JP2024500470A - 医療画像における病変分析方法 - Google Patents

医療画像における病変分析方法 Download PDF

Info

Publication number
JP2024500470A
JP2024500470A JP2023538160A JP2023538160A JP2024500470A JP 2024500470 A JP2024500470 A JP 2024500470A JP 2023538160 A JP2023538160 A JP 2023538160A JP 2023538160 A JP2023538160 A JP 2023538160A JP 2024500470 A JP2024500470 A JP 2024500470A
Authority
JP
Japan
Prior art keywords
nodule
medical image
suspicious
image
information
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
JP2023538160A
Other languages
English (en)
Inventor
ヒョンホ パク
グァンビーン パク
ソンホ イ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vuno Inc
Original Assignee
Vuno Inc
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
Application filed by Vuno Inc filed Critical Vuno Inc
Publication of JP2024500470A publication Critical patent/JP2024500470A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • 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
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G06T5/75—Unsharp masking
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Optics & Photonics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Pulmonology (AREA)

Abstract

本開示の一実施例に基づき、コンピューティング装置において実行される、医療画像における病変分析方法が開示される。上記方法は、医療画像に存在する疑わしい結節（ｎｏｄｕｌｅ）の位置情報を取得する段階、上記位置情報に対応する医療画像のパッチ（ｐａｔｃｈ）に基づき、上記疑わしい結節に係るマスク（ｍａｓｋ）を生成する段階、及び上記医療画像のパッチ及び疑わしい結節に係るマスクに基づき、上記疑わしい結節の状態に係るクラス（ｃｌａｓｓ）分類を行う段階を含むことが可能である。

Description

本発明は、医療画像の処理方法に係り、より具体的には、人工知能を利用して医療画像に存在する特定の疾患に係る病変を検出し、評価する方法に関する。
医療画像は、人体の色々な臓器の物理的状態を理解できるようにする資料である。医療画像には、デジタル放射線画像（Ｘ－ｒａｙ）、コンピューター断層撮影（ＣＴ）、磁気共鳴画像（ＭＲＩ）等がある。
医療画像を利用して特定の疾患の病変を検出することを自動化する方法に係る研究及び技術開発が、持続的に行われてきている。しかし、従来の技術は、医療画像に存在する病変を特定することに焦点を合わせているため、特定の疾患の診断に適した形で病変に係る情報を生成及び加工することはできていなかった。つまり、特定の疾患の診断に適した必要情報を提供するという観点では、従来の技術は、病変の検出及び評価という目的に合った性能を提供できていない状況である。
米国登録特許第７３０５１１１号（２００７．１２．０４）は、肺がんスクリーニングのための肺結節検出の自動化方法について開示している。
本開示は、前述の背景技術に鑑みて案出されたものであり、医療画像に存在する特定の疾患を診断するための病変を検出し、評価する方法を提供することを目的とする。
前述の課題を実現するための本開示の一実施例に基づき、コンピューティング装置により実行される医療画像における病変分析方法が開示される。上記方法は、医療画像に存在する疑わしい結節（ｎｏｄｕｌｅ）の位置情報を取得する段階；上記位置情報に対応する医療画像のパッチ（ｐａｔｃｈ）に基づき、上記疑わしい結節に係るマスク（ｍａｓｋ）を生成する段階；及び上記医療画像のパッチ及び疑わしい結節に係るマスクに基づき、上記疑わしい結節の状態に係るクラス（ｃｌａｓｓ）分類を行う段階を含むことが可能である。
代替の実施例において、上記疑わしい結節の位置情報を取得する段階は、事前学習された第１のモデルを用いて、上記医療画像に含まれている少なくとも１つの関心領域における結節の存在に係る確率値及び候補位置情報を生成する段階；及び上記第１のモデルを用いて、上記少なくとも１つの関心領域における結節の存在に係る確率値をもとに、上記候補位置情報から上記疑わしい結節の位置情報を決定する段階を含むことが可能である。
代替の実施例において、上記疑わしい結節に係るマスクを生成する段階は、上記医療画像から上記位置情報に対応するパッチを抽出する段階；及び上記第２のモデルを用いて、上記パッチに基づき、上記疑わしい結節の全体の領域に係る第１のマスクと、上記疑わしい結節における特定の属性（ａｔｔｒｉｂｕｔｅ）を表す領域に係る第２のマスクを生成する段階を含むことが可能である。
代替の実施例において、上記方法は、上記第１のマスクをもとに、上記疑わしい結節の全体の領域の径（ｄｉａｍｅｔｅｒ）や体積（ｖｏｌｕｍｅ）のうち、少なくとも１つを含む第１の数値情報を生成する段階；及び上記第２のマスクをもとに、上記疑わしい結節における特定の属性を表す領域の径や体積のうち、少なくとも１つを含む第２の数値情報を生成する段階をさらに含むことが可能である。
代替の実施例において、上記方法は、肺疾患診断の補助的指標を基準にして、上記疑わしい結節の状態に係るクラス及び第１の数値情報に基づき、上記疑わしい結節に対する評価スコアを算出する段階をさらに含むことが可能である。
代替の実施例において、上記方法は、上記疑わしい結節の状態に係るクラスが、上記疑わしい結節の特定の属性に係る所定の類型に該当する場合、肺疾患診断の補助的指標を基準にして、上記疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報とに基づき、上記疑わしい結節に対する評価スコアを算出する段階をさらに含むことが可能である。
代替の実施例において、上記方法は、上記方法は、上記疑わしい結節の位置情報と、マスクと、疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報と、評価スコアとのうち、少なくとも１つに基づいてユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を生成する段階をさらに含むことが可能である。
代替の実施例において、上記方法は、上記医療画像の被検体（ｓｕｂｊｅｃｔ）と分析済み画像の被検体とが対応するか否かを判断する段階；及び上記医療画像の被検体と分析済み画像の被検体とが対応する場合、事前学習された第４のモデルを用いて、上記医療画像と分析済み画像の撮影時点を基準にして、上記医療画像の評価スコア又は上記分析済み画像の評価スコアを修正する段階をさらに含むことが可能である。
代替の実施例において、上記医療画像の評価スコア又は上記分析済み画像の評価スコアを修正する段階は、上記第４のモデルを用いて、上記医療画像と上記分析済み画像との間のレジストレーション（ｒｅｇｉｓｔｒａｔｉｏｎ）を行う段階；上記第４のモデルを用いて、上記医療画像に存在する疑わしい結節と、上記分析済み画像に存在する疑わしい結節とをマッチング（ｍａｔｃｈｉｎｇ）させ、上記マッチングされた疑わしい結節の変更情報を識別する段階；及び上記変更情報をもとに、上記医療画像又は上記分析済み画像の評価スコアを修正する段階を含むことが可能である。
代替の実施例において、上記医療画像の評価スコア又は上記分析済み画像の評価スコアを修正する段階は、上記医療画像が上記分析済み画像が撮影される前の時点に撮影されている場合、上記第４のモデルを用いて、上記医療画像の評価スコアをもとに、上記分析済み画像の評価スコアを修正する段階；及び上記医療画像が上記分析済み画像が撮影された以降の時点に撮影された場合、上記第４のモデルを用いて、上記分析済み画像の評価スコアをもとに、上記医療画像の評価スコアを修正する段階を含むことが可能である。
代替の実施例において、上記方法は、事前学習された第５のモデルを用いて、上記疑わしい結節の位置情報、状態に係るクラス、数値情報をもとに、上記疑わしい結節の悪性度を推定する段階をさらに含むことが可能である。
代替の実施例において、上記方法は、事前学習された第５のモデルを用いて、上記パッチ及びマスクに基づき、上記疑わしい結節の悪性度を推定する段階をさらに含むことが可能である。
代替の実施例において、上記方法は、上記疑わしい結節の位置情報と、マスクと、疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報と、悪性度とのうち、少なくとも１つに基づいてユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を生成する段階をさらに含むことが可能である。
代替の実施例において、上記疑わしい結節の状態に係るクラス分類を行う段階は、事前学習された少なくとも１つのサブモデルを含む第３のモデルを用いて、上記パッチ及びマスクに基づき、それぞれ異なるサブモデルを用いて、上記疑わしい結節の属性に係る類型（ｔｙｐｅ）、スピキュラ（ｓｐｉｃｕｌａｔｉｏｎ）の有無、石灰化（ｃａｌｃｉｆｉｃａｔｉｏｎ）の有無のうち、少なくとも１つを決定する段階を含むことが可能である。
前述の課題を実現するための本開示のもう１つの一実施例に基づき、コンピューティング装置により実行される医療画像における病変分析方法が開示される。上記方法は、医療画像の被検体と分析済み画像の被検体とが対応するか否かを判断する段階；上記医療画像に存在する疑わしい結節の状態に係るクラス及び数値情報に基づき、上記疑わしい結節に対する評価スコアを算出する段階；及び上記医療画像の被検体と分析済み画像の被検体とが対応する場合、上記医療画像と分析済み画像の撮影時点を基準にして、上記医療画像の評価スコア又は上記分析済み画像の評価スコアを修正する段階を含むことが可能である。
代替の実施例において、上記方法は、上記医療画像の被検体と分析済み画像の被検体とが対応しない場合、上記医療画像の評価スコアを保存する段階をさらに含むことが可能である。
代替の実施例において、上記方法は、上記保存された評価スコア又は上記修正された評価スコアに基づき、ユーザーインターフェースを生成する段階をさらに含むことが可能である。
代替の実施例において、上記医療画像の評価スコア又は上記分析済み画像の評価スコアを修正する段階は、事前学習された第４のモデルを用いて、上記医療画像と上記分析済み画像との間のレジストレーションを行う段階；上記第４のモデルを用いて、上記医療画像に存在する疑わしい結節と、上記分析済み画像に存在する疑わしい結節とをマッチングさせ、上記マッチングされた疑わしい結節の変更情報を識別する段階；及び上記変更情報をもとに、上記医療画像又は上記分析済み画像の評価スコアを修正する段階を含むことが可能である。
代替の実施例において、上記医療画像の評価スコア又は上記分析済み画像の評価スコアを修正する段階は、上記医療画像が上記分析済み画像が撮影される前の時点に撮影されている場合、事前学習された第４のモデルを用いて、上記医療画像の評価スコアをもとに、上記分析済み画像の評価スコアを修正する段階；及び上記医療画像が上記分析済み画像が撮影された以降の時点に撮影された場合、上記第４のモデルを用いて、上記分析済み画像の評価スコアをもとに、上記医療画像の評価スコアを修正する段階を含むことが可能である。
前述のような課題を実現するための本開示の一実施例に基づき、コンピューター可読保存媒体に保存されたコンピュータープログラムが開示される。上記コンピュータープログラムは、１つ以上のプロセッサーにおいて実行される場合、医療画像における病変を分析するための以下の動作が実行されるが、上記動作は；医療画像に存在する疑わしい結節の位置情報を取得する動作；上記位置情報に対応する医療画像のパッチに基づき、上記疑わしい結節に係るマスクを生成する動作；及び上記医療画像のパッチ及び疑わしい結節に係るマスクに基づき、上記疑わしい結節の状態に係るクラス分類を行う動作を含むことが可能である。
前述の課題を解決するための本開示の一実施例に基づき、医療画像における病変を分析するコンピューティング装置が開示される。上記装置は、少なくとも１つのコアを含むプロセッサー；上記プロセッサーにおいて実行可能なプログラムコードを含むメモリー；及び胸部領域を含む医療画像を受信するためのネットワーク部を含み、上記プロセッサーは、医療画像に存在する疑わしい結節の位置情報を取得し、上記位置情報に対応する医療画像のパッチ（ｐａｔｃｈ）に基づき、上記疑わしい結節に係るマスクを生成し、上記医療画像のパッチ及び疑わしい結節に係るマスクに基づき、上記疑わしい結節の状態に係るクラス分類を行うことが可能である。
前述の課題を実現するための本開示の一実施例に基づき、ユーザーインターフェースを提供するユーザー端末が開示される。上記ユーザー端末は、少なくとも１つのコアを含むプロセッサー；メモリー；コンピューティング装置から、医療画像に含まれている病変の分析情報に基づいて生成されるユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を受信するネットワーク部；及び上記ユーザーインターフェースを提供する出力部；を含むことが可能である。この場合、上記病変の分析情報は、疑わしい結節（ｎｏｄｕｌｅ）の位置情報、上記疑わしい結節に係るマスク（ｍａｓｋ）、上記疑わしい結節の状態に係るクラス（ｃｌａｓｓ）、上記疑わしい結節の数値情報、上記疑わしい結節に対する評価情報、上記疑わしい結節の悪性度のうち、少なくとも１つを含むことが可能である。
本開示は、医療画像に存在する特定の疾患を診断するための病変を検出し、評価する方法を提供することが可能である。
図１は、本開示の一実施例において、医療画像における病変を分析するためのコンピューティング装置のブロック構成図である。 図２は、本開示の一実施例におけるネットワーク関数を示す概略図である。 図３は、本開示の一実施例において、コンピューティング装置が病変を読影するプロセスを示すブロック構成図である。 図４は、本開示の一実施例において、コンピューティング装置が病変を読影するプロセスを示すフローチャートである。 図５は、本開示の一実施例において、コンピューティング装置が病変を読影し、評価するプロセスを示すブロック構成図である。 図６は、本開示の一実施例において、コンピューティング装置が病変の評価結果を修正するプロセスを示すブロック構成図である。 図７は、本開示の一実施例における、医療画像における病変を分析する方法に係るフローチャートである。 図８は、本開示の代替の実施例において、医療画像における病変を分析する方法に係るフローチャートである。 図９は、本開示の一実施例におけるコンピューティング環境を示す概略図である。
多様な実施例が以下に図面を参照しながら説明されるが、図面を通して類似の図面番号は類似の構成要素を表すために使われる。本明細書において多様な説明が本開示に対する理解を容易にするために示される。しかし、これらの実施例がこれらの具体的な説明がなくても間違いなく実施されることができる。
本明細書において、「コンポーネント」、「モジュール」、「システム」等の用語は、コンピューター関連エンティティ、ハードウェア、ファームウェア、ソフトウェア、ソフトウェアとハードウェアとの組み合わせ、またはソフトウェアの実行を指す。例えば、コンポーネントは、プロセッサー上で実行される処理手順（ｐｒｏｃｅｄｕｒｅ）、プロセッサー、オブジェクト、実行スレッド、プログラム、及び／またはコンピューターになり得るが、これらに限定されるものではない。例えば、コンピューティング装置で実行されるアプリケーションとコンピューティング装置は、両方ともコンポーネントになり得る。１つ以上のコンポーネントは、プロセッサー及び／または実行スレッドの中に常駐することができ、１つのコンポーネントは１つのコンピューターの中でローカル化されることができ、または２つ以上のコンピューターに配分されることもできる。また、このようなコンポーネントは、その内部に保存されている多様なデータ構造を持つ、多様なコンピューター可読媒体から実行することができる。コンポーネントは、例えば１つ以上のデータパケットを持つ信号（例えば、ローカルシステム、分散システムにおいて他のコンポーネントと相互作用する１つのコンポーネントからのデータ及び／または信号を通じて、他のシステムと、インターネットのようなネットワークを介して伝送されるデータ）によってローカル及び／または遠隔処理等を通じて通信することができる。
用語「または」は、排他的な「または」ではなく、内包的な「または」を意味する意図で使われる。つまり、特に特定されておらず、文脈上明確ではない場合、「ＸはＡまたはＢを利用する」は、自然な内包的置換のうち１つを意味するものとする。つまり、ＸがＡを利用したり；ＸがＢを利用したり；またはＸがＡ及びＢの両方を利用する場合、「ＸはＡまたはＢを利用する」は、これらのいずれにも当てはまるとすることができる。また、本明細書における「及び／または」という用語は、取り挙げられた関連アイテムのうち、１つ以上のアイテムの可能なすべての組み合わせを指し、含むものと理解されるべきである。
また、述語としての「含む（含める）」及び／または修飾語として「含む（含める）」という用語は、当該特徴及び／または構成要素が存在することを意味するものと理解されるべきである。ただし、述語としての「含む（含める）」及び／または修飾語として「含む（含める）」という用語は、１つ以上の他のさらなる特徴、構成要素及び／またはこれらのグループが存在すること、または追加されることを排除しないものと理解されるべきである。また、特に数が特定されていない場合や、単数の形を示すことが文脈上明確でない場合、本明細書と請求範囲において単数は、一般的に「１つまたはそれ以上」を意味するものと解釈されるべきである。
そして、「Ａ又はＢのうち少なくとも１つ」という用語については、「Ａだけを含む場合」、「Ｂだけを含む場合」、「ＡとＢの組み合わせの場合」を意味するものと解釈されたい。
当業者は、さらに、ここに開示される実施例に係るものとして説明された多様な例示的論理的ブロック、構成、モジュール、回路、手段、ロジック及びアルゴリズム段階が、電子ハードウェア、コンピューターソフトウェア、またはその両方の組み合わせによって実現されることができることを認識すべきである。ハードウェアとソフトウェアとの相互交換性を明確に例示するために、多様な例示的コンポーネント、ブロック、構成、手段、ロジック、モジュール、回路及び段階が、それらの機能性の側面で一般的に上述された。そのような機能性がハードウェアとして実装されるか或いはソフトウェアとして実装されるかは、全般的なシステムに係る特定のアプリケーション（ａｐｐｌｉｃａｔｉｏｎ）及び設計制限によって決まる。熟練した技術者は、個々の特定アプリケーションのために多様な方法で説明された機能性を実現できる。ただし、そのような実現に係る決定が本開示内容の領域を逸脱するものと解釈されてはならない。
ここに示す実施例に係る説明は、本開示の技術分野において通常の知識を持つ者が本発明を利用したり、または実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者にとっては明確であり、ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることができる。従って、本開示はここに示す実施例によって限定されるものではなく、ここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。
本開示において、ネットワーク関数と人工神経回路網とニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）とは、相互置換可能に用いることが可能である。
一方、本発明の詳細な説明及び請求項において用いられている用語「画像」または「画像データ」は、離散的画像要素（例えば、２次元画像においては、ピクセル）で構成されている多次元データを指し、言い換えると、（例えば、ビデオ画面に表示された）目視で認識できる対象、又は、（例えば、ＣＴやＭＲＩ装置などのピクセル出力に対応するファイルのような）その対象のデジタル表現物を指す用語である。
例えば、「イメージ」や「画像」は、コンピューター断層撮影（ＣＴ；ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）、磁気共鳴画像（ＭＲＩ；ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ）、超音波又は、その他本発明の技術分野における公知のあらゆる医療画像システムにより収集された被検体（ｓｕｂｊｅｃｔ）の医療画像になり得る。画像が必ずしも医療的目的で提供されたものである必要はなく、非医療的目的で提供されたものにもなり得るが、例えば、セキュリティー検査用のエックス線撮影などが挙げられる。
本発明の詳細な説明及び請求項において、「ＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ；医療用デジタル画像及び通信）」の標準は、医療用機器におけるデジタル画像表現と通信に利用されるあらゆる標準規格の総称であり、ＤＩＣＯＭ標準は、米国放射線専門医会（ＡＣＲ）と米国電機工業会（ＮＥＭＡ）とで構成している連合委員会が発表する。
また、本発明の詳細な説明及び請求項において、「医療用画像管理システム（ＰＡＣＳ；Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）」は、ＤＩＣＯＭ標準に沿って、医療用画像を保管、加工、送信するシステムを指す用語であり、エックス線、ＣＴ、ＭＲＩなどのデジタル医療画像装置を利用して取得した医療画像のデータを、ＤＩＣＯＭの規格に合わせて保存し、ネットワークを介して院内や外部の端末に送信することが可能であり、そのデータには、読影結果や診療記録を追加することが可能である。
図１は、本開示の一実施例において、医療画像における病変を分析するためのコンピューティング装置のブロック構成図である。
図１に図示されたコンピューティング装置（１００）の構成は、簡略化して示した例示に過ぎない。本開示の一実施例において、コンピューター装置（１００）には、コンピューター装置（１００）のコンピューティング環境を実装するための他の構成が含まれることが可能であり、開示されている構成のうち一部だけでコンピューター装置（１００）を構成することも可能である。
コンピューター装置（１００）は、プロセッサー（１１０）、メモリー（１３０）、ネットワーク部（１５０）を含むことができる。
プロセッサー（１１０）は、１つ以上のコアで構成されることができ、コンピューティング装置の中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、汎用グラフィック処理装置（ＧＰＧＰＵ：ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、テンサー処理装置（ＴＰＵ： ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）等のデータ分析、ディープラーニングのためのプロセッサーを含むことが可能である。プロセッサー（１２０）は、メモリー（１３０）に保存されたコンピュータープログラムを読み取り、本開示の一実施例における機械学習のためのデータ処理を実行することができる。本開示の一実施例に基づき、プロセッサー（１２０）は、ニューラルネットワークの学習のための演算を行うことができる。プロセッサー（１２０）は、ディープラーニング（ＤＬ：ｄｅｅｐ ｌｅａｒｎｉｎｇ）における学習のための入力データの処理、入力データからのフィーチャーの抽出、誤差計算、逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を利用したニューラルネットワークの加重値の更新等のニューラルネットワークの学習のための計算を実行することができる。プロセッサー（１２０）のＣＰＵ、ＧＰＧＰＵ及びＴＰＵのうち少なくとも１つがネットワーク関数の学習を処理できる。例えば、ＣＰＵとＧＰＧＰＵがともにネットワーク関数の学習やネットワーク関数を利用したデータの分類を行うことができる。なお、本開示の一実施例において、複数のコンピューティング装置のプロセッサーを一緒に使ってネットワーク関数の学習やネットワーク関数を利用したデータ分類を行うことができる。また、本開示の一実施例におけるコンピューティング装置において実行されるコンピュータープログラムは、ＣＰＵ、ＧＰＧＰＵ及びＴＰＵで実行可能なプログラムになり得る。
本開示の一実施例において、プロセッサー（１１０）は、少なくとも１つの事前学習されたマシンラーニングモデルを用いて、医療画像をもとに、特定の疾患に係る病変を読影できる。プロセッサー（１１０）は、医療画像を、検出（ｄｅｔｅｃｔｉｏｎ）を基盤とする神経回路網モデルに入力し、医療画像に存在する病変の位置情報を識別することが可能である。プロセッサー（１１０）は、病変の位置情報をもとに、医療画像の一部分に該当するパッチ（ｐａｔｃｈ）を生成できる。プロセッサー（１１０）は、病変の位置情報に対応するパッチを、セグメンテーション（ｓｅｇｍｅｎｔａｔｉｏｎ）を基盤とする神経回路網モデルに入力し、病変に対するマスクを生成することが可能である。この場合、マスクは、医療画像における病変が存在する領域に係る情報を含むデータの集合体を意味することが可能である。プロセッサー（１１０）は、パッチとマスクを、分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）を基盤とする神経回路網モデルに入力し、病変の状態を示すクラス情報を生成できる。かかる動作を通じて、プロセッサー（１１０）は、医療画像をもとに、特定の疾患の診断基準になる病変に係る情報（例えば、病変の体内における位置、状態等）を生成できる。
例えば、プロセッサー（１１０）は、ネットワーク部（１５０）に入力された胸部領域を含む医療画像を、事前学習された第１のモデルに入力できる。この場合、胸部領域を含む医療画像は、少なくとも１つの肺組織を含む３次元ＣＴ画像等を含むことが可能である。プロセッサー（１１０）は、胸部領域を含む医療画像を、第１のモデルに入力し、医療画像に存在する疑わしい結節（ｎｏｄｕｌｅ）の位置情報を取得できる。疑わしい結節の位置情報は、医療画像における疑わしい結節として識別された領域の中心座標系を含むことが可能である。医療画像が、３次元ＣＴ画像の場合、疑わしい結節の位置情報は、疑わしい結節と判定された領域の中心の（Ｘ、Ｙ、Ｚ）の座標値を含むことが可能である。
プロセッサー（１１０）は、第１のモデルを用いて取得した疑わしい結節の位置情報に基づき、胸部領域を含む医療画像から位置情報に対応するパッチを抽出できる。プロセッサー（１１０）は、疑わしい結節の位置情報に対応するパッチを、事前学習された第２のモデルに入力できる。プロセッサー（１１０）は、医療画像から生成されたパッチを、第２のモデルに入力し、疑わしい結節に係るマスクを生成できる。つまり、プロセッサー（１１０）は、第２のモデルを用いて、パッチの中に存在する疑わしい結節が存在する領域に係る情報を抽出できる。
プロセッサー（１１０）は、第２のモデルを用いて生成した疑わしい結節に係るマスクとともにその前に抽出したパッチを、事前学習された第３のモデルに入力できる。プロセッサー（１１０）は、疑わしい結節に係るマスクとパッチの両方を第３のモデルに入力し、疑わしい結節の状態に対してクラス（ｃｌａｓｓ）を行うことが可能である。この場合、疑わしい結節の状態は、肺疾患の判断の基礎となる疑わしい結節の特徴、属性等を含むことが可能である。言い換えると、プロセッサー（１１０）は、肺疾患の診断のための病変情報を取得するために、第３のモデルを用いて、医療画像のパッチの中における疑わしい結節の状態を識別できる。
本開示の一実施例において、プロセッサー（１１０）は、特定の疾患の診断のための補助的指標をもとに、医療画像から読影した病変を評価できる。プロセッサー（１１０）は、セグメンテーションを基盤とする神経回路網モデルを用いて生成したマスクをもとに、病変が存在する領域に係る数値を演算できる。プロセッサー（１１０）は、特定の疾患の診断のための補助的指標をもとに、病変の数値を含む数値情報と病変の状態に係るクラス情報に基づき、病変の評価スコアを算出できる。また、プロセッサー（１１０）は、事前学習された神経回路網モデルを用いて、病変の悪性度を予測することも可能である。プロセッサー（１１０）は、回帰（ｒｅｇｒｅｓｓｉｏｎ）を基盤とする神経回路網モデルを用いて、病変の位置情報、病変の状態に係るクラス情報、病変の数値情報をもとに、病変の悪性度を推定できる。かかる動作を通じて、プロセッサー（１１０）は、医療画像をもとに、特定の疾患の診断指標として活用できる病変に対する評価情報を生成できる。
例えば、プロセッサー（１１０）は、第２のモデルを用いて生成した疑わしい結節のマスクをもとに、医療画像において疑わしい結節が存在する領域に係る数値情報を生成できる。この場合、数値情報は、疑わしい結節の径（ｄｉａｍｅｔｅｒ）や体積（ｖｏｌｕｍｅ）等に係る数値を含むことが可能である。プロセッサー（１１０）は、疑わしい結節の数値情報と第３のモデルを用いて分類した疑わしい結節の状態に係るクラスをもとに、メモリー（１３０）に保存されている肺疾患診断の補助指標に基づき、疑わしい結節の評価スコアを算出できる。この場合、肺疾患診断の補助指標は、Ｌｕｎｇ－ＲＡＤＳ（Ｌｕｎｇ ＣＴ Ｓｃｒｅｅｎｉｎｇ Ｒｅｐｏｒｔｉｎｇ ａｎｄ Ｄａｔａ Ｓｙｓｔｅｍ）を基盤とする分類指標等を含むことが可能である。言い換えると、プロセッサー（１１０）は、疑わしい結節の構造的情報と属性情報との両方を利用し、肺疾患診断の補助的指標に基づいて決めた基準に合わせて、疑わしい結節の評価点数を決定できる。プロセッサー（１１０）が決定した評価点数は、医療画像の被検体（ｓｕｂｊｅｃｔ）に対する肺疾患の診断及び予後の予測等に活用することが可能である。
プロセッサー（１１０）は、第１のモデルによって生成された疑わしい結節の位置情報と、第３のモデルによって生成された疑わしい結節の状態に係るクラス情報とマスクをもとに生成された疑わしい結節の数値情報とを、事前学習された第５のモデルに入力できる。プロセッサー（１１０）は、疑わしい結節の位置情報、クラス情報、数値情報を第５のモデルに入力し、疑わしい結節の悪性度を推定できる。また、プロセッサー（１１０）は、医療画像から抽出したパッチと、第２のモデルによって生成されたマスクとを、第５のモデルに入力し、疑わしい結節の悪性度を推定することも可能である。言い換えると、プロセッサー（１１０）は、疑わしい結節の定量的情報を利用し、疑わしい結節の悪性度を推定することも可能であり、疑わしい結節に係る画像情報を活用し、疑わしい結節の悪性度を推定することも可能である。プロセッサー（１１０）は、第５のモデルを用いて、胸部領域を含む医療画像に存在する疑わしい結節の位置情報、構造的情報、属性情報をすべて考慮し、肺疾患に影響を及ぼす疑わしい結節の悪性度を予測できる。プロセッサー（１１０）が予測した悪性度は、医療画像の被検体に対する肺疾患の診断及び予後の予測等に活用することが可能である。
本開示の一実施例において、プロセッサー（１１０）は、事前学習された神経回路網モデルを用いて、時系列の関係にある、特定の被検体に係る医療画像をもとに、病変に係る評価スコアを修正できる。プロセッサー（１１０）が、分析済み画像と同一の被検体に係る医療画像を、コンピューティング装置（１００）に入力すると、プロセッサー（１１０）は、事前学習されたマシンラーニングモデルを用いて、分析済み画像に存在する病変と、後に入力された医療画像に存在する病変とをマッチング（ｍａｔｃｈｉｎｇ）させ、変更された情報を把握することが可能である。そして、プロセッサー（１１０）は、変更された情報を病変に係る評価スコアに反映し、評価スコアを修正できる。変更された情報がない場合は、プロセッサー（１１０）は、病変に係る評価スコアを修正せずに既存の評価スコアをそのまま維持することが可能である。
例えば、プロセッサー（１１０）は、ネットワーク部（１５０）を介して受信した医療画像をもとに、疑わしい結節の評価スコアを算出するための前述の動作を行い、算出された評価スコアを、メモリー（１３０）に保存することが可能である。新しい医療画像がネットワーク部（１５０）を介して受信された場合、プロセッサー（１１０）は、新しい医療画像の被検体が、分析済み医療画像の被検体と対応するか否かを判断できる。つまり、プロセッサー（１１０）は、新しい医療画像の被検体を識別するために用いる識別子（ＩＤ）が、複数の分析済み医療画像の識別子の１つと一致するか否かを判断できる。新しい医療画像の識別子が、複数の分析済み医療画像の識別子の１つと一致する場合、プロセッサー（１１０）は、事前学習された第４のモデルを用いて、既存の画像に存在する疑わしい結節と、新しい画像に存在する疑わしい結節とをマッチングさせることが可能である。プロセッサー（１１０）は、第４のモデルを用いて、マッチングされた疑わしい結節の変更情報を識別し、変更情報をもとに疑わしい結節に係る評価スコアを修正できる。かかる動作を通じて、プロセッサー（１１０）は、特定の被検体における病変の変化を効果的に追跡し、肺疾患の予後に係る判断に必要な情報の精度を高めることが可能である。
本開示の一実施例において、メモリー（１３０）は、プロセッサー（１１０）が生成したり、決定した任意の形態の情報と、ネットワーク部（１５０）が受信した任意の形態の情報とを保存することができる。
本開示の一実施例において、メモリー（１３０）は、フラッシュメモリータイプ（ｆｌａｓｈ ｍｅｍｏｒｙ ｔｙｐｅ）、ハードディスクタイプ（ｈａｒｄ ｄｉｓｋ ｔｙｐｅ）、マルチメディアカードマイクロタイプ（ｍｕｌｔｉｍｅｄｉａ ｃａｒｄ ｍｉｃｒｏ ｔｙｐｅ）、カードタイプのメモリー（例えばＳＤ又はＸＤメモリー等）、ラム（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ロム（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気メモリー、磁気ディスク、光ディスクのうち少なくとも１つのタイプの保存媒体を含むことができる。コンピューティン装置（１００）は、インターネット（ｉｎｔｅｒｎｅｔ）上で上記メモリー（１３０）の保存機能を実行するウェブストレージ（ｗｅｂ ｓｔｏｒａｇｅ）と連携して動作することも可能である。前述のメモリーに係る記述は、例示に過ぎず、本開示はこれらに限定されない。
本開示の一実施形態によるネットワーク部（１５０）は、任意の形態の公知の有線及び無線通信システムを使用することができる。
ネットワーク部（１５０）は、人体臓器が写っている医療画像を、医療画像撮影システムから受信できる。例えば、人体臓器が写っている医療画像は、２次元特徴又は３次元特徴で学習された神経回路網モデルの学習用データ又は推論用データになり得る。人体臓器が写っている医療画像は、少なくとも１つの肺領域を含む３次元ＣＴ領域になり得る。人体臓器が写っている医療画像は、前述の例示に限らず、エックス線画像、ＭＲ画像等のように、撮影により取得された人体臓器に係る画像をすべて含むことが可能である。
また、ネットワーク部（１５０）は、プロセッサー（１１０）により処理された情報やユーザーインターフェース等を、他の端末との通信を通じて送受信できる。例えば、ネットワーク部（１５０）は、プロセッサー（１００）により生成されたユーザーインターフェースを、クライアント（例えば、ユーザー端末）に提供できる。また、ネットワーク部（１５０）は、クライアントに対して行われたユーザーによる外部入力を受信し、プロセッサー（１１０）に転送できる。この時、プロセッサー（１００）は、ネットワーク部（１５０）から受け取ったユーザーの外部入力をもとに、ユーザーインターフェースを通じて提供される情報の出力、修正、変更、追加等の動作を処理できる。
一方、本開示の一実施例において、コンピューティング装置（１００）は、クライアントとの通信を通して情報を送受信するコンピューティングシステムとして、サーバーを含むことが可能である。この場合、クライアントは、サーバーにアクセスできる任意の形の端末になり得る。例えば、サーバーであるコンピューティング装置（１００）は、医療画像撮影システムから医療画像を受信し、病変を分析し、分析結果を含むユーザーインターフェースを、ユーザー端末に提供できる。この場合、ユーザー端末は、サーバーであるコンピューティング装置（１００）から受信したユーザーインターフェースを出力し、ユーザーとの相互作用を通じて情報の入力を受けたり、処理することができる。
ユーザー端末は、サーバーであるコンピューティング装置（１００）から送られてくる医療画像に含まれている病変（例えば、疑わしい結節等）の分析情報を提供するために提供されたユーザーインターフェースを表示することが可能である。図示は省略しているが、ユーザー端末は、コンピューティング装置（１００）からユーザーインターフェースを受信するネットワーク部、少なくとも１つのコアを含むプロセッサー、メモリー、ユーザーインターフェースを提供する出力部、ユーザーが行った外部入力を受信する入力部を含むことが可能である。
追加の実施例において、コンピューティング装置（１００）は、任意のサーバーにおいて生成されたデータリソースを受け取り、追加の情報処理を行う任意の形の端末を含むことも可能である。
図２は、本開示の一実施例において、医療データに対する診断関連情報を提供するために用いられるネットワーク関数を示す概略図である。
本明細書の全体を通して、演算モデル、神経回路網、ネットワーク関数、ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、同一の意味で用いることができる。神経回路網は、一般的にノードと呼ばれる相互連結された計算単位の集合で構成されることが多い。このようなノードは、ニューロン（ｎｅｕｒｏｎ）と称することもできる。神経回路網は、少なくとも１つ以上のノードを含めて構成される。神経回路網を構成するノード（またはニューロン）は１つ以上のリンクによって相互連結されることが可能である。
神経回路網において、リンクを介して繋がっている１つ以上のノードは、相対的に入力ノード及び出力ノードの関係を形成することができる。入力ノード及び出力ノードの概念は相対的なものであり、あるノードに対して出力ノードとなる任意のノードは、他のノードとの関係においては入力ノードになり得るが、その逆も成立する。前述のように、入力ノードと出力ノードとの関係はリンクを中心にして成立することができる。１つの入力ノードに１つ以上の出力ノードがリンクを介して繋がることができ、その逆も成立する。
１つのリンクを介して繋がっている入力ノード及び出力ノードの関係において、出力ノードのデータは入力ノードに入力されたデータに基づきその値が決められることが可能である。ここで入力ノードと出力ノードとを相互連結するノードは加重値（ｗｅｉｇｈｔ）を持つことができる。加重値は可変的なものになり得るが、神経回路網が所望の機能を行うために、利用者またはアルゴリズムによって変わることが可能である。例えば、１つの出力ノードに１つ以上の入力ノードが各リンクによって相互連結されている場合、出力ノードは上記出力ノードに繋がっている入力ノードに入力された値及び各入力ノードに対応するリンクに設定された加重値に基づき出力ノードの値を決定することができる。
前述のように、神経回路網は、１つ以上のノードが１つ以上のリンクを介して相互連結され神経回路網の中で入力ノードと出力ノードの関係を形成する。神経回路網において、ノードとリンクの数及びノードとリンクとの間の相関関係、各リンクに付与された加重値の値によって、神経回路網の特性が決まることが可能である。例えば、同数のノード及びリンクが存在し、リンクの加重値の値がそれぞれ異なる２つの神経回路網が存在する場合、その２つの神経回路網を、相異なるものと認識することができる。
神経回路網は、１つ以上のノードの集合で構成することができる。神経回路網を構成するノードの部分集合は、レイヤー（ｌａｙｅｒ）を構成できる。神経回路網を構成する複数のノードのうち一部は、第１入力ノードからの距離に基づき、１つのレイヤー（ｌａｙｅｒ）を構成することができる。例えば、第１入力ノードからの距離がｎであるノードの集合は、ｎレイヤーを構成することができる。第１入力ノードからの距離は、第１入力ノードから当該ノードに到達するために経由しなければならないリンクの最小限の数を基に定義することができる。しかし、このようなレイヤーの定義は、説明のために任意に取り挙げたものであり、神経回路網の中におけるレイヤーの構成は、前述の説明と異なる方法で定義されることができる。例えば、ノードのレイヤーは、最終出力ノードからの距離を基に定義することもできる。
第１入力ノードは、神経回路網の中のノードのうち、他のノードとの関係においてリンクを経由せずにデータが直接入力される１つ以上のノードを意味することができる。または、神経回路網のネットワークの中で、リンクを基準にしたノード間の関係において、リンクを介して繋がっている他の入力ノードを持たないノードを意味することができる。これと同様に、最終出力ノードは、神経回路網の中のノードのうち、他のノードとの関係において、出力ノードを持たない１つ以上のノードを意味することができる。また、ヒドンノードは、第１入力ノード及び最終出力ノードではないノードで、神経回路網を構成するノードを意味することができる。
本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードと同数で、入力レイヤーからヒドゥンレイヤー（隠れ層）へと進むにつれ、ノードの数が一度減ってから、再び増加する形の神経回路網になり得る。本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より少なく、入力レイヤーからヒドゥンレイヤーへと進むにつれ、ノードの数が減少していく形の神経回路網になり得る。また、本開示の他の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より多く、入力レイヤーからヒドゥンレイヤーへと進むにつれ、ノードの数が増加していく形の神経回路網になり得る。本開示の他の一実施例における神経回路網は、上述の神経回路網を組み合わせた形の神経回路網になり得る。
ディープニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、深層神経回路網）は、入力レイヤーと出力レイヤー以外に複数のヒドゥンレイヤーを含む神経回路網を意味することができる。ディープニューラルネットワークを利用するとデータの潜在的な構造（ｌａｔｅｎｔ ｓｔｒｕｃｔｕｒｅｓ）を把握することができる。つまり、写真、文章、ビデオ、音声、音楽の潜在的な構造（例えば、ある物が写真に映っているか、文章の内容と感情はどのようなものなのか、音声の内容と感情はどのようなものなのか等）を把握することができる。ディープニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、リカレントニューラルネットワーク（ＲＮＮ；：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、オートエンコーダー（ａｕｔｏ ｅｎｃｏｄｅｒ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、制限ボルツマンマシン（ＲＢＭ：ｒｅｓｔｒｉｃｔｅｄ ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、深層信頼ネットワーク（ＤＢＮ：ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、Ｑネットワーク、Ｕネットワーク、シャムネットワーク、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）等を含むことができる。前述のディープニューラルネットワークは、例示に過ぎず本開示はこれらに限定されない。
本開示の一実施例において、ネットワーク関数は、オートエンコーダー（ａｕｔｏｅｎｃｏｄｅｒ）を含むこともできる。オートエンコーダーは、入力データに類似した出力データを出力するための人工神経回路網の一種になり得る。オートエンコーダーは、少なくとも１つのヒドゥンレイヤーを含むことができ、奇数個のヒドゥンレイヤーが入出力レイヤーの間に配置されることができる。各レイヤーのノード数は、入力レイヤーのノード数から、ボトルネックレイヤー（エンコード）という中間レイヤーに向かって減っていき、ボトルネックレイヤーから出力レイヤー（入力レイヤーと対称を成す）に向かって、縮小と対照する形で、拡張することもできる。オートエンコーダーは、非線形次元減少を行うことができる。入力レイヤー及び出力レイヤーの数は、入力データの前処理後に次元に対応することができる。オートエンコーダー構造において、エンコーダーに含まれたヒドゥンレイヤーのノードの数は、入力データから遠くなるほど減っていく構造を持つことができる。ボトルネックレイヤー（エンコーダーとデコーダーの間に位置する、ノードの数が最も少ないレイヤー）のノードの数が少なすぎる場合、十分な量の情報が伝わらない可能性があるため、特定の数以上（例えば、入力レイヤーの半分以上等）に維持されることもあり得る。
ニューラルネットワークは、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、半教師あり学習（ｓｅｍｉ ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、または、強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）のうち、少なくともいずれか１つの方式で学習されることができる。ニューラルネットワークの学習は、ニューラルネットワークが特定の動作を行うための知識をニューラルネットワークに提供する過程になり得る。
ニューラルネットワークは、出力のエラーを最小化する方向で学習されることが可能である。ニューラルネットワークの学習において、繰り返し学習データをニューラルネットワークに入力させ、学習データに関するニューラルネットワークの出力とターゲットのエラーを計算し、エラーを減らすための方向としてニューラルネットワークのエラーをニューラルネットワークの出力レイヤーから入力レイヤーの方向へ逆伝播（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）してニューラルネットワークの各ノードの加重値を更新するプロセスが行われる。教師あり学習の場合、個々の学習データに正解がラベリングされている学習データを使い（つまり、ラベリングされた学習データ）、教師なし学習の場合は、個々の学習データに正解がラベリングされていない場合がある。つまり、例えばデータ分類に関する教師あり学習における学習データは、学習データの各々にカテゴリーがラベリングされたデータになり得る。ラベリングされた学習データがニューラルネットワークに入力され、ニューラルネットワークの出力（カテゴリー）と学習データのラベルを比較することでエラー（ｅｒｒｏｒ）を計算することが可能である。他の例として、データ分類に関する教師なし学習の場合、入力である学習データをニューラルネットワークの出力と比較することでエラーを計算することが可能である。計算されたエラーは、ニューラルネットワークにおいて逆方向（つまり、出力レイヤーから入力レイヤー方向）へ逆伝播され、逆伝播を通じてニューラルネットワークの各レイヤーの各ノードの連結加重値を更新することが可能である。更新される各ノードの連結加重値は、学習率（ｌｅａｒｉｎｇ ｒａｔｅ）によって変化量が決まることが可能である。入力データに対するニューラルネットワークの計算とエラーの逆伝播は、学習のサイクル（ｅｐｏｃｈ）を構成することができる。学習率は、ニューラルネットワークの学習のサイクルの反復回数によって適用方式が変わることが可能である。例えば、ニューラルネットワークの学習初期においては、学習率を高くしてニューラルネットワークが早く一定のレベルの性能を確保するようにすることで効率を高め、学習の後半においては学習率を低くして精度を上げることが可能である。
ニューラルネットワークの学習において、一般的に学習データは実際のデータ（つまり、学習されたニューラルネットワークを利用して処理しようとするデータ）の部分集合であることが可能であり、そのため学習データに係るエラーは減少するが、実際のデータに係るエラーは増加する学習サイクルが存在し得る。過剰適合（ｏｖｅｒ ｆｉｔｔｉｎｇ）は、このように学習データについて過度に学習したため、実際のデータにおいてエラーが増加する現象である。例えば、黄色い猫を見て猫を学習したニューラルネットワークが、黄色以外の色の猫を見ると猫であることを認識できない現象が過剰適合の一種になり得る。過剰適合は、マシンラーニングアルゴリズムのエラーを増加させる原因になり得る。このような過剰適合を防ぐために、多様な最適化方法を適用できる。過剰適合を防ぐためには、学習データを増加させる方法、正則化（ｒｅｇｕｌａｉｚａｔｉｏｎ）、学習の過程でネットワークのノードの一部を非活性化するドロップアウト（ｄｒｏｐ ｏｕｔ）、バッチ正規化レイヤー（ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎ ｌａｙｅｒ）の活用等の方法を適用できる。
図３は、本開示の一実施例において、コンピューティング装置が病変を読影するプロセスを示すブロック構成図である。
図３を参照すると、本開示の一実施例において、コンピューティング装置（１００）のプロセッサー（１１０）は、事前学習された第１のモデル（２１０）を用いて、医療画像（１１）に存在する疑わしい結節の位置情報（１３）を取得できる。例えば、プロセッサー（１１０）は、医療画像（１１）を第１のモデル（２１０）に入力し、医療画像（１１）に含まれている少なくとも１つの関心領域における結節の存在に係る確率値及び候補位置情報を生成できる。この場合、関心領域は、疑わしい結節の候補群に該当する医療画像における一領域を意味することが可能である。また、候補位置情報は、関心領域の位置情報を意味することが可能である。プロセッサー（１１０）は、第１のモデル（２１０）を用いて、少なくとも１つの関心領域における結節の存在に係る確率値をもとに、疑わしい結節の位置情報（１３）を決定できる。プロセッサー（１１０）は、複数の関心領域における結節の存在に係る確率値の各々が、所定のしきい値以上であるか否かを判断できる。プロセッサー（１１０）は、所定のしきい値以上の確率値に該当する少なくとも１つの関心領域の位置情報を、疑わしい結節の位置情報（１３）として決定できる。
プロセッサー（１１０）は、疑わしい結節の位置情報（１３）をもとに、医療画像（１１）から、事前学習された第２のモデル（２２０）又は第３のモデル（２３０）への入力データに該当するパッチ（１５）を抽出できる。つまり、プロセッサー（１１０）は、医療画像（１１）から疑わしい結節の位置情報（１３）に該当する領域を抽出し、パッチ（１５）を生成できる。従って、パッチ（１５）は、医療画像から病変の分析に不必要な領域がフィルタリングされ、疑わしい結節に係る有意味な情報を含む画像データになり得る。プロセッサー（１１０）は、第２のモデル（２２０）を用いて、パッチ（１５）をもとに、疑わしい結節に係るマスク（１７）を生成できる。例えば、プロセッサー（１１０）は、パッチ（１５）を第２のモデル（２２０）に入力し、疑わしい結節の全体の領域又は疑わしい結節における特定の属性（ａｔｔｒｉｂｕｔｅ）を表す領域のうち、少なくとも１つに対するマスク（１７）を生成できる。この場合、特定の属性は、疑わしい結節の状態を示す属性類型（ｔｙｐｅ）の１つである固体の属性になり得るが、これは一例にすぎず、かかる属性は前述の例示に限らない。第２のモデル（２２０）を用いた動作を通じて、プロセッサー（１１０）は、医療画像（１１）から不必要な情報を取り除き、疑わしい結節が存在する領域に係る情報を効果的に抽出できる。
プロセッサー（１１０）は、事前学習された第３のモデル（２３０）を用いて、パッチ（１５）と第２のモデル（２２０）の出力に該当するマスク（１７）をもとに、疑わしい結節の状態に係るクラス情報（１９）を生成できる。第３のモデル（２３０）は、パッチ（１５）とマスク（１７）との両方の入力を受けることで、パッチ（１５）だけの入力を受ける場合より、精度の高いクラス情報（１９）を出力できる。例えば、プロセッサー（１１０）は、パッチ（１５）とマスク（１７）との両方を、少なくとも１つのサブモデルを含む第３のモデル（２３０）に入力し、それぞれ異なるサブモデルを用いて、疑わしい結節の属性に係る類型、スピキュラ（ｓｐｉｃｕｌａｔｉｏｎ）の有無、石灰化（ｃａｌｃｉｆｉｃａｔｉｏｎ）の有無のうち、少なくとも１つを示すクラス情報（１９）を生成できる。具体的に、プロセッサー（１１０）は、第３のモデル（２３０）の第１のサブモデルを用いて、パッチ（１５）と、疑わしい結節の全体の領域に係るマスクと、疑わしい結節における特定の属性を表す領域に係るマスクとをもとに、疑わしい結節の固体の属性に係る類型を決定できる。プロセッサー（１１０）は、第３のモデル（２３０）の第２のサブモデルを用いて、パッチ（１５）と、疑わしい結節の全体の領域に係るマスクと、疑わしい結節における特定の属性を表す領域に係るマスクとをもとに、疑わしい結節におけるスピキュラの有無を決定できる。プロセッサー（１１０）は、第３のモデル（２３０）の第３のサブモデルを用いて、パッチ（１５）と、疑わしい結節の全体の領域に係るマスクと、疑わしい結節における特定の属性を表す領域に係るマスクとをもとに、疑わしい結節における石灰化の有無を決定できる。前述のように、第３のモデル（２３０）に含まれている複数のサブモデルが、クラスの種類ごとに、並列的に動作を行うことも可能であるが、第３のモデル（２３０）が、単一モデルとして、複数の種類のクラスを、単独に分類する動作を行うことも可能である。また、第３のモデル（２３０）は、前述の３つのサブモデルをすべて含むことも、そのうち一部だけを含むことも可能である。
図４は、本開示の一実施例において、コンピューティング装置が病変を読影するプロセスを示すフローチャートである。
図４を参照すると、Ｓ１１０の段階において、コンピューティング装置（１００）は、医療画像撮影システムから病変分析の対象となる人体臓器を撮影した医療画像を受信することが可能である。例えば、医療画像は、肺が含まれるように胸部領域を撮影したＣＴ画像になり得る。コンピューティング装置（１００）は、事前学習された神経回路網モデルである第１のモデルを用いて、医療画像に存在する病変の位置情報を取得できる。例えば、コンピューティング装置（１００）は、第１のモデルを用いて、胸部領域を撮影したＣＴ画像から、疑わしい結節の中心座標値を取得できる。
Ｓ１２０において、コンピューティング装置（１００）は、病変の位置情報をもとに、医療画像から所定の規格の画像ユニット（ｕｎｉｔ）を抽出できる。所定の規格は、事前学習された神経回路網モデルの入力に合わせて最適化できる。例えば、コンピューティング装置（１００）は、第１のモデルを用いて取得された疑わしい結節の中心座標値を中心にするパッチを抽出できる。コンピューティング装置（１００）は、事前学習された神経回路網モデルである第２のモデルを用いて、医療画像から抽出した画像ユニットをもとに、病変に対するマスクを生成できる。例えば、コンピューティング装置（１００）は、疑わしい結節の中心座標値に対応するパッチを、第２のモデルに入力し、疑わしい結節に係る情報を含むマスクを生成できる。
Ｓ１３０の段階において、コンピューティング装置（１００）は、事前学習された神経回路網モデルである第３のモデルを用いて、Ｓ１２０の段階で抽出した画像ユニット及びマスクをもとに、病変の状態に係るクラス分類を行うことが可能である。例えば、コンピューティング装置（１００）は、疑わしい結節の中心座標値に対応するパッチと、第２のモデルによって生成されたマスクとを、第３のモデルに入力し、疑わしい結節の状態に係るクラス分類を行うことが可能である。この場合、疑わしい結節の状態は、疑わしい結節の物理的属性（例えば、固体、部分的に固体、非固体等）及び特性（例えば、スピキュラ、石灰化等）を含むことが可能である。
図５は、本開示の一実施例において、コンピューティング装置が病変を読影し、評価するプロセスを示すブロック構成図である。
図５を参照すると、本開示の一実施例において、コンピューティング装置（１００）のプロセッサー（１１０）は、少なくとも１つの肺の領域を含む医療画像（２１）を第１のモデル（２１０）に入力し、肺の領域に存在する疑わしい結節の位置情報（２２）を生成できる。プロセッサー（１１０）は、疑わしい結節の位置情報（２２）をもとに、医療画像（２１）から抽出した３次元パッチ（２３）を第２のモデル（２２０）に入力し、複数のマスク（２４、２５）を生成できる。この場合、第１のマスク（２４）は、疑わしい結節の全体の領域に係る情報を含むマスクになり得る。第２のマスク（２５）は、疑わしい結節の全体の領域のうち、疑わしい結節における特定の属性（例えば、固体等）を表す領域に係る情報を含むマスクになり得る。プロセッサー（１１０）は、３次元パッチ（２３）と複数のマスク（２４、２５）を、第３のモデル（２３０）に入力し、疑わしい結節の属性の類型、スピキュラの有無、石灰化の有無等を示すクラス情報（２７）を生成できる。
一方、プロセッサー（１１０）は、疑わしい結節に係るマスク（２４、２５）をもとに、疑わしい結節の径又は体積のうち、少なくとも１つを含む数値情報（２６）を生成できる。この場合、数値情報（２６）は、第１のマスク（２４）をもとに生成された第１の数値情報を含むが、疑わしい結節が特定のクラスに分類される場合には、第２のマスク（２５）をもとに生成された第２の数値情報をさらに含むことも可能である。第１の数値情報は、医療画像（２１）に存在する疑わしい結節の全体の領域の径及び体積のうち、少なくとも１つを表す数値を含むことが可能である。第２の数値情報は、医療画像（２１）に存在する疑わしい結節における特定の属性を表す領域の径や体積のうち、少なくとも１つを表す数値を含むことが可能である。プロセッサー（１１０）は、第１のマスク（２４）に含まれている情報をもとに、３次元パッチ（２３）における疑わしい結節に該当する領域の形、大きさ等に係る構造的数値を計算できる。ただし、疑わしい結節の状態に係るクラスが、疑わしい結節の特定の属性に係る所定の類型（例えば、部分的に固体）に該当する場合、プロセッサー（１１０）は、第１のマスク（２４）に含まれている情報と、第２のマスク（２５）に含まれている情報とをもとに、前述の数値を計算できる。
プロセッサー（１１０）は、肺疾患診断の補助的指標（３０）に基づき、数値情報（２６）及びクラス情報（２７）をもとに、疑わしい結節の評価スコア（２８）を算出できる。例えば、プロセッサー（１１０）は、肺がん診断の補助的指標（３０）に基づき、医療画像（２１）から検出された疑わしい結節の数値情報（２６）とクラス情報（２７）を検討し、補助的指標（３０）により規定されている複数のスコアのうち１つを疑わしい結節に対する評価として決定できる。具体的に、プロセッサー（１１０）は、数値情報（２６）に含まれている疑わしい結節の全体の領域と、固体の属性を表す領域とのうち、少なくとも１つの直径、体積等に係る数値と、クラス情報（２７）に含まれている固体の属性に係る類型、スピキュラの有無、石灰化の有無に係る情報とをもとに、疑わしい結節がｌｕｎｇ－ＲＡＤＳの分類体系における６つのカテゴリーのうち、どれに当てはまるかを判断できる。クラス情報（２７）において、疑わしい結節の固体の属性に係る類型が、固体又は非固体の場合、プロセッサー（１１０）は、数値情報（２６）に含まれている第１の数値情報を用いて、疑わしい結節が、ｌｕｎｇ－ＲＡＤＳの分類体系における６つのカテゴリーのうち、どれに当てはまるかを判断できる。クラス情報（２７）において、疑わしい結節の固体の属性に係る類型が部分的に固体だった場合、プロセッサー（１１０）は、数値情報（２６）に含まれている第１の数値情報と第２の数値情報との両方を用いて、疑わしい結節が、ｌｕｎｇ－ＲＡＤＳの分類体系におけるどのカテゴリーに当てはまるかを判断できる。プロセッサー（１１０）は、かかる判断の結果をもとに、ｌｕｎｇ－ＲＡＤＳの分類体系における６つのカテゴリーのうち１つを、疑わしい結節の評価スコア（２８）として決定できる。
プロセッサー（１１０）は、第１のモデル（２１０）、第２のモデル（２２０）、第３のモデル（２３０）を通じて出力された疑わしい結節に係る情報をもとに、肺疾患の原因として、疑わしい結節が肺に与える影響の程度を予測できる。プロセッサー（１１０）は、事前学習された第５のモデル（２５０）を用いて、疑わしい結節の位置情報（２２）、数値情報（２６）、クラス情報（２７）をもとに、疑わしい結節の悪性度（２９）を推定できる。例えば、プロセッサー（１１０）は、位置情報（２２）に含まれている結節の中心座標値、数値情報（２６）に含まれている結節の大きさの値、クラス情報（２７）に含まれている固体の属性の類型、スピキュラの有無、石灰化の有無等に係る情報を、第５のモデル（２５０）に入力して、疑わしい結節の悪性度（２９）を算出できる。
図５において図示は省略しているが、プロセッサー（１１０）は、事前学習された第５のモデル（２５０）を用いて、医療画像（２１）から抽出された３次元パッチ（２３）と、第２のモデル（２２０）を用いて生成したマスク（２４、２５）とをもとに、疑わしい結節の悪性度（２９）を推定することも可能である。つまり、プロセッサー（１１０）は、医療画像（２１）から抽出される疑わしい結節に係る定量的情報（２２、２６，２７）を第５のモデル（２５０）に直接入力する方法で、悪性度（２９）を推定することも可能であるが、医療画像（２１）を加工して生成した画像情報（２３、２４、２５）を第５のモデルに入力する方法で、悪性度（２９）を推定することも可能である。
図６は、本開示の一実施例において、コンピューティング装置が病変の評価結果を修正するプロセスを示すブロック構成図である。
図６を参照すると、本開示の一実施例におけるコンピューティング装置（１００）のプロセッサー（１１０）は、同一の被検体を時系列に撮影した複数の医療画像をもとに、疑わしい結節に対する評価スコアを修正できる。プロセッサー（１１０）は、同一の被検体を時系列に撮影した複数の医療画像のそれぞれの撮影時点を基準にして、疑わしい結節に対する評価スコアを修正できる。コンピューティング装置（１００）に医療画像が順次入力されると、プロセッサー（１１０）は、医療画像（４１）と同一の被検体を対象とする画像が入力され、分析された履歴が存在するか否かを判断できる。医療画像（４１）と同一の被検体を対象とする画像に係る履歴が存在しないと判断した場合、プロセッサー（１１０）は、医療画像（４１）を新しい被検体に係る医療画像と認識し、Ａの段階（５０）を経て、疑わしい結節に係る評価スコア（４５）を算出できる。この場合、Ａの段階（５０）は、図５に示す評価スコア（２８）の算出プロセスと対応するものとみなすことが可能である。
医療画像（４１）と同一の被検体を対象とする、分析済み画像が存在すると判断した場合、プロセッサー（１１０）は、事前学習された第４のモデル（２４０）を用いて、分析済み画像と医療画像（４１）との間のレジストレーション（ｒｅｇｉｓｔｒａｔｉｏｎ）を行うことが可能である。この場合、レジストレーションは、時差が存在する分析済み画像と医療画像（４１）との相対的な位置関係を合わせる動作を意味する。プロセッサー（１１０）は、第４のモデル（２４０）を用いて、レジストレーションが完了した分析済み画像に存在する疑わしい結節と、医療画像（４１）に存在する疑わしい結節とをマッチングさせることが可能である。図６において図示は省略しているが、プロセッサー（１１０）は、医療画像（４１）に対しＡの段階（５０）を実行し、マッチングされた疑わしい結節間の変更情報を識別できる。この場合、Ａの段階（５０）は、図５に示す評価スコア（２８）の算出プロセスと対応するものとみなすことが可能である。プロセッサー（１１０）は、変更情報をもとに、医療画像（４１）の評価スコア又は分析済み画像の評価スコアを修正することが可能である。医療画像（４１）が分析済み画像を撮影する前の時点に撮影されている場合、プロセッサー（１１０）は、変更情報をもとに、分析済み画像の評価スコアを修正することが可能である。逆に、医療画像（４１）が、分析済み画像が撮影された以降の時点に撮影された場合、プロセッサー（１１０）は、変更情報をもとに、医療画像の評価スコアを修正することが可能である。つまり、プロセッサー（１１０）は、医療画像（４１）と分析済み画像の撮影時点を比較し、比較的最近に撮影された画像の評価スコアを修正することが可能である。つまり、プロセッサー（１１０）は、疑わしい結節の時間的変化を効果的に追跡するために、比較的最近に撮影された画像に対する評価スコアを修正することが可能である。かかるプロセスを通じて、プロセッサー（１１０）は、最終的に特定の被検体に対する疑わしい結節に対する修正された評価スコア（４９）を生成することが可能である。かかる評価スコア修正動作は、コンピューティング装置（１００）に医療画像（４１）が入力されるたびに、繰り返し実行することが可能である。
図７は、本開示の一実施例における、医療画像における病変を分析する方法に係るフローチャートである。
図７を参照すると、Ｓ２１０の段階において、胸部領域を含む医療画像が入力されると、本開示の一実施例におけるコンピューティング装置（１００）は、分析済み画像の中に、入力された画像と同じ識別子を有する画像が存在するか否かを判断できる。この場合、識別子は、画像の撮影の対象に対する識別情報を指す。例えば、コンピューティング装置（１００）は、入力されたＣＴ画像の被検体が、分析済みＣＴ画像の被検体と対応するか否かを判断できる。入力されたＣＴ画像の被検体が、分析済みＣＴ画像の被検体と対応する場合、コンピューティング装置（１００）は、算出済みかつ保存済みの疑わしい結節の評価スコアを修正するための一連の動作を実行することが可能である。入力されたＣＴ画像の被検体が、分析済みＣＴ画像の被検体と対応しない場合、コンピューティング装置（１００）は、新しい被検体に係る医療画像が入力されたとみなし、入力されたＣＴ画像をもとに、疑わしい結節を読影し評価する一連の動作を実行することが可能である。
以下に、入力画像の被検体が既存画像の被検体と対応すると判断された場合に実行される疑わしい結節の評価スコアを修正するためのおおよその過程を説明する。
Ｓ２２１の段階において、コンピューティング装置（１００）は、入力された画像をもとに、肺の組織に存在する疑わしい結節の中心位置情報を取得できる。例えば、コンピューティング装置（１００）は、事前学習された検出を基盤とする神経回路網モデルを用いて、入力された画像をもとに、少なくとも１つの疑わしい結節の候補領域に係る情報を生成できる。コンピューティング装置（１００）は、検出を基盤とする神経回路網モデルを用いて、候補領域に係る情報をもとに、疑わしい結節の中心位置情報を生成できる。
Ｓ２２２の段階において、コンピューティング装置（１００）は、入力された画像から疑わしい結節の中心位置情報をもとにした画像パッチを抽出できる。コンピューティング装置（１００）は、入力された画像から抽出した画像パッチに基づき、疑わしい結節のマスクを生成できる。コンピューティング装置（１００）は、疑わしい結節のマスクをもとに、疑わしい結節の構造的数値を含む数値情報を生成できる。例えば、コンピューティング装置（１００）は、事前学習されたセグメンテーションを基盤とする神経回路網モデルを用いて、画像パッチに基づき、疑わしい結節に係る複数のマスクを生成できる。コンピューティング装置（１００）は、複数のマスクに含まれている情報をもとに、疑わしい結節の径、体積等に係る数値を演算し、数値情報を生成することが可能である。この場合、数値情報は、疑わしい結節の全体の領域に係る構造的情報を含む第１の数値情報と、疑わしい結節における特定の属性（例えば、固体の属性）を表す領域に係る構造的情報を含む第２の数値情報とのうち、少なくとも１つを含むことが可能である。
Ｓ２２３の段階において、コンピューティング装置（１００）は、Ｓ２２２の段階において生成された画像パッチ及びマスクをもとに、疑わしい結節の状態に係るクラス分類を行うことが可能である。疑わしい結節の状態に係るクラスには、疑わしい結節の属性に係る類型を表す第１のクラス、疑わしい結節におけるスピキュラの有無を表す第２のクラス、疑わしい結節における石灰化有無を表す第３のクラスを含むことが可能である。コンピューティング装置（１００）は、疑わしい結節の状態を第１のクラス、第２のクラス、第３のクラスにそれぞれ分類できる。例えば、コンピューティング装置（１００）は、事前学習された分類を基盤とする神経回路網モデルの第１のサブモデルを用いて、画像パッチと複数のマスクをもとに、疑わしい結節の固体の属性に係る類型を固体、部分的に固体、非固体に分類することが可能である。コンピューティング装置（１００）は、分類を基盤とする神経回路網モデルの第２のサブモデルを用いて、画像パッチと複数のマスクをもとに、疑わしい結節をスピキュラ若しくはスピキュラ無しに分類することが可能である。コンピューティング装置（１００）は、分類を基盤とする神経回路網モデルの第３のサブモデルを用いて、画像パッチと複数のマスクをもとに、疑わしい結節を石灰化若しくは非石灰化に分類することが可能である。
Ｓ２２４の段階において、コンピューティング装置（１００）は、Ｓ２２１の段階において生成された疑わしい結節の中心位置情報と、Ｓ２２２の段階において生成された数値情報と、Ｓ２２３の段階において生成されたクラス情報とをもとに、疑わしい結節の評価スコア及び悪性度を算出できる。例えば、コンピューティング装置（１００）は、所定の診断補助指標に定める基準に沿って、数値情報とクラス情報を演算し、疑わしい結節の評価スコアを算出することが可能である。コンピューティング装置（１００）は、事前学習された回帰を基盤とする神経回路網モデルを用いて、疑わしい結節の中心位置情報と、数値情報と、クラス情報とをもとに、疑わしい結節の悪性度を推定できる。また、コンピューティング装置（１００）は、事前学習された回帰を基盤とする神経回路網モデルを用いて、Ｓ２２２の段階において生成された画像パッチ及びマスクをもとに、疑わしい結節の悪性度を推定することも可能である。
Ｓ２２５の段階において、コンピューティング装置（１００）は、入力された画像と既存の画像との相対的位置を一致させるレジストレーションを行うことが可能である。コンピューティング装置（１００）は、前述の段階において読影した、入力された画像における疑わしい結節と、読影済みかつ保存済みの既存の画像における疑わしい結節とをマッチングさせ、疑わしい結節の変化を把握できる。例えば、コンピューティング装置（１００）は、事前学習されたマシンラーニングモデルを用いて、入力された画像と既存の画像との間のレジストレーションを行うことが可能である。コンピューティング装置（１００）は、レジストレーションが完了した２つの画像の各々に存在する少なくとも１つの疑わしい結節をマッチングさせ、マッチングされる疑わしい結節間において、変化が発生したか否かを判断できる。
Ｓ２２６の段階において、入力された画像と、既存の画像との間でマッチングされた疑わしい結節に変化が発生したと判断された場合、コンピューティング装置（１００）は、入力された画像から算出された疑わしい結節の評価スコアや既存の画像から算出された疑わしい結節の評価スコアを、相互の評価スコアに反映し、修正された評価スコアを算出することが可能である。この場合、評価スコアが修正される画像を、画像の撮影時点を基準にして決定することが可能である。例えば、入力された画像が特定の被検体を２００９年に撮影した画像であり、既存の画像は特定の被検体を２０１５年に撮影した画像である場合、コンピューティング装置（１００）は、入力された画像の評価スコアを、既存の画像の評価スコアに反映することで、既存の画像の評価スコアを修正することも可能である。逆に、入力された画像が特定の被検体を２０１５年に撮影した画像であり、既存の画像は特定の被検体を２００９年に撮影した画像である場合、コンピューティング装置（１００）は、既存の画像の評価スコアを、入力された画像の評価スコアに反映することで、入力された画像の評価スコアを修正することも可能である。入力された画像と既存の画像との間において、マッチングされた疑わしい結節に変化がなかったと判断された場合、コンピューティング装置（１００）は、既存の評価スコアを修正せずに、そのまま維持することが可能である。
一方、入力された画像と既存の画像における被検体同士が、対応しないと判断された場合に行われる疑わしい結節の読影及び評価の過程に係るＳ２３１段階乃至Ｓ２３４の段階は、前述のＳ２２１乃至Ｓ２２４の段階と対応するため、具体的な説明は省略する。
図８は、本開示の代替の一実施例において、医療画像における病変を分析する方法に係るフローチャートである。
図８を参照すると、胸部領域を含む医療画像が入力されると、本開示の代替の実施例におけるコンピューティング装置（１００）は、疑わしい結節に対する読影及び評価を優先的に行うことが可能である。図７とは違って図８においては、疑わしい結節に対する読影及び評価を行ってから、入力された画像が既存の画像と同一の被検体を撮影した画像であるか否かを判断する。つまり、図７に示す方法と、図８に示す方法とでは、疑わしい結節の評価スコアを修正するための判断を行うタイミングの順番が異なると理解することが可能である。従って、図８における各段階（Ｓ３１０乃至Ｓ３７０の段階）の詳細な内容について、図７と対応する内容については、説明を省略する。
一方、本開示の一実施形態によれば、データ構造を格納したコンピューター可読保存媒体が開示される。
データ構造は、データに効率的なアクセスおよび修正を可能にするデータの組織、管理、保存を意味することができる。データ構造は、特定の問題（例えば、最短時間でデータ検索、データ保存、データ修正）を解決するためのデータ組織を意味することができる。データ構造は、特定のデータ処理機能をサポートするように設計されたデータ要素間の物理的または論理的な関係と定義することもできる。データ要素間の論理的な関係は、ユーザーが考えるデータ要素間の連結関係を含むことができる。データ要素間の物理的な関係は、コンピューター可読保存媒体（例えば、ハードディスク）に物理的に保存されているデータ要素間の実際の関係を含むことができる。データ構造は具体的にデータの集合、データ間の関係、データに適用できる関数またはコマンドを含むことができる。効果的に設計されたデータ構造により、コンピューティング装置はコンピューティング装置のリソースを最小限に使用しながら計算を行うことができる。具体的にコンピューティング装置は効果的に設計されたデータ構造を通じて演算、読み取り、挿入、削除、比較、交換、検索の効率性を高めることができる。
データ構造はデータ構造の形態によって線形データ構造と非線形データ構造に区分されることができる。線形データ構造は、一つのデータの後に一つのデータだけが連結される構造である可能性がある。線形データ構造はリスト（Ｌｉｓｔ）、スタック（Ｓｔａｃｋ）、キュー（Ｑｕｅｕｅ）、デッキ（Ｄｅｑｕｅ）を含むことができる。リストは、内部的に順序が存在する一連のデータセットを意味することが可能である。リストは連結リスト（Ｌｉｎｋｅｄ Ｌｉｓｔ）を含むことができる。連結リストはそれぞれのデータがポインタを持って一列に連結されている方式でデータが連結されたデータ構造でありうる。連結リストでポインタは、次や以前のデータとの連結情報を含むことができる。連結リストは形態によって単一連結リスト、二重連結リスト、円形連結リストで表現できる。スタックは制限的にデータにアクセスできるデータリスト構造である可能性がある。スタックは、データ構造の片端でのみデータを処理（例えば、挿入または削除）できる線形データ構造である可能性がある。スタックに保存されたデータは、遅く入るほど早く出てくるデータ構造（ＬＩＦＯ－Ｌａｓｔｉｎ Ｆｉｒｓｔ Ｏｕｔ）である可能性がある。キューは制限的にデータにアクセスできるデータ羅列構造であり、スタックとは異なり遅く保存されたデータほど遅く出てくるデータ構造（ＦＩＦＯ－ＦｉｒｓｔｉｎＦｉｒｓｔＯｕｔ）であることができる。デッキはデータ構造の両端でデータを処理できるデータ構造になり得る。
非線形データ構造は、一つのデータの後に複数のデータが連結される構造である可能性がある。非線形データ構造はグラフ（Ｇｒａｐｈ）データ構造を含むことができる。グラフデータ構造は頂点（Ｖｅｒｔｅｘ）と幹線（Ｅｄｇｅ）で定義でき、幹線は互いに異なる二つの頂点を連結する線を含むことができる。グラフデータ構造ツリー（Ｔｒｅｅ）データ構造を含むことができる。ツリーデータ構造はツリーに含まれる複数の頂点のうち、互いに異なる２つの頂点を連結させる経路が一つのデータ構造になり得る。すなわち、グラフデータ構造でループ（ｌｏｏｐ）を形成しないデータ構造になり得る。
本明細書にかけて、演算モデル、神経回路網、ネットワーク関数、ニューラルネットワークは同じ意味で使用できる。（以下ではニューラルネットワークで統一して記述する。）データ構造はニューラルネットワークを含むことができる。そして、ニューラルネットワークを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークを含むデータ構造はまた、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークの学習のための損失関数を含むことができる。ニューラルネットワークを含むデータ構造は、上記開示された構成のうち任意の構成要素を含むことができる。すなわち、ニューラルネットワークを含むデータ構造は、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークのトレーニングのための損失関数など、全部またはこれらの任意の組み合わせを含んで構成されることができる。前述した構成以外にも、ニューラルネットワークを含むデータ構造は、ニューラルネットワークの特性を決定する任意の他の情報を含むことができる。また、データ構造は、ニューラルネットワークの演算過程で使用されたり、発生するすべての形態のデータを含むことができ、前述の事項に制限されるわけではない。コンピューター可読保存媒体は、コンピューター可読記録媒体および／またはコンピューター可読伝送媒体を含むことができる。ニューラルネットワークは、一般的にノードと呼ばれる相互接続された計算単位の集合で構成されることができる。このようなノードはニューロン（ｎｅｕｒｏｎ）と呼ばれることができる。ニューラルネットワークは、少なくとも１つ以上のノードを含んで構成される。
データ構造は、ニューラルネットワークに入力されるデータを含むことができる。ニューラルネットワークに入力されるデータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークに入力されるデータは、ニューラルネットワークの学習過程で入力される学習データおよび／または学習が完了したニューラルネットワークに入力される入力データを含むことができる。ニューラルネットワークに入力されるデータは、前処理（ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を経たデータおよび／または前処理対象となるデータを含むことができる。前処理はデータをニューラルネットワークに入力させるためのデータ処理過程を含むことができる。したがって、データ構造は前処理対象となるデータおよび前処理で発生するデータを含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
データ構造は、ニューラルネットワークの加重値を含むことができる。（本明細書で加重値、パラメータは同じ意味で使用できる。）そして、神経回路網の加重値を含むデータ構造はコンピューター可読保存媒体に保存されることができる。ニューラルネットワークは、複数の加重値を含むことができる。加重値は可変的であり、ニューラルネットワークが望む機能を遂行するために、ユーザーまたはアルゴリズムによって可変することができる。例えば、一つの出力ノードに一つ以上の入力ノードがそれぞれのリンクによって相互接続された場合、出力ノードは上記出力ノードと連結された入力ノードに入力された値及びそれぞれの入力ノードに対応するリンクに設定されたパラメータに基づいて出力ノード値を決定することができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
制限ではなく例として、加重値は神経回路網学習過程で可変する加重値および／または神経回路網学習が完了した加重値を含むことができる。ニューラルネットワーク学習過程で可変される加重値は、学習サイクルが始まる時点の加重値および／または学習サイクルの間に可変される加重値を含むことができる。ニューラルネットワーク学習が完了した加重値は、学習サイクルが完了した加重値を含むことができる。したがって、ニューラルネットワークの加重値を含むデータ構造は、ニューラルネットワーク学習過程で可変される加重値および／またはニューラルネットワーク学習が完了した加重値を含むデータ構造を含むことができる。したがって、上述した加重値および／または各加重値の組み合わせは、神経回路網の加重値を含むデータ構造に含まれるものとする。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
ニューラルネットワークの加重値を含むデータ構造は、直列化（ｓｅｒｉａｌｉｚａｔｉｏｎ）過程を経た後、コンピューター可読保存媒体（例えば、メモリ、ハードディスク）に保存されることができる。直列化は、データ構造を同一または他のコンピューティングデバイスに保存し、後で再構成して使用できる形態に変換する過程である可能性がある。コンピューティングデバイスは、データ構造を直列化し、ネットワークを介してデータを送受信することができる。直列化されたニューラルネットワークの加重値を含むデータ構造は、逆直列化（ｄｅｓｅｒｉａｌｉｚａｔｉｏｎ）を通じて同じコンピューティング装置または他のコンピューティング装置で再構成されることができる。ニューラルネットワークの加重値を含むデータ構造は、シリアル化に限定されるものではない。さらに、神経回路網の加重値を含むデータ構造は、コンピューティング装置の資源を最小限に使用しながら演算の効率を高めるためのデータ構造（例えば、非線形データ構造でＢ－Ｔｒｅｅ、Ｔｒｉｅ、ｍ－ｗａｙ ｓｅａｒｃｈ ｔｒｅｅ、ＡＶＬｔｒｅｅ、Ｒｅｄ－Ｂｌａｃｋ Ｔｒｅｅ）を含むことができる。前述の事項は例示に過ぎず、本開示はこれに限定されない。
データ構造は、ニューラルネットワークのハイパーパラメータ（Ｈｙｐｅｒ－ｐａｒａｍｅｔｅｒ）を含むことができる。そして、ニューラルネットワークのハイパーパラメータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ハイパーパラメータは、ユーザーによって可変される変数である可能性がある。ハイパーパラメータは、例えば、学習率（ｌｅａｒｎｉｎｇ ｒａｔｅ）、コスト関数（ｃｏｓｔ ｆｕｎｃｔｉｏｎ）、学習サイクル反復回数、加重値初期化（例えば、加重値初期化対象となる加重値の範囲設定）、Ｈｉｄｄｅｎ Ｕｎｉｔ個数（例えば、ヒドゥンレイヤーの個数、ヒドゥンレイヤーのノード数）を含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
図９は、本開示の実施例が具現化されることのできる例示的なコンピューティング環境に係る簡略で一般的な概略図である。
本開示が一般的にコンピューティング装置により具現化されることができると前述されているが、当業者であれば本開示が一つ以上のコンピューター上で実行されることのできるコンピューター実行可能命令及び／またはその他のプログラムモジュールと結合して及び／またはハードウェアとソフトウェアの組み合わせとして具現化されることができるということをよく理解できるだろう。
一般的に、本明細書におけるモジュールは、特定のタスクを実行したり、特定の抽象的なデータ類型を実装するルーティン、プログラム、コンポーネント、データ構造、その他等々を含む。また、当業者なら本開示の方法がシングルプロセッサーまたはマルチプロセッサーコンピューターシステム、ミニコンピューター、メインフレームコンピューターはもちろん、パーソナルコンピューター、ハンドヘルド（ｈａｎｄｈｅｌｄ）コンピューティング装置、マイクロプロセッサー基盤、またはプログラム可能な家電製品、その他等々（これらは、それぞれ１つ以上の関連する装置と繋がって動作することができる）をはじめとする、他のコンピューターシステムの構成によって実施されることができることをよく理解できるだろう。
本開示において説明された実施例は、さらに、あるタスクが通信ネットワークを通じて繋がっている遠隔処理装置によって実行される分散コンピューティング環境で実施されることができる。分散コンピューティング環境において、プログラムモジュールは、ローカルや遠隔メモリー保存装置の両方に位置することができる。
コンピューターは、多様なコンピューター可読媒体を含む。コンピューターによってアクセス可能な媒体はいずれもコンピューター可読媒体になり得るが、このようなコンピューター可読媒体は揮発性及び非揮発性媒体、一時的（ｔｒａｎｓｉｔｏｒｙ）及び非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）媒体、移動式及び非－移動式媒体を含む。制限ではなく例として、コンピューター可読媒体は、コンピューター可読保存媒体及びコンピューター可読伝送媒体を含むことができる。コンピューター可読保存媒体は、コンピューター可読命令、データ構造、プログラムモジュール又はその他のデータのような情報を保存する任意の方法又は技術により実装される揮発性及び非揮発性媒体、一時的及び非－一時的媒体、移動式及び非移動式媒体を含む。コンピューター可読保存媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリーまたはその他のメモリー技術、ＣＤ－ＲＯＭ、ＤＶＤ（ｄｉｇｉｔａｌ ｖｉｄｅｏ ｄｉｓｋ）またはその他の光ディスク保存装置、磁気カセット、磁気テープ、磁気ディスク保存装置またはその他の磁気保存装置、またはコンピューターによってアクセスされることができ、情報を保存するのに使われることのできる任意のその他の媒体を含むが、これに限定されない。
コンピューター可読伝送媒体は、通常、搬送波（ｃａｒｒｉｅｒ ｗａｖｅ）またはその他の伝送メカニズム（ｔｒａｎｓｐｏｒｔ ｍｅｃｈａｎｉｓｍ）のような被変調データ信号（ｍｏｄｕｌａｔｅｄ ｄａｔａ ｓｉｇｎａｌ）にコンピューター可読命令、データ構造、プログラムモジュールまたはその他のデータ等を実装し、すべての情報伝達媒体を含む。被変調データ信号という用語は、信号の中で情報をエンコードするように、その信号の特性のうち１つ以上を設定または変更した信号を意味する。制限ではなく例として、コンピューター可読伝送媒体は、有線ネットワークまたは直接配線接続（ｄｉｒｅｃｔ－ｗｉｒｅｄ ｃｏｎｎｅｃｔｉｏｎ）のような有線媒体、そして音響、ＲＦ、赤外線、その他の無線媒体のような無線媒体を含む。前述の媒体のいずれかによる任意の組み合わせもまたコンピューター可読伝送媒体の範囲に含まれるものとする。
コンピューター（１１０２）を含む本開示の多様な側面を実現する例示的な環境（１１００）が示されており、コンピューター（１１０２）は、処理装置（１１０４）、システムメモリー（１１０６）、システムバス（１１０８）を含む。システムバス（１１０８）は、システムメモリー（１１０６）（これに限定されない）をはじめとするシステムコンポーネントを処理装置（１１０４）につなげる。処理装置（１１０４）は、多様な商用プロセッサーのうち任意のプロセッサーになり得る。デュエルプロセッサーとその他のマルチプロセッサーアーキテクチャもまた処理装置（１１０４）として利用されることができる。
システムバス（１１０８）は、メモリーバス、周辺装置バス、そして多様な商用バスアーキテクチャの中から、任意のものを使用するローカルバスにさらに相互連結されることのできる複数の類型のバス構造のうちいずれかになり得る。システムメモリー（１１０６）は、読み取り専用メモリー（ＲＯＭ）（１１１０）やランダムアクセスメモリー（ＲＡＭ）（１１１２）を含む。基本的な入出力システム（ＢＩＯＳ）は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の非揮発性メモリー（１１１０）に保存され、このＢＩＯＳは、起動中の時等にコンピューター（１１０２）の中の複数の構成要素間の情報のやりとりをサポートする基本的なルーティンを含む。ＲＡＭ（１１１２）は、またデータをキャッシュするための静的ＲＡＭ等の高速ＲＡＭを含むことができる。
コンピューター（１１０２）においては、また、内蔵型ハードディスクドライブ（ＨＤＤ）（１１１４）（例えば、ＥＩＤＥ、ＳＡＴＡ）―この内蔵型ハードディスクドライブ（１１１４）はまた適切なシャシー（図示は省略）の中で外付け型の用途で構成されることができる―、磁気フロッピーディスクドライブ（ＦＤＤ）（１１１６）（例えば、移動式ディスケット（１１１８）から読み取ったりそれに書き込むためのものである）及び光ディスクドライブ（１１２０）（例えば、ＣＤ－ＲＯＭディスク（１１２２）を読み取ったり、ＤＶＤ等のその他の高容量光媒体から読み取ったり、それに書き込むためのものである）を含む。ハードディスクドライブ（１１１４）、磁気ディスクドライブ（１１１６）及び光ディスクドライブ（１１２０）は、それぞれハードディスクドライブインターフェース（１１２４）、磁気ディスクドライブインターフェース（１１２６）及び光ドライブインターフェース（１１２８）によってシステムバス（１１０８）に繋がることができる。外付け型ドライブの実装のためのインターフェース（１１２４）は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）やＩＥＥＥ１３９４インターフェース技術のうち、少なくとも１つまたはその両方を含む。
これらのドライブ及びこれらに係るコンピューター可読媒体は、データ、データ構造、コンピューターで実行可能な命令、その他等々の非揮発性保存を提供する。コンピューター（１１０２）の場合、ドライブ及び媒体は、任意のデータを適切なデジタル形式に保存することに対応する。前述におけるコンピューター可読保存媒体に係る説明が、ＨＤＤ、移動式磁気ディスク及びＣＤまたはＤＶＤ等の移動式光媒体について触れているが、当業者ならジップドライブ（ｚｉｐ ｄｒｉｖｅ）、磁気カセット、フラッシュメモリーカード、カートリッジ、その他等々のコンピューターにより読み取り可能な他の類型の保存媒体もまた例示的な運営環境で使われることができ、さらに、このような媒体のうち任意のある媒体が、本開示の方法を実行するためのコンピューターで実行可能な命令を含むことができることをよく理解できるだろう。
運営システム（１１３０）、１つ以上のアプリケーションプログラム（１１３２）、その他のプログラムモジュール（１１３４）及びプログラムデータ（１１３６）をはじめとする多数のプログラムモジュールが、ドライブ及びＲＡＭ（１１１２）に保存されることができる。運営システム、アプリケーション、モジュール及び／またはデータの全部またはその一部分がまたＲＡＭ（１１１２）にキャッシュされることができる。本開示が商業的に利用可能な様々な運営システムまたは複数の運営システムの組み合わせにより実装されることができることをよく理解できるだろう。
ユーザーは、１つ以上の有線・無線の入力装置、例えば、キーボード（１１３８）及びマウス（１１４０）等のポインティング装置を通じてコンピューター（１１０２）に命令及び情報を入力することができる。その他の入力装置（図示は省略）としてはマイク、ＩＲリモコン、ジョイスティック、ゲームパッド、スタイラスペン、タッチスクリーン、その他等々があり得る。これら及びその他の入力装置が、よくシステムバス（１１０８）に繋がっている入力装置インターフェース（１１４２）を通じて処理装置（１１０４）に繋がることがあるが、並列ポート、ＩＥＥＥ１３９４直列ポート、ゲームポート、ＵＳＢポート、ＩＲインターフェース、その他等々のその他のインターフェースによって繋がることができる。
モニター（１１４４）または他の類型のディスプレイ装置も、ビデオアダプター（１１４６）等のインターフェースを通じてシステムバス（１１０８）に繋がる。モニター（１１４４）に加えて、コンピューターは一般的にスピーカー、プリンター、その他等々のその他の周辺出力装置（図示は省略）を含む。
コンピューター（１１０２）は、有線及び／または無線通信による（複数の）遠隔コンピューター（１１４８）等の１つ以上の遠隔コンピューターへの論理的接続を利用し、ネットワーク化された環境で動作することができる。（複数の）遠隔コンピューター（１１４８）は、ワークステーション、サーバーコンピューター、ルーター、パーソナルコンピューター、携帯用コンピューター、マイクロプロセッサー基盤の娯楽機器、ピア装置またはその他の通常のネットワークノードになることができ、一般的にコンピューター（１１０２）について述べられた構成要素のうち、多数またはその全部を含むが、簡略化するために、メモリー保存装置（１１５０）のみ図示されている。図示されている論理的接続は、近距離通信網（ＬＡＮ）（１１５２）及び／または、より大きいネットワーク、例えば、遠距離通信網（ＷＡＮ）（１１５４）における有線・無線の接続を含む。このようなＬＡＮ及びＷＡＮのネットワーキング環境は、オフィスや会社では一般的なもので、イントラネット等の全社的コンピューターネットワーク（ｅｎｔｅｒｐｒｉｓｅ－ｗｉｄｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ）を容易にし、これらはすべて全世界のコンピューターネットワーク、例えば、インターネットに繋がることができる。
ＬＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、有線及び／または無線通信ネットワークインターフェース、または、アダプター（１１５６）を通じてローカルネットワーク（１１５２）に繋がる。アダプター（１１５６）は、ＬＡＮ（１１５２）への有線または無線通信を容易にすることができ、このＬＡＮ（１１５２）は、また無線アダプター（１１５６）と通信するためにそれに設置されている無線アクセスポイントを含む。ＷＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、モデム（１１５８）を含むことができたり、ＷＡＮ（１１５４）上の通信サーバーに繋がったり、またはインターネットを通じる等、ＷＡＮ（１１５４）を通じて通信を設定するその他の手段を持つ。内蔵型又は外付け型、そして、有線または無線装置になり得るモデム（１１５８）は、直列ポートインターフェース（１１４２）を通じてシステムバス（１１０８）に繋がる。ネットワーク化された環境において、コンピューター（１１０２）について説明されたプログラムモジュールまたはその一部分が、遠隔メモリー／保存装置（１１５０）に保存されることができる。図示されたネットワーク接続が例示的なものであり、複数のコンピューター間で通信リンクを設定する他の手段が使われることができるということは容易に理解できることである。
コンピューター（１１０２）は、無線通信で配置されて動作する任意の無線装置またはユニット、例えば、プリンター、スキャナー、デスクトップ及び／または携帯用コンピューター、ＰＤＡ（ｐｏｒｔａｂｌｅ ｄａｔａ ａｓｓｉｓｔａｎｔ）、通信衛星、無線で検出可能なタグに係る任意の装備または場所及、及び電話と通信する動作をする。これは、少なくともＷｉ－Ｆｉ及びブルートゥース（登録商標）無線技術を含む。従って、通信は、従来のネットワークのように予め定義された構造であったり、単純に少なくとも２つの装置の間でのアドホック通信（ａｄ ｈｏｃ ｃｏｍｍｕｎｉｃａｔｉｏｎ）になり得る。
Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）は、有線で繋がっていなくても、インターネット等への接続を可能にする。Ｗｉ－Ｆｉは、このような装置、例えば、コンピューターが室内及び室外で、つまり基地局の通話圏内のどこからでもデータを送受信できるようにするセル電話のような無線技術である。Ｗｉ－Ｆｉネットワークは、安全で信頼性があり、高速である無線接続を提供するためにＩＥＥＥ８０２．１１（ａ、ｂ、ｇ、その他）という無線技術を使う。コンピューターを互いに、インターネット及び有線ネットワーク（ＩＥＥＥ８０２．３またはイーサネットを使う）に接続するためにＷｉ－Ｆｉが使われることができる。Ｗｉ－Ｆｉネットワークは、非認可２．４や５ＧＨｚの無線帯域において、例えば、１１Ｍｂｐｓ（８０２．１１ａ）または５４Ｍｂｐｓ（８０２．１１ｂ）のデータレートで動作したり、両帯域（デュエル帯域）を含む製品において動作することができる。
本開示の技術分野における通常の知識を持つ者は情報及び信号が任意の多様な異なる技術及び手法を利用して示されることができることを理会できる。例えば、上記の説明において参照できるデータ、指示、命令、情報、信号、ビット、シンボル及びチップは、電圧、電流、電磁気派、磁場等または粒子、光学場等または粒子、またはこれらの任意の組み合わせによって示されることができる。
本開示の技術分野において通常の知識を持つ者は、ここに開示された実施例に係る説明で取り挙げられた多様な例示的な論理ブロック、モジュール、プロセッサー、手段、回路、アルゴリズム段階が電子ハードウェア、（利便性のために、ここでは「ソフトウェア」と称される）多様な形のプログラムまたは設計コード、またはこれらすべての結合により実装されることができることを理解できるだろう。ハードウェア及びソフトウェアのこのような相互互換性を明確に説明するために、多様な例示的なコンポーネント、ブロック、モジュール、回路、及び段階がこれらの機能に着目して上記で一般的に説明された。このような機能がハードウェアやソフトウェアで実装されるかどうかは、特定のアプリケーションおよび全体システムに対して付与される設計上の制限によって決まる。本開示の技術分野において通常の知識を持つ者は、個々の特定のアプリケーションについて多様な手法で説明された機能を実現することができるが、このような実現の決定は、本開示の範囲を逸脱するものと解釈されてはならない。
ここに示された多様な実施例は、方法、装置、または標準プログラミング及び／またはエンジニアリング技術を使った製造物品（ａｒｔｉｃｌｅ）によって実現できる。用語「製造物品」は、任意のコンピューターで可読な装置からアクセス可能なコンピュータープログラム、キャリアー、または媒体（ｍｅｄｉａ）を含む。例えば、コンピューターで可読保存媒体は、磁気保存装置（例えば、ハードディスク、フロッピーディスク、磁気ストリップ等）、光学ディスク（例えば、ＣＤ、ＤＶＤ等）、スマートカード及びフラッシュメモリー装置（例えば、ＥＥＰＲＯＭ、カード、スティック、キードライブ等）を含むが、これらに限定されるものではない。また、ここに示されている多様な保存媒体は、情報を保存するための１つ以上の装置及び／または他の機械可読媒体を含む。
示されたプロセスにおける複数の段階の特定の順番または階層構造は、例示的なアプローチの一例であることを理解すべきである。設計上の優先順位に基づき、本開示の範囲内で、プロセスにおける段階の特定の順番または階層構造が再配列されることができることを理解すべきである。添付の方法請求項は、サンプルとしての順番で、多様な段階のエレメントを提供するが、示された特定の順番または階層構造に限定されることを意味するわけではない。
示された実施例に関する説明は、任意の本開示の技術分野において通常の知識を持つ者が、本開示を利用したり、または実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者には明確に理解できるものであり、ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることができる。従って、本開示はここに示す実施例によって限定されるものではなく、ここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。
上述のように、発明の実施のための最善の形態において、関連する内容を述べた。
本発明は、医療画像における病変を分析するコンピューティング装置等に利用されることが可能である。

Claims (19)

  1. 少なくとも１つのプロセッサーを含むコンピューティング装置により実行される医療画像における病変分析方法であって、
    前記医療画像に存在する疑わしい結節（ｎｏｄｕｌｅ）の位置情報を取得する段階；
    前記位置情報に対応する前記医療画像のパッチ（ｐａｔｃｈ）に基づき、前記疑わしい結節の全体の領域及び前記疑わしい結節における特定の属性（ａｔｔｒｉｂｕｔｅ）を表す領域に係るマスクを生成する段階；及び
    前記医療画像の前記パッチ及び前記マスクに基づき、前記疑わしい結節の状態に係るクラス（ｃｌａｓｓ）分類を行う段階；
    を含む、
    方法。
  2. 請求項１において、
    前記疑わしい結節の位置情報を取得する段階は、
    事前学習された第１のモデルを用いて、前記医療画像に含まれている少なくとも１つの関心領域における結節の存在に係る確率値及び候補位置情報を生成する段階；及び
    前記第１のモデルを用いて、前記少なくとも１つの関心領域における結節の存在に係る確率値をもとに、前記候補位置情報から前記疑わしい結節の位置情報を決定する段階；
    を含む、
    方法。
  3. 請求項１において、
    前記マスクを生成する段階は、
    前記医療画像から前記位置情報に対応するパッチを抽出する段階；及び
    事前学習された第２のモデルを用いて、前記パッチに基づき、前記疑わしい結節の全体の領域に係る第１のマスクと、前記疑わしい結節における特定の属性を表す領域に係る第２のマスクを生成する段階；
    を含む、
    方法。
  4. 請求項３において、
    前記第１のマスクをもとに、前記疑わしい結節の全体の領域の径（ｄｉａｍｅｔｅｒ）や体積（ｖｏｌｕｍｅ）のうち、少なくとも１つを含む第１の数値情報を生成する段階；及び
    前記第２のマスクをもとに、前記疑わしい結節における特定の属性を表す領域の径及び体積のうち、少なくとも１つを含む第２の数値情報を生成する段階；
    をさらに含む、
    方法。
  5. 請求項４において、
    肺疾患診断の補助的指標を基準にして、前記疑わしい結節の状態に係るクラス及び第１の数値情報に基づき、前記疑わしい結節に対する評価スコアを算出する段階；
    をさらに含む、
    方法。
  6. 請求項５において、
    前記疑わしい結節の位置情報と、マスクと、疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報と、評価スコアとのうち、少なくとも１つに基づいてユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を生成する段階；
    をさらに含む、
    方法。
  7. 請求項５において、
    前記医療画像の被検体（ｓｕｂｊｅｃｔ）と、分析済み画像の被検体とが対応するか否かを判断する段階；及び
    前記医療画像の被検体と、前記分析済み画像の被検体とが対応する場合、事前学習された第４のモデルを用いて、前記医療画像と前記分析済み画像の撮影時点を基準にして、前記医療画像の評価スコア又は前記分析済み画像の評価スコアを修正する段階；
    をさらに含む、
    方法。
  8. 請求項４において、
    前記疑わしい結節の状態に係るクラスが、前記疑わしい結節の特定の属性に係る所定の類型に該当する場合、肺疾患診断の補助的指標を基準にして、前記疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報とに基づき、前記疑わしい結節に対する評価スコアを算出する段階；
    をさらに含む、
    方法。
  9. 請求項８において、
    前記疑わしい結節の位置情報と、マスクと、疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報と、評価スコアとのうち、少なくとも１つに基づく、ユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を生成する段階；
    をさらに含む、
    方法。
  10. 請求項８において、
    前記医療画像の被検体（ｓｕｂｊｅｃｔ）と、分析済み画像の被検体とが対応するか否かを判断する段階；及び
    前記医療画像の被検体と、前記分析済み画像の被検体とが対応する場合、事前学習された第４のモデルを用いて、前記医療画像と前記分析済み画像の撮影時点を基準にして、前記医療画像の評価スコア又は前記分析済み画像の評価スコアを修正する段階；
    をさらに含む、
    方法。
  11. 請求項１０において、
    前記医療画像の評価スコア又は前記分析済み画像の評価スコアを修正する段階は、
    前記第４のモデルを用いて、前記医療画像と前記分析済み画像との間のレジストレーション（ｒｅｇｉｓｔｒａｔｉｏｎ）を行う段階；
    前記第４のモデルを用いて、前記医療画像に存在する疑わしい結節と、前記分析済み画像に存在する疑わしい結節とをマッチング（ｍａｔｃｈｉｎｇ）させ、前記マッチングされた疑わしい結節の変更情報を識別する段階；及び
    前記変更情報をもとに、前記医療画像又は前記分析済み画像の評価スコアを修正する段階；
    を含む、
    方法。
  12. 請求項１０において、
    前記医療画像の評価スコア又は前記分析済み画像の評価スコアを修正する段階は、
    前記医療画像が前記分析済み画像が撮影される前の時点に撮影されている場合、前記第４のモデルを用いて、前記医療画像の評価スコアをもとに、前記分析済み画像の評価スコアを修正する段階；及び
    前記医療画像が前記分析済み画像が撮影された以降の時点に撮影された場合、前記第４のモデルを用いて、前記分析済み画像の評価スコアをもとに、前記医療画像の評価スコアを修正する段階；
    を含む、
    方法。
  13. 請求項４において、
    事前学習された第５のモデルを用いて、前記疑わしい結節の位置情報、状態に係るクラス及び数値情報をもとに、前記疑わしい結節の悪性度を推定する段階；
    をさらに含む、
    方法。
  14. 請求項１３において、
    前記疑わしい結節の位置情報と、前記マスクと、疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報と、悪性度とのうち、少なくとも１つに基づいてユーザーインターフェースを生成する段階；
    をさらに含む、
    方法。
  15. 請求項４において、
    事前学習された第５のモデルを用いて、前記パッチ及び前記マスクに基づき、前記疑わしい結節の悪性度を推定する段階；
    をさらに含む、
    方法。
  16. 請求項１５において、
    前記疑わしい結節の位置情報と、前記マスクと、疑わしい結節の状態に係るクラスと、第１の数値情報と、第２の数値情報と、悪性度とのうち、少なくとも１つに基づいてユーザーインターフェースを生成する段階；
    をさらに含む、
    方法。
  17. 請求項１において、
    前記疑わしい結節の状態に係るクラス分類を行う段階は、
    事前学習された少なくとも１つのサブモデルを含む第３のモデルを用いて、前記パッチ及び前記マスクに基づき、それぞれ異なるサブモデルを用いて、前記疑わしい結節の属性に係る類型（ｔｙｐｅ）、スピキュラ（ｓｐｉｃｕｌａｔｉｏｎ）の有無、石灰化（ｃａｌｃｉｆｉｃａｔｉｏｎ）の有無のうち、少なくとも１つを決定する段階；
    を含む、
    方法。
  18. 医療画像における病変を分析するコンピューティング装置であって、
    少なくとも１つのコアを含むプロセッサー；
    前記プロセッサーにおいて実行可能なプログラムコードを含むメモリー；及び
    前記医療画像を受信するためのネットワーク部；
    を含み、
    前記プロセッサーは、
    前記医療画像に存在する疑わしい結節（ｎｏｄｕｌｅ）の位置情報を取得し、
    前記位置情報に対応する医療画像のパッチ（ｐａｔｃｈ）に基づき、前記疑わしい結節の全体の領域及び前記疑わしい結節における特定の属性（ａｔｔｒｉｂｕｔｅ）を表す領域に係るマスクを生成し、
    前記医療画像のパッチ及び前記マスクに基づき、前記疑わしい結節の状態に係るクラス（ｃｌａｓｓ）分類を行う、
    装置。
  19. ユーザー端末であって、
    少なくとも１つのコアを含むプロセッサー；
    メモリー；
    コンピューティング装置から医療画像に含まれている病変の分析情報に基づいて生成されるユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を受信するネットワーク部；及び
    前記ユーザーインターフェースを提供する出力部；
    を含み、
    前記病変の分析情報は、
    疑わしい結節（ｎｏｄｕｌｅ）の位置情報と、前記疑わしい結節の全体の領域及び前記疑わしい結節における特定の属性（ａｔｔｒｉｂｕｔｅ）を表す領域に係るマスク（ｍａｓｋ）と、前記疑わしい結節の状態に係るクラス（ｃｌａｓｓ）と、前記疑わしい結節の数値情報と、前記疑わしい結節に対する評価情報と、前記疑わしい結節の悪性度とのうち、少なくとも１つを含む、
    端末。
JP2023538160A 2020-12-23 2021-11-09 医療画像における病変分析方法 Pending JP2024500470A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2020-0181634 2020-12-23
KR1020200181634A KR102358050B1 (ko) 2020-12-23 2020-12-23 의료 영상 기반의 병변 분석 방법
PCT/KR2021/016198 WO2022139170A1 (ko) 2020-12-23 2021-11-09 의료 영상 기반의 병변 분석 방법

Publications (1)

Publication Number Publication Date
JP2024500470A true JP2024500470A (ja) 2024-01-09

Family

ID=80252773

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023538160A Pending JP2024500470A (ja) 2020-12-23 2021-11-09 医療画像における病変分析方法

Country Status (4)

Country Link
US (1) US20220198668A1 (ja)
JP (1) JP2024500470A (ja)
KR (3) KR102358050B1 (ja)
WO (1) WO2022139170A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102583160B1 (ko) * 2022-07-18 2023-09-26 주식회사 래디센 X-ray 이미지의 노듈위치 결정방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7623692B2 (en) * 2005-07-22 2009-11-24 Carestream Health, Inc. Pulmonary nodule detection in a chest radiograph
US8731255B2 (en) * 2008-11-05 2014-05-20 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating lung segmentation and registration
KR101251822B1 (ko) * 2011-11-18 2013-04-09 서울여자대학교 산학협력단 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법
US10064594B2 (en) * 2015-08-06 2018-09-04 Case Western Reserve University Characterizing disease and treatment response with quantitative vessel tortuosity radiomics
KR101974786B1 (ko) * 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
KR102150682B1 (ko) * 2019-08-08 2020-09-02 주식회사 딥노이드 특이점 분류 장치 및 분류 방법

Also Published As

Publication number Publication date
KR20220092457A (ko) 2022-07-01
KR102589405B1 (ko) 2023-10-16
KR20220091434A (ko) 2022-06-30
WO2022139170A1 (ko) 2022-06-30
US20220198668A1 (en) 2022-06-23
KR102358050B1 (ko) 2022-02-08

Similar Documents

Publication Publication Date Title
KR102460257B1 (ko) 진단 결과를 제공하기 위한 방법 및 장치
TWI814154B (zh) 基於醫學影像的疾病預測方法
Sridhar et al. A Torn ACL Mapping in Knee MRI Images Using Deep Convolution Neural Network with Inception‐v3
Shamrat et al. Analysing most efficient deep learning model to detect COVID-19 from computer tomography images
Rufo et al. A hybrid machine learning model based on global and local learner algorithms for diabetes mellitus prediction
KR20220107940A (ko) 의료 영상의 병변 평가 방법
JP2024500470A (ja) 医療画像における病変分析方法
JP2024508852A (ja) 医療画像における病変分析方法
US20220172370A1 (en) Method for detecting white matter lesions based on medical image
US20220130065A1 (en) Method for analyzing thickness of cortical region
KR102554181B1 (ko) 골 영상으로부터 골 연령을 판독하는 방법
KR102622660B1 (ko) 의료 영상에 대한 연속 절편 검출 방법
KR102653257B1 (ko) 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법
Sumithra et al. Optimizing Brain Tumor Recognition with Ensemble support Vector-based Local Coati Algorithm and CNN Feature Extraction
US20220237777A1 (en) Method for measuring lesion of medical image
KR102375786B1 (ko) 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법
KR102569976B1 (ko) 의료 영상 처리 방법
KR102534088B1 (ko) 의료 데이터 검색 방법
KR20230056174A (ko) 딥러닝 기반의 의료 영상 분석 방법
Gautam et al. A Review Paper on Machine Learning Techniques and Its Applications in Health Care Sector
KR20220165111A (ko) 의료 영상의 분류 방법
Palkar et al. Empowering Glioma Prognosis With Transparent Machine Learning and Interpretative Insights Using Explainable AI
Shaik et al. A Deep Learning Framework for Prognosis Patients with COVID-19
KR20230126083A (ko) 의료 영상을 분석하기 위한 방법
KR20230092306A (ko) 의료 영상을 분석하기 위한 방법

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230621