JP7037220B2 - 消化器官の内視鏡画像による疾患の診断支援システム、診断支援システムの作動方法、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 - Google Patents
消化器官の内視鏡画像による疾患の診断支援システム、診断支援システムの作動方法、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 Download PDFInfo
- Publication number
- JP7037220B2 JP7037220B2 JP2020557614A JP2020557614A JP7037220B2 JP 7037220 B2 JP7037220 B2 JP 7037220B2 JP 2020557614 A JP2020557614 A JP 2020557614A JP 2020557614 A JP2020557614 A JP 2020557614A JP 7037220 B2 JP7037220 B2 JP 7037220B2
- Authority
- JP
- Japan
- Prior art keywords
- endoscopic image
- disease
- neural network
- convolutional neural
- image
- 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
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
- A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
- A61B1/000094—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope extracting biological structures
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
- A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
- A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00043—Operational features of endoscopes provided with output arrangements
- A61B1/00045—Display arrangement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
- A61B1/041—Capsule endoscopes for imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
- A61B1/045—Control thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/273—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the upper alimentary canal, e.g. oesophagoscopes, gastroscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0013—Medical image data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Gastroenterology & Hepatology (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Endocrinology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Endoscopes (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
また、第1の態様のCNNを用いた消化器官の内視鏡画像による疾患の診断支援システムによれば、多数の被験者についてのワイヤレスカプセル内視鏡(以下、「WCE」ということがある。)による小腸の内視鏡画像に対して、短時間で、実質的に内視鏡専門医に匹敵する精度で被験者の小腸の突出病変の陽性及び/又は陰性の領域及び確率を得ることができ、別途確定診断を行わなければならない被験者を短時間で選別することができるようになり、内視鏡専門医によるチェック/修正が容易になる。
また、第1の態様のCNNを用いた消化器官の内視鏡画像による疾患の診断支援システムによれば、CEST分類に基づくカテゴリーを適用して、ポリープ、結節、上皮腫瘍、粘膜下腫瘍、静脈構造などの5つの突出病変のカテゴリーについて、高感度で、良好な検出率で検出及び分類できる。さらに、カットオフ値を適切に設定することにより、感度と特異度を共に向上できる。
(1)前記小腸の前記疾患の陽性又は陰性の確定診断結果としての前記第2の内視鏡画像内に表示された前記疾患の陽性の領域の80%以上である時、又は、
(2)前記CNNにより前記第2の内視鏡画像内に表示された前記疾患の陽性の領域が複数存在するとき、いずれか一つの領域が前記疾患の陽性又は陰性の確定診断結果としての前記第2の内視鏡画像内に表示された前記疾患の陽性の領域と重なっている時、
前記CNNの診断は正しいと判定することを特徴とする。
実施形態1では、本発明の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について、H.ピロリ感染胃炎の場合に適用した例を説明する。発明者の一人が属する医院において、延べ33人の内視鏡検査医が白色光による通常の倍率の内視鏡を用い、食道胃十二指腸内視鏡(以下、「EGD」ということがある。)検査を行った。EGDの適応症は、様々な上腹部症状、胃の病気に対するバリウム検査の陽性結果、異常な血清ペプシノゲンのレベル、胃や十二指腸の既往症又はスクリーニングに関するプライマリケア医からの紹介であった。
2015年12月-2017年4月にかけて行われた5,236人のEGDの画像を遡及的にレビューすることにより、CNNベースの診断システムの訓練及び検証に使用するデータセット(それぞれ「訓練用データセット」及び「検証用データセット」といい、両者纏めて「訓練/検証用データセット」という。また、訓練及び検証の両者を纏めて「訓練/検証」ということがある。)を用意した。胃癌、潰瘍、又は粘膜下腫瘍の存在又は病歴を有する患者のデータは、訓練/検証用データセットから除外した。H.ピロリ陽性、H.ピロリ陰性又はH.ピロリ除菌と診断された胃の画像は、胃内の食物残渣、出血及びハレーションによる不明瞭な画像を除外するために、内視鏡専門医によってさらにスクリーニングされた。また、評価対象となる内視鏡画像データセット(「テストデータセット」という。)も用意した。なお、この「訓練/検証用データ」が本発明の「第1の内視鏡画像」に対応し、「テストデータ」が本発明の「第2の内視鏡画像」に対応する。
上述した訓練用データセットを用いて構築された実施形態1のCNNシステムと内視鏡検査医との診断精度を評価するために、検証用データセットを準備した。発明者の一人が属する医院において、2017年5月から6月にかけて内視鏡検査を行った871人の患者の画像データのうち、H.ピロリの感染状況が不明である22人及び胃切除術を受けた2人の画像データを除外し、最終的に847人の患者(それぞれ70人のH.ピロリ陽性、493人のH.ピロリ陰性及び284人のH.ピロリ除菌)からの合計23,699枚の画像を含んでいた(図3参照)。
CNNベースの診断システムを構築するため、Szegedyらによって開発された最先端のディープラーニングニューラルネットワークの開発基盤として、バークレー・ビジョン・ラーニング・センター(BVLC)で最初に開発されたCaffeフレームワークを利用し、畳み込みニューラルネットワーク(CNN)アーキテクチャとして22層からなるGoogLeNet(https://arxiv.org/abs/1409.4842)を使用した。
訓練/検証された実施形態1のCNNシステムは、入力された画像に対してのH.ピロリ陽性、H.ピロリ陰性及びH.ピロリ除菌の診断結果として、0から1の間の確率値(PS)を出力する。H.ピロリ陽性の確率スコアをPp、H.ピロリ陰性の確率スコアをPn、H.ピロリ除菌の確率スコアをPeと表すと、Pp+Pn+Pe=1となる。この3つの確率値の最大値をとるものが最も確からしい「CNNの診断」として選択された。
実施形態1の診断支援システムとしてのCNNを組み込んだコンピュータは、基本的に、内視鏡画像入力部と、記憶部(ハードディスクないし半導体メモリ)と、画像解析装置と、判定表示装置と、判定出力装置とを備えている。他に、直接内視鏡画像撮像装置を備えているものであってもよい。また、このコンピュータシステムは、内視鏡検査施設から離れて設置され、遠隔地から画像情報を得て中央診断支援システムとしたり、インターネット網を介したクラウド型コンピュータシステムとしても稼働させることができる。
実施形態2では、本発明の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について、大腸の部位別分類に適用した例を説明する。大腸の各部位は、終末回腸、盲腸、上行結腸、横行結腸、下行結腸、S字結腸、直腸及び肛門からなる。なお、大腸の主要な解剖学的分類を図5に示した。実施形態2では、これらの部位別の画像を自動的に区別できるように、CNNシステムを訓練及び検証した。
実施形態3では、ワイヤレスカプセル内視鏡(WCE)画像による小腸のびらん/潰瘍に関する疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について説明する。なお、実施形態3では、びらんと潰瘍との区別が困難であったので、両者合わせて「びらん/潰瘍」と表してある。すなわち、この明細書における「びらん/潰瘍」という用語は、「びらん」、「潰瘍」、「びらん及び潰瘍」の意味だけでなく、「びらん及び潰瘍のどちらかは明確でないが、少なくとも正常粘膜ではない」ものも含む意味で用いられている。
発明者の一人が属する医院において、2009年10月から2014年12月までの間にWCEを受けた115人の患者から、訓練用データセットとして小腸のびらん/潰瘍の画像を5360枚収集した。また、実施形態3のCNNシステムの検証のために、2015年1月から2018年1月までに65人の患者からの10,440枚の独立した画像を準備し、検証用データセットとして用いた。これらの検証用データセットのうち、45人の患者の440画像は小腸のびらん/潰瘍を有しており、20人の患者の10,000画像は小腸の正常粘膜であると3人の内視鏡専門医により診断されている。WCEとしては、Pillcam(登録商標)SB2又はSB3WCE装置(Given Imaging, Yoqneam, Israel)を用いて実施した。
実施形態3のCNNシステムを構築するために、アルゴリズムを変更することなく、Single Shot MultiBox Detector(SSD、https://arxiv.org/abs/1512.02325)と呼ばれるディープニューラルネットワークアーキテクチャを利用した。まず、2人の内視鏡専門医によって、訓練データセットの画像内のびらん/潰瘍のすべての領域に、手動で長方形の境界ボックスを有する注釈が付けられた。これらの画像は、バークレー・ビジョン・ラーニング・センター(Berkeley Vision and Learning Center)で最初に開発されたCaffeフレームワークを通じてSSDアーキテクチャに組み込まれた。Caffeフレームワークは、最初に開発された、最も一般的で広く使用されているフレームワークの1つである。
まず、検証用データセットの画像内のびらん/潰瘍の全てに、手作業で長方形の境界ボックス(以下、「真のボックス」という。)を太線で付与した。また、実施形態3の訓練されたCNNシステムは、検証用データセットセットの画像内の検出したびらん/潰瘍の領域に長方形の境界ボックス(以下、「CNNボックス」という。)を細線で付与するとともに、びらん/潰瘍の確率スコア(範囲は0-1)を出力した。確率スコアが高いほど、実施形態3の訓練されたCNNシステムはその領域にびらん/潰瘍が含まれている確率が高いと判断していることを示している。
1)CNNボックスが真のボックスに80%以上重なったときは正解とした。
2)複数のCNNボックスが1つの画像内に存在し、それらのボックスの1つでもびらん/潰瘍を正しく検出した場合、画像が正しく識別されたと結論付けた。
なお、このようにして正解と判断されたWCE内視鏡画像は、その情報を画像に付与して撮影された画像のダブルチェックの現場で診断補助として活用したり、WCE内視鏡検査時に動画でリアルタイムで情報を表示して診断補助として活用される。
実施形態4では、ワイヤレスカプセル内視鏡(WCE)画像による小腸の突出病変に関する疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について説明する。なお、突出病変との形態学的特徴は、ポリープ、結節、腫瘤/腫瘍から静脈構造までさまざまであり、これらの病変の病因には、神経内分泌腫瘍、腺癌、家族性腺腫性ポリポーシス、プーツ-ジェガーズ(Peutz-Jeghers)症候群、濾胞性リンパ腫及び胃腸間質腫瘍が含まれまる。これらの病変には早期診断と治療が必要であるため、WCE検査の見落としを避ける必要がある。
発明者が属する複数の医院において、2009年10月から2018年5月まで、WCEを受けた292人の患者から、訓練用データセットとして突出病変の画像を30,584枚収集した。また、CNNのトレーニングに使用される画像とは無関係に、突出病変のない10,000枚の画像と、突出病変のある7,507枚の画像を含む、93人の患者からの合計17,507枚の画像を検証に使用した。突出病変は、CEST分類の定義(非特許文献13参照)に基づいて、ポリープ、結節、上皮腫瘍、粘膜下腫瘍、及び静脈構造の5つのカテゴリーに形態学的に分類した。ただし、CEST分類の定義における腫瘤/腫瘍病変は、上皮腫瘍と粘膜下腫瘍とに分けて分類した。
実施形態4のCNNシステムのフローチャートの概要を図15に示した。実施形態4のCNNシステムでは、実施形態3の場合と同様のSSDディープニューラルネットワークアーキテクチャ及びCaffeフレームワークを利用した。まず、6人の内視鏡専門医によって、訓練データセットの画像内の突出病変の全ての領域に、手動で長方形の境界ボックスを有する注釈が付けられた。注釈はそれぞれの内視鏡専門医により個別に実行され、コンセンサスは後で決定された。 これらの画像はCaffeフレームワークを通じてSSDアーキテクチャに組み込まれた。
まず、検証用データセットの画像内の突出病変の領域の全てに、手作業で長方形の境界ボックス(以下、「真のボックス」という。)を太線で付与した。また、実施形態4の訓練されたCNNシステムは、検証用データセットセットの画像内の検出した突出病変の領域に長方形の境界ボックス(以下、「CNNボックス」という。)を細線で付与するとともに、突出病変の領域の確率スコア(PS:範囲は0-1)を出力した。確率スコアが高いほど、実施形態4の訓練されたCNNシステムはその領域に突出病変が含まれている確率が高いと判断していることを示している。
IoU=(オーバーラップ領域)/(両者合わせた領域)
CNNボックスが上記のルールに適用されなかった場合、確率スコアが次に低いCNNボックスが順番に評価された。
ワイヤレスカプセル内視鏡(以下、単に「WCE」という。)は、小腸疾患を調査するための不可欠なツールとなっており、主要な適応症は明らかな出血源が見当たらない原因不明の消化管出血(OGIB)が主である。WCE画像のスクリーニングに際し、医師は患者一人あたり10,000枚の画像を30-120分もかけて読影している。そのため、WCEの画像解析には血液成分を自動的に検出できるかどうかが重要である。このようなWCE画像における血液成分を自動的に検出する手段として、例えば「赤色領域推定表示機能」(Suspected Blood Indicator。以下単に「SBI」という。)が知られている(非特許文献11参照)。SBIは、RAPID CE読影ソフトウェア(Medtronic、ミネソタ州、ミネアポリス、米国)に搭載されている画像選択ツールであり、出血の可能性がある領域を赤色のピクセルでタグ付けする。
発明者の一部が属する単一の機関(東京大学病院、日本)において、2009年11月から2015年8月までのWCE画像を遡及的に取得した。その期間中、WCEは実施形態3の場合と同様の、Pillcam SB2又はSB3 WCE装置を使用して実施した。2人の内視鏡専門医が、SBIの結果を考慮せずに、内腔に血液成分を含む画像及び正常な小腸粘膜の画像を分類した。内腔の血液成分は、活動性出血又は凝血塊と定義されている。
実施形態5で用いたCNNシステムのアルゴリズムは、50層のディープニューラルネットワークアーキテクチャであるResNet50(https://arxiv.org/abs/1512.03385)を使用して開発された。その後、新しく開発されたCNNシステムを訓練して検証するために、バークレー・ビジョン・ラーニング・センターで最初に開発されたCaffeフレームワークを使用して訓練された。そして、SGD(Stochastic Gradient Descent)を使用し、ネットワークのすべての層をグローバル学習率0.0001で確率的最適化を行った。全ての画像は、ResNet50との互換性を付与するために、224×224ピクセルにリサイズした。
実施形態5のCNNシステムにおける主要な結果には、受信機動作特性(ROC)曲線の曲線下面積(AUC)、感度、特異度、及び血液成分の画像と正常粘膜の画像との間のCNNシステムの識別能力の精度が含まれている。訓練された実施形態5のCNNシステムは、画像当たりの血液成分についての確率スコアとして、0から1の間の連続した数値を出力した。確率スコアが高いほど、CNNシステムは画像に血液成分が含まれている確率が高いと判断していることを示している。実施形態5におけるCNNシステムの検証テストは、単一の静止画像を使用して実行され、確率スコアの閾値を変化させることによってROC曲線をプロットし、識別の程度を評価するためにAUCを計算した。
実施形態6では、通常の内視鏡(非拡大内視鏡,非ME)、超音波内視鏡(EUS)及び拡大内視鏡(ME)による扁平上皮癌(SCC)の深達度を診断する診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について説明する。
発明者の一人が属する医院において日常撮影された内視鏡画像を用いてCNNシステムの訓練を行った。使用した内視鏡システムは、高解像度ないし高精細上部胃腸内視鏡(GIF-XP290N,GIF-Q260J,GIF-RQ260Z,GIF-FQ260Z,GIF-Q240Z,GIF-H290Z,GIF-H290,GIF-HQ290及びGIF-H260Z;オリンパス製,東京,日本)及びビデオプロセッサ(CV260;オリンパス製)、高精細拡大胃腸内視鏡(GIF-H290Z,GIF-H290,GIF-HQ290,GIF-H260Z:オリンパス製)及びビデオプロセッサ(EVIS LUCERA CV-260/CLV-260及びEVIS LUCERA ELITE CV-290/CLV-290SL;オリンパスメディカルシステム製)、高解像度内視鏡(EG-L590ZW,EG-L600ZW及びEG-L600ZW7;富士フィルム製,東京,日本)及びビデオ内視鏡システム(LASEREO:富士フイルム製)であった。
実験形態6のCNNシステムは、アルゴリズムを変更することなく、実質的に実施形態3の場合と同様のシングルショットマルチボックス検出器(SSD)と呼ばれるCNNアーキテクチャと、Caffeフレームワークとを用いた。
実験形態6の訓練されたCNNシステムに基づく評価は、表在食道SCCの独立した検証試験データによって行われた。2017年1月から2018年4月まで、発明者の一人が属する病院で内視鏡的粘膜下層剥離術又は食道切除術を受けた患者から画像を収集した。訓練データセットと同じ除外基準を満たす患者を除外した後、155人の患者を選択した。一人の患者から3-6枚の代表的な画像(非拡大内視鏡及び拡大内視鏡)を選択し、CNNシステムによって診断した。
実施形態7では、通常の食道胃十二指腸内視鏡(EGD)を使用し、白色光イメージング(WLI)及び狭帯域イメージング(MBI)による表在性咽頭願(SPC)を診断する診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について説明する。
発明者の一人が属する医院において日常のスクリーニング又は術前検査のために実行されたEGDにより撮影された内視鏡画像を用いてCNNシステムの訓練を行った。使用した内視鏡システムは、高解像度の内視鏡(GIF-H290Z、GIF-H290、GIF-XP290N、GIF-H260Z、GIF-H260;オリンパス医療システム、東京、日本国)及び標準の内視鏡ビデオシステム(EVIS LUCERA CV-260/CLV-260、EVIS LUCERA ELITE CV-290/CLV-290SL、オリンパス医療システム)であった。
実験形態7のCNNシステムは、アルゴリズムを変更することなく、実質的に実施形態3の場合と同様のシングルショットマルチボックス検出器(SSD)と呼ばれるCNNアーキテクチャを用いるとともに、Caffeフレームワークを用いた。Caffeフレームワークは、元々Berkeley Vision and Learning Centerで開発された最も広く使用されているフレームワークの1つである。
実験形態7の訓練されたCNNシステムの評価のため、咽頭癌と非癌の患者の独立した検証データセットを準備した。これらの画像には、35例の表在性咽頭癌及び5例の進行性咽頭癌を含む、35人の患者からの40例の咽頭癌病変部の画像(928枚の咽頭癌部分の画像及び732枚の癌ではない部分の画像)と、癌が存在していない40人の患者の画像(252枚の癌のない画像)が含まれていた。咽頭癌の患者35人のうち、30人の患者はそれぞれ1つの病変を有し、5人の患者は同時に2つの病変を有していた。これら全ての咽頭癌患者は、2015年から2018年にかけて発明者の一人が属する病院で内視鏡的粘膜下層剥離術又は咽頭切除により治療されていた。さらに、スクリーニング検査の検証目的で、全ての症例でWLI及びNBIによる一連の咽頭のスクリーニング画像を選択した。
訓練データセットを使用して実験形態7の訓練されたCNNシステムを構築した後、独立した検証画像を使用してパフォーマンスを評価した。CNNシステムが検証画像の入力データから咽頭癌を検出すると、CNNシステムの診断信頼スコア基準値60に基づいて、咽頭癌の疾患名が割り当てられ、関連する病変を囲むように長方形の点線の枠が内視鏡画像に表示された。ここでは、咽頭癌の検出のためのCNNシステムの診断性能を評価するためにいくつかの基準が選択された。
T因子を簡単に述べると、下咽頭では、以下のとおりとなる。
T1:下咽頭の1部位に限定され、最大径は2cm以下、
T2:下咽頭の隣接部位に拡大、又は、最大径が2cm以上で4cm以下であり、片側咽頭の固定なし、
T3:最大径が4cmを超える腫瘍、又は、片側咽頭の固定ないし食道への拡大を伴う、
T4a/T4b:腫瘍が隣接臓器のいずれかに浸潤している。
中咽頭では、以下のとおりとなる。
T1:腫瘍が2cm以下、
T2:腫瘍が2cm以上で4cm以下。
実施形態8のCNNシステムを用いた消化器官の内視鏡画像による疾患の診断支援方法について、図29を用いて説明する。実施形態8では、実施形態1-6のCNNシステムを用いた消化器官の内視鏡画像による疾患の診断支援方法を使用することができる。S1では、消化器官の第1の内視鏡画像と、第1の内視鏡画像に対応する、消化器官の前記疾患の陽性若しくは陰性、過去の疾患、重症度のレベル、疾患の深達度、又は、撮像された部位に対応する情報の少なくとも1つの確定診断結果と、を用いてCNNシステムを訓練/検証する。このCNNシステムが胃内視鏡画像におけるH.ピロリ関連疾患の診断用の場合であれば、H.ピロリ陽性及びH.ピロリ陽性の場合だけでなく、H.ピロリ除菌後の画像データをも含める。
実施形態9の消化器官の内視鏡画像による疾患の診断支援システム、消化器官の内視鏡画像による診断支援プログラム、及び、コンピュータ読み取り可能な記録媒体について図30を参照して、説明する。実施形態9では、実施形態8で説明した消化器官の内視鏡画像による疾患の診断支援方法を利用することができる。
20…コンピュータ
21…第1の記憶領域
22…第2の記憶領域
23…第3の記憶領域
30…出力部
Claims (22)
- 消化器官の第1の内視鏡画像と、
前記第1の内視鏡画像に対応する、前記消化器官の疾患の陽性又は陰性、重症度のレベル、もしくは、前記疾患の深達度に対応する情報の少なくとも1つの確定診断結果と、
を用いて畳み込みニューラルネットワークを訓練し、
前記訓練された畳み込みニューラルネットワークは、前記消化器官の第2の内視鏡画像に基いて、前記消化器官の疾患の領域を検出し、検出した前記疾患の陽性又は陰性、及び、前記疾患の深達度に対応する確率を出力する、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムであって、
前記消化器官の部位が小腸であって、前記第2の内視鏡画像がワイヤレスカプセル内視鏡画像であり、前記疾患が突出病変であり、前記確率が、突出病変の領域の確率であり、
前記確定診断結果が、前記第1の内視鏡画像を、ポリープ、結節、上皮腫瘍、粘膜下腫瘍及び静脈構造の5つの突出病変のカテゴリーに分類する突出病変診断情報を含み、
前記訓練された畳み込みニューラルネットワークは、内視鏡画像入力部から入力された前記第2の内視鏡画像の前記5つの突出病変のカテゴリーに応じた前記突出病変の領域の確率のうち、所定の閾値に基づいた突出病変の領域の確率を出力することを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 前記訓練された畳み込みニューラルネットワークは、検出した前記突出病変の領域を前記第2の内視鏡画像内に表示するとともに、前記第2の内視鏡画像内に前記確率を表示することを特徴とする、請求項1に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第2の内視鏡画像内には、前記小腸の前記疾患の陽性又は陰性の確定診断結果に基いて前記突出病変の領域として表示され、
前記訓練された畳み込みニューラルネットワークは、前記第2の内視鏡画像内に表示された前記疾患の陽性の領域と、前記訓練された畳み込みニューラルネットワークにより前記第2の内視鏡画像内に表示された前記疾患の陽性の領域との重なりにより、前記訓練された畳み込みニューラルネットワークの診断結果の正誤を判定することを特徴とする、請求項1又は2に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 前記重なりが、
(1)前記小腸の前記疾患の陽性又は陰性の確定診断結果としての前記第2の内視鏡画像内に表示された前記疾患の陽性の領域の80%以上である時、又は、
(2)前記訓練された畳み込みニューラルネットワークにより前記第2の内視鏡画像内に表示された前記疾患の陽性の領域が複数存在するとき、いずれか一つの領域が前記疾患の陽性又は陰性の確定診断結果としての前記第2の内視鏡画像内に表示された前記疾患の陽性の領域と重なっている時、
前記訓練された畳み込みニューラルネットワークの診断は正しいと判定することを特徴とする、請求項3に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法であって、
前記診断支援システムが、少なくとも、畳み込みニューラルネットワークを訓練する訓練部と、訓練された前記畳み込みニューラルネットワークにより前記内視鏡画像を解析する解析部と、を備え、
前記訓練部が、前記消化器官の小腸のワイヤレスカプセル内視鏡画像である第1の内視鏡画像と、該第1の内視鏡画像に対応する、少なくとも小腸の出血の有無に関する情報を含む確定診断結果と、を用いて畳み込みニューラルネットワークを訓練する訓練ステップと、
前記解析部が、前記訓練された畳み込みニューラルネットワークにより、小腸のワイヤレスカプセル内視鏡画像である第2の内視鏡画像に基いて、少なくとも小腸に血液成分が含まれる確率を出力する出力ステップと、
を含み、
前記訓練ステップで用いる前記確定診断結果が、小腸の正常な粘膜である旨を示す診断情報、小腸の内腔に活動性出血を含む旨を示す診断情報、および、小腸の内腔に凝血塊を含む旨を示す診断情報の3つの診断情報を含み、
前記出力ステップが、前記3つの診断情報に応じた前記確率のうち、所定の閾値に基づいた確率を出力することを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法。 - 畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法であって、
前記診断支援システムが、少なくとも、畳み込みニューラルネットワークを訓練する訓練部と、訓練された前記畳み込みニューラルネットワークにより前記内視鏡画像を解析する解析部と、を備え、
前記訓練部が、前記消化器官の食道の非拡大内視鏡画像及び拡大内視鏡画像であり、重度の食道炎を有する患者の画像、化学療法の病歴を有する患者の画像、食道への放射線照射の画像、潰瘍又は潰瘍の瘢痕に隣接する病変の画像、少なすぎる空気吹き込みによる低品質の画像、出血の画像、ハレーションの画像、ぼけの画像、焦点外れの画像、又は、粘液の画像を除かれた第1の内視鏡画像と、該第1の内視鏡画像に対応する、少なくとも食道の扁平上皮癌の深達度に対応する情報を含む確定診断結果と、を用いて畳み込みニューラルネットワークを訓練する訓練ステップと、
前記解析部が、前記訓練された畳み込みニューラルネットワークにより、食道の非拡大内視鏡画像及び拡大内視鏡画像である第2の内視鏡画像に基いて、前記扁平上皮癌の深達度が粘膜上皮-粘膜固有層、粘膜筋板、粘膜下層表面近傍、粘膜下層中間部以深のいずれかであることを判定し、前記扁平上皮癌の深達度に対応する確率を出力する出力ステップと、を含むことを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法。 - 畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法であって、
前記診断支援システムが、少なくとも、畳み込みニューラルネットワークを訓練する訓練部と、訓練された前記畳み込みニューラルネットワークにより前記内視鏡画像を解析する解析部と、を備え、
前記訓練部が、前記消化器官の部位である咽頭の食道胃十二指腸内視鏡検査画像であり、ハレーション、焦点ぼけ、粘液、又は唾液に起因する低品質の画像は除かれた第1の内視鏡画像と、該第1の内視鏡画像に対応する、少なくとも咽頭癌に対応する情報を含む確定診断結果と、を用いて畳み込みニューラルネットワークを訓練する訓練ステップと、
前記解析部が、前記訓練された畳み込みニューラルネットワークにより、前記咽頭の食道胃十二指腸内視鏡検査画像である第2の内視鏡画像に基いて、少なくとも表在性咽頭癌に対応する確率を出力する出力ステップと、を含むことを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法。 - 前記内視鏡画像が白色光内視鏡画像であることを特徴とする、請求項7に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法。
- 前記畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法は、さらにX線コンピュータ断層撮影装置、超音波コンピュータ断層撮影装置又は磁気共鳴画像診断装置からの3次元情報と組み合わされていることを特徴とする、請求項5-8のいずれかに記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法。
- 前記第2の内視鏡画像は、内視鏡で撮影中の画像、通信ネットワークを経由して送信されてきた画像、遠隔操作システム又はクラウド型システムによって提供される画像、コンピュータ読み取り可能な記録媒体に記録された画像、又は、動画の少なくとも1つであることを特徴とする、請求項5-8のいずれかに記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムの作動方法。
- 内視鏡画像入力部と、出力部と、畳み込みニューラルネットワークが組み込まれたコンピュータと、を有する畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムであって、
前記コンピュータは、
消化器官の第1の内視鏡画像を記憶する第1の記憶領域と、
前記第1の内視鏡画像に対応する、前記消化器官の前記疾患の陽性又は陰性、及び、前記疾患の深達度に対応する情報の確定診断結果を記憶する第2の記憶領域と、
前記畳み込みニューラルネットワークを記憶する第3の記憶領域と、
を備え、
前記畳み込みニューラルネットワークは、
前記第1の記憶領域に記憶されている前記第1の内視鏡画像と、前記第2の記憶領域に記憶されている確定診断結果とに基いて訓練されており、
前記内視鏡画像入力部から入力された消化器官の第2の内視鏡画像に基いて、前記第2
の内視鏡画像に対する前記消化器官の前記疾患の陽性又は陰性、及び、前記疾患の深達度に対応する確率を前記出力部に出力するものとされており、
前記疾患が突出病変であり、前記確率が、突出病変の領域の確率であり、
前記確定診断結果が、前記第1の内視鏡画像を、ポリープ、結節、上皮腫瘍、粘膜下腫瘍及び静脈構造の5つの突出病変のカテゴリーに分類する突出病変診断情報を含み、
前記消化器官の部位が小腸であって、前記第2の内視鏡画像がワイヤレスカプセル内視鏡画像であり、前記訓練された畳み込みニューラルネットワークは、前記内視鏡画像入力部から入力された前記第2の内視鏡画像の前記5つの突出病変のカテゴリーに応じた前記突出病変の確率のうち、所定の閾値に基づいた突出病変の領域の確率を出力することを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 前記訓練された畳み込みニューラルネットワークは、検出した前記突出病変の領域を前記第2の内視鏡画像内に表示するとともに、前記第2の内視鏡画像内に前記確率を表示することを特徴とする、請求項11に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第2の内視鏡画像内には、前記小腸の前記疾患の陽性又は陰性の確定診断結果に基いて前記突出病変の領域として表示され、
前記訓練された畳み込みニューラルネットワークは、前記第2の内視鏡画像内に表示された前記疾患の陽性の領域と、前記訓練された畳み込みニューラルネットワークにより前記第2の内視鏡画像内に表示された前記疾患の陽性の領域との重なりにより、前記訓練された畳み込みニューラルネットワークの診断結果の正誤を判定することを特徴とする、請求項11又は12に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 前記重なりが、
(1)前記小腸の前記疾患の陽性又は陰性の確定診断結果としての前記第2の内視鏡画像
内に表示された前記疾患の陽性の領域の80%以上である時、又は、
(2)前記訓練された畳み込みニューラルネットワークにより前記第2の内視鏡画像内に表示された前記疾患の陽性の領域が複数存在するとき、いずれか一つの領域が前記疾患の陽性又は陰性の確定診断結果としての前記第2の内視鏡画像内に表示された前記疾患の陽性の領域と重なっている時、
前記訓練された畳み込みニューラルネットワークの診断は正しいと判定することを特徴とする、請求項13に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 内視鏡画像入力部と、出力部と、畳み込みニューラルネットワークが組み込まれたコンピュータと、を有する畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムであって、
前記コンピュータは、
消化器官の第1の内視鏡画像を記憶する第1の記憶領域と、
前記第1の内視鏡画像に対応する、前記消化器官の前記疾患の陽性又は陰性、前記疾患の深達度に対応する情報の確定診断結果を記憶する第2の記憶領域と、
前記畳み込みニューラルネットワークを記憶する第3の記憶領域と、
を備え、
前記畳み込みニューラルネットワークは、
前記第1の記憶領域に記憶されている前記第1の内視鏡画像と、前記第2の記憶領域に記憶されている確定診断結果とに基いて訓練されており、
前記内視鏡画像入力部から入力された消化器官の第2の内視鏡画像に基いて、前記第2の内視鏡画像に対する前記消化器官の前記疾患の陽性又は陰性、及び、前記疾患の深達度に対応する確率を前記出力部に出力するものとされており、
前記消化器官の部位が小腸であって、前記第2の内視鏡画像がワイヤレスカプセル内視鏡画像であり、
前記確定診断結果が、小腸の正常な粘膜である旨を示す診断情報、小腸の内腔に活動性出血を含む旨を示す診断情報、および、小腸の内腔に凝血塊を含む旨を示す診断情報の3つの診断情報を含み、
前記訓練された畳み込みニューラルネットワークは、前記3つの診断情報に応じた前記確率のうち、所定の閾値に基づいた確率を出力することによって前記第2の内視鏡画像内に前記疾患としての出血の有無の確率を表示することを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 内視鏡画像入力部と、出力部と、畳み込みニューラルネットワークが組み込まれたコンピュータと、を有する畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムであって、
前記コンピュータは、
消化器官の第1の内視鏡画像を記憶する第1の記憶領域と、
前記第1の内視鏡画像に対応する、前記消化器官の前記疾患の陽性又は陰性、前記疾患の深達度に対応する情報の確定診断結果を記憶する第2の記憶領域と、
前記畳み込みニューラルネットワークを記憶する第3の記憶領域と、
を備え、
前記畳み込みニューラルネットワークは、
前記第1の記憶領域に記憶されている前記第1の内視鏡画像と、前記第2の記憶領域に記憶されている確定診断結果とに基いて訓練されており、
前記内視鏡画像入力部から入力された消化器官の第2の内視鏡画像に基いて、前記第2の内視鏡画像に対する前記消化器官の前記疾患の陽性又は陰性、及び、前記疾患の深達度に対応する確率を前記出力部に出力するものとされており、
前記消化器官の部位が食道であって、前記第2の内視鏡画像が非拡大内視鏡画像及び拡大内視鏡画像であり、
重度の食道炎を有する患者の画像、化学療法の病歴を有する患者の画像、食道への放射線照射の画像、潰瘍又は潰瘍の瘢痕に隣接する病変の画像、少なすぎる空気吹き込みによる低品質の画像、出血の画像、ハレーションの画像、ぼけの画像、焦点外れの画像、又は、粘液の画像を除かれた第1の内視鏡画像と、該第1の内視鏡画像に対応する、少なくとも食道の扁平上皮癌の深達度に対応する情報を含む確定診断結果とを用いて前記畳み込みニューラルネットワークが訓練され、
訓練された前記畳み込みニューラルネットワークが、食道の非拡大内視鏡画像及び拡大内視鏡画像である第2の内視鏡画像に基いて、前記扁平上皮癌の深達度が粘膜上皮-粘膜固有層、粘膜筋板、粘膜下層表面近傍、粘膜下層中間部以深のいずれかであることを判定し、前記扁平上皮癌の深達度に対応する確率を出力することを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 内視鏡画像入力部と、出力部と、畳み込みニューラルネットワークが組み込まれたコンピュータと、を有する畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムであって、
前記コンピュータは、
消化器官の第1の内視鏡画像を記憶する第1の記憶領域と、
前記第1の内視鏡画像に対応する、前記消化器官の前記疾患の陽性又は陰性、重症度のレベル、もしくは、前記疾患の深達度に対応する情報の少なくとも1つの確定診断結果を記憶する第2の記憶領域と、
前記畳み込みニューラルネットワークを記憶する第3の記憶領域と、
を備え、
前記畳み込みニューラルネットワークは、
前記第1の記憶領域に記憶されている前記第1の内視鏡画像と、前記第2の記憶領域に記憶されている確定診断結果とに基いて訓練されており、
前記内視鏡画像入力部から入力された消化器官の第2の内視鏡画像に基いて、前記第2の内視鏡画像に対する前記消化器官の疾患の領域を検出し、検出した前記疾患の陽性又は陰性、及び、前記疾患の深達度に対応する確率を出力するものとされており、
前記消化器官の部位が咽頭であって、第1の内視鏡画像が食道胃十二指腸内視鏡検査画像であり、ハレーション、焦点ぼけ、粘液、又は唾液に起因する低品質の画像は除かれたものであり、前記第2の内視鏡画像が食道胃十二指腸内視鏡検査画像であり、前記疾患が咽頭癌であり、少なくとも表在性咽頭癌に対応する確率を出力することを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。 - 前記内視鏡画像が白色光内視鏡画像であることを特徴とする、請求項17に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムは、さらにX線コンピュータ断層撮影装置、超音波コンピュータ断層撮影装置又は磁気共鳴画像診断装置からの3次元情報と組み合わされていることを特徴とする、請求項11-18のいずれかに記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第2の内視鏡画像は、内視鏡で撮影中の画像、通信ネットワークを経由して送信されてきた画像、遠隔操作システム又はクラウド型システムによって提供される画像、コンピュータ読み取り可能な記録媒体に記録された画像、又は、動画の少なくとも1つであることを特徴とする、請求項11-18のいずれかに記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 請求項11-20のいずれかに記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システムにおける各手段としてコンピュータを動作させるためのものであることを特徴とする、畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援プログラム。
- 請求項21に記載の畳み込みニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援プログラムを記録したことを特徴とする、コンピュータ読み取り可
能な記録媒体。
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018218490 | 2018-11-21 | ||
JP2018218490 | 2018-11-21 | ||
JP2019148079 | 2019-08-09 | ||
JP2019148079 | 2019-08-09 | ||
JP2019172355 | 2019-09-20 | ||
JP2019172355 | 2019-09-20 | ||
JP2019197174 | 2019-10-30 | ||
JP2019197174 | 2019-10-30 | ||
PCT/JP2019/045580 WO2020105699A1 (ja) | 2018-11-21 | 2019-11-21 | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020105699A1 JPWO2020105699A1 (ja) | 2021-09-30 |
JP7037220B2 true JP7037220B2 (ja) | 2022-03-16 |
Family
ID=70773823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020557614A Active JP7037220B2 (ja) | 2018-11-21 | 2019-11-21 | 消化器官の内視鏡画像による疾患の診断支援システム、診断支援システムの作動方法、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220020496A1 (ja) |
EP (1) | EP3884838A4 (ja) |
JP (1) | JP7037220B2 (ja) |
CN (1) | CN113164010A (ja) |
TW (1) | TW202037327A (ja) |
WO (1) | WO2020105699A1 (ja) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112019004084T5 (de) * | 2019-03-27 | 2021-05-06 | Hoya Corporation | Endoskopprozessor, informationsverarbeitungsvorrichtung, endoskopsystem, programm und informationsverarbeitungsverfahren |
KR20220032588A (ko) | 2019-08-15 | 2022-03-15 | 제이에프이미네라르 가부시키가이샤 | 산화아연 소결체 제조용 산화아연 분말 및 산화아연 소결체, 그리고, 이들의 제조 방법 |
CN111091536B (zh) * | 2019-11-25 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、设备、介质以及内窥镜 |
US20220028547A1 (en) * | 2020-07-22 | 2022-01-27 | Iterative Scopes, Inc. | Systems and methods for analysis of medical images for scoring of inflammatory bowel disease |
WO2022025290A1 (ja) * | 2020-07-31 | 2022-02-03 | 学校法人東京理科大学 | 画像処理装置、画像処理方法、画像処理プログラム、内視鏡装置、及び内視鏡画像処理システム |
CN112651400B (zh) * | 2020-12-31 | 2022-11-15 | 重庆西山科技股份有限公司 | 一种立体内窥镜辅助检测方法、系统、装置及存储介质 |
CN112614128B (zh) * | 2020-12-31 | 2021-09-07 | 山东大学齐鲁医院 | 一种基于机器学习的内镜下辅助活检的系统及方法 |
CN112466466B (zh) * | 2021-01-27 | 2021-05-18 | 萱闱(北京)生物科技有限公司 | 基于深度学习的消化道辅助检测方法、装置和计算设备 |
JPWO2022209657A1 (ja) * | 2021-03-30 | 2022-10-06 | ||
TWI789932B (zh) * | 2021-10-01 | 2023-01-11 | 國泰醫療財團法人國泰綜合醫院 | 大腸瘜肉影像偵測方法、裝置及其系統 |
CN113643291B (zh) * | 2021-10-14 | 2021-12-24 | 武汉大学 | 食管标志物浸润深度等级确定方法、装置及可读存储介质 |
TWI779900B (zh) * | 2021-10-25 | 2022-10-01 | 瑞昱半導體股份有限公司 | 基於區域控制以及多重分支處理架構進行圖像增強的圖像處理系統與相關圖像處理方法 |
CN113706533B (zh) * | 2021-10-28 | 2022-02-08 | 武汉大学 | 图像处理方法、装置、计算机设备及存储介质 |
CN114913173B (zh) * | 2022-07-15 | 2022-10-04 | 天津御锦人工智能医疗科技有限公司 | 内镜辅助检查系统、方法、装置及存储介质 |
