JP2024026331A - 情報処理装置、情報処理方法およびプログラム - Google Patents
情報処理装置、情報処理方法およびプログラム Download PDFInfo
- Publication number
- JP2024026331A JP2024026331A JP2023208258A JP2023208258A JP2024026331A JP 2024026331 A JP2024026331 A JP 2024026331A JP 2023208258 A JP2023208258 A JP 2023208258A JP 2023208258 A JP2023208258 A JP 2023208258A JP 2024026331 A JP2024026331 A JP 2024026331A
- Authority
- JP
- Japan
- Prior art keywords
- information
- inference
- inference device
- image data
- medical image
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000003384 imaging method Methods 0.000 claims abstract description 34
- 201000010099 disease Diseases 0.000 claims description 40
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 description 10
- 210000000038 chest Anatomy 0.000 description 8
- 210000001015 abdomen Anatomy 0.000 description 7
- 239000002872 contrast media Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000003144 pneumothorax Diseases 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 208000002251 Dissecting Aneurysm Diseases 0.000 description 1
- 206010002895 aortic dissection Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
【課題】 複数の推論器のうち、推論対象の医用画像データに適した推論器をユーザの手間を削減しながら選択することを目的とする。【解決手段】 本発明の一態様に係る情報処理装置は、複数の推論器を構成するそれぞれの推論器に関する情報を取得する推論器情報取得部と、被検体を撮像して得られた推論対象の医用画像データに付帯する付帯情報を取得する付帯情報取得部と、推論器に関する情報と付帯情報とに基づいて、複数の推論器のうち推論対象の医用画像データに適用する推論器を選択する推論器選択部と、を備える。【選択図】 図1
Description
本発明は、推論対象の医用画像データに付帯する付帯情報に基づいて、複数の推論器の中から適切な推論器を選択する情報処理装置、情報処理方法およびプログラムに関する。
機械学習を始めとする人工知能技術の発展に伴って、例えば疾患に関する推論を行う推論器を医療クラウドサービスや医用画像データ処理用のワークステーションといったプラットフォーム上に複数設け、ユーザが所望の推論器に対して、推論対象の医用画像データを入力することで推論結果を受けとることが可能となっている。推論器を学習する際の医用画像データは、推論の対象とする疾患(例えば気胸、肺結節、脳梗塞)や、医用画像データの種類(撮像装置の種別、撮影部位)などに応じて、推論器ごとに異なる場合が多い。
多くの場合、推論対象である医用画像データに対して適用する推論器をユーザが選択し、選択された推論器に対して医用画像データを入力することによって推論処理が実行される。もちろん推論器の選択をせずに複数の推論器を適用することもできるが、複数の推論器がそれぞれ異なる条件で学習をされた推論器であるため、推論器に応じて入力する医用画像データを確認する必要があったり、複数の推論器による複数の推論結果からユーザが適切な結果を確認する必要があったりと効率が悪い。そのため、推論対象となる医用画像データに適した推論器をユーザの手間を削減しながら選択できることが求められている。
ここで、画像データ処理装置に入力される医用画像データが処理対象(処理に適しているか)か否かを判別する技術が知られている。例えば特許文献1には、医用画像データの付帯情報を取得して、該医用画像データが経時差分処理の処理対象(処理に適している)か否かを判別する技術が開示されている。
しかしながら、特許文献1に開示されている技術では、複数の推論器の中から、推論対象の医用画像データに適した推論器を選択することはできない。
そこで、本発明は、複数の推論器のうち、推論対象の医用画像データに適した推論器をユーザの手間を削減しながら選択することを目的とする。
本発明に記載の情報処理装置は、複数の推論器を構成するそれぞれの推論器に関する情報を取得する推論器情報取得部と、被検体を撮像して得られた推論対象の医用画像データに付帯する付帯情報を取得する付帯情報取得部と、推論器に関する情報と付帯情報とに基づいて、複数の推論器のうち推論対象の医用画像データに適用する推論器を選択する推論器選択部と、を有することを特徴とする。
本発明によれば、複数の推論器のうち、推論対象の医用画像データに適した推論器をユーザの手間を削減しながら選択することができる。
以下、図面を参照しながら本発明を実施するための好適な実施形態について説明する。なお、本発明は、図示例に限定されるものではない。
<実施形態1>
本実施形態では、推論対象の医用画像データに付帯する付帯情報を構成する項目を複数の推論器を構成するそれぞれの推論器に関する情報を構成する項目と照らし合わせて、それぞれの項目が一致するかどうかを判定し、判定結果を受けて、複数の推論器の中から推論対象の医用画像データに適用する推論器を選択する。以下図面を用いて詳述する。
本実施形態では、推論対象の医用画像データに付帯する付帯情報を構成する項目を複数の推論器を構成するそれぞれの推論器に関する情報を構成する項目と照らし合わせて、それぞれの項目が一致するかどうかを判定し、判定結果を受けて、複数の推論器の中から推論対象の医用画像データに適用する推論器を選択する。以下図面を用いて詳述する。
まず、図1を用いて本発明における情報処理装置の構成を示す。
図1に示すように情報処理装置100は、推論対象の医用画像データに付帯した付帯情報を取得する付帯情報取得部101と、所定の疾患に関する推論を行う複数の推論器を構成するそれぞれの推論器に関する情報を取得する推論器情報取得部102と、付帯情報と推論器に関する情報に基づいて、複数の推論器のうち、推論対象の医用画像データに適用する推論器を選択する推論器選択部103と、推論器選択部103はさらに付帯情報と、推論器に関する情報とが一致しているかを判定する推論器判定部106をさらに有する。また情報処理装置100は、通信ネットワーク104を介してデータベース105と接続されている。以下、各部のそれぞれについて詳細に説明を行う。
付帯情報取得部101は、被検体を撮像した推論対象の医用画像データに付帯している各種情報(以下、付帯情報)を取得する。ここで付帯情報は、例えば撮像装置の種別、撮像部位、撮像条件といった情報である。以下、各種付帯情報に関して説明する。
付帯情報取得部101が取得をする付帯情報のうち、撮像装置種別の項目は、推論対象の医用画像データを生成した医用画像データ撮像装置の種別を示す情報であり、医用画像データ撮像装置の種類としては例えば下記が挙げられる。
・CR(Computed Radiography)装置、
・CT(Computed Tomography)装置、
・MRI(Magnetic Resonance Imaging)装置、
・PET(Positron Emission Tomography)装置、
・SPECT画像データ(Single Photon Emission Computed Tomography)、
・超音波装置(US;Ultrasound System)
・CR(Computed Radiography)装置、
・CT(Computed Tomography)装置、
・MRI(Magnetic Resonance Imaging)装置、
・PET(Positron Emission Tomography)装置、
・SPECT画像データ(Single Photon Emission Computed Tomography)、
・超音波装置(US;Ultrasound System)
また付帯情報取得部101が取得をする付帯情報のうち、撮像部位の項目は、撮像装置により被検体を撮影した部位を示す情報である。具体的には、頭部、頚部、胸部、腹部、骨盤部、四肢といった特定の部位を示す情報、あるいは全身、胸腹部といった範囲を示す情報である。
さらに付帯情報取得部101が取得をする付帯情報のうち、撮像条件は、撮像時の条件に関する複数の項目を含む情報であり、例えば、造影剤使用の有無、スライス厚といった情報である。なお、撮像条件は、撮像装置特有の条件に関する情報を含んでいてもよい。例えば、医用画像データを撮像した撮像装置がCT装置であれば、縦郭条件、肺野条件といった医用画像データ表示時のウィンドウレベル、ウィンドウ幅を示す情報、撮像装置がMRI装置であれば、T1、T2、FLAIRといった撮像シーケンスを示す情報を含んでいてもよい。
推論器情報取得部102は、通信ネットワーク104を介して接続されたデータベース105から推論器に関する情報を取得する。ここで、推論器に関する情報とは、推論器を学習する際の教師データに関連する情報であって、該教師データを構成する正解ラベルに関連する疾患名および/または推論器の学習に用いられた正解画像データに関する情報である。データベース105には、複数の推論器のそれぞれの推論器に関してモデル情報と上述の推論器に関する情報が対応付けて記憶され、それらの情報を所望のタイミングで取得することができる。ここで、推論器のモデル情報は、推論器が推論を実行するのに必要な情報を指す。例えば、ニューラルネットワークを推論手法とする推論器であれば、ネットワークの構造と重みの情報である。なお、図1においてデータベース105は通信ネットワークを介して接続されているが、これに限らず、情報処理装置100が推論器に関する情報を取得できる媒体であればよい。例えば、情報処理装置100に物理的に紐づけられたハードディスクのストレージ領域などであってもよい。
推論器選択部103は、推論器情報取得部102で取得した複数の推論器の中から推論器判定部106による判定結果を受けて一つの推論器を選択する。
推論器判定部106は、医用画像データの付帯情報取得部101で取得した付帯情報と推論器選択部103で取得した推論器に関する情報に基づいて、推論対象の医用画像データに対して推論器のそれぞれが推論を行う推論器に適しているか否かを判定し、推論器選択部103に対して判定結果を送信する。
図2は情報処理装置100におけるハードウェア構成の一例を示す図である。CPU(Central Processing Unit)201は、主として各構成要素の動作を制御する。主メモリ202は、CPU201が実行する制御プログラムを格納したり、CPU201によるプログラム実行時の作業領域を提供したりする。磁気ディスク203は、OS(Operating System)、周辺機器のデバイスドライバ、後述する処理等を行うためのプログラムを含む各種アプリケーションソフトを実現するためのプログラムを格納する。CPU201が主メモリ202、磁気ディスク203等に格納されているプログラムを実行することにより、図1に示した情報処理装置100の機能(ソフトウェア)及び後述するフローチャートにおける処理が実現される。
表示メモリ204は、表示用データを一時記憶する。モニタ205は、例えばCRTモニタや液晶モニタ等であり、表示メモリ204からのデータに基づいて画像データやテキスト等の表示を行う。マウス206及びキーボード207は、ユーザによるポインティング入力及び文字等の入力を夫々行う。上記各構成要素は、共通バス208により互いに通信可能に接続されている。
CPU201はプロセッサの一例に相当する。画像データ処理装置100は、CPU201に加えて、GPU(Graphics Processing Unit)やFPGA(Field-Programmable Gate Array)の少なくともいずれかを有していてもよい。また、CPU201に代えて、GPUやFPGAの少なくともいずれかを有していてもよい。主メモリ202、磁気ディスク203はメモリの一例に相当する。
次に図3を用いて、本実施形態における情報処理装置100の処理フローを説明する。
ステップS301において、付帯情報取得部101は、推論対象の医用画像データにおける付帯情報を取得する。付帯情報取得101による推論対象の医用画像データに対応する付帯情報は、例えばDICOMヘッダを用いて取得される。DICOMヘッダには、4桁の数字のペアをタグとして各項目に対応する情報を記載することが定められている。そのため、付帯情報取得部101は所定のタグの情報を参照することで、前述した付帯情報を取得することができる。具体的には、(0008、0060)タグには撮像装置の種別、(0018、0015)には検査部位の情報が記録されている。また、(0018、1046)タグには造影流量、(0018、1047)には造影剤流れ期間の情報が記載されており、造影剤の投与のありなしを判定することができる。
図4(A)を用いて、付帯情報取得部101が取得した推論対象の医用画像データに付帯する付帯情報の例として、CT装置を用いて、造影剤の投与を行わずに被検体の胸部を撮影した医用画像データに対応する付帯情報の例を示す。尚、付帯情報取得部101が取得をする付帯情報はDICOMヘッダ情報から取得する場合に限らず、医用画像データに対応付けられたテキストファイルから取得してもよい。
ステップS302において、推論器情報取得部102は、データベース105から推論器に関する情報を取得する。推論器情報取得部102が取得した推論器に関する情報の例を図4(B)に示す。図4(B)の複数の推論器に関するそれぞれの情報は、複数の推論器のそれぞれを学習する際の教師データに関する情報を示している。それぞれの情報の対象疾患名は例えば教師データを構成する情報のうち、正解ラベルに関連する情報であり、撮像装置の種別や、撮像部位、撮像条件、造影剤の有無、スライス厚等は、正解画像データに関連する情報である。推論器を学習する際には、例えば、該正解ラベルに関連する情報と、正解画像データとを対にした教師データを用いる。
ステップS303において、推論器選択部103は、S302で取得した図4(B)推論器に関する情報の中から一つを選択し、推論器判定部106に送信する。
ステップS304からS306において、推論器判定部106は、S301で取得された推論対象の医用画像データにおける付帯情報とS303で推論器選択部103によって送信された推論器情報に基づいて、推論器に関する情報が示す推論器が推論対象の医用画像データの推論に適しているかを判定する。
まず、ステップS304において、推論器判定部106は推論器に関する情報および付帯情報を構成する項目のうち撮像装置が一致するか否かを判定する。
次に、ステップS305において、推論器判定部106は推論器に関する情報および付帯情報を構成する項目のうち撮像部位が一致するか否かを判定する。
次に、ステップS306において、推論器判定部106は推論器に関する情報および付帯情報を構成する項目のうち造影剤使用の有無が一致するかを判定する。
以上のように、推論器判定部106は、推論対象の医用画像データの付帯情報と推論器に関する情報の個々の項目に入力された情報が同じであるか否かを順に判定し、全て一致する場合、ステップS307に進む。いずれかの項目が一致しない場合、ステップS308に進む。尚、推論器判定部106によって判定する項目は、撮像装置、撮像部位、造影剤有無等の内、いずれか一つを用いて判定がされてもよいし、判定する項目をユーザが選択し、選択された項目に対して判定が行われてもよい。
ステップS307において、推論器判定部106は、S303で推論器選択部103によって送信された推論器に関する情報を推論器選択部103への出力候補として記憶する。
ステップS308において、推論器選択部103は、ステップS304からS306の判定を実施していない推論器に関する情報が存在するかを判定する。存在する場合、ステップS303に戻る。存在しない場合、ステップS309に進む。
ステップS309において、推論器選択部103は、ステップS307で推論器判定部106によって項目間が一致すると判定された推論器に関する情報を取得し、複数の推論器から推論対象の医用画像データを推論するための推論器を選択する。
図5に、図4(A)に示す推論対象の医用画像データの付帯情報および図4(B)に示す推論器に関する付帯情報に基づいて、推論器選択部103によって選択された付帯情報が完全に一致する推論器の情報の例を示す。
以上、本実施形態によれば、複数の推論器が選択可能な場合に、推論対象の医用画像データに適した推論器をユーザの負担を軽減しながら選択することができる。
(実施形態1の変形例1)
本実施形態において、推論器判定部106は、医用画像データの付帯情報のうち、撮像装置、撮像部位および造影剤使用の有無の項目が一致するか否かを判定しているが、判定のために照らし合わせる情報は、それらに限定しない。例えば、推論器判定部106が判定するための項目としてスライス厚や、ウィンドウレベル、ウィンドウ幅など他の付帯情報を加えてもよいし、取得した付帯情報を構成する項目のうち、どの情報を照らし合わせるかをあらかじめ設定できてもよい。
本実施形態において、推論器判定部106は、医用画像データの付帯情報のうち、撮像装置、撮像部位および造影剤使用の有無の項目が一致するか否かを判定しているが、判定のために照らし合わせる情報は、それらに限定しない。例えば、推論器判定部106が判定するための項目としてスライス厚や、ウィンドウレベル、ウィンドウ幅など他の付帯情報を加えてもよいし、取得した付帯情報を構成する項目のうち、どの情報を照らし合わせるかをあらかじめ設定できてもよい。
(実施形態1の変形例2)
本実施形態において、推論器判定部106は、ステップS304からS306において、付帯情報を構成する各項目が一致するか否かを判定しているが、一致するかの判定において、項目間の情報が完全に一致する方法に限定されるものではない。
本実施形態において、推論器判定部106は、ステップS304からS306において、付帯情報を構成する各項目が一致するか否かを判定しているが、一致するかの判定において、項目間の情報が完全に一致する方法に限定されるものではない。
例えば、撮像部位のように項目に対して入力される情報が文字列情報である場合に、推論器判定部106は特定の文字列に対して一致するとみなすマップをあらかじめ用意しておき、マップを参照することで一致するか否かを判定してもよい。
具体的には、推論器判定部106によって比較をする項目が撮像部位の情報の場合に参照するマップの一例を図6に示す。図6におけるマップは、推論対象の医用画像データの付帯情報のひとつである撮像部位の項目における情報と推論器に関する情報のひとつである撮像部位の項目における情報を照らし合わせた際に、一致すると判定するための情報の対応を丸印で示している。
例えば、推論器判定部106によって図6のマップを参照すると、推論対象の医用画像データに関する撮像部位の項目における情報が胸腹部であって、推論器に関する情報を構成する項目のひとつである撮像部位の項目における情報が胸部や腹部であった場合にも、付帯情報が一致すると判定される。これにより、胸腹部を撮像した医用画像データを推論したい場合に、推論器判定部106は胸部あるいは腹部を対象とした推論器を一致すると判定でき、推論器判定部106による判定結果を受けて、推論器選択部103は複数の推論器から適切な推論器をユーザの手間を削減しながら選択することができる。文字列間の関係を示すマップを用いる方法は、撮像部位の胸部、腹部といった情報のように限られた単語を照らし合わせる場合に特に有効である。
推論器判定部106によって判定を行う項目が例えばスライス厚やウィンドウレベルであって、項目に対して入力される情報が数値情報の場合には、推論器判定部106によって一致すると判定する数値の範囲を予め定めておいてもよい。例えば、推論器判定部106は推論対象の医用画像データの付帯情報のひとつであるスライス厚の項目に対して入力された情報が3mmであった場合に、推論器に関する情報のひとつであるスライス厚の項目に入力された情報が2mmから4mmの前後1mmの範囲であれば、スライス厚の項目間に入力されている情報が一致すると判定する。
また、推論器判定部106によって付帯情報が一致するかを判定する方法は、項目ごとに異なっていても、項目に入力される情報の形態によって設定されていてもよい。さらに、項目間の情報が一致するかを判定するためにあらかじめ設定されるマップや、閾値、数値の範囲といった条件等は、推論器ごとに設定されてもよい。
<実施形態2>
実施形態1では、推論器選択部103における推論器判定部106が付帯情報取得部101によって取得された推論対象の医用画像データの付帯情報と、推論器情報取得部102によって取得された推論器に関する情報とのそれぞれの項目に入力された情報を照らし合わせて、それぞれの項目が一致する場合に、推論器選択部103が一致した推論器を複数の推論器から選択をすることで当該医用画像データを推論する推論器として選択する方法について説明をした。
実施形態1では、推論器選択部103における推論器判定部106が付帯情報取得部101によって取得された推論対象の医用画像データの付帯情報と、推論器情報取得部102によって取得された推論器に関する情報とのそれぞれの項目に入力された情報を照らし合わせて、それぞれの項目が一致する場合に、推論器選択部103が一致した推論器を複数の推論器から選択をすることで当該医用画像データを推論する推論器として選択する方法について説明をした。
本実施形態では、推論器判定部106によって推論対象の医用画像データの付帯情報を構成する項目と、推論器に関する情報を構成する項目との一致度を算出し、一致度に基づいて推論器選択部103は推論対象の医用画像データを推論する推論器を選択する。推論器判定部106は、算出された一致度に対して閾値を適用し、推論器が推論対象の医用画像に対して適切か否かを判定する。
図7を用いて、情報処理装置100において推論器が適しているかを判定し、判定結果を受けて推論対象の医用画像に対して適用する推論器を複数の推論器から選択するまでの処理フローについて説明する。
ステップS701、S702およびS703は、実施形態1における図3のフローチャートにおけるステップS301、S302およびS303と同様であるため、説明を省略する。
ステップS704において、推論器判定部106は、撮像装置や撮像部位など、付帯情報および推論器に関する情報を構成する各項目に対する一致度rij(j=1、...、n)を算出する。jは各項目に対して割り当てられたインデックス番号、nは項目の数である。推論器判定部106によって算出される各項目の一致度rijは、例えば、項目間の情報が完全に一致する場合はrij=1、一致しない場合はrij=0とする。ここで、項目jに入力されている情報が文字列情報の場合、推論器判定部106は実施形態1において説明した類似度を一致度としてもよい。また、項目jに入力されている情報が数値情報の場合は、推論器判定部106は項目間の数値の差の絶対値を算出し一致度としてもよい。項目間の数値情報の差の絶対値から一致度を算出する場合には、推論器判定部106によって算出される項目間の一致度rijは、推論対象の医用画像データの付帯情報の項目jの数値をxj、推論器iの推論器に関する情報の項目jの数値をyijとして式1により算出される。
例として、スライス厚の項目に関して、推論対象の医用画像データの付帯情報におけるスライス厚の項目に入力された数値情報が1.5mmであった場合の推論器判定部106によるスライス厚の項目に対する一致度の算出方法を示す。
例えば、複数の推論器が3つ推論器(i=1、2、3)から構成され、それぞれの推論器に関する情報を構成するスライス厚の項目に入力された情報が1.0mm、1.5mm、3.0mmであった場合に、推論器判定部106によって当該項目における一致度はそれぞれr1j=0.75、r2j=0.00、r3j=0.25と算出される。
ステップS705において、推論器判定部106は、推論対象の医用画像の付帯情報と推論器に関する情報の情報間の一致度Ri(i=1、...、N)を算出する。ここで、iは推論器に対して割り当てられたインデックス番号、Nは入力推論器の数である。Riは、式2に示すように、ステップS704で算出された推論器判定部106による各項目jの一致度rij(j=1、...、n)の和を取ることによって算出する。
図8に、図4(A)に示す推論対象の医用画像データの付帯情報および図4(B)に示す推論器に関する情報を用いて、推論器判定部106が式(2)に基づいて各推論器の付帯情報の一致度を算出した例を図8に示す。図8(C)は、推論器判定部106によって各項目の一致度を算出した結果である。なお、推論器判定部106におけるスライス厚の項目に関する一致度は、式(1)に基づいて算出している。また図8(C)の結果を用いて推論器判定部106が式(2)に基づいて、推論対象の医用画像に付帯する付帯情報と、推論器に関する情報との情報間の一致度を算出した結果が図8(D)である。
ステップS706において、推論器判定部106は、図8(D)に示したように算出された一致度に対して閾値を設け、算出された一致度が該設定された閾値以上か否かを判定することによって、推論器が入力の医用画像データに適しているか否かを判定する。そして推論器判定部106によって判定された結果を受けて、推論器選択部103によって複数の推論器のうち、推論対象の医用画像を推論する推論器を選択する。
なお、推論器判定部106で用いる閾値は、ユーザにより任意に設定できるものとする。例えば、図8(D)の算出結果において閾値を0.7とした場合、推論器判定部106によって推論器2、4が推論対象の医用画像データに適していると判定される。
ステップS707、S708およびS709は、実施形態1におけるステップS307、S308およびS309と同様であるため、説明を省略する。
以上、本実施形態によれば、推論器判定部106によって推論対象の医用画像の付帯情報と推論器に関する情報との一致度を算出し、算出された一致度に対して閾値を適用して推論器に関する情報が示す推論器が推論対象の医用画像データに適しているか否かを判定することで、推論器選択部103が疾患を推論する複数の推論器のうち、柔軟に推論器を選択することが可能となる。
<実施形態3>
実施形態2では、推論器判定部106によって付帯情報の一致度を算出し、算出された一致度に対して閾値を適用することで推論器に関する情報が示す推論器が推論対象の医用画像データに適しているか否かを判定する方法を説明した。
実施形態2では、推論器判定部106によって付帯情報の一致度を算出し、算出された一致度に対して閾値を適用することで推論器に関する情報が示す推論器が推論対象の医用画像データに適しているか否かを判定する方法を説明した。
本実施形態では、推論器判定部106は付帯情報の項目ごとの優先度を考慮して一致度を算出し、算出された一致度に基づいて推論器選択部103が複数の推論器から推論対象の医用画像を推論する推論器を選択する方法を説明する。本実施形態において、推論器選択部103は、項目に関して重みを設定し、各項目の一致度と項目に対する重みに基づいて推論器を選択する。
本実施形態における処理フローは、実施形態2と同様である。ただし、ステップS705における推論対象の医用画像の付帯情報と、推論器に関する情報との情報間の一致度Riの算出方法が異なる。
本実施形態では、推論器判定部106による情報間の一致度Riの算出において、両情報を構成する各項目jに対して重みを設定し、加重和を算出する。推論器判定部106により算出される情報間の一致度Riは、項目jに対する重みをwj(j=1、...、n)とし、式(3)により算出される。なお、重みwjは和が1になるように設定されているものとする。
推論器判定部106において算出する項目ごとに対する重みとして、例えば、両情報を構成する項目である装置種別、撮像部位、造影剤の有無、スライス厚に対して、重みをw=[0.5、0.2、0.2、0.1]のように設定する。推論器判定部106において設定された項目ごとの重み、および図8(C)に示す各項目の一致度に基づいて、推論器の一致度を算出した例を図9に示す。
実施形態2のステップS706と同様に、推論器判定部106によって図9(E)のように算出された情報の一致度に対して閾値を設け、算出された一致度が閾値以上か否かを判定することによって、推論器に関する情報が示す推論器が推論対象の医用画像データの推論に適しているか否かを判定する。図9(E)の算出結果において、推論器判定部106によって適用する閾値を0.7とした場合、推論器2、4および5が推論対象の医用画像データに対して推論を行う推論器に適していると判定される。
以上、本実施形態によれば、推論器判定部106によって各項目の優先度を考慮して一致度を算出することにより、推論器選択部103は、項目ごとの重要度に応じて、疾患を推論する複数の推論器のうち推論致傷の医用画像データに適用する推論器を選択することができる。
<実施形態4>
実施形態1、2、3では、推論対象の医用画像データの付帯情報と、推論器に関する情報とを利用して、適切な推論器を選択する方法を説明した。
実施形態1、2、3では、推論対象の医用画像データの付帯情報と、推論器に関する情報とを利用して、適切な推論器を選択する方法を説明した。
本実施形態では、付帯情報取得部1001はさらに被検体に関する情報を取得し、取得した被検体に関する情報を疾患予測部に送信する。そして疾患予測部は取得した被検体に関する情報に基づいて疾患候補を予測し、推論器選択部1003はさらに疾患予測部による予測結果を踏まえて、複数の推論器から適切な推論器を選択する。
まず、本実施形態における本発明の構成について図10を用いて説明する。情報処理装置1000は、実施形態1で説明した構成に加えて被検体に関する情報から疾患の候補を予測する疾患予測部1005を有する。また、情報処理装置1000は、通信ネットワーク1006を介してデータベース1007、医用情報システム1008と接続されている。なお、病院情報システム(HIS:Hospital Information System)、電子カルテシステムなど、病院で使用されるシステムを総称して医用情報システム1008と称している。
推論器情報取得部1002に関しては、実施形態1と同様であるため説明を省略する。
推論対象の医用画像データの付帯情報取得部1001では、通信ネットワーク1006を介して接続された医用情報システム1008よりさらに被検体情報を取得する。ここで、付帯情報取得部1001が取得する被検体情報とは例えば問診情報あるいは電子カルテに記載された情報を指す。なお、付帯情報取得部1001における被検体情報の取得先のシステムとして、病院情報システムおよび電子カルテシステムを例示しているが、被検体情報が取得可能であれば、情報の取得先はそれらのシステムに限らない。
疾患予測部1005は、付帯情報取得部1001がさらに取得した被検体情報に基づいて、疾患候補を予測する。
推論器判定部1004は、医用画像データの付帯情報取得部1001で取得した付帯情報と推論器選択情報取得部1002が取得した推論器に関する情報および疾患予測部1005で予測結果である疾患候補に基づいて、推論器に関する情報が示す推論器が推論対象の医用画像データの推論を行う推論器として適しているか否かを判定する。
以上、実施形態4における本発明の情報処理装置1000の構成である。
次に、図11を用いて、本実施形態における情報処理装置1000の処理フローを説明する。
ステップS1101において、付帯情報取得部1001は、推論対象の医用画像に付帯する付帯情報を取得する。
ステップS1102で推論器情報取得部1002によって、推論器に関する情報を取得するまでは、実施形態1、2、3と同様である。
ステップS1103において、付帯情報取得部1001は、さらに医用情報システム1008からさらに被検体情報を取得する。付帯情報取得部1001が取得する被検体情報として、被検体の問診情報または電子カルテあるいはそれらの両方を医用情報システム1008より取得する。具体的には、DICOMヘッダには被検体名、被検体IDといった項目が記載されており、それらを用いて医用情報システム1008を構成する例えば電子カルテシステムといった各システムのデータベースに問い合わせることで、該当する被検体の情報を取得することができる。
ステップS1104において、疾患予測部1105は、ステップS1103で付帯情報取得部1001が取得した被検体情報である問診情報または電子カルテの情報もしくはそれら両方の情報に基づいて疾患候補を予測する。ここで、ステップS1104では、疾患予測部1105による予測結果における疾患候補として、可能性のある疾患名がリストアップされればよく、リストアップする手段は上記で説明した手段に問わない。例えば、付帯情報取得部1001が取得した被検体情報が問診情報の場合、問診の回答内容に対してあらかじめ登録した規則に照らし合わせて疾患候補を決定してもよいし、問診の回答内容に基づいて機械学習等の公知技術によって推定してもよい。規則に基づいて疾患候補をリストアップする場合、例えば、症状に胸痛が含まれた場合は気胸と大動脈解離を疾患候補として追加するといったように設定する。また、電子カルテの場合、既往歴の情報を抽出し、疾患候補に加える。さらに、既往歴から他の合併症の可能性のある疾患を辞書のようなルールベースあるいは機械学習によって予測して、疾患候補として加えてもよい。以上により、図12(A)に示すように推論対象の医用画像データの付帯情報に対して、対象疾患名にステップS1104で予測した疾患候補の情報が追加される。
ステップS1105において、推論器選択部1003は、S1102で取得した推論器に関する情報の中から一つを選択する。
ステップS1106において、推論器判定部1004はS1105で選択した推論器情報の対象疾患名が、S1104で予測した疾患候補に含まれるかを判定する。推論器判定部1004によって含まれると判定された場合、ステップS1107に進む。推論器判定部1004により含まれないと判定された場合、ステップS1111に進む。
ステップS1107からS1112は、実施形態1におけるステップS304からS309と同様であるため説明を省略する。なお、ステップS1107からステップS1112の処理フローは、実施形態2のステップS705からステップS709で置き換えられてもよい。
以上、本実施形態によれば、付帯情報取得部1001がさらに被検体に関する情報を取得し、取得した被検体に関する情報に基づいて疾患予測部1005が疾患候補を予測することで、推論器判定部1004は、推論対象の医用画像を推論する推論器が適切かどうかを判定でき、さらに推論器判定部1004による判定結果を受けて、推論器選択部1003複数推論器のうち、推論対象の医用画像を推論するのに適切な推論器を選択することができる。
(その他の実施例)
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
Claims (12)
- 複数の推論器を構成するそれぞれの推論器に関する情報を取得する推論器情報取得部と、
被検体を撮像して得られた推論対象の医用画像データに付帯する付帯情報を取得する付帯情報取得部と、
前記推論器に関する情報と前記付帯情報とに基づいて、前記複数の推論器のうち前記推論対象の医用画像データに適用する推論器を選択する推論器選択部と、
を有することを特徴とする情報処理装置。 - 前記推論器情報取得部によって取得される前記推論器に関する情報は、前記それぞれの推論器の学習に用いられた教師データに関する情報であることを特徴とする請求項1に記載の情報処理装置。
- 前記推論器情報取得部は前記教師データに関する情報として、正解画像データに関する情報を取得することを特徴する請求項2に記載の情報処理装置。
- 前記付帯情報および前記推論器に関する情報は、撮像装置の種別、撮像部位、撮像条件の少なくとも一つを含む情報であることを特徴とする請求項1乃至3のいずれか一項に記載の情報処理装置。
- 前記推論器選択部は、前記推論器に関する情報を構成する項目と、前記推論対象の医用画像データに付帯する付帯情報を構成する項目との一致度を算出し、算出した一致度に基づいて前記推論対象の医用画像データに適用する推論器を選択することを特徴とする請求項1乃至4のいずれか一項に記載の情報処理装置。
- 前記推論器選択部は、前記項目に対して重みを設定し、前記項目間の一致度と前記項目に対する重みとに基づいて前記推論器を選択することを特徴とする請求項5に記載の情報処理装置。
- 前記推論器情報取得部は、さらに前記教師データに関する情報として正解ラベルに関連する疾患名を取得することを特徴とする請求項2または3のいずれか一項に記載の情報処理装置。
- 前記付帯情報取得部は、前記被検体に関する情報をさらに取得し、
前記被検体に関する情報から前記被検体の疾患名を予測する疾患予測部をさらに有し、前記推論器選択部は、前記疾患予測部による予測結果として前記被検体の疾患候補を取得することを特徴とする請求項7に記載の情報処理装置。 - 前記推論器選択部は、前記推論器情報取得部によって取得された前記正解ラベルに関連する疾患名と、前記付帯情報取得部によって取得された被検体の疾患候補とに基づいて一致度を算出し、算出した一致度に基づいて前記複数の推論器のうち前記推論対象の医用画像データに適用する推論器を選択することを特徴とする請求項8に記載の情報処理装置。
- 前記付帯情報取得部がさらに取得する前記被検体に関する情報は、前記被検体の問診情報および電子カルテの情報のいずれかの情報を含む情報であることを特徴とする請求項8に記載の情報処理装置。
- 複数の推論器を構成するそれぞれの推論器に関する情報を取得する推論器情報取得ステップと、
被検体を撮像して得られた推論対象の医用画像データに付帯する付帯情報を取得する付帯情報取得ステップと、
前記推論器に関する情報と前記付帯情報とに基づいて、前記複数の推論器のうち前記推論対象の医用画像データに適用する推論器を選択する推論器選択ステップと、
を有することを特徴とする情報処理方法。 - 請求項11に記載の情報処理方法をコンピュータで実行するためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023208258A JP2024026331A (ja) | 2020-07-03 | 2023-12-11 | 情報処理装置、情報処理方法およびプログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020115381A JP2022013077A (ja) | 2020-07-03 | 2020-07-03 | 情報処理装置、情報処理方法およびプログラム |
JP2023208258A JP2024026331A (ja) | 2020-07-03 | 2023-12-11 | 情報処理装置、情報処理方法およびプログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020115381A Division JP2022013077A (ja) | 2020-07-03 | 2020-07-03 | 情報処理装置、情報処理方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024026331A true JP2024026331A (ja) | 2024-02-28 |
Family
ID=79167812
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020115381A Pending JP2022013077A (ja) | 2020-07-03 | 2020-07-03 | 情報処理装置、情報処理方法およびプログラム |
JP2023208258A Pending JP2024026331A (ja) | 2020-07-03 | 2023-12-11 | 情報処理装置、情報処理方法およびプログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020115381A Pending JP2022013077A (ja) | 2020-07-03 | 2020-07-03 | 情報処理装置、情報処理方法およびプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US12087430B2 (ja) |
JP (2) | JP2022013077A (ja) |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5235510A (en) * | 1990-11-22 | 1993-08-10 | Kabushiki Kaisha Toshiba | Computer-aided diagnosis system for medical use |
EP1535462A2 (en) * | 2002-09-04 | 2005-06-01 | Eastman Kodak Company | Patient identification method for x-ray film user-interfaces |
JP5880332B2 (ja) * | 2012-07-25 | 2016-03-09 | コニカミノルタ株式会社 | 画像処理装置及びプログラム |
JP6237353B2 (ja) * | 2014-03-07 | 2017-11-29 | コニカミノルタ株式会社 | 画像処理装置、画像撮影システム及び画像処理プログラム |
US11250335B2 (en) * | 2015-10-26 | 2022-02-15 | NetraDyne, Inc. | Joint processing for embedded data inference |
US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
US11998193B2 (en) * | 2017-12-28 | 2024-06-04 | Cilag Gmbh International | Method for usage of the shroud as an aspect of sensing or controlling a powered surgical device, and a control algorithm to adjust its default operation |
US11424027B2 (en) * | 2017-12-28 | 2022-08-23 | Cilag Gmbh International | Method for operating surgical instrument systems |
JP7035569B2 (ja) | 2018-01-31 | 2022-03-15 | コニカミノルタ株式会社 | 医用画像処理装置 |
US10431328B1 (en) * | 2018-06-03 | 2019-10-01 | Beijing Curacloud Technology Co., Ltd. | Method and system for anatomical tree structure analysis |
US10740866B2 (en) * | 2018-06-26 | 2020-08-11 | International Business Machines Corporation | Determining appropriate medical image processing pipeline based on machine learning |
US11769585B2 (en) * | 2019-01-15 | 2023-09-26 | Youngblood Ip Holdings, Llc | Health data exchange platform |
US10918309B2 (en) * | 2019-04-11 | 2021-02-16 | Siemens Healthcare Gmbh | Artificial intelligence-based COPD assessment |
US11562172B2 (en) * | 2019-08-08 | 2023-01-24 | Alegion, Inc. | Confidence-driven workflow orchestrator for data labeling |
KR102439845B1 (ko) * | 2019-12-27 | 2022-09-02 | 주식회사 코어라인소프트 | 의료용 인공 신경망 기반 사용자 선호 스타일을 제공하는 의료 영상 판독 지원 장치 및 방법 |
US11562482B2 (en) * | 2020-03-30 | 2023-01-24 | Varian Medical Systems International Ag | Systems and methods for pseudo image data augmentation for training machine learning models |
CN116194820A (zh) * | 2020-06-12 | 2023-05-30 | 华盛顿大学 | 近眼显示器中的眼睛跟踪 |
-
2020
- 2020-07-03 JP JP2020115381A patent/JP2022013077A/ja active Pending
-
2021
- 2021-07-01 US US17/365,829 patent/US12087430B2/en active Active
-
2023
- 2023-12-11 JP JP2023208258A patent/JP2024026331A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220005589A1 (en) | 2022-01-06 |
JP2022013077A (ja) | 2022-01-18 |
US12087430B2 (en) | 2024-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669792B2 (en) | Medical scan triaging system and methods for use therewith | |
US10902588B2 (en) | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities | |
CN108784655B (zh) | 针对医疗患者的快速评估和后果分析 | |
US10825167B2 (en) | Rapid assessment and outcome analysis for medical patients | |
JP7406758B2 (ja) | 人工知能モデルを使用機関に特化させる学習方法、これを行う装置 | |
JP5582707B2 (ja) | 医療意志決定支援装置及びその制御方法 | |
JP6818424B2 (ja) | 診断支援装置、情報処理方法、診断支援システム及びプログラム | |
JP6957214B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
JP2023503610A (ja) | 医療スキャン映像の相互位置合わせおよびそれとともに使用する方法 | |
JP7058988B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP2019212296A (ja) | 医用情報処理装置、方法及びプログラム | |
Kassem et al. | Explainable Transfer Learning‐Based Deep Learning Model for Pelvis Fracture Detection | |
JP7066385B2 (ja) | 情報処理方法、情報処理装置、情報処理システム及びプログラム | |
Ryalat et al. | Harris hawks optimization for COVID-19 diagnosis based on multi-threshold image segmentation | |
JP2022537818A (ja) | 機械学習されたモデルを使用して皮膚状態を診断すること | |
JP7013145B2 (ja) | 情報処理装置、情報処理システム、情報処理装置の作動方法及びプログラム | |
JP2024026331A (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP2021509491A (ja) | 医用画像評価のためのディープラーニングの応用 | |
US12014823B2 (en) | Methods and systems for computer-aided diagnosis with deep learning models | |
JP6543308B2 (ja) | 情報処理装置、情報処理装置の作動方法および情報処理システム | |
JP6193964B2 (ja) | 情報処理装置、情報処理装置の作動方法および情報処理システム | |
KR102632773B1 (ko) | 의료데이터 스플릿 학습 시스템과 이의 제어방법 및 그 방법을 수행하기 위한 기록매체 | |
US11989871B2 (en) | Model training apparatus and method | |
Pershin¹ et al. | Check for updates AI-Based Extraction of Radiologists Gaze Patterns Corresponding to Lung Regions | |
SANONGSIN et al. | A New Deep Learning Model for Diffeomorphic Deformable Image Registration Problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231226 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231226 |