JP6993371B2

JP6993371B2 - ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法

Info

Publication number: JP6993371B2
Application number: JP2019049066A
Authority: JP
Inventors: ルングァオジャン; モンモンスン; シャオカンワン; クァンチェン
Original assignee: Infervision Medical Technology Co Ltd; Infervision Co Ltd
Current assignee: Infervision Medical Technology Co Ltd; Infervision Co Ltd
Priority date: 2018-03-16
Filing date: 2019-03-15
Publication date: 2022-01-13
Anticipated expiration: 2039-03-15
Also published as: CN108446730A; US10937157B2; JP2019193776A; CN108446730B; US20190287242A1; EP3540692A1

Description

［関連出願に対するクロスリファレンス］
本出願は、２０１８年３月１６日に出願された中国特許出願番号２０１８１０２１７５６８．７からの優先権および利益を享受する権利を主張し、中国特許出願番号２０１８１０２１７５６８．７は、本明細書に完全に説明されるように、全ての目的に対して、参照によって本明細書に組み入れられる。

本発明の例示的実施形態／実装は、概して、医用画像処理の分野に関し、より詳細には、ディープラーニングに基づいたコンピュータ断層撮影（ＣＴ）肺結節検出法に関する。

肺がんは、中国では最高の罹患率および死亡率の疾病の種類である。肺がんの死亡率は、過去３０年間で４６５％増加し、その主な理由は、がん患者の７５％が中間および進行したステージでしか診断されないということである。先進国においてさえも、肺がんは、全ての悪性腫瘍のうちで最も一般的かつ致命的なものである。早期肺がんの検出率は、２５％に満たないが、早期肺がんの５年生存率は５５％に達する。その早期特性は明瞭なものではないため、肺がんを検出する上で最良の方法は、肺結節を定期的に検査することである。

ＣＴ（コンピュータ断層撮影）は、しばしば採用される信頼できるスクリーニング法である。１．２５ｍｍのスライス厚のＣＴ画像の数は、２００から３００の間である。作成される膨大なＣＴ画像を扱うとき、ある診断において医師を支援するために人工知能技術が採用されれば、人員は節約され、過労に起因する誤診は減少するだろう。

ディープラーニングニューラルネットワークモデルは、ヒトの脳の生物学的構造に起因するものであるが、ヒトの脳と比較すると、ディープラーニングニューラルネットワークの階層はより明瞭であり、神経単位の接続はより規則的であり、信号伝達の方向はより限定的である。ディープラーニングは、非常に小さい特性単位（ピクセル）で画像を記述することができるため、ディープラーニング人工知能は、従来の論理法よりも何万倍も複雑なモデルを解析、構築することができ、より精密な画像認識、画像分類といったタスクを達成することができる。ディープラーニングの最も広く認識されている用途は、ＧｏｏｇｌｅのＡｌｐｈａＧｏであり、これは、人間対コンピュータの競争で、碁の世界チャンピオンであるＬｅｅＳｅ－ｄｏｌおよびＫｅＪｉｅを圧倒的に打ち負かした。碁に加えて、ディープラーニングは、画像認識および音声認識といった領域で従来の方法より優れた性能を有し、無人車両、音声認識、顔認識などといった様々な用途のシナリオで大きなブレイクスルーをもたらしている。最近では、人工知能は、また、医用イメージング研究でもブレイクスルーをもたらしている。

ディープラーニング技術の利用は、誤診を減少させ、肺がんスクリーニング検査におけるＣＴの価値をさらに高めることを可能にする。ディープラーニングは、病変の精密な評価のために、臨床的に重要性が高いだけではなく、イメージング評価においても将来性を示し、期待をもたらしてもいる。

背景技術に開示された上記の情報は、本発明の概念の背景を理解するためだけのものであって、したがって、従来技術を構成しない情報を含み得る。

ディープラーニングに基づいたＣＴ肺結節検出法は、以下のステップを含むように提供される。

Ｓ１：ユーザの三次元（３Ｄ）肺ＣＴシーケンス画像を取得すること。

Ｓ２：取得された３Ｄ肺ＣＴシーケンス画像を複数の二次元（２Ｄ）画像データに処理すること。

Ｓ３：トレーニング用に予め設定された２Ｄディープラーニングネットワークモデルに複数の２Ｄ画像データを入力し、それによって、トレーニングされた２Ｄ肺結節検出モデルを得ること。

Ｓ４：予備的な肺結節検出結果を得るために、トレーニングされた２Ｄ肺結節検出モデルに試験された３Ｄ肺ＣＴシーケンス画像を入力すること。

Ｓ５：誤検出肺結節を除去するために、予備的な肺結節検出結果にディープラーニングに基づいた肺領域分割アルゴリズムを適用し、それによって、最終的な肺結節検出結果を得ること。

本発明の概念のさらなる特徴は、以下に続く記述で説明され、部分的には、その記述から明らかになるであろうし、または本発明の概念の実施によって学習され得る。

望ましくは、Ｓ２ステップは、さらに以下を含む。取得された３Ｄ肺ＣＴシーケンス画像に対して、各スライスは中心として肺結節を含み、ｎスライスが中心スライス前に取得され、ｎスライスは、中心スライス後に取得され、それによって、２ｎ＋１スライスが２Ｄ画像データを構成し、ここで、ｎは１以上の整数である。

望ましくは、ステップＳ３において、予め設定されたディープラーニングネットワークモデルは、マルチスケール特性を含み、マルチスケール特性は、トレーニングプロセスで適用される。

望ましくは、マルチスケール特性は、ディープラーニングネットワークモデルの異なるスライスの応答情報を融合させることによって構築される。

望ましくは、ステップＳ４において、試験された３Ｄ肺ＣＴシーケンス画像が、トレーニングされた肺結節検出モデルに入力される前に、試験された３Ｄ肺ＣＴ試験シーケンス画像は、１スライスを中心として、ｎスライスがこの一枚の中心スライスの前に取得され、ｎスライスはこの一枚の中心スライスの後に取得され、このようにして、２ｎ＋１スライスが２Ｄ画像データを構成し、ここでｎは１以上の整数である。

望ましくは、ステップＳ５において、予め設定された肺領域分割モデルに従って、予備的な肺結節検出結果は、誤検出の肺結節を除去するために、肺領域に対して分割される。

望ましくは、予め設定されたディープラーニングネットワークモデルは、予め設定された肺領域分割モデルを得るために、２Ｄ肺領域画像を用いて構築され、トレーニングされる。

本発明によって提供される技術的解決策は、以下のような有利な効果を有する。肺結節の検出が実現されることができ、ＣＴシーケンス画像の３Ｄ情報が完全に利用され、３Ｄ情報は、２Ｄディープラーニングネットワーク構造に融合され、３Ｄディープラーニングネットワークの適用に起因するコンピューティングリソースに対するオーバーフィッテイング（過剰適合）および過度依存は回避される。

前述の一般的な記述および以下の詳細な記述の双方は例示的かつ説明的なものであり、請求項に係るように本発明のさらなる説明を提供することが意図されることを理解されたい。

本発明のさらなる理解を提供するために含まれ、本明細書の一部に組み入れられ、本明細書の一部を構成する添付の図面は、本発明の概念を説明するための記述とともに、本発明の例示的実施形態を図示する。
本発明による、ディープラーニングに基づいたＣＴ肺結節検出法のフローチャートである。本発明による、ディープラーニングに基づいたＣＴ肺結節検出法のトレーニングプロセスの概略図である。本発明による、予め設定されたディープラーニングネットワークモデルの構造図である。本発明による、ディープラーニングに基づいたＣＴ肺結節検出法の試験プロセスの概略図である。本発明による、ディープラーニングに基づいたＣＴ肺結節検出法の肺結節検出結果の概略図である。

以下の詳細な説明においては、例示の目的のために、多数の具体的な詳細事項が、本発明の様々な例示的実施形態または実装の完全な理解を提供するために説明される。本明細書で用いられるように、“実施形態（ｅｍｂｏｄｉｍｅｎｔｓ）”および“実装（ｉｍｐｌｅｍｅｎｔａｔｉｏｎｓ）”は、本明細書に開示される本発明の一つ以上の概念を使用するデバイスまたは方法の限定しない実施例である交換可能な単語である。しかしながら、様々な例示的実施形態は、これらの具体的な詳細事項なしで、または一つ以上の均等な配置で実施されてもよいことは明らかである。他の例においては、周知の構造およびデバイスは、様々な例示的実施形態を不必要に不明瞭にすることを回避するために、ブロック図の形式で図示される。さらには、様々な例示的実施形態は異なってもよく、排他的である必要はない。例えば、例示的実施形態の特定の形状、構成および特徴は、本発明の概念から逸脱することなく、別の例示的実施形態で用いられてもよく、または実現されてもよい。

特に指定がない限りは、図示された例示的実施形態は、本発明の概念が実際に実現され得る幾つかの方法の変化する詳細事項の例示的特徴を提供するものとして理解されるべきである。したがって、特に指定がない限りは、様々な実施形態の特徴、コンポーネント、モジュール、レイヤ、フィルム、パネル、領域および／または態様など（以降、個々にまたは集合的に“構成要素”と呼ばれる）は、本発明の概念から逸脱することなく、さもなければ、組み合わされ、分離され、交換され、および／または再配置されてもよい。

添付の図面においては、構成要素の寸法および相対的寸法は、明瞭性および／または記述的目的のために、強調されてもよい。例示的一実施形態が異なるように実現され得るとき、特定のプロセス順序は、記述された順序とは異なって実施されてもよい。例えば、二つの連続的に記述されたプロセスは実質的に同時に実施されてもよく、または記述された順序とは逆の順序で実施されてもよい。また、類似の参照番号は、類似の構成要素を指す。

レイヤなどの構成要素が別の構成要素もしくはレイヤ“の上にある（ｏｎ）”か、“に接続されている（ｃｏｎｎｅｃｔｅｄｔｏ）”か、または“に結合されている（ｃｏｕｐｌｅｄｔｏ）”ものとして言及されるとき、それは、他の構成要素もしくはレイヤの上に直接あるか、直接接続されるか、または直接結合されてもよく、あるいは、介在構成要素もしくはレイヤが存在してもよい。しかしながら、構成要素もしくはレイヤが別の構成要素もしくはレイヤ“の直接上にある（ｄｉｒｅｃｔｌｙｏｎ）”か、“に直接接続されている（ｄｉｒｅｃｔｌｙｃｏｎｎｅｃｔｅｄｔｏ）”か、または“に直接結合されている（ｄｉｒｅｃｔｌｙｃｏｕｐｌｅｄｔｏ）”ものとして言及されるときには、介在構成要素もしくはレイヤは存在しない。この目的を達するために、“接続される（ｃｏｎｎｅｃｔｅｄ）”という語は、介在構成要素あり、またはなしでの物理的、電気的、および／または流体接続を指すことがある。さらに、Ｄ１軸、Ｄ２軸およびＤ３軸は、ｘ、ｙおよびｚ軸などの直交座標系の３軸に限定されることはなく、より広い意味で解釈され得る。例えば、Ｄ１軸、Ｄ２軸およびＤ３軸は、相互に垂直であってもよく、または、相互に垂直ではない異なる方向を表してもよい。本開示の目的のために、“Ｘ、ＹおよびＺのうちの少なくとも一つ（ａｔｌｅａｓｔｏｎｅｏｆＸ，Ｙ，ａｎｄＺ）”ならびに“Ｘ、ＹおよびＺから成る群から選択された少なくとも一つ（ａｔｌｅａｓｔｏｎｅｓｅｌｅｃｔｅｄｆｒｏｍｔｈｅｇｒｏｕｐｃｏｎｓｉｓｔｉｎｇｏｆＸ，Ｙ，ａｎｄＺ）”は、Ｘのみ、Ｙのみ、Ｚのみ、または、ＸＹＺ、ＸＹＹ、ＹＺ、ＺＺといったように、Ｘ、ＹおよびＺのうちの二つ以上の任意の組み合わせとして構成されてもよい。本明細書で用いられるように、“および／または（ａｎｄ／ｏｒ）”という用語は、関連付けられた記載された項目のうちの一つ以上の任意の、およびすべての組み合わせを含む。

“第一（ｆｉｒｓｔ）”、“第二（ｓｅｃｏｎｄ）”などの用語は、様々な種類の構成要素を記述するために本明細書で用いられ得るが、これらの構成要素は、これらの項目によって限定されるべきではない。これらの語は、別の構成要素から一つの構成要素を区別するために用いられる。したがって、以下に論じられる第一の構成要素は、本開示の教示から逸脱することなく、第二の構成要素と呼ばれることができる。

“下（ｂｅｎｅａｔｈ）”、“下（ｂｅｌｏｗ）”、“下（ｕｎｄｅｒ）”、“より低い（ｌｏｗｅｒ）”、“上（ａｂｏｖｅ）”、“より上（ｕｐｐｅｒ）”、“上（ｏｖｅｒ）”、“より高い（ｈｉｇｈｅｒ）”、“側（ｓｉｄｅ）”（例えば、“側壁（ｓｉｄｅｗａｌｌ）”といったように）などといった、空間的な相対語は、記述する目的のために本明細書で用いられることがあり、それによって、図面内に図示されるある構成要素の別の構成要素に対する関係を記述する。空間的な相対語は、図面内に図示された方向付けに加えて、使用、動作および／または製造中の装置の異なる方向付けを包含することが意図される。例えば、図面内の装置がひっくり返される場合、他の構成要素もしくは特徴の“下（ｂｅｌｏｗ）”または他の構成要素もしくは特徴の“下（ｂｅｎｅａｔｈ）”として記述される構成要素は、今度は、他の構成要素もしくは特徴の“上（ａｂｏｖｅ）”に方向づけられるだろう。このように、例示的な語“下（ｂｅｌｏｗ）”は、上（ａｂｏｖｅ）および下（ｂｅｌｏｗ）の両方の方向付けを包含することができる。さらに、装置は、その他のように（例えば、９０度回転されるか、または他の向きで）方向づけられてもよく、用いられる空間的相対語はそれに従って解釈される。

本明細書で用いられる専門用語は、特定の実施形態を記述する目的のためのものであって、限定することを意図するものではない。本明細書で用いられるように、単数形“一つ（ａ）”、“一つ（ａｎ）”および“その（ｔｈｅ）”は、文脈が明確に層でないと示さない限りは、複数形も同様に含むことが意図される。さらに、本明細書で用いられるとき、用語“含む（ｃｏｍｐｒｉｓｅｓ）”、“含む（ｃｏｍｐｒｉｓｉｎｇ）”、“含む（ｉｎｃｌｕｄｅｓ）”および／または“含む（ｉｎｃｌｕｄｉｎｇ）”は、明言された特徴、整数、ステップ、動作、構成要素、コンポーネントおよび／またはその集合の存在を明記するが、一つ以上の他の特徴、整数、ステップ、動作、構成要素、コンポーネントおよび／またはその集合の存在あるいは追加を除外するものではない。本明細書で用いられるように、用語“実質的に（ｓｕｂｓｔａｎｔｉａｌｌｙ）”、“約（ａｂｏｕｔ）”および他の類似の語は、程度の用語としてではなく概算の用語として用いられ、このように、当業者によって認識されるであろう測定され、計算され、および／または提供された値における固有の偏差を説明するために用いられることにも留意されたい。

本分野の慣例として、記述され、添付の図面に図示された幾つかの例示的実施形態は、機能的ブロック、ユニットおよび／またはモジュールによって実施され得る。これらのブロック、ユニットおよび／またはモジュールは、論理回路、ディスクリートコンポーネント、マイクロプロセッサ、ハードワイヤード回路、メモリ素子、有線接続などの電子（または光）回路によって物理的に実現され、これは、半導体に基づく製造技術または他の製造技術を用いて形成され得ることを当業者は理解するであろう。マイクロプロセッサまたは他の類似のハードウェアによってブロック、ユニットおよび／またはモジュールが実現される場合には、それらは、本明細書で論じられる様々な機能を実施するためにソフトウェア（例えば、マイクロコード）を用いてプログラムされ、制御され得、任意で、ファームウェアおよび／またはソフトウェアによって駆動され得る。各ブロック、ユニットおよび／またはモジュールは、専用ハードウェアによって実現され得るか、または、ある機能を実施するための専用ハードウェアと、他の機能を実施するためのプロセッサ（例えば、一つ以上のプログラムされたマイクロプロセッサおよび関連回路）との組み合わせとして実現され得ることも予期される。また、幾つかの例示的実施形態の各ブロック、ユニットおよび／またはモジュールは、本発明の概念の範囲から逸脱することなく、二つ以上の相互作用するディスクリートブロック、ユニットおよび／またはモジュールに物理的に分離されてもよい。さらに、幾つかの例示的実施形態のブロック、ユニットおよび／またはモジュールは、本発明の概念の範囲から逸脱することなく、さらに複雑なブロック、ユニットおよび／またはモジュールに物理的に組み合わせられてもよい。

特に指定がない限りは、本明細書で用いられる全用語（技術的、科学的用語を含む）は、本開示が一部である当業者によって通常理解されるのと同一の意味を有する。通常使用される辞書で定義されるものなどの用語は、関連技術の文脈におけるその意味と矛盾しない意味を有するものとして解釈されるべきであって、本明細書で明確にそう定義されない限りは、理想化されるか、または過度に形式的な意味で解釈されるべきではない。

本発明の全般的な発明の概念は、２ｎ＋１枚の二次元画像に肺ＣＴシーケンス画像を処理することと、それらをディープラーニングネットワークに入力することと、ディープラーニングネットワーク構造をカスタム化することであって、これは、入力として２ｎ＋１枚の画像を受信し、マルチスケール特性を融合させることができる、ことである。肺結節の検出モデルは、トレーニングサンプルを学習することによって得られ、肺結節の検出は、モデルを用いることによって実現され、最後に、肺外の誤検出肺結節は、肺領域を分割することによって除去され、肺結節の最終的な検出結果が得られる。

図１は、本発明による、ディープラーニングに基づいたＣＴ肺結節検出法のフローチャートである。

ステップＳ１において、ユーザの３Ｄ肺ＣＴシーケンス画像が取得される。

ステップＳ２において、取得された３Ｄ肺シーケンス画像が２Ｄ画像データに処理される。

ステップＳ３において、２Ｄ画像データは、トレーニング用に予め設定されたディープラーニングネットワークモデルに入力され、それによって、トレーニングされた肺結節検出モデルが得られる。

ステップＳ４において、試験された３Ｄ肺ＣＴシーケンス画像がトレーニングされた肺結節検出モデルに入力され、それによって、予備的な肺結節検出結果が得られる。

ステップＳ５において、誤検出の肺結節を除去するために、ディープラーニングに基づいた肺領域分割アルゴリズムが予備的な肺結節検出結果に適用され、それによって、最終的な肺結節検出結果が得られる。

図２は、本発明による、ディープラーニングに基づいたＣＴ肺結節検出法のトレーニングプロセスの概略図である。ステップＳ１およびＳ２において、肺結節を含む３Ｄ肺ＣＴシーケンス画像がまず収集され、各スライスは、中心として肺結節を含み、ｎ枚のスライスが中心スライスの前後に取得され、それによって、合計２ｎ＋１枚のスライスが収集され、トレーニング用に予め設定されたディープラーニングネットワークモデルにトレーニングサンプルとして入力され、ここで、ｎは１以上の整数である。トレーニング用に予め設定されたディープラーニングネットワークモデルは、２ｎ＋１チャネルのマルチスケール領域ベースの畳み込みニューラルネットワークモデルであり、それによって、トレーニングされた肺結節検出モデルが複数回のトレーニングの繰り返しを経た後に得られる。したがって、本発明においては、取得された３Ｄ肺ＣＴシーケンス画像は２Ｄ画像データに処理され、３Ｄ情報は、２Ｄディープラーニングネットワーク構造に融合され、これは、画像のコンテキスト情報を十分に活用するだけではなく、３Ｄディープラーニングネットワークに起因するコンピューティングリソースに対するオーバーフィッティング（過剰適合）および過信用も回避する。

図３は、本発明による、予め設定されたディープラーニングネットワークモデルの構造図である。図３を参照すると、ディープラーニングネットワークモデルは、入力画像にマルチスケール特性抽出を実施する。具体的には、畳み込みレイヤに入力画像データを通した後によりディープな特性マップが得られる。プーリングレイヤは、入力特性マップに圧縮を実施し、特性マップを縮小し、ネットワークコンピューティングの複雑性を軽減し、主な特性を抽出するための特性圧縮を実施する間、即ち、入力画像データが畳み込みレイヤおよびプーリングレイヤを通るたびに、対応する特性マップが存在するだろう。対応する特性マップは、その後、アップサンプリングされる。領域生成ネットワークは、高品質の領域提案ボックスを生成することができる。結節位置モジュールは、最終的な分類のために使用され、得られた結果を入力データの種類空間にマッピングする。

したがって、本発明のディープラーニングネットワークモデルは、異なる特性レベルにおける肺結節の候補領域を抽出することによってマルチスケール特性の融合を達成し、特性の表現性能を向上し、より良い肺結節検出モデルを得るためのトレーニングを容易にし、マルチスケール特性に基づいて肺結節検出モデルを実現する。

図４は、本発明による、ディープラーニングに基づいたＣＴ肺結節検出法の試験プロセスの概略図である。図４を参照すると、試験されたＣＴデータは、トレーニングされた肺結節検出モデルを用いて試験される。試験されたＣＴデータがトレーニングされた肺結節検出モデルに入力される前に、試験データは、１スライスを中心として、ｎ枚のスライスがこの１枚の中心スライスの前に取得され、ｎ枚のスライスがこの１枚の中心スライスの後に取得される。ここで、ｎは、１以上の整数である。即ち、試験されたＣＴデータは、入力サンプルとして一連の２ｎ＋１枚のスライスに処理され、その後、予備的な肺結節検出結果が肺結節検出モデルの計算によって得られる。

図５を参照すると、ディープラーニングに基づいた肺領域分割アルゴリズムが適用され、検出結果における肺外の誤検出の肺結節を除去して、最終的な肺結節検出結果が得られるようにする。まず、ディープラーニングネットワークモデルが３Ｄ肺ＣＴシーケンス画像で構築されてトレーニングされ、ディープラーニングに基づいた肺領域分割モデルが得られ、その後、予備的な肺結節検出結果がディープラーニングに基づいてトレーニングされた肺領域分割モデルに入力され、最終的な肺結節検出結果が得られる。したがって、本発明の肺領域分割アルゴリズムは、ディープラーニングネットワークモデルを構築してトレーニングを実施することによって肺結節の精密な処理を実現することができる。

ディープラーニングに基づいたＣＴ肺結節検出法に従うと、ディープラーニングの利点は、肺結節の特徴を直接学習するために利用することであり、ＣＴ肺結節検出法は、複雑な条件下で肺結節を検出するためにより適切であり、本発明は、肺ＣＴ画像の３Ｄコンテキスト情報を十分に活用することができ、３Ｄ情報を２Ｄディープラーニングネットワーク構造に融合させることができ、それによって、３Ｄディープラーニングネットワークの適用に起因するコンピューティングリソースに対するオーバーフィッテイング（過剰適合）および過信用を回避する。

本発明の具体的実施形態が詳細に上述されてきたが、本発明の趣旨から逸脱することなく、そこに改変が行われてもよいことが理解されるだろう。本発明の特許請求の範囲は、それらが本発明の範囲および趣旨にあることを保証するために、これらの改変を包含することが意図される。

本明細書には、ある例示的実施形態および実装が記述されてきたが、他の実施形態および改変はこの記述から明らかであろう。したがって、本発明の概念は、このような実施形態に限定するものではなく、むしろ、当業者には明らかであろうように、添付された特許請求の範囲のより広い範囲および様々な明らかな改変および均等な配置に対するものである。

Claims

ディープラーニングに基づいたコンピュータ断層撮影（ＣＴ）肺結節検出法であって、
ユーザの三次元（３Ｄ）肺ＣＴシーケンス画像を取得することと、
前記取得された３Ｄ肺ＣＴシーケンス画像を複数の二次元（２Ｄ）画像データに処理することと、
前記複数の２Ｄ画像をトレーニング用に予め設定された２Ｄディープラーニングネットワークモデルに入力し、それによってトレーニングされた２Ｄ肺結節検出モデルを得ることと、
予備的な肺結節検出結果を得るために、前記トレーニングされた２Ｄ肺結節検出モデルに、試験される３Ｄ肺ＣＴシーケンス画像の集合を入力することと、
誤検出肺結節を除去するために前記予備的な肺結節検出結果に、ディープラーニングに基づいた肺領域分割アルゴリズムを適用し、それによって最終的な肺結節検出結果を得ることと、を含み、
前記取得された３Ｄ肺ＣＴシーケンス画像を処理する前記ステップは、
前記取得された３Ｄ肺ＣＴシーケンス画像が複数スライスの２Ｄ画像を含み、中心スライスとして肺結節を含む前記複数スライスの２Ｄ画像の各スライスを用いることと、前記中心スライスの前で前記複数スライスの２Ｄ画像のｎ枚のスライスを取得し、前記中心スライスの後で前記複数スライスの２Ｄ画像の別のｎ枚のスライスを取得することと、前記中心スライス、前記中心スライス前の前記複数スライスの２Ｄ画像の前記ｎ枚のスライス、および前記中心スライス後の前記複数スライスの２Ｄ画像の前記別のｎ枚のスライスを、前記２Ｄ画像データとしてともに用いることと、のステップをさらに含み、ｎは１以上の整数であり、
前記予め設定された２Ｄディープラーニングネットワークモデルはマルチスケール特性を含み、前記マルチスケール特性は、前記予め設定された２Ｄディープラーニングネットワークモデルの前記トレーニングで適用され、
前記マルチスケール特性は、前記予め設定された２Ｄディープラーニングネットワークモデルの異なるレイヤの応答情報を融合させることによって構築される、
ディープラーニングに基づいたＣＴ肺結節検出法。
試験される３Ｄ肺ＣＴシーケンス画像の前記集合を入力する前記ステップの前に、中心スライスとして肺結節を含む、試験される３Ｄ肺ＣＴシーケンス画像の前記集合の各スライスを用いることと、前記中心スライスの前にｎ枚のスライス、前記中心スライスの後に別のｎ枚のスライスを取得することと、前記中心スライス、前記中心スライスの前の試験される３Ｄ肺ＣＴシーケンス画像の前記集合の前記ｎ枚のスライスおよび前記中心スライス後の試験される３Ｄ肺ＣＴシーケンス画像の前記集合の前記別のｎ枚のスライスを、試験される３Ｄ肺ＣＴシーケンス画像の前記集合の２Ｄ画像データとしてともに用いることと、のステップをさらに含み、ｎは１以上の整数である、請求項１に記載のディープラーニングに基づいたＣＴ肺結節検出法。
肺領域分割アルゴリズムを適用する前記ステップは、予め設定された肺領域分割モデルに従って、誤検出肺結節を除去するために、前記予備的な肺結節検出結果を分割することをさらに含む、請求項１に記載のディープラーニングに基づいたＣＴ肺結節検出法。
前記予め設定された２Ｄディープラーニングネットワークモデルは、前記予め設定された肺領域分割モデルを得るために、前記２Ｄ画像データで構築され、トレーニングされる、請求項３に記載のディープラーニングに基づいたＣＴ肺結節検出法。
コンピュータを制御するためのプログラムを担持するコンピュータ読み取り可能な記憶媒体であって、前記コンピュータに請求項１乃至４のいずれかに記載のＣＴ肺結節検出法を実行させるプログラムを少なくとも備える記憶媒体。
ディープラーニングに基づいたコンピュータ断層撮影（ＣＴ）肺結節検出装置であって、
ユーザの三次元（３Ｄ）肺ＣＴシーケンス画像を取得する取得モジュールと、
前記取得された３Ｄ肺ＣＴシーケンス画像を複数の二次元（２Ｄ）画像データに処理する変換モジュールと、
前記複数の２Ｄ画像をトレーニング用に予め設定された２Ｄディープラーニングネットワークモデルに入力し、それによってトレーニングされた２Ｄ肺結節検出モデルを得るトレーニングモジュールと、
予備的な肺結節検出結果を得るために、前記トレーニングされた２Ｄ肺結節検出モデルに、試験される３Ｄ肺ＣＴシーケンス画像の集合を入力する試験モジュールと、
誤検出肺結節を除去するために前記予備的な肺結節検出結果に、ディープラーニングに基づいた肺領域分割アルゴリズムを適用し、それによって最終的な肺結節検出結果を得る出力モジュールと、を含み、
前記変換モジュールは、
前記取得された３Ｄ肺ＣＴシーケンス画像が複数スライスの２Ｄ画像を含み、中心スライスとして肺結節を含む前記複数スライスの２Ｄ画像の各スライスを用いることと、前記中心スライスの前で前記複数スライスの２Ｄ画像のｎ枚のスライスを取得し、前記中心スライスの後で前記複数スライスの２Ｄ画像の別のｎ枚のスライスを取得することと、前記中心スライス、前記中心スライス前の前記複数スライスの２Ｄ画像の前記ｎ枚のスライス、および前記中心スライス後の前記複数スライスの２Ｄ画像の前記別のｎ枚のスライスを、前記２Ｄ画像データとしてともに用いることと、のステップをさらに含み、ｎは１以上の整数であり、
前記トレーニングモジュールにおいて、前記予め設定された２Ｄディープラーニングネットワークモデルはマルチスケール特性を含み、前記マルチスケール特性は、前記予め設定された２Ｄディープラーニングネットワークモデルの前記トレーニングで適用され、
前記マルチスケール特性は、前記予め設定された２Ｄディープラーニングネットワークモデルの異なるレイヤの応答情報を融合させることによって構築される、
ディープラーニングに基づいたＣＴ肺結節検出装置。
前記試験モジュールにおいて、
試験される３Ｄ肺ＣＴシーケンス画像の前記集合を入力する前記ステップの前に、中心スライスとして肺結節を含む、試験される３Ｄ肺ＣＴシーケンス画像の前記集合の各スライスを用い、前記中心スライスの前にｎ枚のスライス、前記中心スライスの後に別のｎ枚のスライスを取得し、前記中心スライス、前記中心スライスの前の試験される３Ｄ肺ＣＴシーケンス画像の前記集合の前記ｎ枚のスライスおよび前記中心スライス後の試験される３Ｄ肺ＣＴシーケンス画像の前記集合の前記別のｎ枚のスライスを、試験される３Ｄ肺ＣＴシーケンス画像の前記集合の２Ｄ画像データとしてともに用い、ｎは１以上の整数である、請求項６に記載のディープラーニングに基づいたＣＴ肺結節検出装置。
前記出力モジュールにおいて、予め設定された肺領域分割モデルに従って、誤検出肺結節を除去するために、前記予備的な肺結節検出結果を分割する、請求項６に記載のディープラーニングに基づいたＣＴ肺結節検出装置。
前記予め設定された２Ｄディープラーニングネットワークモデルは、前記予め設定された肺領域分割モデルを得るために、前記２Ｄ画像データで構築され、トレーニングされる、請求項８に記載のディープラーニングに基づいたＣＴ肺結節検出装置。