WO2024018581A1 (ja) * | 2022-07-21 | 2024-01-25 | 日本電気株式会社 | 画像処理装置、画像処理方法及び記憶媒体 |
CN115311268B (zh) * | 2022-10-10 | 2022-12-27 | 武汉楚精灵医疗科技有限公司 | 食管内窥镜图像的识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170084036A1 (en) | 2015-09-21 | 2017-03-23 | Siemens Aktiengesellschaft | Registration of video camera with medical imaging |
CN107705852A (zh) | 2017-12-06 | 2018-02-16 | 北京华信佳音医疗科技发展有限责任公司 | 一种医用电子内窥镜的实时病变智能识别方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002301019A (ja) | 2001-04-09 | 2002-10-15 | Hironori Yamamoto | 内視鏡装置 |
US7346209B2 (en) * | 2002-09-30 | 2008-03-18 | The Board Of Trustees Of The Leland Stanford Junior University | Three-dimensional pattern recognition method to detect shapes in medical images |
US7623690B2 (en) * | 2004-03-30 | 2009-11-24 | Carestream Health, Inc. | System and method for classifying in vivo images according to anatomical structure |
US7986337B2 (en) | 2004-09-27 | 2011-07-26 | Given Imaging Ltd. | System and method for editing an image stream captured in vivo |
JP2006218138A (ja) * | 2005-02-14 | 2006-08-24 | Yoshihiro Sasaki | ハイビジョンデジタル内視鏡画像のファイリング及びコンピューター支援診断装置 |
JP5618535B2 (ja) * | 2009-12-22 | 2014-11-05 | 株式会社日立メディコ | 医用画像診断装置 |
US9088716B2 (en) * | 2012-04-11 | 2015-07-21 | The University Of Saskatchewan | Methods and apparatus for image processing in wireless capsule endoscopy |
US10055843B2 (en) * | 2015-03-31 | 2018-08-21 | Mayo Foundation For Medical Education And Research | System and methods for automatic polyp detection using convulutional neural networks |
US10269114B2 (en) * | 2015-06-12 | 2019-04-23 | International Business Machines Corporation | Methods and systems for automatically scoring diagnoses associated with clinical images |
JP6528608B2 (ja) | 2015-08-28 | 2019-06-12 | カシオ計算機株式会社 | 診断装置、及び診断装置における学習処理方法、並びにプログラム |
JP6545591B2 (ja) | 2015-09-28 | 2019-07-17 | 富士フイルム富山化学株式会社 | 診断支援装置、方法及びコンピュータプログラム |
-
2019
- 2019-11-21 JP JP2020557614A patent/JP7037220B2/ja active Active
- 2019-11-21 US US17/295,945 patent/US20220020496A1/en active Pending
- 2019-11-21 TW TW108142401A patent/TW202037327A/zh unknown
- 2019-11-21 EP EP19887179.0A patent/EP3884838A4/en active Pending
- 2019-11-21 WO PCT/JP2019/045580 patent/WO2020105699A1/ja unknown
- 2019-11-21 CN CN201980076954.1A patent/CN113164010A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170084036A1 (en) | 2015-09-21 | 2017-03-23 | Siemens Aktiengesellschaft | Registration of video camera with medical imaging |
CN107705852A (zh) | 2017-12-06 | 2018-02-16 | 北京华信佳音医疗科技发展有限责任公司 | 一种医用电子内窥镜的实时病变智能识别方法及装置 |
Non-Patent Citations (6)
Title |
---|
HIRASAWA, Toshiaki, et al.,Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images,Gastric Cancer,日本,The International Gastric Cancer Association and The Japanese Gastric Cancer Association 2018,2018年01月15日,Volume 21, Issue 4,pp. 653-660,ISSN 1436-3291 |
JIA, Xiao, et al.,A Deep Convolutional Neural Network for Bleeding Detection in Wireless Capsule Endoscopy Images,38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,IEEE,2016年,pp. 639-642,ISSN 1558-4615 |
SHICHIJO, Satoki, et al.,Application of Convolutional Neural Networks in the Diagnosis of Helicobacter pylori Infection Based on Endoscopic Images,EBioMedicine,2017年,Volume 25,pp.106-111,ISSN 2352-3964 |
宮崎 祐太,畳み込みニューラルネットワークを用いたカプセル内視鏡画像における小腸病変の位置検出,情報処理学会 研究報告 コンピュータビジョンとイメージメディア(CVIM) 2016-CVIM-202 [online] ,日本,情報処理学会,2016年05月12日 |
山田真善, 上條憲一, 斎藤豊,形態情報定量化を基盤とする人工知能システムを活用した大腸がんおよび前がん病変発見のためのリアルタイム内視鏡画像自動解析システムの開発,日本消化器病学会雑誌 第114巻臨時増刊号(大会),一般財団法人 日本消化器病学会,2017年09月15日,A498,ISSN 0446-6586 |
工藤進英, 森悠一,Endocytoscopyはvirtual biopsyとなりうるか,消化器内視鏡 6月号,第27巻第6号,日本,株式会社東京医学社,2015年06月25日,pp. 996-998,ISSN 0915-3217 |
Also Published As
Publication number | Publication date |
---|---|
WO2020105699A9 (ja) | 2020-07-09 |
WO2020105699A1 (ja) | 2020-05-28 |
EP3884838A1 (en) | 2021-09-29 |
CN113164010A (zh) | 2021-07-23 |
EP3884838A4 (en) | 2022-08-17 |
US20220020496A1 (en) | 2022-01-20 |
JPWO2020105699A1 (ja) | 2021-09-30 |
TW202037327A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7037220B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援システム、診断支援システムの作動方法、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
JP7017198B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
WO2019245009A1 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
JP7216376B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
JP6657480B2 (ja) | 画像診断支援装置、画像診断支援装置の作動方法および画像診断支援プログラム | |
Cai et al. | Using a deep learning system in endoscopy for screening of early esophageal squamous cell carcinoma (with video) | |
WO2021054477A2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
Igarashi et al. | Anatomical classification of upper gastrointestinal organs under various image capture conditions using AlexNet | |
Namikawa et al. | Artificial intelligence-based diagnostic system classifying gastric cancers and ulcers: comparison between the original and newly developed systems | |
JPWO2020121906A1 (ja) | 医療支援システム、医療支援装置及び医療支援方法 | |
KR20200038121A (ko) | 실시간으로 획득되는 위 내시경 이미지를 기반으로 위 병변을 진단하는 내시경 장치 및 방법 | |
Wu et al. | Tongue diagnosis indices for gastroesophageal reflux disease: a cross-sectional, case-controlled observational study | |
Li et al. | Intelligent detection endoscopic assistant: An artificial intelligence-based system for monitoring blind spots during esophagogastroduodenoscopy in real-time | |
Kim et al. | Quality indicators in esophagogastroduodenoscopy | |
Jiang et al. | Differential diagnosis of Helicobacter pylori-associated gastritis with the linked-color imaging score | |
Zhang et al. | Effect of a deep learning–based automatic upper GI endoscopic reporting system: a randomized crossover study (with video) | |
JP2023079866A (ja) | 超拡大内視鏡による胃癌の検査方法、診断支援方法、診断支援システム、診断支援プログラム、学習済みモデル及び画像診断支援装置 | |
Samuel et al. | PTH-015 Developing The Recorded Image Quality Index (RIQI) Tool–Measuring Recorded Image Quality, Degree of Representation and Utility | |
Shiroma et al. | Ability of artificial intelligence to detect T1 esophageal squamous cell carcinoma from endoscopic videos: supportive effects of real-time assistance | |
Liang et al. | The applications and challenges of artificial intelligence in colonoscopy | |
Saito et al. | Mo1656 TRENDS AND PROPORTIONS OF 3 CATEGORIES OF COLORECTAL CANCER DIAGNOSIS (SCREEN-DETECTED, NONADHERENCE-RELATED OR INTERVAL CRC) IN A VETERANS AFFAIRS HOSPITAL | |
Ahmed et al. | When to do paediatric gastrointestinal endoscopy? | |
Pech et al. | Su1351 Needle-knife Zenker's Diverticulotomy in a Tertiary Referral Center-Results From a Prospective Cohort Study | |
Perisetti et al. | Challenges in the Diagnosis Of Barrett’s Esophagus and Related Neoplasia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210604 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210604 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211206 |
|
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: 20220201 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220225 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7037220 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |