JP5159242B2 - 診断支援装置、診断支援装置の制御方法、およびそのプログラム - Google Patents
診断支援装置、診断支援装置の制御方法、およびそのプログラム Download PDFInfo
- Publication number
- JP5159242B2 JP5159242B2 JP2007271300A JP2007271300A JP5159242B2 JP 5159242 B2 JP5159242 B2 JP 5159242B2 JP 2007271300 A JP2007271300 A JP 2007271300A JP 2007271300 A JP2007271300 A JP 2007271300A JP 5159242 B2 JP5159242 B2 JP 5159242B2
- Authority
- JP
- Japan
- Prior art keywords
- lesion
- diagnosis support
- processing
- subject
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims description 65
- 238000000034 method Methods 0.000 title claims description 56
- 230000003902 lesion Effects 0.000 claims description 94
- 238000012545 processing Methods 0.000 claims description 72
- 238000003672 processing method Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 206010028980 Neoplasm Diseases 0.000 description 32
- 230000006870 function Effects 0.000 description 23
- 238000001514 detection method Methods 0.000 description 15
- 230000035945 sensitivity Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000003211 malignant effect Effects 0.000 description 10
- 238000012216 screening Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 238000004195 computer-aided diagnosis Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000000188 diaphragm Anatomy 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H50/70—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Business, Economics & Management (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Tourism & Hospitality (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Child & Adolescent Psychology (AREA)
Description
本発明は、被検者から得たデータをコンピュータ処理し、得られた診断情報を提示する医用診断支援システムに関する。
医療の分野において、医師は、患者を撮影した医用画像をモニタに表示し、表示された医用画像を読影して、病変部の状態や経時変化を観察する。この種の医用画像を生成する装置としては、
・ＣＲ（Ｃｏｍｐｕｔｅｄ Ｒａｄｉｏｇｒａｐｈｙ）装置、
・ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置、
・ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置、
・超音波装置（ＵＳ；Ｕｌｔｒａｓｏｕｎｄ Ｓｙｓｔｅｍ）等が挙げられる。
・ＣＲ（Ｃｏｍｐｕｔｅｄ Ｒａｄｉｏｇｒａｐｈｙ）装置、
・ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置、
・ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置、
・超音波装置（ＵＳ；Ｕｌｔｒａｓｏｕｎｄ Ｓｙｓｔｅｍ）等が挙げられる。
このような医師の読影に対する負担軽減を目的として、医用画像をデジタル化して画像解析することにより病変部等を自動的に検出して、コンピュータ支援診断を行う診断支援装置が開発されている。以下、コンピュータ支援診断を、ＣＡＤ（Ｃｏｍｐｕｔｅｒ−Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ）と称する。このようなＣＡＤでは、自動的に異常陰影候補を病変部として検出する。この異常陰影の検出処理では、放射線画像を表す画像データをコンピュータ処理することにより、癌等を表す異常な腫留陰影や高濃度の微小石灰化陰影等を検出する。そして、この検出結果を提示することにより、医師の読影に対する負荷を軽減し、また読影結果の精度を向上させることができる。
医師が読影際に誤診を避けるために、非特許文献２のようなガイドラインが設けられている。
コンピュータ支援診断を行う診断支援装置は、異常陰影候補を算出する際に、常に相反する「感度」と「誤診検出」のバランスを考慮する［特許文献１］。
例えば、腫瘍影候補を抽出する数を調整するパラメータである「感度」をあげると、実際には腫瘍でない陰影の抽出である「誤診検出」数も増加する。
このように、「感度」を上げると見落しが減らせるが、「誤診検出」（偽陽性の病変候補はＦＰ（ ｆａｌｓｅ ｐｏｓｉｔｉｖｅ：以下単にＦＰと呼ぶ場合もある。）が増える。
特許第３４１７５９５号
河田・仁木・大松、「胸部３次元ＣＴ像による肺野小型腫瘤の３次元曲率を用いた内部構造の解析」、電子情報通信学会論文誌、Ｄ−ＩＩ、Ｖｏｌ。Ｊ８３−Ｄ−ＩＩ、Ｎｏ．１、ｐｐ．２０９−２１８、２０００年１月
Ｓｉｎｇｌｅ ｓｌｉｃｅ ｈｅｌｉｃａｌ ＣＴ による肺癌ＣＴ検診の判定基準と経過観察ガイドライン、「ＮＰＯ法人 日本ＣＴ検診学会」
しかしながら、特許文献１に記載のコンピュータ支援診断を行う診断支援装置のようなシステムは、被検者から得たデータのみを用いてコンピュータ支援診断を行っていた。即ち、被検者の検査履歴を考慮していないものである。
本発明は以上の問題に鑑みてなされたものであり、被検者の検査履歴をも考慮したコンピュータ処理による診断情報を得る仕組みを提供することを目的とする。
上記の目的を達成するための、本発明の一態様による断層像撮影装置は、以下の構成を備える。すなわち、被検者から得られたデータを処理する診断支援処理手段と、
前記被検者の病変部の情報を含む検査履歴情報を記憶する記憶手段と、
前記記憶手段に記憶される前記被検者の検査履歴情報に応じて、前記診断支援処理手段において処理対象となる病変部の大きさを変更する変更手段と、
を備える。
前記被検者の病変部の情報を含む検査履歴情報を記憶する記憶手段と、
前記記憶手段に記憶される前記被検者の検査履歴情報に応じて、前記診断支援処理手段において処理対象となる病変部の大きさを変更する変更手段と、
を備える。
本発明の構成により、被検者の検査履歴を考慮したコンピュータ処理による診断情報を提供する仕組みを提供できる。
以下、添付図面に従って本発明に係る医用の診断支援装置及び方法の好ましい実施形態について詳説する。ただし、発明の範囲は図示例に限定されるものではない。
（第１実施例）
ＣＰＵ１００は、主として診断支援装置１の各構成要素の動作を制御する。主メモリ１０１は、ＣＰＵ１００が実行する制御プログラムを格納したり、ＣＰＵ１００によるプログラム実行時の作業領域を提供したりする。磁気ディスク１０２は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライブ、後述する診断支援処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１０３は、モニタ１０４のための表示用データを一時記憶する。モニタ１０４は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１０３からのデータに基づいて画像を表示する。マウス１０５及びキーボード１０６はユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記各構成要素は共通バス１０７により互いに通信可能に接続されている。
ＣＰＵ１００は、主として診断支援装置１の各構成要素の動作を制御する。主メモリ１０１は、ＣＰＵ１００が実行する制御プログラムを格納したり、ＣＰＵ１００によるプログラム実行時の作業領域を提供したりする。磁気ディスク１０２は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライブ、後述する診断支援処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１０３は、モニタ１０４のための表示用データを一時記憶する。モニタ１０４は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１０３からのデータに基づいて画像を表示する。マウス１０５及びキーボード１０６はユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記各構成要素は共通バス１０７により互いに通信可能に接続されている。
本実施形態において、診断支援装置１は、ＬＡＮ４を介してデータベース３から画像データ等を読み出すことができる。或いは、診断支援装置１に記憶装置、例えばＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブから画像データ等を読み込むようにしても良い。また、ＬＡＮ４を経由して医用画像撮影装置２から直接に医用画像等を取得してもよい。
図２に診断支援装置１の構成例を記載する。
図２において、診断支援装置１は、医用検査データ入力部２０１、症例データベース２０２、医学知識データベース２０３、診断支援処理手段としての診断支援処理部２０４、処理方法変更部２０７、記憶手段としての履歴記録部２０８とデータ出力部２０９を備えて構成される。
医用検査データ入力部２０１は、例えばＸ線撮影装置、ＣＴ装置、ＭＲ装置、超または音波診断装置から取得した画像データ、心電図や脳波データ・白血球数などの計測データなどの、被検者に関するデータを取得する。
また、カルテ情報などの病変候補取得に関連する情報を含む医用検査データの入力が可能な構成であってもよい。その場合、これらのデータをユーザによる直接入力が可能な構成であっても良いし、情報が記録されたＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から読み取り可能な構成であってもよい。またこれらのデータを記憶するデータベースとＬＡＮを介して接続し、受信可能な構成であってもよい。
症例データベース２０２は、医用検査データ取得装置２によって撮影された画像データや、心電図や白血球数をはじめとする数値データ、被検者に関するカルテなどのテキストデータを格納する。各症例データには診断支援装置によるデータ処理結果の値や確定診断結果を含めることもでき、それらの情報を類似症例検索に利用することができる。
また、認識、識別処理に用いるカテゴリーに分類されたテンプレートも保存される。このテンプレートはパタン認識処理として病変が何か（悪性、良性など）を判断するために用いる。また、病変を抽出する場合に、被写体から抽出したデータとの相似度（例えば相関値等）から、病変である領域を抽出するために用いられる。
医学知識データベース２０３は、病変領域に対する診断基準や、転移病変や合併症をはじめとする検査対象となる疾病の情報を格納する。さらに、原発病変を検出した際に関連する疾病の有無を調べる手順といった診断手順などのデータも格納させても良い。
診断支援処理部２０４は、診断を支援するための情報を被写体から得られたデータから取得する。
画像データを処理する場合には処理部２０５は、被検者から取得されたデータから病変に関する情報を取得する。例えば、腫瘍影の候補領域、結石の候補領域などの病変部を抽出する。
また、病変部の候補である病変部候補の取得にあたって症例データベース２０２を参照して過去の症例データとの類似度を比較してもよい。この場合、処理部２０５は画像から特徴量を算出し、症例データベース２０２に保存される症例ごとの特徴量の一致度から、病変候補を取得する。
医学知識データベース２０３に格納されている診断基準や診断手順に関するデータを参照しでもよい。例えば、診断基準としてはＣＴ画像であれば、病変部に相当するＣＴ値の範囲があり、その範囲に病変部が存在する可能性が高くなる。従ってその範囲から病変部を抽出する。また、診断手順としては、医師の診断試行をフローとして、文法化しているものである。例えば、二次元の画像データであれば、被写体の関心領域の抽出、関心領域内でのテキスチャ−の特徴の数値化等のコンピュータ処理で必要とする処理手順を医師の思考に合わせて文法化している。
なお処理部２０５の処理対象は画像データに限定されず、例えば被検者に関する画像以外の計測データあるいはカルテデータなども処理対象であり、それらのデータに基づいて病変候補を取得する構成としてもよい。
出力処理部２０６は、画像データを対象とする場合には、処理部２０５で抽出された病変候補の病変らしさ等の診断を支援するための情報を取得する。また、計測データであれば、被写体から得られたデータを直接に解析して、診断を支援するための情報を取得して出力する。
履歴記録部２０８は、被検者に関する診断履歴の情報を記録する。診断履歴情報としては、過去に行った検査方法、そのときの診断結果、等を記録する。また、過去に推定された発症確率、発症確率に応じた次期診時期等も格納する。
検査方法にはスクリーニングや、精密検査または、病変部の経過監察等の検査の目的情報も記録する。
処理方法変更部２０７は、履歴記録部２０８から得られた被検者の履歴情報に応じて処理部２０４、出力処理部２０５の処理方法を決定する。
データ出力部２０９は、処理部２０５より得られた病変候補のデータと出力処理部２０６によって得られた病変候補の判定情報を指定の形式として出力する。
次に、図３のフローチャートを用いて、ＣＰＵ１００がどのように診断支援装置１を制御しているかについて説明する。
ステップＳ３１において、ＣＰＵ１００は、医用検査データ入力部２０１から、医用検査データを診断支援装置１に入力する。
また、検査目的に応じて病変候補取得の際の病変検出基準や病変検出手順が異なるため、履歴記録部から２０８被検者の検査履歴（例えば前回撮像された日か検査日までの検査の経歴）、検査目的の情報を取得する。
ステップＳ３２において、処理方法変更部２０７は、ＣＰＵ１００の制御により、履歴記録部２０８に記録されている被検者の履歴情報に応じて、現在の発症確率を推定する。ここで発症確率とは病変部の発症する確率をいう。また、病変部が良性から悪性に変位する確率をもいう。
被検者の検査経過の時間に応じて起こりうる症状変化は、過去の医学的な知見から確率的に有為な情報として保存されている。従って、時間経過の情報に応じて、症状変化は確率的に有為な範囲で予測できるためである。つまり、被検者の検査履歴に応じて、確率的に有為な範囲で被検者の症状変化を予測できるものである。
発症確率を推定するに当たって、履歴記録部２０８に記録された被検者の過去と現在の検査データ、検診回数等の診断を行った時間間隔、過去の検診で推定された発症確率などの履歴情報、画像処理結果の病変候補データ等を用いて、病変候補の進行具合を算出する。
例えば、履歴記録部２０８に記録された被検者の病変部（腫瘤、結石など）の情報から、現状の病変部の大きさを予測する。この予測は、過去の病変部の大きさと成長速度を用いて行われる。ここで、成長速度は、過去の病変部のサイズ，種類を用いて医学知識データベース２０３に記録される統計量が利用される。また、病変部のサイズ変化が履歴記録部２０８に記録されている場合であれば、過去の時点での病変部のサイズから求めることができる。また、たとえば、予測された大きさが５ｍｍ以上であれば、発症確率が高いと判断する。ここでの、発症確率とは、抽出した病変候補が悪性である確率である。この発症確率に応じても、処理方法変更部２０７は、処理部２０５で抽出する病変部のサイズを変更する。この発症確率が高い場合には、新たな病変部が発生する可能性もあがるため、全範囲のサイズの病変部を抽出する。また、病変部のサイズに応じて処理関数を変更する場合もある。
また、履歴記録部２０８に記録された被検者の履歴から、初診であると判断された場合には、発症確率が高いとして全範囲のサイズの病変部を抽出する。
それに対して、履歴記録部２０８に記録された被検者の履歴から、病変部の抽出の履歴がない場合には、前回の診断から時間経過時間に応じて発症確率が変わってくる。前回の検査から時間が経過していない場合には、大きな病変部が発生する確率は有為に下がるため，発症確率が低いとして、大きな病変部の抽出を処理部２０５で抽出しないように、処理方法変更部２０７のパラメータを変更する。これにより、特定のサイズに合わせた抽出が行えるので、処理部２０５で抽出する病変部の擬陽性率は下がる効果を有する。
このように、処理方法変更部２０７は、履歴記録部２０８に記録された被検者の履歴に基づき、診断支援処理部２０４の処理方法を変更する。
診断支援処理部２０４の処理方法の変え方をとしては、信頼度を与える確率分布を調整したり、または、異常と認める場合の確率の閾値の調整をしたり、ベイズ識別器などの認識関数のパラメータを変えたり、識別器での特徴空間での境界面の移動をしたりなどの方法がある。また、判定のアルゴリズム自体を変えたりすることも可能である。線形判別関数のほか、サポートベクターマシン、ベイズ識別器、ニューラルネットワーク、ＡｄａＢｏｏｓｔ、などの判別方法を選択することも、処理方法を変更することに相当する。
なお、発症確率の例として次のような設定をする。
発症確率＝１．０：発症確率が推定できない場合、またはデフォルトと認められる発症確率値；この状態では、デフォルトに使われる識別器のパラメータを利用する発症確率＝０．９：発症確率が低い場合は、識別器の感度を下げて、デフォルト状態の９０％の偽陽性が出るように識別気を設定する
発症確率＝１．１：発症確率が高い場合は、識別器の感度を上げて、デフォルト状態の１１０％の偽陽性が出るように識別器を設定する
上記の設定は、単なる一例であり、本実施例を制限するものではない。
発症確率＝１．０：発症確率が推定できない場合、またはデフォルトと認められる発症確率値；この状態では、デフォルトに使われる識別器のパラメータを利用する発症確率＝０．９：発症確率が低い場合は、識別器の感度を下げて、デフォルト状態の９０％の偽陽性が出るように識別気を設定する
発症確率＝１．１：発症確率が高い場合は、識別器の感度を上げて、デフォルト状態の１１０％の偽陽性が出るように識別器を設定する
上記の設定は、単なる一例であり、本実施例を制限するものではない。
ステップＳ３３において、ＣＰＵ１００の制御に従い処理部２０５は、ステップＳ３２で定められた処理方法で病変候補を抽出する。この際に医学知識データベース２０３に格納されている診断基準の情報を利用して、病変候補から計算される特徴量から病変らしさをしめす信頼度や、進行度などの病変候補データが得られる。ここで、信頼度とは、例えば、過去の病変から得られた特徴量との相関値等から、病変としての確からしさを示す。
胸部ＣＴ画像の場合、処理部２０５は、画像から肺野、横隔膜、気管支、肺動脈、肺静脈などの領域を分割し、肺野は、上葉、中葉、下葉、区域に分類する。ここで、医用画像中から臓器領域を検出するための方法として、動的輪郭法の一種であるレベルセット法を例にして説明を行う。レベルセット法の場合、検出対象の領域の次元よりも一次元高いレベルセット関数を定義し、抽出したい領域をそのゼロ等高線であるとみなす。そして、レベルセット方程式と呼ばれる以下の発展方程式に基づいてこの関数を更新することで、輪郭を制御し領域を検出する。
φｔ＋Ｆ｜▽φ｜＝０
ここで、φｔはレベルセット関数を時間軸方向に１次微分した値、Ｆは輪郭の成長速度、｜▽φ｜はレベルセット関数の勾配の絶対値を表している。
φｔ＋Ｆ｜▽φ｜＝０
ここで、φｔはレベルセット関数を時間軸方向に１次微分した値、Ｆは輪郭の成長速度、｜▽φ｜はレベルセット関数の勾配の絶対値を表している。
このようにして、医用画像から臓器領域を検出することが出来る。上述の説明では、レベルセット法を例に臓器領域検出の説明をしたが、領域検出の方法は、閾値処理による方法、領域拡張法、動的輪郭法、クラスタ化、グラフ最小切断法などがある。これらの手法のいずれか、あるいはその他の技術を用いて臓器領域を検出する。
そして、それらの方法は部位に応じて切替えて使用しても良い。さらに、画像特徴量のみを使用するだけではなく、事前知識として確率アトラスや人体形状モデルなどを利用して領域検出を行っても良い。
また、臓器領域から肺野腫瘤などの異常を検出する方法として、異常を検出するためのフィルタ処理、パターンマッチング、識別器による異常検出、過去画像や平均形状画像などと診断画像とのレジストレーションを行い差分検出する処理などがある。その他、肺野腫瘤を特定するための画像特徴量としては、腫瘤内部の各画素のＣＴ値と３次元曲率（ガウス曲率、平均曲率、主曲率）から得られるｓｈａｐｅ ｉｎｄｅｘとｃｕｒｖｅｄｎｅｓｓなどもある。
以上のいずれかを併用して、あるいはその他の技術を用いて、病変候補を検出する。
ステップＳ３５において、ＣＰＵ１００は、出力処理部２０６は、処理方法変更部２０７で定められた処理方法に応じて処理部２０５にて検出された病変候補の評価をする。
異常の疾病分類、良悪性鑑別を行うために、悪性の可能性（確率値）を、判別方法（線形判別関数や、サポートベクターマシン、ＡｄａＢｏｏｓｔ、ベイズ識別器、ニューラルネットなど）の識別器を用いて疾病分類、良悪性鑑別を行う。これら異常検出、疾病分類、良悪性鑑別に関しては上記の手法に限定されるものではない。
さらに、判別器に用いる特徴量の重みの変更だけではなく、特徴量自体をより多く考慮したり、入れ替えたりも可能である。
ここで、Ｘ線ＣＴ画像から抽出された特徴量を次の線形判別関数に適用して、肺野腫瘤候補の良悪性鑑別を行う例を示す。すなわち、病変候補が真の病変と偽陽性とに分類される：
ただし、ｘは１個のパターンの特徴ベクトル、ｍ１とｍ２はクラス１と２の平均ベクトル、ΣＷはクラス内共分散行列を示す。線形判別関数ｆの値を判別得点とし、この値が負のときクラス１（良性）、正のときクラス２（悪性）に判別する。そして、発症確率に応じて上記線形判別関数のパラメータΣＷを変更する。すなわち、発症確率が高いと判定された場合、ｆがより正の値が出せるようにΣＷを設定し、発症確率が低いと判定された場合、ｆがより負の値が出せるようにΣＷを設定する。
すなわち、発症確率が高いと推定されていれば、より多くの病変候補が注目されるようにする。つまり、出力処理部２０６の感度を上げる。逆に発症確率が低いと推定されていれば、偽陽性の病変候補を減らすために比較的重要でない病変候補を少なく提示するよう感度を下げる。
出力処理部２０６の処理は処理部２０５の感度と連動して行っても、単独でおこなってもよい。すなわち、処理部２０５の感度を最大に上げて腫瘤影を多く抽出し、出力処理部２０６で、閾値を変化させて擬陽性を低下させることも可能である。また、処理部２０５の感度と連動することも可能である。
ステップＳ３６において、
ステップＳ３２によって検出された病変候補データをステップＳ３５によって病変と認められる基準を満たしていると判断された病変候補データにしぼって出力する。
ステップＳ３２によって検出された病変候補データをステップＳ３５によって病変と認められる基準を満たしていると判断された病変候補データにしぼって出力する。
ここでデータ出力部２０９は、ＣＰＵ１００の制御により、出力先に応じた出力データに変換する。出力先としては、紙・メモリやハードディスクなどの記憶装置・モニタなどがある。
図４に病変候補データの出力例を示す。医用検査データの上に病変候補を指摘するマークが表示され、その隣に画像特徴量や患者属性・経時変化データが表示されている。また病変候補データをモニタなどの表示デバイスに出力する場合にはポップアップ形式で表示してもよいし、別ウィンドウで表示しても良い。
次に、図５を参照して、以上述べた処理方法変更部２０７で実行されるステップＳ３３の病変候補の大きさの予測方法を説明する。予測される大きさは、履歴記録部２０８に被検者の履歴として記録され、次回の診断処理に用いられたり、次回の診断時期の決定に用いられる。
ここでは、腫瘤を例として、その大きさと成長速度によって予測する方法を説明する。ここで、腫瘤の大きさは最長径を用いる。
ステップＳ５１において、
現在の胸部画像データからステップＳ３２で検出された腫瘤を取得し、腫瘤の最長径を算出する。
現在の胸部画像データからステップＳ３２で検出された腫瘤を取得し、腫瘤の最長径を算出する。
ステップＳ５２において、
被検者の過去の胸部画像データまたは過去の診断レポートに、ステップＳ５１で取得された腫瘤に対応する病変の記述があるかどうかを調べる。すでに過去にもその病変があったなら、処理はステップＳ５３へ進む。
被検者の過去の胸部画像データまたは過去の診断レポートに、ステップＳ５１で取得された腫瘤に対応する病変の記述があるかどうかを調べる。すでに過去にもその病変があったなら、処理はステップＳ５３へ進む。
ステップＳ５１で検出された病変候補は今回の検診ではじめた検出されたのであれば、処理はステップＳ５５へ進む。
ステップＳ５３において、
腫瘤の過去の情報を履歴記録部２０８から取得する。取得する情報は、大きさ（この場合は最長径）、症例の診断、その信頼度等が挙げられる。その情報は過去の診断レポートに記述がなければ、診断処理部２０４にて算出してもよい。
腫瘤の過去の情報を履歴記録部２０８から取得する。取得する情報は、大きさ（この場合は最長径）、症例の診断、その信頼度等が挙げられる。その情報は過去の診断レポートに記述がなければ、診断処理部２０４にて算出してもよい。
ステップＳ５４において、
対応する現在の腫瘤の最長径値と、過去の最長径値と過去の検診からの期間によって成長速度を以下の式によって算出する。ここでは、例として下記式を挙げたが、その式に限定せず、たとえば部位に応じてウエイトや、調整項を追加した式のように、医学の分野で認められる成長速度を算出するその他の方法でもよい。
ＶＣ＝（ＭＲｐｒｅｓｅｎｔ−ＭＲｐａｓｔ）／ｔ
ただし、ＶＣは成長速度、ＭＲｐｒｅｓｅｎｔは腫瘤の現在の最長径値、ＭＲｐａｓｔは過去に検査を行ったときの対応する腫瘤の最長径値、ｔは過去の検査から経過した時間である。
対応する現在の腫瘤の最長径値と、過去の最長径値と過去の検診からの期間によって成長速度を以下の式によって算出する。ここでは、例として下記式を挙げたが、その式に限定せず、たとえば部位に応じてウエイトや、調整項を追加した式のように、医学の分野で認められる成長速度を算出するその他の方法でもよい。
ＶＣ＝（ＭＲｐｒｅｓｅｎｔ−ＭＲｐａｓｔ）／ｔ
ただし、ＶＣは成長速度、ＭＲｐｒｅｓｅｎｔは腫瘤の現在の最長径値、ＭＲｐａｓｔは過去に検査を行ったときの対応する腫瘤の最長径値、ｔは過去の検査から経過した時間である。
ステップＳ５５において、
検出された腫瘤の過去の情報がなければ、医学分野で経験的に知られている腫瘤の成長速度の値を利用する。もちろん、被検者のその他の検査データや、過去の症例などの情報に応じて腫瘤の成長速度を導く式や、方法なども利用してもよい。
検出された腫瘤の過去の情報がなければ、医学分野で経験的に知られている腫瘤の成長速度の値を利用する。もちろん、被検者のその他の検査データや、過去の症例などの情報に応じて腫瘤の成長速度を導く式や、方法なども利用してもよい。
ステップＳ５６において、
履歴記録部２０８に記録されている被検者の次の検診予定日（検診次期）を取得し、現在の腫瘤の大きさと、成長速度と、次回の検診までの日数を元に次の検診時での腫瘤の大きさを推定する。大きさの推定方法として、たとえば以下の式がある。ただし、その式に限定することなく、医学知識として表にまとめている経験値に応じて大きさを推定してもよい。
ＭＲｆｕｔｕｒｅ＝ＭＲｐｒｅｓｅｎｔ＋ＶＣ＊ｔｆ
ただし、ＭＲｆｕｔｕｒｅは次の予定されている検診の時の腫瘤の大きさの予測、ｔｆは、次の予定検診までの時間。
履歴記録部２０８に記録されている被検者の次の検診予定日（検診次期）を取得し、現在の腫瘤の大きさと、成長速度と、次回の検診までの日数を元に次の検診時での腫瘤の大きさを推定する。大きさの推定方法として、たとえば以下の式がある。ただし、その式に限定することなく、医学知識として表にまとめている経験値に応じて大きさを推定してもよい。
ＭＲｆｕｔｕｒｅ＝ＭＲｐｒｅｓｅｎｔ＋ＶＣ＊ｔｆ
ただし、ＭＲｆｕｔｕｒｅは次の予定されている検診の時の腫瘤の大きさの予測、ｔｆは、次の予定検診までの時間。
ステップＳ５７において、
ステップＳ５６で算出した、次回の検診時での腫瘤の大きさの予測を、医学ガイドラインと比較して、発症確率を推定する。たとえば、腫瘤の大きさが５ｍｍ未満であると予測されれば、発症確率は低いと判断できる。そして、腫瘤の大きさが１０ｍｍ以上になるとの予測があれば、発症確率は高いと判断できる。
ステップＳ５６で算出した、次回の検診時での腫瘤の大きさの予測を、医学ガイドラインと比較して、発症確率を推定する。たとえば、腫瘤の大きさが５ｍｍ未満であると予測されれば、発症確率は低いと判断できる。そして、腫瘤の大きさが１０ｍｍ以上になるとの予測があれば、発症確率は高いと判断できる。
以上、図５に示すような処理で次期検診時の病変の大きさを予測し、その情報を用いて処理方法変更部２０７によって発症確率を推定することができる。
今回は大きさを表すために、腫瘤の最長径を用いて説明したが、腫瘤の容積を用いるなど，腫瘤の大きさと成長速度を表すことが可能であれば上記に限らない。
次に、ステップＳ３２の発症確率を推定する方法として医学的重要度を用いた例を説明する。
処理方法変更部２０７は、処理部２０５によって取得された病変候補の医学的重要度に応じて発症確率を推定する。または、病変候補の医学的重要度の経過変化に応じて発症確率も推定できる。
ここで、処理方法変更部２０７において算出する医学的重要度Ｉについて説明する。
医学的重要度Ｉは、以下のように定義することができる。
Ｉ＝Ａ＊Ｂ＊Ｃ
ただし、
Ａ：重要疾病度 （異種疾病間の相対的な重篤度）
Ｂ：進行度（病期） （同種疾病内の重篤度）
Ｃ：関連疾病度
とする。
Ｉ＝Ａ＊Ｂ＊Ｃ
ただし、
Ａ：重要疾病度 （異種疾病間の相対的な重篤度）
Ｂ：進行度（病期） （同種疾病内の重篤度）
Ｃ：関連疾病度
とする。
例えば処理部２０５において複数種の疾病を検出する場合には、検査目的に応じて下記のように病変ごとの関連疾病度Ｃが設定される。すなわち、
となる。
ここで重要疾病度Ａ、進行度Ｂの例を図６に示す。例えば肺癌の経過観察の場合に、処理部２０５により病変候補として肺野の悪性腫瘍（０期）が１個検出されたとすると、悪性腫瘍に関する医学的重要度ＩＣは
ＩＣ＝１０＊２＊１＝２０
次に、発症確率を推定するために、患者が、過去にあった対応する病変の医学的重要度と比較する。履歴記録部２０８から、過去の検査において同じ腫瘍が良性腫瘍と判断されていたならば、その過去の医学的重要度ＩＰは
ＩＰ＝５＊２＊１＝１０
となる。すなわち、ある期間以内に医学的重要度が上昇しているので、発症確率は高いと推定する。または、医学的重要度が変化していなくても、一定期間にある値以上の値を維持していれば、発症確率は高いと推定する。
ＩＣ＝１０＊２＊１＝２０
次に、発症確率を推定するために、患者が、過去にあった対応する病変の医学的重要度と比較する。履歴記録部２０８から、過去の検査において同じ腫瘍が良性腫瘍と判断されていたならば、その過去の医学的重要度ＩＰは
ＩＰ＝５＊２＊１＝１０
