JP4949264B2 - 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 - Google Patents

医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 Download PDF

Info

Publication number
JP4949264B2
JP4949264B2 JP2007542437A JP2007542437A JP4949264B2 JP 4949264 B2 JP4949264 B2 JP 4949264B2 JP 2007542437 A JP2007542437 A JP 2007542437A JP 2007542437 A JP2007542437 A JP 2007542437A JP 4949264 B2 JP4949264 B2 JP 4949264B2
Authority
JP
Japan
Prior art keywords
segment
partition
initial
segmentation
cad
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.)
Active
Application number
JP2007542437A
Other languages
English (en)
Other versions
JP2008520317A (ja
Inventor
ルイン ツァオ
クウォク プン リー
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Koninklijke Philips Electronics NV
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 Koninklijke Philips NV, Koninklijke Philips Electronics NV filed Critical Koninklijke Philips NV
Publication of JP2008520317A publication Critical patent/JP2008520317A/ja
Application granted granted Critical
Publication of JP4949264B2 publication Critical patent/JP4949264B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/28Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/12Edge-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10132Ultrasound image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30068Mammography; Breast
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Description

本発明は、コンピュータ支援検出システム及び方法に関する。本発明は、より詳細には、コンピュータ支援検出(CAD)、コンピュータ支援診断(CADx)及びコンピュータベースの意思決定支援システム(CDSS)におけるアプリケーションのための新たな区分システム及び方法に関する。新たな区分システムは、区分されたデータが、マシン学習技術により「ユーザフレンドリ」であるような態様で腫瘍境界を続いて図示するように、場合により、区分部をトレーニングするトレーナに、初期の境界画定に対して提案された派生情報を提供することによって、腫瘍境界の自動化された検出及び区分をサポートする。
現在のコンピュータ関連システムの速度及び高度化は、より高速であり、より高度化された医療画像システムの開発をサポートする。生成及び処理される画像データの量が結果として増加すると、検査のデータ等をサポートする非常に多くのサポートアプリケーションを必要とする。すなわち様々なデータ処理ソフトウェア及びシステムが、医療画像データを識別及び/又は診断及び評価する医療画像の評価において、医師、臨床医、放射線科医等を支援するために開発されてきた。例えばコンピュータ支援検出(CAD)アルゴリズム及びシステムは、超音波胸部スキャン及びマルチスライスCT(MSCT)肺スキャンから疑いのある病変を自動的に識別するように開発された。超音波及びCT(又はコンピュータ断層撮影システム)は、異常及び病変だけでなく、解剖学的構造のサイズ、形状及び位置を正確に描写することができる点で、画像化を通じて病気の診断に一般に使用される画像化モダリティである。
CADシステムは、器官内の病変のような部位又は他の医学的状態を自動的に検出(識別)する。部位の画像がレンダリングされ、ディスプレイされるとき、CADシステムは、調べられた関心のある部位を典型的にマーキング又は識別する。マーキングは、マーキングされた前記部位に、ユーザの注意をひきつけることである。CADシステムは、(関心のある)病変(部位)の分類又は特徴付けを提供し得る。すなわち、CADシステムは、胸部検査における微細石灰化を、又はMSCTにおける結節を潜在的な異常として識別し得る。続くステップとして、CADxシステムは、該異常を悪性又は良性に更に分類するために使用され得る。CADシステムは、放射線科医の専門知識を組み込み、本来医療画像データにおける異常の検出を鑑みてセカンドオピニオンを提供し、診断の提案をレンダリングし得る。癌の疑いのある病変の早期検出及び分類を支援することによって、CAD及びCADxシステムは、早期診療を可能にし、理論的に患者に対するより良い予後診断をする。
CADx及び他のマシンラーニングシステムに対する多くの現在の作業は、指導されたラーニングと同じ方法論に従う。CADxシステムは、既知のグランドトゥルースをもつデータの集まりで開始し、グランドトゥルース例えば悪性又は良性を識別するのに十分な見分ける力をもつと信じられた特徴のセットを識別するトレーニングデータに基づいて「トレーニング」される。当業者らにとっての課題は、理想的には特徴の集合内の最も関連のある機能を見つける、カテゴリ間の区別を円滑にする特徴を抽出することを含む。CADxシステムは、異種の情報(例えば患者データを持つ画像ベースの機能)を組み合わせ得、又は例示ベースのアプローチに対する類似度メトリクスを見つけ得る。当業者は、コンピュータによる意思決定支援システム又はCADxシステムの正確性が、マシンラーニング処理を実行する既に分類されたパターンのセットの可用性によって(すなわちトレーニングセットによって)制限されると理解している。すなわち、もし不明瞭な境界画定が、CADx内の分類部等をトレーニングするために使用されているならば、不明瞭な結果が該システムによって生成されるだろう。
したがって、当業者は、最も安定且つ最適な区分が実現されるように、推奨部システムによって、CADx関連処理において、ユーザインタラクティブ区分調整処理を導くシステム及び処理を見つけるだろう。
それゆえ本発明の目的は、コンピュータ支援検出又は診断システム及び処理に使用する区分ユニットを提供することであり、ここで、トレーナが単に区分を規定できるようにする代わりに、初期にユーザが選択した境界画定は、トレーナ自身によってではなく、トレーナが「最良の」コンピュータ支援バリエーションを選ぶことによって調整され、これに従って推奨部により自動的に生成される。
当業者らは、コンピュータ支援区分が、特に軟部組織の境界例えば腫瘍境界を見分けるように、システムがトレーニングされることを必要とすると理解している。現在推奨部を持つ区分部は、続くマシンラーニング技術に使用する「最良」の区分におけるトレーニングを考慮して最適に動作するための、コンピュータ支援処理に対する能力を付与する。
一実施例では、区分ユニットは、初期の区分のものよりも部位のより良い境界画定を推奨することによって、CADで検出された部位の「最良」の描写の、臨床医の初期の選択に応答する。発明概念は、派生区分のセットを生成する推奨部を用いて実施され、各々が初期の区分を考慮してレート付けされる。もし派生した区分の1つでも、初期区分よりも「より良い」と推奨部によって決定される場合、該派生した区分が臨床医のトレーナに対して推奨される。それについて言えば、各派生情報は、更に派生情報の第1セットの「より良い」派生情報であるとマシンが理解するかどうかを決定するために処理され得、もちろんもし基準が満たされるならば、システムをトレーニングする臨床医に該派生情報を推奨する。
他の実施例では、医療用画像化における様々なCAD及びCADx処理を支援するための区分処理をトレーニング及び実施する処理は、ある部位の初期の最も良い区分を選択し、該区分を修正又は初期の区分を調整する臨床医/システムトレーナに頼る代わりに、推奨部処理は、最近のマシンラーニングオペレーションに対する区分されたデータの利用に関して「より良い」区分を実現する試みにおいて、初期の区分で動作する。特に推奨部は、初期の区分に対して派生情報のセットを生成し、「より良い」と判明すれば、初期の区分に対する推奨された区分を代替する臨床医トレーナに対して推奨する。「より良い」区分を選ばれたマシンは、自動的に又はトレーナに対してされた選択により利用され得る。
さらに他の実施例では、境界の描写に対して自動的な推奨部をもつ区分ユニットを含むコンピュータ支援検出システムは、続く自動化されたデータ抽出処理によって使用するより正確且つ利用可能な区分と、マシン学習を含むと共に、本発明の境界の描写に対する自動的な推奨部を持つ区分ユニットを更に含むコンピュータ支援診断システムとを備える。本発明は、以下に開示され、請求されるように該システムが自動的に推奨する区分処理を含むCAD及びCADx処理を実行するダウンロードされたコンピュータ命令のセットであるコンピュータ可読媒体も含む。
RegGrow(登録商標)及びFastMarch(登録商標)のような乳癌検出アルゴリズム又はアプリケーションプログラムは、医療画像データ内の腫瘍を自動的に識別及び区分することを実行するCAD関連の処理である。しかしながら当業者には理解されるように、腫瘍と周辺の組織との間の境界は、(生きた組織において)明確なものではなく、それゆえコンピュータ支援方法の自動境界検出は、いかなる腫瘍(境界)に対しても一貫して正確な画定を提供するわけではない。効果的に境界ピクセルと腫瘍ピクセルとを区別することができる決定的な閾値又はアルゴリズムは、知られておらず、そのようなことをするユーザインタラクションを必要とする。すなわち既知のアプリケーションプログラムは、典型的に放射線科医が、自動的に生成され、検証のためにトレーナ/臨床医に提示されたCAD区分に対して調整することにより、区分処理を調整することを可能にする。
図1A及び1Bは、(HDIラボソフトウェアにより提供された)FastMarch(登録商標)アルゴリズムによって区分された乳癌(悪性部位)を示す。図1A及び1Bを調べると理解できるように、トレーナ/臨床医によって(既定された)特定のパラメータを調整すると、自動的に検出される又は検出されない腫瘍の形状が、劇的に変えられる。CAD処理の調整をすることに責任を持つのは、臨床医/トレーナである。このようなシステムのコンピュータトレーニングに入力される放射線科医の主観的な性質のため、画定された区分は、続く処理による使用には「不明瞭」に見える、すなわちあいまいな腫瘍境界に見え、その結果トレーニングされたシステムは、「最良」の例から、新たに提示された分析で調査された部位に対する最良の境界をどの様に正確に一貫して選ぶのかを学習しない。特に(臨床医の入力で調整する)区分の自由は、「自動的な」腫瘍区分及び「自動的な」レポート生成を妨げる。
しかし、ことによるとより重要なことに、区分の自由は、よりよいアナロジーの欠如のために、黒魔術と同類のものをトレーニング処理に導入する。もしトレーニングデータにおける関心のある部位(すなわち腫瘍)の初期の区分が、人間によって任意に決定されるならば、このような任意の図に基づいたマシンラーニングは、新たな腫瘍を図示することにおいて最大パフォーマンスを実現することができない。すなわち、パラメータをインタラクティブに調整する自由(区分の自由)は、区分ユニットによって、自動レポート生成及び正確且つ自動の腫瘍区分を実際に妨げ得る。これらの問題は、臨床医の判断に基づく調整の自由が、このような区分ユニットを用いるシステムで負う固有のあいまいさに起因する。人間が任意にトレーニング腫瘍の区分を決定する場合、チャンス又はエラーが生じる。すなわちどのマシンラーニング処理でも、分類に対する誤って又は不完全に区分された部位に基づくトレーニングは、「次世代」データ、すなわち非トレーニングセットに使用される場合、パフォーマンスの低下する結果となり得る。本発明は、従来の区分技術の制限に対する解決策並びに改善された区分方法及びサブシステムを有する改善された分類部を提供する。
推奨部を有する発明の区分システムは、自身の同時係属中の出願PHUS040505で記載及び説明された図2の偽陰性削減システム100のオペレーションの説明によって一般化され得、参照によってここに組み込まれる。CADシステム120は、関心のある部位を識別し、(図には明らかに示されていない)推奨部サブシステムを含む区分サブシステム140の挿入は、境界調整処理を導き、より臨床的な目的の区分を実現するユニークな態様を提供する。すなわち推奨部を有する区分ユニット140は、区分されたデータを生成し、特徴抽出ユニット160に出力する。特徴はGA180に最適化され、最終的な分類はSVM200によってなされる。
臨床医/放射線科医/トレーナは、まず推奨部140をもつ区分部により生成された初期の区分を指定する。推奨部は、「より良い」区分を見つけるために、区分を変化させる。該「より良い」区分が初期の区分よりも実際に良いということを、もし推奨部が決定するならば、自動的に前記部位に対する派生した図を提案する。例えば本発明の推奨部を持つ区分部は、図3Aに示される区分のようなよりよい区分に対して、パラメータを調整しても、図3Cの区分された境界によって示されるような「より悪い」区分よりも形状の変化が起きない、という仮定をする。すなわち、図3A及び図3Cは、胸部腫瘍に対する2つの区分を図示しており、図3Aの区分は、境界が周囲の組織に漏れ出ている図3Cに示される区分よりも明らかによい。しかし実際には、分類トレーニングをサポートする放射線科医又は臨床医は、彼/彼女の経験で図3Cの区分が非常に良く見えるので、図3C区分に満足し得る。このような状況で、本発明の推奨部140をもつ区分部は、調整パラメータによって図3Aの区分に対して進めるトレーニングをガイドする。説明では、図3A、3B、3C及び3Dの各々を注意深く見ることにより容易に理解されるように、1つのパラメータ(すなわち閾値)が、例えばこの両方の区分に関する10のユニット又はステップによって調整されるならば、図3Aの区分が図3Bに非常に類似し、図3Cの区分が図3Dの区分に非常に類似する。区分された形状が図3Cの区分の場合に図3Aの区分よりもより変化することは、当業者には明らかだろう。このユニークな特性及び自動的な提案に基づいて、CADベースのシステムが、全体の区分の正確性に対してより良い又はより悪い区分を実現し得る。
分類部100(図2)のような典型的なCADベースのシステムは、本発明の区分ユニット230を含み、放射線科医又は臨床医がシステムをトレーニングするように初期の区分を画定することを必要とする。一度図示されると、区分ユニットは、自動的にパラメータを摂動(調整)し、摂動によって生成された候補の区分が、初期の区分よりも「良い」かどうかを決定するために「テストする」。例えばもし摂動すべき5つのパラメータ又は特徴があるならば、システムは、自動的に各パラメータを特定の量(例えば−1%、−2%、1%、2%)減少及び増加する。閾値のようなユニークな特徴に基づいて調整することにより、特定のパラメータを識別するための専門家からの入力の後、どんなCAD処理が推奨部をもつ区分部によりサポートされるとしても、最適な区分が実現される。最適な区分が「学習され」、これに基づいて、類似の境界を識別する最良のパラメータ又は特徴が最適化される。しかし、(上で示されるように)4の摂動が各パラメータに対して許可されるならば、候補の区分の総数は4×4×4×4×4=1024である必要があることに留意されるべきである。
次に、区分部及び推奨部は、共に臨床医の入力で、1024の候補の区分の1つが分類部のトレーニングに使用するために放射線科医に推奨されるような決定(「提案」)をレンダリングする。1024の派生区分がある場合に、本発明の推奨部は、もし推奨部が、選択がもとの区分よりもトレーニングにとって「良い」ということを理解するならば、区分の最終的な選択を支援する。第2ラウンドの摂動は、元の区分及び1024の候補の区分各々で実施され得る。したがって元の区分及び各候補の区分に対して、1024の派生区分がある。該摂動を実施するために、以下のようなアルゴリズムが距離を計算する。
すなわち、以下のグラフは、区分された腫瘍であり、中心点は、CADアルゴリズムによって使用される種子点である。CADは、
距離=Sum(各軸の長さ)
を計算する。ここで、
M=Sum[距離(オリジナル)−距離(各候補)]
である。1024の候補区分の各々が、他の派生1024区分を第2ラウンドの摂動の後に出すので、候補区分の各々は、
N1=Sum[距離(候補1)−距離(各派生情報)]
N2=Sum[距離(候補2)−距離(各派生情報)]

N1024=Sum[距離(候補1024)−距離(各派生情報)]
である。
最終的に、1025の数は、その絶対値によって昇順にソートされる。もしMがトップにあるならば、推奨はなされない。そうでなければ、トップの候補は、もとの区分に対する可能な改善として放射線科医に推奨される。提示された特徴のアプリケーションは、区分されたように、顕著に改善された分類システムを規定する。
図4は、本発明に従って実施され得る処理を図示するフロー図である。すなわち、図4は、本発明の適用された処理の一実施例を説明するフロー図である。ボックス400は、システムを表し、ボックス420は、検査の部位を検出するステップを表し、ボックス440は、臨床又は形態学的に関心のある部位を識別及び区分するために得られた医療画像データを処理するステップを表し、初期の区分を生成する。ボックス460は、推奨部をもつ区分部を用いて区分された部位を更に処理するステップを表す。ボックス480は、前記部位を分類する全体の特徴に対して動作するステップを表す。トレーニングするステップは、初期の区分に関して、区分された部位の境界を画定するパラメータにおける摂動を生成するための、推奨部をもつ区分部を用いるステップを含む。摂動は、パラメータ調整処理に基づき、複数の候補の区分を生成し、該候補が初期の区分よりも良いという決定に基づいて、候補の区分を推奨する。
推奨部をもつ区分部及びそのオペレーションのより詳細な理解は、図5に説明される処理を見直すことから得られるだろう。
本発明の方法を実行する、又は本発明の分類部及び/又は分類システムを有することに必要とされるソフトウェアは、論理関数を実行する実行可能な命令の順序立ったリストを有し得る、ということに留意されたい。そのようなものとして、ソフトウェアは、コンピュータベースのシステム、プロセッサを含むシステム又は命令実行システム、装置若しくはデバイスから命令を取ってきて、該命令を実行することができる他のシステムのような、命令実行システム、装置若しくはデバイスによって又は接続して使用するいかなるコンピュータ可読媒体で実施することができる。本文書の文脈では、「コンピュータ可読媒体」は、命令実行システム、装置若しくはデバイスによるか、又は接続して使用するプログラムを含む、記憶する、通信する、配布する若しくは移送することができるいかなる手段でもあり得る。
コンピュータ可読媒体は、例えば電子、磁気、光学、電磁気、赤外線、若しくは半導体システム、装置、デバイス又は伝達媒体に制限されないものになり得る。コンピュータ可読媒体のより詳細な例(非網羅的なリスト)は、1以上の線を有する電気的接続(電子)、ポータブルコンピュータディスケット(磁気)、ランダムアクセスメモリ(RAM)(磁気)、読込専用メモリ(ROM)(磁気)、消去可能プログラマブル読込専用メモリ(EPROM又はフラッシュメモリ)(磁気)、光ファイバ(光学)、及びポータブルコンパクトディスク読込専用メモリ(CDROM)(光学)を含むだろう。プログラムが、例えば紙若しくは他の媒体の光学的なスキャンを介して、電子的にキャプチャされ、コンパイル、インタプリタされ又は必要であれば適切な態様で処理され、コンピュータメモリに記憶され得るので、コンピュータ可読媒体は、紙又はプログラムが印刷される他の適した媒体でさえもあり得るということに留意されたい。
本発明の上記の実施例、特に「好ましい」実施例は、本発明の原理を明確に理解するために単に説明される実施の、単に可能な例にすぎないと強調されるべきである。更に、多くの変形及び修正が、本発明の趣旨及び原理から実質的に逸脱することなく、本発明の上記の実施例に対してなされ得る。このような修正及び変形は全て、本開示により教示されたものであり、本発明の範囲に含まれ、請求項により保護されると意図される。
図1Aは、区分された胸部腫瘍がハイライトされた画像を図示する。 図1Bは、区分された胸部腫瘍がハイライトされた画像を図示する。 図2は、本発明の進歩的な区分ユニットを含むCADシステムのシステムレベル図である。 図3Aは、様々な区分の例であり、潜在的な結節として区分された部位の提示された区分である。 図3Bは、様々な区分の例であり、潜在的な結節として区分された部位の提示された区分である。 図3Cは、様々な区分の例であり、潜在的な結節として区分された部位の提示された区分である。 図3Dは、様々な区分の例であり、潜在的な結節として区分された部位の提示された区分である。 図4は、本発明に従って実施され得る処理を図示するフロー図である。 図5は、本発明の推奨部処理を実行する処理を図示するフロー図である。

Claims (1)

  1. 医療画像における特定の関心領域を区分する又は境界を描写する区分ユニットであって、
    前記区分ユニットは、前記特定の関心領域の初期の区分を生成し、パラメータによって前記初期の区分を摂動することによって、複数の候補の区分を生成する推奨部を含み、
    前記推奨部は、前記候補の区分に対して第2のパラメータ調整処理による摂動を実行することによって派生区分を生成し、前記初期の区分、前記候補の区分及び前記派生区分のうち、これら摂動による形状変化が最も少ない区分を推奨する、区分ユニット
JP2007542437A 2004-11-19 2005-11-18 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 Active JP4949264B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US62975404P 2004-11-19 2004-11-19
US60/629,754 2004-11-19
US72266705P 2005-09-30 2005-09-30
US60/722,667 2005-09-30
PCT/IB2005/053822 WO2006054267A1 (en) 2004-11-19 2005-11-18 System and method for automated detection and segmentation of tumor boundaries within medical imaging data

Publications (2)

Publication Number Publication Date
JP2008520317A JP2008520317A (ja) 2008-06-19
JP4949264B2 true JP4949264B2 (ja) 2012-06-06

Family

ID=35871262

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007542437A Active JP4949264B2 (ja) 2004-11-19 2005-11-18 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法

Country Status (5)

Country Link
US (1) US8265355B2 (ja)
EP (1) EP1815430A1 (ja)
JP (1) JP4949264B2 (ja)
CN (1) CN101061509B (ja)
WO (1) WO2006054267A1 (ja)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008035286A2 (en) 2006-09-22 2008-03-27 Koninklijke Philips Electronics N.V. Advanced computer-aided diagnosis of lung nodules
US20090100105A1 (en) * 2007-10-12 2009-04-16 3Dr Laboratories, Llc Methods and Systems for Facilitating Image Post-Processing
EP2208183B1 (en) * 2007-11-14 2018-05-02 Koninklijke Philips N.V. Computer-aided detection (cad) of a disease
CN101587478B (zh) * 2008-05-20 2013-07-24 株式会社理光 图像训练、自动标注、检索方法及装置
CN102165454B (zh) * 2008-09-29 2015-08-05 皇家飞利浦电子股份有限公司 用于提高计算机辅助诊断对图像处理不确定性的鲁棒性的方法
WO2010044004A1 (en) * 2008-10-14 2010-04-22 Koninklijke Philips Electronics N.V. One-click correction of tumor segmentation results
EP2194486A1 (en) * 2008-12-04 2010-06-09 Koninklijke Philips Electronics N.V. A method, apparatus, and computer program product for acquiring medical image data
EP2199981A1 (en) * 2008-12-09 2010-06-23 Koninklijke Philips Electronics N.V. Image segmentation
WO2011160309A1 (zh) * 2010-06-25 2011-12-29 中国科学院自动化研究所 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法
WO2012016242A2 (en) * 2010-07-30 2012-02-02 Aureon Biosciences, Inc. Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions
CA2863675C (en) 2011-02-11 2019-04-23 E4 Endeavors, Inc. System and method for modeling a biopsy specimen
CN102201038B (zh) * 2011-04-27 2013-06-05 浙江大学 脑瘤p53蛋白表达检测方法
JP5385486B2 (ja) * 2011-09-08 2014-01-08 オリンパスメディカルシステムズ株式会社 画像処理装置及び画像処理装置の作動方法
WO2013091186A1 (zh) * 2011-12-21 2013-06-27 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
US9053213B2 (en) * 2012-02-07 2015-06-09 Koninklijke Philps N.V. Interactive optimization of scan databases for statistical testing
US9370328B2 (en) 2012-11-29 2016-06-21 University Of Washington Through Its Center For Commercialization Methods and systems for determining tumor boundary characteristics
US9378549B2 (en) 2013-03-05 2016-06-28 Kabushiki Kaisha Toshiba Estimation of confidence limits for measurements derived from image data
US9760993B2 (en) 2013-03-26 2017-09-12 Koninklijke Philips N.V. Support apparatus for supporting a user in a diagnosis process
US10154826B2 (en) 2013-07-17 2018-12-18 Tissue Differentiation Intelligence, Llc Device and method for identifying anatomical structures
US10716536B2 (en) 2013-07-17 2020-07-21 Tissue Differentiation Intelligence, Llc Identifying anatomical structures
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
CN104331694A (zh) * 2014-04-02 2015-02-04 上海齐正微电子有限公司 医疗影像特征区域实时提取和标示方法
KR20150120774A (ko) 2014-04-18 2015-10-28 삼성전자주식회사 관심영역 검출 시스템 및 방법
US10134142B2 (en) * 2014-06-12 2018-11-20 Koninklijke Philips N.V. Optimization of parameters for segmenting an image
CN106470613B (zh) * 2014-07-02 2020-05-05 皇家飞利浦有限公司 用来针对特定对象表征病理的病变签名
US9999402B2 (en) 2014-07-21 2018-06-19 International Business Machines Corporation Automatic image segmentation
JP6397578B2 (ja) * 2014-09-17 2018-09-26 アバス サージカル,エル・エル・シー 解剖学的構造の識別
JP6502070B2 (ja) * 2014-11-25 2019-04-17 キヤノンメディカルシステムズ株式会社 超音波診断装置、医用画像処理装置及び医用画像処理方法
US9842390B2 (en) 2015-02-06 2017-12-12 International Business Machines Corporation Automatic ground truth generation for medical image collections
US10325412B2 (en) 2015-11-05 2019-06-18 Shenyang Neusoft Medical Systems Co., Ltd. Cutting three-dimensional image
WO2017092615A1 (zh) * 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法
US11986341B1 (en) 2016-05-26 2024-05-21 Tissue Differentiation Intelligence, Llc Methods for accessing spinal column using B-mode imaging to determine a trajectory without penetrating the the patient's anatomy
US11701086B1 (en) 2016-06-21 2023-07-18 Tissue Differentiation Intelligence, Llc Methods and systems for improved nerve detection
CN106296699A (zh) * 2016-08-16 2017-01-04 电子科技大学 基于深度神经网络和多模态mri图像的脑肿瘤分割方法
US10366490B2 (en) * 2017-03-27 2019-07-30 Siemens Healthcare Gmbh Highly integrated annotation and segmentation system for medical imaging
US11264135B2 (en) * 2017-11-10 2022-03-01 Siemens Medical Solutions Usa, Inc. Machine-aided workflow in ultrasound imaging
US11596384B2 (en) * 2018-10-26 2023-03-07 Philips Image Guided Therapy Corporation Intraluminal ultrasound vessel border selection and associated devices, systems, and methods

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768413A (en) * 1995-10-04 1998-06-16 Arch Development Corp. Method and apparatus for segmenting images using stochastically deformable contours
US6125194A (en) * 1996-02-06 2000-09-26 Caelum Research Corporation Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing
US6996549B2 (en) * 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US6944330B2 (en) * 2000-09-07 2005-09-13 Siemens Corporate Research, Inc. Interactive computer-aided diagnosis method and system for assisting diagnosis of lung nodules in digital volumetric medical images
US7006677B2 (en) * 2002-04-15 2006-02-28 General Electric Company Semi-automatic segmentation algorithm for pet oncology images
US20040218794A1 (en) * 2003-05-01 2004-11-04 Yi-Hsuan Kao Method for processing perfusion images
US7529394B2 (en) 2003-06-27 2009-05-05 Siemens Medical Solutions Usa, Inc. CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
US7492931B2 (en) * 2003-11-26 2009-02-17 Ge Medical Systems Global Technology Company, Llc Image temporal change detection and display method and apparatus
WO2005073914A1 (en) * 2004-01-30 2005-08-11 Cedara Software Corporation System and method for applying active appearance models to image analysis

Also Published As

Publication number Publication date
EP1815430A1 (en) 2007-08-08
CN101061509A (zh) 2007-10-24
US20090148007A1 (en) 2009-06-11
JP2008520317A (ja) 2008-06-19
CN101061509B (zh) 2010-10-27
WO2006054267A1 (en) 2006-05-26
US8265355B2 (en) 2012-09-11

Similar Documents

Publication Publication Date Title
JP4949264B2 (ja) 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法
Messay et al. Segmentation of pulmonary nodules in computed tomography using a regression neural network approach and its application to the lung image database consortium and image database resource initiative dataset
Van Rikxoort et al. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection
AU2004252917B2 (en) CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
TWI446202B (zh) 用於數位放射照相軟拷貝讀取之智慧型質與量分析的方法及系統
US20090175531A1 (en) System and method for false positive reduction in computer-aided detection (cad) using a support vector macnine (svm)
Yi et al. Automatic catheter and tube detection in pediatric x-ray images using a scale-recurrent network and synthetic data
JP2021002338A (ja) 画像セグメンテーション及び識別のための方法及びシステム
EP3796210A1 (en) Spatial distribution of pathological image patterns in 3d image data
JP5431924B2 (ja) 臨床医駆動の例示ベースのコンピュータ支援診断
JP2008541889A (ja) コンピュータ支援検出のシステムおよび方法
US10706534B2 (en) Method and apparatus for classifying a data point in imaging data
WO2007117506A2 (en) System and method for automatic detection of internal structures in medical images
EP2208183B1 (en) Computer-aided detection (cad) of a disease
JP6810212B2 (ja) 画像識別方法及び画像識別装置
JP2017532998A (ja) 縦断的特徴に基づく関心組織の健康状態の分類
JP2008510565A (ja) 標識された糞便または虚脱結腸領域の存在下で結腸壁を抽出するためのシステムおよび方法
WO2007033170A1 (en) System and method for polyp detection in tagged or non-tagged stool images
Manikandan et al. Automated classification of emphysema using data augmentation and effective pixel location estimation with multi-scale residual network
Zhou et al. Variabilities in reference standard by radiologists and performance assessment in detection of pulmonary embolism in CT pulmonary angiography
WO2021197176A1 (en) Systems and methods for tumor characterization
Admane et al. Multi-stage Lung Cancer Detection and Prediction using Image Processing Techniques
US20240070860A1 (en) Methods and systems for identifying a candidate medical finding in a medical image and providing the candidate medical finding
Imran Interpretability Approaches for a Breast Lesion Detection Model
Park et al. Separation of left and right lungs using 3D information of sequential CT images and a guided dynamic programming algorithm

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20081117

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110614

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110906

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20120207

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20120307

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20150316

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Ref document number: 4949264

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250