JP5113378B2 - 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 - Google Patents
脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 Download PDFInfo
- Publication number
- JP5113378B2 JP5113378B2 JP2006343592A JP2006343592A JP5113378B2 JP 5113378 B2 JP5113378 B2 JP 5113378B2 JP 2006343592 A JP2006343592 A JP 2006343592A JP 2006343592 A JP2006343592 A JP 2006343592A JP 5113378 B2 JP5113378 B2 JP 5113378B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- image data
- brain image
- brain
- time
- 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
Links
Landscapes
- Nuclear Medicine (AREA)
Description
Curveが作成される。このTime-Intensity Curveのパターンを学習させる。このとき、同一被検者の15O-gasPET試験で得られた脳血流定量値を用いて相関関係を得てあわせて学習する。次に、新たな被検者に脳造影パーフュージョン撮像を行い、得られたTime-Intensity
Curveのパターンより、すでに学習している脳血流量を推定させることができる。このとき、1ピクセルごとに全ピクセルで行ってもよいし、関心領域を設定して行ってもよい。このように、SPECTにおけるDiamox(登録商標)法のような2回投与以外にも用いることができる。以下では、説明の便宜上、脳画像データに関する時系列データとして、脳血流SPECTを用いた負荷試験において収集された脳放射能データを用いて説明する。被験者としては神経変性疾患の被験者が好適であり、神経変性疾患としては、例えば、アルツハイマー病、パーキンソン病、レビー小体型認知症、ハンチントン舞踏病、または進行性核上性麻痺等が挙げられる。
ωij,2,…, ωij,n) 、i、j=1〜mを持つ(図2では重みωとして示す)。このωi,jを参照ベクトルという。参照ベクトルはωi,j(t)と表されるが、図2では時間tは省略されている。
1.t(学習回数)に関する単調減少関数で、tが無限大で近傍関数hは0に収束する。2.格子点(i,j)と勝者ニューロンuI,Jの位置する格子点(I,J)との間のユークリッド距離‖ui,j−uI,J‖に関して単調減少する。単調減少の程度はtが増加するほど大きくなる。
従って、繰返し数Tの値は過学習が起こらず、且つ十分な学習が行われるような所望の値に設定する。なお、SOMのプログラムは開発者のKohonen自身が作成したsom_pak3.1(http://www.cis.hut.fi/research/som-research/nnrc-programs.shtml)を利用した。
1.実測に用いた装置および実測方法
SPECT装置の使用機種はシーメンス社製ECAM、使用コリメータはLEHRである。エネルギーウィンドウは光電ピークを149Kevとする±10%(合わせて20%)と設定した。32step*2検出器の2検出器型であり、計64stepにて収集した。前フィルタはButterworth、再構成フィルタはRampであり、SPECTの画像再構成にはフィルタ補正逆投影法(filtered backprojection : FBP法)を用いた。実測方法には、従来の分割投与法に準じた方法を用いた。まず、123I−IMPの第1回目静注を行う。第1回目静注から8分3秒経過後にDiamox(登録商標)を静注する。第1回目静注から25分経過後に、123I−IMPの第2回目静注を行う。ここで、1フレームの撮像を行う1ローテーションは2分30秒とし、被験者1人当たり使用する薬剤(123I−IMP)の第1回目静脈投与後1ローテーション毎に1フレームずつ撮像して、18フレーム(45分後)まで撮像した。つまり、123I−IMPの第2回目静注は10フレーム目となる。各フレームについて192ROI(region of Interest : 関心領域)値をデータとして取得した。被験者数は8名であり、ROIの設定は、脳梁辺縁、中心前、中心、頭頂、角回、側頭、後大脳、脳梁周囲、レンズ核、視床、海馬および小脳半球にそれぞれ左右対称に設けた。脳の標準規格はSPM(statistical parametric mapping)のアルゴリズムに準じ、ROIの設定は3DSRT(three-dimensional stereotaxic ROI template)を利用した。以上のように、脳内放射能信号は位置情報因子として192ROI分あり、各ROIにつき時系列因子は18フレーム分ある。
背景技術で述べたように、従来、1回目のSPECT実測値に基づく直線近似関数利用法により2回目のSPECT実測値におけるバックグランドを推定する方法が用いられている。そこで、本発明の脳画像データに関する時系列データの解析方法等と比較するために、上述の実測に用いた装置および実測方法で得られたデータを用いて、回帰直線による2回目のSPECT実測値におけるバックグランドの推定も行った。
比較例1.
