）において、命令は、プロセッサに、３Ｄセグメント化マップが、対象の１つまたはそれを上回る骨に対応する、１つまたはそれを上回る骨体積を識別するように、解剖学的画像をセグメント化させ、ステップ（ｄ）において、命令は、プロセッサに、機能画像内において、１つまたはそれを上回る骨体積を使用して、骨格体積を識別させ、（例えば、ガウスフィルタの１つまたはそれを上回る差異を適用し、骨格体積を閾値化することによって）骨格体積内に位置する、１つまたはそれを上回る骨ホットスポット体積をセグメント化させる。
ある実施形態では、ステップ（ｂ）において、命令は、プロセッサに、３Ｄセグメント化マップが、対象の軟質組織器官（例えば、左／右肺、左／右大殿筋、膀胱、肝臓、左／右腎臓、胆嚢、脾臓、胸部大動脈、および腹部大動脈、ならびに随意に、（例えば、前立腺全摘出術を受けたことのない患者に関して）前立腺）に対応する、１つまたはそれを上回る器官体積を識別するように、解剖学的画像をセグメント化させ、ステップ（ｄ）において、命令は、プロセッサに、機能画像内において、１つまたはそれを上回るセグメント化された器官体積を使用して、軟質組織体積（例えば、リンパ、随意に、前立腺）を識別させ、軟質組織体積内に位置する、１つまたはそれを上回るリンパならびに／もしくは前立腺ホットスポット体積を（例えば、１つまたはそれを上回るガウスのラプラシアンフィルタを適用し、軟質組織体積を閾値化することによって）セグメント化させる。
ある実施形態では、ステップ（ｄ）において、命令は、プロセッサに、１つまたはそれを上回るリンパならびに／もしくは前立腺ホットスポット体積をセグメント化するステップに先立って、機能画像の強度を調節させ、（例えば、本明細書に説明される１つまたはそれを上回る抑制方法を使用して）１つまたはそれを上回る高取込組織領域からの強度を抑制させる。
ある実施形態では、ステップ（ｇ）において、命令は、プロセッサに、肝臓体積に対応する機能画像のボクセルの強度を使用して、肝臓基準値を決定させる。
ある実施形態では、命令は、プロセッサに、２成分ガウス混合モデルを、肝臓体積に対応する機能画像ボクセルの強度のヒストグラムに適合させ、２成分ガウス混合モデル適合を使用し、肝臓体積からの異常に低い取込の領域と関連付けられる強度を有するボクセルを識別および除外させ、残りの（例えば、除外されていない）ボクセルの強度を使用して、肝臓基準値を決定させる。
本発明の一側面に関して説明される実施形態の特徴は、本発明の別の側面に対しても適用され得る。
本開示の前述および他の目的、側面、特徴、ならびに利点は、付随の図面と併せて以下の説明を参照することによって、より明白な状態となり、より深く理解されるであろう。
図１Ａは、例証的実施形態による、人工知能（ＡＩ）ベースの病変検出のための例示的プロセスのブロックフロー図である。
図１Ｂは、例証的実施形態による、ＡＩベースの病変検出のための例示的プロセスのブロックフロー図である。
図１Ｃは、例証的実施形態による、ＡＩベースの病変検出のための例示的プロセスのブロックフロー図である。
図２Ａは、例証的実施形態による、２成分ガウス混合モデルでオーバーレイされた、肝臓ＳＵＶ値のヒストグラムを示す、グラフである。
図２Ｂは、例証的実施形態による、肝臓基準値の計算のために使用される、肝臓体積の一部を示すＣＴ画像上にオーバーレイされた、ＰＥＴ画像である。
図２Ｃは、例証的実施形態による、低い放射性医薬品取込と関連付けられる組織領域からの影響を回避／低減させる、基準強度値を算出するための例示的プロセスのブロックフロー図である。
図３は、例証的実施形態による、高い放射性医薬品取込と関連付けられる１つまたはそれを上回る組織領域からの強度波及を補正するための例示的プロセスのブロックフロー図である。
図４は、例証的実施形態による、検出された病変に対応するホットスポットを解剖学的に標識するための例示的プロセスのブロックフロー図である。
図５Ａは、例証的実施形態による、グラフィカルユーザインターフェース（ＧＵＩ）を介したユーザのフィードバックおよび精査を可能にする、双方向病変検出のための例示的プロセスのブロックフロー図である。
図５Ｂは、例証的実施形態による、自動的に検出された病変のユーザ精査、品質制御、および報告のための例示的プロセスである。
図６Ａは、例証的実施形態による、肝臓基準体積の正確なセグメント化を確認するために使用される、ＧＵＩのスクリーンショットである。
図６Ｂは、例証的実施形態による、大動脈部分（血液貯留）基準体積の正確なセグメント化を確認するために使用される、ＧＵＩのスクリーンショットである。
図６Ｃは、例証的実施形態による、対象内の検出された病変に対応する自動的にセグメント化されたホットスポットのユーザ選択および／または照合のために使用される、ＧＵＩのスクリーンショットである。
図６Ｄは、例証的実施形態による、ユーザが画像内で手動で病変を識別することを可能にする、ＧＵＩの一部のスクリーンショットである。
図６Ｅは、例証的実施形態による、ユーザが画像内で手動で病変を識別することを可能にする、ＧＵＩの別の部分のスクリーンショットである。
図７は、例証的実施形態による、品質制御チェックリストを示す、ＧＵＩの一部のスクリーンショットである。
図８は、例証的実施形態による、ユーザによって、本明細書に説明される自動化された病変検出ツールのある実施形態を使用して発生された、報告書のスクリーンショットである。
図９は、例証的実施形態による、入力として３Ｄ解剖学的画像、３Ｄ機能画像、および３Ｄセグメント化マップを受信する機械学習モジュールを介した、ホットスポット（病変）セグメント化の例示的アーキテクチャを示す、ブロックフロー図である。
図１０Ａは、例証的実施形態による、病変タイプマッピングがホットスポットセグメント化に続いて実施される例示的プロセスを示す、ブロックフロー図である。
図１０Ｂは、例証的実施形態による、３Ｄセグメント化マップの使用を図示する、病変タイプマッピングがホットスポットセグメント化に続いて実施される、例示的プロセスを示す、別のブロックフロー図である。
図１１Ａは、例証的実施形態による、全身ネットワークおよび前立腺固有ネットワークを使用して病変を表すホットスポットを検出ならびに／もしくはセグメント化するためのプロセスを示す、ブロックフロー図である。
図１１Ｂは、例証的実施形態による、全身ネットワークおよび前立腺固有ネットワークを使用して病変を表すホットスポットを検出ならびに／もしくはセグメント化するためのプロセスを示す、ブロックフロー図である。
図１２は、例証的実施形態による、ＡＩベースのホットスポットセグメント化に続く、分析セグメント化ステップの使用を示す、ブロックフロー図である。
図１３Ａは、例証的実施形態による、ホットスポットセグメント化のために使用される例示的Ｕ－ｎｅｔアーキテクチャを示す、ブロック図である。
図１３Ｂおよび図１３Ｃは、例証的実施形態による、ホットスポットセグメント化のための例示的ＦＰＮアーキテクチャを示す、ブロック図である。 図１３Ｂおよび図１３Ｃは、例証的実施形態による、ホットスポットセグメント化のための例示的ＦＰＮアーキテクチャを示す、ブロック図である。
図１４Ａ、図１４Ｂ、および図１４Ｃは、例証的実施形態による、Ｕ－ｎｅｔアーキテクチャを使用したホットスポットのセグメント化を実証する、例示的画像を示す。
図１５Ａおよび図１５Ｂは、例証的実施形態による、ＦＰＮアーキテクチャを使用したホットスポットのセグメント化を実証する、例示的画像を示す。
図１６Ａ、図１６Ｂ、図１６Ｃ、図１６Ｄ、および図１６Ｅは、例証的実施形態による、医療画像データから報告書をアップロード、分析、ならびに発生させるための例示的ＧＵＩのスクリーンショットである。 図１６Ａ、図１６Ｂ、図１６Ｃ、図１６Ｄ、および図１６Ｅは、例証的実施形態による、医療画像データから報告書をアップロード、分析、ならびに発生させるための例示的ＧＵＩのスクリーンショットである。 図１６Ａ、図１６Ｂ、図１６Ｃ、図１６Ｄ、および図１６Ｅは、例証的実施形態による、医療画像データから報告書をアップロード、分析、ならびに発生させるための例示的ＧＵＩのスクリーンショットである。 図１６Ａ、図１６Ｂ、図１６Ｃ、図１６Ｄ、および図１６Ｅは、例証的実施形態による、医療画像データから報告書をアップロード、分析、ならびに発生させるための例示的ＧＵＩのスクリーンショットである。 図１６Ａ、図１６Ｂ、図１６Ｃ、図１６Ｄ、および図１６Ｅは、例証的実施形態による、医療画像データから報告書をアップロード、分析、ならびに発生させるための例示的ＧＵＩのスクリーンショットである。
図１７Ａおよび図１７Ｂは、例証的実施形態による、２つの並行機械学習モジュールを使用してホットスポットをセグメント化ならびに分類するための例示的プロセスのブロックフロー図である。 図１７Ａおよび図１７Ｂは、例証的実施形態による、２つの並行機械学習モジュールを使用してホットスポットをセグメント化ならびに分類するための例示的プロセスのブロックフロー図である。
図１７Ｃは、例証的実施形態による、２つの並行機械学習モジュールを使用してホットスポットをセグメント化および分類するためのプロセスの例示的実装の種々のソフトウェアモジュール（例えば、ＡＰＩ）間の相互作用ならびにデータフローを図示する、ブロックフロー図である。
図１８Ａは、例証的実施形態による、適応的閾値化方法を使用する分析モデルによってホットスポットをセグメント化するための例示的プロセスのブロックフロー図である。
図１８Ｂおよび図１８Ｃは、例証的実施形態による、適応的閾値化方法においてホットスポット強度（ＳＵＶｍａｘ）の関数として使用される、ホットスポット固有閾値の変動を示す、グラフである。 図１８Ｂおよび図１８Ｃは、例証的実施形態による、適応的閾値化方法においてホットスポット強度（ＳＵＶｍａｘ）の関数として使用される、ホットスポット固有閾値の変動を示す、グラフである。
図１８Ｄ、図１８Ｅ、および図１８Ｆは、例証的実施形態による、ある閾値化技法を図示する、略図である。 図１８Ｄ、図１８Ｅ、および図１８Ｆは、例証的実施形態による、ある閾値化技法を図示する、略図である。 図１８Ｄ、図１８Ｅ、および図１８Ｆは、例証的実施形態による、ある閾値化技法を図示する、略図である。
図１８Ｇは、例証的実施形態による、前立腺ボクセル強度値のヒストグラムおよび閾値スケーリング係数の例証的設定に加えて、軸面、矢状面、ならびに冠状面に沿った前立腺ボクセルの強度を示す、略図である。
図１９Ａは、例証的実施形態による、従来の手動ＲＯＩ定義および従来の固定的ならびに／もしくは相対的閾値化を使用したホットスポットセグメント化を図示する、ブロックフロー図である。
図１９Ｂは、例証的実施形態による、適応的閾値化方法との組み合わせにおけるＡＩベースのアプローチを使用したホットスポットセグメント化を図示する、ブロックフロー図である。
図２０は、例証的実施形態による、閾値化のみに関する例示的セグメント化結果と、適応的閾値化方法との組み合わせにおけるＡＩベースのアプローチを介して取得されたセグメント化結果を比較する、画像のセットである。
図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。 図２１Ａ、図２１Ｂ、図２１Ｃ、図２１Ｄ、図２１Ｅ、図２１Ｆ、図２１Ｇ、図２１Ｈ、および図２１Ｉは、腹部領域内で垂直方向に沿って移動する、３Ｄ ＰＥＴ画像の一連の２Ｄスライスを示す。画像は、閾値化方法のみによって実施された腹部領域内のホットスポットセグメント化結果（左画像）と、本明細書に説明されるある実施形態による機械学習アプローチのもの（右画像）を比較し、ＰＥＴ画像スライス上にオーバーレイされた、各方法によって識別されたホットスポット領域を示す。
図２２は、本明細書に説明されるある実施形態による、自動化された画像分析を提供するＣＡＤデバイスを使用してＰＥＴ／ＣＴ画像データをアップロードおよび分析するための、プロセスのブロックフロー図である。
図２３は、本明細書に説明されるある実施形態による、自動化された画像分析を提供するＣＡＤデバイスを介した精査および分析のために、ユーザが画像データをアップロードすることを可能にする、例示的ＧＵＩのスクリーンショットである。
図２４は、例証的実施形態による、ユーザが医療画像データ（例えば、３Ｄ ＰＥＴ／ＣＴ画像）および自動化された画像分析の結果を精査ならびに分析することを可能にする、例示的ＧＵＩビューアのスクリーンショットである。
図２５は、例証的実施形態による、自動的に発生された報告書のスクリーンショットである。
図２６は、例証的実施形態による、ユーザ入力および精査に加えて自動化された分析を提供する、医療画像データの分析のための例示的ワークフローのブロックフロー図である。
図２７は、例証的実施形態による、セグメント化された骨および軟質組織体積がオーバーレイされたＣＴ画像の３つのビューを示す。
図２８は、例証的実施形態による、ホットスポットをセグメント化するための分析モデルのブロックフロー図である。
図２９Ａは、ある実施形態において使用される、クラウドコンピューティングアーキテクチャのブロック図である。
図２９Ｂは、ある実施形態において使用される、例示的マイクロサービス通信フローのブロック図である。
図３０は、ある実施形態において使用される、例示的クラウドコンピューティング環境のブロック図である。
図３１は、ある実施形態において使用される、例示的コンピューティングデバイスおよび例示的モバイルコンピューティングデバイスのブロック図である。
本開示の特徴および利点は、同様の参照記号が全体を通して対応する要素を識別する、図面と併せて下記に記載される詳細な説明からより明白な状態となるであろう。図面では、同様の参照番号は、概して、同じ、機能的に類似する、および／または構造的に類似する要素を示す。
詳細な説明
本願発明のシステム、デバイス、方法、およびプロセスが、本明細書に説明される実施形態からの情報を使用して開発される変形例ならびに適合を包含することが、想定される。本明細書に説明されるシステム、デバイス、方法、およびプロセスの適合ならびに／もしくは修正が、当業者によって実施され得る。
物品、デバイス、およびシステムが、具体的コンポーネントを有する、含む、または備えるものとして説明される、もしくはプロセスならびに方法が、具体的ステップを有する、含む、または備えるものとして説明される、本説明の全体を通して、加えて、列挙されるコンポーネントから本質的に成る、もしくは成る、本発明の物品、デバイス、およびシステムが、存在し、列挙される処理ステップから本質的に成る、または成る、本発明によるプロセスならびに方法が、存在することが想定される。
ステップの順序またはあるアクションを実施するための順序が、本発明が動作可能なままである限り、重要ではないことを理解されたい。また、２つまたはそれを上回るステップもしくはアクションが、同時に行われてもよい。
本明細書における、例えば、背景技術の節での任意の出版物の言及は、出版物が、本明細書で提示される請求項のうちのいずれかに関する従来技術としての役割を果たすという承認ではない。背景技術の節は、明確にする目的で提示され、任意の請求項に関する従来技術の説明として意図されるものではない。
ヘッダは、読者の便宜のために提供され、ヘッダの存在および／または設置は、本明細書に説明される主題の範囲を限定することを意図していない。
本願では、文脈から別様に明白ではない限り、（ｉ）用語「ａ」は、「少なくとも１つ」を意味するように理解され得、（ｉｉ）用語「または」は、「および／または」を意味するように理解され得、（ｉｉｉ）用語「ｃｏｍｐｒｉｓｉｎｇ（～を備える）」および「ｉｎｃｌｕｄｉｎｇ（～を含む）」は、それ自体によって提示される、もしくは１つまたはそれを上回る付加的な構成要素もしくはステップとともに提示されるかどうかにかかわらず、項目別にされる構成要素またはステップを包含するように理解され得、（ｉｖ）用語「約」ならびに「およそ」は、当業者によって理解されるであろうように、標準的な変動を可能にするように理解され得、（ｖ）範囲が提供される場合、終点が、含まれる。
ある実施形態では、用語「約」は、本明細書においてある値を参照して使用されるとき、文脈においてその参照された値に類似する値を参照する。一般に、本文脈に精通している当業者は、その文脈における「約」によって包含される変動の妥当な範囲を理解するであろう。例えば、いくつかの実施形態では、用語「約」は、参照される値の２５％、２０％、１９％、１８％、１７％、１６％、１５％、１４％、１３％、１２％、１１％、１０％、９％、８％、７％、６％、５％、４％、３％、２％、１％、またはそれ未満以内の値の範囲を包含し得る。
Ａ．核医学画像
核医学画像が、骨走査撮像、陽電子放出断層撮影（ＰＥＴ）撮像、および単一光子放出断層撮影（ＳＰＥＣＴ）撮像等の核撮像モダリティを使用して取得される。
本明細書で使用されるように、「画像」、例えば、哺乳動物の３Ｄ画像は、写真、ビデオフレーム、ストリーミングビデオ、ならびに写真、ビデオフレーム、またはストリーミングビデオの電子、デジタル、もしくは数学的類似体等の任意の視覚表現を含む。本明細書に説明される任意の装置は、ある実施形態では、プロセッサによって生産される、画像または任意の他の結果を表示するためのディスプレイを含む。本明細書に説明される任意の方法は、ある実施形態では、本方法を介して生産される、画像または任意の他の結果を表示するステップを含む。
本明細書で使用されるように、「画像」と関連する「３Ｄ」または「３次元」は、３次元についての情報を伝達することを意味する。３Ｄ画像は、３次元におけるデータセットとしてレンダリングされてもよい、および／または２次元表現のセットとして、もしくは３次元表現として表示されてもよい。
ある実施形態では、核医学画像は、放射性医薬品を含む、造影剤を使用する。核医学画像は、患者（例えば、ヒト対象）への放射性医薬品の投与に続いて取得され、患者内の放射性医薬品の分布に関する情報を提供する。放射性医薬品は、放射性核種を含む、化合物である。
本明細書で使用されるように、薬品を「投与する」は、物質（例えば、造影剤）を対象の中に導入することを意味する。一般に、例えば、非経口（例えば、静脈内）、経口、局所、皮下、腹膜、動脈内、吸入、経膣、直腸、経鼻、脳脊髄液中への導入、または身体コンパートメント内への点滴を含む、任意の投与経路が、利用され得る。
本明細書で使用されるように、「放射性核種」は、少なくとも１つの要素の放射性同位元素を含む、部分を指す。例示的な好適な放射性核種は、限定ではないが、本明細書に説明されるものを含む。いくつかの実施形態では、放射性核種は、陽電子放出断層撮影（ＰＥＴ）において使用されるものである。いくつかの実施形態では、放射性核種は、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）において使用されるものである。いくつかの実施形態では、放射性核種の非限定的リストは、９９ｍＴｃ、１１１Ｉｎ、６４Ｃｕ、６７Ｇａ、６８Ｇａ、１８６Ｒｅ、１８８Ｒｅ、１５３Ｓｍ、１７７Ｌｕ、６７Ｃｕ、１２３Ｉ、１２４Ｉ、１２５Ｉ、１２６Ｉ、１３１Ｉ、１１Ｃ、１３Ｎ、１５Ｏ、１８Ｆ、１５３Ｓｍ、１６６Ｈｏ、１７７Ｌｕ、１４９Ｐｍ、９０Ｙ、２１３Ｂｉ、１０３Ｐｄ、１０９Ｐｄ、１５９Ｇｄ、１４０Ｌａ、１９８Ａｕ、１９９Ａｕ、１６９Ｙｂ、１７５Ｙｂ、１６５Ｄｙ、１６６Ｄｙ、１０５Ｒｈ、１１１Ａｇ、８９Ｚｒ、２２５Ａｃ、８２Ｒｂ、７５Ｂｒ、７６Ｂｒ、７７Ｂｒ、８０Ｂｒ、８０ｍＢｒ、８２Ｂｒ、８３Ｂｒ、２１１Ａｔ、および１９２Ｉｒを含む。
本明細書で使用されるように、用語「放射性医薬品」は、放射性核種を含む、化合物を指す。ある実施形態では、放射性医薬品は、診断および／または療法目的のために使用される。ある実施形態では、放射性医薬品は、１つまたはそれを上回る放射性核種で標識される、小分子と、１つまたはそれを上回る放射性核種で標識される、抗体と、１つまたはそれを上回る放射性核種で標識される、抗体の光源結合部分とを含む。
核医学画像（例えば、ＰＥＴ走査、例えば、ＳＰＥＣＴ走査、例えば、全身骨走査、例えば、複合ＰＥＴ－ＣＴ画像、例えば、複合ＳＰＥＣＴ－ＣＴ画像）は、放射性医薬品の放射性核種から放出される放射線を検出し、画像を形成する。患者内での特定の放射性医薬品の分布は、血流または灌流等の生体物質機序によって、ならびに具体的な酵素もしくは受容体結合相互作用によって決定されてもよい。異なる放射性医薬品が、異なる生物学的機序および／または特定の具体的な酵素もしくは受容体結合相互作用を利用し、したがって、患者に投与されると、患者内の特定のタイプの組織および／または領域内で選択的に集中するように設計されてもよい。より多くの量の放射線が、他の領域よりもより高い放射性医薬品の濃度を有する、患者内の領域から、これらの領域が、核医学画像内でより明るく見えるように放出される。故に、核医学画像内での強度変動が、患者内の放射性医薬品の分布をマップするために使用されることができる。患者内における放射性医薬品の本マップされた分布は、例えば、患者の身体の種々の領域内の癌性組織の存在を推測するために使用されることができる。
例えば、患者への投与に応じて、テクネチウム９９ｍメチレンジホスホン酸（９９ｍＴｃ ＭＤＰ）は、患者の骨格領域内、特に、悪性骨病変と関連付けられる異常な骨形成を伴う部位において選択的に蓄積する。これらの部位における放射性医薬品の選択的集中は、核医学画像内に識別可能なホットスポット、すなわち、高強度の局所的領域を生産する。故に、転移性前立腺癌と関連付けられる悪性骨病変の存在が、患者の全身走査内でそのようなホットスポットを識別することによって推測されることができる。以下において説明されるように、患者の全体的生存メトリックおよび疾患状態、進行度、治療の有効性、ならびに同等物を示す他の予後メトリックと相関する、リスク指数が、患者への９９ｍＴｃ ＭＤＰの投与に続いて取得される、全身走査の強度変動の自動化された分析に基づいて、算出されることができる。ある実施形態では、他の放射性医薬品もまた、９９ｍＴｃ ＭＤＰに類似する方式において使用されることができる。
ある実施形態では、使用される特定の放射性医薬品は、使用される特定の核医学撮像モダリティに依存する。例えば、１８Ｆフッ化ナトリウム（ＮａＦ）もまた、９９ｍＴｃ ＭＤＰと同様に骨病変内に蓄積するが、ＰＥＴ撮像と併用されることができる。ある実施形態では、ＰＥＴ撮像はまた、前立腺癌細胞によって容易に吸収される、ビタミンコリンの放射性形態を利用し得る。
ある実施形態では、特定のタンパク質または着目受容体、特に、癌性組織内でその発現が増大されるものに選択的に結合する、放射性医薬品が、使用されてもよい。そのようなタンパク質または着目受容体は、限定ではないが、結腸直腸癌内に発現される、ＣＥＡ、多発癌内に発現される、Ｈｅｒ２／ｎｅｕ、乳癌および卵巣癌内に発現される、ＢＲＣＡ１ならびにＢＲＣＡ２、および黒色腫内に発現される、ＴＲＰ－１ならびにＴＲＰ－２等の腫瘍抗原を含む。
例えば、ヒト前立腺特異的膜抗原（ＰＳＭＡ）が、転移性疾患を含む、前立腺癌内で上方調整される。ＰＳＭＡは、事実上、全ての前立腺癌によって発現され、その発現はさらに、低分化型、転移性、およびホルモン抵抗性の癌において増大される。故に、１つまたはそれを上回る放射性核種で標識されるＰＳＭＡ結合剤（例えば、ＰＳＭＡに対する高親和性を有する化合物）に対応する放射性医薬品が、それから患者の（例えば、限定ではないが、骨格領域を含む）種々の領域内の前立腺癌の存在および／または状態が査定され得る、患者の核医学画像を取得するために使用されることができる。ある実施形態では、ＰＳＭＡ結合剤を使用して取得される核医学画像が、疾患が局所的状態にあるとき、前立腺内の癌性組織の存在を識別するために使用される。ある実施形態では、ＰＳＭＡ結合剤を含む放射性医薬品を使用して取得される核医学画像が、疾患が転移性であるときに関連のあるような、前立腺だけではなく、肺、リンパ節、および骨等の他の器官ならびに組織領域も含む、種々の領域内の癌性組織の存在を識別するために使用される。
特に、患者への投与に応じて、放射性核種標識ＰＳＭＡ結合剤が、ＰＳＭＡに対するそれらの親和性に基づいて、癌性組織内に選択的に蓄積する。９９ｍＴｃ ＭＤＰに関して上記に説明されるものに類似する様式において、患者内の特定の部位における放射性核種標識ＰＳＭＡ結合剤の選択的集中は、核医学画像内に検出可能なホットスポットを生産する。ＰＳＭＡ結合剤が、ＰＳＭＡを発現させる身体の種々の癌性組織および領域内で集中するにつれて、患者の前立腺内の限局性癌ならびに／もしくは患者の身体の種々の領域内の転移性癌が、検出および／または評価されることができる。患者の全体的生存メトリックおよび疾患状態、進行度、治療の有効性、ならびに同等物を示す他の予後メトリックと相関する、リスク指数が、患者へのＰＳＭＡ結合剤放射性医薬品の投与に続いて取得される、核医学画像の強度変動の自動化された分析に基づいて、算出されることができる。
種々の放射性核種標識ＰＳＭＡ結合剤が、核医学撮像のための放射性医薬品造影剤として、前立腺癌を検出および評価するために使用されてもよい。ある実施形態では、使用される特定の放射性核種標識ＰＳＭＡ結合剤は、特定の撮像モダリティ（例えば、ＰＥＴ、例えば、ＳＰＥＣＴ）および撮像されるべき患者の特定の領域（例えば、器官）等の要因に依存する。例えば、ある放射性核種標識ＰＳＭＡ結合剤が、ＰＥＴ撮像のために好適である一方、他のものが、ＳＰＥＣＴ撮像のために好適である。例えば、ある放射性核種標識ＰＳＭＡ結合剤が、患者の前立腺を撮像するステップを促進し、主として、疾患が、局所的であるときに使用される一方、他のものが、患者の身体の至る所において器官および領域を撮像するステップを促進し、転移性前立腺癌を評価するために有用である。
種々のＰＳＭＡ結合剤およびそれらの放射性核種標識バージョンが、米国特許第８，７７８，３０５号、第８，２１１，４０１号、ならびに第８，９６２，７９９号（そのそれぞれは、参照することによってそれらの全体として本明細書に組み込まれる）に説明される。いくつかのＰＳＭＡ結合剤およびそれらの放射性核種標識バージョンもまた、２０１７年１０月２６日に出願された、ＰＣＴ出願第ＰＣＴ／ＵＳ２０１７／０５８４１８号（ＰＣＴ公開第ＷＯ ２０１８／０８１３５４号）（その内容は、参照することによってその全体として本明細書に組み込まれる）に説明される。下記の第Ｊ節も同様に、いくつかの例示的ＰＳＭＡ結合剤およびそれらの放射性核種標識バージョンを説明する。
Ｂ．自動化された病変検出および分析
ｉ．自動化された病変検出
ある実施形態では、本明細書に説明されるシステムおよび方法は、対象内の可能性として考えられる癌性病変に対応し、それを示すホットスポットの自動化された画像セグメント化ならびに検出のための機械学習技法を利用する。
ある実施形態では、本明細書に説明されるシステムおよび方法は、例えば、２０１７年１０月２６日に出願された第ＰＣＴ／ＵＳ２０１７／０５８４１８号（ＰＣＴ公開第ＷＯ ２０１８／０８１３５４号）（その内容は、参照することによってその全体として本明細書に組み込まれる）に説明されるような、クラウドベースのプラットフォーム内に実装され得る。
ある実施形態では、本明細書に説明されるように、機械学習モジュールは、ランダムフォレスト分類子、人工ニューラルネットワーク（ＡＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、および同等物等の１つまたはそれを上回る機械学習技法を実装する。ある実施形態では、機械学習技法を実装する機械学習モジュールは、例えば、手動でセグメント化ならびに／もしくは標識された画像を使用して訓練され、画像の部分を識別および／または分類する。そのような訓練は、ニューラルネットワーク内のレイヤと関連付けられる加重等、機械学習モジュールによって実装される機械学習アルゴリズムの種々のパラメータを決定するために使用されてもよい。ある実施形態では、いったん機械学習モジュールが訓練され、例えば、画像内のある標的領域を識別すること等、具体的なタスクを遂行すると、決定されたパラメータの値が、固定され、（例えば、不変かつ静的な）機械学習モジュールは、そのパラメータに対するさらなる更新を伴うことなく（例えば、訓練データと異なる）新しいデータを処理し、その訓練されたタスクを遂行するために使用される（例えば、機械学習モジュールは、フィードバックおよび／または更新を受信しない）。ある実施形態では、機械学習モジュールは、例えば、正確度のユーザ精査に基づく、フィードバックを受信してもよく、そのようなフィードバックは、機械学習モジュールを動的に更新するための付加的な訓練データとして使用されてもよい。いくつかの実施形態では、訓練された機械学習モジュールは、調節可能および／または固定された（例えば、ロックされた）パラメータ、例えば、ランダムフォレスト分類子を伴う分類アルゴリズムである。
ある実施形態では、機械学習技法が、具体的な器官（例えば、前立腺、リンパ節領域、腎臓、肝臓、嚢、大動脈部分）ならびに骨等の具体的な標的組織領域に対応する着目体積を識別するために、ＣＴ、ＭＲＩ、超音波等の画像等の解剖学的画像内で解剖学的構造を自動的にセグメント化するために使用される。このように、機械学習モジュールは、ＰＥＴまたはＳＰＥＣＴ画像等の機能画像にマップ（例えば、その上に投影）され、その中の強度変動を評価するための解剖学的コンテキストを提供し得る、セグメント化マスクならびに／もしくはセグメント化マップ（例えば、それぞれが、特定の標的組織領域に対応し、それを識別する、複数のセグメント化マスクを備える）を発生させるために使用されてもよい。画像をセグメント化し、核医学画像の分析のために取得された解剖学的コンテキストを使用するためのアプローチが、例えば、２０１９年１月７日に出願された第ＰＣＴ／ＵＳ２０１９／０１２４８６号（ＰＣＴ公開第ＷＯ ２０１９／１３６３４９号）および２０２０年１月６日に出願された第ＰＣＴ／ＥＰ２０２０／０５０１３２号（ＰＣＴ公開第ＷＯ ２０２０／１４４１３４号）（そのそれぞれの内容は、参照することによってそれらの全体として本明細書によって組み込まれる）にさらに詳細に説明される。
ある実施形態では、潜在的病変が、ＰＥＴ画像等の機能画像内に局所的に高い強度の領域として検出される。ホットスポットとも称される、これらの高い強度の局所的領域は、フィルタリングおよび閾値化等の機械学習を必ずしも伴わない画像処理技法を使用して検出され、高速マーチング法等のアプローチを使用してセグメント化されることができる。解剖学的画像のセグメント化から確立される解剖学的情報は、潜在的病変を表す、検出されたホットスポットの解剖学的標識を可能にする。解剖学的コンテキストはまた、異なる解剖学的領域内でのホットスポット検出のために使用されるべき異なる検出およびセグメント化技法を可能にすることにおいて有用であり得、これは、感受性ならびに性能を向上させることができる。
ある実施形態では、自動的に検出されたホットスポットが、双方向グラフィカルユーザインターフェース（ＧＵＩ）を介してユーザに提示されてもよい。ある実施形態では、ユーザ（例えば、医師）によって検出されるが、システムによって見逃される、または不十分にセグメント化された標的病変を考慮するために、手動のセグメント化ツールが、ＧＵＩ内に含まれ、ユーザが、彼らが任意の形状およびサイズの病変に対応するものとして知覚する画像の領域を手動で「ペイント」することを可能にする。これらの手動でセグメント化された病変は、次いで、選択された、自動的に検出された標的病変に加えて、続いて、発生される報告書内に含まれてもよい。
ｉｉ．ＡＩベースの病変検出
ある実施形態では、本明細書に説明されるシステムおよび方法は、１つまたはそれを上回る機械学習モジュールを利用し、３Ｄ機能画像の強度を分析し、潜在的病変を表すホットスポットを検出する。例えば、病変を表すホットスポットが手動で検出およびセグメント化されている、ＰＥＴ／ＣＴ画像のデータセットを収集することによって、ＡＩベースの病変検出アルゴリズムのための訓練材料が、取得されることができる。これらの手動で標識された画像は、１つまたはそれを上回る機械学習アルゴリズムを訓練し、機能画像（例えば、ＰＥＴ画像）を自動的に分析し、癌性病変に対応するホットスポットを正確に検出し、セグメント化するために使用されることができる。
図１Ａは、ＡＮＮ、ＣＮＮ、および同等物等の機械学習アルゴリズムを実装する機械学習モジュールを使用した、自動化された病変検出ならびに／もしくはセグメント化のための例示的プロセス１００ａを示す。図１Ａに示されるように、ＰＥＴまたはＳＰＥＣＴ画像等の３Ｄ機能画像１０２が、受信され（１０６）、機械学習モジュール１１０への入力として使用される。図１Ａは、放射性医薬品としてＰｙＬＴＭを使用して取得される、例示的ＰＥＴ画像１０２ａを示す。ＰＥＴ画像１０２ａは、（例えば、ＰＥＴ／ＣＴ画像のような）ＣＴ画像上にオーバーレイされて示されるが、機械学習モジュール１１０は、入力として（例えば、ＣＴまたは他の解剖学的画像を含まない）ＰＥＴ（例えば、もしくは他の機能画像）自体を受信してもよい。ある実施形態では、下記に説明されるように、解剖学的画像もまた、入力として受信されてもよい。機械学習モジュールは、（機械学習モジュールによって）潜在的な癌性病変を表すと決定される、ホットスポットを自動的に検出および／またはセグメント化する（１２０）。ＰＥＴ画像１２０ｂに出現するホットスポットを示す例示的画像も同様に、図１Ａに示される。故に、機械学習モジュールは、出力として、（ｉ）ホットスポットリスト１３０および（ｉｉ）ホットスポットマップ１３２のうちの一方または両方を発生させる。ある実施形態では、ホットスポットリストは、検出されたホットスポットの場所（例えば、重心）を識別する。ある実施形態では、ホットスポットマップは、機械学習モジュール１１０によって実施される画像セグメント化を介して決定されるように、検出されたホットスポットの３Ｄ体積を識別する、および／または３Ｄ境界を境界する。ホットスポットリストおよび／またはホットスポットマップは、表示ならびに／もしくはさらなる処理のために、（例えば、他のソフトウェアモジュール）に記憶および／または提供されてもよい（１４０）。
ある実施形態では、機械学習ベースの病変検出アルゴリズムが、（例えば、ＰＥＴ画像からの）機能画像情報だけではなく、解剖学的情報に対しても訓練され、それらを利用してもよい。例えば、ある実施形態では、病変検出およびセグメント化のために使用される１つまたはそれを上回る機械学習モジュールが、２つのチャネル、すなわち、ＰＥＴ画像の部分に対応する、第１のチャネル、ならびにＣＴ画像の部分に対応する、第２のチャネルに対して訓練され、それらを入力として受信してもよい。ある実施形態では、解剖学的（例えば、ＣＴ）画像から導出された情報もまた、病変検出および／またはセグメント化のために機械学習モジュールへの入力として使用されてもよい。例えば、ある実施形態では、解剖学的画像および／または機能画像内の種々の組織領域を識別する３Ｄセグメント化マップもまた、使用（例えば、１つまたはそれを上回る機械学習モジュールによる別個の入力チャネルとして、例えば、入力として受信）され、解剖学的コンテキストを提供することができる。
図１Ｂは、ＣＴまたはＭＲ画像等の３Ｄ解剖学的画像１０４および３Ｄ機能画像１０２が両方とも受信され（１０８）、本明細書に説明されるように、３Ｄ解剖学的画像１０４および３Ｄ機能画像１０２の両方からの情報（例えば、ボクセル強度）に基づいてホットスポット検出ならびに／もしくはセグメント化１２２を実施する、機械学習モジュール１１２への入力として使用される、例示的プロセス１００ｂを示す。ホットスポットリスト１３０および／またはホットスポットマップ１３２が、機械学習モジュールからの出力として発生され、さらなる処理（例えば、表示のためのグラフィカルレンダリング、他のソフトウェアモジュールによる後続の動作等）のために記憶／提供されてもよい（１４０）。
ある実施形態では、（例えば、報告書内での包含のための）自動化された病変検出および分析は、３つのタスク、すなわち、（ｉ）病変に対応するホットスポットの検出、（ｉｉ）（例えば、機能画像内において、各病変に対応する３Ｄ体積を識別するための）検出されたホットスポットのセグメント化、および（ｉｉｉ）対象内の当てはまる病変に対応する、高い確率または低い確率を有するものとして検出されたホットスポット分類（例えば、したがって、放射線医師報告書内での含有のために適切であるか、もしくはそうではないか）を含む。ある実施形態では、１つまたはそれを上回る機械学習モジュールは、これらの３つのタスクを、例えば、１つずつ（例えば、順に）もしくは組み合わせにおいて遂行するために使用されてもよい。例えば、ある実施形態では、第１の機械学習モジュールは、ホットスポットを検出し、ホットスポット場所を識別するように訓練され、第２の機械学習モジュールは、ホットスポットをセグメント化するように訓練され、第３の機械学習モジュールは、例えば、他の２つの機械学習モジュールから取得された情報を使用して、検出されたホットスポットを分類するように訓練される。
例えば、図１Ｃの例示的プロセス１００ｃに示されるように、３Ｄ機能画像１０２が、受信され（１０６）、自動化されたホットスポット検出を実施する、第１の機械学習モジュール１１４への入力として使用されてもよい。第１の機械学習モジュール１１４は、３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し（１２４）、出力としてホットスポットリスト１３０を発生させる。第２の機械学習モジュール１１６は、３Ｄ機能画像に加えて、入力としてホットスポットリスト１３０を受信し、自動化されたホットスポットセグメント化を実施し（１２６）、ホットスポットマップ１３２を発生させてもよい。前述で説明されたように、ホットスポットマップ１３２ならびにホットスポットリスト１３０は、さらなる処理のために記憶および／または提供されてもよい（１４０）。
ある実施形態では、単一の機械学習モジュールが、画像（例えば、検出されたホットスポットに対応する体積を識別する、３Ｄホットスポットマップを発生させるための、例えば、３Ｄ機能画像）内のホットスポットを直接セグメント化し、それによって、ホットスポットの検出およびセグメント化の最初の２つのステップを組み合わせるように訓練される。第２の機械学習モジュールは、次いで、例えば、前もって決定されたセグメント化されたホットスポットに基づいて、検出されたホットスポットを分類するために使用されてもよい。ある実施形態では、単一の機械学習モジュールが、単一のステップにおいて、３つのタスク、すなわち、検出、セグメント化、および分類の全てを遂行するように訓練されてもよい。
ｉｉｉ．病変指数値
ある実施形態では、病変指数値が、検出されたホットスポットが、例えば、対応する物理的病変内の相対的取込および／またはそのサイズの尺度を提供するために計算される。ある実施形態では、病変指数値は、特定のホットスポットに関して、（ｉ）ホットスポットに関する強度の尺度、および（ｉｉ）それぞれが特定の基準組織領域に対応する、１つまたはそれを上回る基準体積内の強度の尺度に対応する基準値に基づいて算出される。例えば、ある実施形態では、基準値は、大動脈の一部に対応する大動脈体積内の強度を測定する、大動脈基準値（血液貯留基準とも称される）と、対象の肝臓に対応する肝臓体積内の強度を測定する、肝臓基準値とを含む。ある実施形態では、核医学画像、例えば、ＰＥＴ画像のボクセルの強度は、（例えば、注入される放射性医薬品用量および／または患者の体重に関して較正されている）標準取込値（ＳＵＶ）を表し、ホットスポット強度の尺度ならびに／もしくは基準値の尺度は、ＳＵＶ値である。病変指数値を算出する際のそのような基準値の使用が、例えば、２０２０年１月６日に出願された、第ＰＣＴ／ＥＰ２０２０／０５０１３２号（その内容は、参照することによってその全体として本明細書に組み込まれる）にさらに詳細に説明される。
ある実施形態では、セグメント化マスクが、例えば、ＰＥＴ画像内で特定の基準体積を識別するために使用される。特定の基準体積に関して、基準体積を識別するセグメント化マスクが、解剖学的な、例えば、ＣＴ画像のセグメント化を介して取得されてもよい。例えば、（例えば、第ＰＣＴ／ＥＰ２０２０／０５０１３２号に説明されるような）ある実施形態では、３Ｄ解剖学的画像のセグメント化が、それぞれが特定の着目組織領域を識別する、複数のセグメント化マスクを含む、セグメント化マップを生産するために実施されてもよい。このように発生されたセグメント化マップの１つまたはそれを上回るセグメント化マスクは、故に、１つまたはそれを上回る基準体積を識別するために使用されてもよい。
ある実施形態では、対応する基準値の算出のために使用されるべき基準体積のボクセルを識別するために、マスクは、固定された距離（例えば、少なくとも１つのボクセル）だけ侵食され、基準組織領域内で物理的領域全体に対応する基準体積を識別する、基準器官マスクを生成してもよい。例えば、３ｍｍおよび９ｍｍの浸食距離が、それぞれ、大動脈基準体積ならびに肝臓基準体積のために使用されてもよい。他の浸食距離もまた、使用され得る。付加的なマスク精緻化もまた、例えば、肝臓基準体積に関して下記に説明されるように、（例えば、基準値を算出する際の使用のために、ボクセルの具体的な所望のセットを選択するために）実施されてもよい。
基準体積内の強度の種々の尺度が、使用され得る。例えば、ある実施形態では、（例えば、浸食に続く、基準体積セグメント化マスクによって定義されるような）基準体積の内側のボクセル強度のロバスト平均が、ボクセル強度の四分位範囲における平均値（ＩＱＲｍｅａｎ）として決定されてもよい。ピーク、最大値、中央値等の他の尺度もまた、決定され得る。ある実施形態では、大動脈基準値が、大動脈マスクの内側のボクセルからのＳＵＶのロバスト平均として決定される。ロバスト平均は、四分位範囲内の値の平均値ＩＱＲｍｅａｎとして算出される。
ある実施形態では、基準体積内のボクセルのサブセットが、異常に低い放射性医薬品取込を有し得る、基準組織領域からの影響を回避するために選択される。本明細書において説明および参照される自動化されたセグメント化技法が、具体的組織領域に対応する画像の領域の正確な輪郭（例えば、識別）を提供することができるが、多くの場合、基準値計算から除外されるべきである、肝臓における異常に低い取込の面積が、存在する。例えば、肝臓基準値（例えば、肝臓ＳＵＶ値）は、非常に低いトレーサ（放射性医薬品）活性度を伴う、肝臓内の領域からの影響を回避するように算出され得、これは、例えば、トレーサ取込を伴わない、腫瘍に起因するものと考えられ得る。ある実施形態では、基準組織領域内の異常に低い取込の影響を考慮するために、肝臓に関する基準値計算は、肝臓に対応するボクセル（例えば、識別された肝臓基準体積内のボクセル）の強度のヒストグラムを分析し、それらがより低い強度の第２のヒストグラムピークを形成し、それによって、より高い強度値ピークと関連付けられる、強度のみを含む場合、強度を除去（例えば、除外）する。
例えば、肝臓に関して、基準ＳＵＶは、（例えば、上記に説明される浸食プロシージャに続く、例えば、肝臓セグメント化マスクによって識別されるような）肝臓基準体積内のボクセルのＳＵＶのヒストグラムに適合される、２成分ガウス混合モデル内のメジャー成分（例えば、「メジャーモード」におけるように、「モード」とも称される）の平均値ＳＵＶとして算出されてもよい。ある実施形態では、マイナー成分が、メジャー成分より大きい平均値ＳＵＶを有し、マイナー成分が、少なくとも０．３３の加重を有する場合、エラーが、返され、肝臓のためのいかなる基準値も、決定されない。ある実施形態では、マイナー成分が、メジャーピークより大きい平均値を有する場合、肝臓基準マスクは、そのまま保たれる。そうでなければ、分離ＳＵＶ閾値が、算出される。ある実施形態では、閾値にある、またはより大きいＳＵＶのためのメジャー成分に属する確率が、分離閾値にある、もしくはより小さいＳＵＶのためのマイナー成分に属する確率と同一であるように、分離閾値が、定義される。基準肝臓マスクは、次いで、分離閾値より小さいＳＵＶを伴うボクセルを除去することによって精緻化される。肝臓基準値は、次いで、例えば、大動脈基準に関して本明細書に説明されるように、肝臓基準マスクによって識別されるボクセルの強度（例えば、ＳＵＶ）値の尺度として決定されてもよい。図２Ａは、赤色で示されるガウス混合成分（メジャー成分２４４およびマイナー成分２４６）ならびに緑色でマーキングされる分離閾値２４２を伴う、肝臓ＳＵＶ値のヒストグラムを示す、例示的肝臓基準算出を図示する。
図２Ｂは、より低い値ピークに対応するボクセルが基準値計算から除外されている、肝臓基準値を計算するために使用される、肝臓体積の結果として生じる部分を示す。（例えば、分離閾値２４２を下回る強度を有する）より低い値ピークに対応するボクセルが除外されている、精緻化された肝臓体積マスクの輪郭２５２ａおよび２５２ｂが、図２Ｂの各画像上に示される。図に示されるように、肝臓の底部に向かったより低い強度面積が、除外されており、ならびに肝臓の縁に近接する領域も、除外されている。
図２Ｃは、肝臓基準体積算出に関して本明細書に説明されるように、多成分混合モデルが低いトレーサ取込を伴う領域からの影響を回避するために使用される、例示的プロセス２００を示す。図２Ｃに示され、肝臓に関して本明細書において説明されるプロセスはまた、同様に、大動脈（例えば、胸部大動脈部分または腹部大動脈部分等の大動脈部分）、耳下腺、殿筋等の他の器官および着目組織領域の強度尺度の算出にも同様に適用されてもよい。図２Ｃに示され、本明細書に説明されるように、第１のステップにおいて、３Ｄ機能画像２０２が、受信され、具体的な基準組織領域（例えば、肝臓、大動脈、耳下腺）に対応する基準体積が、その中で識別される（２０８）。多成分混合モデル２１０が、次いで、基準体積の（例えば、その中の）分布強度（例えば、強度のヒストグラム）に適合され、混合モデルのメジャーモードが、識別される（２１２）。メジャーモードと関連付けられる（例えば、他のマイナーなモードと関連付けられる強度からの寄与を除外した）強度の尺度が、決定され（２１４）、識別された基準体積のための基準強度値として使用される。ある実施形態では、本明細書に説明されるように、メジャーモードと関連付けられる強度の尺度は、分離閾値を上回る強度がメジャーモードと関連付けられると決定され、それを下回る強度がマイナーモードと関連付けられると決定されるように、分離閾値を識別することによって決定される。分離閾値を上回る状態にある強度を有するボクセルが、基準強度値を決定するために使用される一方、分離閾値を下回る強度を有するボクセルが、基準強度値計算から除外される。
ある実施形態では、ホットスポットが、検出され（２１６）、このように決定された基準強度値が、例えば、２０１９年１月７日に出願された第ＰＣＴ／ＵＳ２０１９／０１２４８６号、および２０２０年１月６日に出願された第ＰＣＴ／ＥＰ２０２０／０５０１３２号（そのそれぞれの内容は、参照することによってその全体として本明細書に組み込まれる）に説明されるもの等のアプローチを介して、検出されたホットスポットのための病変指数値を決定する（２１８）ために使用されることができる。
ｉｖ．高取込器官における正常な取込と関連付けられる強度波及の抑制
ある実施形態では、機能画像のボクセルの強度が、高取込が通常状況下で生じる、ある器官と関連付けられる強度波及を抑制／補正するために調節される。本アプローチは、例えば、腎臓、肝臓、および膀胱等の器官のために使用されてもよい。ある実施形態では、複数の器官と関連付けられる強度波及を補正するステップが、段階的方式において一度に１つの器官ずつ実施される。例えば、ある実施形態では、最初に、腎臓の取込が、抑制され、次いで、肝臓の取込が、次いで、膀胱の取込が、抑制される。故に、肝臓抑制への入力は、腎臓取込が補正されている画像である（例えば、嚢抑制への入力は、腎臓および肝臓の取込が補正されている画像である）。
図３は、高取込組織領域からの強度波及を補正するための例示的プロセス３００を示す。図３に示されるように、３Ｄ機能画像が、受信され（３０４）、高取込組織領域に対応する高強度体積が、識別される（３０６）。別のステップにおいて、高強度体積の外側にある抑制体積が、識別される（３０８）。ある実施形態では、本明細書に説明されるように、抑制体積は、高強度体積の外側にあるが、そこから所定の距離内にある領域を封入する体積として決定されてもよい。別のステップにおいて、背景画像が、例えば、高強度体積内のボクセルに、例えば、補間を介して（例えば、畳み込みを使用して）高強度体積の外側の（例えば、抑制体積内の）強度に基づいて決定された、強度を割り当てることによって決定される（３１０）。別のステップにおいて、推定画像が、（例えば、ボクセル毎の強度差引を介して）３Ｄ機能画像から背景画像を差し引くことによって決定される（３１２）。別のステップにおいて、抑制マップが、決定される（３１４）。本明細書に説明されるように、ある実施形態では、抑制マップは、推定画像を使用して、高強度体積内のボクセルの強度値を高強度体積の外側の場所に外挿することによって決定される。ある実施形態では、強度が、抑制体積内の場所のみに外挿され、抑制体積の外側のボクセルの強度が、０に設定される。抑制マップは、次いで、例えば、３Ｄ機能画像から抑制マップを差し引く（例えば、ボクセル毎の強度差引を実施する）ことによって、３Ｄ機能画像の強度を調節する（３１６）ために使用される。
ＰＥＴ／ＣＴ合成画像に関する特定の器官（ある実施形態では、腎臓が、ともに治療される）からの強度波及の抑制／補正のための例示的アプローチは、以下の通りである。
１．投影されたＣＴ器官マスクのセグメント化が、ＰＥＴ／ＣＴ不整合に対処するために、ＰＥＴ画像の高強度領域に対して調節される。ＰＥＴ調節された器官マスクが、１０ピクセル未満である場合、いかなる抑制も、本器官のために行われない。
２．「背景画像」が、算出され、全ての高取込をＰＥＴ調節された器官マスクから減衰距離内の補間された背景取込に置き換える。これは、ガウスカーネルとの畳み込みを使用して行われる。
３．抑制を推定するときに考慮されるべきである強度が、入力ＰＥＴと背景画像との間の差異として算出される。本「推定画像」は、所与の器官の内側における、高強度と、所与の器官から減衰距離より離れた場所における、ゼロ強度とを有する。
４．抑制マップが、指数関数モデルを使用して推定画像から推定される。抑制マップは、ＰＥＴ調節された器官セグメント化の減衰距離内の領域内でのみ非ゼロである。
５．抑制マップが、元のＰＥＴ画像から差し引かれる。
上記に説明されるように、これらの５つのステップは、逐次的方式において、複数の器官のセットのそれぞれに関して繰り返され得る。
ｖ．検出された病変の解剖学的標識
ある実施形態では、検出されたホットスポットが、それらが表す病変が位置すると決定される、特定の解剖学的領域および／または領域の群を識別する、解剖学的標識を（例えば、自動的に）割り当てられる。例えば、図４の例示的プロセス４００に示されるように、３Ｄ機能画像が、受信され（４０４）、例えば、本明細書に説明されるアプローチのうちのいずれかを介してホットスポットを自動的に検出する（４０６）ために使用されてもよい）。いったんホットスポットが検出されると、ホットスポット毎の解剖学的分類が、自動的に決定され（４０８）、各ホットスポットが、決定された解剖学的分類で標識されることができる。自動化された解剖学的標識は、例えば、特定の組織領域および／または解剖学的画像に対応する画像領域を識別する、例えば３Ｄセグメント化マップによって提供される解剖学的情報に加えて、検出されたホットスポットの自動的に決定された場所を使用して実施されてもよい。それぞれのホットスポットおよび解剖学的標識は、さらなる処理のために記憶ならびに／もしくは提供されてもよい（４１０）。
例えば、検出されたホットスポットは、以下のような５つのクラスのうちの１つに自動的に分類されてもよい。
・Ｔ（前立腺腫瘍）
・Ｎ（骨盤リンパ節）
・Ｍａ（非骨盤リンパ）
・Ｍｂ（骨転移癌）
・Ｍｃ（前立腺またはリンパ節内に位置していない、軟質組織転移癌）
下記の表１は、５つのクラスのそれぞれと関連付けられる組織領域を列挙する。特定のクラスと関連付けられる組織領域のうちのいずれかの中の場所に対応するホットスポットが、適宜、そのクラスに自動的に割り当てられてもよい。
ｖｉ．グラフィカルユーザインターフェースおよび品質制御ならびに報告
ある実施形態では、検出されたホットスポットおよび算出された病変指数値ならびに解剖学的標識等の関連付けられた情報が、医師、放射線医師、技師等の医療従事者による精査を可能にするように、双方向グラフィカルユーザインターフェース（ＧＵＩ）を用いて表示される。医療従事者は、したがって、ＧＵＩを使用し、検出されたホットスポットならびに対応する指数値および／または解剖学的標識の正確度を精査ならびに確認してもよい。ある実施形態では、ＧＵＩはまた、ユーザが、医療画像内の付加的ホットスポットを（例えば、手動で）識別およびセグメント化することを可能にし、それによって、医療従事者が、自動化された検出プロセスが見逃したかもしれないと考える付加的な潜在的病変を識別することを可能にし得る。いったん識別された時点で、病変指数値および／または解剖学的標識はまた、これらの手動で識別ならびにセグメント化された病変に関して決定されてもよい。例えば、図５Ｂに示されるように、ユーザは、ホットスポット毎に決定された場所、ならびに（例えば、自動的に決定された）ｍｉＴＮＭ分類等の解剖学的標識を精査してもよい。ｍｉＴＮＭ分類スキームは、例えば、Ｅｉｂｅｒ ｅｔ ａｌ．の「Ｐｒｏｓｔａｔｅ Ｃａｎｃｅｒ Ｍｏｌｅｃｕｌａｒ Ｉｍａｇｉｎｇ Ｓｔａｎｄａｒｄｉｚｅｄ Ｅｖａｌｕａｔｉｏｎ （ＰＲＯＭＩＳＥ）： Ｐｒｏｐｏｓｅｄ ｍｉＴＮＭ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ Ｔｈｅ Ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｏｆ ＰＳＭＡ－Ｌｉｇａｎｄ ＰＥＴ／ＣＴ」、Ｊ． Ｎｕｃｌ． Ｍｅｄ．， ｖｏｌ． ５９， ｐｇ． ４６９－７８ （２０１８）（その内容は、参照することによってその全体として本明細書に組み込まれる）にさらに詳細に説明される。いったんユーザが、検出されたホットスポットのセットおよびそれらから算出された情報に満足した時点で、彼らは、その承認を確認し、精査され、患者とともに転帰ならびに診断を議論し、予後および治療選択肢を査定するために使用され得る、最終的な署名付き報告書を発生させてもよい。
例えば、図５Ａに示されるように、双方向のホットスポット精査および検出のための例示的プロセス５００において、３Ｄ機能画像が、受信され（５０４）、ホットスポットが、例えば、本明細書に説明される自動化された検出アプローチのうちのいずれかを使用して自動的に検出される（５０６）。自動的に検出されたホットスポットのセットは、ユーザ精査のために、双方向ＧＵＩ内に表され、グラフィカルにレンダリングされる（５０８）。ユーザは、最終ホットスポットセット内での包含のために自動的に決定されたホットスポットの少なくとも一部（例えば、最大全て）を選択してもよく（５１０）、これは、次いで、例えば、患者に関するリスク指数値を決定するためのさらなる計算（５１２）のために使用されてもよい。
図５Ｂは、品質制御および報告のための検出された病変ならびに病変指数値のユーザ精査に関する、例示的ワークフロー５２０を示す。例示的ワークフローは、本明細書に説明されるような病変指数値の計算のために使用される、セグメント化された病変ならびに肝臓および大動脈のセグメント化のユーザ精査を可能にする。例えば、第１のステップにおいて、ユーザは、品質に関して（５２２）、および肝臓ならびに血液貯留（例えば、大動脈）基準値を取得するために使用される自動化されたセグメント化の正確度に関して（５２４）、画像（例えば、ＣＴ画像）を精査する。図６Ａおよび６Ｂに示されるように、ＧＵＩは、ユーザが、画像ならびにオーバーレイされたセグメント化を評価し、肝臓の自動化されたセグメント化（６０２、図６Ａの紫色）が健康な肝臓組織内にあること、および血液貯留の自動化されたセグメント化（図６Ｂのサーモンピンク色として示される大動脈部分６０４）が大動脈ならびに左心室内にあることを確実にすることを可能にする。
別のステップ５２６において、ユーザは、自動的に検出されたホットスポットを立証する、および／または付加的ホットスポットを識別し、例えば、発生される報告書内での包含のために、病変に対応するホットスポットの最終セットを生成する。図６Ｃに示されるように、ユーザは、（例えば、ＰＥＴおよび／またはＣＴ画像上のオーバーレイならびに／もしくはマーキングされた領域として）ＧＵＩ内に表示されるホットスポットのグラフィック表現にわたってマウスカーソルを重ねることによって、自動的に識別されたホットスポットを選択してもよい。ホットスポット選択を促進するために、選択される特定のホットスポットが、色変更（例えば、緑色になること）を介してユーザに示されてもよい。ユーザは、次いで、これを選択するためにホットスポット上をクリックしてもよく、これは、別の色変更を介して、ユーザに視覚的に確認されてもよい。例えば、図６Ｃに示されるように、選択に応じて、ホットスポットは、ピンク色になる。ユーザ選択に応じて、病変指数および／または解剖学的標識等の定量的に決定された値が、ユーザに表示され、彼らが自動的に決定された値を検証すること（５２８）を可能にしてもよい。
ある実施形態では、ＧＵＩは、ユーザが（自動的に）予め識別されたホットスポットのセットからホットスポットを選択し（５２６ａ）、それらが実際に病変を表していることを確認し、また、自動的に検出されていない病変に対応する付加的ホットスポットを識別すること（５６２ｂ）も可能にする。
図６Ｄおよび図６Ｅに示されるように、ユーザは、ＧＵＩツールを使用し、画像（例えば、ＰＥＴ画像ならびに／もしくはＣＴ画像、例えば、ＣＴ画像上にオーバーレイされたＰＥＴ画像）のスライスを描画し、新しい、手動で識別された病変に対応する領域をマーキングしてもよい。病変指数および／または解剖学的標識等の定量的情報が、手動で識別された病変に関して自動的に決定されてもよい、もしくはユーザによって手動で打ち込まれてもよい。
別のステップにおいて、例えば、いったんユーザが全ての病変を選択および／または手動で識別すると、ＧＵＩは、ユーザが図７に示されるように精査する（５３０）ための品質制御チェックリストを表示する。いったんユーザが、チェックリストを精査し、完了すると、彼らは、「報告書を作成する」をクリックし、署名し、最終報告書を発生させ（５３２）てもよい。発生された報告書のある実施例が、図８に示される。
Ｃ．病変セグメント化のための例示的機械学習ネットワークアーキテクチャ
ｉ．機械学習モジュールの入力およびアーキテクチャ
例示的ホットスポット検出およびセグメント化プロセス９００を示す、図９に目を向けると、いくつかの実施形態では、ホットスポット検出ならびに／もしくはセグメント化が、入力として、機能画像９０２および解剖学的画像９０４、ならびに、例えば、本明細書に説明されるような軟質組織および骨、ならびに種々の器官等の種々の組織領域のセグメント化を提供する、セグメント化マップ９０６を受信する、機械学習モジュール９０８によって実施される。
機能画像９０２は、ＰＥＴ画像であってもよい。機能画像９０２の強度ボクセルは、本明細書に説明されるように、ＳＵＶ値を表すようにスケーリングされてもよい。本明細書に説明されるような他の機能画像もまた、ある実施形態において使用され得る。解剖学的画像９０４は、ＣＴ画像であってもよい。ある実施形態では、ＣＴ画像９０４のボクセル強度が、ハウンズフィールド単位を表すようにスケーリングされる。ある実施形態では、本明細書に説明されるような他の解剖学的画像も、使用され得る。
いくつかの実施形態では、機械学習モジュール９０８は、Ｕ－ｎｅｔアーキテクチャを使用する、機械学習アルゴリズムを実装する。いくつかの実施形態では、機械学習モジュール９０８は、特徴ピラミッドネットワーク（ＦＰＮ）アーキテクチャを使用する、機械学習アルゴリズムを実装する。いくつかの実施形態では、種々の他の機械学習アーキテクチャも、病変を検出および／またはセグメント化するために使用され得る。ある実施形態では、本明細書に説明されるような機械学習モジュールは、意味論セグメント化を実施する。ある実施形態では、本明細書に説明されるような機械学習モジュールは、インスタンスセグメント化を実施し、例えば、それによって、１つの病変を別のものから弁別する。
いくつかの実施形態では、機械学習モジュールによって入力として受信される３次元セグメント化マップ９０６が、ある器官（例えば、前立腺、肝臓、大動脈、嚢、本明細書に説明される種々の他の器官等）および／または骨等の特定の着目組織領域に対応するものとして受信された、３Ｄ解剖学的画像ならびに／もしくは機能画像内で（例えば、複数の３Ｄセグメント化マスクを介して）種々の体積を識別する。加えて、または代替として、機械学習モジュールは、組織領域のグルーピングを識別する、３Ｄセグメント化マップ９０６を受信してもよい。例えば、いくつかの実施形態では、軟質組織領域、骨、および、したがって、背景領域を識別する、３Ｄセグメント化マップが、使用されてもよい。いくつかの実施形態では、３Ｄセグメント化マップは、高レベルの放射性医薬品取込が生じる高取込器官の群を識別し得る。高取込器官の群は、例えば、肝臓、脾臓、腎臓、および膀胱を含み得る。いくつかの実施形態では、３Ｄセグメント化マップは、大動脈（例えば、低取込軟質組織器官）等の１つまたはそれを上回る他の器官に加えて、高取込器官の群を識別する。組織領域の他のグルーピングもまた、使用され得る。
機械学習モジュール９０８への機能画像、解剖学的画像、およびセグメント化マップ入力は、種々のサイズと、次元とを有し得る。例えば、ある実施形態では、機能画像、解剖学的画像、およびセグメント化マップはそれぞれ、（例えば、３次元行列によって表される）３次元画像のパッチである。いくつかの実施形態では、パッチはそれぞれ、同一のサイズを有する、例えば、各入力は、ボクセルの［３２×３２×３２］または［６４×６４×６４］パッチである。
機械学習モジュール９０８は、ホットスポットをセグメント化し、１つまたはそれを上回るホットスポット体積を識別する、３Ｄホットスポットマップ９１０を発生させる。例えば、３Ｄホットスポットマップ９１０は、機能画像、解剖学的画像、またはセグメント化マップ入力のうちの１つまたはそれを上回るものと同一のサイズを有する１つまたはそれを上回るマスクを備え、１つまたはそれを上回るホットスポット体積を識別してもよい。このように、３Ｄホットスポットマップ９１０は、ホットスポット、故に、物理的病変に対応する機能画像、解剖学的画像、またはセグメント化マップ内の体積を識別するために使用されてもよい。
いくつかの実施形態では、機械学習モジュール９０８は、ホットスポット体積をセグメント化し、背景（すなわち、ホットスポットではない）領域およびホットスポット体積を弁別する。例えば、機械学習モジュール９０８は、ボクセルを背景として、または単一のホットスポットクラスに属するものとして分類する、二元分類器であってもよい。故に、機械学習モジュール９０８は、出力として、ホットスポット体積を識別するが、異なる解剖学的場所および／または病変のタイプ、例えば、特定のホットスポット体積が表し得る、骨転移癌、リンパ小節、局所的前立腺を弁別しない、クラスにとらわれない（例えば、もしくは単一のクラスの）３Ｄホットスポットマップを発生させてもよい。いくつかの実施形態では、機械学習モジュール９０８は、ホットスポット体積をセグメント化し、また、それぞれがホットスポットによって表される特定の解剖学的場所および／または病変のタイプを表す、複数のホットスポットクラスに従って、ホットスポットを分類する。このように、機械学習モジュール９０８は、１つまたはそれを上回るホットスポット体積を識別し、各ホットスポット体積に複数のホットスポットクラスのうちの特定のものに属するものとして標識する、マルチクラス３Ｄホットスポットマップを直接発生させてもよい。例えば、検出されたホットスポットは、骨転移癌、リンパ小節、または前立腺病変として分類されてもよい。いくつかの実施形態では、他の軟質組織分類も、含まれ得る。
本分類は、ホットスポットの分類に加えて、またはその代替として、本明細書において、例えば、第Ｂ．ｉｉ節に説明されるように、ホットスポットが当てはまる病変を表す尤度に従って実施されてもよい。
ｉｉ．病変分類後処理および／または出力
図１０Ａおよび図１０Ｂに目を向けると、いくつかの実施形態では、１つまたはそれを上回る機械学習モジュールによる画像内のホットスポット検出ならびに／もしくはセグメント化（用語「病変」および「ホットスポット」は、物理的病変が、例えば、機能画像内にホットスポットとして出現するという理解を伴って、図９－１２において同義的に使用される）に続いて、後処理１０００が、実施され、ホットスポットに、特定のホットスポットクラスに属するものとして標識する。例えば、検出されたホットスポットは、骨転移癌、リンパ小節、または前立腺病変として分類されてもよい。いくつかの実施形態では、表１の標識スキームが、使用されてもよい。いくつかの実施形態では、そのような標識が、ホットスポットのセグメント化および／または検出を実施するために使用される、同一の機械学習モジュールであり得る、もしくは個々に、または本明細書に説明されるような３Ｄ機能画像、３Ｄ解剖学的画像、ならびに／もしくはセグメント化マップ等の他の入力に加えて、入力として、（例えば、それらの場所を識別する）検出されたホットスポットのリストおよび／または（例えば、セグメント化を介して決定されるようなホットスポット境界を境界する）３Ｄホットスポットマップを受信する、別個のモジュールであり得る、機械学習モジュールによって実施されてもよい。図１０Ｂに示されるように、いくつかの実施形態では、機械学習モジュール９０８が病変検出および／またはセグメント化を実施するための入力として使用されるセグメント化マップ９０６はまた、例えば、解剖学的場所に従って病変を分類するために使用されてもよい。いくつかの実施形態では、他の（例えば、異なる）セグメント化マップも、使用されてもよい（例えば、必ずしも、入力として機械学習モジュールにフィードされた、同一のセグメント化マップであるわけではない）。
ｉｉｉ．並行器官固有病変検出モジュール
図１１Ａおよび図１１Ｂに目を向けると、いくつかの実施形態では、１つまたはそれを上回る機械学習モジュールは、対応する器官の中に位置するホットスポットの検出ならびに／もしくはセグメント化を実施する、１つまたはそれを上回る器官固有モジュールを備える。例えば、それぞれ、図１１Ａおよび１１Ｂの例示的プロセス１１００ならびに１１５０に示されるように、前立腺モジュール１１０８ａは、前立腺領域内の検出および／またはセグメント化を実施するために使用され得る。いくつかの実施形態では、１つまたはそれを上回る器官固有モジュールが、対象の身体全体にわたってホットスポットを検出ならびに／もしくはセグメント化する、全身モジュール１１０８ｂとの組み合わせにおいて使用される。いくつかの実施形態では、１つまたはそれを上回る器官固有モジュールからの結果１１００ａが、全身モジュールからの結果１１１０ｂと融合され、最終ホットスポットリストならびに／もしくはホットスポットマップ１１１２を形成する。ある実施形態では、融合するステップは、結果（例えば、ホットスポットリストおよび／または３Ｄホットスポットマップ）１１１０ａならびに１１１０ｂと他の機械学習モジュールおよび／または技法、ならびに他のセグメント化アプローチの使用を含み得る、他の方法を使用してホットスポットをセグメント化することによって生成される、３Ｄホットスポットマップ１１１４等の他の出力を組み合わせるステップを含んでもよい。いくつかの実施形態では、付加的なセグメント化アプローチが、１つまたはそれを上回る機械学習モジュールによるホットスポットの検出ならびに／もしくはセグメント化に続いて実施されてもよい。本付加的なセグメント化ステップは、例えば、入力として、１つまたはそれを上回る機械学習モジュールから取得されたホットスポットセグメント化ならびに／もしくは検出結果を使用してもよい。ある実施形態では、図１１Ｂに示されるように、本明細書に、例えば、下記の第Ｃ．ｉｖ節に説明されるような分析セグメント化アプローチ１１２２が、器官固有病変検出モジュールに加えて使用され得る。分析セグメント化１１２２は、ＰＥＴ画像１１０２に加えて、上流の機械学習モジュール１１０８ｂおよび１１０８ａからの結果１１１０ｂならびに１１１０ａを使用し、（例えば、機械学習を利用しない）分析セグメント化技法を使用してホットスポットをセグメント化し、分析的にセグメント化された３Ｄホットスポットマップ１１２４を生成する。
ｉｖ．分析セグメント化
図１２に目を向けると、いくつかの実施形態では、機械学習技法が、ホットスポット検出および／または初期のセグメント化を実施するために使用されてもよく、例えば、後続のステップとして、分析モデルが、ホットスポット毎に最終セグメント化を実施するために使用される。
本明細書で使用されるように、用語「分析モデル」および「分析セグメント化」は、所定の規則ならびに／もしくは機能（例えば、数学関数）に基づく（例えば、それを使用する）セグメント化方法を指す。例えば、ある実施形態では、分析セグメント化方法は、画像処理ステップの順序付けられたシーケンス、画像への１つまたはそれを上回る数学関数の適用、条件付き論理分岐、および同等物等の１つまたはそれを上回る所定の規則を使用して、ホットスポットをセグメント化し得る。分析セグメント化方法は、限定ではないが（例えば、画像閾値化ステップを含む）閾値ベースの方法、レベル設定方法（例えば、高速マーチング法）、グラフカット方法（例えば、流域セグメント化）、またはアクティブ輪郭モデルを含み得る。ある実施形態では、分析セグメント化アプローチは、訓練ステップに依拠しない。対照的に、ある実施形態では、機械学習モデルは、（例えば、放射線医師または他の施術者によって手動でセグメント化された、例えば、画像およびホットスポットの実施例から成る）訓練データのセットを使用してホットスポットを予めセグメント化するように自動的に訓練されており、訓練セット内のセグメント化挙動を模倣することを目的とするモデルを使用して、ホットスポットをセグメント化するであろう。
最終セグメント化を決定するための分析セグメント化モデルの使用は、例えば、ある場合において、分析モデルが、機械学習アプローチより容易に理解され、デバッグされ得るため、有利であり得る。いくつかの実施形態では、そのような分析セグメント化アプローチは、機械学習技法によって発生される病変セグメント化に加えて、３Ｄ機能画像上で動作し得る。
例えば、図１２に示されるように、分析モデルを使用したホットスポットセグメント化のための例示的プロセス１２００において、機械学習モジュール１２０８が、入力として、ＰＥＴ画像１２０２、ＣＴ画像１２０４、およびセグメント化マップ１２０６を受信する。機械学習モジュール１２０８は、セグメント化を実施し、１つまたはそれを上回るホットスポット体積を識別する、３Ｄホットスポットマップ１２１０を生成する。分析セグメント化モデル１２１２は、ＰＥＴ画像１２０２に加えて、機械学習モジュール発生３Ｄホットスポットマップ１２１０を使用し、セグメント化を実施し、セグメント化されたホットスポット体積を分析的に識別する、３Ｄホットスポットマップ１２１４を生成する。
ｖ．例示的なホットスポットセグメント化
図１３Ａおよび図１３Ｂは、ホットスポット検出ならびに／もしくはセグメント化のための機械学習モジュールアーキテクチャの実施例を示す。図１３Ａは、例示的Ｕ－ｎｅｔアーキテクチャ（図１３Ａの括弧内の「Ｎ＝」は、各レイヤ内のフィルタの数を識別する）を示し、図１３Ｂは、例示的ＦＰＮアーキテクチャを示す。図１３Ｃは、別の例示的ＦＰＮアーキテクチャを示す。
図１４Ａ－Ｃは、Ｕ－ｎｅｔアーキテクチャを実装する機械学習モジュールを使用して取得された、ホットスポットセグメント化のための例示的な結果を示す。画像内の十字線および輝点は、セグメント化されたホットスポット１４０２（潜在的病変を表す）を示す。図１５Ａおよび１５Ｂは、ＦＰＮを実装する機械学習モジュールを使用して取得された、例示的ホットスポットセグメント化結果を示す。特に、図１５Ａは、ＣＴ画像上にオーバーレイされた、入力ＰＥＴ画像を示す。図１５Ｂは、ＣＴ画像上にオーバーレイされた、ＦＰＮを実装する機械学習モジュールを使用して決定された、例示的ホットスポットマップを示す。オーバーレイされたホットスポットマップは、ホットスポット体積１５０２を対象の脊柱の近傍において濃い赤色で示す。
Ｄ．例示的グラフィカルユーザインターフェース
ある実施形態では、本明細書に説明される病変検出、セグメント化、分類、および関連する技術は、（例えば、本明細書に説明される種々のアプローチを実装するソフトウェアプログラムとの）ユーザ相互作用ならびに／もしくは結果の精査を促進する、ＧＵＩを含んでもよい。例えば、ある実施形態では、ＧＵＩ部分およびウィンドウは、とりわけ、ユーザが、分析されるべきデータをアップロードならびに管理し、本明細書に説明されるアプローチを介して発生された画像および結果を可視化し、所見を要約する報告書を発生させることを可能にする。ある実施例ＧＵＩビューのスクリーンショットが、図１６Ａ－１６Ｅに示される。
例えば、図１６Ａは、ユーザによる検査［例えば、ＰＥＴ／ＣＴ走査を介して収集されるＰＥＴ画像およびＣＴ画像等、（例えば、医学におけるデジタルイメージングならびに通信（ＤＩＣＯＭ）規格による）同一の診査および／または走査の間に収集された画像データ］のアップロードならびに視認を提供する、例示的ＧＵＩウィンドウを示す。ある実施形態では、アップロードされた検査は、アップロードされた１つまたはそれを上回るＰＥＴ／ＣＴ画像を有する、対象／患者の識別子を列挙する、患者リストに自動的に追加される。図１６に示される患者リスト内のアイテム毎に、患者ＩＤが、その患者に関する利用可能なＰＥＴ／ＣＴ検査ならびに対応する報告書に加えて示される。ある実施形態では、チームの概念が、アップロードされたデータの特定のサブセットに取り組み、それに対するアクセスを提供される、複数のユーザの集団（例えば、チーム）の生成を可能にする。ある実施形態では、患者リストが、チームの各メンバに患者リストへのアクセスを提供するように、特定のチームと関連付けられ、それと自動的に共有されてもよい。
図１６Ｂは、ユーザが医療画像データを視認することを可能にする、例示的ＧＵＩビューア１６１０を示す。ある実施形態では、ビューアは、ユーザが複数の結像モダリティならびに種々のフォーマットおよび／またはそれらの組み合わせを視認することを可能にする、マルチモーダルビューアである。例えば、図１６Ｂに示されるビューアは、ユーザがＰＥＴおよび／またはＣＴ画像ならびにそれらの融合物（例えば、オーバーレイ）を視認することを可能にする。ある実施形態では、ビューアは、ユーザが種々のフォーマットにおける３Ｄ医療画像データを視認することを可能にする。例えば、ビューアは、ユーザが、３Ｄ画像の特定の（例えば、選択された）断面に沿って種々の２Ｄスライスを選択および視認することを可能にし得る。ある実施形態では、ビューアは、ユーザが、３Ｄ画像データの最大強度投影（ＭＩＰ）を視認することを可能にする。３Ｄ画像データを可視化する他の様式もまた、提供され得る。本実施例では、図１６Ｂに示されるように、制御パネルグラフィカルウィジェット１６１２が、ビューアの左側に提供され、ユーザが日付、種々の患者データ、および撮像パラメータ等の利用可能な検査情報を視認することを可能にする。
図１６Ｃに目を向けると、ある実施形態では、ＧＵＩビューアは、ユーザが、例えば、当てはまる基礎となる物理的病変を表す可能性が高いものとして識別および選択する、画像の着目体積（ＶＯＩ）である、病変体積をユーザが選択することを可能にする、病変選択ツールを含む。ある実施形態では、病変体積は、例えば、本明細書に説明されるアプローチのうちのいずれかを介して自動的に識別およびセグメント化される、ホットスポット体積のセットから選択される。選択された病変体積は、報告および／またはさらなる定量的分析のために使用され得る、識別された病変体積の最終セット内での包含のために保存されてもよい。ある実施形態では、例えば、図１６Ｃに示されるように、特定の病変体積のユーザ選択に応じて、特定の病変の種々の特徴／定量的メトリック［例えば、最大強度、ピーク強度、平均強度、体積、病変指数（ＬＩ）、解剖学的分類（例えば、ｍｉＴＮＭクラス、場所等）等］が、表示される（１６１４）。
図１６Ｄに目を向けると、ＧＵＩビューアは、加えて、または代替として、ユーザが、本明細書に説明される種々の実施形態に従って実施された自動化されたセグメント化の結果を視認することを可能にし得る。セグメント化は、本明細書に説明されるように、ＣＴ画像の自動化された分析を介して実施されてもよく、肝臓および／または大動脈を表す３Ｄ体積の識別ならびにセグメント化を含んでもよい。セグメント化結果が、ＣＴおよび／またはＰＥＴ画像表現上等、医療画像データの表現上にオーバーレイされてもよい。
図１６Ｅは、本明細書に説明されるように、医療画像データの分析を介して発生される、例示的報告書１６２０を示す。本実施例では、報告書１６２０は、精査される検査に関する結果を要約し、（例えば、ユーザによって）選択された病変体積を特定評価する、特徴および定量的メトリックを提供する（１６２２）。例えば、図１６Ｅに示されるように、報告書は、選択された病変体積毎に、病変ＩＤと、病変タイプ（例えば、ｍｉＴＮＭ分類）と、病変場所と、ＳＵＶ最大値と、ＳＵＶピーク値と、ＳＵＶ平均値と、体積と、病変指数値とを含む。
Ｅ．複数の機械学習モジュールを使用したホットスポットセグメント化および分類
ある実施形態では、複数の機械学習モジュールが、ホットスポットをセグメント化および分類するために並行して使用される。図１７Ａは、ホットスポットをセグメント化および分類するための、例示的プロセス１７００のブロックフロー図である。例示的プロセス１７００は、３Ｄ ＰＥＴ／ＣＴ画像上で画像セグメント化を実施し、ホットスポット体積をセグメント化し、各セグメント化されたホットスポット体積を、（自動的に）決定された解剖学的場所に従って、特に、リンパ、骨、または前立腺ホットスポットとして分類する。
例示的プロセス１７００は、入力として、３Ｄ ＰＥＴ画像１７０２および３Ｄ ＣＴ画像１７０４を受信し、それに関して動作する。ＣＴ画像１７０４は、セグメント化を実施し、ＣＴ画像内で、特定の組織領域および／または着目器官、もしくは複数の（例えば、関連する）組織領域および／または器官の解剖学的グルーピングを表す、３Ｄ体積を識別する、第１の器官セグメント化機械学習モジュール１７０６への入力である。器官セグメント化機械学習モジュール１７０６が、適宜、使用され、ＣＴ画像内で特定の組織領域および／または着目器官もしくはそれらの解剖学的グルーピングを識別する、３Ｄセグメント化マップ１７０８を発生させる。例えば、ある実施形態では、セグメント化マップ１７０８は、１つは、肝臓と、脾臓と、腎臓と、膀胱とを備える、高取込軟質組織器官の解剖学的グルーピングに対応し、第２のものは、低取込軟質組織器官である、大動脈（例えば、胸部および腹部）に対応する、器官の２つの解剖学的グルーピングに対応する、２つの着目体積を識別する。ある実施形態では、器官セグメント化機械学習モジュール１７０６は、出力として、セグメント化マップ１７０８の解剖学的グルーピング、ならびに、ある実施形態では、他のものを構成するものを含む、種々の個々の器官を識別する、初期のセグメント化マップを発生させ、セグメント化マップ１７０８が、（例えば、解剖学的グルーピングの個々の器官に対応する体積に同一の標識を割り当てることによって）初期のセグメント化マップから生成される。故に、ある実施形態では、３Ｄセグメント化マップ１７０８は、（ｉ）高取込軟質組織器官に属するボクセル、（ｉｉ）低取込軟質組織器官、すなわち、大動脈、および（ｉｉｉ）背景等の他の領域を識別ならびに弁別する、３つの標識を使用する。
図１７Ａに示される例示的プロセス１７００では、器官セグメント化機械学習モジュール１７０６が、Ｕ－ｎｅｔアーキテクチャを実装する。他のアーキテクチャ（例えば、ＦＰＮ）も、使用され得る。ＰＥＴ画像１７０２、ＣＴ画像１７０４、および３Ｄセグメント化マップ１７０８が、２つの並行ホットスポットセグメント化モジュールへの入力として、使用される。
ある実施形態では、例示的プロセス１７００は、２つの機械学習モジュールを並行して使用し、異なる様式においてホットスポットをセグメント化および分類し、次いで、これらの結果を融合する。例えば、機械学習モジュールが、複数の、すなわち、リンパ、骨、前立腺の所望されるホットスポットクラスではなく、ホットスポットの単一のクラスのみを識別すると、例えば、画像領域をホットスポットとして識別するかどうかによって、より正確なセグメント化を実施したことが、見出された。故に、プロセス１７００は、第１の単一クラスホットスポットセグメント化モジュール１７１２を利用し、正確なセグメント化を実施し、第２のマルチクラスホットスポットセグメント化モジュール１７１４を利用し、ホットスポットを所望の３つのカテゴリに分類する。
特に、第１の単一クラスホットスポットセグメント化モジュール１７１２は、セグメント化を実施し、ホットスポットを表す３Ｄ体積を識別し、他の画像領域が背景として識別される、第１の単一クラス３Ｄホットスポットマップ１７１６を発生させる。故に、単一クラスホットスポットセグメント化モジュール１７１２は、画像ボクセルに、２つのクラス、すなわち、背景または単一のホットスポットクラスのうちの一方に属するものとして標識する、二項分類を実施する。第２のマルチクラスホットスポットセグメント化モジュール１７１４は、単一のホットスポットクラスを使用することと対照的に、ホットスポットをセグメント化し、セグメント化されたホットスポット体積に、複数のホットスポット分類の一方を割り当てる。特に、マルチクラスホットスポットセグメント化モジュール１７１４は、セグメント化されたホットスポット体積を、リンパ、骨、または前立腺ホットスポットとして分類する。故に、マルチクラスホットスポットセグメント化モジュールは、ホットスポットを表す３Ｄ体積を識別し、それらにリンパ、骨、または前立腺として標識し、他の画像領域が背景として識別される、第２のマルチクラス３Ｄホットスポットマップ１７１８を発生させる。プロセス１７００において、単一クラスホットスポットセグメント化モジュールおよびマルチクラスホットスポットセグメント化モジュールはそれぞれ、ＦＰＮアーキテクチャを実装した。他の機械学習アーキテクチャ（例えば、Ｕ－ｎｅｔ）が、使用されてもよい。
ある実施形態では、セグメント化および分類されたホットスポット１７２４の最終３Ｄホットスポットマップを発生させるために、単一クラスホットスポットマップ１７１６ならびにマルチクラスホットスポットマップ１７１８が、融合される（１７２２）。特に、単一クラスホットスポットマップ１７１６の各ホットスポット体積が、マルチクラスホットスポットマップ１７１８のホットスポット体積と比較され、同一の物理的場所、故に、同一の（潜在的な）物理的病変を表す、合致ホットスポット体積を識別する。合致ホットスポット体積は、例えば、空間重複（例えば、体積が重複する割合）、近接度（例えば、閾値距離内の重心）、および同等物の種々の尺度に基づいて、識別され得る。マルチクラスホットスポットマップ１７１８からの合致ホットスポット体積が識別される、単一クラスホットスポットマップ１７１６のホットスポット体積が、合致ホットスポット体積の標識、すなわち、リンパ、骨、または前立腺を割り当てられる。このように、ホットスポットは、単一クラスホットスポットセグメント化モジュール１７１２を介して正確にセグメント化され、次いで、マルチクラスホットスポットセグメント化モジュール１７１４の結果を使用して標識される。
図１７Ｂに目を向けると、ある場合には、単一クラスホットスポットマップ１７１６の特定のホットスポット体積に関して、マルチクラスホットスポットマップ１７１８からのいかなる合致ホットスポット体積も、見出されない。そのようなホットスポット体積は、リンパおよび骨領域に対応する３Ｄ体積を識別する、セグメント化マップ１７０８から異なり得る、３Ｄセグメント化マップ１７３８との比較に基づいて標識される。
ある実施形態では、単一クラスホットスポットセグメント化モジュール１７１２は、単一クラスホットスポットマップが前立腺領域内にいかなるホットスポットも含まないように、前立腺領域内のホットスポットをセグメント化しない場合がある。マルチクラスホットスポットマップ１７１８からの前立腺ホットスポットとして標識された、ホットスポット体積が、融合されるホットスポットマップ１７２４内での包含のために使用され得る。ある実施形態では、単一クラスホットスポットセグメント化モジュール１７１２は、前立腺領域内のいくつかのホットスポットをセグメント化し得るが、（例えば、単一クラスホットスポットマップ１７１６内で識別されない）付加的ホットスポットが、マルチクラスホットスポットセグメント化モジュール１７１４によってセグメント化され、それによって前立腺ホットスポットとして識別されてもよい。マルチクラスホットスポットマップ１７１８内に存在する、これらの付加的ホットスポット体積は、融合されたホットスポットマップ１７２４内に含まれてもよい。
故に、ある実施形態では、ＣＴ画像１７０４、ＰＥＴ画像１７０２、３Ｄ器官セグメント化マップ１７３８、単一クラスホットスポットマップ１７１６、およびマルチクラスホットスポットマップ１７１８からの情報が、ホットスポット融合ステップ１７２２において使用され、セグメント化ならびに分類されたホットスポット体積１７２４の融合された３Ｄホットスポットマップを発生させる。
１つの例示的融合アプローチでは、（例えば、２つのホットスポット体積間の）重複が、マルチクラスホットスポットマップおよび単一クラスホットスポットマップのホットスポット体積からの任意の２つのボクセルが、同一の物理的場所に対応する／それを表すときに決定される。単一クラスホットスポットマップの特定のホットスポット体積が、マルチクラスホットスポットマップの１つのみのホットスポット体積に重複する（例えば、マルチクラスホットスポットマップからの１つのみの合致ホットスポット体積が識別される）場合、単一クラスホットスポットマップの特定のホットスポット体積は、マルチクラスホットスポットマップの重複するホットスポット体積が属するものとして識別されるクラスに従って、標識される。特定のホットスポット体積が、それぞれが異なるホットスポットクラスに属するものと識別される、マルチクラスホットスポットマップの２つまたはそれを上回るホットスポット体積に重複する場合、単一クラスホットスポット体積の各ボクセルは、マルチクラスホットスポットマップからの重複されるホットスポット体積内の最も近接しているボクセルと同一のクラスを割り当てられる。単一クラスホットスポットマップの特定のホットスポット体積が、マルチクラスホットスポットマップのいかなるホットスポット体積にも重複しない場合、特定のホットスポット体積は、軟質組織領域（例えば、器官）および／または骨を識別する３Ｄセグメント化マップとの比較に基づいてホットスポットクラスを割り当てられる。例えば、いくつかの実施形態では、特定のホットスポット体積は、以下の記述のうちのいずれかが当てはまる場合、骨クラスに属するものとして標識され得る。
（ｉ）ホットスポット体積の２０％超が、肋骨セグメント化と重複する場合、
（ｉｉ）ホットスポット体積が、器官セグメント化内のいかなる標識とも重複せず、ホットスポットマスク内のＣＴの平均値が、１００ハウンズフィールド単位を上回る場合、
（ｉｉｉ）ホットスポット体積のＳＵＶｍａｘの位置が、器官セグメント化内の骨標識と重複する場合、または
（ｉｖ）ホットスポット体積の５０％超が、器官セグメント化内の骨標識と重複する場合。
いくつかの実施形態では、特定のホットスポット体積は、ホットスポット体積の５０％またはそれを上回るものが器官セグメント化内の骨標識と重複しない場合、リンパとして識別されてもよい。
いくつかの実施形態では、単一クラスホットスポットマップのホットスポット体積全体が、リンパ、骨、または前立腺に分類されているとき、マルチクラスモデルからのいかなる残りの前立腺ホットスポットも、単一クラスホットスポットマップ上に重畳され、融合されたホットスポットマップ内に含まれる。
図１７Ｃは、図１７Ａおよび１７Ｂに関して説明される実施形態による、ホットスポットセグメント化ならびに分類アプローチを実装するための例示的コンピュータプロセス１７５０を示す。
Ｆ．適応的閾値化アプローチを介した分析セグメント化
ある実施形態では、例えば、第Ｃ．ｉｖ節において本明細書に説明されるように、本明細書に説明される画像分析技法は、分析セグメント化ステップを利用し、本明細書に説明されるような機械学習モジュールを介して決定された、ホットスポットセグメント化を精緻化する。例えば、ある実施形態では、本明細書に説明されるような機械学習アプローチによって発生された３Ｄホットスポットマップが、完全に新しいセグメント化を精緻化および／または実施する、分析セグメント化モデルへの初期の入力として使用される。
ある実施形態では、分析セグメント化モデルは、閾値化アルゴリズムを利用し、それによって、ホットスポットが、解剖学的画像（例えば、ＣＴ画像、ＭＲ画像）および／または機能画像（例えば、ＳＰＥＣＴ画像、ＰＥＴ画像）（例えば、ＰＥＴ／ＣＴもしくはＳＰＥＣＴ／ＣＴ画像等の合成の解剖学的かつ機能画像）内のボクセルの強度と１つまたはそれを上回る閾値を比較することによってセグメント化される。
図１８Ａに目を向けると、ある実施形態では、適応的閾値化アプローチ、それによって、特定のホットスポットに関して、特定のホットスポットに関して決定される初期のホットスポット体積内の強度が、例えば、本明細書に説明されるような機械学習アプローチを介して、１つまたはそれを上回る基準値と比較され、特定のホットスポットのための閾値を決定する。特定のホットスポットのための閾値は、次いで、分析セグメント化モデルによって使用され、特定のホットスポットをセグメント化し、最終ホットスポット体積を決定する。
図１８Ａは、適応的閾値化アプローチを介してホットスポットをセグメント化するための例示的プロセス１８００を示す。プロセス１８００は、１つまたはそれを上回る３Ｄホットスポット体積、ＰＥＴ画像１８０４、および３Ｄ器官セグメント化マップ１８０６を識別する、初期の３Ｄホットスポットマップ１８０２を利用する。初期の３Ｄホットスポットマップ１８０２は、本明細書に説明される種々の機械学習アプローチを介して自動的に、および／またはＧＵＩとのユーザ相互作用に基づいて決定されてもよい。ユーザは、例えば、３Ｄホットスポットマップ１８０２内での包含のためのサブセットを選択することによって、自動的に決定されたホットスポット体積のセットを精緻化してもよい。加えて、または代替として、ユーザは、例えば、ＧＵＩを用いて画像上に境界を描画することによって、手動で３Ｄホットスポット体積を決定してもよい。
ある実施形態では、３Ｄ器官セグメント化マップは、大動脈部分および／または肝臓等の特定の基準組織領域に対応する、１つまたはそれを上回る基準体積を識別する。本明細書に説明されるように、例えば、第Ｂ．ｉｉｉ節では、ある基準体積内のボクセルの強度が、それに対して識別およびセグメント化されたホットスポットの強度が比較され得る（例えば、「測定スティック」として作用する）、関連付けられる基準値１８０８を算出するために使用されてもよい。例えば、肝臓体積が、肝臓基準値を算出するために使用されてもよく、大動脈部分が、大動脈または血液貯留基準値を算出するために使用されてもよい。プロセス１８００では、大動脈部分の強度が、血液貯留基準値１８１０を算出する（１８０８）ために使用される。血液貯留基準値１８１０が、初期の３Ｄホットスポットマップ１８０２およびＰＥＴ画像１８０４との組み合わせにおいて使用され、初期の３Ｄホットスポットマップ１８０２内のホットスポットの閾値ベースの分析セグメント化を実施するための閾値を決定する。
特に、初期の３Ｄホットスポットマップ１８０２内に識別される（物理的病変を表す、特定のホットスポットを識別する）特定のホットスポット体積に関して、特定のホットスポット体積内に位置するＰＥＴ画像１８０４ボクセルの強度が、使用され、特定のホットスポットに関するホットスポット強度を決定する。ある実施形態では、ホットスポット強度は、特定のホットスポット体積内に位置するボクセルの強度の最大値である。例えば、ＳＵＶを表すＰＥＴ画像強度に関して、特定のホットスポット体積内の最大ＳＵＶ（ＳＵＶｍａｘ）が、決定される。ピーク値（例えば、ＳＵＶｐｅａｋ）、平均値、中央値、四分位平均値（ＩＱＲｍｅａｎ）等の他の尺度も、使用され得る。
ある実施形態では、特定のホットスポットのためのホットスポット固有閾値が、ホットスポット強度と血液貯留基準値の比較に基づいて決定される。ある実施形態では、ホットスポット強度と血液貯留基準値との間の比較が、複数の（例えば、事前定義される）閾値関数のうちの１つを選択するために使用され、選択された閾値関数は、特定のホットスポットに関するホットスポット固有閾値を算出するために使用される。ある実施形態では、閾値関数は、特定のホットスポットのホットスポット強度（例えば、最大強度）および／または血液貯留基準値の関数としてホットスポット固有閾値を算出する。例えば、閾値関数は、ホットスポット固有閾値を（ｉ）スケーリング係数および（ｉｉ）特定のホットスポットならびに／もしくは血液貯留基準のホットスポット強度（または他の強度尺度）の積として算出してもよい。ある実施形態では、スケーリング係数は、定数である。ある実施形態では、スケーリング係数は、特定のホットスポットの強度尺度の関数として決定される、補間値である。ある実施形態では、および／または、ある閾値関数に関して、スケーリング係数は、例えば、本明細書の第Ｇ節にさらに詳細に説明されるような、最大閾値に対応する平坦域レベルを決定するために使用される、定数である。
例えば、種々の閾値関数間から（例えば、条件付き論理を介して）選択し、それを算出する例示的アプローチのための疑似コードが、下記に示される。
図１８Ｂおよび１８Ｃは、上記の疑似コードによって実装された特定の例示的適応的閾値化アプローチを図示する。図１８Ｂは、特定のホットスポットのためのホットスポット強度、すなわち、実施例におけるＳＵＶｍａｘの関数として、閾値１８３２の変動をプロットする。図１８Ｃは、特定のホットスポットのためのＳＵＶｍａｘの比率として、特定のホットスポットのためのＳＵＶｍａｘの関数として、ホットスポット固有閾値の変動をプロットする。各グラフ内の破線は、血液貯留基準に対するある値を示し（図１８Ｂおよび１８Ｃの例示的プロットにおいて１．５のＳＵＶを有する）、また、図１８ＣにおいてＳＵＶｍａｘの９０％ならびに５０％を示す。
図１８Ｄ－Ｆに目を向けると、本明細書に説明されるような適応的閾値化アプローチは、固定閾値または相対的閾値を利用する、前述の閾値化技法と関連付けられる問題および欠点に対処する。特に、最大標準取込値（ＳＵＶｍａｘ）に基づいた閾値ベースの病変セグメント化は、ある実施形態において、取込体積およびＳＵＶｍｅａｎ等のパラメータの推定のためにホットスポット体積をセグメント化するための透明かつ再現方法な方法を提供するが、従来の固定相対的閾値は、病変の全ダイナミックレンジＳＵＶｍａｘ下では良好に作用しない。固定閾値アプローチは、画像内でホットスポットをセグメント化する際の使用のための閾値として、単一の、例えば、ユーザ定義されたＳＵＶ値を使用する。例えば、ユーザは、固定閾値レベルを４．５の値に設定してもよい。相対的閾値アプローチは、特定の定数、比、または割合を使用し、ホットスポット毎に、ホットスポット最大ＳＵＶの特定の比もしくは割合に設定された、局所的閾値を使用して、ホットスポットをセグメント化する。例えば、ユーザは、各ホットスポットが、最大ホットスポットＳＵＶ値の４０％として計算される閾値を使用してセグメント化されるように、相対的閾値を４０％に設定してもよい。これらのアプローチ、すなわち、従来の固定閾値および相対的閾値は両方とも、欠点を被る。例えば、患者を横断して良好に作用する、適切な固定閾値を定義することは、困難である。従来の相対的閾値アプローチはまた、ホットスポットの最大またはピーク強度の固定された比として閾値を定義するステップが、より低い閾値を使用してセグメント化されたより低い全体的強度を伴うホットスポットをもたらすため、問題となる。結果として、低い閾値を使用して、比較的に低い取込を伴う、より小さい病変を表し得る、低強度ホットスポットをセグメント化するステップは、実際には物理的により大きい病変を表す、より高い強度ホットスポットのためのものより大きい識別されたホットスポット体積をもたらし得る。
例えば、図１８Ｄおよび１８Ｅは、最大ホットスポット強度の５０％（例えば、５０％ＳＵＶｍａｘ）として決定された閾値を使用した、２つのホットスポットのセグメント化を図示する。各図は、位置の関数として、垂直線上に強度をプロットし、ホットスポットを通過する線を示す。図１８Ｄは、大きい物理的病変１８４８を表す、高強度ホットスポットに関する強度の変動を図示する、グラフ１８４０を示す。ホットスポット強度１８４２は、ホットスポットの中心を中心として最大になり、ホットスポット閾値１８４４が、ホットスポット強度１８４２の最大値の５０％に設定される。ホットスポット閾値１８４４を使用してホットスポットをセグメント化するステップは、例えば、線形寸法１８４６と図示される病変１８４８を比較することによって、示されるような、物理的病変のサイズにおよそ合致する、セグメント化された体積を生産する。図１８Ｅは、小さい物理的病変１８５８を表す、低強度ホットスポットに関する強度の変動を図示する、グラフ１８５０を示す。ホットスポット強度１８５２もまた、ホットスポットの中心を中心として最大になり、ホットスポット閾値１８５４もまた、最大ホットスポット強度１８５２の５０％に設定される。しかしながら、ホットスポット強度１８５２は、あまりはっきりと最大になるわけではなく、高強度ホットスポットのためのホットスポット強度１８４２より低い強度ピークを有するため、ホットスポット強度の最大値に対して閾値を設定することは、はるかにより低い絶対閾値をもたらす。結果として、閾値ベースのセグメント化は、より高い強度のホットスポットのものとの比較において、より大きいホットスポット体積を生産するが、表される物理的病変は、例えば、線形寸法１８５６と図示される病変１８５８を比較することによって、示されるように、より小さくなる。相対的閾値は、故に、より小さい物理的病変のためにより大きい見掛け上のホットスポット体積を生産し得る。より低い強度の病変が、より低い閾値を有し、故に、治療に応答する病変が、体積が増加するように見え得るため、これは、特に、治療応答の査定に関して問題となる。
ある実施形態では、本明細書に説明されるような適応的閾値化が、ホットスポット強度の割合として算出される、適応型の閾値を利用することによって、これらの欠点に対処し、割合は、（ｉ）ホットスポット強度（例えば、ＳＵＶｍａｘ）の増加に伴って減少し、（ｉｉ）ホットスポット強度（例えば、ＳＵＶｍａｘ）および（例えば、血液貯留基準値等の基準値によって測定されるような）全体的な生理学的取込の両方に依存する。故に、従来の相対的閾値化アプローチとは異なり、本明細書に説明される適応的閾値化アプローチにおいて使用されるホットスポット強度の特定の比／割合は、変動し、それ自体がホットスポット強度の関数であり、また、ある実施形態では、同様に、生理学的取込も説明する。例えば、変数を利用する、図１８Ｆの例証的プロット１８６０に示されるように、本明細書に説明されるような適応的閾値化アプローチは、閾値１８６４をピークホットスポット強度１８５２のより高い割合、例えば、図１８Ｆに示されるような９０％に設定する。図１８Ｆに図示されるように、それを行うことは、閾値ベースのセグメント化が、ホットスポットが表す病変１８６６の当てはまるサイズをより正確に反映する、ホットスポット体積を識別することを可能にする。
ある実施形態では、閾値化は、最初に、不均質な病変を均質な下位成分に分割し、最終的に、流域アルゴリズムを使用して、近傍の強度ピークから取込を除外することによって、促進される。本明細書に説明されるように、適応的閾値化は、手動で予めセグメント化された病変、ならびに、例えば、本明細書に説明されるような機械学習モジュールを介して実装された、深層ニューラルネットワークによって、自動化された検出に適用され、再現性およびロバスト性を改良し、解説可能性を追加することができる。
Ｇ．ＰＹＬ－ＰＥＴ／ＣＴ撮像のための例示的閾値関数およびスケーリング係数を比較する、例示的検査
本実施例は、本明細書において、例えば、第Ｆ節において説明されるような、適応的閾値化アプローチ内での使用のための種々のパラメータを評価し、基準として手動で注釈を付けられた病変を使用して、固定閾値および相対的閾値を比較するために実施される検査を説明する。
本実施例の検査は、経験を積んだ核医学リーダによって手動でセグメント化された骨、リンパ、および前立腺病変に対応するホットスポットを伴う、２４２人の患者の１８Ｆ－ＤＣＦＰｙＬ ＰＥＴ／ＣＴ走査物を使用した。合計７９２個のホットスポット体積が、１６７人の患者を横断して注釈を付けられた。２つの検査が、閾値化アルゴリズムを査定するために実施された。第１の検査では、手動で注釈を付けられたホットスポットが、異なる閾値化アルゴリズムを用いて精緻化され、サイズ順序が維持された程度、すなわち、より小さいホットスポット体積が、精緻化の後、最初により大きいホットスポット体積より小さいままである程度が、推定された。第２の検査では、本明細書に説明される種々の実施形態による機械学習アプローチによって自動的に検出された、疑わしいホットスポットの閾値化による精緻化が、実施され、手動の注釈と比較された。
本実施例におけるＰＥＴ画像強度は、標準取込値（ＳＵＶ）を表すようにスケーリングされ、本節では、取込または取込強度と称される。比較された異なる閾値化アルゴリズムは、以下、すなわち、ＳＵＶ＝２．５における、固定閾値、ＳＵＶｍａｘの５０％の相対的閾値、および適応的閾値の異型の通りである。適応的閾値は、最大閾値レベルの有無にかかわらず、ＳＵＶｍａｘの減少割合から定義された。平坦域レベルが、健康な組織に対応する領域における通常の取込強度を上回るように設定された。２つの証明となる調査が、適切な平坦域レベルを選択するために実施され、一方は、大動脈内の通常の取込強度を検査し、他方は、前立腺内の通常の取込強度を検査した。とりわけ、閾値化アプローチが、核医学リーダによって実施された注釈との比較におけるサイズ順序のそれらの維持に基づいて評価された。例えば、核医学リーダが手動でホットスポットをセグメント化し、手動でセグメント化されたホットスポット体積が、サイズに従って順序付けられた場合、サイズ順序の維持は、自動化された閾値化アプローチ（例えば、ユーザ相互作用を含まない）を使用して同一のホットスポットをセグメント化することによって生産されたホットスポット体積が、同一の方法においてそれらのサイズに従って順序付けられるであろう程度を指す。適応的閾値化アプローチの２つの実施形態が、加重された等級相関尺度に従って、サイズ順序維持の観点から最良の性能を達成した。これらの適応的閾値化方法は両方とも、低強度病変に関してＳＵＶｍａｘの９０％から開始し、２倍の血液貯留基準値（例えば、２×［大動脈基準取込］）において横ばいに達した閾値を利用した。第１の方法（「Ｐ９０５０－ｓａｔ」と称される）は、平坦域レベルがＳＵＶｍａｘの５０％であったときに平坦域に到達し、他方（「Ｐ９０４０－ｓａｔ」と称される）は、これがＳＵＶｍａｘの４０％であったときに平坦域に到達した。
自動的に検出およびセグメント化されたホットスポットを閾値化を用いて精緻化するステップが、精度／再現率トレードオフを変化させたこともまた、見出された。元の自動的に検出およびセグメント化されたホットスポットは、高い回収率と、低い精度とを有したが、Ｐ９０５０－ｓａｔ閾値化方法を用いた精緻化セグメント化は、精度ならびに再現率の観点からより平衡を保った性能を生産した。
改良された相対サイズ維持は、アルゴリズムが核医学リーダの注釈のサイズ順序をより良好に捕捉するため、治療応答の査定が、改良される／より正確になるであろうことを示す。オーバーセグメント化とアンダーセグメント化との間のトレードオフに対処することは、別個の閾値化方法を導入することによって、すなわち、本明細書に説明されるような機械学習アプローチを使用して実施される自動化されたホットスポット検出およびセグメント化アプローチに加えて、本明細書に説明される分析適用的セグメント化アプローチを使用することによって、検出ステップから分断されることができる。
本明細書に説明される例示的な証明となる検査が、最大閾値に対応する平坦域値を算出するために使用される、スケーリング係数を決定するために使用された。例えば、本明細書に説明されるように、本実施例では、そのようなスケーリング係数が、種々の基準領域内での正常な健康な組織内の強度に基づいて決定された。例えば、大動脈領域内の強度に基づいて、血液貯留基準を１．６の倍率で乗算するステップは、典型的には、大動脈内の強度値の９５％を上回るが、前立腺内の典型的な通常の取込を下回るレベルを生産した。故に、ある例示的閾値関数では、より高い値が、使用された。特に、また、典型的には、正常な前立腺組織内の最も高い強度も上回ったレベルを達成するために、２の係数が、決定された。値は、前立腺体積内であるが、腫瘍取込に対応する任意の部分を除外したＰＥＴ画像ボクセルの矢状面、冠状面、および横方向面におけるヒストグラムならびに画像投影の調査に基づいて、手動で決定された。スケーリング係数を示す、例示的画像スライスおよび対応するヒストグラムが、図１８Ｇに示される。
ｉ．導入
ＰＥＴ／ＣＴ内で病変体積を定義するステップは、病変が、ＰＥＴ内にホットスポットとして出現し、典型的には、明確な境界を有していないため、主観的なプロセスであり得る。時として、病変体積は、ＣＴ画像内のそれらの解剖学的範囲に基づいてセグメント化され得るが、しかしながら、本アプローチは、完全な取込が、網羅されていないであろうため、トレーサ取込についてのある情報を無視することにつながるであろう。また、ある病変は、機能ＰＥＴ画像内では可視であり得るが、ＣＴ画像内では見えない場合がある。本節は、生理学的取込体積を反映するホットスポット体積、すなわち、取込が背景を上回る体積を正確に識別することを目的とする閾値化方法を設計した、例示的検査を説明する。このようにセグメント化を実施し、ホットスポット体積を識別するために、閾値が、背景を含むリスク対全取込体積を反映する十分に大きいホットスポット体積をセグメント化しないリスクを平衡させるように選択される。
本リスクトレードオフは、一般的には、閾値として予期されるホットスポット体積に関して決定される、ＳＵＶｍａｘ値の５０％または４０％を選択することによって対処される。本アプローチのための論理的根拠は、（例えば、ＰＥＴ画像内の高強度ホットスポットに対応する）高取込病変に関して、閾値が、ホットスポット体積として全取込体積を表す体積をセグメント化しない同一のリスクレベルを維持しながら、（例えば、より低い強度ホットスポットに対応する）低取込病変のためのものより高く設定され得ることである。しかしながら、低信号対雑音比ホットスポットに関して、ＳＵＶｍａｘの５０％の閾値を使用するステップは、セグメント化内に含まれている背景をもたらすであろう。これを回避するために、ＳＵＶｍａｘの減少する割合が、使用され、例えば、低強度ホットスポットのための９０％または７５％において開始することができる。また、背景を含むリスクは、背景レベルを十分に上回る閾値になるとすぐに低くなり、これは、高取込病変に関するＳＵＶｍａｘの５０％を優に下回る閾値に関して生じる。故に、閾値は、典型的背景強度を上回る平坦域レベルに制限されることができる。
典型的な背景取込強度を優に上回る取込強度レベルのための１つの基準は、平均肝臓取込である。他の基準レベルも、実際の背景取込強度に基づいて、望ましくあり得る。背景取込強度は、骨、リンパ、および前立腺において異なり、骨は、最低背景取込強度を有し、前立腺は、最高背景取込強度を有する。組織にかかわらず同一の閾値化方法を使用することは、同一のセグメント化方法が特定の病変の場所および／または分類にかかわらず使用されることを可能にするため、有利である／好ましい。故に、本実施例の検査は、３つの組織タイプ全てにおける病変に関して同一の閾値パラメータを使用して、閾値を評価する。本実施例において評価される適応的閾値化の異型は、肝臓取込強度において横ばいに達するものと、大動脈取込を上回るように推定されるレベルにおいて横ばいに達するものと、前立腺取込強度を上回るように推定されるレベルにおいて横ばいに達する、いくつかの異型とを含む。
ある前述のアプローチが、血液貯留取込強度の平均値、および血液貯留取込強度の２倍の標準偏差（例えば、血液貯留取込強度の平均値＋２×ＳＤ）として算出される、縦隔血液貯留取込強度の関数として決定されたレベルを有する。しかしながら、標準偏差の推定に依拠する本アプローチは、不要な誤差およびノイズ感度につながり得る。特に、標準偏差を推定するステップは、平均値を推定するステップより著しくロバストではなく、ノイズ、マイナーなセグメント化誤差、またはＰＥＴ／ＣＴ不整合によって影響を及ぼされ得る。血液取込強度を上回るレベルを推定するためのよりロバストな方法は、固定係数×平均値または基準大動脈値を使用する。適切な係数を見出すために、大動脈内での取込強度の分布が、検査され、本実施例において説明される。通常の前立腺取込強度もまた、検査され、基準大動脈取込に適用され、典型的には、通常の前立腺強度を上回るレベルを算出し得る、適切な係数を決定した。
ｉｉ．方法
手動注釈の閾値化
本検査は、同一の患者における同一のタイプの少なくとも１つの他の病変を伴う病変のみを含有した、データのサブセットを使用した。これは、９２人の患者を横断した、６８４個の手動でセグメント化された病変取込体積（２７８個は、骨、３５７個は、リンパ節、４９個は、前立腺におけるものである）を伴うデータセットをもたらした。閾値化による自動精緻化が、実施され、出力が、元の体積と比較された。性能が、患者内のセグメント化されたホットスポット体積の数によって求められた加重を用いて、精緻化された体積と、患者内の元の体積と、組織タイプとの間の等級相関の加重平均によって測定された。本性能尺度は、セグメント化されたホットスポット体積間の相対サイズが維持されているかどうかを示すが、取込体積が、鮮明な境界を有していないため、主観的に定義される、絶対サイズを無視する。しかしながら、特定の患者および組織タイプに関して、同一の核医学リーダは、全ての注釈を作成し、それらは、故に、体系的様式において作成されていると仮定され得、より小さい注釈が、実際には、より大きい病変注釈と比較して、より小さい取込体積を反映する。
自動的に検出された病変の閾値化
本検査は、ホットスポット検出およびセグメント化のために使用される機械学習モジュールを訓練するために使用されていなかった、データのサブセットを使用し、６７人の患者を横断した、２８５個の手動でセグメント化された病変取込体積（１０４個は、骨、１２９個は、リンパ、５２個は、前立腺におけるものである）を伴うデータセットをもたらした。精度および再現率が、手動でセグメント化された病変に合致した、精緻化された（ならびに精緻化されていない）自動的に検出された体積間で測定された（感度は、骨に関して９０～９１％、リンパに関して９２～９３％、前立腺に関して９４～９８％）。これらの性能尺度は、自動的に検出され、可能性として精緻化されるホットスポットと手動で注釈を付けられるホットスポットとの間の類似性を定量化する。
血液取込
２４２人の患者に関して、大動脈の胸部が、深層学習パイプラインを使用してＣＴ成分内でセグメント化された。セグメント化された大動脈体積が、ＰＥＴ空間に投影され、大動脈体積が大動脈の外側または脈管壁内の領域を含有するリスクを最小限にさせながら、大動脈の内側の取込の可能な限り多くのものを留保するために、３ｍｍ浸食された。残りの取込強度に関して、各患者内において、商ｑ＝（大動脈平均値＋２×大動脈ＳＤ）／大動脈平均値が、算出された。
前立腺取込
２９人の患者において、前立腺内の通常の取込が、検査された。検査は、機械学習モジュールを介して決定された、セグメント化された前立腺体積を利用することによって実施された。手動で注釈を付けられた前立腺病変内の取込強度が、除外された。大動脈基準取込強度に対して正規化された、残りの取込強度が、軸面、矢状面、および冠状面内のヒストグラムならびに最大強度投影によって可視化された（図１８Ｇの実施例参照）。最大投影の目的は、ヒストグラム内の離れたところにある強度、特に、健康な組織内の最大取込強度を上回る嚢取込に関する強度のための解説を見出すことであった。
閾値化方法
２つのベースライン方法（ＳＵＶ＝２．５における固定閾値およびＳＵＶｍａｘの５０％における相対閾値）が、適応的閾値の６つの異型と比較された。適応的閾値が、それぞれがＳＵＶｍａｘ値の特定の範囲と関連付けられる、３つの閾値関数を使用して定義された。
（１）低範囲閾値関数：第１の閾値関数が、低範囲内のＳＵＶｍａｘ値のための閾値を算出するために使用された。第１の閾値関数は、ＳＵＶｍａｘの固定された（高い）割合として閾値を算出した。
（２）中間範囲閾値関数：第２の閾値関数が、中間範囲内のＳＵＶｍａｘ値のための閾値を算出するために使用された。第２の閾値関数は、範囲の上限における閾値に等しい最大閾値において制限される、ＳＵＶｍａｘの線形に減少する割合として閾値を算出した。
（３）高範囲閾値関数：高範囲閾値関数が、高範囲内のＳＵＶｍａｘ値のための閾値を算出するために使用された。高範囲閾値関数は、最大固定閾値（飽和閾値）、またはＳＵＶｍａｘの固定された（低い）割合（非飽和閾値）のいずれかにおいて閾値を設定した。
３つの上記に説明される閾値関数および範囲の厳密なパラメータが、種々の適応的閾値化アルゴリズム間で変動し、下記の表２に列挙される。
中間ＳＵＶｍａｘ範囲内で使用される補間割合は、Ｐ９０５０－ｓａｔに関して以下の様式で算出される。
式中、ＳＵＶｈｉｇｈの５０％は、２×［大動脈取込強度］に等しく、ＳＵＶｌｏｗの９０％は、大動脈取込強度に等しい。
他の適応的閾値化アルゴリズム内で使用される補間割合は、類似的に算出される。中間範囲内の閾値は、次いで、以下のように算出され、
他の適応的閾値化アルゴリズムに関しても、類似的に算出される。
ｉｉｉ．結果
手動で注釈を付けられた病変の閾値化
最高加重等級相関（０．８１）が、Ｐ９０５０－ｓａｔおよびＰ９０４０－ｓａｔ方法によって取得され、Ｐ７５４０－ｓａｔ、Ａ９０５０－ｓａｔ、ならびにＬ９０５０－ｓａｔもまた、高い値を提供する。相対的な、ＳＵＶｍａｘの５０％（０．３７）およびＰ９０５０－ｎｏｎ－ｓａｔ（０．６１）閾値化アプローチが、最低加重等級相関をもたらした。ＳＵＶ＝２．５における固定閾値が、適応的閾値化アプローチの大部分より低い、その間の等級相関（０．７４）をもたらした。閾値アプローチのそれぞれに関する加重等級相関結果が、下記の表３に要約される。
自動的に検出された病変の閾値化
精緻化がない場合、自動的ホットスポット検出は、低い精度（０．３１～０．４７）を有したが、高い再現率（０．８３～０．９２）を有し、オーバーセグメント化を示した。相対的なＳＵＶｍａｘの５０％閾値化アルゴリズムを用いた精緻化が、精度を改良した（０．７０～０．７７）が、再現率を約５０％（０．４４～０．５８）まで減少させた。Ｐ９０５０－ｓａｔを用いた精緻化もまた、再現率のより少ない下落（０．６１～０．８９）を伴って精度を改良し（０．５１～０．８４）、より少ないオーバーセグメント化およびより多いアンダーセグメント化との平衡状態を示した。Ｐ９０４０－ｓａｔも、これらの点においてＰ９０５０－ｓａｔと同様に実施した一方で、Ｌ９０５０－ｓａｔは、最高の精度（０．８５～０．９５）を有するが、最低の再現率（０．３１～０．５６）も有する。表４ａ－ｅは、精度および再現率に関する全結果を示す。
閾値化方法に関する証明：血液取込
結果として生じる商に関して、ｑＭＥＡＭ＋２×ｑＳＤは、１．５４であり、故に、１．６の倍率を使用することが、大部分の血液取込強度値を上回る閾値レベルを達成するための良好な候補であると決定された。例示的検査では、３人のみの患者が、１．６×大動脈ＭＥＡＮを上回った、大動脈ＭＥＡＮ＋２×大動脈ＳＤを有した。３人の離れたところにいる患者は、ｑ＝１．６４、１．９２、および１．６１を有し、１．９２の係数を伴う患者は、脾臓内に、誤った大動脈セグメント化溢流を有し、他者は、１．６に近接する商を有した。
閾値化方法のための証明：前立腺取込
軸面、矢状面、冠状面における投影を念頭に置いた、正常な前立腺強度のヒストグラムの手動精査に基づいて、２．０の値が、前立腺内の典型的な取込強度を上回るレベルを得るために、大動脈基準値に適用するための適切なスケーリング係数となるであろう。
Ｈ．実施例：閾値化のみとの比較におけるＡＩベースのホットスポットセグメント化の使用
本実施例では、機械学習モジュールを利用し、本明細書に説明されるようなホットスポットをセグメント化および分類する、ＡＩベースのアプローチを使用して実施される、ホットスポット検出ならびにセグメント化が、閾値ベースのセグメント化のみを利用した従来のアプローチと比較された。
図１９Ａは、機械学習技法を利用しない、従来のホットスポットセグメント化アプローチ１９００を示す。代わりに、ホットスポットセグメント化が、ユーザによって、ホットスポットの手動の境界に基づいて実施され、強度（例えば、ＳＵＶ）ベースの閾値化１９０４が後に続く。ユーザは、画像１９２０内に着目領域（ＲＯＩ）１９２４を示す、円形マーカを手動でマスク設置する（１９２２）。いったんＲＯＩが設置されると、固定または相対的閾値アプローチのいずれかが、使用され、手動で設置されたＲＯＩ内でホットスポットをセグメント化してもよい（１９２６）。相対的閾値アプローチは、特定のＲＯＩのための閾値を、ＲＯＩ内の最大ＳＵＶの固定割合として個々に設定し、ＳＵＶベースの閾値化アプローチが、使用され、各ユーザ識別されたホットスポットをセグメント化し、初期のユーザ描画境界を精緻化する。本従来のアプローチは、ホットスポットの境界を手動で識別し、それを描画するユーザに依拠するため、これは、時間がかかり得、また、セグメント化結果ならびに下流の定量化１９０６（例えば、ホットスポットメトリックの算出）が、ユーザ毎に変動し得る。また、画像１９２８および１９３０に概念的に図示されるように、特定の閾値に応じて、異なる閾値が、異なるホットスポットセグメント化１９２９、１９３１を生産し得る。加えて、ＳＵＶ閾値レベルが、早期の病期疾患を検出するように調節され得るが、そうすることは、多くの場合、真陽性から気を散らす、多数の偽陽性所見をもたらす。最後に、例えば、本明細書に解説されるように、従来の固定または相対的ＳＵＶベースの閾値化アプローチは、病変サイズのオーバーおよび／またはアンダー推定を被る。
図１９Ｂに目を向けると、ＳＵＶベースの閾値化に関連してホットスポットを含有するＲＯＩの手動のユーザベースの選択を利用する代わりに、本明細書に説明されるある実施形態による、ＡＩベースのアプローチ１９５０は、１つまたはそれを上回る機械学習モジュールを利用し、（例えば、合成ＰＥＴ／ＣＴの）ＣＴ画像１９５４およびＰＥＴ画像１９５２を自動的に分析し、ホットスポット１９５６を検出、セグメント化、ならびに分類する。本明細書にさらに詳細に説明されるように、機械学習ベースのホットスポットセグメント化および分類は、初期の３Ｄホットスポットマップを生成するために使用されることができ、これは、次いで、本明細書に、例えば、第Ｆ節ならびに第Ｇ節に説明される適応的閾値化技法等の分析セグメント化方法１９５８のための入力として使用されることができる。とりわけ、機械学習アプローチの使用は、（例えば、放射線医師等の医者によって）画像を精査するために必要とされるユーザ主観および時間を短縮する。また、ＡＩモデルは、複雑なタスクを実施することが可能であり、偽陽性率を低く保持しながら、早期の病期病変ならびに高負担転移性疾患を識別することができる。このように改良されたホットスポットセグメント化は、とりわけ、疾患の重症度、予後、治療応答、および同等物を査定するために使用され得る、メトリックを測定するために関連のある下流定量化１９６０の正確度を改良する。
図２０は、従来の閾値化方法との比較における、機械学習ベースのセグメント化アプローチの改良された性能を実証する。機械学習ベースのアプローチでは、ホットスポットセグメント化が、第Ｆ節および第Ｇ節に説明される適応的閾値化技法のバージョンを実装した分析モデルを使用した精緻化に加えて、最初に本明細書に（例えば、第Ｅ節において）説明されるような機械学習モジュールを使用してホットスポットを検出ならびにセグメント化することによって、実施された。従来の閾値化方法が、固定閾値化を使用して実施され、固定閾値を上回る強度を有するボクセルのクラスタをセグメント化した。図２０に示されるように、従来の閾値化方法は、尿道内の放射性医薬品の取込に起因する偽陽性２００２ａおよび２００２ｂを発生させるが、機械学習セグメント化技法は、尿道取込を正確に無視し、前立腺病変２００４ならびに２００６のみをセグメント化する。
図２１Ａ－Ｉは、従来の閾値化方法（左画像）によって実施される、腹部領域内のホットスポットセグメント化結果と本明細書に説明される実施形態（右画像）による機械学習アプローチのものを比較する。図２１Ａ－Ｉは、腹部領域内を垂直方向に沿って移動する、３Ｄ画像の一連の２Ｄスライスを示し、ホットスポット領域は、各方法によってオーバーレイされたものと識別される。結果は、大きい擬陽性領域が左側画像内に出現する状態で、腹部取込が従来の閾値化アプローチにとって問題であることを示す図に示される。これは、腎臓および嚢内の大きい取込から結果として生じ得る。従来のセグメント化アプローチは、本取込を抑制し、そのような擬陽性を限定するための複雑な方法を要求する。対照的に、図２１Ａ－Ｉに示される画像をセグメント化するために使用される機械学習モデは、いかなるそのような抑制にも依拠せず、代わりに、本種類の取込を無視することを学習した。
Ｉ．例示的ＣＡＤデバイス実装
本節は、本明細書に説明されるある実施形態による、例示的ＣＡＤデバイス実装を説明する。本実施例において説明されるＣＡＤデバイスは、「ａＰＲＯＭＩＳＥ」と称され、複数の機械学習モジュールを使用して自動化された器官セグメント化を実施する。本例示的ＣＡＤデバイス実装は、分析モデルを使用し、ホットスポット検出およびセグメント化を実施する。
本実施例において説明されるａＰＲＯＭＩＳＥ （ａｕｔｏｍａｔｅｄ ＰＲＯｓｔａｔｅ ｓｐｅｃｉｆｉｃ Ｍｅｍｂｒａｎｅ Ａｎｔｉｇｅｎ Ｉｍａｇｉｎｇ ＳＥｇｍｅｎｔａｔｉｏｎ－自動化された前立腺特異的膜抗原撮像セグメント化）の例示的実装は、ユーザがＤＩＣＯＭファイルの形態にあるＰＳＭＡ ＰＥＴ／ＣＴ画像データの身体走査物をアップロードし、患者検査を精査し、検査査定をチーム内で共有し得る、ウェブインターフェースを伴うクラウドベースのソフトウェアプラットフォームを利用する。ソフトウェアは、医学におけるデジタルイメージングおよび通信（ＤＩＣＯＭ）３規格に準拠する。複数の走査物が、患者毎にアップロードされることができ、本システムは、検査毎に別個の精査を提供する。ソフトウェアは、表示し、ユーザがＰＥＴ、ＣＴ、ＰＥＴ／ＣＴ融合物および最大強度投影（ＭＩＰ）を同時に表示する４パネルビュー内で検査を視認することを可能にし、各ビューを別個に表示するための選択肢を含む、精査ページを提供する、ＧＵＩを含む。本デバイスは、ユーザが着目領域（ＲＯＩ）を識別し、それにマーキングするための画像可視化および分析ツールを使用して、患者検査全体を精査するために使用される。画像データを精査しながら、ユーザは、ハイライトされた予め定義されたホットスポットから、マウスポインタをセグメント化された領域にわたって重ねたときに選択することによって、または手動的に描画する、すなわち、画像スライス内の個々のボクセルをホットスポットとして含むように選択することによって、ＲＯＩをマーキングすることができる。定量的分析が、選択された、または（手動で）描画されたホットスポットに関して自動的に実施される。ユーザは、本定量的分析の結果を精査し、疑わしい病変として報告されるべきであるホットスポットを決定することができる。ａＰＲＯＭＩＳＥでは、着目領域（ＲＯＩ）は、画像の隣接するサブ部分を指し、ホットスポットは、（例えば、囲繞面積と比較して）（例えば、高取込を示す）高い局所的強度を伴うＲＯＩを指し、病変は、疾患に関して疑わしいと考えられる、ユーザ定義またはユーザ選択されたＲＯＩを指す。
報告書を作成するために、本例示的実装のソフトウェアは、署名するユーザに品質制御を確認し、報告書プレビューに電子的に署名するように要求する。署名された報告書は、本デバイス内に保存され、ＪＰＧまたはＤＩＣＯＭファイルとしてエクスポートされることができる。
ａＰＲＯＭＩＳＥデバイスは、本明細書にさらに詳細に説明され、図２９Ａおよび２９Ｂに示されるように、マイクロサービスアーキテクチャ内に実装される。
ｉ．ワークフロー
図２２は、ＤＩＣＯＭファイルをアップロードするステップから電子的に署名された報告書をエクスポートするステップまでのａＰＲＯＭＩＳＥデバイスのワークフローを描写する。ログインすると、ユーザは、ＤＩＣＯＭファイルをａＰＲＯＭＩＳＥの中にインポートすることができる。インポートされたＤＩＣＯＭファイルは、患者リストにアップロードされ、ユーザは、患者上をクリックし、精査のために利用可能な、対応する検査を表示することができる。患者リストに関するレイアウト原理が、図２３に表示される。
本図２３００は、チーム内にアップロードされた検査を伴う全ての患者を列挙し、患者情報（氏名、ＩＤ、および性別）、最新の検査アップロード日、ならびに検査ステータスを表示する。検査ステータスは、検査が精査の準備ができているかどうか（青色記号２３０２）、エラーを伴う検査（赤色記号２３０４）、計算中の検査（橙色記号２３０４）、および利用可能な報告書を伴う検査（黒色記号２３０８）を患者毎に表示する。ステータス記号の右上角内の番号は、患者毎の固有のステータスを伴う検査の番号を示す。検査の精査は、患者上をクリックし、検査を選択し、患者が前立腺切除を受けたかどうかを識別することによって始められる。検査データは、精査ウィンドウ内に開放され、表示されるであろう。
図２４は、ユーザがＰＥＴ／ＣＴ画像データを診査し得る、精査ウィンドウ２４００を示す。病変が、ソフトウェアによってセグメント化された、予め定義されたホットスポット、またはボクセルをプログラム内にホットスポットとして含むように選択するための描画ツールを使用することによって作成された、ユーザ定義されたホットスポットのいずれかから選択するユーザによって手動でマーキングされ、報告される。事前定義されたホットスポット、高い局所的強度取込を伴う着目領域が、軟質組織（前立腺およびリンパ小節）ならびに骨に関して固有の方法を使用して自動的にセグメント化され、セグメント化された領域にわたってマウスポインタを重ねると、ハイライトされる。ユーザは、予め定義されたホットスポットのセグメント化を同時に視覚的に提示するために、セグメント化表示選択肢をオンにするように選定することができる。選択または描画されたホットスポットは、自動的定量的分析のための対象となり、パネル２４０２、２４２２、および２４４２内で詳述される。
左側の後退可能なパネル２４０２が、ＤＩＣＯＭデータから抽出される、患者および検査情報を要約する。パネル２４０２はまた、ユーザによって選択されたホットスポットについての定量的情報を表示および列挙する。ホットスポットの場所およびタイプが、手動で検証される（Ｔ：原発腫瘍内の限局性疾患、Ｎ：局所転移性疾患、Ｍａ／ｂ／ｃ：遠隔転移性疾患（リンパ節、骨、ならびに軟質組織））。本デバイスは、自動化された定量的分析、すなわち、ＳＵＶｍａｘ、ＳＵＶｐｅａｋ、ＳＵＶｍｅａｎ、病変体積、病変指数（ＬＩ）をユーザ選択されたホットスポット上に表示し、ユーザが標準化された報告書内に病変として報告するべきホットスポットを精査し、決定することを可能にする。
中側パネル２４２２は、ＤＩＣＯＭ画像データの４パネルビュー表示を含む。左上角は、ＣＴ画像を表示し、右上は、ＰＥＴ／ＣＴ融合ビューを表示し、左下は、ＰＥＴ画像を表示し、右下は、ＭＩＰを示す。
ＭＩＰは、３Ｄ画像体積の種々のビュー角度からの２Ｄ投影を表示する、体積データのための可視化方法である。ＭＩＰ撮像が、Ｗａｌｌｉｓ ＪＷ、Ｍｉｌｌｅｒ ＴＲ、Ｌｅｒｎｅｒ ＣＡ、Ｋｌｅｅｒｕｐ ＥＣの「Ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌ ｄｉｓｐｌａｙ ｉｎ ｎｕｃｌｅａｒ ｍｅｄｉｃｉｎｅ」ＩＥＥＥ Ｔｒａｎｓ Ｍｅｄ Ｉｍａｇｉｎｇ． １９８９；８（４）：２９７－３０． ｄｏｉ： １０．１１０９／４２．４１４８２． ＰＭＩＤ： １８２３０５２９に説明される。
後退可能な右パネル２４４２は、画像精査および精査目的のために画像を操作するためのそのショートカットキーを最適化するための以下の可視化制御部を備える。
視認ポート：
・十字線の存在または不在
・ＰＥＴ／ＣＴ融合画像に関するフェーディング選択肢
・ＰＥＴトレーサ取込強度を可視化するための標準的核医学色マップの選択
ＳＵＶおよびＣＴウィンドウ：
・画像が強度を介して操作され、特定の構造をハイライトするように像の外観を変更する、コントラスト伸展、ヒストグラム修正、またはコントラスト強調としても公知である、画像のウィンドウ化。
・ＳＵＶウィンドウにおいて、ＳＵＶ強度に関するウィンドウ化事前設定が、スライダまたはショートカットキーによって調節されることができる。
・ＣＴウィンドウにおいて、ハウンズフィールド強度に関するウィンドウ事前設定が、ショートカットキーを使用して、またはクリックおよびドラッグ入力によってドロップダウンリストから選択されることができ、画像の明度が、ウィンドウレベルを介して調節され、コントラストが、ウィンドウ幅を介して調節される。
セグメント化
・基準器官のセグメント化または全身のセグメント化の可視化をオンもしくはオフにするための器官セグメント化表示選択肢。
・ユーザは、器官セグメント化を表示するためのパネルビューを選択することができる。
・選択された面積内の予め定義されたホットスポット、骨盤面積、骨内、または全てのホットスポットの提示をオンもしくはオフにするためのホットスポットセグメント化表示選択肢。
ビューアジェスチャ
・精査ウィンドウのズーム、パン、ＣＴウィンドウ、スライス変更、およびホットスポットの非表示のためのショートカットキーならびに組み合わせ。
報告書作成を進めるために、署名するユーザが、報告書作成ボタン２４６２上をクリックする。ユーザは、報告書が作成されるであろう前に、以下の品質制御アイテムを確認しなければならない。
・画質が、許容可能であること。
・ＰＥＴおよびＣＴ画像が、正確に整合されていること。
・患者検査データが、正しいこと。
・基準値（血液貯留、肝臓）が、許容可能であること。
・検査が、スーパー走査ではないこと。
品質制御アイテムの確認に続いて、報告書のプレビューが、ユーザによる電子署名のために示される。報告書は、患者概要と、総定量的病変負荷と、ユーザによって病変として確認されるべきユーザ選択されたホットスポットからの個々の病変の定量的査定とを含む。
図２５は、例示的な発生された報告書２５００を示す。報告書２５００は、３つのセクション２５０２、２５２２、および２５４２を含む。
報告書２５００のセクション２５０２は、ＤＩＣＯＭタグから取得された患者データの概要を提供する。これは、患者の概要、すなわち、患者氏名、患者ＩＤ、年齢および体重と、検査データの概要、すなわち、検査日、注液時の注液用量、使用された放射性医薬品撮像トレーサならびにその半減期、およびトレーサの注液と画像データの入手との間の時間とを含む。
報告書２５００のセクション２５２２は、ユーザによって病変として含まれるべきであると選択されるホットスポットからの要約された定量的情報を提供する。要約された定量的情報は、病変タイプ（原発性前立腺腫瘍（Ｔ）、限局性／局所骨盤リンパ節（Ｎ）、および遠隔転移癌、すなわち、リンパ節、骨、または軟質組織器官（Ｍａ／ｂ／ｃ））毎の総病変負荷を表示する。要約セクション２５２２はまた、基準器官内で観察された定量的取込（ＳＵＶｍｅａｎ）を表示する。
報告書２５００のセクション２５４２は、ユーザによって確認される、選択されたホットスポットからの詳細定量的査定および各病変の場所である。報告書を精査することに応じて、ユーザは、選択されたホットスポットと、病変としての定量化とを含む、その患者の検査結果に電子的に署名しなければならない。次いで、報告書は、本デバイス内に保存され、ＪＰＧまたはＤＩＣＯＭファイルとしてエクスポートされることができる。
ｉｉ．画像処理
ＤＩＣＯＭ入力データの前処理
画像入力データが、リッチデータ表現であるＤＩＣＯＭフォーマットにおいて提示される。ＤＩＣＯＭデータは、強度データならびにメタデータおよび通信構造を含む。ａＰＲＯＭＩＳＥの使用状況に合わせてデータを最適化するために、データは、不必要な情報または機密情報を再エンコード、圧縮、および除去する、マイクロサービスを通して通過される。これはまた、別個のＤＩＣＯＭシリーズから強度データを収集し、そのデータを、関連付けられるＪＳＯＮメタ情報ファイルを伴う単一の無損失的なＰＮＧファイルにエンコードする。
ＰＥＴ画像データのデータ処理は、ＪＳＯＮメタ情報ファイル内に含まれる、ＳＵＶ（標準化された取込値）係数の推定を含む。ＳＵＶ係数は、画像強度をＳＵＶ値に変換するために使用される、スカラーである。ＳＵＶ係数は、ＱＩＢＡガイドライン（定量撮像生体指標アライアンス）に従って計算される。
アルゴリズム画像処理
図２６は、例示的画像処理ワークフロー（プロセス）２６００を示す。
ａＰＲＯＭＩＳＥは、ＣＮＮ（畳み込みニューラルネットワーク）モデルを使用し、患者骨格および選択された器官をセグメント化する（２６０２）。器官セグメント化２６０２は、患者の大動脈および肝臓内の標準取込値（ＳＵＶ）基準の自動化された計算（２６０４）を可能にする。大動脈および肝臓に関するＳＵＶ基準が、次いで、病変指数（ＬＩ）ならびに強度加重組織病変体積（ＩＴＬＶ）等のあるＳＵＶ値ベースの定量的指数を決定するときに、基準値として使用される。定量的指数の詳細な説明が、下記の表６に提供される。
病変が、ＧＵＩ内にホットスポットとして含むべきボクセルを選択するために、ソフトウェアによってセグメント化された、予め定義されたホットスポット２６０８ａ、または描画ツール２６０８ｂを使用することによって作成された、ユーザ定義されたホットスポットのいずれかを選択する、ユーザによって手動でマーキングされ、報告される（２６０８）。予め定義されたホットスポット、高い局所的強度取込を伴う着目領域が、軟質組織（前立腺およびリンパ小節）ならびに骨に関してある特定の方法をして自動的にセグメント化される（例えば、図２８に示されるように、骨のための１つの特定のセグメント化方法および軟質組織領域のための別のものが、使用され得る）。器官セグメント化に基づいて、ソフトウェアは、前立腺、リンパ、または骨領域内の選択されたホットスポットに関するタイプおよび場所を決定する。決定されたタイプおよび場所が、ビューア２４００のパネル２５０２に示される選択されたホットスポットのリスト内に表示される。（例えば、前立腺、リンパ、または骨領域内に位置しない）他の領域内の選択されたホットスポットのタイプおよび場所が、ユーザによって手動で追加される。ユーザは、ホットスポット選択の間に随時、全てのホットスポットのタイプおよび場所を適用可能なものとして追加し、編集することができる。ホットスポットのタイプが、癌の到達範囲の報告のための臨床標準および表記システムである、ｍｉＴＮＭシステムを使用して決定される。本アプローチでは、個々のホットスポットが、以下のような、ある物理的特徴を示す文字ベースのコードに従ってタイプを割り当てられる。
・Ｔは、原発腫瘍を示す。
・Ｎは、原発腫瘍によって影響を及ぼされる、近傍のリンパ節を示す。
・Ｍは、遠隔転移癌を示す。
遠隔転移癌病に関して、限局化が、骨盤外リンパ節（ａ）、骨（ｂ）、および軟質組織器官（ｃ）に対応するａ／ｂ／ｃ系に群化される。
病変として含まれるように選択された全てのホットスポットに関して、ＳＵＶ値および指数が、計算され（２６１０）、報告書内に表示される。
ＣＴ内での器官セグメント化
器官セグメント化２６０２が、入力としてＣＴ画像を使用して実施される。画像全体からの２つの粗いセグメント化に始まって、より小さい画像セクションが、抽出され、器官の所与のセットを含有するように選択される。器官の微細なセグメント化が、各画像セクションに対して実施される。最後に、全ての画像セクションからの全てのセグメント化された器官が、ａＰＲＯＭＩＳＥ内に表示される完全画像セグメント化にまとめられる。正常に完了されたセグメント化は、５２個の異なる骨および１３個の軟質組織器官を図２７に可視化され、表５内に提示されるように識別する。粗いセグメント化プロセスおよび微細なセグメント化プロセスは両方とも、以下の３つのステップ、すなわち、
１．ＣＴ画像の前処理と、
２．ＣＮＮセグメント化と、
３．セグメント化の後処理とを含む。
粗いセグメント化に先立つ、ＣＴ画像の前処理は、３つのステップ、すなわち、（１）（例えば、＜＝０ハウンズフィールド単位の値を有する）空気のみを表す画像スライスを除去するステップと、（２）画像を固定サイズに再サンプリングするステップと、（３）下記に説明されるように、訓練データのための平均値および標準偏差に基づいて画像を正規化するステップとを含む。
ＣＮＮモデルは、入力画像内の各ピクセルが、これがセグメント化する背景または器官のいずれかに対応する標識を割り当てられる、意味論セグメント化を実施し、同一のサイズの標識マップが入力データになることをもたらす。
後処理が、セグメント化の後に実施され、以下のステップを含む。
－近隣するピクセルクラスタを１度吸収するステップ。
－いかなるそのようなクラスタも存在しなくなるまで、近隣するピクセルクラスタを吸収するステップ。
－各標識のうちの最大のものではない、全てのクラスタを除去するステップ。
－セグメント化から骨格部分を破棄するステップであり、いくつかのセグメント化モデルが、軟質組織をセグメント化するとき、基準点として骨格部分をセグメント化する。これらのモデルにおける骨格部分は、セグメント化が行われた後に除去されることを意図する。
２つの異なる粗いセグメント化ニューラルネットワークおよび１０個の異なる微細なセグメント化ニューラルネットワークが、前立腺のセグメント化を含めて使用される。患者が、診査、すなわち、精査のための検査を開放する前に患者の検査背景を検証するときにユーザによって提供される情報に先立って前立腺切除を受けた場合、前立腺は、セグメント化されない。微細なセグメント化および粗いセグメント化の組み合わせ、ならびに各組み合わせが提供する身体部分が、表５に提示される。
ＣＮＮモデルを訓練するステップは、アルゴリズムを訓練するステップが、セグメント化誤差を低下させるようにモデルパラメータを更新する、反復最小限化問題を含む。セグメント化誤差は、手動のセグメント化とＣＮＮモデルセグメント化との間の完璧な重複からの逸脱として定義される。器官セグメント化のために使用される各ニューラルネットワークが、最適なパラメータおよび加重を構成するように訓練された。上記に説明されるようなａＰＲＯＭＩＳＥのためのニューラルネットワークを展開するための訓練データは、手動でセグメント化され、標識された身体部分を伴う低線量ＣＴ画像から成る。セグメント化ネットワークを訓練するためのＣＴ画像は、ＮＩＭＳＡプロジェクト（ｈｔｔｐ：／／ｎｉｍｓａ．ｓｅ／）の一部として、ｃｌｉｎｉｃａｌｔｒｉａｌｓ．ｇｏｖ（ｈｔｔｐｓ：／／ｗｗｗ．ｃｌｉｎｉｃａｌｔｒｉａｌｓ．ｇｏｖ／ｃｔ２／ｓｈｏｗ／ＮＣＴ０１６６７５３６？ｔｅｒｍ＝９９ｍＴｃ－ＭＩＰ－１４０４＆ｄｒａｗ＝２＆ｒａｎｋ＝５）に登録された薬物候補９９ｍＴｃ－ＭＩＰ－１４０４の第ＩＩ期臨床治験の間に、収集された。ＮＩＭＳＡプロジェクトは、１８４人の患者から成り、９９ｍＴｃ－ＭＩＰ－１４０４データは、６２人の患者から成る。
ＰＳＭＡ ＰＥＴにおける基準データ（ＳＵＶ基準）の算出
基準値が、ＰＳＭＡトレーサの生理学的取込を評価するときに使用される。現在の臨床的慣習は、血液貯留内または肝臓内のいずれかもしくは両方の組織に対応する識別された体積内のＳＵＶ強度を基準値として使用することである。ＰＳＭＡトレーサ強度に関して、血液貯留が、大動脈体積内で測定される。
ａＰＲＯＭＩＳＥにおいて、大動脈の胸部および肝臓に対応する体積内のＳＵＶ強度が、基準値として使用される。大動脈および肝臓体積の器官セグメント化とともにＰＥＴ画像内に登録された取込が、個別の器官内のＳＵＶ基準を計算するための基礎となる。
大動脈。脈管壁に対応する画像の一部が大動脈領域のためのＳＵＶ基準を計算するために使用される体積内に含まれないことを確実にするために、セグメント化された大動脈体積が、縮小される。セグメント化縮小（３ｍｍ）が、大動脈体積の可能な限り多くのものを保持しながら、脈管壁領域を含まないトレードオフを平衡させるように選択された。血液貯留のための基準ＳＵＶは、大動脈体積を識別する縮小されたセグメント化マスクの内側のピクセルからのＳＵＶのロバスト平均である。ロバスト平均は、四分位範囲内の値の平均値として算出される。
肝臓。肝臓体積内の基準値を測定するとき、セグメント化は、縁に沿って縮小され、ＰＥＴ画像とＣＴ画像との間の可能性として考えられる不整合を調節する、バッファを生成する。縮小量（９ｍｍ）は、ＰＥＴ／ＣＴ不整合を伴う画像の手動の観察を使用して、ヒューリスティックに決定された。
肝臓内の嚢胞または悪性疾患は、肝臓内の低トレーサ取込の領域をもたらし得る。ＳＵＶ基準の計算に対するトレーサ取込のこれらの局所的差異からの影響を低減させるために、図２Ａに関して上記の第Ｂ．ｉｉｉ節に説明される実施形態による、２成分ガウス混合モデルアプローチが、使用された。特に、２成分ガウス混合モデルが、基準器官マスクの内側のボクセルおよび識別された分布のメジャー成分ならびにマイナー成分からのＳＵＶに適合された。肝臓体積のためのＳＵＶ基準が、ガウス混合モデルからのメジャー成分の平均ＳＵＶとして最初に算出された。マイナー成分が、メジャー成分より大きい平均ＳＵＶを有すると決定された場合、肝臓基準器官マスクは、マイナー成分の加重が０．３３を上回らない限り、不変のままに保たれ、本場合では、マイナー成分の加重が０．３３を上回ったとき、エラーが、返され、肝臓基準値は、計算されないであろう。
マイナー成分が、メジャー成分より小さいＳＵＶを有する場合、分離閾値が、例えば、図２Ａに示されるように算出される。分離閾値は、以下になるように定義される。
・閾値またはより大きい値におけるＳＵＶのためのメジャー成分に属する確率、および
・閾値またはより小さい値におけるＳＵＶのためのマイナー成分に属する確率が、等しい。
基準マスクは、次いで、分離閾値を下回るピクセルを除去することによって精緻化される。
ＰＳＭＡ ＰＥＴにおけるホットスポットの事前定義
図２８に目を向けると、本実施例のａＰＲＯＭＩＳＥ実装において、ａＰＲＯＭＩＳＥによるＰＳＭＡ ＰＥＴ内での高い局所的強度を伴う領域のセグメント化、すなわち、予め定義されたホットスポットが、分析モデル２８００によって、ＰＥＴ画像２８０２からの入力に基づいて実施され、器官セグメント化マップ２８０４が、ＣＴ画像から決定され、ＰＥＴ空間内に投影される。骨内のホットスポットをセグメント化するためのソフトウェアに関して、元のＰＥＴ画像２８０２が、使用され、リンパおよび前立腺内のホットスポットをセグメント化するために、ＰＥＴ画像が、通常のＰＥＴトレーサ取込を抑制すること（２８０６）によって処理される。本例示的実装において使用される分析モデルのグラフィカルな概要が、図２８に提示される。下記にさらに解説されるような分析方法が、過剰な数の無関係な領域またはＰＥＴトレーサ背景ノイズを伴うことなく、ＲＯＩを表し得る、高い局所的取込強度領域を見出すために設計された。本分析方法は、ＰＳＭＡ ＰＥＴ／ＣＴ画像を含む標識されたデータセットから展開された。
通常のＰＳＭＡトレーサ取込強度の抑制２８０６が、一度に１つの高取込器官内で実施された。最初に、腎臓内の取込強度が、抑制され、次いで、肝臓、および最後に、膀胱等となる。抑制は、推定された抑制マップをＰＥＴの高強度領域に適用することによって実施される。抑制マップは、ＣＴ内で事前にセグメント化された器官マップを使用して生成され、これをＰＥＴ画像に投影および調節し、ＰＥＴ調節された器官マスクを生成する。
調節は、ＰＥＴ画像とＣＴ画像との間のわずかな不整合を補正する。調節されたマップを使用して、背景画像が、計算される。本背景画像が、元とのＰＥＴ画像から差し引かれ、取込推定画像を生成する。抑制マップは、次いで、セグメント化の外側のボクセルからＰＥＴ調節された器官マスクまでのユークリッド距離に依存する指数関数を使用して、取込推定画像から推定される。指数関数は、取込強度が、器官からの距離に伴って指数関数的に減少するため、使用される。最後に、抑制マップは、元のＰＥＴ画像から差し引かれ、それによって、器官内の高い通常の取込と関連付けられる強度を抑制する。
通常のＰＳＭＡトレーサ取込強度の抑制の後、ホットスポットが、器官セグメント化マスク２８０４および抑制ステップ２８０６によって生成された、抑制されたＰＥＴ画像２８０８を使用して、前立腺ならびにリンパ内でセグメント化される（２８１２）。前立腺ホットスポットは、前立腺切除を受けた患者に関してはセグメント化されない。骨およびリンパのホットスポットセグメント化は、全ての患者に関して適用可能である。各ホットスポットは、基礎となるＰＥＴ画像が、速度マップとして使用され、入力領域の体積が進行時間を決定する、高速マーチング法を使用してセグメント化される。入力領域はまた、高速マーチング法のための着目体積を識別するための初期のセグメント化マスクとして使用され、ホットスポットセグメント化が骨内で実施されるか、または軟質組織内で実施されるかに応じて異なるように生成される。骨ホットスポットは、高速マーチング法およびガウスの差異（ＤｏＧ）フィルタリングアプローチ２８１０を使用してセグメント化され、リンパならびに、適用可能である場合、前立腺ホットスポットが、高速マーチング法およびガウスのラプラシアン（ＬｏＧ）フィルタリングアプローチ２８１２を使用してセグメント化される。
骨ホットスポットの検出およびセグメント化のために、骨格領域マスクが、生成され、骨ホットスポットが検出され得る骨格体積を識別する。骨格領域マスクは、以下の骨格領域、すなわち、胸椎（１－１２）と、腰椎（１－５）と、鎖骨（左右）と、肩甲骨（左右）と、胸骨肋骨（左右、１－１２）と、寛骨（左右）と、大腿骨（左右）と、仙骨と、尾骨とから成る。マスクされた画像は、ＤｏＧフィルタリングを使用して画像を反復的に正規化することによって実施される、ＰＥＴ画像内の健康な骨組織の平均強度に基づいて正規化される。ＤｏＧにおいて使用されるフィルタサイズは、３ｍｍ／間隔および５ｍｍ／間隔である。ＤｏＧフィルタリングは、帯域中心からさらに離れるように信号を減損させる画像上で帯域通過フィルタとして作用し、これは、それらの周囲に対して高い強度を伴うボクセルのクラスタを強調する。このように取得された、正規化された画像を閾値化することは、背景から弁別され得るボクセルのクラスタを生産し、故に、セグメント化され、それによって、骨領域内に位置するホットスポット体積を識別する、３Ｄセグメント化マップ２８１４を生成する。
リンパホットスポットの検出およびセグメント化のために、リンパ領域マスクが、生成され、そこでは、潜在的なリンパ小節に対応するホットスポットが、検出され得る。リンパ領域マスクは、全てのセグメント化された骨および器官領域を封入するが、そのボクセルが保定される、肺体積からの部分を除き、セグメント化された器官自体内のボクセルを除外する、境界ボックス内にある、ボクセルを含む。その中で潜在的な前立腺腫瘍に対応するホットスポットが検出され得る、別の前立腺領域マスクが、生成される。本前立腺領域マスクは、本明細書に説明される器官セグメント化ステップから決定される、前立腺体積の１つのボクセルの拡張である。リンパ領域マスクをＰＥＴ画像に適用するステップは、リンパ領域内のボクセルを含む（例えば、他のボクセルを除外する）、マスクされた画像を生成し、同様に、前立腺領域マスクをＰＥＴ画像に適用するステップも、前立腺体積内のボクセルを含む、マスクされた画像を生成する。
軟質組織ホットスポット、すなわち、リンパおよび前立腺ホットスポットが、３つの異なるサイズのＬｏＧフィルタ、すなわち、４ｍｍ／間隔ＸＹＺを伴うもの、８ｍｍ／間隔ＸＹＺを伴うもの、ならびに１２ｍｍ／間隔ＸＹＺを伴うものをリンパおよび／または前立腺マスクされた画像上に別個に適用し、それによって、２つの軟質組織タイプ（前立腺ならびにリンパ）のそれぞれに関して３つのＬｏＧフィルタ画像を生成することによって検出される。軟質組織タイプ毎に、３つの対応するＬｏＧフィルタ画像が、大動脈ＳＵＶ基準のマイナス７０％の値を使用して閾値化され、次いで、局所的最小値が、３×３×３の最小フィルタを使用して見出される。本アプローチは、それぞれがホットスポットに対応するボクセルのクラスタを含む、３つのフィルタリングされた画像を生成する。３つのフィルタリングされた画像が、３つの画像からの局所的最小値の和集合をとり、ホットスポット領域マスクを生産することによって組み合わせられる。ホットスポット領域マスク内の各成分が、１つまたはそれを上回るホットスポット体積を決定するためのレベル設定方法を使用してセグメント化される。本セグメント化アプローチは、前立腺およびリンパホットスポットの両方に関して実施され、それによって、前立腺ならびにリンパ領域内のホットスポットを自動的にセグメント化する。
ｉｉｉ．定量化
表６は、ユーザによる選択の後にホットスポット毎に表示される、ソフトウェアによって計算された値を識別する。ＩＴＬＶは、累積値であり、報告書のみに表示される。全ての計算が、ＰＳＭＡ ＰＥＴ／ＣＴからのＳＵＶの異型である。
ｉｖ．ウェブベースのプラットフォームアーキテクチャ
ａＰＲＯＭＩＳＥは、マイクロサービスアーキテクチャを利用する。ＡＷＳへの展開が、ＡＷＳコードリポジトリ内に見出されるクラウド形成スクリプトにおいて対処される。ａＰＲＯＭＩＳＥクラウドアーキテクチャが、図２９Ａに提供され、マイクロサービス通信設計チャートが、図２９Ｂに提供される。
Ｊ．造影剤
ｉ．ＰＥＴ撮像放射性核種標識ＰＳＭＡ結合剤
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、ＰＥＴ撮像のために適切な、放射性核種標識ＰＳＭＡ結合剤である。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、［１８Ｆ］ＤＣＦＰｙＬ（ＰｙＬＴＭとも称され、ＤＣＦＰｙＬ－１８Ｆとも称される）、すなわち、
またはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、［１８Ｆ］ＤＣＦＢＣ、すなわち、
またはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、６８Ｇａ－ＰＳＭＡ－ＨＢＥＤ－ＣＣ（６８Ｇａ－ＰＳＭＡ－１１とも称される）、すなわち、
またはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、ＰＳＭＡ－６１７、すなわち、
またはその薬学的に容認可能な塩を含む。ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、６８Ｇａで標識されたＰＳＭＡ－６１７である、６８Ｇａ－ＰＳＭＡ－６１７またはその薬学的に容認可能な塩を含む。ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、１７７Ｌｕで標識されたＰＳＭＡ－６１７である、１７７Ｌｕ－ＰＳＭＡ－６１７またはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、ＰＳＭＡ－Ｉ＆Ｔ、すなわち、
またはその薬学的に容認可能な塩を含む。ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、６８Ｇａで標識されたＰＳＭＡ－Ｉ＆Ｔである、６８Ｇａ－ＰＳＭＡ－Ｉ＆Ｔまたはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、ＰＳＭＡ－１００７、すなわち、
またはその薬学的に容認可能な塩を含む。ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、１８Ｆで標識されたＰＳＭＡ－１００７である、１８Ｆ－ＰＳＭＡ－１００７またはその薬学的に容認可能な塩を含む。
ｉｉ．ＳＰＥＣＴ撮像放射性核種標識ＰＳＭＡ結合剤
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、ＳＰＥＣＴ撮像のために適切な、放射性核種標識ＰＳＭＡ結合剤である。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、１４０４（ＭＩＰ－１４０４とも称される）、すなわち、
またはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、１４０５（ＭＩＰ－１４０５とも称される）、すなわち、
またはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、１４２７（ＭＩＰ－１４２７とも称される）、すなわち、
またはその薬学的に容認可能な塩を含む。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、１４２８（ＭＩＰ－１４２８とも称される）、すなわち、
またはその薬学的に容認可能な塩を含む。
ある実施形態では、ＰＳＭＡ結合剤は、これを金属の放射性同位体［例えば、テクネチウム（Ｔｃ）の放射性同位体（例えば、テクネチウム－９９ｍ（９９ｍＴｃ））、例えば、レニウム（Ｒｅ）の放射性同位体（例えば、レニウム－１８８（１８８Ｒｅ）、例えば、レニウム－１８６の放射性同位体（１８６Ｒｅ））、例えば、イットリウム（Ｙ）（例えば、９０Ｙ）の放射性同位体、例えば、ルテチウム（Ｌｕ）の放射性同位体（例えば、１７７Ｌｕ）、例えば、ガリウム（Ｇａ）の放射性同位体（例えば、６８Ｇａ、例えば、６７Ｇａ）、例えば、インジウムの放射性同位体（例えば、１１１Ｉｎ）、例えば、銅（Ｃｕ）の放射性同位体（例えば、６７Ｃｕ）］にキレートすることによって放射性核種で標識される。
ある実施形態では、１４０４は、放射性核種で標識される（例えば、金属の放射性同位体にキレートされる）。ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、９９ｍＴｃで標識された（例えば、それにキレートされた）１４０４である、９９ｍＴｃ－ＭＩＰ－１４０４、すなわち、
またはその薬学的に容認可能な塩を含む。ある実施形態では、１４０４は、他の金属放射性同位体［例えば、レニウム（Ｒｅ）の放射性同位体（例えば、レニウム－１８８（１８８Ｒｅ）、例えば、レニウム－１８６（１８６Ｒｅ））、例えば、イットリウム（Ｙ）の放射性同位体（例えば、９０Ｙ）、例えば、ルテチウム（Ｌｕ）の放射性同位体（例えば、１７７Ｌｕ）、例えば、ガリウム（Ｇａ）の放射性同位体（例えば、６８Ｇａ、例えば、６７Ｇａ）、例えば、インジウムの放射性同位体（例えば、１１１Ｉｎ）、例えば、銅（Ｃｕ）の放射性同位体（例えば、６７Ｃｕ）］にキレートされ、９９ｍＴｃの代わりに用いられる他の金属放射性同位体を伴う、９９ｍＴｃ－ＭＩＰ－１４０４に関して上記に示される構造に類似する構造を有する、化合物を形成してもよい。
ある実施形態では、１４０５は、放射性核種で標識される（例えば、金属の放射性同位体にキレートされる）。ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、９９ｍＴｃで標識された（例えば、それにキレートされた）１４０５である、９９ｍＴｃ－ＭＩＰ－１４０５、すなわち、
またはその薬学的に容認可能な塩を含む。ある実施形態では、１４０５は、他の金属放射性同位体［例えば、レニウム（Ｒｅ）の放射性同位体（例えば、レニウム－１８８（１８８Ｒｅ）、例えば、レニウム－１８６（１８６Ｒｅ））、例えば、イットリウム（Ｙ）の放射性同位体（例えば、９０Ｙ）、例えば、ルテチウム（Ｌｕ）の放射性同位体（例えば、１７７Ｌｕ）、例えば、ガリウム（Ｇａ）の放射性同位体（例えば、６８Ｇａ、例えば、６７Ｇａ）、例えば、インジウムの放射性同位体（例えば、１１１Ｉｎ）、例えば、銅（Ｃｕ）の放射性同位体（例えば、６７Ｃｕ）］にキレートされ、９９ｍＴｃの代わりに用いられる他の金属放射性同位体を伴う、９９ｍＴｃ－ＭＩＰ－１４０５に関して上記に示される構造に類似する構造を有する、化合物を形成してもよい。
ある実施形態では、１４２７は、金属の放射性同位体で標識され（例えば、それにキレートされ）、下記の化学式に従った化合物、すなわち、
またはその薬学的に容認可能な塩を形成し、式中、Ｍは、１４２７が標識される、金属放射性同位体［例えば、テクネチウム（Ｔｃ）の放射性同位体（例えば、テクネチウム－９９ｍ（９９ｍＴｃ））、例えば、レニウム（Ｒｅ）の放射性同位体（例えば、レニウム－１８８（１８８Ｒｅ）、例えば、レニウム－１８６（１８６Ｒｅ））、例えば、イットリウム（Ｙ）の放射性同位体（例えば、９０Ｙ）、例えば、ルテチウム（Ｌｕ）の放射性同位体（例えば、１７７Ｌｕ）、例えば、ガリウム（Ｇａ）の放射性同位体（例えば、６８Ｇａ、例えば、６７Ｇａ）、例えば、インジウムの放射性同位体（例えば、１１１Ｉｎ）、例えば、銅（Ｃｕ）の放射性同位体（例えば、６７Ｃｕ）］である。
ある実施形態では、１４２８は、金属の放射性同位体で標識され（例えば、それにキレートされ）、下記の化学式に従った化合物、すなわち、
またはその薬学的に容認可能な塩を形成し、式中、Ｍは、１４２８が標識される、金属放射性同位体［例えば、テクネチウム（Ｔｃ）の放射性同位体（例えば、テクネチウム－９９ｍ（９９ｍＴｃ））、例えば、レニウム（Ｒｅ）の放射性同位体（例えば、レニウム－１８８（１８８Ｒｅ）、例えば、レニウム－１８６（１８６Ｒｅ））、例えば、イットリウム（Ｙ）の放射性同位体（例えば、９０Ｙ）、例えば、ルテチウム（Ｌｕ）の放射性同位体（例えば、１７７Ｌｕ）、例えば、ガリウム（Ｇａ）の放射性同位体（例えば、６８Ｇａ、例えば、６７Ｇａ）、例えば、インジウムの放射性同位体（例えば、１１１Ｉｎ）、例えば、銅（Ｃｕ）の放射性同位体（例えば、６７Ｃｕ）］である。
ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、ＰＳＭＡ Ｉ＆Ｓ、すなわち、
またはその薬学的に容認可能な塩を含む。ある実施形態では、放射性核種標識ＰＳＭＡ結合剤は、９９ｍＴｃで標識されたＰＳＭＡ Ｉ＆Ｓである、９９ｍＴｃ－ＰＳＭＡ Ｉ＆Ｓまたはその薬学的に容認可能な塩を含む。
Ｋ．コンピュータシステムおよびネットワークアーキテクチャ
図３０に示されるように、本明細書に説明されるシステム、方法、およびアーキテクチャを提供するステップにおける使用のためのネットワーク環境３０００の実装が、示され、説明される。概略的大要において、ここで図３０を参照すると、例示的クラウドコンピューティング環境３０００のブロック図が、示され、説明されている。クラウドコンピューティング環境３０００は、１つまたはそれを上回るリソースプロバイダ３００２ａ、３００２ｂ、３００２ｃ（集合的に、３００２）を含んでもよい。各リソースプロバイダ３００２は、コンピューティングリソースを含んでもよい。いくつかの実装では、コンピューティングリソースは、データを処理するために使用される任意のハードウェアおよび／またはソフトウェアを含んでもよい。例えば、コンピューティングリソースは、アルゴリズム、コンピュータプログラム、および／またはコンピュータアプリケーションを実行することが可能なハードウェアならびに／もしくはソフトウェアを含んでもよい。いくつかの実装では、例示的コンピューティングリソースは、記憶および読出能力を伴うアプリケーションサーバならびに／もしくはデータベースを含んでもよい。各リソースプロバイダ３００２は、クラウドコンピューティング環境３０００内の任意の他のリソースプロバイダ３００２に接続されてもよい。いくつかの実装では、リソースプロバイダ３００２は、コンピュータネットワーク３００８を経由して接続されてもよい。各リソースプロバイダ３００２は、コンピュータネットワーク３００８を経由して１つまたはそれを上回るコンピューティングデバイス３００４ａ、３００４ｂ、３００４ｃ（集合的に、３００４）に接続されてもよい。
クラウドコンピューティング環境３０００は、リソースマネージャ３００６を含んでもよい。リソースマネージャ３００６は、コンピュータネットワーク３００８を経由してリソースプロバイダ３００２およびコンピューティングデバイス３００４に接続されてもよい。いくつかの実装では、リソースマネージャ３００６は、１つまたはそれを上回るリソースプロバイダ３００２による、１つまたはそれを上回るコンピューティングデバイス３００４へのコンピューティングリソースのプロビジョニングを促進してもよい。リソースマネージャ３００６は、特定のコンピューティングデバイス３００４からコンピューティングリソースに関する要求を受信してもよい。リソースマネージャ３００６は、コンピューティングデバイス３００４によって要求されるコンピューティングリソースを提供することが可能な１つまたはそれを上回るリソースプロバイダ３００２を識別してもよい。リソースマネージャ３００６は、コンピューティングリソースに提供するためのリソースプロバイダ３００２を選択してもよい。リソースマネージャ３００６は、リソースプロバイダ３００２と特定のコンピューティングデバイス３００４との間の接続を促進してもよい。いくつかの実装では、リソースマネージャ３００６は、特定のリソースプロバイダ３００２と特定のコンピューティングデバイス３００４との間の接続を確立してもよい。いくつかの実装では、リソースマネージャ３００６は、要求されたコンピューティングリソースを伴う特定のリソースプロバイダ３００２に特定のコンピューティングデバイス３００４をリダイレクトしてもよい。
図３１は、本開示において説明される技法を実装するために使用され得る、コンピューティングデバイス３１００ならびにモバイルコンピューティングデバイス３１５０のある実施例を示す。コンピューティングデバイス３１００は、ラップトップ、デスクトップ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレーム、および他の適切なコンピュータ等の種々の形態のデジタルコンピュータを表すことを意図している。モバイルコンピューティングデバイス３１５０は、携帯情報端末、携帯電話、スマートフォン、および他の類似コンピューティングデバイス等の種々の形態のモバイルデバイスを表すことを意図している。ここで示されるコンポーネント、それらの接続および関係、ならびにそれらの機能は、実施例であるように意図されているにすぎず、限定的となるように意図されていない。
コンピューティングデバイス３１００は、プロセッサ３１０２と、メモリ３１０４と、記憶デバイス３１０６と、メモリ３１０４および複数の高速拡張ポート３１１０に接続する、高速インターフェース３１０８と、低速拡張ポート３１１４ならびに記憶デバイス３１０６に接続する、低速インターフェース３１１２とを含む。プロセッサ３１０２、メモリ３１０４、記憶デバイス３１０６、高速インターフェース３１０８、高速拡張ポート３１１０、および低速インターフェース３１１２はそれぞれ、種々のバスを使用して相互接続され、共通マザーボード上に、または適宜他の様式で搭載されてもよい。プロセッサ３１０２は、高速インターフェース３１０８に結合されたディスプレイ３１１６等の外部入力／出力デバイス上のＧＵＩのためにグラフィカル情報を表示するように、メモリ３１０４の中に、または記憶デバイス３１０６上に記憶された命令を含む、コンピューティングデバイス３１００内での実行のための命令を処理することができる。他の実装では、複数のメモリおよびタイプのメモリとともに、複数のプロセッサおよび／または複数のバスが適宜使用されてもよい。また、複数のコンピューティングデバイスが、接続されてもよく、各デバイスは、（例えば、サーババンク、ブレードサーバ群、またはマルチプロセッサシステムとして）必要な動作の部分を提供する。したがって、本用語が本明細書で使用される際、複数の機能が、「プロセッサ」によって実施されるものとして説明される場合において、これは、複数の機能が任意の数の（１つまたはそれを上回る）コンピューティングデバイスの任意の数の（１つまたはそれを上回る）プロセッサによって実施される、実施形態を包含する。さらに、機能が、「プロセッサ」によって実施されるものとして説明される場合において、これは、機能が、（例えば、分散型コンピューティングシステム内の）任意の数の（１つまたはそれを上回る）コンピューティングデバイスの任意の数の（１つまたはそれを上回る）プロセッサによって実施される、実施形態を包含する。
メモリ３１０４は、コンピューティングデバイス３１００内に情報を記憶する。いくつかの実装では、メモリ３１０４は、複数の揮発性メモリユニットまたは複数のユニットである。いくつかの実装では、メモリ３１０４は、不揮発性メモリユニットまたは複数のユニットである。メモリ３１０４はまた、磁気または光ディスク等の別の形態のコンピュータ可読媒体であってもよい。
記憶デバイス３１０６は、コンピューティングデバイス３１００のための大容量記憶装置を提供することが可能である。いくつかの実装では、記憶デバイス３１０６は、フロッピー（登録商標）ディスクデバイス、ハードディスクデバイス、光ディスクデバイス、またはテープデバイス、フラッシュメモリもしくは他の類似ソリッドステートメモリデバイス、または記憶エリアネットワークもしくは他の構成内にデバイスを含むデバイスのアレイ等のコンピュータ可読媒体である、またはそれを含有してもよい。命令は、情報担体内に記憶されることができる。命令は、１つまたはそれを上回る処理デバイス（例えば、プロセッサ３１０２）によって実行されると、上記に説明されるもの等の１つまたはそれを上回る方法を実施する。命令はまた、コンピュータまたは機械可読媒体（例えば、メモリ３１０４、記憶デバイス３１０６、もしくはプロセッサ３１０２上のメモリ）等の１つまたはそれを上回る記憶デバイスによって記憶されることもできる。
高速インターフェース３１０８が、コンピューティングデバイス３１００のための帯域幅集中動作を管理する一方、低速インターフェース３１１２は、より低い帯域幅集中動作を管理する。そのような機能の配分は、実施例にすぎない。いくつかの実装では、高速インターフェース３１０８は、メモリ３１０４、（例えば、グラフィックスプロセッサまたはアクセラレータを通して）ディスプレイ３１１６、および種々の拡張カード（図示せず）が差し込まれ得る高速拡張ポート３１１０に結合される。本実装では、低速インターフェース３１１２は、記憶デバイス３１０６および低速拡張ポート３１１４に結合される。種々の通信ポート（例えば、ＵＳＢ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｅｔｈｅｒｎｅｔ（登録商標）、無線Ｅｔｈｅｒｎｅｔ（登録商標））を含み得る、低速拡張ポート３１１４は、キーボード、ポインティングデバイス、スキャナ、または、例えば、ネットワークアダプタを通したスイッチもしくはルータ等のネットワーキングデバイス等の１つまたはそれを上回る入力／出力デバイスに結合されてもよい。
コンピューティングデバイス３１００は、図に示されるように、いくつかの異なる形態において実装されてもよい。例えば、これは、標準サーバ３１２０として、またはそのようなサーバ群の中で複数回実装されてもよい。加えて、これは、ラップトップコンピュータ３１２２等のパーソナルコンピュータ内に実装されてもよい。これはまた、ラックサーバシステム３１２４の一部として実装されてもよい。代替として、コンピューティングデバイス３１００からのコンポーネントが、モバイルコンピューティングデバイス３１５０等のモバイルデバイス（図示せず）の中の他のコンポーネントと組み合わせられてもよい。そのようなデバイスはそれぞれ、コンピューティングデバイス３１００およびモバイルコンピューティングデバイス３１５０のうちの１つまたはそれを上回るものを含有してもよく、システム全体が、相互に通信する複数のコンピューティングデバイスで構成されてもよい。
モバイルコンピューティングデバイス３１５０は、他のコンポーネントの中でもとりわけ、プロセッサ３１５２と、メモリ３１６４と、ディスプレイ３１５４等の入力／出力デバイスと、通信インターフェース３１６６と、送受信機３１６８とを含む。モバイルコンピューティングデバイス３１５０はまた、付加的な記憶装置を提供するように、マイクロドライブまたは他のデバイス等の記憶デバイスを提供されてもよい。プロセッサ３１５２、メモリ３１６４、ディスプレイ３１５４、通信インターフェース３１６６、および送受信機３１６８はそれぞれ、種々のバスを使用して相互接続され、コンポーネントのうちのいくつかは、共通マザーボード上に、または適宜他の様式において搭載されてもよい。
プロセッサ３１５２は、メモリ３１６４内に記憶された命令を含む、命令をモバイルコンピューティングデバイス３１５０内で実行することができる。プロセッサ３１５２は、別個かつ複数のアナログおよびデジタルプロセッサを含む、チップのチップセットとして実装されてもよい。プロセッサ３１５２は、例えば、ユーザインターフェース、モバイルコンピューティングデバイス３１５０によって起動されるアプリケーション、およびモバイルコンピューティングデバイス３１５０による無線通信の制御等のモバイルコンピューティングデバイス３１５０の他のコンポーネントの協調を提供してもよい。
プロセッサ３１５２は、制御インターフェース３１５８およびディスプレイ３１５４に結合されたディスプレイインターフェース３１５６を通して、ユーザと通信してもよい。ディスプレイ３１５４は、例えば、ＴＦＴ（薄膜トランジスタ液晶ディスプレイ）ディスプレイ、またはＯＬＥＤ（有機発光ダイオード）ディスプレイ、もしくは他の適切なディスプレイ技術であってもよい。ディスプレイインターフェース３１５６は、グラフィカルおよび他の情報をユーザに提示するようにディスプレイ３１５４を駆動するための適切な回路網を備えてもよい。制御インターフェース３１５８は、ユーザからコマンドを受信し、それらをプロセッサ３１５２へのサブミッションのために変換してもよい。加えて、外部インターフェース３１６２が、他のデバイスとのモバイルコンピューティングデバイス３１５０の近距離通信を可能にするように、プロセッサ３１５２との通信を提供してもよい。外部インターフェース３１６２は、例えば、いくつかの実装では有線通信、または他の実装では無線通信を提供してもよく、複数のインターフェースもまた、使用されてもよい。
メモリ３１６４は、モバイルコンピューティングデバイス３１５０内に情報を記憶する。メモリ３１６４は、コンピュータ可読媒体または複数の媒体、揮発性メモリユニットまたは複数のユニット、もしくは不揮発性メモリユニットまたは複数のユニットのうちの１つまたはそれを上回るものとして実装されることができる。拡張メモリ３１７４もまた、提供され、例えば、ＳＩＭＭ（シングルインラインメモリモジュール）カードインターフェースを含み得る、拡張インターフェース３１７２を通してモバイルコンピューティングデバイス３１５０に接続されてもよい。拡張メモリ３１７４は、モバイルコンピューティングデバイス３１５０のための余剰記憶空間を提供してもよい、またはモバイルコンピューティングデバイス３１５０のためのアプリケーションもしくは他の情報も記憶してもよい。具体的には、拡張メモリ３１７４は、上記で説明されるプロセスを行う、または補完するための命令を含んでもよく、セキュアな情報も含んでもよい。したがって、例えば、拡張メモリ３１７４は、モバイルコンピューティングデバイス３１５０のためのセキュリティモジュールとして提供されてもよく、モバイルコンピューティングデバイス３１５０のセキュアな使用を可能にする命令でプログラムされてもよい。加えて、セキュアなアプリケーションが、ハッキング不可能な様式においてＳＩＭＭカード上に識別情報を置くこと等、付加的な情報に加えて、ＳＩＭＭカードを介して提供されてもよい。
メモリは、例えば、下記で議論されるようなフラッシュメモリおよび／またはＮＶＲＡＭメモリ（不揮発性ランダムアクセスメモリ）を含んでもよい。いくつかの実装では、命令は、情報担体内に記憶され、１つまたはそれを上回る処理デバイス（例えば、プロセッサ３１５２）によって実行されると、上記で説明されるもの等の１つまたはそれを上回る方法を実施する。命令はまた、１つまたはそれを上回るコンピュータもしくは機械可読媒体（例えば、メモリ３１６４、拡張メモリ３１７４、またはプロセッサ３１５２上のメモリ）等の１つまたはそれを上回る記憶デバイスによって記憶されてもよい。いくつかの実装では、命令は、例えば、送受信機３１６８または外部インターフェース３１６２を経由して、伝搬信号内で受信されることができる。
モバイルコンピューティングデバイス３１５０は、必要な場合にデジタル信号処理回路網を含み得る、通信インターフェース３１６６を通して無線で通信してもよい。通信インターフェース３１６６は、とりわけ、ＧＳＭ（登録商標）音声通話（汎欧州デジタル移動電話方式）、ＳＭＳ（ショートメッセージサービス）、ＥＭＳ（拡張メッセージングサービス）、またはＭＭＳメッセージング（マルチメディアメッセージングサービス）、ＣＤＭＡ（符号分割多元接続）、ＴＤＭＡ（符号分割多元接続）、ＰＤＣ（パーソナルデジタルセルラ）、ＷＣＤＭＡ（登録商標）（広帯域符号分割多元接続）、ＣＤＭＡ２０００、もしくはＧＰＲＳ（汎用パケット無線サービス）等の種々のモードまたはプロトコルの下で通信を提供してもよい。そのような通信は、例えば、無線周波数を使用して、送受信機３１６８を通して生じ得る。加えて、短距離通信が、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－ＦｉＴＭ、または他のそのような送受信機（図示せず）等を使用して生じ得る。加えて、ＧＰＳ（全地球測位システム）受信機モジュール３１７０が、モバイルコンピューティングデバイス３１５０上で起動するアプリケーションによって適宜使用され得る、付加的なナビゲーションおよび場所関連無線データをモバイルコンピューティングデバイス３１５０に提供してもよい。
モバイルコンピューティングデバイス３１５０はまた、ユーザから口頭の情報を受信し、これを使用可能なデジタル情報に変換し得る、オーディオコーデック３１６０を使用して、可聴に通信してもよい。オーディオコーデック３１６０は、同様に、例えば、モバイルコンピューティングデバイス３１５０のハンドセットの中で、スピーカ等を通してユーザのための可聴音を発生させてもよい。そのような音は、音声通話からの音を含んでもよく、録音された音（例えば、音声メッセージ、音楽ファイル等）を含んでもよく、また、モバイルコンピューティングデバイス３１５０上で動作するアプリケーションによって発生される音を含んでもよい。
モバイルコンピューティングデバイス３１５０は、図に示されるように、いくつかの異なる形態において実装されてもよい。例えば、これは、携帯電話３１８０として実装されてもよい。これはまた、スマートフォン３１８２、携帯情報端末、または他の類似モバイルデバイスの一部として実装されてもよい。
ここで説明されるシステムおよび技法の種々の実装は、デジタル電子回路網、集積回路網、特別に設計されたＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、ならびに／もしくはそれらの組み合わせにおいて実現されることができる。これらの種々の実装は、特殊目的または汎用目的であり、記憶システム、少なくとも１つの入力デバイス、および少なくとも１つの出力デバイスからデータならびに命令を受信し、およびそこへデータならびに命令を伝送するように結合され得る、少なくとも１つのプログラマブルプロセッサを含む、プログラマブルシステム上で実行可能および／または解釈可能である、１つまたはそれを上回るコンピュータプログラムでの実装を含むことができる。
これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとしても公知である）は、プログラマブルプロセッサのための機械命令を含み、高次プロシージャおよび／またはオブジェクト指向プログラミング言語において、ならびに／もしくはアセンブリ／機械言語において実装されることができる。本明細書で使用されるように、用語「機械可読媒体」および「コンピュータ可読媒体」は、機械可読信号として機械命令を受信する機械可読媒体を含む、機械命令ならびに／もしくはデータをプログラマブルプロセッサに提供するために使用される、任意のコンピュータプログラム製品、装置、および／またはデバイス（例えば、磁気ディスク、光ディスク、メモリ、プログラマブル論理デバイス（ＰＬＤ））を指す。用語「機械可読信号」は、機械命令および／またはデータをプログラマブルプロセッサに提供するために使用される、任意の信号を指す。
ユーザとの相互作用を提供するために、ここで説明されるシステムおよび技法は、ユーザに情報を表示するためのディスプレイデバイス（例えば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、それによってユーザが入力をコンピュータに提供し得るキーボードならびにポインティングデバイス（例えば、マウスもしくはトラックボール）とを有する、コンピュータ上で実装されることができる。他の種類のデバイスも、ユーザとの相互作用を提供するために使用されることができ、例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）であることができ、ユーザからの入力は、音響、発話、もしくは触覚入力を含む、任意の形態において受信されることができる。
ここで説明されるシステムおよび技法は、（例えば、データサーバとしての）バックエンドコンポーネントを含む、またはミドルウェアコンポーネント（例えば、アプリケーションサーバ）を含む、もしくはフロントエンドコンポーネント（例えば、グラフィカルユーザインターフェースを有するクライアントコンピュータ、またはそれを通してユーザがここで説明されるシステムおよび技法の実施形態と相互作用し得るウェブブラウザ）を含む、またはそのようなバックエンド、ミドルウェア、もしくはフロントエンドコンポーネントの任意の組み合わせを含む、コンピューティングシステム内に実装されることができる。本システムのコンポーネントは、任意の形態または媒体のデジタルデータ通信（例えば、通信ネットワーク）によって相互接続されることができる。通信ネットワークの実施例は、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、およびインターネットを含む。
コンピューティングシステムは、クライアントと、サーバとを含むことができる。クライアントおよびサーバは、概して、相互から遠隔にあり、典型的には、通信ネットワークを通して相互作用する。クライアントとサーバとの関係は、個別のコンピュータ上で起動され、相互にクライアント／サーバの関係を有するコンピュータプログラムによって生じる。
いくつかの実装では、本明細書に説明される種々のモジュールは、分離される、組み合わせられる、または単一の、もしくは組み合わせられたモジュールに組み込まれることができる。図に描写されるモジュールは、本明細書に説明されるシステムを、その中に示されるソフトウェアアーキテクチャに限定することを意図していない。
本明細書に説明される、異なる実装の要素が、上記に具体的に述べられていない他の実装を形成するように組み合わせられ得る。要素は、それらの動作に悪影響を及ぼすことなく、本明細書に説明されるプロセス、コンピュータプログラム、データベース等から除外され得る。加えて、図内に描写される論理フローは、望ましい結果を達成するために示される特定の順序または順次順序を要求するものではない。種々の別個の要素は、本明細書に説明される機能を実施するために、１つまたはそれを上回る個々の要素に組み合わせられてもよい。
装置およびシステムが具体的な構成要素を有する、含む、または備えるものとして説明される、もしくは、プロセスならびに方法が具体的なステップを有する、含む、または備えるものとして説明される、説明の全体を通して、加えて、列挙される構成要素から本質的になる、もしくはそれらから成る、本発明の装置およびシステムが存在すること、ならびに、列挙される処理ステップから本質的に成る、またはそれらから成る、本発明によるプロセスおよび方法が存在することが、想定される。
本発明の種々の説明される実施形態は、技術的に互換性がない場合でない限り、１つまたはそれを上回る他の実施形態と併せて使用され得る。ステップの順序またはあるアクションを実施するための順序が、本発明が動作可能なままである限り、重要ではないことを理解されたい。また、２つまたはそれを上回るステップもしくはアクションが、同時に行われてもよい。
本発明は、具体的な好ましい実施形態を参照して具体的に示され、説明されているが、添付の請求項によって定義されるような本発明の精神および範囲から逸脱することなく、形態ならびに詳細の種々の変更がその中に成され得ることが、当業者によって理解されるはずである。

Claims (148)

  1. 対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に前記ホットスポットの場所を識別するホットスポットリストと、（ｉｉ）ホットスポット毎に前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する３Ｄホットスポットマップとのうちの一方または両方を生成するステップと、
    （ｃ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供するステップと
    を含む、方法。
  2. 前記機械学習モジュールは、入力として、前記３Ｄ機能画像の少なくとも一部を受信し、少なくとも部分的に、前記３Ｄ機能画像の受信された部分のボクセルの強度に基づいて、前記１つまたはそれを上回るホットスポットを自動的に検出する、請求項１に記載の方法。
  3. 前記機械学習モジュールは、入力として、各着目体積（ＶＯＩ）が前記対象内の特定の標的組織領域および／または特定の解剖学的領域に対応する、前記３Ｄ機能画像内の１つまたはそれを上回るＶＯＩを識別する３Ｄセグメント化マップを受信する、請求項１または２に記載の方法。
  4. 前記プロセッサによって、解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信するステップを含み、前記３Ｄ解剖学的画像は、前記対象内の組織のグラフィック表現を含み、
    前記機械学習モジュールは、入力の少なくとも２つのチャネルを受信し、前記入力チャネルは、前記３Ｄ解剖学的画像の少なくとも一部に対応する第１の入力チャネルと、前記３Ｄ機能画像の少なくとも一部に対応する第２の入力チャネルとを含む、
    前記請求項のいずれか１項に記載の方法。
  5. 前記機械学習モジュールは、入力として、前記３Ｄ機能画像および／または前記３Ｄ解剖学的画像内で、各着目体積（ＶＯＩ）が特定の標的組織領域および／または特定の解剖学的領域に対応する、１つまたはそれを上回るＶＯＩを識別する３Ｄセグメント化マップを受信する、請求項４に記載の方法。
  6. 前記プロセッサによって、前記３Ｄ解剖学的画像を自動的にセグメント化し、それによって、前記３Ｄセグメント化マップを生成するステップを含む、請求項５に記載の方法。
  7. 前記機械学習モジュールは、入力として、前記対象の１つまたはそれを上回る具体的な組織領域および／または解剖学的領域に対応する前記３Ｄ機能画像の具体的部分を受信する領域固有機械学習モジュールである、前記請求項のいずれか１項に記載の方法。
  8. 前記機械学習モジュールは、出力として、前記ホットスポットリストを発生させる、前記請求項のいずれか１項に記載の方法。
  9. 前記機械学習モジュールは、出力として、前記３Ｄホットスポットマップを発生させる、前記請求項のいずれか１項に記載の方法。
  10. （ｄ）前記プロセッサによって、前記ホットスポットの少なくとも一部のホットスポット毎に、前記ホットスポットが前記対象内の病変を表す尤度に対応する病変尤度分類を決定するステップを含む、前記請求項のいずれか１項に記載の方法。
  11. ステップ（ｄ）は、前記機械学習モジュールを使用し、前記一部のホットスポット毎に、前記病変尤度分類を決定するステップを含む、請求項１０に記載の方法。
  12. ステップ（ｄ）は、第２の機械学習モジュールを使用し、ホットスポット毎に前記病変尤度分類を決定するステップを含む、請求項１０に記載の方法。
  13. 前記プロセッサによって、ホットスポット毎に１つまたはそれを上回るホットスポット特徴のセットを決定し、前記第２の機械学習モジュールへの入力として、前記１つまたはそれを上回るホットスポット特徴のセットを使用するステップを含む、請求項１２に記載の方法。
  14. （ｅ）前記プロセッサによって、少なくとも部分的に、前記ホットスポットのための前記病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する前記１つまたはそれを上回るホットスポットのサブセットを選択するステップを含む、請求項１０－１３のいずれか１項に記載の方法。
  15. （ｆ）前記プロセッサによって、前記３Ｄ機能画像のボクセルの強度を調節し、前記３Ｄ機能画像の１つまたはそれを上回る高強度体積からの強度波及を補正するステップであって、前記１つまたはそれを上回る高強度体積はそれぞれ、通常状況下での高い放射性医薬品取込と関連付けられる前記対象内の高取込組織領域に対応する、ステップを含む、前記請求項のいずれか１項に記載の方法。
  16. ステップ（ｆ）は、複数の高強度体積からの強度波及を一度に１つずつ、逐次的方式において補正するステップを含む、請求項１５に記載の方法。
  17. 前記１つまたはそれを上回る高強度体積は、腎臓と、肝臓と、嚢とから成る群から選択される１つまたはそれを上回る高取込組織領域に対応する、請求項１５または１６に記載の方法。
  18. （ｇ）前記プロセッサによって、前記１つまたはそれを上回るホットスポットの少なくとも一部のそれぞれに関して、前記ホットスポットが対応する基礎病変内での放射性医薬品取込のレベルおよび／またはそのサイズを示す対応する病変指数を決定するステップを含む、前記請求項のいずれか１項に記載の方法。
  19. ステップ（ｇ）は、前記ホットスポットと関連付けられる１つまたはそれを上回るボクセルの強度（複数の強度）と１つまたはそれを上回る基準値とを比較するステップであって、各基準値は、前記基準組織領域に対応する基準体積の特定の基準組織領域と関連付けられる、ステップを含む、請求項１８に記載の方法。
  20. 前記１つまたはそれを上回る基準値は、前記対象の大動脈部分と関連付けられる大動脈基準値と、前記対象の肝臓と関連付けられる肝臓基準値とから成る群から選択される１つまたはそれを上回る構成要素を含む、請求項１９に記載の方法。
  21. 特定の基準組織領域と関連付けられる少なくとも１つの特定の基準値に関して、前記特定の基準値を決定するステップは、前記特定の基準組織領域に対応する特定の基準体積内のボクセルの強度を多成分混合モデルに適合させるステップを含む、請求項１９または２０に記載の方法。
  22. 前記決定された病変指数値を使用し、前記対象に関する癌ステータスおよび／またはリスクを示す前記対象に関する全体的リスク指数を算出するステップを含む、請求項１８－２１のいずれか１項に記載の方法。
  23. 前記プロセッサによって、ホットスポット毎に、前記ホットスポットが表す前記潜在的な癌性病変が位置すると決定される前記対象内の特定の解剖学的領域および／または解剖学的領域の群に対応する解剖学的分類を決定するステップを含む、前記請求項のいずれか１項に記載の方法。
  24. （ｈ）前記プロセッサによって、グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、ユーザによる精査のための前記１つまたはそれを上回るホットスポットの少なくとも一部のグラフィック表現のレンダリングを引き起こすステップを含む、前記請求項のいずれか１項に記載の方法。
  25. （ｉ）ユーザ精査を介して前記対象内の基礎となる癌性病変を表す可能性が高いものとして確認された前記１つまたはそれを上回るホットスポットのサブセットのユーザ選択を、前記プロセッサによって、前記ＧＵＩを介して受信するステップを含む、請求項２４に記載の方法。
  26. 前記３Ｄ機能画像は、前記対象への薬剤の投与に続いて取得されるＰＥＴまたはＳＰＥＣＴ画像を含む、前記請求項のいずれか１項に記載の方法。
  27. 前記薬剤は、ＰＳＭＡ結合剤を含む、請求項２６に記載の方法。
  28. 前記薬剤は、１８Ｆを含む、請求項２６または２７に記載の方法。
  29. 前記薬剤は、［１８Ｆ］ＤＣＦＰｙＬを含む、請求項２７または２８に記載の方法。
  30. 前記薬剤は、ＰＳＭＡ－１１を含む、請求項２７または２８に記載の方法。
  31. 前記薬剤は、９９ｍＴｃと、６８Ｇａと、１７７Ｌｕと、２２５Ａｃと、１１１Ｉｎと、１２３Ｉと、１２４Ｉと、１３１Ｉとから成る群から選択される１つまたはそれを上回る構成要素を含む、請求項２６または２７に記載の方法。
  32. 前記機械学習モジュールは、ニューラルネットワークを実装する、前記請求項のいずれか１項に記載の方法。
  33. 前記プロセッサは、クラウドベースのシステムのプロセッサである、前記請求項のいずれか１項に記載の方法。
  34. 対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信するステップであって、前記３Ｄ解剖学的画像は、前記対象内の組織のグラフィック表現を含む、ステップと、
    （ｃ）前記プロセッサによって、機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に前記ホットスポットの場所を識別するホットスポットリストと、（ｉｉ）ホットスポット毎に前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する３Ｄホットスポットマップとのうちの一方または両方を生成するステップであって、
    前記機械学習モジュールは、入力の少なくとも２つのチャネルを受信し、前記入力チャネルは、前記３Ｄ解剖学的画像の少なくとも一部に対応する第１の入力チャネル、前記３Ｄ機能画像の少なくとも一部に対応する第２の入力チャネル、および／またはそれらから導出される解剖学的情報を含む、ステップと、
    （ｄ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供するステップと
    を含む、方法。
  35. 対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、第１の機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、ホットスポット毎に、前記ホットスポットの場所を識別するホットスポットリストを生成するステップと、
    （ｃ）前記プロセッサによって、第２の機械学習モジュールおよび前記ホットスポットリストを使用して、前記１つまたはそれを上回るホットスポットのそれぞれに関して、前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を自動的に決定し、それによって、３Ｄホットスポットマップを生成するステップと、
    （ｄ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供するステップと
    を含む、方法。
  36. （ｅ）前記プロセッサによって、前記ホットスポットの少なくとも一部のホットスポット毎に、前記ホットスポットが前記対象内の病変を表す尤度に対応する病変尤度分類を決定するステップを含む、請求項３５に記載の方法。
  37. ステップ（ｅ）は、第３の機械学習モジュールを使用し、ホットスポット毎に前記病変尤度分類を決定するステップを含む、請求項３６に記載の方法。
  38. （ｆ）前記プロセッサによって、少なくとも部分的に、前記ホットスポットのための前記病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する前記１つまたはそれを上回るホットスポットのサブセットを選択するステップを含む、請求項３５－３７のいずれか１項に記載の方法。
  39. 低い放射性医薬品取込と関連付けられる組織領域からの影響を回避するように、基準組織領域に対応する基準体積内の強度値を測定する方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、対象の３Ｄ機能画像を受信するステップであって、前記３Ｄ機能画像は、機能撮像モダリティを使用して取得される、ステップと、
    （ｂ）前記プロセッサによって、前記３Ｄ機能画像内の前記基準体積を識別するステップと、
    （ｃ）前記プロセッサによって、多成分混合モデルを前記基準体積内のボクセルの強度に適合させるステップと、
    （ｄ）前記プロセッサによって、前記多成分モデルのメジャーモードを識別するステップと、
    （ｅ）前記プロセッサによって、前記メジャーモードに対応する強度の尺度を決定し、それによって、（ｉ）基準組織体積内にあり、（ｉｉ）前記メジャーモードと関連付けられるボクセルの強度の尺度に対応する基準強度値を決定するステップと、
    （ｆ）前記プロセッサによって、前記機能画像内において、潜在的な癌性病変に対応する１つまたはそれを上回るホットスポットを検出するステップと、
    （ｇ）前記プロセッサによって、前記検出されたホットスポットの少なくとも一部のホットスポット毎に、少なくとも前記基準強度値を使用して、病変指数値を決定するステップと
    を含む、方法。
  40. 通常状況下での高い放射性医薬品取込と関連付けられる対象内の高取込組織領域に起因する強度波及を補正する方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、前記対象の３Ｄ機能画像を受信するステップであって、前記３Ｄ機能画像は、機能撮像モダリティを使用して取得される、ステップと、
    （ｂ）前記プロセッサによって、前記３Ｄ機能画像内の高強度体積を識別するステップであって、前記高強度体積は、高い放射性医薬品取込が通常状況下で生じる特定の高取込組織領域に対応する、ステップと、
    （ｃ）前記プロセッサによって、前記識別された高強度体積に基づいて、前記３Ｄ機能画像内の抑制体積を識別するステップであって、前記抑制体積は、前記識別された高強度体積の外側にあり、その境界から所定の減衰距離内にある体積に対応する、ステップと、
    （ｄ）前記プロセッサによって、前記抑制体積内の前記３Ｄ機能画像のボクセルの強度に基づいて決定された補間値に置き換えられた前記高強度体積内のボクセルの強度を伴う前記３Ｄ機能画像に対応する背景画像を決定するステップと、
    （ｅ）前記プロセッサによって、前記３Ｄ機能画像からのボクセルの強度から、前記背景画像のボクセルの強度を差し引くことによって、推定画像を決定するステップと、
    （ｆ）前記プロセッサによって、
    前記抑制体積内のボクセルの場所に、前記高強度体積に対応する前記推定画像のボクセルの強度を外挿し、前記抑制体積に対応する抑制マップのボクセルの強度を決定することと、
    前記抑制体積の外側にある場所に対応する前記抑制マップのボクセルの強度をゼロに設定することと
    によって、抑制マップを決定するステップと、
    （ｇ）前記プロセッサによって、前記抑制マップに基づいて、前記３Ｄ機能画像のボクセルの強度を調節し、それによって、前記高強度体積からの強度波及を補正するステップと
    を含む、方法。
  41. 複数の高強度体積のそれぞれに関して、逐次的様式においてステップ（ｂ）－（ｇ）を実施し、それによって、前記複数の高強度体積のそれぞれからの強度波及を補正するステップを含む、請求項４０に記載の方法。
  42. 前記複数の高強度体積は、前記腎臓と、肝臓と、嚢とから成る群から選択される１つまたはそれを上回る構成要素を含む、請求項４１に記載の方法。
  43. 対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出するステップと、
    （ｃ）前記プロセッサによって、双方向グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、前記１つまたはそれを上回るホットスポットのグラフィック表現のレンダリングを引き起こすステップと、
    （ｄ）前記プロセッサによって、前記双方向ＧＵＩを介して、前記１つまたはそれを上回る自動的に検出されたホットスポットの少なくとも一部を含む最終ホットスポットセットのユーザ選択を受信するステップと、
    （ｅ）表示および／またはさらなる処理のために、前記最終ホットスポットセットを記憶および／または提供するステップと
    を含む、方法。
  44. （ｆ）前記プロセッサによって、前記ＧＵＩを介して、前記最終ホットスポットセット内での包含のための１つまたはそれを上回る付加的なユーザ識別されたホットスポットのユーザ選択を受信するステップと、
    （ｇ）前記プロセッサによって、前記１つまたはそれを上回る付加的なユーザ識別されたホットスポットを含むように前記最終ホットスポットセットを更新するステップと
    を含む、請求項４３に記載の方法。
  45. ステップ（ｂ）は、１つまたはそれを上回る機械学習モジュールを使用するステップを含む、請求項４３または４４のいずれかに記載の方法。
  46. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および特性評価するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出するステップと、
    （ｃ）前記プロセッサによって、前記１つまたはそれを上回るホットスポットの少なくとも一部のそれぞれに関して、前記ホットスポットが表す前記潜在的な癌性病変が位置すると決定される前記対象内の特定の解剖学的領域および／または解剖学的領域の群に対応する解剖学的分類を自動的に決定するステップと、
    （ｄ）表示および／またはさらなる処理のために、ホットスポット毎の前記ホットスポットに対応する前記解剖学的分類に加えて、前記１つまたはそれを上回るホットスポットの識別を記憶および／または提供するステップと
    を含む、方法。
  47. ステップ（ｂ）は、１つまたはそれを上回る機械学習モジュールを使用するステップを含む、請求項４６に記載の方法。
  48. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および／または特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に、前記ホットスポットの場所を識別するホットスポットリストと、（ｉｉ）ホットスポット毎に前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する３Ｄホットスポットマップとのうちの一方または両方を生成することと、
    （ｃ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  49. 前記機械学習モジュールは、入力として、前記３Ｄ機能画像の少なくとも一部を受信し、少なくとも部分的に、前記３Ｄ機能画像の受信された部分のボクセルの強度に基づいて、前記１つまたはそれを上回るホットスポットを自動的に検出する、請求項４８に記載のシステム。
  50. 前記機械学習モジュールは、入力として、各着目体積（ＶＯＩ）が前記対象内の特定の標的組織領域および／または特定の解剖学的領域に対応する、前記３Ｄ機能画像内の１つまたはそれを上回るＶＯＩを識別する３Ｄセグメント化マップを受信する、請求項４８または４９に記載のシステム。
  51. 前記命令は、前記プロセッサに、
    解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信させ、前記３Ｄ解剖学的画像は、前記対象内の組織のグラフィック表現を含み、
    前記機械学習モジュールは、入力の少なくとも２つのチャネルを受信し、前記入力チャネルは、前記３Ｄ解剖学的画像の少なくとも一部に対応する第１の入力チャネルと、前記３Ｄ機能画像の少なくとも一部に対応する第２の入力チャネルとを含む、
    請求項４８－５０のいずれか１項に記載のシステム。
  52. 前記機械学習モジュールは、入力として、前記３Ｄ機能画像および／または前記３Ｄ解剖学的画像内で、各着目体積（ＶＯＩ）が特定の標的組織領域および／または特定の解剖学的領域に対応する、１つまたはそれを上回るＶＯＩを識別する３Ｄセグメント化マップを受信する、請求項５１に記載のシステム。
  53. 前記命令は、前記プロセッサに、前記３Ｄ解剖学的画像を自動的にセグメント化させ、それによって、前記３Ｄセグメント化マップを生成させる、請求項５２に記載のシステム。
  54. 前記機械学習モジュールは、入力として、前記対象の１つまたはそれを上回る具体的な組織領域および／または解剖学的領域に対応する前記３Ｄ機能画像の具体的部分を受信する領域固有機械学習モジュールである、請求項４８－５３のいずれか１項に記載のシステム。
  55. 前記機械学習モジュールは、出力として、前記ホットスポットリストを発生させる、請求項４８－５４のいずれか１項に記載のシステム。
  56. 前記機械学習モジュールは、出力として、前記３Ｄホットスポットマップを発生させる、請求項４８－５５のいずれか１項に記載のシステム。
  57. 前記命令は、前記プロセッサに、
    （ｄ）前記ホットスポットの少なくとも一部のホットスポット毎に、前記ホットスポットが前記対象内の病変を表す尤度に対応する病変尤度分類を決定させる、請求項４８－５６のいずれか１項に記載のシステム。
  58. ステップ（ｄ）において、前記命令は、前記プロセッサに、前記機械学習モジュールを使用させ、前記一部のホットスポット毎に、前記病変尤度分類を決定させる、請求項５７に記載のシステム。
  59. ステップ（ｄ）において、前記命令は、前記プロセッサに、第２の機械学習モジュールを使用させ、ホットスポット毎に前記病変尤度分類を決定させる、請求項５７に記載のシステム。
  60. 前記命令は、前記プロセッサに、ホットスポット毎に、１つまたはそれを上回るホットスポット特徴のセットを決定させ、前記第２の機械学習モジュールへの入力として、前記１つまたはそれを上回るホットスポット特徴のセットを使用させる、請求項５９に記載の方法。
  61. 前記命令は、前記プロセッサに、
    （ｅ）少なくとも部分的に、前記ホットスポットのための前記病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する前記１つまたはそれを上回るホットスポットのサブセットを選択させる、請求項５７－６０のいずれか１項に記載のシステム。
  62. 前記命令は、前記プロセッサに、
    （ｆ）前記プロセッサによって、前記３Ｄ機能画像のボクセルの強度を調節させ、前記３Ｄ機能画像の１つまたはそれを上回る高強度体積からの強度波及を補正させ、１つまたはそれを上回る高強度体積がそれぞれ、通常状況下での高い放射性医薬品取込と関連付けられる前記対象内の高取込組織領域に対応する、請求項４８－６１のいずれか１項に記載のシステム。
  63. ステップ（ｆ）において、前記命令は、前記プロセッサに、複数の高強度体積からの強度波及を一度に１つずつ逐次的方式において補正させる、請求項６２に記載のシステム。
  64. 前記１つまたはそれを上回る高強度体積は、前記腎臓と、肝臓と、嚢とから成る群から選択される１つまたはそれを上回る高取込組織領域に対応する、請求項６２または６３に記載のシステム。
  65. 前記命令は、前記プロセッサに、
    （ｇ）前記１つまたはそれを上回るホットスポットの少なくとも一部のそれぞれに関して、前記ホットスポットが対応する基礎病変内での放射性医薬品取込のレベルおよび／またはそのサイズを示す対応する病変指数を決定させる、請求項４８－６４のいずれか１項に記載のシステム。
  66. ステップ（ｇ）において、前記命令は、前記プロセッサに、前記ホットスポットと関連付けられる１つまたはそれを上回るボクセルの強度（複数の強度）と１つまたはそれを上回る基準値とを比較させ、各基準値は、前記対象内の特定の基準組織領域と関連付けられ、前記基準組織領域に対応する基準体積の強度に基づいて決定される、請求項６５に記載のシステム。
  67. 前記１つまたはそれを上回る基準値は、前記対象の大動脈部分と関連付けられる大動脈基準値と、前記対象の肝臓と関連付けられる肝臓基準値とから成る群から選択される１つまたはそれを上回る構成要素を含む、請求項６６に記載のシステム。
  68. 特定の基準組織領域と関連付けられる少なくとも１つの特定の基準値に関して、前記命令は、前記プロセッサに、前記特定の基準組織領域に対応する特定の基準体積内のボクセルの強度を多成分混合モデルに適合させることによって、前記特定の基準値を決定させる、請求項６６または６７に記載のシステム。
  69. 前記命令は、前記プロセッサに、前記決定された病変指数値を使用させ、前記対象に関する癌ステータスおよび／またはリスクを示す前記対象に関する全体的リスク指数を算出させる、請求項６５－６８のいずれか１項に記載のシステム。
  70. 前記命令は、前記プロセッサに、ホットスポット毎に、前記ホットスポットが表す前記潜在的な癌性病変が位置すると決定される前記対象内の特定の解剖学的領域および／または解剖学的領域の群に対応する解剖学的分類を決定させる、請求項４８－６９のいずれか１項に記載のシステム。
  71. 前記命令は、前記プロセッサに、
    （ｈ）グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、ユーザによる精査のための前記１つまたはそれを上回るホットスポットの少なくとも一部のグラフィック表現のレンダリングを引き起こさせる、請求項４８－７０のいずれか１項に記載のシステム。
  72. 前記命令は、前記プロセッサに、
    （ｉ）ユーザ精査を介して前記対象内の基礎となる癌性病変を表す可能性が高いものとして確認された前記１つまたはそれを上回るホットスポットのサブセットのユーザ選択を前記ＧＵＩを介して受信させる、請求項７１に記載のシステム。
  73. 前記３Ｄ機能画像は、前記対象への薬剤の投与に続いて取得されるＰＥＴまたはＳＰＥＣＴ画像を含む、請求項４８－７２のいずれか１項に記載のシステム。
  74. 前記薬剤は、ＰＳＭＡ結合剤を含む、請求項７３に記載のシステム。
  75. 前記薬剤は、１８Ｆを含む、請求項７３または７４に記載のシステム。
  76. 前記薬剤は、［１８Ｆ］ＤＣＦＰｙＬを含む、請求項７４に記載のシステム。
  77. 前記薬剤は、ＰＳＭＡ－１１を含む、請求項７４または７５に記載のシステム。
  78. 前記薬剤は、前記９９ｍＴｃと、６８Ｇａと、１７７Ｌｕと、２２５Ａｃと、１１１Ｉｎと、１２３Ｉと、１２４Ｉと、１３１Ｉとから成る群から選択される１つまたはそれを上回る構成要素を含む、請求項７３または７４に記載のシステム。
  79. 前記機械学習モジュールは、ニューラルネットワークを実装する、請求項４８－７８のいずれか１項に記載のシステム。
  80. 前記プロセッサは、クラウドベースのシステムのプロセッサである、請求項４８－７９のいずれか１項に記載のシステム。
  81. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および／または特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信することであって、前記３Ｄ解剖学的画像は、前記対象内の組織のグラフィック表現を含む、ことと、
    （ｃ）機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に、前記ホットスポットの場所を識別するホットスポットリストと、（ｉｉ）ホットスポット毎に前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する３Ｄホットスポットマップとのうちの一方または両方を生成することであって、
    前記機械学習モジュールは、入力の少なくとも２つのチャネルを受信し、前記入力チャネルは、前記３Ｄ解剖学的画像の少なくとも一部に対応する第１の入力チャネル、前記３Ｄ機能画像の少なくとも一部に対応する第２の入力チャネル、および／またはそれらから導出される解剖学的情報を含む、ことと、
    （ｄ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  82. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および／または特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）第１の機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出し、それによって、ホットスポット毎に、前記ホットスポットの場所を識別するホットスポットリストを生成することと、
    （ｃ）第２の機械学習モジュールおよび前記ホットスポットリストを使用して、前記１つまたはそれを上回るホットスポットのそれぞれに関して、前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を自動的に決定し、それによって、３Ｄホットスポットマップを生成することと、
    （ｄ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  83. 前記命令は、前記プロセッサに、
    （ｅ）前記ホットスポットの少なくとも一部のホットスポット毎に、前記ホットスポットが前記対象内の病変を表す尤度に対応する病変尤度分類を決定させる、請求項８２に記載のシステム。
  84. ステップ（ｅ）において、前記命令は、前記プロセッサに、第３の機械学習モジュールを使用させ、ホットスポット毎に前記病変尤度分類を決定させる、請求項８３に記載のシステム。
  85. 前記命令は、前記プロセッサに、
    （ｆ）少なくとも部分的に、前記ホットスポットのための前記病変尤度分類に基づいて、癌性病変に対応する高い尤度を有するホットスポットに対応する前記１つまたはそれを上回るホットスポットのサブセットを選択させる、請求項８２－８４のいずれか１項に記載のシステム。
  86. 低い放射性医薬品取込と関連付けられる組織領域からの影響を回避するように、基準組織領域に対応する基準体積内の強度値を測定するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）対象の３Ｄ機能画像を受信することであって、前記３Ｄ機能画像は、機能撮像モダリティを使用して取得される、ことと、
    （ｂ）前記３Ｄ機能画像内の前記基準体積を識別することと、
    （ｃ）多成分混合モデルを前記基準体積内のボクセルの強度に適合させることと、
    （ｄ）前記多成分モデルのメジャーモードを識別することと、
    （ｅ）前記メジャーモードに対応する強度の尺度を決定し、それによって、（ｉ）基準組織体積内にあり、（ｉｉ）前記メジャーモードと関連付けられるボクセルの強度の尺度に対応する基準強度値を決定することと、
    （ｆ）前記３Ｄ機能画像内において、潜在的な癌性病変に対応する１つまたはそれを上回るホットスポットを検出することと、
    （ｇ）前記検出されたホットスポットの少なくとも一部のホットスポット毎に、少なくとも前記基準強度値を使用して、病変指数値を決定することと
    を行わせる、メモリと
    を備える、システム。
  87. 通常状況下での高い放射性医薬品取込と関連付けられる対象内の高取込組織領域に起因する強度波及を補正するためのシステムであって、前記方法は、
    （ａ）前記対象の３Ｄ機能画像を受信することであって、前記３Ｄ機能画像は、機能撮像モダリティを使用して取得される、ことと、
    （ｂ）前記３Ｄ機能画像内の高強度体積を識別することであって、前記高強度体積は、高い放射性医薬品取込が通常状況下で生じる特定の高取込組織領域に対応する、ことと、
    （ｃ）前記識別された高強度体積に基づいて、前記３Ｄ機能画像内の抑制体積を識別することであって、前記抑制体積は、前記識別された高強度体積の外側にあり、その境界から所定の減衰距離内にある体積に対応する、ことと、
    （ｄ）前記抑制体積内の前記３Ｄ機能画像のボクセルの強度に基づいて決定された補間値に置き換えられた前記高強度体積内のボクセルの強度を伴う前記３Ｄ機能画像に対応する背景画像を決定することと、
    （ｅ）前記３Ｄ機能画像からのボクセルの強度から、前記背景画像のボクセルの強度を差し引くことによって、推定画像を決定することと、
    （ｆ）
    前記抑制体積内のボクセルの場所に、前記高強度体積に対応する前記推定画像のボクセルの強度を外挿し、前記抑制体積に対応する抑制マップのボクセルの強度を決定することと、
    前記抑制体積の外側にある場所に対応する前記抑制マップのボクセルの強度をゼロに設定することと
    によって、抑制マップを決定することと、
    （ｇ）前記抑制マップに基づいて、前記３Ｄ機能画像のボクセルの強度を調節し、それによって、前記高強度体積からの強度波及を補正することと
    を含む、システム。
  88. 前記命令は、前記プロセッサに、複数の高強度体積のそれぞれに関して、逐次的様式においてステップ（ｂ）－（ｇ）を実施させ、それによって、前記複数の高強度体積のそれぞれからの強度波及を補正させる、請求項８７に記載のシステム。
  89. 前記複数の高強度体積は、腎臓と、肝臓と、嚢とから成る群から選択される１つまたはそれを上回る構成要素を含む、請求項８８に記載のシステム。
  90. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および／または特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出することと、
    （ｃ）双方向グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、前記１つまたはそれを上回るホットスポットのグラフィック表現のレンダリングを引き起こすことと、
    （ｄ）双方向ＧＵＩを介して、前記１つまたはそれを上回る自動的に検出されたホットスポットの少なくとも一部を含む最終ホットスポットセットのユーザ選択を受信することと、
    （ｅ）表示および／またはさらなる処理のために、前記最終ホットスポットセットを記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  91. 前記命令は、前記プロセッサに、
    （ｆ）前記ＧＵＩを介して、前記最終ホットスポットセット内での包含のための１つまたはそれを上回る付加的なユーザ識別されたホットスポットのユーザ選択を受信することと、
    （ｇ）前記１つまたはそれを上回る付加的なユーザ識別されたホットスポットを含むように前記最終ホットスポットセットを更新することと
    を行わせる、請求項９０に記載のシステム。
  92. ステップ（ｂ）において、前記命令は、前記プロセッサに、１つまたはそれを上回る機械学習モジュールを使用させる、請求項９０または９１のいずれかに記載のシステム。
  93. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的に検出することと、
    （ｃ）前記１つまたはそれを上回るホットスポットの少なくとも一部のそれぞれに関して、前記ホットスポットが表す前記潜在的な癌性病変が位置すると決定される前記対象内の特定の解剖学的領域および／または解剖学的領域の群に対応する解剖学的分類を自動的に決定することと、
    （ｄ）表示および／またはさらなる処理のために、ホットスポット毎の前記ホットスポットに対応する前記解剖学的分類に加えて、前記１つまたはそれを上回るホットスポットの識別を記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  94. 前記命令は、前記プロセッサに、１つまたはそれを上回る機械学習モジュールを使用して、ステップ（ｂ）を実施させる、請求項９３に記載のシステム。
  95. 対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信するステップと、
    （ｃ）前記プロセッサによって、前記３Ｄ機能画像内および／または前記３Ｄ解剖学的画像内の１つまたはそれを上回る特定の組織領域または組織領域の群を識別する３Ｄセグメント化マップを受信するステップと、
    （ｄ）前記プロセッサによって、１つまたはそれを上回る機械学習モジュールを使用して、各ホットスポットが、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットのセットを自動的に検出および／またはセグメント化し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に前記ホットスポットの場所を識別するホットスポットリストと、（ｉｉ）ホットスポット毎に前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する３Ｄホットスポットマップとのうちの一方または両方を生成するステップであって、
    前記１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つは、入力として、（ｉ）前記３Ｄ機能画像と、（ｉｉ）前記３Ｄ解剖学的画像と、（ｉｉｉ）前記３Ｄセグメント化マップとを受信する、ステップと、
    （ｅ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供するステップと
    を含む、方法。
  96. 前記プロセッサによって、前記３Ｄ解剖学的画像および／または前記３Ｄ機能画像内の１つまたはそれを上回る特定の組織領域を識別する初期の３Ｄセグメント化マップを受信するステップと、
    前記プロセッサによって、前記１つまたはそれを上回る特定の組織領域の少なくとも一部を、１つまたはそれを上回る組織グルーピングのうちの特定のものに属するものとして識別し、前記プロセッサによって、前記識別された特定の領域を前記特定の組織グルーピングに属するものとして示すように、前記３Ｄセグメント化マップを更新するステップと、
    前記プロセッサによって、前記１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つへの入力として、前記更新された３Ｄセグメント化マップを使用するステップと
    を含む、請求項９５に記載の方法。
  97. 前記１つまたはそれを上回る組織グルーピングは、軟質組織を表す特定の組織領域が前記軟質組織グルーピングに属するものとして識別されるように、軟質組織グルーピングを含む、請求項９６に記載の方法。
  98. 前記１つまたはそれを上回る組織グルーピングは、骨を表す特定の組織領域が骨組織グルーピングに属するものとして識別されるように、骨組織グルーピングを含む、請求項９６または９７に記載の方法。
  99. 前記１つまたはそれを上回る組織グルーピングは、高い放射性医薬品取込と関連付けられる１つまたはそれを上回る器官が、高取込グルーピングに属するものと識別されるように、高取込器官グルーピングを含む、請求項９６－９８のいずれか１項に記載の方法。
  100. 検出および／またはセグメント化されたホットスポット毎に、前記プロセッサによって、前記ホットスポットのための分類を決定するステップを含む、請求項９５－９９のいずれか１項に記載の方法。
  101. 前記１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つを使用し、検出および／またはセグメント化された病変毎に、前記ホットスポットのための前記分類を決定するステップを含む、請求項１００に記載の方法。
  102. 前記１つまたはそれを上回る機械学習モジュールは、
    （Ａ）身体全体の全体を通してホットスポットを検出および／またはセグメント化する全身病変検出モジュールと、
    （Ｂ）前記前立腺内のホットスポットを検出および／またはセグメント化する前立腺病変モジュールと
    を備える、請求項９５－１０１のいずれか１項に記載の方法。
  103. （Ａ）および（Ｂ）のそれぞれを使用し、前記結果を融合して、ホットスポットリストおよび／またはマップを発生させるステップを含む、請求項１０２に記載の方法。
  104. ステップ（ｄ）は、
    第１の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第１のセットを識別する第１の初期の３Ｄホットスポットマップを生成することであって、前記第１の機械学習モジュールは、単一のホットスポットクラスに従って前記３Ｄ機能画像のホットスポットをセグメント化する、ことと、
    第２の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第２のセットを識別する第２の初期の３Ｄホットスポットマップを生成することであって、前記第２の機械学習モジュールは、第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が前記複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識されるマルチクラス３Ｄホットスポットマップであるように、前記複数の異なるホットスポットクラスに従って、前記３Ｄ機能画像をセグメント化する、ことと、
    前記プロセッサによって、前記第１の初期の３Ｄホットスポットマップによって識別される前記ホットスポット体積の少なくとも一部に関して、
    前記第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別することであって、前記第２の３Ｄホットスポットマップの合致ホットスポット体積は、前記複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、ことと、
    前記第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、前記特定のホットスポットクラスに属するものとして標識し、それによって、前記第２の３Ｄホットスポットマップの合致ホットスポット体積が属するものとして識別されるクラスに従って標識されている前記第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む融合された３Ｄホットスポットマップを生成することと
    によって、前記第１の初期の３Ｄホットスポットマップおよび前記第２の初期の３Ｄホットスポットマップを融合することと
    によって、前記１つまたはそれを上回るホットスポットのセットをセグメント化および分類し、ホットスポット毎に、前記３Ｄ機能画像内にあり、各ホットスポット体積が、複数のホットスポットクラスの特定のホットスポットクラスに属するものとして標識される、対応する３Ｄホットスポット体積を識別する、標識された３Ｄホットスポットマップを生成するステップを含み、
    ステップ（ｅ）は、表示および／またはさらなる処理のために、前記融合された３Ｄホットスポットマップを記憶および／または提供するステップを含む、
    請求項９５－１０３のいずれか１項に記載の方法。
  105. 前記複数の異なるホットスポットクラスは、
    （ｉ）骨の中に位置する病変を表すと決定される骨ホットスポットと、
    （ｉｉ）リンパ節の中に位置する病変を表すと決定されるリンパホットスポットと、
    （ｉｉｉ）前立腺の中に位置する病変を表すと決定される前立腺ホットスポットと
    から成る群から選択される１つまたはそれを上回る構成要素を含む、請求項１０４に記載の方法。
  106. （ｆ）前記ホットスポットリストを受信および／またはそれにアクセスするステップと、
    （ｇ）前記ホットスポットリスト内のホットスポット毎に、分析モデルを使用して前記ホットスポットをセグメント化するステップと
    をさらに含む、請求項９５－１０５のいずれか１項に記載の方法。
  107. （ｈ）前記ホットスポットマップを受信および／またはそれにアクセスするステップと、
    （ｉ）前記ホットスポットマップ内のホットスポット毎に、分析モデルを使用して前記ホットスポットをセグメント化するステップと
    をさらに含む、請求項９５－１０５のいずれか１項に記載の方法。
  108. 前記分析モデルは、適応的閾値化方法であり、ステップ（ｉ）は、
    それぞれが特定の基準組織領域に対応する特定の基準体積内に位置する前記３Ｄ機能画像のボクセルの強度の尺度に基づく、１つまたはそれを上回る基準値を決定するステップと、
    前記３Ｄホットスポットマップの特定のホットスポット体積毎に、
    前記プロセッサによって、前記特定のホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度を決定し、
    前記プロセッサによって、前記特定のホットスポットに関して、（ｉ）前記対応するホットスポット強度と、（ｉｉ）前記１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、ホットスポット固有閾値を決定する、
    ステップと
    を含む、請求項１０７に記載の方法。
  109. 前記ホットスポット固有閾値は、複数の閾値関数から選択される特定の閾値関数を使用して決定され、前記特定の閾値関数は、前記対応するホットスポット強度と前記少なくとも１つの基準値の比較に基づいて選択される、請求項１０８に記載の方法。
  110. 前記ホットスポット固有閾値は、前記対応するホットスポット強度の可変割合として決定され、前記可変割合は、ホットスポット強度の増加に伴って減少する、請求項１０８または１０９に記載の方法。
  111. 対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、第１の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットを自動的にセグメント化し、それによって、初期のホットスポット体積の第１のセットを識別する第１の初期の３Ｄホットスポットマップを生成するステップであって、前記第１の機械学習モジュールは、単一のホットスポットクラスに従って前記３Ｄ機能画像のホットスポットをセグメント化する、ステップと、
    （ｃ）前記プロセッサによって、第２の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットを自動的にセグメント化し、それによって、初期のホットスポット体積の第２のセットを識別する第２の初期の３Ｄホットスポットマップを生成するステップであって、前記第２の機械学習モジュールは、前記第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が前記複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識されるマルチクラス３Ｄホットスポットマップであるように、複数の異なるホットスポットクラスに従って、前記３Ｄ機能画像をセグメント化する、ステップと、
    （ｄ）前記プロセッサによって、前記第１の初期の３Ｄホットスポットマップによって識別される前記初期のホットスポット体積の第１のセットの少なくとも一部の特定のホットスポット体積毎に、
    前記第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別することであって、前記第２の３Ｄホットスポットマップの合致ホットスポット体積は、前記複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、ことと、
    前記第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、前記特定のホットスポットクラスに属するものとして標識し、それによって、前記第２の３Ｄホットスポットマップの合致ホットスポットが属するものとして識別されるクラスに従って標識されている前記第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む融合された３Ｄホットスポットマップを生成することと
    によって、前記第１の初期の３Ｄホットスポットマップおよび前記第２の初期の３Ｄホットスポットマップを融合するステップと、
    （ｅ）表示および／またはさらなる処理のために、前記融合された３Ｄホットスポットマップを記憶および／または提供するステップと
    を含む、方法。
  112. 前記複数の異なるホットスポットクラスは、
    （ｉ）骨の中に位置する病変を表すと決定される骨ホットスポットと、
    （ｉｉ）リンパ節の中に位置する病変を表すと決定されるリンパホットスポットと、
    （ｉｉｉ）前立腺の中に位置する病変を表すと決定される前立腺ホットスポットと
    から成る群から選択される１つまたはそれを上回る構成要素を含む、請求項１１１に記載の方法。
  113. 適応的閾値化アプローチを介して、対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｂ）前記プロセッサによって、前記３Ｄ機能画像内において、１つまたはそれを上回る予備ホットスポット体積を識別する予備３Ｄホットスポットマップを受信するステップと、
    （ｃ）前記プロセッサによって、それぞれが特定の基準組織領域に対応する特定の基準体積内に位置する前記３Ｄ機能画像のボクセルの強度の尺度に基づく１つまたはそれを上回る基準値を決定するステップと、
    （ｄ）前記プロセッサによって、前記予備ホットスポット体積に基づいて、前記予備３Ｄホットスポットマップによって識別される前記１つまたはそれを上回る予備ホットスポット体積の少なくとも一部の特定の予備ホットスポット体積毎に、
    前記特定の予備ホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度を決定することと、
    （ｉ）前記対応するホットスポット強度と、（ｉｉ）前記１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、前記特定の予備ホットスポット体積のためのホットスポット固有閾値を決定することと、
    前記特定の予備ホットスポット体積のために決定された前記ホットスポット固有閾値を使用して画像セグメント化を実施する閾値ベースのセグメント化アルゴリズムを使用して、前記３Ｄ機能画像の少なくとも一部をセグメント化し、それによって、前記特定の予備ホットスポット体積に対応する、精緻化された、分析的にセグメント化されたホットスポット体積を決定することと、
    前記精緻化されたホットスポット体積を前記精緻化された３Ｄホットスポットマップ内に含むことと
    によって、適応的閾値ベースのセグメント化を使用して、精緻化された３Ｄホットスポットマップを生成するステップと、
    （ｅ）表示および／またはさらなる処理のために、前記精緻化された３Ｄホットスポットマップを記憶および／または提供するステップと
    を含む、方法。
  114. 前記ホットスポット固有閾値は、複数の閾値関数から選択される特定の閾値関数を使用して決定され、前記特定の閾値関数は、前記対応するホットスポット強度と前記少なくとも１つの基準値の比較に基づいて選択される、請求項１１３に記載の方法。
  115. 前記ホットスポット固有閾値は、前記対応するホットスポット強度の可変割合として決定され、前記可変割合は、ホットスポット強度の増加に伴って減少する、請求項１１３または１１４に記載の方法。
  116. 対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するための方法であって、前記方法は、
    （ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信するステップであって、前記３Ｄ解剖学的画像は、前記対象内の組織のグラフィック表現を含む、ステップと、
    （ｂ）前記プロセッサによって、前記３Ｄ解剖学的画像を自動的にセグメント化し、前記３Ｄ解剖学的画像内において、前記対象の肝臓に対応する肝臓体積と、大動脈部分に対応する大動脈体積とを含む複数の着目体積（ＶＯＩ）を識別する３Ｄセグメント化マップを生成するステップと、
    （ｃ）前記プロセッサによって、機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信するステップと、
    （ｄ）前記プロセッサによって、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的にセグメント化するステップであって、各セグメント化されたホットスポットは、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表し、それによって、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積を識別する、ステップと、
    （ｅ）前記プロセッサによって、双方向グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、前記１つまたはそれを上回る自動的にセグメント化されたホットスポット体積のグラフィック表現のレンダリングを引き起こすステップと、
    （ｆ）前記プロセッサによって、前記双方向ＧＵＩを介して、前記１つまたはそれを上回る自動的にセグメント化されたホットスポット体積の少なくとも一部を含む最終ホットスポットセットのユーザ選択を受信するステップと、
    （ｇ）前記プロセッサによって、前記最終セットのホットスポット体積毎に、（ｉ）前記ホットスポット体積に対応する前記機能画像のボクセルの強度、および（ｉｉ）前記肝臓体積および前記大動脈体積に対応する前記機能画像のボクセルの強度を使用して決定される１つまたはそれを上回る基準値に基づいて、病変指数値を決定するステップと、
    （ｅ）表示および／またはさらなる処理のために、前記最終ホットスポットセットおよび／または病変指数値を記憶および／または提供するステップと
    を含む、方法。
  117. ステップ（ｂ）は、前記３Ｄセグメント化マップが前記対象の１つまたはそれを上回る骨に対応する１つまたはそれを上回る骨体積を識別するように、前記解剖学的画像をセグメント化するステップを含み、
    ステップ（ｄ）は、前記機能画像内において、前記１つまたはそれを上回る骨体積を使用して、骨格体積を識別し、前記骨格体積内に位置する１つまたはそれを上回る骨ホットスポット体積をセグメント化するステップを含む、
    請求項１１６に記載の方法。
  118. ステップ（ｂ）は、前記３Ｄセグメント化マップが、前記対象の軟質組織器官に対応する１つまたはそれを上回る器官体積を識別するように、前記解剖学的画像をセグメント化するステップを含み、
    ステップ（ｄ）は、前記機能画像内において、前記１つまたはそれを上回るセグメント化された器官体積を使用して、１つまたはそれを上回る軟質組織体積を識別し、前記軟質組織体積内に位置する１つまたはそれを上回るリンパおよび／または前立腺ホットスポット体積をセグメント化するステップを含む、
    請求項１１６または請求項１１７に記載の方法。
  119. ステップ（ｄ）はさらに、前記１つまたはそれを上回るリンパおよび／または前立腺ホットスポット体積をセグメント化するステップに先立って、前記機能画像の強度を調節し、１つまたはそれを上回る高取込組織領域からの強度を抑制するステップを含む、請求項１１８に記載の方法。
  120. ステップ（ｇ）は、前記肝臓体積に対応する前記機能画像のボクセルの強度を使用して、肝臓基準値を決定するステップを含む、請求項１１６－１１９のいずれか１項に記載の方法。
  121. ２成分ガウス混合モデルを、前記肝臓体積に対応する機能画像ボクセルの強度のヒストグラムに適合させ、前記２成分ガウス混合モデル適合を使用して、前記肝臓体積からの異常に低い取込の領域と関連付けられる強度を有するボクセルを識別および除外し、残りのボクセルの強度を使用して、前記肝臓基準値を決定するステップを含む、請求項１２０に記載の方法。
  122. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および／または特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信することと、
    （ｃ）前記３Ｄ機能画像内および／または前記３Ｄ解剖学的画像内の１つまたはそれを上回る特定の組織領域または組織領域の群を識別する３Ｄセグメント化マップを受信することと、
    （ｄ）１つまたはそれを上回る機械学習モジュールを使用して、各ホットスポットが、その周囲に対してその周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表す、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットのセットを自動的に検出および／またはセグメント化し、それによって、以下のような（ｉ）および（ｉｉ）、すなわち、（ｉ）ホットスポット毎に、前記ホットスポットの場所を識別するホットスポットリストと、（ｉｉ）ホットスポット毎に、前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する３Ｄホットスポットマップとのうちの一方または両方を生成することであって、
    前記１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つは、入力として、（ｉ）前記３Ｄ機能画像と、（ｉｉ）前記３Ｄ解剖学的画像と、（ｉｉｉ）前記３Ｄセグメント化マップとを受信する、ことと、
    （ｅ）表示および／またはさらなる処理のために、前記ホットスポットリストおよび／または前記３Ｄホットスポットマップを記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  123. 前記命令は、前記プロセッサに、
    前記３Ｄ解剖学的画像および／または前記３Ｄ機能画像内の１つまたはそれを上回る特定の組織領域を識別する初期の３Ｄセグメント化マップを受信することと、
    前記１つまたはそれを上回る特定の組織領域の少なくとも一部を、１つまたはそれを上回る組織グルーピングのうちの特定のものに属するものとして識別し、前記識別された特定の領域を前記特定の組織グルーピングに属するものとして示すように、前記３Ｄセグメント化マップを更新することと、
    前記１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つへの入力として、前記更新された３Ｄセグメント化マップを使用することと
    を行わせる、請求項１２２に記載のシステム。
  124. 前記１つまたはそれを上回る組織グルーピングは、軟質組織を表す特定の組織領域が前記軟質組織グルーピングに属するものとして識別されるように、軟質組織グルーピングを含む、請求項１２３に記載のシステム。
  125. 前記１つまたはそれを上回る組織グルーピングは、骨を表す特定の組織領域が骨組織グルーピングに属するものとして識別されるように、骨組織グルーピングを含む、請求項１２３または１２４に記載のシステム。
  126. 前記１つまたはそれを上回る組織グルーピングは、高い放射性医薬品取込と関連付けられる１つまたはそれを上回る器官が、前記高取込グルーピングに属するものと識別されるように、高取込器官グルーピングを含む、請求項１２３－１２５のいずれか１項に記載のシステム。
  127. 前記命令は、前記プロセッサに、検出および／またはセグメント化されたホットスポット毎に、前記ホットスポットのための分類を決定させる、請求項１２２－１２６のいずれか１項に記載のシステム。
  128. 前記命令は、前記プロセッサに、前記１つまたはそれを上回る機械学習モジュールのうちの少なくとも１つを使用させ、検出および／またはセグメント化されたホットスポット毎に、前記ホットスポットのための前記分類を決定させる、請求項１２７に記載のシステム。
  129. 前記１つまたはそれを上回る機械学習モジュールは、
    （Ａ）身体全体の全体を通してホットスポットを検出および／またはセグメント化する全身病変検出モジュールと、
    （Ｂ）前記前立腺内のホットスポットを検出および／またはセグメント化する前立腺病変モジュールと
    を備える、請求項１２２－１２８のいずれか１項に記載のシステム。
  130. 前記命令は、前記プロセッサに、（Ａ）および（Ｂ）のそれぞれを使用して、前記ホットスポットリストおよび／またはマップを発生させ、前記結果を融合させる、請求項１２９に記載のシステム。
  131. ステップ（ｄ）において、前記命令は、前記プロセッサに、
    第１の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第１のセットを識別する第１の初期の３Ｄホットスポットマップを生成することであって、前記第１の機械学習モジュールは、単一のホットスポットクラスに従って前記３Ｄ機能画像のホットスポットをセグメント化する、ことと、
    第２の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットをセグメント化し、それによって、初期のホットスポット体積の第２のセットを識別する第２の初期の３Ｄホットスポットマップを生成することであって、前記第２の機械学習モジュールは、第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が前記複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識されるマルチクラス３Ｄホットスポットマップであるように、前記複数の異なるホットスポットクラスに従って、前記３Ｄ機能画像をセグメント化する、ことと、
    前記第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別することであって、前記第２の３Ｄホットスポットマップの合致ホットスポット体積は、前記複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、ことと、
    前記第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、前記特定のホットスポットクラスに属するものとして標識し、それによって、前記第２の３Ｄホットスポットマップの合致ホットスポットが属するものとして識別されるクラスに従って標識されている前記第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む融合された３Ｄホットスポットマップを生成することと
    によって、前記第１の初期の３Ｄホットスポットマップによって識別される前記ホットスポット体積の少なくとも一部の前記第１の初期の３Ｄホットスポットマップおよび前記第２の初期の３Ｄホットスポットマップを融合することと、
    によって、前記１つまたはそれを上回るホットスポットのセットをセグメント化および分類させ、ホットスポット毎に、前記３Ｄ機能画像内にあり、各ホットスポットが、複数のホットスポットクラスの特定のホットスポットクラスに属するものとして標識される、対応する３Ｄホットスポット体積を識別する、標識された３Ｄホットスポットマップを生成させ、
    ステップ（ｅ）において、前記命令は、前記プロセッサに、表示および／またはさらなる処理のために、前記融合された３Ｄホットスポットマップを記憶および／または提供させる、
    請求項１２２－１３０のいずれか１項に記載のシステム。
  132. 前記複数の異なるホットスポットクラスは、
    （ｉ）骨の中に位置する病変を表すと決定される骨ホットスポットと、
    （ｉｉ）リンパ節の中に位置する病変を表すと決定されるリンパホットスポットと、
    （ｉｉｉ）前立腺の中に位置する病変を表すと決定される前立腺ホットスポットと
    から成る群から選択される１つまたはそれを上回る構成要素を含む、請求項１３１に記載のシステム。
  133. 前記命令はさらに、前記プロセッサに、
    （ｆ）前記ホットスポットリストを受信および／またはそれにアクセスすることと、
    （ｇ）前記ホットスポットリスト内のホットスポット毎に、分析モデルを使用して前記ホットスポットをセグメント化することと
    を行わせる、請求項１２２－１３２のいずれか１項に記載のシステム。
  134. 前記命令はさらに、前記プロセッサに、
    （ｈ）前記ホットスポットマップを受信および／またはそれにアクセスすることと、
    （ｉ）前記ホットスポットマップ内のホットスポット毎に、分析モデルを使用して前記ホットスポットをセグメント化することと
    を行わせる、請求項１２２－１３３のいずれか１項に記載のシステム。
  135. 前記分析モデルは、適応的閾値化方法であり、ステップ（ｉ）において、前記命令は、前記プロセッサに、
    それぞれが特定の基準組織領域に対応する特定の基準体積内に位置する前記３Ｄ機能画像のボクセルの強度の尺度に基づく１つまたはそれを上回る基準値を決定することと、
    前記３Ｄホットスポットマップの特定のホットスポット体積毎に、
    前記特定のホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度を決定することと、
    （ｉ）前記対応するホットスポット強度と、（ｉｉ）前記１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、前記特定のホットスポットのためのホットスポット固有閾値を決定することと
    を行わせる、請求項１３４に記載のシステム。
  136. 前記ホットスポット固有閾値は、複数の閾値関数から選択される特定の閾値関数を使用して決定され、前記特定の閾値関数は、前記対応するホットスポット強度と前記少なくとも１つの基準値の比較に基づいて選択される、請求項１３５に記載のシステム。
  137. 前記ホットスポット固有閾値は、前記対応するホットスポット強度の可変割合として決定され、前記可変割合は、ホットスポット強度の増加に伴って減少する、請求項１３５または１３６に記載のシステム。
  138. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および／または特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）第１の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第１の初期のセットを自動的にセグメント化し、それによって、初期のホットスポット体積の第１のセット、すなわち、前記３Ｄ機能画像内の対応する３Ｄホットスポット体積を識別する第１の初期の３Ｄホットスポットマップを生成することであって、前記第１の機械学習モジュールは、単一のホットスポットクラスに従って前記３Ｄ機能画像のホットスポットをセグメント化する、ことと、
    （ｃ）第２の機械学習モジュールを使用して、前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットの第２の初期のセットを自動的にセグメント化し、それによって、初期のホットスポット体積の第２のセットを識別する第２の初期の３Ｄホットスポットマップを生成することであって、前記第２の機械学習モジュールは、前記第２の初期の３Ｄホットスポットマップが、各ホットスポット体積が前記複数の異なるホットスポットクラスのうちの特定のものに属するものとして標識されるマルチクラス３Ｄホットスポットマップであるように、複数の異なるホットスポットクラスに従って、前記３Ｄ機能画像をセグメント化する、ことと、
    （ｄ）前記第１の初期の３Ｄホットスポットマップによって識別される前記初期のホットスポット体積の第１のセットの少なくとも一部の特定のホットスポット体積毎に、
    前記第２の初期の３Ｄホットスポットマップの合致ホットスポット体積を識別することであって、前記第２の３Ｄホットスポットマップの合致ホットスポット体積は、前記複数の異なるホットスポットクラスの特定のホットスポットクラスに属するものとして標識されている、ことと、
    前記第１の初期の３Ｄホットスポットマップの特定のホットスポット体積を、前記特定のホットスポットクラスに属するものとして標識し、それによって、前記第２の３Ｄホットスポットマップの合致ホットスポットが属するものとして識別されるクラスに従って標識されている前記第１の３Ｄホットスポットマップのセグメント化されたホットスポット体積を含む融合された３Ｄホットスポットマップを生成することと
    によって、前記第１の初期の３Ｄホットスポットマップおよび前記第２の初期の３Ｄホットスポットマップを融合させることと、
    （ｅ）表示および／またはさらなる処理のために、前記融合された３Ｄホットスポットマップを記憶および／または提供させることと
    を行わせる、メモリと
    を備える、システム。
  139. 前記複数の異なるホットスポットクラスは、
    （ｉ）骨の中に位置する病変を表すと決定される骨ホットスポットと、
    （ｉｉ）リンパ節の中に位置する病変を表すと決定されるリンパホットスポットと、
    （ｉ）前立腺の中に位置する病変を表すと決定される前立腺ホットスポットと
    から成る群から選択される１つまたはそれを上回る構成要素を含む、請求項１３８に記載のシステム。
  140. 適応的閾値化アプローチを介して、対象内の癌性病変を識別および／または特性評価するために対象の３Ｄ画像を自動的に処理するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｂ）前記３Ｄ機能画像において、１つまたはそれを上回る予備ホットスポット体積を識別する予備３Ｄホットスポットマップを受信することと、
    （ｃ）それぞれが特定の基準組織領域に対応する特定の基準体積内に位置する前記３Ｄ機能画像のボクセルの強度の尺度に基づく１つまたはそれを上回る基準値を決定することと、
    （ｄ）前記予備ホットスポット体積に基づいて、前記予備３Ｄホットスポットマップによって識別される前記１つまたはそれを上回る予備ホットスポット体積の少なくとも一部の特定の予備ホットスポット体積毎に、
    前記特定の予備ホットスポット体積内のボクセルの強度に基づいて、対応するホットスポット強度を決定することと、
    （ｉ）前記対応するホットスポット強度と、（ｉｉ）前記１つまたはそれを上回る基準値のうちの少なくとも１つとに基づいて、前記特定の予備ホットスポットに関するホットスポット固有閾値を決定することと、
    前記特定の予備ホットスポットに関して決定された前記ホットスポット固有閾値を使用して、画像セグメント化を実施する閾値ベースのセグメント化アルゴリズムを使用して、前記３Ｄ機能画像の少なくとも一部をセグメント化し、それによって、前記特定の予備ホットスポット体積に対応する精緻化された分析的にセグメント化されたホットスポット体積を決定することと、
    前記精緻化されたホットスポット体積を前記精緻化された３Ｄホットスポットマップ内に含むことと
    によって、適応的閾値ベースのセグメント化を使用して、精緻化された３Ｄホットスポットマップを生成することと、
    （ｅ）表示および／またはさらなる処理のために、前記精緻化された３Ｄホットスポットマップを記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  141. 前記ホットスポット固有閾値は、複数の閾値関数から選択される特定の閾値関数を使用して決定され、前記特定の閾値関数は、前記対応するホットスポット強度と前記少なくとも１つの基準値の比較に基づいて選択される、請求項１４０に記載のシステム。
  142. 前記ホットスポット固有閾値は、前記対応するホットスポット強度の可変割合として決定され、前記可変割合は、ホットスポット強度の増加に伴って減少する、請求項１４０または１４１に記載のシステム。
  143. 対象の３Ｄ画像を自動的に処理し、前記対象内の癌性病変を識別および／または特性評価するためのシステムであって、前記システムは、
    コンピューティングデバイスのプロセッサと、
    メモリであって、前記メモリは、その上に記憶される命令を有し、前記命令が、前記プロセッサによって実行されると、前記プロセッサに、
    （ａ）解剖学的撮像モダリティを使用して取得された前記対象の３Ｄ解剖学的画像を受信することであって、前記３Ｄ解剖学的画像は、前記対象内の組織のグラフィック表現を含む、ことと、
    （ｂ）前記３Ｄ解剖学的画像を自動的にセグメント化し、前記３Ｄ解剖学的画像内において、前記対象の肝臓に対応する肝臓体積と、大動脈部分に対応する大動脈体積とを含む複数の着目体積（ＶＯＩ）を識別する３Ｄセグメント化マップを生成することと、
    （ｃ）機能撮像モダリティを使用して取得された前記対象の３Ｄ機能画像を受信することと、
    （ｄ）前記３Ｄ機能画像内の１つまたはそれを上回るホットスポットを自動的にセグメント化することであって、各セグメント化されたホットスポットは、その周囲に対して高い強度の局所領域に対応し、前記対象内の潜在的な癌性病変を表し、それによって、１つまたはそれを上回る自動的にセグメント化されたホットスポット体積を識別することと、
    （ｅ）双方向グラフィカルユーザインターフェース（ＧＵＩ）内での表示のために、前記１つまたはそれを上回る自動的にセグメント化されたホットスポット体積のグラフィック表現のレンダリングを引き起こすことと、
    （ｆ）前記双方向ＧＵＩを介して、前記１つまたはそれを上回る自動的にセグメント化されたホットスポット体積の少なくとも一部を含む最終ホットスポットセットのユーザ選択を受信することと、
    （ｇ）前記最終セットのホットスポット体積毎に、（ｉ）前記ホットスポット体積に対応する前記機能画像のボクセルの強度、および（ｉｉ）前記肝臓体積および前記大動脈体積に対応する前記機能画像のボクセルの強度を使用して決定される１つまたはそれを上回る基準値に基づいて、病変指数値を決定することと、
    （ｅ）表示および／またはさらなる処理のために、前記最終ホットスポットセットおよび／または病変指数値を記憶および／または提供することと
    を行わせる、メモリと
    を備える、システム。
  144. ステップ（ｂ）において、前記命令は、前記プロセッサに、前記３Ｄセグメント化マップが、前記対象の１つまたはそれを上回る骨に対応する１つまたはそれを上回る骨体積を識別するように、前記解剖学的画像をセグメント化させ、
    ステップ（ｄ）において、前記命令は、前記プロセッサに、前記機能画像内において、前記１つまたはそれを上回る骨体積を使用して、骨格体積を識別し、前記骨格体積内に位置する１つまたはそれを上回る骨ホットスポット体積をセグメント化させる、
    請求項１４３に記載のシステム。
  145. ステップ（ｂ）において、前記命令は、前記プロセッサに、前記３Ｄセグメント化マップが、前記対象の軟質組織器官に対応する１つまたはそれを上回る器官体積を識別するように、前記解剖学的画像をセグメント化させ、
    ステップ（ｄ）において、前記命令は、前記プロセッサに、前記機能画像内において、前記１つまたはそれを上回るセグメント化された器官体積を使用して、軟質組織体積を識別させ、前記軟質組織体積内に位置する１つまたはそれを上回るリンパおよび／または前立腺ホットスポット体積をセグメント化させる、
    請求項１４３または請求項１４４に記載のシステム。
  146. ステップ（ｄ）において、前記命令は、前記プロセッサに、前記１つまたはそれを上回るリンパおよび／または前立腺ホットスポット体積をセグメント化するステップに先立って、前記機能画像の強度を調節させ、１つまたはそれを上回る高取込組織領域からの強度を抑制させる、請求項１４５に記載のシステム。
  147. ステップ（ｇ）において、前記命令は、前記プロセッサに、前記肝臓体積に対応する前記機能画像のボクセルの強度を使用して、肝臓基準値を決定させる、請求項１４３－１４６のいずれか１項に記載のシステム。
  148. 前記命令は、前記プロセッサに、
    ２成分ガウス混合モデルを、前記肝臓体積に対応する機能画像ボクセルの強度のヒストグラムに適合することと、
    前記２成分ガウス混合モデル適合を使用し、前記肝臓体積からの異常に低い取込の領域と関連付けられる強度を有するボクセルを識別および除外することと、
    残りのボクセルの強度を使用して、前記肝臓基準値を決定することと
    を行わせる、請求項１４７に記載のシステム。
JP2023500326A 2020-07-06 2021-07-02 病変の検出および特性評価のための人工知能ベースの画像分析のためのシステムならびに方法 Pending JP2023532761A (ja)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US202063048436P 2020-07-06 2020-07-06
US63/048,436 2020-07-06
US17/008,411 2020-08-31
US17/008,411 US11721428B2 (en) 2020-07-06 2020-08-31 Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions
US202063127666P 2020-12-18 2020-12-18
US63/127,666 2020-12-18
US202163209317P 2021-06-10 2021-06-10
US63/209,317 2021-06-10
PCT/EP2021/068337 WO2022008374A1 (en) 2020-07-06 2021-07-02 Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions

Publications (1)

Publication Number Publication Date
JP2023532761A true JP2023532761A (ja) 2023-07-31

Family

ID=79552821

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023500326A Pending JP2023532761A (ja) 2020-07-06 2021-07-02 病変の検出および特性評価のための人工知能ベースの画像分析のためのシステムならびに方法

Country Status (10)

Country Link
EP (1) EP4176377A1 (ja)
JP (1) JP2023532761A (ja)
KR (1) KR20230050319A (ja)
CN (1) CN116134479A (ja)
AU (1) AU2021305935A1 (ja)
BR (1) BR112022026642A2 (ja)
CA (1) CA3163190A1 (ja)
MX (1) MX2022016373A (ja)
TW (1) TW202207241A (ja)
WO (1) WO2022008374A1 (ja)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10340046B2 (en) 2016-10-27 2019-07-02 Progenics Pharmaceuticals, Inc. Network for medical image analysis, decision support system, and related graphical user interface (GUI) applications
JP2020525127A (ja) 2017-06-26 2020-08-27 ザ・リサーチ・ファウンデーション・フォー・ザ・ステイト・ユニヴァーシティ・オブ・ニューヨーク 仮想膵臓撮影法のためのシステム、方法、およびコンピュータ・アクセス可能媒体
WO2020144134A1 (en) 2019-01-07 2020-07-16 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
AU2020261370A1 (en) 2019-04-24 2021-10-14 Exini Diagnostics Ab Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
CN113748443A (zh) 2019-04-24 2021-12-03 普罗热尼奇制药公司 用于交互式调整核医学图像中的强度窗口设定的系统和方法
US11900597B2 (en) 2019-09-27 2024-02-13 Progenics Pharmaceuticals, Inc. Systems and methods for artificial intelligence-based image analysis for cancer assessment
US11721428B2 (en) 2020-07-06 2023-08-08 Exini Diagnostics Ab Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions
CA3231578A1 (en) 2021-10-08 2023-04-13 Exini Diagnostics Ab Systems and methods for automated identification and classification of lesions in local lymph and distant metastases
CN114767268B (zh) * 2022-03-31 2023-09-22 复旦大学附属眼耳鼻喉科医院 一种适用于内镜导航系统的解剖结构跟踪方法及装置
WO2023232067A1 (en) * 2022-05-31 2023-12-07 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for lesion region identification
US20230410985A1 (en) 2022-06-08 2023-12-21 Exini Diagnostics Ab Systems and methods for assessing disease burden and progression
CN116309585B (zh) * 2023-05-22 2023-08-22 山东大学 基于多任务学习的乳腺超声图像目标区域识别方法及系统
CN117274244B (zh) * 2023-11-17 2024-02-20 艾迪普科技股份有限公司 基于三维图像识别处理的医学成像检验方法、系统和介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7876938B2 (en) * 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
RU2494096C2 (ru) 2008-08-01 2013-09-27 Дзе Джонс Хопкинс Юниверсити Агенты, связывающиеся с psma, и их применение
EP2706057B1 (en) 2008-12-05 2016-04-20 Molecular Insight Pharmaceuticals, Inc. Bis(imidazolyl)compounds and radionuclide complexes
TW201034691A (en) 2008-12-05 2010-10-01 Molecular Insight Pharm Inc Technetium-and rhenium-bis(heteroaryl) complexes and methods of use thereof
US10340046B2 (en) 2016-10-27 2019-07-02 Progenics Pharmaceuticals, Inc. Network for medical image analysis, decision support system, and related graphical user interface (GUI) applications
EP3738097A2 (en) 2018-01-08 2020-11-18 Progenics Pharmaceuticals, Inc. Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination
WO2020144134A1 (en) 2019-01-07 2020-07-16 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation

Also Published As

Publication number Publication date
CA3163190A1 (en) 2022-01-13
CN116134479A (zh) 2023-05-16
BR112022026642A2 (pt) 2023-01-24
KR20230050319A (ko) 2023-04-14
MX2022016373A (es) 2023-03-06
TW202207241A (zh) 2022-02-16
WO2022008374A1 (en) 2022-01-13
EP4176377A1 (en) 2023-05-10
AU2021305935A1 (en) 2023-02-02

Similar Documents

Publication Publication Date Title
JP2023532761A (ja) 病変の検出および特性評価のための人工知能ベースの画像分析のためのシステムならびに方法
US11937962B2 (en) Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
US20240169546A1 (en) Systems and methods for platform agnostic whole body image segmentation
JP7448476B2 (ja) 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法
AU2017348111B2 (en) Network for medical image analysis, decision support system, and related graphical user interface (GUI) applications
US11721428B2 (en) Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions
US20230351586A1 (en) Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions
TWI835768B (zh) 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法
US20230410985A1 (en) Systems and methods for assessing disease burden and progression
KR20230113376A (ko) 의료 영상 생성 시스템 및 방법