となる。すなわち、ある期間以内に医学的重要度が上昇しているので、発症確率は高いと推定する。または、医学的重要度が変化していなくても、一定期間にある値以上の値を維持していれば、発症確率は高いと推定する。
さらに、以上に述べた医学的重要度の変化による発症確率の推定には、医学的研究によって集められた症例から作られた表（医学的重要度、医学的重要度の変化、期間）を利用することも可能である。
なお、ここで述べた医学的重要度の内容はあくまで一例であり、本実施例における定義に限定されるものではない。たとえば、医学重要度による発症確率を推定する時に、スクリーニング、精密検査、経過観察の検査目的情報を考慮してもよい。
次に、病変候補の病変としての確率（確信度と呼ぶ場合もある）を用いて発症確率を推定する方法を説明する。
ここでは、病変候補の病変としての確率を算出する方法として、類似画像検索による病変候補の検出が挙げられる。図７を参照しながら、類似画像検索の処理の手順を説明する。
ステップＳ７１において、
処理部２０５では医用検査データの処理を行い、画像特徴量を算出する。画像特徴量としては、たとえば一般的な画像処理から得られる輝度分布、画像中の注目領域の２Ｄや３Ｄ特徴量等がある．また、「ｓｈａｐｅ ｉｎｄｅｘ」値と「ｃｕｒｖｅｄｎｅｓｓ」値を用いても良い。
処理部２０５では医用検査データの処理を行い、画像特徴量を算出する。画像特徴量としては、たとえば一般的な画像処理から得られる輝度分布、画像中の注目領域の２Ｄや３Ｄ特徴量等がある．また、「ｓｈａｐｅ ｉｎｄｅｘ」値と「ｃｕｒｖｅｄｎｅｓｓ」値を用いても良い。
ステップＳ７２において、
処理部２０５で算出された画像の特徴量を用いて症例データベース２０２を検索して、近い特徴量を持つ画像の症例を取得する。またあら予め特徴量に症例を関連付け保存しておき、症例付きの特徴量から症例の情報を取得する。
処理部２０５で算出された画像の特徴量を用いて症例データベース２０２を検索して、近い特徴量を持つ画像の症例を取得する。またあら予め特徴量に症例を関連付け保存しておき、症例付きの特徴量から症例の情報を取得する。
ステップＳ７３において、
検索された画像を、特徴量が近い順に並べて、一番似ている画像の順にその画像の類似度を算出する。ここでは、類似度の例として、検索に用いた特徴空間での参照画像と類似画像との正規化された特徴ベクトルの内積値を用いる。つまり、特徴空間上では、参照画像と類似画像の特徴量が近ければ近いほど両画像が似ているということになる。なお、ここで述べた類似度の算出方法はあくまで一例であり、本実施例における方法に限定されるものではない。
検索された画像を、特徴量が近い順に並べて、一番似ている画像の順にその画像の類似度を算出する。ここでは、類似度の例として、検索に用いた特徴空間での参照画像と類似画像との正規化された特徴ベクトルの内積値を用いる。つまり、特徴空間上では、参照画像と類似画像の特徴量が近ければ近いほど両画像が似ているということになる。なお、ここで述べた類似度の算出方法はあくまで一例であり、本実施例における方法に限定されるものではない。
ステップＳ７４において、
検索された画像の症例、又は画像から得られた特徴量に関連つけられている所見を取得する。所見には上述の医学的重要度を求めるための各要素Ａ，Ｂ，Ｃがつけられている。例えば、癌であっても進行速度の速い癌、転移性の高い癌などは悪性であり、医学的な重要度が高くなる。また、選択された症例には、パターンマッチで選択された場合の、その症例の確信度を取得する。ここで確信度は、たとえば複数の医者がこの症例を診断した時の症例が悪性である確率を示す。また、識別関数で症例判断したときの正解率（医師の所見と識別関数の出力所見の一致する確立）を統計値としての確信度としてもよい。次に、得られた類似度と症例の確信度を元に病変類似度の変化Ｔを、以下のように定義する。
Ｔ＝Ｓｐｒｅｓｅｎｔ ＊Ｃｐｒｅｓｅｎｔ−Ｓｐａｓｔ ＊Ｃｐａｓｔ
ただし、
Ｓｐｒｅｓｅｎｔ：現在の検査で得られた類似度
Ｃｐｒｅｓｅｎｔ：現在の検査で得られた確信度
Ｓｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の類似度
Ｃｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の確信度
そして、上記のＴがある期間以内に上昇していたら、発症確率は高いと推定する。
検索された画像の症例、又は画像から得られた特徴量に関連つけられている所見を取得する。所見には上述の医学的重要度を求めるための各要素Ａ，Ｂ，Ｃがつけられている。例えば、癌であっても進行速度の速い癌、転移性の高い癌などは悪性であり、医学的な重要度が高くなる。また、選択された症例には、パターンマッチで選択された場合の、その症例の確信度を取得する。ここで確信度は、たとえば複数の医者がこの症例を診断した時の症例が悪性である確率を示す。また、識別関数で症例判断したときの正解率（医師の所見と識別関数の出力所見の一致する確立）を統計値としての確信度としてもよい。次に、得られた類似度と症例の確信度を元に病変類似度の変化Ｔを、以下のように定義する。
Ｔ＝Ｓｐｒｅｓｅｎｔ ＊Ｃｐｒｅｓｅｎｔ−Ｓｐａｓｔ ＊Ｃｐａｓｔ
ただし、
Ｓｐｒｅｓｅｎｔ：現在の検査で得られた類似度
Ｃｐｒｅｓｅｎｔ：現在の検査で得られた確信度
Ｓｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の類似度
Ｃｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の確信度
そして、上記のＴがある期間以内に上昇していたら、発症確率は高いと推定する。
上記以外にも、病変候補の確率を算出するために、たとえばサポートベクトルマシーンや、その他のパターン認識で用いられる識別器を利用することも可能であり、上記の類似度を利用した方法に限らない。
以上のように、第１の実施形態によれば、患者の履歴を考慮することにより、診断支援の感度調整が可能になり、読影医の負荷を軽減することができる。その結果、見落としや不要な生検が低減するため、患者の負荷も軽減することができる。
（第二実施例）
第１の実施形態においては、患者の発症確率により診断支援の感度を調整することを説明したが、医用検査データ取得装置から得られる検査データは標準的なパラメータで取得されたと仮定していた。
第１の実施形態においては、患者の発症確率により診断支援の感度を調整することを説明したが、医用検査データ取得装置から得られる検査データは標準的なパラメータで取得されたと仮定していた。
第２の実施形態では、患者の発症確率に応じた医用検査データ取得装置の取得パラメータの変更について述べる。
医用検査データ取得装置の種類にも依存するが、取得された検査データの鮮明さをあげようとすると、患者の負荷（検査の侵襲性）もあがる場合がある。たとえば、Ｘ線ＣＴ装置の場合は、Ｘ線管の電圧や電量を減らして患者の被爆量を抑えようとすると、得られる断面画像のノイズが増える。または、Ｘ線管（Ｘ線源）の線量を減らさずに患者への全体の被爆量を減らす方法としてベッドの移動速度あげることも考えられるが、断面画像間の間隔が大きくなり、病変は断面画像から外れて写さない可能性がある。
本実施例では、第１実施例で算出された患者の発症確率に応じて医用検査データ取得装置の取得パラメータの変更を行う。
Ｘ線ＣＴ装置において、発症確率が低いと判断された場合、Ｘ線源からの線量を落としたり、または断面間隔を大きくしたりする。一方、発症確率が高いと判断された場合、より鮮明な医用画像を得るためにＸ線量を増やしたり、断面間隔を小さくしたりする。
または、特定の部位での発症確率が高ければ、その部位だけ撮影を鮮明に行なったり、その他の部位をより負荷の少ない方法で検査することも可能である。
または、検査データの算出アルゴリズムの変更も考えられる。Ｘ線ＣＴ装置の場合では、再構成アルゴリズムを変えられるので、発症確率が高い場合は遅くてもより鮮明な画像が得られるアルゴリズムを選んだり、発症確率が低い場合は早いアルゴリズムを選択したりしても良い。
また、ＭＲＩ用の造影剤の量などの取得パラメータを調整してもよい。
さらに、発症確率は、医用検査データ取得装置の選定にも使える。たとえば、発症確率が高いと推定された場合、その症例の検査によりふさわしい検査（例：ＰＥＴ）を行うことも可能である。
さらに、発症確率は、医用検査データ取得装置の選定にも使える。たとえば、発症確率が高いと推定された場合、その症例の検査によりふさわしい検査（例：ＰＥＴ）を行うことも可能である。
以上のように、第２の実施形態によれば、患者の履歴から推定された発症確率に応じて、検査装置の取得パラメータを調整することで、その症例の特徴をより詳細に取得することができる。
（第３実施例）
第２の実施形態においては、患者の発症確率により医用検査データ取得装置の取得パラメータを変更することで、発症確率の高い病変をより正確に検出できることを説明した。
第２の実施形態においては、患者の発症確率により医用検査データ取得装置の取得パラメータを変更することで、発症確率の高い病変をより正確に検出できることを説明した。
ただし、最終診断は読影医または主治医など、診断をする資格をもつ医者が行うので、診断を確定するために、画像診断支援装置は病変候補の情報以外に、病変を候補にした基準の情報も提示する必要がある。
ここで、画像診断支援装置１は検出された病変候補の関連情報と読影レポートと一緒に、患者の発症確率や感度パラメータの変更（変更されたパラメータ、その値、または変更されたアルゴリズム）とその理由と根拠を医者に提示する。
または、結果出力方法として、紙媒体の読影レポートのほかに読影に利用する端末の画面に表示しても、またはその他の提示方法でも良い。
以上のように、第３の実施形態によれば、診断レポートと一緒に感度パラメータの発症確率や変更情報を提示することで、より正確な診断を行うことができる。また、医者は患者の健康をよりよく把握することもでき、その情報の管理も可能になる。
（その他の実施例）
本発明の目的は、前述した実施形態の機能を実現するプログラムを記憶したコンピュータ読み取り可能な記憶媒体を、システムあるいは装置に供給する。そして、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読出し実行することによっても、達成されることは言うまでもない。
本発明の目的は、前述した実施形態の機能を実現するプログラムを記憶したコンピュータ読み取り可能な記憶媒体を、システムあるいは装置に供給する。そして、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読出し実行することによっても、達成されることは言うまでもない。
この場合、記憶媒体から読出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。
プログラムコードを供給するための記憶媒体としては、例えば、フロッピディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどを用いることができる。
また、コンピュータが読出したプログラムコードを実行することにより、前述した実施形態の機能が実現されるだけでなく、そのプログラムコードの指示に基づき、コンピュータ上で稼働しているＯＳ（オペレーティングシステム）などが実際の処理の一部または全部を行う。そしてい、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。
さらに、記憶媒体から読出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書込まれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵ１００などが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。
なお、上述した本実施の形態における記述は、本発明に係る好適な診断支援装置の一例であり、本発明はこれに限定されるものではない。
２０２ 症例データベース
２０３ 医学知識データベース
２０４ 診断支援処理部
２０５ 処理部
２０６ 出力処理部
２０７ 処理方法変更部
２０８ 履歴記録部
２０３ 医学知識データベース
２０４ 診断支援処理部
２０５ 処理部
２０６ 出力処理部
２０７ 処理方法変更部
２０８ 履歴記録部
Claims (9)
- 被検者から得られたデータを処理する診断支援処理手段と、
前記被検者の病変部の情報を含む検査履歴情報を記憶する記憶手段と、
前記記憶手段に記憶される前記被検者の検査履歴情報に応じて、前記診断支援処理手段において処理対象となる病変部の大きさを変更する変更手段と、
を有する診断支援装置。 - 前記変更手段は、前記記憶手段に記憶される前記被検者の病変部の大きさと、該病変部が撮像された日から検査日までの経過時間に応じて処理対象となる病変部の大きさを算出して、前記診断支援処理手段の処理方法として、処理対象となる病変部の大きさを変更することを特徴とする請求項１に記載の診断支援装置。
- 前記変更手段は、
前記被検者の検査履歴に応じて病変の発症確率を計算し、該発症確率に応じて前記診断支援処理手段の処理方法を変更することを特徴とする請求項１に記載の診断支援装置。 - 前記変更手段は、
診断支援処理手段で用いられる処理関数のパラメータ、処理関数のアルゴリズム、または処理関数の出力値の閾値を変更することを特徴とする請求項１に記載の診断支援装置。 - さらに、被検者からデータを取得する医用検査データ取得装置を有し、
前記変更手段は、前記医用検査データ取得装置の取得パラメータを変更する
ことを特徴とする請求項１に記載の診断支援装置。 - さらに、データ出力手段を有し、
前記診断支援処理手段の処理方法の変更情報、前記診断支援処理手段の処理結果のいずれかを出力することを特徴とする請求項１に記載の診断支援装置。 - 被検者の病変部の情報を含む検査履歴を記憶する記憶手段を備えた診断支援装置をＣＰＵが制御する制御方法であって、
前記記憶手段に記憶される前記被検者の検査履歴に応じて処理対象となる病変部の大きさを変更する変更工程と、
前記変更された処理対象の病変部を被検者から得られたデータを処理して抽出する診工程と、
を備えることを特徴とする診断支援装置の制御方法。 - 請求項７に記載の診断支援装置の制御方法をコンピュータに実行させるプログラム。
- 請求項８に記載のプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007271300A JP5159242B2 (ja) | 2007-10-18 | 2007-10-18 | 診断支援装置、診断支援装置の制御方法、およびそのプログラム |
| CN2008800246235A CN101742961B (zh) | 2007-10-18 | 2008-09-09 | 诊断支持设备及系统 |
| EP08840701.0A EP2213224A4 (en) | 2007-10-18 | 2008-09-09 | DIAGNOSTIC SUPPORT DEVICE, METHOD FOR CONTROLLING DIAGNOSTIC SUPPORT DEVICE, AND PROGRAM THEREOF |
| KR1020107008464A KR101216259B1 (ko) | 2007-10-18 | 2008-09-09 | 진단 지원 장치, 진단 지원 장치의 제어 방법, 및 진단 지원 시스템 |
| PCT/JP2008/066238 WO2009050962A1 (ja) | 2007-10-18 | 2008-09-09 | 診断支援装置、診断支援装置の制御方法、およびそのプログラム |
| US12/738,577 US9852269B2 (en) | 2007-10-18 | 2008-09-09 | Diagnosis support apparatus, method of controlling diagnosis support apparatus, and program therefor |
| US15/827,447 US10297352B2 (en) | 2007-10-18 | 2017-11-30 | Diagnosis support apparatus, method of controlling diagnosis support apparatus, and program therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007271300A JP5159242B2 (ja) | 2007-10-18 | 2007-10-18 | 診断支援装置、診断支援装置の制御方法、およびそのプログラム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012221475A Division JP5456132B2 (ja) | 2012-10-03 | 2012-10-03 | 診断支援装置、診断支援装置の制御方法、およびそのプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2009095550A JP2009095550A (ja) | 2009-05-07 |
| JP5159242B2 true JP5159242B2 (ja) | 2013-03-06 |
Family
ID=40567238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007271300A Active JP5159242B2 (ja) | 2007-10-18 | 2007-10-18 | 診断支援装置、診断支援装置の制御方法、およびそのプログラム |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US9852269B2 (ja) |
| EP (1) | EP2213224A4 (ja) |
| JP (1) | JP5159242B2 (ja) |
| KR (1) | KR101216259B1 (ja) |
| CN (1) | CN101742961B (ja) |
| WO (1) | WO2009050962A1 (ja) |
Families Citing this family (72)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5178119B2 (ja) | 2007-09-28 | 2013-04-10 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
| JP5159242B2 (ja) * | 2007-10-18 | 2013-03-06 | キヤノン株式会社 | 診断支援装置、診断支援装置の制御方法、およびそのプログラム |
| ES2703714T3 (es) | 2009-03-12 | 2019-03-12 | Cancer Prevention & Cure Ltd | Métodos de identificación, evaluación, prevención y terapia de enfermedades pulmonares y kits de los mismos, incluida la identificación, evaluación, prevención y terapia de enfermedades en base al género |
| JP5478328B2 (ja) | 2009-09-30 | 2014-04-23 | 富士フイルム株式会社 | 診断支援システム、診断支援プログラムおよび診断支援方法 |
| JP5523891B2 (ja) | 2009-09-30 | 2014-06-18 | 富士フイルム株式会社 | 病変領域抽出装置、その作動方法およびプログラム |
| JP5582772B2 (ja) * | 2009-12-08 | 2014-09-03 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
| JP5655327B2 (ja) * | 2010-03-09 | 2015-01-21 | 富士ゼロックス株式会社 | プログラムおよび情報処理装置 |
| JP5320335B2 (ja) * | 2010-03-31 | 2013-10-23 | 富士フイルム株式会社 | 診断支援システム、診断支援装置、診断支援方法および診断支援プログラム |
| CN101877035B (zh) * | 2010-04-22 | 2015-09-09 | 无锡市优特科科技有限公司 | 基于金标准数据库的心电图分析系统 |
| CN102883660A (zh) * | 2010-09-20 | 2013-01-16 | 德克萨斯州大学系统董事会 | 高级多媒体结构化报告 |
| JP5670695B2 (ja) * | 2010-10-18 | 2015-02-18 | ソニー株式会社 | 情報処理装置及び方法、並びにプログラム |
| JP5557687B2 (ja) * | 2010-10-21 | 2014-07-23 | 株式会社日立メディコ | 検査計画作成装置 |
| US9275456B2 (en) * | 2010-10-29 | 2016-03-01 | The Johns Hopkins University | Image search engine |
| EP2702411A4 (en) * | 2011-04-29 | 2015-07-22 | Cancer Prevention & Cure Ltd | METHODS OF IDENTIFYING AND DIAGNOSING PULMONARY DISEASES USING CLASSIFICATION SYSTEMS AND THEIR KITS |
| JP5744631B2 (ja) * | 2011-06-06 | 2015-07-08 | キヤノン株式会社 | 診療支援装置、診療支援方法 |
| JP6193225B2 (ja) * | 2011-06-29 | 2017-09-06 | インナー モンゴリア フルイ メディカル サイエンス カンパニー リミテッドＩｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｆｕｒｕｉ Ｍｅｄｉｃａｌ Ｓｃｉｅｎｃｅ Ｃｏ．， Ｌｔｄ | 肝線維症検出装置および検出システム |
| US20140306992A1 (en) * | 2011-12-26 | 2014-10-16 | Canon Kabushiki Kaisha | Image processing apparatus, image processing system and image processing method |
| JP6226510B2 (ja) | 2012-01-27 | 2017-11-08 | キヤノン株式会社 | 画像処理システム、処理方法及びプログラム |
| JP5750381B2 (ja) * | 2012-02-13 | 2015-07-22 | 株式会社日立製作所 | 領域抽出処理システム |
| JP6021346B2 (ja) | 2012-02-14 | 2016-11-09 | キヤノン株式会社 | 診断支援装置及びその制御方法 |
| JP5802144B2 (ja) * | 2012-02-16 | 2015-10-28 | 株式会社日立製作所 | 画像診断支援システム、プログラム及び記憶媒体 |
| WO2013121374A2 (en) * | 2012-02-17 | 2013-08-22 | Koninklijke Philips N.V. | Acute lung injury (ali)/acute respiratory distress syndrome (ards) assessment and monitoring |
| CN104303184B (zh) * | 2012-03-21 | 2018-05-15 | 皇家飞利浦有限公司 | 整合医疗成像和活检数据的临床工作站以及使用其的方法 |
| US20150269339A1 (en) * | 2012-10-15 | 2015-09-24 | ClinicalBox, Inc. | Adaptive Medical Testing |
| WO2014062648A1 (en) * | 2012-10-15 | 2014-04-24 | ClinicalBox, Inc. | Adaptive medical testing |
| KR102043130B1 (ko) | 2012-11-16 | 2019-11-11 | 삼성전자주식회사 | 컴퓨터 보조 진단 방법 및 장치 |
| US9378551B2 (en) * | 2013-01-03 | 2016-06-28 | Siemens Aktiengesellschaft | Method and system for lesion candidate detection |
| KR20140091176A (ko) | 2013-01-10 | 2014-07-21 | 삼성전자주식회사 | 병변 진단 장치 및 방법 |
| US9730655B2 (en) * | 2013-01-21 | 2017-08-15 | Tracy J. Stark | Method for improved detection of nodules in medical images |
| JP6208243B2 (ja) * | 2013-08-27 | 2017-10-04 | 株式会社日立製作所 | 罹患率評価装置、罹患率評価方法及び罹患率評価プログラム |
| US20170150941A1 (en) * | 2014-07-02 | 2017-06-01 | Koninklijke Philips N.V. | Lesion signature to characterize pathology for specific subject |
| US11147652B2 (en) | 2014-11-13 | 2021-10-19 | Align Technology, Inc. | Method for tracking, predicting, and proactively correcting malocclusion and related issues |
| CN104484845B (zh) * | 2014-12-30 | 2019-03-05 | 天津迈沃医药技术股份有限公司 | 基于医学信息本体数据库的疾病自我分析平台 |
| US20160188823A1 (en) * | 2014-12-31 | 2016-06-30 | General Electric Company | System for providing electrocardiogram (ecg) analytics for electronic medical records (emr) |
| US9824189B2 (en) * | 2015-01-23 | 2017-11-21 | Panasonic Intellectual Property Management Co., Ltd. | Image processing apparatus, image processing method, image display system, and storage medium |
| KR101748019B1 (ko) | 2015-02-03 | 2017-06-15 | 부산대학교 산학협력단 | 의료정보 제공 장치 및 의료정보 제공 방법 |
| JP6301277B2 (ja) * | 2015-03-20 | 2018-03-28 | 富士フイルム株式会社 | 診断補助画像生成装置および診断補助画像生成方法、並びに、診断補助画像生成プログラム |
| JP6408436B2 (ja) * | 2015-07-29 | 2018-10-17 | 富士フイルム株式会社 | 診療支援装置とその作動方法および作動プログラム、並びに診療支援システム |
| JP6818424B2 (ja) * | 2016-04-13 | 2021-01-20 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
| JP6755130B2 (ja) * | 2016-06-21 | 2020-09-16 | 株式会社日立製作所 | 画像処理装置、及び方法 |
| US20180060535A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Updating probabilities of conditions based on annotations on medical images |
| WO2018083844A1 (ja) * | 2016-11-02 | 2018-05-11 | 株式会社島津製作所 | Ｘ線透視装置およびｘ線透視方法 |
| CN110168657B (zh) * | 2016-12-05 | 2024-03-12 | 皇家飞利浦有限公司 | 利用智能肿瘤大小更改通知进行肿瘤跟踪 |
| WO2018116727A1 (ja) * | 2016-12-19 | 2018-06-28 | 富士フイルム株式会社 | 類似症例検索装置とその作動方法および作動プログラム、並びに類似症例検索システム |
| WO2018154703A1 (ja) * | 2017-02-24 | 2018-08-30 | 株式会社日立製作所 | 異常診断システム |
| CN110709936A (zh) | 2017-04-04 | 2020-01-17 | 肺癌蛋白质组学有限责任公司 | 用于早期肺癌预后的基于血浆的蛋白质概况分析 |
| RU2667879C1 (ru) * | 2017-05-30 | 2018-09-24 | Общество с ограниченной ответственностью "Аби Продакшн" | Обработка и анализ данных на изображениях компьютерной томографии |
| US20200168336A1 (en) * | 2017-07-31 | 2020-05-28 | Koninklijke Philips N.V. | Device, system, and method for determining when to select limited echocardiography exams |
| JP7224757B2 (ja) | 2017-10-13 | 2023-02-20 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
| JP6872470B2 (ja) * | 2017-11-14 | 2021-05-19 | 株式会社日立製作所 | 画像処理装置、画像処理方法、画像処理プログラム及び超音波撮像装置 |
| CN108888247B (zh) * | 2018-05-22 | 2021-11-05 | 广东乐心医疗电子股份有限公司 | 有氧能力测试方法、装置、系统和数据采集设备 |
| CN109003670A (zh) * | 2018-06-29 | 2018-12-14 | 武汉圣大东高科技有限公司 | 大数据医疗信息处理方法、系统、终端设备及存储介质 |
| JP7467033B2 (ja) | 2018-07-04 | 2024-04-15 | キヤノンメディカルシステムズ株式会社 | 診療情報処理装置 |
| US11003939B2 (en) | 2018-07-06 | 2021-05-11 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium |
| JP7091174B2 (ja) * | 2018-07-09 | 2022-06-27 | キヤノン株式会社 | システム、システムの制御方法及びプログラム |
| CN117438053A (zh) * | 2018-08-27 | 2024-01-23 | 卡西欧计算机株式会社 | 显示控制装置、显示控制系统、显示控制方法及记录介质 |
| CN112638262A (zh) * | 2018-08-31 | 2021-04-09 | 富士胶片株式会社 | 相似度确定装置、方法及程序 |
| JP7187244B2 (ja) * | 2018-10-10 | 2022-12-12 | 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、医用画像処理システム及び医用画像処理プログラム |
| JP7109345B2 (ja) | 2018-11-20 | 2022-07-29 | 富士フイルム株式会社 | 優先度判定装置、方法およびプログラム |
| JP7170747B2 (ja) * | 2018-11-27 | 2022-11-14 | 富士フイルム株式会社 | 類似度決定装置、方法およびプログラム |
| WO2020110520A1 (ja) * | 2018-11-27 | 2020-06-04 | 富士フイルム株式会社 | 類似度決定装置、方法およびプログラム |
| JP7289638B2 (ja) * | 2018-11-29 | 2023-06-12 | キヤノン株式会社 | 医用情報処理システム及びプログラム |
| CN109712705A (zh) * | 2018-12-19 | 2019-05-03 | 中国石油大学(华东) | 一种基于深度学习的胆石病智能诊断app |
| KR102231677B1 (ko) * | 2019-02-26 | 2021-03-24 | 사회복지법인 삼성생명공익재단 | 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 |
| CN110085299B (zh) * | 2019-04-19 | 2020-12-08 | 合肥中科离子医学技术装备有限公司 | 一种图像识别去燥方法、系统及图像库 |
| US11790524B2 (en) * | 2019-06-20 | 2023-10-17 | Ohio State Innovation Foundation | System and method for quantitative volumetric assessment and modeling of tumor lesions |
| CN110309915B (zh) * | 2019-07-05 | 2021-12-10 | 中国人民解放军国防科技大学 | 基于直方图的神经元定位异常图层处理方法、系统及介质 |
| WO2021246047A1 (ja) * | 2020-06-04 | 2021-12-09 | 富士フイルム株式会社 | 経過予測装置、方法およびプログラム |
| CN112256754A (zh) * | 2020-10-19 | 2021-01-22 | 柳州市妇幼保健院 | 基于标准模型的超声检测分析系统及方法 |
| US20220338805A1 (en) * | 2021-04-26 | 2022-10-27 | Wisconsin Alumni Research Foundation | System and Method for Monitoring Multiple Lesions |
| JP2023005697A (ja) * | 2021-06-29 | 2023-01-18 | 大日本印刷株式会社 | 診断支援装置、コンピュータプログラム及び診断支援方法 |
| CN113496774A (zh) * | 2021-07-22 | 2021-10-12 | 河北北方学院 | 一种数字化的医疗信息管理方法及相关装置 |
Family Cites Families (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5260871A (en) * | 1991-07-31 | 1993-11-09 | Mayo Foundation For Medical Education And Research | Method and apparatus for diagnosis of breast tumors |
| US5289374A (en) | 1992-02-28 | 1994-02-22 | Arch Development Corporation | Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs |
| US6075879A (en) * | 1993-09-29 | 2000-06-13 | R2 Technology, Inc. | Method and system for computer-aided lesion detection using information from multiple images |
| US5483443A (en) * | 1994-04-08 | 1996-01-09 | Promt Medical Systems | Method for computing current procedural terminology codes from physician generated documentation |
| US6317617B1 (en) * | 1997-07-25 | 2001-11-13 | Arch Development Corporation | Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images |
| US6418238B1 (en) * | 1997-09-22 | 2002-07-09 | Olympus Optical Co., Ltd. | Image detection apparatus and image detection method capable of detecting roundish shape |
| US6941323B1 (en) * | 1999-08-09 | 2005-09-06 | Almen Laboratories, Inc. | System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images |
| US6901156B2 (en) * | 2000-02-04 | 2005-05-31 | Arch Development Corporation | Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images |
| JP2001357381A (ja) * | 2000-06-12 | 2001-12-26 | Fuji Photo Film Co Ltd | 異常陰影候補検出方法および検出システム |
| US6909792B1 (en) * | 2000-06-23 | 2005-06-21 | Litton Systems, Inc. | Historical comparison of breast tissue by image processing |
| US7343305B2 (en) * | 2001-05-03 | 2008-03-11 | University Of Florida Research Foundation, Inc. | Method and system for recording carious lesions |
| CN1636210A (zh) | 2001-11-02 | 2005-07-06 | 美国西门子医疗解决公司 | 用于临床试验的病人数据挖掘 |
| WO2003070102A2 (en) * | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
| JP4087640B2 (ja) * | 2002-05-14 | 2008-05-21 | 富士フイルム株式会社 | 疾患候補情報出力システム |
| JP2004046594A (ja) * | 2002-07-12 | 2004-02-12 | Konica Minolta Holdings Inc | 画像診断支援装置 |
| US20040122702A1 (en) * | 2002-12-18 | 2004-06-24 | Sabol John M. | Medical data processing system and method |
| JP2007524461A (ja) * | 2003-06-25 | 2007-08-30 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 乳房撮像の自動診断及び決定支援システム及び方法 |
| US7162063B1 (en) * | 2003-07-29 | 2007-01-09 | Western Research Company, Inc. | Digital skin lesion imaging system and method |
| JP2005270635A (ja) * | 2004-02-23 | 2005-10-06 | Canon Inc | 画像処理方法及び処理装置 |
| US7406187B2 (en) | 2004-02-23 | 2008-07-29 | Canon Kabushiki Kaisha | Method and system for processing an image |
| JP2005284846A (ja) | 2004-03-30 | 2005-10-13 | Fuji Photo Film Co Ltd | 診断支援システム並びにそれに用いる方法及びサーバ |
| CA2564240C (en) * | 2004-04-26 | 2014-10-07 | David F. Yankelevitz | Medical imaging system for accurate measurement evaluation of changes in a target lesion |
| JP4731127B2 (ja) * | 2004-05-26 | 2011-07-20 | 株式会社日立メディコ | 画像診断支援装置及び方法 |
| US7761240B2 (en) * | 2004-08-11 | 2010-07-20 | Aureon Laboratories, Inc. | Systems and methods for automated diagnosis and grading of tissue images |
| US8045805B2 (en) * | 2005-03-15 | 2011-10-25 | Applied Visual Sciences, Inc. | Method for determining whether a feature of interest or an anomaly is present in an image |
| WO2006114003A1 (en) * | 2005-04-27 | 2006-11-02 | The Governors Of The University Of Alberta | A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images |
| EP1938274A2 (en) * | 2005-09-12 | 2008-07-02 | D.V.P. Technologies Ltd. | Medical image processing |
| US7876938B2 (en) * | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
| US7599893B2 (en) * | 2005-10-13 | 2009-10-06 | Aureon Laboratories, Inc. | Methods and systems for feature selection in machine learning based on feature contribution and model fitness |
| US7805385B2 (en) * | 2006-04-17 | 2010-09-28 | Siemens Medical Solutions Usa, Inc. | Prognosis modeling from literature and other sources |
| JP4979334B2 (ja) * | 2006-10-18 | 2012-07-18 | 富士フイルム株式会社 | 医用画像読影支援システム及びプログラム |
| US8116849B2 (en) * | 2007-08-08 | 2012-02-14 | Siemens Medical Solutions Usa, Inc. | Non-invasive temperature scanning and analysis for cardiac ischemia characterization |
| JP5159242B2 (ja) * | 2007-10-18 | 2013-03-06 | キヤノン株式会社 | 診断支援装置、診断支援装置の制御方法、およびそのプログラム |
| US8401260B2 (en) * | 2008-09-22 | 2013-03-19 | General Electric Company | Systems and methods for analyzing growth of computer detected patterns on digital medical images |
| US9462941B2 (en) * | 2011-10-17 | 2016-10-11 | The Board Of Trustees Of The Leland Stanford Junior University | Metamorphopsia testing and related methods |
-
2007
- 2007-10-18 JP JP2007271300A patent/JP5159242B2/ja active Active
-
2008
- 2008-09-09 US US12/738,577 patent/US9852269B2/en active Active
- 2008-09-09 KR KR1020107008464A patent/KR101216259B1/ko active IP Right Grant
- 2008-09-09 EP EP08840701.0A patent/EP2213224A4/en not_active Withdrawn
- 2008-09-09 CN CN2008800246235A patent/CN101742961B/zh active Active
- 2008-09-09 WO PCT/JP2008/066238 patent/WO2009050962A1/ja active Application Filing
-
2017
- 2017-11-30 US US15/827,447 patent/US10297352B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN101742961A (zh) | 2010-06-16 |
| JP2009095550A (ja) | 2009-05-07 |
| EP2213224A4 (en) | 2016-12-07 |
| US9852269B2 (en) | 2017-12-26 |
| CN101742961B (zh) | 2011-09-14 |
| KR20100065194A (ko) | 2010-06-15 |
| US20180137942A1 (en) | 2018-05-17 |
| US20100250275A1 (en) | 2010-09-30 |
| EP2213224A1 (en) | 2010-08-04 |
| KR101216259B1 (ko) | 2012-12-28 |
| US10297352B2 (en) | 2019-05-21 |
| WO2009050962A1 (ja) | 2009-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5159242B2 (ja) | 診断支援装置、診断支援装置の制御方法、およびそのプログラム | |
| JP5456132B2 (ja) | 診断支援装置、診断支援装置の制御方法、およびそのプログラム | |
| US11488306B2 (en) | Immediate workup | |
| KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
| JP2003524492A (ja) | 医学的画像のコンピュータ支援解釈用知的探索ワークステーションのための方法、システム、及びコンピュータ読取り型媒体 | |
| US20040052328A1 (en) | Computer assisted analysis of tomographic mammography data | |
| EP1947606A1 (en) | Medical image processing apparatus and medical image processing method | |
| US10769779B2 (en) | Method for increasing reading efficiency in medical image reading process using gaze information of user and apparatus using the same | |
| JPWO2017150497A1 (ja) | 肺野病変の診断支援装置、該装置の制御方法及びプログラム | |
| US11915822B2 (en) | Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination | |
| KR20120072961A (ko) | 의료 영상을 이용한 영상진단을 보조하는 방법 및 장치, 이를 수행하는 영상진단 시스템 | |
| JP2006034585A (ja) | 画像表示装置、画像表示方法およびそのプログラム | |
| US20210151171A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
| US20100266173A1 (en) | Computer-aided detection (cad) of a disease | |
| KR20140138501A (ko) | 병변 분류 장치, 및 병변 분류 데이터 변경 방법 | |
| JP5048233B2 (ja) | Ｃａｄシステムにおける解剖学的形状の検出のための方法及びシステム | |
| JP2006325640A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质 | |
| JP2006340835A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| KR20210065228A (ko) | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 | |
| Lu et al. | A Review of the Role of Ultrasound Radiomics and Its Application and Limitations in the Investigation of Thyroid Disease | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
| CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
| JP2006181025A (ja) | 異常陰影検出方法および装置並びにプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20100201 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20100630 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100921 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120417 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120608 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20120703 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121003 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20121010 |
|
| 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: 20121113 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20121211 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 5159242 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151221 Year of fee payment: 3 |