まず、少数例で検証を行った。患者(被験者)毎のROIには任意の連続番号を割り当て、各ROIで撮像された脳放射能データを入力データベクトルx(t)として、SOMにて解析した。入力データベクトルx(t)の数N=20例とした。ネットワークの構造は、図2の2次元SOM10を例にとると、入力層12の次元nは18で、競合層18のニューロンは縦20×横20である。学習パラメータ(例えば、式1の近傍関数)の値は初期学習率0.20、最終学習率0.00と単調減少させる。勝者ニューロンuI,Jの回りに定義される近傍領域は6角形とし、そのサイズは初期近傍領域10、 最終近傍領域0とする。その他、シグモイド関数勾配は1.00、学習回数(繰返し数T)は500、乱数の種は54777、学習方法はランダム、SOMの初期重み(ωi,j (t))は乱数とした。以下では、学習に用いる入力データベクトルを完全データ(実測値)と言い、予測に用いる入力データベクトルを不完全データ(予測値)と言う。
次に、入力データベクトルx(t)の数N=60例として検証を行った。ネットワークの構造は、図2の2次元SOM10を例にとると、入力層12の次元nは18で、競合層18のニューロンは縦10×横10である。これとは別に、入力層12の次元nは18で、競合層18のニューロンが縦20×横20の場合についても検証を行った。学習パラメータ(例えば、式1の近傍関数)の値は初期学習率0.20、最終学習率0.00と単調減少させる。勝者ニューロンuI,Jの回りに定義される近傍領域は6角形とし、そのサイズは初期近傍領域5、 最終近傍領域0とする。その他、シグモイド関数勾配は1.00、学習回数(繰返し数T)は500、乱数の種は65206、学習方法はランダム、SOMの初期重み(ωi,j (t))は乱数とした。
次に、入力データベクトルx(t)の数として、完全データを192例、不完全データを108例として検証を行った。ネットワークの構造は、図2の2次元SOM10を例にとると、入力層12の次元nは18で、競合層18のニューロンは縦20×横20、縦30×横30、縦40×横40、縦50×横50の場合について検証を行った。学習パラメータ(例えば、式1の近傍関数)の値は初期学習率0.20、最終学習率0.00と単調減少させる。勝者ニューロンuI,Jの回りに定義される近傍領域は6角形とし、そのサイズは初期近傍領域5、 最終近傍領域0とする。その他、シグモイド関数勾配は1.00、学習回数(繰返し数T)は500、乱数の種は65206、学習方法はランダム、SOMの初期重み(ωi,j (t))は乱数とした。
初回(第1回投与)の123I−IMPの脳内分布(第2回投与における残留脳放射能)を推測するに当たり、単回帰関数による予測とSOMによる予測とを比較検討した。単回帰関数を利用した場合、%誤差の平均=10.47と結果に約1割の変動を与えることが示唆された。20%以上の%誤差を与える可能性が40%程度の症例で生じる結果となり、誤差が予測より大きく算出された。一方、SOMを利用した場合、実測値と予測値との一致率は非常に高かった。SOM法における教師信号の数は大きくなると、合わせて競合数を大きくする必要が示唆された。比較例3のように200例近くの教師信号(患者データベース)がある場合は、同じ結果を表すデータを省き、競合層のニューロン数は縦40×横40以下にすることが好適であると考えられる。
Claims (9)
- コンピュータを用いた脳画像データに関する時系列データの解析方法であって、該脳画像データに関する時系列データは特定期間及び該特定期間経過後における一連の脳画像データ内の複数の位置又は複数の関心領域についての時系列データであり、
自己組織化マップ(Self-organizing Map : SOM)法に基づくニューラルネットワークを用い、前記脳画像データに関する時系列データをSOM法における2次元格子配列上のニューロンに入力データベクトルとして提示するものであり、
脳画像データに関する時系列データをニューラルネットワークに学習させる学習ステップと、
特定期間における脳画像データに関する時系列データを前記学習ステップで学習させたニューラルネットワークに入力し、該特定期間後の期間における脳画像データに関する時系列データを予測させる予測ステップとを備えたことを特徴とする脳画像データに関する時系列データの解析方法。 - 請求項1記載の脳画像データに関する時系列データの解析方法において、前記脳画像データに関する時系列データは、脳血流SPECT(Single Photon Emission Computed Tomography : 単光子放出コンピュータ断層撮影)を用いた負荷試験において収集された脳放射能データであることを特徴とする脳画像データに関する時系列データの解析方法。
- 請求項2記載の脳画像データに関する時系列データの解析方法において、
前記学習ステップは、脳血流SPECTを用いた負荷試験において収集された脳放射能データを要素とする入力データベクトルをSOM法における2次元格子配列上のニューロンに提示し、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させ、
前記予測ステップは、
脳血流SPECTを用いた分割投与法による負荷試験における第1回目トレーサ投与後から第2回目トレーサ投与前までの期間を特定期間とし、該特定期間において収集された脳放射能データを要素とする入力データベクトルであって該特定期間後の要素を欠損データとする入力データベクトルを前記学習ステップで学習させたSOM法における2次元格子配列上のニューロンに提示して、勝者ニューロンを求める勝者ニューロン取得ステップと、
前記勝者ニューロン取得ステップで取得された勝者ニューロンの参照ベクトルに基づき、前記特定期間後の期間における脳放射能データを予測させる脳放射能予測ステップとを備えたことを特徴とする脳画像データに関する時系列データの解析方法。 - 請求項1乃至3のいずれかに記載の脳画像データに関する時系列データの解析方法において、前記脳画像データは神経変性疾患の被験者を対象とすることを特徴とする脳画像データに関する時系列データの解析方法。
- 脳画像データに関する時系列データの解析をコンピュータに実行させるための脳画像データに関する時系列データの解析プログラムであって、該脳画像データに関する時系列データは特定期間及び該特定期間経過後における一連の脳画像データ内の複数の位置又は複数の関心領域についての時系列データであり、
自己組織化マップ(Self-organizing Map : SOM)法に基づくニューラルネットワークを用い、前記脳画像データに関する時系列データをSOM法における2次元格子配列上のニューロンに入力データベクトルとして提示するものであり、
コンピュータに、
脳画像データに関する時系列データをニューラルネットワークに学習させる学習ステップ、
特定期間における脳画像データに関する時系列データを前記学習ステップで学習させたニューラルネットワークに入力し、該特定期間後の期間における脳画像データに関する時系列データを予測させる予測ステップを実行させるための脳画像データに関する時系列データの解析プログラム。 - 請求項5記載の脳画像データに関する時系列データの解析プログラムにおいて、前記脳画像データに関する時系列データは、脳血流SPECT(Single Photon Emission Computed Tomography : 単光子放出コンピュータ断層撮影)を用いた負荷試験において収集された脳放射能データであることを特徴とする脳画像データに関する時系列データの解析プログラム。
- 請求項6記載の脳画像データに関する時系列データの解析プログラムにおいて、
前記学習ステップは、脳血流SPECTを用いた負荷試験において収集された脳放射能データを要素とする入力データベクトルをSOM法における2次元格子配列上のニューロンに提示し、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させ、
前記予測ステップは、
脳血流SPECTを用いた分割投与法による負荷試験における第1回目トレーサ投与後から第2回目トレーサ投与前までの期間を特定期間とし、該特定期間において収集された脳放射能データを要素とする入力データベクトルであって該特定期間後の要素を欠損データとする入力データベクトルを前記学習ステップで学習させたSOM法における2次元格子配列上のニューロンに提示して、勝者ニューロンを求める勝者ニューロン取得ステップと、
前記勝者ニューロン取得ステップで取得された勝者ニューロンの参照ベクトルに基づき、前記特定期間後の期間における脳放射能データを予測させる脳放射能予測ステップとを備えたことを特徴とする脳画像データに関する時系列データの解析プログラム。 - 請求項5乃至7のいずれかに記載の脳画像データに関する時系列データの解析プログラムにおいて、前記脳画像データは神経変性疾患の被験者を対象とすることを特徴とする脳画像データに関する時系列データの解析プログラム。
- 請求項5乃至8のいずれかに記載の脳画像データに関する時系列データの解析プログラムを記録したコンピュータ読取り可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006343592A JP5113378B2 (ja) | 2006-12-20 | 2006-12-20 | 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006343592A JP5113378B2 (ja) | 2006-12-20 | 2006-12-20 | 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008157640A JP2008157640A (ja) | 2008-07-10 |
JP5113378B2 true JP5113378B2 (ja) | 2013-01-09 |
Family
ID=39658724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006343592A Active JP5113378B2 (ja) | 2006-12-20 | 2006-12-20 | 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5113378B2 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5489602B2 (ja) * | 2009-08-27 | 2014-05-14 | 富士フイルムRiファーマ株式会社 | 脳血流量算出プログラム、記録媒体および脳血流量算出方法 |
EP2443994A3 (en) * | 2010-10-19 | 2013-03-13 | Nihon Medi-Physics Co., Ltd. | Apparatus, program and method for determining cerebral blood flow |
JP5422543B2 (ja) * | 2010-12-15 | 2014-02-19 | 富士フイルムRiファーマ株式会社 | 血流量推定装置、方法及びコンピュータプログラム |
JP2013167488A (ja) * | 2012-02-14 | 2013-08-29 | Toshiba Corp | 核医学イメージング装置及び方法 |
JP6052055B2 (ja) * | 2013-05-21 | 2016-12-27 | 三菱電機株式会社 | 認証システム |
JP6635476B2 (ja) * | 2017-08-09 | 2020-01-29 | 学校法人東京女子医科大学 | 線量分布予測システム、線量分布予測方法及び線量分布予測プログラム |
WO2019172181A1 (ja) * | 2018-03-09 | 2019-09-12 | 日本メジフィジックス株式会社 | 診断支援装置、プログラム、学習済みモデル、および学習装置 |
JP7114347B2 (ja) * | 2018-06-04 | 2022-08-08 | 浜松ホトニクス株式会社 | 断層画像予測装置および断層画像予測方法 |
JP7325942B2 (ja) * | 2018-10-19 | 2023-08-15 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及びプログラム |
JP7190330B2 (ja) * | 2018-11-05 | 2022-12-15 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置 |
WO2020098936A1 (fr) * | 2018-11-14 | 2020-05-22 | Qynapse | Procede de determination d'un modele de prediction, procede de prediction de l'evolution d'un k-uplet de marqueurs mk et dispositif associe |
WO2021020198A1 (ja) * | 2019-07-26 | 2021-02-04 | 富士フイルム株式会社 | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09269378A (ja) * | 1996-03-31 | 1997-10-14 | Shimadzu Corp | 核医学検査装置 |
JPH10283336A (ja) * | 1997-04-03 | 1998-10-23 | Nkk Corp | 波形学習装置および波形認識装置 |
JP2004174220A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Agency | 画像処理装置、画像処理方法、及び当該画像処理方法をコンピュータに実行させるプログラムを格納する記録媒体 |
JP2005000528A (ja) * | 2003-06-13 | 2005-01-06 | National Institute Of Information & Communication Technology | 脳機能測定装置及び脳機能測定プログラム |
JP4701406B2 (ja) * | 2004-10-21 | 2011-06-15 | 財団法人ヒューマンサイエンス振興財団 | Pet撮像による画像定量化装置、方法、プログラム及び該画像定量化プログラムを記録したコンピュータ読み出し可能な記録媒体 |
GB2420641B (en) * | 2004-11-29 | 2008-06-04 | Medicsight Plc | Digital medical image analysis |
JP2006235971A (ja) * | 2005-02-24 | 2006-09-07 | Japan Science & Technology Agency | 画像参照装置及び画像分類検索方法 |
JP5051472B2 (ja) * | 2006-11-06 | 2012-10-17 | 国立大学法人徳島大学 | 脳画像診断支援方法、プログラムおよび記録媒体 |
-
2006
- 2006-12-20 JP JP2006343592A patent/JP5113378B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2008157640A (ja) | 2008-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5113378B2 (ja) | 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 | |
Acosta-Cabronero et al. | Atrophy, hypometabolism and white matter abnormalities in semantic dementia tell a coherent story | |
US11693071B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
US8099299B2 (en) | System and method for mapping structural and functional deviations in an anatomical region | |
de Boer et al. | Attenuation of dopamine-modulated prefrontal value signals underlies probabilistic reward learning deficits in old age | |
JP5243865B2 (ja) | 脳疾患診断システム | |
US8934685B2 (en) | System and method for analyzing and visualizing local clinical features | |
Segovia et al. | Improved parkinsonism diagnosis using a partial least squares based approach | |
US20090292478A1 (en) | System and Method for Analysis of Multiple Diseases and Severities | |
US20090290772A1 (en) | Medical Data Processing and Visualization Technique | |
US20090292557A1 (en) | System and Method for Disease Diagnosis from Patient Structural Deviation Data | |
DE202011110676U1 (de) | System zum patientenspezifischen Modellieren von Blutfluss | |
Guo et al. | Predicting Alzheimer’s disease by hierarchical graph convolution from positron emission tomography imaging | |
JP7359851B2 (ja) | 陽電子放出断層撮影(pet)のための人工知能(ai)ベースの標準取込み値(suv)補正及び変動評価 | |
KR102157867B1 (ko) | 딥러닝에 기반한 고속 양전자단층촬영 영상 획득 장치 및 방법 | |
DE202021106122U1 (de) | Medizinische Informationsverarbeitungsvorrichtung und medizinisches Informationsverarbeitungssystem | |
Garali et al. | Brain region ranking for 18FDG-PET computer-aided diagnosis of Alzheimer's disease | |
WO2019172181A1 (ja) | 診断支援装置、プログラム、学習済みモデル、および学習装置 | |
Michael et al. | Does function follow form?: methods to fuse structural and functional brain images show decreased linkage in schizophrenia | |
JP4335736B2 (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
JP7477906B2 (ja) | 認知症診断支援情報の提供装置及びその方法 | |
CN115730269A (zh) | 多模态神经生物信号处理方法、装置、服务器及存储介质 | |
JP2004239782A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
Nikolov et al. | Intrahemispheric symmetry of brain perfusion. Part 1. Calculation procedure | |
DE102022209173B3 (de) | Verfahren und Datenverarbeitungssystem zum Bereitstellen von radiologischen Visualisierungsdaten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20081009 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120406 |
|
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: 20120925 |
|
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: 20121012 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151019 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5113378 Country of ref document: JP 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 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
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 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |