JP3641495B2 - 医用画像診断装置 - Google Patents
医用画像診断装置 Download PDFInfo
- Publication number
- JP3641495B2 JP3641495B2 JP18789994A JP18789994A JP3641495B2 JP 3641495 B2 JP3641495 B2 JP 3641495B2 JP 18789994 A JP18789994 A JP 18789994A JP 18789994 A JP18789994 A JP 18789994A JP 3641495 B2 JP3641495 B2 JP 3641495B2
- Authority
- JP
- Japan
- Prior art keywords
- output
- information
- neural network
- diagnostic
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000002059 diagnostic imaging Methods 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 28
- 238000003745 diagnosis Methods 0.000 claims description 23
- 238000012935 Averaging Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012886 linear function Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 210000004204 blood vessel Anatomy 0.000 description 52
- 238000010586 diagram Methods 0.000 description 13
- 208000031481 Pathologic Constriction Diseases 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 11
- 208000037804 stenosis Diseases 0.000 description 11
- 230000036262 stenosis Effects 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000009206 nuclear medicine Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/506—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of nerves
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Description
【０００１】
【産業上の利用分野】
本発明は、Ｘ線又は超音波或いは電磁波などの情報キャリアを被検体内に透入し、この情報キャリアの変化を計測して診断部位の医用画像を得る例えばＸ線撮影装置又はＸ線ＣＴ装置或いは超音波診断装置、核医学イメージング装置、磁気共鳴イメージング装置などの医用画像診断装置に関し、特に上記得られた医用画像について診断情報を認識する際に医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる医用画像診断装置に関する。
【０００２】
【従来の技術】
従来の医用画像診断装置においては、得られた医用画像について診断情報を認識したり、或いはこの診断情報を得る元となる目的部位の認識を行う場合に、何ら予測形状などの大局情報が無い状態から局所的な情報のみでいきなり診断情報の認識或いは目的部位の認識を行っていた。そして、このような医用画像診断装置によって、診断部位について得られた医用画像についてある特定の診断情報、例えば血管の狭窄率を認識するには、目的部位に表示された血管像を認識し、この認識された血管の辺縁間の距離を求めて血管径とし、正常な血管部と異常な狭窄部とのそれぞれの血管の辺縁間距離の比により狭窄率を求めて提示していた。
【０００３】
【発明が解決しようとする課題】
しかし、このような従来の医用画像診断装置においては、上述のように、得られた医用画像中の例えば血管の幾何学的な辺縁間距離の単純な比により血管の狭窄率が求められていたので、長年の経験と多くの医学知識に支えられた医師の評価、判断に基づいた狭窄率とは異なるものであった。従って、医師の診断結果と整合性が良いとは言えず、必ずしも正確な診断情報とは言えないものであった。また、計測された診断情報は画像表示部に一方的に提示されており、この提示された診断情報が不正確であった場合には、操作者が手作業によってそれを直す必要があり、莫大な手間がかかるものであった。また、手作業なしに正確な診断情報を提示するようにするためには、プログラムを変更したり更にはシステム自身を変更しなくてはならず、莫大な手間とコストがかかるものであった。
【０００４】
そこで、本発明は、このような問題点に対処し、被検体内の診断部位を計測して得られた医用画像について診断情報を認識する際に医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる医用画像診断装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、本発明による医用画像診断装置は、被検体内の診断部位について計測した画像データを出力する原画像供給部と、この原画像供給部からの画像データを入力し目的部位の形状情報を抽出する形状情報抽出手段と、この形状情報抽出手段で抽出された形状情報の正規化を行う正規化手段と、この正規化手段で正規化された形状情報について診断の注目箇所より離れるに従って演算する数を多くして平均化する平均化手段と、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合してネットワークを構成し上記正規化手段からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化手段を介して同時に入力して診断情報を認識するニューラルネットワークと、このニューラルネットワークで認識され出力された結果を入力して表示する表示部と、を備えて成るものである。
【０００６】
また、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数を用い診断情報を認識可能としてもよい。
【０００７】
さらに、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数以外の関数を用いると共にその準線形領域を診断情報の範囲と限定して診断情報を認識可能としてもよい。
【０００８】
さらにまた、上記ニューラルネットワークには、該ニューラルネットワークに学習動作をさせるための教師信号を入力する入力装置を接続してもよい。
【０００９】
また、上記表示部は、上記原画像供給部から出力される画像データと共に上記ニューラルネットワークから出力される診断情報を表示するものとしてもよい。
【００１２】
【作用】
このように構成された医用画像診断装置は、被検体内の診断部位について計測した画像データを原画像供給部から出力し、この出力された画像データを入力し形状情報抽出手段により目的部位の形状情報を抽出し、この抽出された形状情報を正規化手段により正規化を行い、この正規化された形状情報について平均化手段により診断の注目箇所より離れるに従って演算する数を多くして平均化し、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合したニューラルネットワークで上記正規化手段からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化手段を介して同時に入力して診断情報を認識し、表示部により上記ニューラルネットワークで認識され出力された結果を入力して表示するように動作する。これにより、被検体内の診断部位を計測して得られた医用画像について診断情報を認識する際に、上記ニューラルネットワークの学習機能により医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる。
【００１３】
【実施例】
以下、本発明の実施例を添付図面に基づいて詳細に説明する。
図１は本発明による医用画像診断装置の実施例を示すブロック図である。この医用画像診断装置は、Ｘ線又は超音波などの情報キャリアを被検体内に透入しこの情報キャリアの変化を計測して診断部位の医用画像を得ると共に、この得られた画像について診断情報を認識する際に医師の診断結果と整合性が良くかつ正確な診断情報を提示するもので、図に示すように、原画像供給部１と、特徴量抽出部２と、ニューラルネットワーク３と、表示部４とを備えて成る。
【００１４】
上記原画像供給部１は、被検体内の診断部位について計測した画像データを出力するもので、例えば超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置、核医学イメージング装置などにおいて被検体を計測又は撮影する計測部、あるいは被検体について計測した画像データを記憶しておき必要に応じて読み出す記憶部などである。
【００１５】
特徴量抽出部２は、上記原画像供給部１から出力された画像データを入力し目的部位の診断情報と相関のある特徴量を抽出する手段となるもので、形態情報抽出手段やテクスチャー抽出手段又はそれらの組み合わせから成る手段を含んでいる。この特徴量抽出部２の内部構成は、例えば図２に示すように、形状情報抽出部５と、正規化部６と、平均化部７とから成る。上記形状情報抽出部５は、目的の診断情報と相関のある特徴量として目的部位の一次元又は二次元的な形状情報を抽出する手段となるもので、後述のニューラルネットワーク３への入力情報を圧縮して診断情報を高速に認識可能とするようになっている。また、正規化部６は、上記形状情報抽出部５で抽出した形状情報の正規化を行う手段となるもので、上記抽出された形状情報の平均的な情報又は代表的な情報、或いは外部から与えられた情報によって正規化が行われ、被検体の個体差に左右されずに診断情報を認識可能とするようになっている。さらに、平均化部７は、上記正規化部６で正規化した情報について診断の注目箇所より離れるに従って演算する数を多くして平均化する手段となるもので、出力情報を圧縮して後述のニューラルネットワーク３への入力情報数を減らすようになっている。
【００１６】
この特徴量抽出部２について図３を参照して更に詳しく説明する。例えば目的の診断情報が血管の狭窄率である場合について説明すると、血管の狭窄率は、狭窄部を多方向から見た最も狭窄している部分の血管径とその付近の正常部の血管径との比で定義されるか、或いは狭窄部分の血管断面積と正常部の血管断面積との比で定義される。この場合、上述の図２に示す形状情報抽出部５は、診断情報と相関のある特徴量としての形状情報として血管径及び血管断面積を抽出することとなる。そして、図３は上記特徴量抽出部２における形状情報の抽出例を説明するための図である。図３（ａ）は血管８を撮影した表示画像を示し、同図（ｂ）は上記血管８の表示画像について計測した濃度プロファイルを示している。この濃度プロファイルは、図３（ａ）の血管８を略垂直に横切る直線９に沿う濃度変化を示しており、上記濃度プロファイルにより図３（ｂ）に示すように血管径Ｄ及び血管断面積Ｓが算出される。
【００１７】
すなわち、例えばマウスまたはトラックボールあるいはペンなどの入力装置で血管８の輪郭を手動入力したり、或いはトラッキング手法により血管８の輪郭を自動追跡したりして、図３（ａ）に示す血管追跡線１０を得て、この血管追跡線１０を略垂直に横切る直線９を算出する。次に、血管８の辺縁位置が上記直線９上の濃度プロファイル（図３(ｂ)参照）において濃度微分値の極値を持つことを利用してその血管８の辺縁位置を検出したり、或いはマウスなどの入力装置で血管８の辺縁を手動入力して辺縁位置を検出し、図３（ｂ）に示すように、両端の辺縁位置間の距離を血管径Ｄとして抽出し、その間の濃度積分値を血管断面積Ｓとして抽出するようになっている。
【００１８】
また、図２に示す正規化部６は、狭窄部における注目血管位置１１の周辺領域１２の血管径Ｄ及び血管断面積Ｓを平均した血管情報により、上記注目血管位置１１の血管径Ｄ及び血管断面積Ｓを正規化するようになっている。さらに、平均化部７は、図３（ａ）の例では、注目血管位置１１では平均する情報数がＮ3＝１であり平均しないで用い、その両隣の位置ではＮ2＝２，Ｎ4＝２であり、更にその両隣の位置ではＮ1＝３，Ｎ5＝３となり、上記注目血管位置１１を離れるに従い平均する情報数を多くして行き、平均化の度合いを強めて行くようになっている。
【００１９】
また、図１においてニューラルネットワーク３は、上記正規化部６からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化部７を介して同時に入力して診断情報を認識するもので、人工的神経素子を入力層及び中間層ならびに出力層の層構造をなすように結合してネットワークを構成すると共に、最終段の出力層の入出力関数としてリニア関数を用いて構成されている。図４は上記ニューラルネットワーク３を構成する人工的神経素子１３を示す説明図である。図に示すように、人工的神経素子（以下「ニューロンモデル」という）１３は生物の神経素子（ニューロン）の働きを模した多入力一出力の素子で、入力Ｉi（Ｉ1〜Ｉn）と結合係数Ｗji（Ｗj1〜Ｗjn）の積和により出力Ｏjが決定される。すなわち、入出力関数ｆ(ｘ）を用いて次式のように決定される。
【数１】
ただし、θjはしきい値に相当する入出力関数のオフセットであり、ｎは入力の数である。
【００２０】
図５は層構造をなすように結合してネットワークに構成されたニューラルネットワーク３の階層構造を示す説明図である。このニューラルネットワーク３は図のように、上記ニューロンモデル１３を多数用い、入力層および中間層ならびに出力層の層構造をなすように結合してネットワークを構成することにより、信号処理及び情報処理の機能を実現するように構成されている。なお、図５において、符号１４は入力層と中間層とを結ぶ枝を示し、入力層の各ニューロンモデル１３は中間層の全てのニューロンモデル１３とそれぞれ結合されている。また、符号１５は中間層と出力層とを結ぶ枝を示し、中間層の各ニューロンモデル１３は出力層の全てのニューロンモデル１３とそれぞれ結合されている。そして、このニューラルネットワーク３は、入力層に供給される入力情報１６を変換して出力層から出力情報１７として出力するようになっている。ここで、上記入力層においては、入出力関数として次式に示すような恒等関数が用いられている。
ｆi(ｘ)＝ｘ
これにより、入力がそのまま出力される。なお、この恒等関数の代わりに他の関数を用いて入力情報１６に変調をかけてもよい。
【００２１】
また、図６は上記ニューラルネットワーク３の中間層の入出力関数として用いられるシグモイド関数を示すグラフである。上記中間層においては、入出力関数として図に示すように出力ｆsが“０”から“１”の範囲内で単調増加のシグモイド関数が用いられている。このシグモイド関数は次式のように表現される。
ただし、Ｕ0は傾きを制御するパラメータである。そして、これを微分すると、
となり、もとのシグモイド関数で表現できるという特徴を持っている。
【００２２】
さらに、図７は上記ニューラルネットワーク３の出力層の入出力関数として用いられるリニア関数を示すグラフである。上記出力層においては、入出力関数として上述のシグモイド関数の代わりに、図に示すように出力が入力に対して直線的に増減するリニア関数が用いられている。いま、直線の傾きをａとすると、例えば次式のように表される。
これを微分すると、
となる。これにより、出力層からの出力はアナログ的な値となる。
【００２３】
そして、図１において、表示部４は、上記ニューラルネットワーク３で認識され出力された結果を入力して表示するもので、例えばテレビモニタから成る。
【００２４】
次に、このように構成された医用画像診断装置において、得られた画像について医師の診断と整合性が良くかつ正確な診断情報を提供する動作を説明する。まず、図１において、原画像供給部１から被検体内の診断部位について計測した画像データを出力する。これは、例えばＸ線撮影装置又は超音波診断装置又はＸ線ＣＴ装置或いは核医学イメージング装置、磁気共鳴イメージング装置などにより実際に計測されたデータでもよいし、予め計測され記憶部に書き込まれたデータを読み出したものでもよい。次に、上記原画像供給部１から出力された画像データは特徴量抽出部２へ入力される。この特徴量抽出部２では、上記原画像供給部１から出力された画像データが図２に示す形状情報抽出部５に入力され、目的部位の形状情報が抽出される。上記形状情報抽出部５より出力された目的部位の形状情報は、正規化部６に入力され正規化が行われる。上記正規化部６より出力された情報は、平均化部７に入力され平均化が行われる。
【００２５】
例えば、目的の診断情報が血管狭窄率である場合には、まず、上記形状情報抽出部５で目的部位の血管８（図３(ａ)参照）をほぼ垂直に横切る直線９が算出される。すなわち、トラッキング手法により血管の追跡を行ったり、例えばマウスまたはトラックボールあるいはペンなどの入力装置で血管を手動入力などして血管追跡線１０が算出され、次にその血管追跡線１０をほぼ垂直に横切る直線９が算出され、そして血管辺縁位置が直線９上の濃度プロファイル（図３(ｂ)参照）において濃度微分値の極値を持つことを利用して辺縁が検出されたり、例えばマウスまたはトラックボールあるいはペンなどの入力装置で辺縁を手動入力などして、辺縁位置が検出され、両端の辺縁位置間の距離が血管径Ｄとして抽出され、その辺縁位置間の濃度積分値が血管断面積Ｓとして抽出される。このようにして、上記原画像供給部１から出力された画像データが目的部位の形状情報として圧縮される。
【００２６】
次に、上記形状情報抽出部５より出力された目的部位の形状情報である血管径Ｄ及び血管断面積Ｓは、上記正規化部６に入力され、図３（ａ）の注目血管位置１１周辺の血管形状情報を平均した情報により正規化される。これにより、撮影条件や個体差などに左右されにくい情報となる。更に、上記正規化部６より出力された情報は、上記平均化部７に入力され、注目血管位置１１より離れるに従い演算する数を多くして平均化され、情報圧縮して出力される。このようにして、上記特徴量抽出部２では、前記原画像供給部１から出力された画像データを入力し、診断情報と相関のある特徴量に情報圧縮して出力される。
【００２７】
次に、上記特徴量抽出部２から出力された特徴量は、ニューラルネットワーク３に入力され診断情報が認識される。この特徴量は図５における入力情報１６としてニューラルネットワーク３に入力されるが、例えば診断情報が血管の狭窄率である場合、図３（ａ）に示す注目血管位置１１の特徴量とその周辺領域１２の特徴量が同時に入力される。ニューラルネットワーク３では入力情報１６に対して所望の出力情報１７が得られるように学習が行われる。すなわち、教師となる教師信号１８と出力情報１７の誤差が小さくなるように入力層と中間層を結合している枝１４及び中間層と出力層を結合している枝１５の結合係数を変化させてゆき、学習後所望の出力が得られるように自己組織化していく。アナログ出力用のニューラルネットワーク３の学習アルゴリズムを図８に示す。図８の記号の意味は次のとおりである。
Ｉ ；入力情報
Ｏk ；第ｋ層のニューロンモデルの出力
Ｗk ；第ｋ層と第(ｋ＋１)層間の結合係数
θk ；第ｋ層のニューロンモデルのオフセット
Ｔ ；教師信号
ηw ；Ｗに対する学習定数
ηθ；θに対する学習定数
δk ；第(ｋ−１)層を修正するための誤差量
ｆi ；恒等関数
ｆs ；シグモイド関数
ｆl ；リニア関数
なお、入力情報Ｉ、第ｋ層のニューロンモデルの出力Ｏk、第ｋ層のニューロンモデルのオフセットθk、教師信号Ｔ、第(ｋ−１)層を修正するための誤差量δkは１次元ベクトルで表されており、第ｋ層と第(ｋ＋１)層間の結合係数Ｗkは２次元ベクトルで表されている。また、例に示したニューラルネットワークは３層のものであるため第１層目が入力層であり、第２層目が中間層であり、第３層目が出力層である。
【００２８】
この学習アルゴリズムについて以下説明する。教師信号Ｔと出力層の出力Ｏ3との平均二乗誤差Ｅは、
である。これが減少するように第ｋ層と第(ｋ＋１)層間の結合係数Ｗkを次の修正量
によって修正する。ここで、
とおくと、中間層と出力層との間の修正量を決めるδ3は、
である。よって、修正量は、
となる。これにより、前述のように出力層からの出力は、アナログ的な値となる。また、入力層と出力層間の修正量を決めるδ2は、
となり、修正量は、
となる。オフセットについても同様に求めることにより、図８に示すアルゴリズムとなる。
【００２９】
そして、医師などの操作者が与える教師信号１８に基づき、このようなアルゴリズムで上記ニューラルネットワーク３の学習が行われる。学習後の上記ニューラルネットワーク３からは、長年の経験と多くの医学知識に支えられた医師の評価、判断を踏襲した診断情報が出力されることとなる。なお、ここでは、３層のニューラルネットワーク３について例を示したが、中間層の数を増やすことによって３層以上のニューラルネットワーク３が構成可能であり、その場合の学習アルゴリズムは誤差量δを逆伝播させ、漸化的に修正量を求めればよく、より複雑な変換を含む診断情報への対応が可能となる。
【００３０】
そして、上記ニューラルネットワーク３で認識された診断情報は、図１に示す表示部４に入力されて表示される。なお、原画像供給部１から出力される画像データと共に上記ニューラルネットワーク３から出力される診断情報を表示すると効果的である。このようにすることにより、医師の診断と整合性が良くかつ正確な診断情報を提供することができる。
【００３１】
図９は本発明の他の実施例を説明するための図であり、シグモイド関数の準線形領域１９を示している。この実施例は、図１に示すニューラルネットワーク３が、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数以外の関数、例えば図９に示すシグモイド関数を用いると共に、その準線形領域１９を診断情報の範囲と限定して用いるようにしたものである。この場合も、前述と同様に診断情報をアナログ値で認識可能とすることができる。
【００３２】
図１０は本発明の更に他の実施例を示すブロック図である。この実施例は、図１に示すニューラルネットワーク３に対し、該ニューラルネットワーク３に学習動作をさせるための教師信号１８（図５参照）を入力する入力装置２０を接続したものである。図１に示す実施例では、工場出荷時あるいは病院等への設置時に、平均的、標準的もしくは特定の教師信号を与えて予め所要の学習を行わせるものとしているが、それでは実際の医療現場における個々の医師等の使用状況に合致しないこともあるので、これを改善しようとするものである。すなわち、図１０において、入力装置２０として例えばマウスまたはトラックボールまたはキーボードあるいはペンなどを、ニューラルネットワーク３の出力層から出力情報１７が出力される出力端に接続し、この入力装置２０を用いて個々の医師等が目的の診断情報に対応する所要の教師信号１８を随時に入力して、上記ニューラルネットワーク３に学習を行わせる。これにより、学習後のニューラルネットワーク３は、上記個々の医師等の知識、経験等を踏襲した状態で当該医師の診断結果と整合性の良いかつ正確な診断情報を提示することができる。さらに、提示された診断情報に正確さが欠けている場合には、上記入力装置２０から修正した教師信号１８を与えることにより、医師等の操作者が容易に診断情報を改善することができる。
【００３３】
【発明の効果】
本発明は以上のように構成されたので、請求項１に係る発明によれば、被検体内の診断部位について計測した画像データを原画像供給部から出力し、この出力された画像データを入力し形状情報抽出手段により目的部位の形状情報を抽出し、この抽出された形状情報を正規化手段により正規化を行い、この正規化された形状情報について平均化手段により診断の注目箇所より離れるに従って演算する数を多くして平均化し、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合したニューラルネットワークで上記正規化手段からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化手段を介して同時に入力して診断情報を認識し、表示部により上記ニューラルネットワークで認識され出力された結果を入力して表示することができる。これにより、被検体内の診断部位を計測して得られた医用画像について診断情報を認識する際に、上記ニューラルネットワークの学習機能により医師の知識、経験等を踏襲した状態で当該医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる。このことから、医用画像診断装置の臨床価値を向上することができる。
また、請求項２に係る発明によれば、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数を用いたことにより、診断情報をアナログ値で認識可能とすることができる。
さらに、請求項３に係る発明によれば、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数以外の関数を用いると共にその準線形領域を診断情報の範囲と限定したことにより、診断情報をアナログ値で認識可能とすることができる。
さらにまた、請求項４に係る発明によれば、上記ニューラルネットワークには、該ニューラルネットワークに学習動作をさせるための教師信号を入力する入力装置を接続したことにより、提示された診断情報に正確さが欠けている場合でも、医師等の操作者の操作により容易に診断情報を改善することができる。
また、請求項５に係る発明によれば、上記表示部は、上記原画像供給部から出力される画像データと共に上記ニューラルネットワークから出力される診断情報を表示することにより、原画像供給部から出力される原画像とニューラルネットワークで得られた診断情報とを表示することができる。
【図面の簡単な説明】
【図１】本発明による医用画像診断装置の実施例を示すブロック図である。
【図２】特徴量抽出部の内部構成を示すブロック図である。
【図３】 上記特徴量抽出部における形状情報の抽出例を示す説明図である。
【図４】ニューラルネットワークを構成する人工的神経素子を示す説明図である。
【図５】層構造をなすように結合してネットワークに構成されたニューラルネットワークの階層構造を示す説明図である。
【図６】上記ニューラルネットワークの中間層の入出力関数として用いられるシグモイド関数を示すグラフである。
【図７】上記ニューラルネットワークの出力層の入出力関数として用いられるリニア関数を示すグラフである。
【図８】アナログ出力用のニューラルネットワークの学習アルゴリズムを示す説明図である。
【図９】本発明の他の実施例を説明するための図であり、シグモイド関数の準線形領域を示すグラフである。
【図１０】本発明の更に他の実施例を示すブロック図である。
【符号の説明】
１…原画像供給部
２…特徴量抽出部
３…ニューラルネットワーク
４…表示部
５…形状情報抽出部
６…正規化部
７…平均化部
１３…人工的神経素子
１４，１５…枝
１６…入力情報
１７…出力情報
１８…教師信号
１９…シグモイド関数の準線形領域
２０…入力装置
【産業上の利用分野】
本発明は、Ｘ線又は超音波或いは電磁波などの情報キャリアを被検体内に透入し、この情報キャリアの変化を計測して診断部位の医用画像を得る例えばＸ線撮影装置又はＸ線ＣＴ装置或いは超音波診断装置、核医学イメージング装置、磁気共鳴イメージング装置などの医用画像診断装置に関し、特に上記得られた医用画像について診断情報を認識する際に医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる医用画像診断装置に関する。
【０００２】
【従来の技術】
従来の医用画像診断装置においては、得られた医用画像について診断情報を認識したり、或いはこの診断情報を得る元となる目的部位の認識を行う場合に、何ら予測形状などの大局情報が無い状態から局所的な情報のみでいきなり診断情報の認識或いは目的部位の認識を行っていた。そして、このような医用画像診断装置によって、診断部位について得られた医用画像についてある特定の診断情報、例えば血管の狭窄率を認識するには、目的部位に表示された血管像を認識し、この認識された血管の辺縁間の距離を求めて血管径とし、正常な血管部と異常な狭窄部とのそれぞれの血管の辺縁間距離の比により狭窄率を求めて提示していた。
【０００３】
【発明が解決しようとする課題】
しかし、このような従来の医用画像診断装置においては、上述のように、得られた医用画像中の例えば血管の幾何学的な辺縁間距離の単純な比により血管の狭窄率が求められていたので、長年の経験と多くの医学知識に支えられた医師の評価、判断に基づいた狭窄率とは異なるものであった。従って、医師の診断結果と整合性が良いとは言えず、必ずしも正確な診断情報とは言えないものであった。また、計測された診断情報は画像表示部に一方的に提示されており、この提示された診断情報が不正確であった場合には、操作者が手作業によってそれを直す必要があり、莫大な手間がかかるものであった。また、手作業なしに正確な診断情報を提示するようにするためには、プログラムを変更したり更にはシステム自身を変更しなくてはならず、莫大な手間とコストがかかるものであった。
【０００４】
そこで、本発明は、このような問題点に対処し、被検体内の診断部位を計測して得られた医用画像について診断情報を認識する際に医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる医用画像診断装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】
上記目的を達成するために、本発明による医用画像診断装置は、被検体内の診断部位について計測した画像データを出力する原画像供給部と、この原画像供給部からの画像データを入力し目的部位の形状情報を抽出する形状情報抽出手段と、この形状情報抽出手段で抽出された形状情報の正規化を行う正規化手段と、この正規化手段で正規化された形状情報について診断の注目箇所より離れるに従って演算する数を多くして平均化する平均化手段と、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合してネットワークを構成し上記正規化手段からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化手段を介して同時に入力して診断情報を認識するニューラルネットワークと、このニューラルネットワークで認識され出力された結果を入力して表示する表示部と、を備えて成るものである。
【０００６】
また、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数を用い診断情報を認識可能としてもよい。
【０００７】
さらに、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数以外の関数を用いると共にその準線形領域を診断情報の範囲と限定して診断情報を認識可能としてもよい。
【０００８】
さらにまた、上記ニューラルネットワークには、該ニューラルネットワークに学習動作をさせるための教師信号を入力する入力装置を接続してもよい。
【０００９】
また、上記表示部は、上記原画像供給部から出力される画像データと共に上記ニューラルネットワークから出力される診断情報を表示するものとしてもよい。
【００１２】
【作用】
このように構成された医用画像診断装置は、被検体内の診断部位について計測した画像データを原画像供給部から出力し、この出力された画像データを入力し形状情報抽出手段により目的部位の形状情報を抽出し、この抽出された形状情報を正規化手段により正規化を行い、この正規化された形状情報について平均化手段により診断の注目箇所より離れるに従って演算する数を多くして平均化し、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合したニューラルネットワークで上記正規化手段からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化手段を介して同時に入力して診断情報を認識し、表示部により上記ニューラルネットワークで認識され出力された結果を入力して表示するように動作する。これにより、被検体内の診断部位を計測して得られた医用画像について診断情報を認識する際に、上記ニューラルネットワークの学習機能により医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる。
【００１３】
【実施例】
以下、本発明の実施例を添付図面に基づいて詳細に説明する。
図１は本発明による医用画像診断装置の実施例を示すブロック図である。この医用画像診断装置は、Ｘ線又は超音波などの情報キャリアを被検体内に透入しこの情報キャリアの変化を計測して診断部位の医用画像を得ると共に、この得られた画像について診断情報を認識する際に医師の診断結果と整合性が良くかつ正確な診断情報を提示するもので、図に示すように、原画像供給部１と、特徴量抽出部２と、ニューラルネットワーク３と、表示部４とを備えて成る。
【００１４】
上記原画像供給部１は、被検体内の診断部位について計測した画像データを出力するもので、例えば超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置、核医学イメージング装置などにおいて被検体を計測又は撮影する計測部、あるいは被検体について計測した画像データを記憶しておき必要に応じて読み出す記憶部などである。
【００１５】
特徴量抽出部２は、上記原画像供給部１から出力された画像データを入力し目的部位の診断情報と相関のある特徴量を抽出する手段となるもので、形態情報抽出手段やテクスチャー抽出手段又はそれらの組み合わせから成る手段を含んでいる。この特徴量抽出部２の内部構成は、例えば図２に示すように、形状情報抽出部５と、正規化部６と、平均化部７とから成る。上記形状情報抽出部５は、目的の診断情報と相関のある特徴量として目的部位の一次元又は二次元的な形状情報を抽出する手段となるもので、後述のニューラルネットワーク３への入力情報を圧縮して診断情報を高速に認識可能とするようになっている。また、正規化部６は、上記形状情報抽出部５で抽出した形状情報の正規化を行う手段となるもので、上記抽出された形状情報の平均的な情報又は代表的な情報、或いは外部から与えられた情報によって正規化が行われ、被検体の個体差に左右されずに診断情報を認識可能とするようになっている。さらに、平均化部７は、上記正規化部６で正規化した情報について診断の注目箇所より離れるに従って演算する数を多くして平均化する手段となるもので、出力情報を圧縮して後述のニューラルネットワーク３への入力情報数を減らすようになっている。
【００１６】
この特徴量抽出部２について図３を参照して更に詳しく説明する。例えば目的の診断情報が血管の狭窄率である場合について説明すると、血管の狭窄率は、狭窄部を多方向から見た最も狭窄している部分の血管径とその付近の正常部の血管径との比で定義されるか、或いは狭窄部分の血管断面積と正常部の血管断面積との比で定義される。この場合、上述の図２に示す形状情報抽出部５は、診断情報と相関のある特徴量としての形状情報として血管径及び血管断面積を抽出することとなる。そして、図３は上記特徴量抽出部２における形状情報の抽出例を説明するための図である。図３（ａ）は血管８を撮影した表示画像を示し、同図（ｂ）は上記血管８の表示画像について計測した濃度プロファイルを示している。この濃度プロファイルは、図３（ａ）の血管８を略垂直に横切る直線９に沿う濃度変化を示しており、上記濃度プロファイルにより図３（ｂ）に示すように血管径Ｄ及び血管断面積Ｓが算出される。
【００１７】
すなわち、例えばマウスまたはトラックボールあるいはペンなどの入力装置で血管８の輪郭を手動入力したり、或いはトラッキング手法により血管８の輪郭を自動追跡したりして、図３（ａ）に示す血管追跡線１０を得て、この血管追跡線１０を略垂直に横切る直線９を算出する。次に、血管８の辺縁位置が上記直線９上の濃度プロファイル（図３(ｂ)参照）において濃度微分値の極値を持つことを利用してその血管８の辺縁位置を検出したり、或いはマウスなどの入力装置で血管８の辺縁を手動入力して辺縁位置を検出し、図３（ｂ）に示すように、両端の辺縁位置間の距離を血管径Ｄとして抽出し、その間の濃度積分値を血管断面積Ｓとして抽出するようになっている。
【００１８】
また、図２に示す正規化部６は、狭窄部における注目血管位置１１の周辺領域１２の血管径Ｄ及び血管断面積Ｓを平均した血管情報により、上記注目血管位置１１の血管径Ｄ及び血管断面積Ｓを正規化するようになっている。さらに、平均化部７は、図３（ａ）の例では、注目血管位置１１では平均する情報数がＮ3＝１であり平均しないで用い、その両隣の位置ではＮ2＝２，Ｎ4＝２であり、更にその両隣の位置ではＮ1＝３，Ｎ5＝３となり、上記注目血管位置１１を離れるに従い平均する情報数を多くして行き、平均化の度合いを強めて行くようになっている。
【００１９】
また、図１においてニューラルネットワーク３は、上記正規化部６からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化部７を介して同時に入力して診断情報を認識するもので、人工的神経素子を入力層及び中間層ならびに出力層の層構造をなすように結合してネットワークを構成すると共に、最終段の出力層の入出力関数としてリニア関数を用いて構成されている。図４は上記ニューラルネットワーク３を構成する人工的神経素子１３を示す説明図である。図に示すように、人工的神経素子（以下「ニューロンモデル」という）１３は生物の神経素子（ニューロン）の働きを模した多入力一出力の素子で、入力Ｉi（Ｉ1〜Ｉn）と結合係数Ｗji（Ｗj1〜Ｗjn）の積和により出力Ｏjが決定される。すなわち、入出力関数ｆ(ｘ）を用いて次式のように決定される。
【数１】
【００２０】
図５は層構造をなすように結合してネットワークに構成されたニューラルネットワーク３の階層構造を示す説明図である。このニューラルネットワーク３は図のように、上記ニューロンモデル１３を多数用い、入力層および中間層ならびに出力層の層構造をなすように結合してネットワークを構成することにより、信号処理及び情報処理の機能を実現するように構成されている。なお、図５において、符号１４は入力層と中間層とを結ぶ枝を示し、入力層の各ニューロンモデル１３は中間層の全てのニューロンモデル１３とそれぞれ結合されている。また、符号１５は中間層と出力層とを結ぶ枝を示し、中間層の各ニューロンモデル１３は出力層の全てのニューロンモデル１３とそれぞれ結合されている。そして、このニューラルネットワーク３は、入力層に供給される入力情報１６を変換して出力層から出力情報１７として出力するようになっている。ここで、上記入力層においては、入出力関数として次式に示すような恒等関数が用いられている。
ｆi(ｘ)＝ｘ
これにより、入力がそのまま出力される。なお、この恒等関数の代わりに他の関数を用いて入力情報１６に変調をかけてもよい。
【００２１】
また、図６は上記ニューラルネットワーク３の中間層の入出力関数として用いられるシグモイド関数を示すグラフである。上記中間層においては、入出力関数として図に示すように出力ｆsが“０”から“１”の範囲内で単調増加のシグモイド関数が用いられている。このシグモイド関数は次式のように表現される。
【００２２】
さらに、図７は上記ニューラルネットワーク３の出力層の入出力関数として用いられるリニア関数を示すグラフである。上記出力層においては、入出力関数として上述のシグモイド関数の代わりに、図に示すように出力が入力に対して直線的に増減するリニア関数が用いられている。いま、直線の傾きをａとすると、例えば次式のように表される。
【００２３】
そして、図１において、表示部４は、上記ニューラルネットワーク３で認識され出力された結果を入力して表示するもので、例えばテレビモニタから成る。
【００２４】
次に、このように構成された医用画像診断装置において、得られた画像について医師の診断と整合性が良くかつ正確な診断情報を提供する動作を説明する。まず、図１において、原画像供給部１から被検体内の診断部位について計測した画像データを出力する。これは、例えばＸ線撮影装置又は超音波診断装置又はＸ線ＣＴ装置或いは核医学イメージング装置、磁気共鳴イメージング装置などにより実際に計測されたデータでもよいし、予め計測され記憶部に書き込まれたデータを読み出したものでもよい。次に、上記原画像供給部１から出力された画像データは特徴量抽出部２へ入力される。この特徴量抽出部２では、上記原画像供給部１から出力された画像データが図２に示す形状情報抽出部５に入力され、目的部位の形状情報が抽出される。上記形状情報抽出部５より出力された目的部位の形状情報は、正規化部６に入力され正規化が行われる。上記正規化部６より出力された情報は、平均化部７に入力され平均化が行われる。
【００２５】
例えば、目的の診断情報が血管狭窄率である場合には、まず、上記形状情報抽出部５で目的部位の血管８（図３(ａ)参照）をほぼ垂直に横切る直線９が算出される。すなわち、トラッキング手法により血管の追跡を行ったり、例えばマウスまたはトラックボールあるいはペンなどの入力装置で血管を手動入力などして血管追跡線１０が算出され、次にその血管追跡線１０をほぼ垂直に横切る直線９が算出され、そして血管辺縁位置が直線９上の濃度プロファイル（図３(ｂ)参照）において濃度微分値の極値を持つことを利用して辺縁が検出されたり、例えばマウスまたはトラックボールあるいはペンなどの入力装置で辺縁を手動入力などして、辺縁位置が検出され、両端の辺縁位置間の距離が血管径Ｄとして抽出され、その辺縁位置間の濃度積分値が血管断面積Ｓとして抽出される。このようにして、上記原画像供給部１から出力された画像データが目的部位の形状情報として圧縮される。
【００２６】
次に、上記形状情報抽出部５より出力された目的部位の形状情報である血管径Ｄ及び血管断面積Ｓは、上記正規化部６に入力され、図３（ａ）の注目血管位置１１周辺の血管形状情報を平均した情報により正規化される。これにより、撮影条件や個体差などに左右されにくい情報となる。更に、上記正規化部６より出力された情報は、上記平均化部７に入力され、注目血管位置１１より離れるに従い演算する数を多くして平均化され、情報圧縮して出力される。このようにして、上記特徴量抽出部２では、前記原画像供給部１から出力された画像データを入力し、診断情報と相関のある特徴量に情報圧縮して出力される。
【００２７】
次に、上記特徴量抽出部２から出力された特徴量は、ニューラルネットワーク３に入力され診断情報が認識される。この特徴量は図５における入力情報１６としてニューラルネットワーク３に入力されるが、例えば診断情報が血管の狭窄率である場合、図３（ａ）に示す注目血管位置１１の特徴量とその周辺領域１２の特徴量が同時に入力される。ニューラルネットワーク３では入力情報１６に対して所望の出力情報１７が得られるように学習が行われる。すなわち、教師となる教師信号１８と出力情報１７の誤差が小さくなるように入力層と中間層を結合している枝１４及び中間層と出力層を結合している枝１５の結合係数を変化させてゆき、学習後所望の出力が得られるように自己組織化していく。アナログ出力用のニューラルネットワーク３の学習アルゴリズムを図８に示す。図８の記号の意味は次のとおりである。
Ｉ ；入力情報
Ｏk ；第ｋ層のニューロンモデルの出力
Ｗk ；第ｋ層と第(ｋ＋１)層間の結合係数
θk ；第ｋ層のニューロンモデルのオフセット
Ｔ ；教師信号
ηw ；Ｗに対する学習定数
ηθ；θに対する学習定数
δk ；第(ｋ−１)層を修正するための誤差量
ｆi ；恒等関数
ｆs ；シグモイド関数
ｆl ；リニア関数
なお、入力情報Ｉ、第ｋ層のニューロンモデルの出力Ｏk、第ｋ層のニューロンモデルのオフセットθk、教師信号Ｔ、第(ｋ−１)層を修正するための誤差量δkは１次元ベクトルで表されており、第ｋ層と第(ｋ＋１)層間の結合係数Ｗkは２次元ベクトルで表されている。また、例に示したニューラルネットワークは３層のものであるため第１層目が入力層であり、第２層目が中間層であり、第３層目が出力層である。
【００２８】
この学習アルゴリズムについて以下説明する。教師信号Ｔと出力層の出力Ｏ3との平均二乗誤差Ｅは、
【００２９】
そして、医師などの操作者が与える教師信号１８に基づき、このようなアルゴリズムで上記ニューラルネットワーク３の学習が行われる。学習後の上記ニューラルネットワーク３からは、長年の経験と多くの医学知識に支えられた医師の評価、判断を踏襲した診断情報が出力されることとなる。なお、ここでは、３層のニューラルネットワーク３について例を示したが、中間層の数を増やすことによって３層以上のニューラルネットワーク３が構成可能であり、その場合の学習アルゴリズムは誤差量δを逆伝播させ、漸化的に修正量を求めればよく、より複雑な変換を含む診断情報への対応が可能となる。
【００３０】
そして、上記ニューラルネットワーク３で認識された診断情報は、図１に示す表示部４に入力されて表示される。なお、原画像供給部１から出力される画像データと共に上記ニューラルネットワーク３から出力される診断情報を表示すると効果的である。このようにすることにより、医師の診断と整合性が良くかつ正確な診断情報を提供することができる。
【００３１】
図９は本発明の他の実施例を説明するための図であり、シグモイド関数の準線形領域１９を示している。この実施例は、図１に示すニューラルネットワーク３が、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数以外の関数、例えば図９に示すシグモイド関数を用いると共に、その準線形領域１９を診断情報の範囲と限定して用いるようにしたものである。この場合も、前述と同様に診断情報をアナログ値で認識可能とすることができる。
【００３２】
図１０は本発明の更に他の実施例を示すブロック図である。この実施例は、図１に示すニューラルネットワーク３に対し、該ニューラルネットワーク３に学習動作をさせるための教師信号１８（図５参照）を入力する入力装置２０を接続したものである。図１に示す実施例では、工場出荷時あるいは病院等への設置時に、平均的、標準的もしくは特定の教師信号を与えて予め所要の学習を行わせるものとしているが、それでは実際の医療現場における個々の医師等の使用状況に合致しないこともあるので、これを改善しようとするものである。すなわち、図１０において、入力装置２０として例えばマウスまたはトラックボールまたはキーボードあるいはペンなどを、ニューラルネットワーク３の出力層から出力情報１７が出力される出力端に接続し、この入力装置２０を用いて個々の医師等が目的の診断情報に対応する所要の教師信号１８を随時に入力して、上記ニューラルネットワーク３に学習を行わせる。これにより、学習後のニューラルネットワーク３は、上記個々の医師等の知識、経験等を踏襲した状態で当該医師の診断結果と整合性の良いかつ正確な診断情報を提示することができる。さらに、提示された診断情報に正確さが欠けている場合には、上記入力装置２０から修正した教師信号１８を与えることにより、医師等の操作者が容易に診断情報を改善することができる。
【００３３】
【発明の効果】
本発明は以上のように構成されたので、請求項１に係る発明によれば、被検体内の診断部位について計測した画像データを原画像供給部から出力し、この出力された画像データを入力し形状情報抽出手段により目的部位の形状情報を抽出し、この抽出された形状情報を正規化手段により正規化を行い、この正規化された形状情報について平均化手段により診断の注目箇所より離れるに従って演算する数を多くして平均化し、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合したニューラルネットワークで上記正規化手段からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化手段を介して同時に入力して診断情報を認識し、表示部により上記ニューラルネットワークで認識され出力された結果を入力して表示することができる。これにより、被検体内の診断部位を計測して得られた医用画像について診断情報を認識する際に、上記ニューラルネットワークの学習機能により医師の知識、経験等を踏襲した状態で当該医師の診断結果と整合性が良くかつ正確な診断情報を提示することができる。このことから、医用画像診断装置の臨床価値を向上することができる。
また、請求項２に係る発明によれば、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数を用いたことにより、診断情報をアナログ値で認識可能とすることができる。
さらに、請求項３に係る発明によれば、上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数以外の関数を用いると共にその準線形領域を診断情報の範囲と限定したことにより、診断情報をアナログ値で認識可能とすることができる。
さらにまた、請求項４に係る発明によれば、上記ニューラルネットワークには、該ニューラルネットワークに学習動作をさせるための教師信号を入力する入力装置を接続したことにより、提示された診断情報に正確さが欠けている場合でも、医師等の操作者の操作により容易に診断情報を改善することができる。
また、請求項５に係る発明によれば、上記表示部は、上記原画像供給部から出力される画像データと共に上記ニューラルネットワークから出力される診断情報を表示することにより、原画像供給部から出力される原画像とニューラルネットワークで得られた診断情報とを表示することができる。
【図面の簡単な説明】
【図１】本発明による医用画像診断装置の実施例を示すブロック図である。
【図２】特徴量抽出部の内部構成を示すブロック図である。
【図３】 上記特徴量抽出部における形状情報の抽出例を示す説明図である。
【図４】ニューラルネットワークを構成する人工的神経素子を示す説明図である。
【図５】層構造をなすように結合してネットワークに構成されたニューラルネットワークの階層構造を示す説明図である。
【図６】上記ニューラルネットワークの中間層の入出力関数として用いられるシグモイド関数を示すグラフである。
【図７】上記ニューラルネットワークの出力層の入出力関数として用いられるリニア関数を示すグラフである。
【図８】アナログ出力用のニューラルネットワークの学習アルゴリズムを示す説明図である。
【図９】本発明の他の実施例を説明するための図であり、シグモイド関数の準線形領域を示すグラフである。
【図１０】本発明の更に他の実施例を示すブロック図である。
【符号の説明】
１…原画像供給部
２…特徴量抽出部
３…ニューラルネットワーク
４…表示部
５…形状情報抽出部
６…正規化部
７…平均化部
１３…人工的神経素子
１４，１５…枝
１６…入力情報
１７…出力情報
１８…教師信号
１９…シグモイド関数の準線形領域
２０…入力装置
Claims (5)
- 被検体内の診断部位について計測した画像データを出力する原画像供給部と、
この原画像供給部からの画像データを入力し目的部位の形状情報を抽出する形状情報抽出手段と、
この形状情報抽出手段で抽出された形状情報の正規化を行う正規化手段と、
この正規化手段で正規化された形状情報について診断の注目箇所より離れるに従って演算する数を多くして平均化する平均化手段と、
人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合してネットワークを構成し上記正規化手段からの目的部位の形状情報とその周辺領域の形状情報とを、上記平均化手段を介して同時に入力して診断情報を認識するニューラルネットワークと、
このニューラルネットワークで認識され出力された結果を入力して表示する表示部と、
を備えて成ることを特徴とする医用画像診断装置。 - 上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数を用い診断情報を認識可能としたことを特徴とする請求項１記載の医用画像診断装置。
- 上記ニューラルネットワークは、層構造をなすように結合されたネットワークの最終段の出力層の入出力関数としてリニア関数以外の関数を用いると共にその準線形領域を診断情報の範囲と限定して診断情報を認識可能としたことを特徴とする請求項１記載の医用画像診断装置。
- 上記ニューラルネットワークには、該ニューラルネットワークに学習動作をさせるための教師信号を入力する入力装置を接続したことを特徴とする請求項１〜３のいずれか１項に記載の医用画像診断装置。
- 上記表示部は、上記原画像供給部から出力される画像データと共に上記ニューラルネットワークから出力される診断情報を表示することを特徴とする請求項１〜４のいずれか１項に記載の医用画像診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18789994A JP3641495B2 (ja) | 1994-07-19 | 1994-07-19 | 医用画像診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18789994A JP3641495B2 (ja) | 1994-07-19 | 1994-07-19 | 医用画像診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0824227A JPH0824227A (ja) | 1996-01-30 |
| JP3641495B2 true JP3641495B2 (ja) | 2005-04-20 |
Family
ID=16214149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18789994A Expired - Fee Related JP3641495B2 (ja) | 1994-07-19 | 1994-07-19 | 医用画像診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3641495B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009513205A (ja) * | 2005-10-25 | 2009-04-02 | ブラッコ イメージング ソチエタ ペル アチオニ | 特に診断画像に使用する画像処理システム |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6006175A (en) * | 1996-02-06 | 1999-12-21 | The Regents Of The University Of California | Methods and apparatus for non-acoustic speech characterization and recognition |
| ES2292463T3 (es) * | 1999-09-24 | 2008-03-16 | National Research Council Of Canada | Dispositivo para la realizacion de una angiografia durante una cirugia. |
| US20050182434A1 (en) | 2000-08-11 | 2005-08-18 | National Research Council Of Canada | Method and apparatus for performing intra-operative angiography |
| DE10233668A1 (de) * | 2002-07-24 | 2004-02-19 | Siemens Ag | Bearbeitungsverfahren für einen Volumendatensatz |
| JP4298258B2 (ja) * | 2002-10-11 | 2009-07-15 | 株式会社日立メディコ | 医用画像表示装置 |
| US20060239921A1 (en) | 2005-04-26 | 2006-10-26 | Novadaq Technologies Inc. | Real time vascular imaging during solid organ transplant |
| US20070122344A1 (en) | 2005-09-02 | 2007-05-31 | University Of Rochester Medical Center Office Of Technology Transfer | Intraoperative determination of nerve location |
| US20080161744A1 (en) | 2006-09-07 | 2008-07-03 | University Of Rochester Medical Center | Pre-And Intra-Operative Localization of Penile Sentinel Nodes |
| US8406860B2 (en) | 2008-01-25 | 2013-03-26 | Novadaq Technologies Inc. | Method for evaluating blush in myocardial tissue |
| US10219742B2 (en) | 2008-04-14 | 2019-03-05 | Novadaq Technologies ULC | Locating and analyzing perforator flaps for plastic and reconstructive surgery |
| ES2671710T3 (es) | 2008-05-02 | 2018-06-08 | Novadaq Technologies ULC | Métodos para la producción y uso de eritrocitos cargados con sustancias para la observación y el tratamiento de la hemodinámica microvascular |
| JP2010200881A (ja) * | 2009-03-02 | 2010-09-16 | Shigenari Hozawa | 膵嚢胞性疾患診断装置 |
| US10492671B2 (en) | 2009-05-08 | 2019-12-03 | Novadaq Technologies ULC | Near infra red fluorescence imaging for visualization of blood vessels during endoscopic harvest |
| US10278585B2 (en) | 2012-06-21 | 2019-05-07 | Novadaq Technologies ULC | Quantification and analysis of angiography and perfusion |
| US10398386B2 (en) | 2012-09-12 | 2019-09-03 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
| US10433740B2 (en) | 2012-09-12 | 2019-10-08 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| WO2016049756A1 (en) | 2014-09-29 | 2016-04-07 | Novadaq Technologies Inc. | Imaging a target fluorophore in a biological material in the presence of autofluorescence |
| EP3915467A1 (en) | 2014-10-09 | 2021-12-01 | Novadaq Technologies ULC | Quantification of absolute blood flow in tissue using fluorescence-mediated photoplethysmography |
| JP6308976B2 (ja) * | 2015-05-19 | 2018-04-11 | キヤノン株式会社 | 診断支援装置、診断支援装置の作動方法、及び診断支援システム |
| JP6908977B2 (ja) * | 2016-07-22 | 2021-07-28 | 株式会社トプコン | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 |
| JP6931705B2 (ja) | 2017-02-10 | 2021-09-08 | ノバダック テクノロジーズ ユーエルシー | オープンフィールドハンドヘルド蛍光イメージングシステムおよび方法 |
| JP7295022B2 (ja) | 2017-10-03 | 2023-06-20 | 株式会社根本杏林堂 | 血管抽出装置および血管抽出方法 |
| EP3657393A1 (en) * | 2018-11-20 | 2020-05-27 | Koninklijke Philips N.V. | Determination of a further processing location in magnetic resonance imaging |
| CN109934934B (zh) * | 2019-03-15 | 2023-09-29 | 广州九三致新科技有限公司 | 一种基于增强现实的医疗图像显示方法及装置 |
| WO2024048509A1 (ja) * | 2022-08-30 | 2024-03-07 | 株式会社Preferred Networks | 病態評価装置 |
-
1994
- 1994-07-19 JP JP18789994A patent/JP3641495B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009513205A (ja) * | 2005-10-25 | 2009-04-02 | ブラッコ イメージング ソチエタ ペル アチオニ | 特に診断画像に使用する画像処理システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0824227A (ja) | 1996-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3641495B2 (ja) | 医用画像診断装置 | |
| US8724865B2 (en) | Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae | |
| Forsyth et al. | Assessment of an automated cephalometric analysis system | |
| US8840555B2 (en) | System and method of ultrasound image processing | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| US5878746A (en) | Computerized medical diagnostic system | |
| US20030086596A1 (en) | Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae | |
| CN102460471B (zh) | 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的系统 | |
| CN102855618B (zh) | 用于图像产生和图像分析的方法 | |
| NL1024858C2 (nl) | Werkwijze en systeem voor luchtwegmeting. | |
| US9779504B1 (en) | Method and system for identifying anomalies in medical images especially those including one of a pair of symmetric body parts | |
| JP2008521468A (ja) | デジタル医療画像分析 | |
| US20030081837A1 (en) | Dynamic computing imagery, especially for visceral osteopathy and for articular kinetics | |
| CN103249358A (zh) | 医用图像处理装置 | |
| Liu et al. | Cardiac magnetic resonance image segmentation based on convolutional neural network | |
| Tsap et al. | A vision-based technique for objective assessment of burn scars | |
| Rucci et al. | Automatic analysis of hand radiographs for the assessment of skeletal age: a subsymbolic approach | |
| JPH06233761A (ja) | 医用画像診断装置 | |
| Vicory et al. | Statistical shape analysis of the tricuspid valve in hypoplastic left heart syndrome | |
| CN116712094A (zh) | 一种基于负重模拟ct装置的膝关节测量系统 | |
| CN115690556B (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
| JP5651412B2 (ja) | 画像処理装置、プログラム、及び画像処理方法 | |
| Brown et al. | Model-based assessment of lung structures: inferring and control system | |
| WO2022059539A1 (ja) | コンピュータプログラム、情報処理方法及び情報処理装置 | |
| CN115719329A (zh) | 基于深度学习对ra超声模态滑膜评分融合的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20031126 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20031202 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040129 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040302 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040427 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040615 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040812 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041102 |
|
| R155 | Notification before disposition of declining of application |
Free format text: JAPANESE INTERMEDIATE CODE: R155 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050124 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080128 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090128 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |