JP2023540284A - 仮想膵管造影パイプラインのためのシステムおよび方法 - Google Patents
仮想膵管造影パイプラインのためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2023540284A JP2023540284A JP2023514089A JP2023514089A JP2023540284A JP 2023540284 A JP2023540284 A JP 2023540284A JP 2023514089 A JP2023514089 A JP 2023514089A JP 2023514089 A JP2023514089 A JP 2023514089A JP 2023540284 A JP2023540284 A JP 2023540284A
- Authority
- JP
- Japan
- Prior art keywords
- pancreatic
- lesion
- compartment
- ductal
- segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000003902 lesion Effects 0.000 claims abstract description 178
- 238000012800 visualization Methods 0.000 claims abstract description 100
- 210000000496 pancreas Anatomy 0.000 claims abstract description 77
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000009877 rendering Methods 0.000 claims abstract description 23
- 210000000277 pancreatic duct Anatomy 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000000638 solvent extraction Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 21
- 238000005259 measurement Methods 0.000 abstract description 13
- 210000004907 gland Anatomy 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 abstract description 10
- 210000003484 anatomy Anatomy 0.000 abstract description 6
- 238000002591 computed tomography Methods 0.000 description 37
- 238000013459 approach Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000015572 biosynthetic process Effects 0.000 description 12
- 238000005755 formation reaction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 208000004434 Calcinosis Diseases 0.000 description 10
- 230000003187 abdominal effect Effects 0.000 description 10
- 230000002308 calcification Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 201000010302 ovarian serous cystadenocarcinoma Diseases 0.000 description 8
- 208000005893 serous cystadenoma Diseases 0.000 description 8
- 239000007787 solid Substances 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 6
- 201000002528 pancreatic cancer Diseases 0.000 description 6
- 208000008443 pancreatic carcinoma Diseases 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000002271 resection Methods 0.000 description 5
- 206010058314 Dysplasia Diseases 0.000 description 4
- 206010073365 Intraductal papillary mucinous carcinoma of pancreas Diseases 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 201000004754 pancreatic intraductal papillary-mucinous neoplasm Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000000952 spleen Anatomy 0.000 description 3
- 208000016222 Pancreatic disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 210000000013 bile duct Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 208000012106 cystic neoplasm Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000002609 virtual colonoscopy Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 206010023126 Jaundice Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000013276 bronchoscopy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000035269 cancer or benign tumor Diseases 0.000 description 1
- 208000018747 cerebellar ataxia with neuropathy and bilateral vestibular areflexia syndrome Diseases 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000022669 mucinous neoplasm Diseases 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000009826 neoplastic cell growth Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000000574 retroperitoneal space Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000004865 vascular response Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 208000016261 weight loss Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/425—Evaluating particular parts, e.g. particular organs pancreas
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Endocrinology (AREA)
- Gastroenterology & Hepatology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
膵臓病変部の非侵襲的診断および分類のための仮想膵管造影(VP)のためのシステムおよび方法が、開示される。VPは、エンドツーエンド視覚診断システムであり、膵腺および病変部の自動区画化と、一次膵管の抽出と、複数の病変部タイプへの病変部の自動分類と、膵臓、病変部、および周囲の生体構造の特殊化された3Dおよび2D診査的可視化とを含む。体積レンダリングは、有効な診断のために、膵臓および病変部中心の可視化と、測定値と組み合わせられる。
Description
(関連出願の相互参照)
本願は、参照することによってその開示全体が本明細書に組み込まれる、2020年9月1日に出願された、米国特許出願第63/073,122号に関し、その優先権を主張する。
本願は、参照することによってその開示全体が本明細書に組み込まれる、2020年9月1日に出願された、米国特許出願第63/073,122号に関し、その優先権を主張する。
本開示は、概して、コンピュータ補助診断および治療計画のための膵臓の3次元可視化の生成および表示のためのシステムおよび方法に関する。
膵臓癌(PC)は、5年間にわたって10%未満の生存率を伴う、最も侵攻性の強い癌のうちの1つである。そのような低い率は、部分的に、疾患の無症候性であって、殆どの場合が、末期まで検出されないままであることにつながる、本質に起因する。明確に異なる前駆体病変部の早期検出および特性評価は、PCの予後を有意に改善し得る。しかしながら、CT走査上の病変部の正確な特性評価は、関連する形態学的および形状的特徴が、従来の2D図において、明確に可視ではないため、困難である。これらの特徴はまた、病変部タイプ間でも重複し、手動査定に、人為的エラーおよび診断の変動性の影響を被らせ、経験を積んだ放射線科医の診断正確度でも、67~70%の範囲内である。
従来の技術は、膵臓内の疾患の撮像および診断に対して、不適正な解決策を提供する。膵管造影は、例えば、膵臓を診断するために、侵襲的内視鏡手技を要求する。従来の膵臓の2D撮像もまた、例えば、病変部と膵管との関係が、確立されることが困難であるため、不適正である。画像の入手、処理、および可視化における技術的な進歩は、根本的には、新たな医療仮想診断および仮想内視鏡検査を有効にしている。例えば、仮想結腸内視鏡検査(VC)は、電子生検、結腸平坦化、2つの(例えば、伏臥、仰臥位の)走査の同期表示等の高度可視化方法を使用して、非常に有効である、結腸直腸癌の評価の一技法である。同様に、仮想内視鏡検査は、気管支内視鏡検査、血管内視鏡検査、および洞腔に適用されている。前立腺癌の可視化およびマンモグラフィ検診は、レンダリングおよび機械学習技法が、意思決定において臨床医を支援している、実施例である。特殊化された可視化もまた、外科および療法の計画において使用されている。3D可視化は、ラットの膵臓造影、およびマウスの膵臓内の微小規模の特徴のためのMR顕微鏡検査において利用されていた。しかしながら、現在のところ、ヒトの膵臓病変部の非侵襲的検診および分析のための包括的視覚診断システムは、存在しない。
したがって、例えば、適正な診断的洞察を提供するために、本質的に3Dである、膵臓および病変部の検出、区画化、および分析のために具体的に開発される、ツールおよび3D可視化を伴う、指定システムに対する必要性が存在する。
これらおよびさらに多くの利点が、本システムおよび方法の例示的実施形態において提供される。
本明細書に説明される、本システムおよび方法の実施形態は、仮想膵管造影(VP)のためのシステムおよび方法を提供する。本システムおよび方法は、放射線画像内の膵臓癌検診に使用され、限定ではないが、コンピュータ断層撮影(「CT」)と、磁気共鳴撮像(「MRI」)とを含む。
具体的には、本システムおよび方法は、膵腺、膵臓病変部の自動区画化と、膵管の医師誘導区画化と、入力画像全体の自動ホリスティック分析と、膵臓病変部および異形成の対応するグレードの自動組織病理学的分類を実施するためのツールのセットと、包括的3Dおよび2D可視化ツールとを提供する。本システムおよび方法は、潜在的または確認された膵臓病変部を伴う患者の医師による診断的評価における使用のために意図される、非侵襲的診断デバイスである。
本明細書に説明されるシステムおよび方法は、従来のコンピュータ断層撮影(CT)、スペクトルCT、別名、二重エネルギーCT(DECT)、または磁気共鳴撮像(MRI)等の腹部走査における非侵襲的膵臓癌検診を提供し、これは、強化および拡張された仮想膵管造影(VP)システムである。本システムおよび方法は、膵腺、膵臓病変部、および膵管の自動検出および区画化(および代替として、膵管の医師誘導区画化)と、腹部全体走査および存在する異常の全ての自動ホリスティック分析と、存在する膵臓病変部の組織病理学的タイプ(例えば、膵管内乳頭粘液性腫瘍(IPMN)、粘液性嚢胞性腫瘍(MCN)、漿液性嚢胞腺腫(SCA)、充実性偽乳頭状腫瘍(SPN)、およびその他)への分類と、異形成のグレード(例えば、低、中、高)と、3Dレンダリング、ツール、および測定能力を伴う、包括的可視化インターフェースとのための機能性を提供する。
具体的には、本システムおよび方法は、以下の構成要素を含む。
膵臓、病変部、および管の検出および区画化:本システムおよび方法は、好ましくは、膵腺および膵臓病変部の自動検出および区画化を実施するために、区画化モジュールを含む。区画化モジュールは、ニューラルネットワークを含み、これは、入力される腹部走査を分析し、標的構造物を検出し、存在する場合、標的構造物(例えば、膵腺、病変部)を構成する、ボクセルに対する確率マップを生成する。さらに、区画化モジュールは、膵臓に限定される必要はなく、他の腹部構造物(例えば、肝臓、脾臓、およびその他)の区画化のために構成されることができる。
双方向性管の区画化:本システムおよび方法は、好ましくは、半自動様式で、膵腺の内部の管構造物を区画化するために、放射線科医(または他の使途、例えば、医師)にインターフェースを提供する、抽出モジュールを提供する。これは、一次管および二次管、および可視である場合、胆管を含む。抽出モジュールは、有意な血管を選択するために、ノイズ除去フィルタから始まり、その後、局所的多重円筒形幾何学形状の抽出、および連結構成要素分析が続く。
腹部走査のホリスティック分析:本システムおよび方法は、臨床的所見(癌の広がり、肝臓病変部、およびその他)の全てのホリスティック写真を取得するために、腹部全体走査を分析する。
病変部の分類および異形成のグレードの予測:患者の人口統計学、および腹部領域の取得されるホリスティック写真を活用し、本システムおよび方法の分類モジュールは、膵臓病変部(存在する場合)および異形成の対応するグレードの自動組織病理学的分類を実施する。分類モジュールは、2つの主要部分、すなわち、(1)患者の年齢および性別、膵腺内の病変部の場所、輪郭から導出されるその形状および強度特性、および走査の強度を分析する、確率的ランダムフォレスト分類子と、(2)病変部の高水準撮像特性を分析する、ニューラルネットワークとを含む。これらの2つの部分は、病変部の推定される特性とその組織病理学的タイプとの関係を符号化するために、ベイズ組み合わせの中に組み合わせられ、したがって、最終的な分類確率を生産する。別の実施形態は、区画化の機械学習が、同一の深層学習ネットワーク内の分類のものと組み合わされるときである。ある病変部タイプは、少なくとも部分的に、管構造物への近接によって特性評価されることができる。好ましくは、本システムおよび方法は、さらなる入力として、病変部分類モジュールに入力され得る、管中心線情報を提供する。
可視化インターフェース:本システムおよび方法の可視化モジュールは、膵臓、病変部、管、および周囲の生体構造の強化される3D可視化および2D再形成を構築およびレンダリングする。これは、膵臓病変部の双方向性視覚診断をサポートするために、複数のリンクおよび同期された3Dおよび2Dビューポートを伴う、ユーザインターフェース(UI)を含む。それは、膵臓病変部の分類および診断に関連する走査からの構造的特徴の視覚的検査において医師を補助する。これは、管と病変部との関係の綿密かつ時間効率の良い分析のために、走査全体、および異なる組み合わせにおける、膵腺、病変部、および管構造物等の区画化された構造物の強化および3D可視化と、中隔形成、石灰化、嚢胞性および中実構成要素等の内部病変部特徴の3D可視化と、膵管構造物の3D可視化およびその病変部との関係/連通と、2D複数平面(軸方向平面、冠状平面、矢状平面、および任意平面)および(管および膵臓の算出される中心線を通して構築される)湾曲平面再形成とを含む。本インターフェースはまた、区画化された病変部、膵臓、および管の体積の自動体積測定値、病変部の自動範囲測定値、および3Dおよび2D視点における任意双方向性線形測定値を提供する。
多峰性分析:複数のエネルギー準位およびアルゴリズム的に構築される単一エネルギーからの走査と、ヨウ素、脂肪、および水等の材料分解画像等のDECTの複数の位相が、比較可視化(対照比較および重ね合わせ比較)を提供するために、および3D可視化をさらに強化させるために利用される。領域間のより高いコントラスト、およびこれらの位相からの付加的なエッジおよび境界情報は、区画化、組織病理学的分類、および膵臓、病変部、および管の3D/2D可視化の正確度の改良のためにアルゴリズム的に拡張される。特に、DECTは、より小さい(初期の)病変部および管の区画化の検出における、より良好な正確度のために利用される。DECTが、利用可能な場合、d1e膵管は、自動的に検出および区画化されることができる。
本システムおよび方法は、診断の正確度および速さを改良し、CT(二重または単一エネルギー)またはMRI等の放射線走査において識別される、種々の膵臓病変部の区別化の客観性を改良するために、医師(典型的には、放射線科医)を支援する。本システムおよび方法はまた、膵臓癌の生存率を実質的に変化させる、膵臓病変部の早期検出もサポートする。
本システムおよび方法、その目的、および利点のより完全な理解のために、ここで、付随の図面に関連して検討される、以下の説明が、参照される。
本システムおよび方法の実施形態の以下の詳細な説明は、付随の図面を参照して行われるであろう。本発明を説明する際、当技術分野において公知である、関連する機能または構築についての説明は、不必要な詳細を伴って、本発明を曖昧にすることを回避するために、本発明の概念を理解する際の明確性のために、省略される。
例示的実施形態は、放射線画像を使用する仮想膵管造影(VP)のための非侵襲的コンピュータ実装システムおよび方法を提供し、限定ではないが、コンピュータ断層撮影と、磁気共鳴撮像とを含む。
例示的実施形態は、膵臓および膵臓病変部を自動的または半自動的に区画化し、複数の病変部タイプの1つである区画化された病変部を分類する、包括的可視化システムを採用する。これは、一次管のユーザ支援抽出のためのツールを組み込み、膵臓、病変部、および関連する特徴の有効な診査的可視化を提供する。VPは、3D体積レンダリングと、複数平面再形成(MPR)と湾曲平面再形成(CPR)を通して構築される、2D可視化とを組み合わせ、3D可視化と未加工CT強度との間のより良好なマッピングを提供する。そのようなマッピングは、放射線科医(および/または他のユーザ)が、精通している2D CT再構成を使用して、着目3D領域を苦労することなく検査および検証することを可能にする。
膵臓は、腹部の左上側に向かって水平に配向される、細長い腹部器官である。これは、胃、脾臓、肝臓、および腸によって包囲される。これは、食物吸収のための重要な消化液を分泌し、血糖値を調節するためのホルモンを生産する。図2Aの膵臓のイラストに描写されるように、膵臓は、3つの領域、すなわち、頭部201、胴体202、および尾部203に大まかに分割される。一次管205は、細長い臓器の中心軸にほぼ沿って通過し、拡張に起因して、CT走査上で可視となることができる。また、図2Aに描写されるのは、胆管204と、二次管206とである。膵臓病変部は、高品質断面撮像の使用の増加に起因して、CT走査および他のタイプの医用撮像において、頻繁に遭遇される。体重減少、嘔気、黄疸、および腹痛が、一般的な症状であるが、大多数の場合は、偶発的に診断される。膵臓病変部の最も一般的なタイプは、膵管内乳頭粘液性腫瘍(IPMN)、粘液性嚢胞性腫瘍(MCN)、漿液性嚢胞腺腫(SCA)、および充実性偽乳頭状腫瘍(SPN)である。これらの病変部は、その悪性度および侵攻性の度合いにおいて変動する。IPMNおよびMCNは、膵臓癌に対する前駆体と見なされ、早期疾患の識別および介入に対する可能性を提供するが、SCAおよびSPNは、低悪性度の可能性を有する。
膵臓病変部の初期診断は、多くの場合、膵腺内の病変部の場所とともに、患者の年齢および性別から始まる。診断は、CT走査上で識別される、撮像特性を用いて強化される。CT画像上の病変部の可視特性は、(a)石灰化-明るい高強度の斑点として現れる、カルシウム堆積物、(b)嚢胞性構成要素-典型的には、暗い略球状領域として現れる、液体で充填される、小さな(微小嚢胞性)および大きな(巨大嚢胞性)嚢、(c)中隔形成-通常、嚢胞性構成要素を分離する、比較的より明るい壁様構造物、(d)中実構成要素-病変部内の中実の薄灰色領域、(e)管拡張および連通-一次管の拡張、およびそれが病変部と連通する方法等の特徴を含む。これらの可視特徴に基づく病変部の形態学的外観は、それらを特性評価する際に役立つことができる。しかしながら、いくつかの診断特徴は、異なる病変部タイプ間で重複するため、正確な診断を行うことは、困難である。CT走査における、これらの病変部の外観の実施例が、図2Bに描写される。これらの病変部の主な診断的特徴は、下記に説明される。
IPMNは、図2B内の参照番号207に描写される。IPMNは、男性と女性の両方に共通であり、典型的には、平均年齢が69歳であり、膵臓内のどの場所にも現れ得る。放射線上では、IPMNは、微小嚢胞性外観を有し、膵管と連通する。これは、典型的には、石灰化を有しない。
MCNは、図2B内の参照番号209に描写される。MCNは、通常、平均年齢が50歳の閉経周辺期の女性において診断され、多くの場合、膵臓の胴体または尾部に位置する。これは、典型的には、単一の嚢胞性構成要素(巨大嚢胞性)を含有し、周辺の石灰化および厚い中隔形成を有する場合がある。
SCAは、図2B内の参照番号209に描写される。SCAは、平均年齢が65歳の女性に頻発し、典型的には、膵臓の頭部に生じる。CT外観は、通常、蜂巣様(微小または巨大嚢胞性)形態を伴う、分葉状腫瘤であり、これは、多くの場合、石灰化される。
SPNは、図2B内の参照番号210に描写される。SPNは、大抵の場合、平均年齢が25際の若い女性に生じる。図2Bに図示される病変部は、典型的には、石灰化され得る、中実塊によって被包される、嚢胞性構成要素として現れる。
例示的実施形態に説明される、VPシステムおよび方法は、膵臓疾患の診断における従来の2D膵臓撮像よりも優れている。図1は、膵臓の2Dスライス図および3D可視化の種々の医用撮像を図示する。2D画像101は、参照番号102によって示される、見掛けの内部病変部中隔形成壁を伴う、膵臓頭部上の病変部の軸方向スライスである。3D可視化103および105は、2D画像101に描写されるものと同一の膵臓の同一領域を示す。しかしながら、3D可視化103および105において証明されるように、見掛けの内部病変部中隔形成102は、実際には、(参照番号104および106において指し示されるように)外部割れ目である。したがって、3D可視化は、診断に影響を与え得る、病変部嚢胞性構成要素の重要な形状およびサイズ情報を明らかにする。図1内の2D画像107は、膵臓胴体内の病変部および一次管(一次管は、参照番号108によって指し示される)の軸方向スライスの画像である。2D画像109では、病変部に接続する、二次管110は、スライス図上では、非常に見分けにくい状態で現れる。しかしながら、3D可視化111は、病変部と接続する、分岐二次管112を明確に示す。したがって、3D可視化は、そのような見分けにくいものに注目することができる。
2D図上での病変部形態構造の解釈は、多くの場合、困難である。例えば、図1内の参照番号101、103、および105に示されるように、複雑な非凸面形状を伴う病変部壁は、内部中隔形成に類似して現れ得る。同様に、管を調査することは、図1内の参照番号107、109、および111に描写されるように、断面を通して、複数の構成要素に分割されるため、煩雑である。膵臓の典型的な全長は、150~200枚の軸方向スライスであり得る。病変部、管、および管および病変部の関係の3D構造物の知的再構成は、著しい数のスクロールおよび知的努力を要求する。これは、時間がかかるとともに、エラーが発生し易くあり得る。加えて、放射線科医の専門知識における変動性、病変部の検出、分析、および正確な測定のための特殊化されたツールの欠如は、診断の不一致を導入する。これらの時間的および品質的課題に基づいて、特殊化された3Dツールを紹介する。
以下の非網羅的な利益および/または付加的な特徴は、本明細書内の例示的実施形態によって提供される。膵臓および病変部の区画化のための自動アルゴリズムの採用。異なる図から情報を探索および入手するために、連結された図を用いた膵臓および病変部の3Dおよび2D可視化を提供すること。病変部を可視化し、その特性的な内部特徴を強化させるための予め設定されるモードの提供。管と病変部との間の関係の詳細な分析のための3D可視化および2D再形成視点をサポートする、膵管の半自動抽出のためのシステムおよび方法の展開。再形成される視点は、(a)その長さを横断して、管の占有面積(断面)を追跡する際に、視覚的一貫性を改良するために、管中心線に沿って摺動される、直交切断平面(中心線誘導再区分化)と、(b)単一の2D視点において、管全体および病変部を可視化するために、膵臓のCPRとを含む。すでに区画化された構造物を活用することによる、より単純な局所1D伝達関数(TF)の採用、および可視化を直感的なものに保ち、データの誤った解釈を回避するために、伝達関数操作のための簡略化されたインターフェースの提供。より広範囲であるが、本ツールは、放射線科医によって一般的に使用される、グレースケールウィンドウ/レベル調節と同様に機能する。人口統計的および臨床的データ、および放射線画像から導出される放射線学的特徴の詳細な分析に基づいて、病変部の自動分類のためのモジュールを組み込むこと。また、病変部のサイズの自動および手動査定のためのツールの提供。
例示的実施形態は、特性的な悪性特徴を識別する際に、放射線科医の専門知識を使用する、定性分析のための包括的可視化ツールを提供する一方、自動分類および測定等の自動定量分析を用いて、診断プロセスを増強させる。
図3Aは、例示的VPシステムを図示する、簡略化されたブロック図である。広義には、例示的VPシステムは、以下のモジュール、すなわち、(1)膵臓および病変部の自動および/または半自動区画化を実施するための区画化モジュール315と、(2)一次膵管の半自動および/または自動抽出、およびその後の中心線およびCPRの算出を促進するように構成される、抽出モジュール320と、(3)膵臓の種々の区画化された構成要素の中心線を算出するように構成される、中心線モジュール325と、(4)区画化された膵臓の構成要素の湾曲平面再形成を実施するように構成される、CPRモジュール300と、(5)図3B内のブロック307に図示されるように、複数(例えば、4つ)の共通病変部タイプへの自動病変部分類を実施するように構成される、分類モジュール330と、(6)ブロック308に図示される、診査的可視化および測定ツールのための完全機能のユーザインターフェースを提供するように構成される、可視化モジュール335とを採用する。
図3Bは、VPシステムの例示的プロセスを図示する、簡略化されたフロー/ブロック図である。
ブロック301において、例示的VPシステムは、入力として腹部領域の放射線画像を受信することができる。本画像データは、CT、MRI、多峰性、または他の好適な放射線画像データであってもよい。ブロック302において、VPシステムは、人口統計的および臨床的データを受信し得、これは、本明細書にさらに説明されるように、分類モジュールによって使用されることができる。臨床データは、他の患者の放射線画像、およびそのような患者の他の徴候または症状を含み得、人口統計的データは、膵臓疾患診断に関連する、(患者の年齢、性別、健康習慣、地理、併存疾患等を含む)具体的な患者の個人的特徴を含むことができる。
ブロック303において、患者の腹部領域の放射線画像は、最初に、区画化モジュールを通して通過され、これは、存在する場合、膵臓および膵臓病変部を区画化する。
ブロック304において、自動区画化モジュール内で作成される区画化は、抽出モジュールまで通過されることができる。抽出モジュールは、例えば、半自動プロセスを通して、一次膵管を双方向に隔離するための能力を、放射線科医または他の技術者に提供する、管抽出ウィンドウを提供する、グラフィカルユーザインターフェースを含むことができる。ブロック304と関連付けられるステップは、随意のものであり、管が、放射線画像内で非可視である場合、省略されることができる。
ブロック305において、放射線科医または他の技術者は、例えば、抽出モジュールを介して、3Dスライサの自動起動を通して、区画化マスク内の任意のエラーを手動で補正することができる。ステップ305はまた、区画化プロセスの間に見出される、任意のエラーに応じて、随意である。
ブロック306において、いったん区画化の結果が、最終決定されると、膵臓および管の中心線は、中心線モジュールによって算出されることができる。
ブロック307において、膵臓構造物のCPRは、CPRモジュールによって実施されることができる。
ブロック308において、分類モジュールは、(ブロック302からの)入力される人口統計的および臨床的データと、(ブロック305からの)画像データおよび区画化の結果からの中心線データとを使用して、区画化された病変部の自動分類を実施する。好ましくは、自動病変部分類のブロックは、識別される病変部のコンピュータ補助診断を支援するために、複数の病変部タイプに対する確率を生成する。CT体積と、区画化される膵臓、病変部、管と、算出される中心線と、分類確率とは、次いで、ブロック309において、メイン可視化モジュールの中にロードされ、グラフィカルユーザインターフェースを介して、ユーザに対して可視化を表示する。
区画化モジュール:後腹膜内に深在しているため、膵臓は、可視化することが、非常に困難である。閉塞性の周囲の臓器(胃、脾臓、肝臓、腸)に対するその近接近性はさらに、その視覚的分析および診断を複雑にする。重要な構成要素(膵臓、病変部、管)の区画化は、構造物の境界に関する明示的な知識に起因して、可視化の設計および相互作用上のより良好な制御を提供することができる。
例示的実施形態は、区画化モジュールを介して、高い算出効率および普遍性を伴う、自動区画化プロセスを採用する。膵臓および病変部の両方に対して区画化を実施するために、同一のアーキテクチャおよび訓練手順が、利用され、本明細書に開示される、実施形態の一般性を実証し得る。加えて、本明細書に開示される自動区画化プロセスは、両方のタイプの放射線画像のための共通のパイプラインが、利用され得るため、実装を簡略化する。区画化モジュールのアーキテクチャは、3Dサブ体積を処理するための多重3D ConvNetに基づき、これは、(1)サブ体積が、区画化のための標的構造物(膵腺の健康な組織または病変部の組織)を含有するかどうかを検出するために、かつ(2)標的構造物を構成する、ボクセルのセットを予測するために、2つの分岐を有する。収束性の改良に加えて、そのような2分岐モデルは、それが、標的構造物を含有しない場合、サブ体積に対するフル解像度区画化マスクを予測することを回避することによって、推論の速度を上げ、平均して34.8%推論プロセスの速度を上げる。
区画化モジュールへの入力は、元々の放射線画像データ(例えば、CT走査)の3Dサブ体積であり、出力は、標的区画化組織のバイナリ標識およびバイナリマスクである。区画化モジュールは、デコーダおよびエンコーダ経路から成る。しかしながら、従来のシステムと異なり、区画化モジュールのエンコーダおよびデコーダ経路は、本明細書に記載される例示的実施形態においては、互いにミラーリングしない。
図4は、区画化モジュールの例示的アーキテクチャを図示する、ブロック図を描写する。(エンコーダおよびデコーダ、種々のカーネルサイズおよびストライド、および層数、分岐、および他の機能を含む)図4に描写される構成要素は、単なる例示的なものであり、その微小な変形例および他の置換は、当業者にとって明白であろうように、本開示の範囲内である。
エンコーダは、3つの結果的に接続される畳み込み層を含み、ブロック401、402、および403内に、それぞれの種々のカーネルサイズおよびストライドが表されている。各畳み込み層401、402、および403の後、Leaky ReLU活性化関数およびバッチ処理正規化層が続き、ブロック404、405、および406内に表される3つのResNetブロックへと進行する。デコーダは、ブロック407、408、および409によって表される、3つのResNetブロックを含み、その後、ブロック410および411によって表される、2つの畳み込み層が続き、最後の層411は、シグモイド関数で終了する。加えて、ブロック412内に表される、補助的分岐が、エンコーダに接続され、標的構造物の存在に対する入力のバイナリ分類を実施する。本補助的分岐412は、1×1×1サイズの32個のカーネルの1つの畳み込み層から成り、その後、最大プールおよび再成形層、およびブロック413、414、および415によって表される、3つの全結合層が続き、それぞれは、Leaky ReLU関数によって接続され、最後の層415は、シグモイドで終了する。
有利なこととして、区画化アーキテクチャは、補助的分類子からのバイナリボクセル単位の交差エントロピと、デコーダ部分からのダイス係数(DC)ベースの損失との合計である、接合損失を最小限にするように訓練されることができる。しかしながら、後者の損失関数は、いかなるマスクも予測することなく、偽の局所的最小値にトラップされる学習プロセスに起因して、標的が、入力のわずかな部分のみを占有するとき、最適化することが困難であり得る。例えば、膵臓および膵臓病変部の区画化を標的とする、従来のアプローチは、そのようなアプローチが、特定の構造物を区画化するために調整され、他の構造に対して容易に拡張されることができないため、不適正である。
他方、例示的実施形態は、有利なこととして、任意の基本モデルを使用して、そのサイズにかかわらず、任意の構造物に対して、区画化の間のDCベースの損失関数を最小限にする。区画化モジュールにおいて実装される最適化技法は、以下の反復プロセスに基づく。全体的な入力サイズに関して、標的構造物が小さすぎるという妨害的な問題を軽減するために、区画化モジュールは、元々のサブ体積の中心から抽出され、標的入力サイズにアップサンプリングされる、より小さなサブ体積上で、モデルを訓練するプロセスを利用する。これは、モデルが、標的構造物が、入力サブ体積の有意な部分を占有し得る場所で、予め訓練されることを可能にする。抽出されるサブ体積のサイズを徐々に増加させることによって、モデルが、局所的最小値に捉われることなく、モデルの加重が、微調整されることができる。モデルは、より大きなサブ体積内で徐々に訓練されることができ、最終的には、元々の標的解像度(例えば、これは、膵臓および病変部の区画化の両方を伴うCT走査の場合、32×256×256であり得る)に基づいて、モデルは、微調整されることができる。
管抽出モジュール:抽出モジュールは、調節可能な閾値パラメータを使用して、多重血管性フィルタに基づいて、管の区画化のための半自動アプローチを促進することができる。血管性フィルタは、局所的幾何学形状の推定を通して、血管構造を強化させるように設計されることができる。抽出モジュールは、各ボクセルx∈P(式中、Pは、区画化される膵臓)の血管性(または円筒度)を推定するために、局所的に算出されるヘッシアンマトリクスの固有値を利用することができる。より高い値は、そのボクセルにおける血管のより高い確率を示す。正規化された血管性応答値R(x)は、その後、算出され得る。(放射線科医または他の技術者等の)ユーザは、次いで、応答を算出するために、閾値パラメータを調節することができる。
ある実施形態では、前述のプロセスは、ゼロ値が、空のスペースと見なされる場合、R(x)の複数の接続される構成要素を結果としてもたらす、閾値化を採用する。例えば、tに対するデフォルト値は、0.0015に設定されることができる。合計血管性値SCiは、Ci内の応答値の合計として、結果として生じる接続される構成要素Ci毎に算出されることができる。
膵管は、最大のSCi値を伴う、最初のn個の接続される構成要素として、(放射線科医、または抽出モジュールを介して提供される、グラフィカルユーザインターフェースを実装する他の技術者等の)ユーザによって選択されることができる。換言すると、接続される構成要素の一覧が、SCi値(最大値が一番上)によってソートされ、最初のn個の構成要素が、管の区画化マスクとして選定される。nの整数値は、スピンボタンを通して、ユーザによって選定される。大抵の場合、デフォルトのn=1が、十分である。方程式2と関連して説明されるメトリックの使用は、構成要素のサイズおよび血管性確率の両方のより均衡な組成を提供するため、体積によってn個の最大の構成要素を選ぶより信頼性がある。血管性強化フィルタは、周知であるが、方程式2は、例えば、ノイズの多い領域に起因する、閉塞を排除するように適用され、最小限のユーザ相互作用を伴って、膵管を抽出するようにフィルタを調整することができる。
本明細書に提供される抽出モジュールは、従来の手動または半自動アプローチと比較して、ワークフローを有意に改良し、簡略化する。管の区画化技法は、特に、従来のアプローチよりも単純であり、例えば、放射線科医が、単に単一のスライダを調節することによって、容易に抽出することを可能にする。
中心線の算出:いったん管が、区画化され、管抽出ウィンドウが閉じられると、2本の中心線、すなわち、管中心線および膵臓中心線が、中心線モジュールによって算出されることができる。
膵臓および管の中心線は両方とも、膵臓体積の直交2D未加工CT区画と比較して、3Dレンダリングを視認するためのナビゲーション経路を作成する。管中心線は、管体積に沿った厳密な再区分化を提供し、これは、未加工CTデータ内の管境界および断面のより綿密な検査のために使用されることができる。これはまた、CPR図を算出するためにも使用されることができる。他方、膵臓中心線は、それが、幾何学的にあまりねじれていないため、膵臓体積全体のより平滑な再区分化を提供し、また、膵臓内の病変部の場所を決定するための自動病変部分類モジュールによっても使用されることもできる。
図5は、本明細書に説明される区画化、および管抽出技法を使用する、膵臓および管の種々の図(図5A、5B、および5C)を描写する。
図5における図5Aに示されるように、膵臓表面からほぼ一定の距離を維持しながら、一次管502および503の2つの構成要素を通した管中心線501は、膵臓の細長い形状に追従する。図5Bは、膵臓中心線504を示す。図5Cは、図5Aおよび5Cに示される、同一の膵臓に対する、3D図内に埋め込まれる、中心線誘導再区分化図を示す。参照番号505は、病変部体積を示し、参照番号596は、膵臓表面を示し、参照番号507は、管体積を示す。
膵臓中心線:膵臓中心線は、ペナルティが課された距離アルゴリズムを使用して、算出されることができる。ペナルティが課された距離アルゴリズムは、例えば、ボクセルのグリッド内の経路を表すために、グラフを利用することができる。ペナルティ値は、膵臓表面からのそのボクセルの距離に基づいて、膵臓P内の全てのボクセル(グラフノード)xに割り当てられる。グラフ内で最小コストを伴う、膵臓最端部間の経路が、中心線として算出されることができる。距離フィールドd(x)は、膵臓表面までの最短距離として、各ノード上で算出される。中心線が、膵臓の最も内側のボクセルを通して通過すると仮定され得るため、例示的実施形態は、表面により近接するボクセルに対して、より高いペナルティ値を割り当てることができる。したがって、各ボクセルの距離は、最大距離dmaxから差し引かれることができる。
これは、所望されるように、膵臓表面により近接するボクセルに対して、より高いペナルティ値を結果としてもたらす。d’(x)は、d(x)≦dmaxであるように、常に正であることに留意されたい。距離フィールドd’は、ペナルティ値として使用され、膵臓中心線を算出することができる。
管中心線:CT走査におけるノイズ、および拡張の変動性に起因して、抽出される管体積は、複数の接続される構成要素に断片化され得る。膵臓自体が、細長い物体であるため、管中心線は、膵臓の全長に追従し、および抽出される管の全ての接続される構成要素を通して通過するようにモデル化されることができる。中心線は、一次管が、接続解除される場合は常に、膵臓の形状に追従する。ペナルティが課された距離アルゴリズムは、骨格曲線を算出するための単一の物体境界に焦点を当てる。管中心線を算出するとき、複数の物体(管および膵臓の複数の接続される構成要素)を取り扱うことに関する問題が、生じ得る。1つの最初のアプローチは、ペナルティフィールドd’を使用して、相互に、および膵臓の最端部に接続される管構成要素の中心線を個々に算出することである。しかしながら、そのようなアプローチは、ペナルティフィールドにおける急激な変化に起因して、算出される管の中心線が、管の構成要素に進入および退出する際に、過度の曲線屈曲につながり得る。
第2のより有利なアプローチは、一次管の構成要素を通して通過する曲線をモデル化し、またそれが、管の構成要素に進入および退出する際に、過度の補正を伴うことなく、膵臓の幾何学形状を重んじることである。管中心線は、膵臓中心線と同一の端点(x0,x1)を使用し、抽出される管断片の全てを通して通過し得る。一次管が、隣接していない局所的領域では、管中心線は、膵臓の形状に追従し得る。これは、最短経路を見出すことと、膵臓表面までの一定の距離を維持することとの間のトレードオフによって達成されることができる。一実施例では、トレードオフは、下記に説明されるように、アルゴリズム内で使用されるペナルティが課された距離の修正を通してモデル化される(図7参照)。
本方法は、最初に、膵臓中心線に対して説明されるものと同一のプロセスを使用して、独立して、管体積の接続される構成要素毎の中心線{ξi}を算出する。中心線の断片は、次いで、膵臓の長さに沿って整合されるように、正しく配向され、ソートされる。各対の連続した断片(ξk,ξk+1)は、次いで、最近傍端点間の最短のペナルティが課された経路{ζi}を算出することによって、接続される。これは、大域端点x0およびx1への接続を含む。端点e1とe2との間の接続曲線ζ0を算出するとき、方程式3から先に算出された膵臓の距離フィールドd・(x)は、以下のように変換される。
式中、l=(d(e1)+d’(e2))/2は、e1とe2との間の平均値である。修正された距離フィールドd(x)は、接続曲線ζ1を算出するために、ボクセルグラフ内のペナルティ値として使用される。交互の曲線{ζi}および{ξi}は、ともに、単一の持続的な管中心線を形成する。
図7は、本明細書に説明される技法から生成される、膵臓の2つのグラフ表現(図7Aおよび図7B)を含有し、管中心線を決定するための第2のアプローチを図示する。図7Aは、2つの管の構成要素(701および702)を伴う、膵臓を示す。x0、x1は、膵臓中心線の端点である。図7Bは、切り取られた管の構成要素の中心線である、ξ0およびξ1を示す。ζ0、ζ1、ζ2は、接続曲線である。経路ζ0、ξ0、ζ1、ξ1、およびζ2は、ともに、管中心線全体を形成する。
図6は、第1および第2のアプローチを用いて決定される、管中心線を図示する、2つの異なる図6Aおよび6Bを図示し、第2のアプローチを使用する利点を強調している。図6Aは、第1のアプローチを使用して(ペナルティフィールドを使用して)決定される、管中心線601を図示し、図6Bは、第2のアプローチを使用して決定される、管中心線604を図示する。一次管の中への管中心線の進入点と退出点との比較(すなわち、アプローチ1における進入点602が、アプローチ2における進入点603と比較され、アプローチ1における退出点603が、アプローチ2における進入点605と比較される)に示されるように、第1のアプローチと比較される、第2のアプローチにおける進入点および退出点における屈曲の減少を示す。第2のアプローチの結果は、より平滑な中心線が、CPRの構築および再区分化図のために必要とされるため、より有効である。
CPRモジュール:CPRモジュールは、区画化される膵臓の構成要素、および構成要素のコンピュータ中心線を利用し、可視化モジュールを参照して、本明細書にさらに説明されるような可視化モジュールの中にロードされ得る、可視化を作成することができる。CPRモジュールは、可視化モジュールの中に組み込まれる、または明確に異なるモジュールであることができる。
分類モジュール:CADアルゴリズムは、患者の人口統計的および臨床的情報、およびCT画像を入力として使用し得る、膵臓嚢胞性病変部の分類のための分類モジュールによって利用されることができる。分類モジュールは、例えば、2つの主要モジュール、すなわち、(1)手動で選択される特徴のセット上で訓練される、確率的ランダムフォレスト(RF)分類子と、(2)高水準の放射線学的特徴を分析するための畳み込みニューラルネットワーク(CNN)とを含むことができる。そのような分類モジュールの実施例は、その開示が参照することによって全体として組み込まれる、国際特許公開第WO2019/005722号に説明されている。膵臓内の病変部の場所を自動的に推定するために、膵臓の中心線は、その頭部、胴体、尾部を表す、3つの均一な区画に分割され得、区画化された病変部の質量中心に最近傍の区画が、決定され得る。4つの最も一般的な病変部タイプに対する最終的な分類確率は、例えば、RFとCNNとのベイズ組み合わせを用いて生成されることができ、本場合、分類子の予測は、混同マトリクスの形態で、先行する知識を使用して、加重されることができる。
図8は、膵臓の嚢胞性病変部を分類するために、CADアルゴリズムを利用する、分類モジュールによる例示的プロセスを描写する。参照番号801は、本明細書に説明される、システムおよび方法を利用して生成され得る、入力および区画化される病変部を表す。ブロック802は、確率的RF分類子を表し、人口統計的および臨床的データから手動で選択される特徴のセットを用いて、訓練されることができる。RF分類子は、801から区画化される病変部を入力として受信することができる。ブロック803は、区画化される病変部の高水準の放射線学的特徴を分析するためのCNNを表し、これは、同様に、CNNにも入力され得る。確率的RF分類子802およびCNN803の両方の出力は、ブロック804内に表される、ベイズモデルを介して、組み合わせられ得る。
図14は、可視化モジュールのユーザインターフェースにおける、分類結果の可視化の実施例を示す。
本明細書に説明される病変部分類システムおよび方法は、有利なこととして、診断プロセスの間の支援を提供する。それらが組み合わせられる前に、RFおよびCNNの分類確率を別個に視認することはさらに、それぞれの重要度を加重し、最終的な診断のためのさらなる微調整を行うために、付加的な制御を可能にする。
可視化モジュール:いったん膵臓、病変部、および管が区画化されると、中心線が、算出され、分類確率が、生成され、それらは、可視化モジュールを介して、視覚診断のためのグラフィカルユーザインターフェースにおいて使用可能となる。例示的実施形態に従って生成される、可視化モジュールのユーザインターフェースの例示的スナップショットが、図9に示される。ユーザインターフェースは、複数のフレームに分割され、対応する2D、3D、人口統計的および診断的データをユーザに同時に提供することができる。一実施形態では、グラフィカルユーザインターフェースは、7つの視認フレームを提供するが、フレームの具体的な構成および数が、多少のフレームが可視であり、異なるデータが各フレーム内に表示されるように選択される状態で構成され得ることが理解されるであろう。図9内のフレーム901は、CT走査DICOMヘッダから抽出される、患者情報およびCT画像メタデータを伴う、検索可能な表であり得る。患者情報の表の下方に、フレーム902は、中心線誘導再区分化図と管中心CPR図との間で切り替え得る、膵臓CPR 2D図を表示することができる。フレーム903では、ビューポートは、本明細書の例示的実施形態において生成される、複数の3D可視化のための膵臓中心3D図を表示する。例示的ユーザインターフェースの右側には、放射線適用において一般的である、3つの平面図フレーム、すなわち、軸方向904、冠状905、および矢状906が、表示されることができる。3つの異なる平面図フレームは、パン、ズーム、ウインドウ/レベルの調整を含む、放射線インターフェースにおいて一般的な相互作用をサポートすることができる。
ビューポート等のレンダリングキャンバスと、埋め込まれる切断平面/表面とのリンクが、多くの場合、診断および視覚診査システム内の視点を横断して、特徴の相関のために使用される。例示的実施形態では、3Dおよび2D図は、視点を横断して、関連する膵臓および病変部の特徴の相関を促進するためにリンクされる。2D図のいずれかの上で選択される点は、クリックされるボクセルまで、他の2D図を自動的にナビゲートすることができる。加えて、3Dカーソルは、3D視点内の選択されるボクセルの位置を強調する。同様に、ユーザはまた、2つの異なるカメラ位置(遠近)からクリックすることによって、3D内の点を直接選択することもできる。ユーザが、3D図をクリックする度に、3D場面を通して通過する、直線を識別する光線が、投じられる。2回のそのようなクリックは、3D点を一意に識別する。2D図は、選択されるボクセルに自動的に変更される。図の本リンクは、3D可視化の特徴間で、例示的ユーザインターフェースを使用する2DにおけるCT未加工強度との比較を可能にする。
図9の画面下側において、可視化モジュール内の3Dおよび2D可視化、およびそのパラメータを制御するために、ユーザツール/選択肢を提供する、ツールセット907がある。これらは、例えば、区画化される構造物の可視性(表示/非表示)および不透明度と、クリッピング平面と、全ての2D図に対して共通のウインドウ/レベル設定(グレースケールカラーマップ)とを含む。
図10は、例示的実施形態において、可視化モジュールによって生成される、種々の3D可視化を描写する。可視化モジュール内に表示される、(中隔形成、嚢胞性構成要素、病変部、管等の)種々の膵臓の構成要素は、ユーザが、可視化を理解し、適切な診断を行うことをより容易にするために、異なるテクスチャおよび照明効果を用いて、異なるカラーで表示されることができる。
図10内の3D可視化1001、1002、1003、および1004は、膵臓中心の3D可視化の実施例である。1001は、合焦された可視化のために、上部および底部からクリッピングされる、膵臓の周囲の背景体積を含む。可視化1002、1003、および1004は、区画化される解剖学的構造と、異なる組み合わせにおいてレンダリングされるCT体積とを含む。可視化1005、1006、および1007は、病変部可視化を強化された実施例である。可視化1005は、病変部および膵臓の軸方向図の実施例である。可視化1006は、中隔形成および嚢胞性構成要素を示す、直接病変部レンダリング(DLR)図である。可視化1007は、石灰化および中隔形成を示す、強化された特徴のレンダリング(EFR)図である。可視化1007は、例えば、ヘッシアンベースの物体性フィルタを通して強化され、内部病変部特徴のより明確な図を提供することができる。可視化1008、1009、および110は、膵臓のCPR図を示す。可視化1008は、膵臓の軸方向2D図であり、本場合、膵臓の一次管は、単一の平面上にはなく、崩れているように見える。可視化1009は、膵臓の管中心CPR図を示し、本場合、一次管は、病変部断面図とともに、単一平面において完全に可視である。可視化1010は、3D図内に埋め込まれる、CPR表面を示し、そのような図を3D可視化とともに組み込むことは、CPR図が構築された方法を理解することに役立つ。
膵臓中心3D図は、図10の参照番号1002、1003、および1004に示されるように、区画化される解剖学的構造(膵臓、病変部、管)を可視化モジュールのユーザインターフェースにおいて、個々に、または異なる組み合わせにおいてレンダリングする。膵臓の周囲の背景もまた、CT体積全体の形態で可視化されることができる。ユーザインターフェースは、(図10の1001に示されるもの等の)本背景図を制限するために、2つのクリッピング平面(上側および下側)を表示することができる。これは、閉塞を低減し、着目領域に焦点を当てるために有用である。
伝達関数は、背景体積(膵臓の周囲のCT体積)のために予め設計され得、CT強度が、患者を横断して、類似する範囲を有するため、例えば、手動編集を要求しなくてもよい。同様に、膵臓、病変部、および管の体積のために使用される、TFもまた、予め設計され得、全ての患者のために、区画化される構造物内のスカラー強度範囲に再スケーリングされる。例示的実施形態は、レンダリングされる3D可視化の光学性質にわたって、簡略化された制御を提供する。これらは、有意により多くの自由度を有し得る、複数ノードポリラインを編集するのではなく、2つのスライダ、すなわち、不透明度およびオフセットを使用して、簡略化されたインターフェースを通して修正されることができる。不透明度スライダは、区画化される構造物の大域不透明度を制御し得、オフセットスライダは、伝達関数に、負/正オフセットを適用し、カラーが、区画に適用される方法を制御することができる。ユーザインターフェースはまた、所望に応じて、複数ノードポリラインとして編集されるように、1D TFを促進するために、ツールセット内に高度なタブを含むことができる。
本明細書に説明される可視化モジュールによって生成および表示される、3D可視化は、以下の付加的な利点を有する。病変部および管の体積とともに、膵臓の輪郭を組み合わせる、3D膵臓中心の可視化は、管と病変部との関係を評価するために非常に有用である。例えば、IPMNの場合、病変部が、管から生じているかどうかを詳細に調べることが、重要である。3D可視化はまた、管の拡張の形状が、識別され得る容易性を促進することができ、それによって、IPMNタイプ(主管対側枝連通)のさらなる分析が、促進されることができる。そのような特徴は、病変部の特性評価に役立つだけでなく、従来の技法と比較して、手技における意思決定をより良好に通知することもできる。そのような分析は、管の拡張の形状および側枝との接続性が、2Dスライスにおける判断を誤らせ得るため、2D平面図では、はるかに困難であろう。さらに、システムの3D可視化および測定能力は、外科医が、実際の手技の前に、構造物を3Dにおいて可視化することができるため、術前計画のために有用であり得る。加えて、インターフェースを編集する、2スライダ伝達関数は、(例えば、複数ノードポリラインを編集する)従来のシステムと比較すると、非常に単純かつ直感的である。
本明細書により詳細に説明されるように、CT走査上の(図2に関連して説明されるもの等の)膵臓病変部の形態構造および外観は、その診断において最も重要である。これは、中隔形成、中心および周辺の石灰化、および嚢胞性および中実構成要素の存在等の病変部の可視特性の評価を含む。この目的を達成するために、例示的実施形態は、2つの異なるモード、すなわち、直接的病変部レンダリング(DLR)および強化される特徴レンダリング(EFR)において、病変部の内部特徴の可視化を提供する。
DLR可視化モードは、より暗い領域(例えば、嚢胞性構成要素)に対しては、不透明度のより高い赤色を適用し、比較的より明るい領域(例えば、中隔形成、中実構成要素)に対しては、不透明度のより低い黄色を適用する、2色(赤色、黄色)の予め設定される伝達関数を使用して、病変部の直接的な体積レンダリングを実施することができる。他の色、およびその色合いも、本明細書に説明されるものと代用され、本開示の範囲内であり得る。これは、放射線科医が、特徴(例えば、中隔形成、嚢胞性構成要素)間の正しい境界を容易に見出すことを可能にする。DLRレンダリングの別の実施例は、図10内の参照番号1006である。
体積レンダリングの特徴を強化するために、EFRモードは、ヘッシアンベースの強化フィルタを使用して、局所的幾何学形状の強化を通して、病変部を可視化する(そのような可視化が、図10内の参照番号1001、1002、1003、および1004に示される)。複数のスケールにおいて局所的に算出されるヘッシアン分布は、球状小塊、板、血管等の局所的構造物の確率を定量化することができる。板の強化は、壁構造に対して適用され、球状小塊の強化は、石灰化に対する閾値とともに適用される。両方の体積は、次いで、(図10内の参照番号1007に示される、可視化等の)強化される特徴の同時に行われる体積レンダリングのための2チャネル(赤色-緑色)3Dテクスチャとして、組み合わせられ得る。
本明細書に説明される3D病変部可視化方法は、以下の付加的な利点を有する。中隔形成、嚢胞性構成要素、および石灰化は、従来の膵臓撮像アプローチにおいて現れるよりもより良好に可視である。さらに、嚢胞性構成要素の相対的サイズを理解することは、特に、巨大嚢胞性外観を有するSCAおよびSPNの場合、より容易である。加えて、側枝IPMNが、主管IPMNと比較すると、より規則的な球形を有するため、主管および側枝IPMNにおいて、容易に識別可能である病変部3D形状を通して、IPMN病変部を特性評価することは、より容易である。
例示的実施形態は、3D可視化と未加工CT強度の2Dスライス図を組み合わせる、診査的可視化を組み込む。直交する平面は、膵臓または管中心線のいずれかに沿って摺動し、グレースケールにおいて、未加工CT強度をレンダリングする。本実施例は、図5内の参照番号5Cに示される。同時に、全ての3D解剖学的構造(膵臓、病変部、一次管、周囲のCT体積)は、可視性制御を通して、可視化に組み合わせられ得る。摺動平面は、膵臓体積の中心線誘導再区分化を表し、3D図において、かつ2Dスライス図として別個に視認されることができる。本断面図は、その長さに沿って、一次管のコヒーレントな追跡を提供し、病変部とのその関係を綿密に研究する。放射線科医または他のユーザは、3Dレンダリングを交差する平面と直接重ね合わせることによって、病変部および管等の3D解剖学的構造が、未加工CT値と対応する方法をより綿密に見ることができる。本アプローチは、放射線科医および他のユーザが、3D構造物を従来的に解釈している、2D画像に相関させることができるため、診断の間、彼らにより優れた信頼をもたらす。これはまた、複数のビューポートを横断して、背景を切り替えるよりも、良好な比較を提供する。
3D膵臓中心図に埋め込まれる、中心線誘導再区分化と関連付けられる、付加的な利点は、それらを未加工CT強度の2D交差平面と直接相関させることによって、3D特徴を検証するための能力を提供することを含む。実装およびリンクされる図および点選択を通して、放射線科医および他のユーザは、3D図と2D図との間で対応する点を容易に関連付けることができる。
一次管のサイズおよび膵臓病変部との関係は、多くの場合、視覚診断にとって重要である。例えば、IPMN病変部は、一次管と連通するが、他の病変部タイプは、典型的には、連通しない。CPR技法は、血管の縦方向断面を再構築し、これは、単一投影視点において、血管の全長の可視化を有効にする。血管中心線上の点は、任意の方向に沿って掃引され、血管の長さに沿って、展開可能な表面を構築し得る。表面は、全ての点において、交差する体積をサンプリングし、歪曲を伴うことなく、2D画像に平坦化される。算出される管中心線を誘導曲線として使用して、図10内の1008、1009、および1010に描写されるもの等の膵管中心CPR図が、生成されることができる。中心線が掃引される方向において、CPR表面構築は、膵臓、病変部、および中心線曲線の表面レンダリングを示す、ウィジェットを通して、ユーザによって選定される。掃引方向は、好ましくは、画面に対して垂直である。本ウィジェットは、ユーザが、適切な方向を選定し、所望のCPR視点を生成することを可能にし、したがって、単一視点において、管と病変部との関係を可視化する際に役立つ。
本明細書に説明されるCPR再構築プロセスの付加的な利点は、単一の図において、一次管と病変部とを提供することを含む。CPR表面と管および病変部の3Dレンダリングとの両方を示す、3D埋込CPR図を通して、放射線科医または他のユーザは、管が、病変部に接続されていることを検証し得、それが、病変部に接続する際に、管が拡張する方法も識別することができる。管拡張の幾何学形状は、2D図においては、明確に可視ではないであろう。本拡張を可視化することは、悪性腫瘤を除去するために、潜在的な切除の場所等の外科的決定の際に役立ち得る。
測定値は、病変部のサイズおよび嚢胞性構成要素を定量化することに役立つため、視覚診断に不可欠な部分である。可視化モジュールは、有利なこととして、クリックし、測定値を引き込むことによって、ユーザに、全ての我々の2D平面図において、双方向的に測定する能力を提供する。可視化モジュールはまた、病変部の周囲に配向される境界ボックスに最適に適合する寸法を使用して、自動病変部3D測定も提供する。加えて、区画化される構造物(膵臓、病変部、管)の自動体積測定もまた、ユーザインターフェースを介して使用可能であり得る。
例示的実施形態において説明される管抽出アプローチと、手動区画化から生成されるものとの定質的比較が、参照番号1202および1203を伴って、図12に示される。本明細書に説明される例示的管および中心線抽出技法は、(1201上に示される)血管性フィルタを用いて誤って強化される、ノイズの多いボクセルによって引き起こされる、ノイズおよび閉塞を克服することが可能である。加えて、本明細書に説明される管中心線のアプローチは、(図6に関連して説明されるように)曲線を算出するとき、管および膵臓の幾何学形状の両方を加重するペナルティモデルを利用することによって、それが、進入および退出する際の過度の屈曲を低減させる。
3D膵臓中心およびCPR図の実施例が、拡張した管を伴う2人の患者に対して、図11に示される。これらの図は、例えば、従来の2D軸方向図が不適正であるような特に困難な場合において、管と病変部との間の接続の存在を決定する際に支援することができる。図11の行1101は、管-病変部接続の存在を確認し、行1102は、管-病変部接続の不在を確認する。病変部のDLRおよびEFR可視化の実施例が、図13に示される。これらの可視化は、外部壁、石灰化、内部中隔形成、中実構成要素および嚢胞性構成要素等の特性的な病変部構造物を強化させることによって、2D画像内でそれらを視認することと比較して、病変部の形状および構造のより良好な理解を促進することができる。
従来のワークフローでは、放射線科医は、概して、未加工2D軸方向整合図に大きく依拠し、多くの場合、ノイズ除去フィルタ、切断平面、および最大強度投影等の精通しているツールさえ使用しない。場合に応じて、膵臓の典型的な全長が、150~200個の軸方向スライスであり得るとき、放射線科医は、病変部と管との間の関係を理解するために、前後にスクロールし、著しい時間を費やし得る。対照的に、本明細書に説明されるシステムおよび方法は、意思決定を支援するために、診断プロセスの有効性を改良し、付加的なデータ点を提供する、3D可視化を提供する。以下の例示的ワークフローは、本明細書に説明されるシステムおよび方法を使用して、放射線科医によって遂行され得る。(1)症例を概観し、2D軸方向整合図、および提供される区画化の輪郭を使用して、病変部を検査する。(2)病変部の形態学的構造をさらに理解するために、病変部とその内部の特徴を3Dで可視化する。(3)3D、CPR図、および管中心再区分化図における、病変部と管との間の関係を研究する。(4)自動分類結果を用いて、自身の診断および特性評価を確認する。本明細書に説明されるVPシステムおよび方法を使用する、放射線科医の正確度は、現在の67~70%から実質的に改良されるであろう。
図15は、本開示によるシステムの例示的実施形態の簡略化されたブロック図を示す。例えば、本明細書に説明される、本開示による例示的手順(区画化モジュール、抽出モジュール、分類モジュール、および可視化モジュールを含む)は、処理装置および/またはコンピューティング装置(例えば、コンピュータハードウェア装置)1505によって実施されることができる。そのような処理/コンピューティング装置1505は、限定ではないが、例えば、1つまたはそれを上回るマイクロプロセッサを含み、コンピュータアクセス可能媒体(例えば、RAM、ROM、ハードドライブ、または他の記憶デバイス)上に記憶される、命令を使用し得る、コンピュータ/プロセッサ1510のみである、またはその一部である、またはそれを含むことができる。
図15に示されるように、例えば、コンピュータアクセス可能媒体1515(例えば、本明細書に説明されるように、ハードディスク、フロッピー(登録商標)ディスク、メモリスティック、CD-ROM、RAM、ROM等の記憶デバイス、またはその集合体)は、(例えば、処理装置1505と通信して)提供されることができる。コンピュータアクセス可能媒体1515は、その上で実行可能な命令1520を含有することができる。加えて、または代替として、記憶装置1525は、コンピュータアクセス可能媒体1515とは別個に提供され得、これは、例えば、本明細書内で上記に説明されるように、ある例示的手順、プロセス、および方法を実行するように処理装置を構成するように、処理装置1505に命令を提供することができる。
さらに、例示的処理装置1505は、例えば、有線ネットワーク、無線ネットワーク、インターネット、イントラネット、データ収集プローブ、センサ等を含み得る、入力/出力ポート1535を具備する、または含むことができる。図15に示されるように、例示的処理装置1505は、例示的表示装置1530と通信し得、これは、本開示のある例示的実施形態によると、例えば、処理装置からの情報を出力することに加えて、処理装置に情報を入力するために構成される、タッチスクリーンであり得る。さらに、例示的表示装置1530および/または記憶装置1525は、データをユーザアクセス可能フォーマットおよび/またはユーザ可読フォーマットにおいて、表示および/または記憶するために使用されることができる。
上記に説明されるような実施形態の方法を実践するためには、プロセッサおよび/またはメモリが、物理的に同一の地理的位置に位置することは、必要ではないことが理解されるであろう。すなわち、本開示の例示的実施形態において使用される、プロセッサおよびメモリはそれぞれ、地理的に明確に異なる場所に位置し、任意の好適な様式で通信するように接続されることができる。加えて、プロセッサおよび/またはメモリはそれぞれ、機器の異なる物理的単体から成り得ることが理解される。故に、プロセッサが、1つの場所における機器の1つの単一の単体であること、およびメモリが、別の場所における機器の別の単一の単体であることは、必要ではない。すなわち、プロセッサは、2つまたはそれを上回る異なる物理的場所における機器の2つまたはそれを上回る単体であり得ることが想定される。機器の2つの明確に異なる単体は、任意の好適な様式で接続されることができる。加えて、メモリは、2つまたはそれを上回る物理的位置におけるメモリの2つまたはそれを上回る部分を含むことができる。
上記に説明されるように、命令のセットは、本開示の種々の実施形態の処理において使用される。上記に説明されるサーバおよびパーソナルコンピューティングデバイスは、本明細書に説明される方法を実行するために、メモリ内に記憶されるソフトウェアまたはコンピュータプログラム(例えば、プロセッサによって実行される、プログラムコード命令を含有する、非一過性コンピュータ可読媒体)を含むことができる。命令のセットは、プログラム、またはソフトウェアまたはアプリの形態であり得る。ソフトウェアは、例えば、システムソフトウェアまたはアプリケーションソフトウェアの形態であり得る。ソフトウェアはまた、例えば、別個のプログラムの集合体、より大きなプログラム内のプログラムモジュール、またはプログラムモジュールの一部分であり得る。使用されるソフトウェアはまた、オブジェクト配向プログラミングの形態でモジュラープログラミングも含み得る。ソフトウェアは、プロセッサに、処理されているデータの処理方法を告げる。
さらに、本開示の実装および動作において使用される、命令または命令のセットが、プロセッサが、命令を読み取り得るような好適な形態であり得ることが理解されるであろう。例えば、プログラムを形成する命令は、好適なプログラミング言語の形態であり得、これは、プロセッサまたは複数のプロセッサが、命令を読み取ることを可能にするために、機械語またはオブジェクトコードに変換される。すなわち、特定のプログラミング言語で書き込まれるプログラミングコードまたはソースコードの行は、コンパイラ、アセンブラ、またはインタプリタを使用して、機械語に変換される。機械語は、例えば、特定のタイプのプロセッサ、すなわち、特定のタイプのコンピュータに特有である、バイナリ符号化機械命令である。任意の好適なプログラミング言語は、本開示の種々の実施形態に従って使用されることができる。例えば、使用されるプログラミング言語は、アセンブリ言語、Ada、APL、Basic、C、C++、COBOL、dBase、Forth、Fortran、Java(登録商標)、Modula-2、Pascal、Prolog、REXX、VisualBasic、および/またはJavaScript(登録商標)、およびその他を含むことができる。さらに、単一タイプの命令または単一のプログラミング言語が、本開示のシステムおよび方法の動作と併せて利用されることは、必要ではない。むしろ、任意の数の異なるプログラミング言語が、必要であるように、または望ましいように、利用されることができる。
また、本開示の種々の実施形態の実践において使用される、命令および/またはデータは、所望され得るように、任意の圧縮、または暗号化技法またはアルゴリズムを利用することができる。暗号化モジュールは、データを暗号化するために使用され得る。さらに、ファイルまたは他のデータは、例えば、好適な暗号解読モジュールを使用して暗号を解読されることができる。
本明細書に説明されるソフトウェア、ハードウェア、およびサービスは、Software-as-a-Service(SaaS)、Platform-as-a-Service(PaaS)、およびInfrastructure-as-a-Service(IaaS)等の1つまたはそれを上回るクラウドサービスモデルを利用して、および/またはパブリッククラウド、プライベートクラウド、ハイブリッドクラウド、および/またはコミュニティクラウドモデル等の1つまたはそれを上回る展開モデルを使用して提供されることができる。
本開示の例示的実施形態によるシステムおよび方法では、種々の「ユーザインターフェース」は、ユーザが、パーソナルコンピューティングデバイスとインターフェースをとることを可能にするために利用され得る。本明細書内に使用されるように、ユーザインターフェースは、ユーザが、通信デバイスのプロセッサと相互作用することを可能にする、プロセッサによって使用される、任意のハードウェア、ソフトウェア、またはハードウェアおよびソフトウェアの組み合わせを含むことができる。ユーザインターフェースは、例えば、アプリによって提供される、対話画面の形態であり得る。ユーザインターフェースはまた、タッチスクリーン、キーボード、音声読取機、音声認識機、対話画面、メニューボックス、リスト、チェックボックス、トグルスイッチ、押ボタン、仮想環境(例えば、仮想マシン(VM)/クラウド)、またはユーザが、命令セットを処理する際にプロセッサの動作に関する情報を受信する、および/またはプロセッサに情報を提供することを可能にする、他の任意のデバイスのいずれかも含むこともできる。故に、ユーザインターフェースは、ユーザとプロセッサとの間の通信を提供する、任意のシステムであり得る。ユーザインターフェースを通して、プロセッサにユーザによって提供される情報は、例えば、コマンド、データの選択、またはいくつかの他の入力の形態であり得る。
本開示の例示的実施形態は、特定の目的のために、特定の環境内の特定の実装の文脈において、本明細書に説明されたが、当業者は、その有用性が、それに限定されないこと、および本開示の実施形態が、類似する目的のために、他の関連する環境内で有利に実装され得ることを認識するであろう。
Claims (20)
- 仮想膵管造影のための方法であって、
放射線画像を受信することと、
患者の人口統計的および臨床的データのうちの少なくとも1つを受信することと、
膵臓区画、管区画、および病変部区画のうちの少なくとも1つを生成するために、前記放射線画像の自動区画化を実施することと、
前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つに基づいて、膵臓および管中心線のうちの少なくとも1つを決定することと、
病変部分類を決定するために、前記放射線画像と、前記人口統計的および臨床的データのうちの少なくとも1つと、前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つと、前記膵臓および管中心線のうちの少なくとも1つとに基づいて、自動病変部分類を実施することと、
前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つと、前記膵臓および管中心線のうちの少なくとも1つと、表示デバイス上の病変部分類とに基づいて、3次元レンダリングを生成および表示することと
を含む、方法。 - 前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つの半自動抽出を実施することをさらに含む、請求項1に記載の方法。
- 前記半自動抽出は、調節可能な閾値パラメータを使用する多重血管性フィルタを用いて実装される、請求項2に記載の方法。
- 前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つは、一次膵管画像を生成するために、管抽出ウィンドウを通して通過される、請求項3に記載の方法。
- 前記放射線画像の自動区画化を実施することは、前記放射線画像を複数のサブ体積に分割することと、前記複数のサブ体積のそれぞれが区画化のための標的構造物を含むかどうかを検出することと、前記標的構造物を構成するボクセルのセットを予測することとを含む、請求項1に記載の方法。
- 前記標的構造物は、健康な組織または病変部のうちの1つである、請求項5に記載の方法。
- 前記放射線画像の自動区画化を実施することは、前記サブ体積の前記標的構造物の中心から抽出される前記サブ体積のサブサンプルを用いて、モデルを予め訓練することをさらに含む、請求項6に記載の方法。
- 前記膵臓および管中心線のうちの少なくとも1つを決定することは、一次管構成要素を通して実質的に通過する曲線をモデル化することによって実施される、請求項1に記載の方法。
- 前記膵臓および管中心線のうちの少なくとも1つを決定することは、複数の接続される構成要素毎に、中心線を決定することと、最短のペナルティが課された経路を使用して、連続した構成要素を接続することとによって実施される、請求項1に記載の方法。
- 前記自動病変部分類を実施することは、前記人口統計的および臨床的データのうちの少なくとも1つに基づく確率的ランダムフォレスト(RF)分類子と、前記放射線画像に基づく畳み込みニューラルネットワーク(CNN)とを備えるCADアルゴリズムを使用して実施される、請求項1に記載の方法。
- 分類確率は、前記RFとCNNとのベイズ組み合わせに基づいて生成される、請求項10に記載の方法。
- 前記3次元レンダリングを生成および表示することは、前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つの3次元可視化を生成および表示することを含む、請求項1に記載の方法。
- 前記可視化は、ヘッシアンベースの物体性フィルタを通して強化される、請求項12に記載の方法。
- 不透明度およびオフセットスライダのうちの1つを修正することと、大域不透明度、および前記可視化の負/正オフセットのうちの1つを調節することとをさらに含む、請求項13に記載の方法。
- 仮想膵管造影(VP)のためのシステムであって、
膵臓区画、管区画、および病変部区画のうちの少なくとも1つを生成するために、受信される放射線画像の自動区画化を実施するように構成される区画化モジュールと、
前記膵臓区画、前記管区画、および前記病変部区画のうちの少なくとも1つに基づいて、膵臓および管中心線のうちの少なくとも1つを決定するように構成される中心線モジュールと、
前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つのCPRを実施し、CPRレンダリングを生成するように構成される湾曲平面再形成(CPR)モジュールと、
受信される人口統計的および臨床的データのうちの少なくとも1つと、前記放射線画像と、前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つとに基づいて、自動病変部分類を実施するように構成される分類モジュールと、
前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つと、前記膵臓および管中心線のうちの少なくとも1つと、表示デバイス上の病変部分類と、前記CPRレンダリングとに基づいて、3次元レンダリングを生成および表示するように構成される可視化モジュールと
を備える、システム。 - 前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つの半自動抽出を実施するように構成される抽出モジュールをさらに備える、請求項15に記載のシステム。
- 前記区画化モジュールは、前記放射線画像を複数のサブ体積に分割し、前記複数のサブ体積のそれぞれが区画化のための標的構造物を含むかどうかを検出し、前記標的構造物を構成するボクセルのセットを予測するようにさらに構成される、請求項15に記載のシステム。
- 前記放射線画像の自動区画化を実施することは、前記サブ体積の前記標的構造物の中心から抽出される前記サブ体積のサブサンプルを用いて、モデルを予め訓練することをさらに含む、請求項17に記載のシステム。
- 前記分類モジュールは、前記少なくとも1つの人口統計的および臨床的データに基づく確率的ランダムフォレスト(RF)分類子と、前記放射線画像に基づく畳み込みニューラルネットワーク(CNN)とを備えるCADアルゴリズムを使用して、自動病変部分類を実施するようにさらに構成される、請求項15に記載のシステム。
- 非一過性コンピュータアクセス可能媒体であって、前記非一過性コンピュータアクセス可能媒体は、コンピュータ実行可能命令をその上に記憶しており、コンピュータ装置は、プロセッサを備え、前記命令の実行に応じて、前記コンピュータ装置は、
放射線画像を受信することと、
患者の人口統計的および臨床的データのうちの少なくとも1つを受信することと、
膵臓区画、管区画、および病変部区画のうちの少なくとも1つを生成するために、前記放射線画像の自動区画化を実施することと、
前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つに基づいて、膵臓および管中心線のうちの少なくとも1つを決定することと、
病変部分類を決定するために、前記放射線画像と、前記人口統計的および臨床的データのうちの少なくとも1つと、前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つと、前記膵臓および管中心線のうちの少なくとも1つとに基づいて、自動病変部分類を実施することと、
前記膵臓区画、管区画、および病変部区画のうちの少なくとも1つと、前記膵臓、および管中心線のうちの少なくとも1つと、表示デバイス上の病変部分類とに基づいて、3次元レンダリングを生成および表示することと
を含む手順を実施するように構成される、非一過性コンピュータアクセス可能媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063073122P | 2020-09-01 | 2020-09-01 | |
US63/073,122 | 2020-09-01 | ||
PCT/US2021/048632 WO2022051344A1 (en) | 2020-09-01 | 2021-09-01 | System and method for virtual pancreatography pipeline |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023540284A true JP2023540284A (ja) | 2023-09-22 |
Family
ID=80491430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023514089A Pending JP2023540284A (ja) | 2020-09-01 | 2021-09-01 | 仮想膵管造影パイプラインのためのシステムおよび方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240008801A1 (ja) |
EP (1) | EP4208850A4 (ja) |
JP (1) | JP2023540284A (ja) |
CN (1) | CN116546916A (ja) |
CA (1) | CA3192033A1 (ja) |
WO (1) | WO2022051344A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4293613A1 (de) * | 2022-06-19 | 2023-12-20 | Bayer AG | Identifizieren und charakterisieren von zystischen läsionen der bauchspeicheldrüse |
JP2024032079A (ja) * | 2022-08-29 | 2024-03-12 | 富士通株式会社 | 病変検出方法および病変検出プログラム |
CN117314932B (zh) * | 2023-09-12 | 2024-06-07 | 四川大学华西第四医院(四川大学华西职业病医院) | 基于令牌金字塔的胰胆管分割方法、模型及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7177453B2 (en) * | 2002-11-26 | 2007-02-13 | General Electric Company | Method and apparatus for partitioning a volume |
CN104809730B (zh) * | 2015-05-05 | 2017-10-03 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
GB2549459B (en) * | 2016-04-12 | 2020-06-03 | Perspectum Diagnostics Ltd | Method and apparatus for generating quantitative data for biliary tree structures |
US11908584B2 (en) * | 2017-05-15 | 2024-02-20 | Ne Scientific, Llc | Methods and systems for modeling a necrotized tissue volume in an ablation procedure |
WO2019005722A1 (en) * | 2017-06-26 | 2019-01-03 | The Research Foundation For The State University Of New York | SYSTEM, METHOD AND COMPUTER-ACCESSIBLE MEDIA FOR VIRTUAL PANCREATOGRAPHY |
WO2020097425A2 (en) * | 2018-11-09 | 2020-05-14 | Vida Diagnostics, Inc. | Cut-surface display of tubular structures |
GB201819596D0 (en) * | 2018-11-30 | 2019-01-16 | Univ Oxford Innovation Ltd | Reconstruction method |
-
2021
- 2021-09-01 JP JP2023514089A patent/JP2023540284A/ja active Pending
- 2021-09-01 CA CA3192033A patent/CA3192033A1/en active Pending
- 2021-09-01 US US18/023,927 patent/US20240008801A1/en active Pending
- 2021-09-01 WO PCT/US2021/048632 patent/WO2022051344A1/en active Application Filing
- 2021-09-01 EP EP21865021.6A patent/EP4208850A4/en active Pending
- 2021-09-01 CN CN202180072197.8A patent/CN116546916A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240008801A1 (en) | 2024-01-11 |
EP4208850A4 (en) | 2024-07-24 |
WO2022051344A1 (en) | 2022-03-10 |
EP4208850A1 (en) | 2023-07-12 |
CA3192033A1 (en) | 2022-03-10 |
CN116546916A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
US7058210B2 (en) | Method and system for lung disease detection | |
US20240008801A1 (en) | System and method for virtual pancreatography pipepline | |
JP5312801B2 (ja) | 医用画像ビューイングプロトコル | |
JP2021520896A (ja) | 機械学習に基づいて血管閉塞を評価するための方法とシステム | |
US11430119B2 (en) | Spatial distribution of pathological image patterns in 3D image data | |
US8175348B2 (en) | Segmenting colon wall via level set techniques | |
US11361432B2 (en) | Inflammation estimation from x-ray image data | |
WO2005055008A2 (en) | Automated segmentation, visualization and analysis of medical images | |
CN111563523A (zh) | 利用机器训练的异常检测的copd分类 | |
JP2015515296A (ja) | 対象物の画像情報の提供 | |
JP2015066311A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
EP1782384B1 (en) | System and method for colon wall extraction in the presence of tagged fecal matter or collapsed colon regions | |
US20100266173A1 (en) | Computer-aided detection (cad) of a disease | |
US20230394654A1 (en) | Method and system for assessing functionally significant vessel obstruction based on machine learning | |
KR20220124665A (ko) | 의료용 인공 신경망 기반 사용자 선호 스타일을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
EP4002387A1 (en) | Cad device and method for analysing medical images | |
Alirr et al. | Survey on liver tumour resection planning system: steps, techniques, and parameters | |
Li et al. | A novel radiogenomics framework for genomic and image feature correlation using deep learning | |
Midya et al. | Computerized diagnosis of liver tumors from CT scans using a deep neural network approach | |
US9767550B2 (en) | Method and device for analysing a region of interest in an object using x-rays | |
Jadhav et al. | 3D virtual pancreatography | |
JP7457011B2 (ja) | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 | |
CN113470060A (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
Parascandolo et al. | Computer aided diagnosis: state-of-the-art and application to musculoskeletal diseases |