JP7111871B2 - 磁気共鳴画像を用いた微小脳出血検出装置及び方法｛Ｄｅｖｉｃｅ ａｎｄ Ｍｅｔｈｏｄｆｏｒ Ｄｅｔｅｃｔｉｎｇ Ｃｅｒｅｂｒａｌ Ｍｉｃｒｏｂｌｅｅｄｓ Ｕｓｉｎｇ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｅｓ｝ - Google Patents

Description

本発明は、微小脳出血検出装置及び方法に関するものであって、さらに詳しくは、磁気共鳴画像及びニューラルネットワークを用いた微小脳出血検出装置及び方法に関する。

微小脳出血（Ｃｅｒｅｂｒａｌ Ｍｉｃｒｏｂｌｅｅｄｓ：ＣＭＢｓ）は、脳卒中、機能障害、認知症、及び認知障害など、さまざまな脳血管疾患の診断指標とされる微小の慢性的脳出血である。微小脳出血は、健康な高齢者を含む複数の母集団で多く発生し、頭蓋内出血の原因となる確率が高く、脳アミロイド血管症と脳小血管病のバイオマーカーとなることができる。

また、微小脳出血は、虚血性脳卒中、外傷性脳損傷、アルツハイマー病に対して臨床的影響を増加させることもできる。実際、直接的に病理学的観察をしたところ、微小脳出血は、周辺脳組織に損傷を与え、機能障害、認知症、および認知障害の原因となることが明らかになった。

これ故に微小脳出血を早期に発見し、微小脳出血であると見誤りやすい石灰性物質、鉄分、および静脈と微小脳出血を区別することは、診断および治療において極めて重要な作業である。

従来、微小脳出血を検出するためにＣＴと磁気共鳴画像が用いられてきた。磁気共鳴画像は、常磁性である出血と反磁性である石灰性物質を識別するのに役立つので、ＣＴに比べて微出血を検出することにおいてより好まれた。

特に、磁気共鳴画像のうち、ＳＷＩ（Ｓｅｎｓｉｔｉｖｉｔｙ－ｗｅｉｇｈｔｅｄ Ｉｍａｇｉｎｇ）画像は、微小脳出血において高い識別力を有するが、いまだ神経外科専門医による目視検査は、かなりの時間が要されており、成功的な識別が難しいという問題点があった。

微小脳出血の検出性能を向上させるべく他の専門家や自動化されたＣＡＤのような判読機が用いられたりもした。しかし、微小脳出血の自動検出は、脳内の微小出血の位置変化が大きく、その大きさが小さく、石灰物質のように類似する物質の存在により依然困難な問題がある。

本発明は、人工ニューラルネットワークを用いて向上された性能により微小脳出血を検出する方法及び装置を提案する。

また、本発明は、微小脳出血を人工ニューラルネットワークを用いて検出するのに適した磁気共鳴画像の前処理方法を提案する。

前記のような目的を達成するために、本発明の 一側面によれば、磁気共鳴画像のＳＷＩ画像及び位相画像それぞれを正規化し、この正規化された位相画像の符号を反転させる位相画像変換を行う前処理部と、前記前処理されたＳＷＩ画像及び位相画像が結合された２チャンネル画像が入力され、微小脳出血に対する多数の候補領域を検出するＹＯＬＯニューラルネットワークモジュールと、前記多数の候補領域に基づいて前記ＳＷＩ画像及び位相画像の候補領域のパッチ画像が入力され、各候補領域のパッチ画像が微小脳出血症状がある画像であるか否かをニューラルネットワーク演算により判断する微小脳出血判断ニューラルネットワークモジュールと、を含む磁気共鳴画像を用いた微小脳出血検出装置が提供される。

前記前処理部は、前記正規化されたＳＷＩ画像及び前記変換された位相画像と隣接するスライス画像との平均値を演算し、前記演算された平均値を反映する前処理をさらに行う。

前記ＹＯＬＯニューラルネットワークモジュールは、多数のバウンディングボックス及び各バウンディングボックスの確率情報が出力されるようにＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）画像との損失を逆伝播して学習される。

前記微小脳出血判断ニューラルネットワークモジュールは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）層及びＦＣ（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ）層を含み、ＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）との損失を逆伝播して学習される。

前記多数の候補領域に対する前記候補領域のパッチ画像それぞれは、前記正規化及び隣接スライスの平均演算からなるＳＷＩ画像の候補領域、前記正規化、及び隣接スライスの平均演算が反映され、前記符号反転が反映されていない位相画像の候補領域を用いて生成される。

前記候補領域のパッチ画像は、前記正規化及び前記隣接スライス平均演算からなる前記ＳＷＩ画像の候補領域部分と、前記正規化及び前記隣接スライスの平均演算からなる前記位相画像の候補領域部分を連続して連結した１チャンネルの画像である。

本発明のもう一つの側面によれば、磁気共鳴画像のＳＷＩ画像及び位相画像それぞれを正規化し、この正規化された位相画像の符号を反転させる位相画像変換を行う前処理段階（ａ）と、前記前処理されたＳＷＩ画像及び位相画像が結合された２チャンネル画像が入力され、微小脳出血に対する多数の候補領域を検出するＹＯＬＯニューラルネットワーク演算段階（ｂ）と、前記多数の候補領域に基づいて前記ＳＷＩ画像及び位相画像の候補領域のパッチ画像が入力され、各候補領域のパッチ画像が微小脳出血症状がある画像であるか否かをニューラルネットワーク演算により判断する微小脳出血判断ニューラルネットワーク演算段階（ｃ）と、を含む磁気共鳴画像を用いた微小脳出血検出方法が提供される。

本発明によれば、微小脳出血を人工ニューラルネットワークを用いて検出するのに適した磁気共鳴画像の前処理を通じて向上された性能により微小脳出血を検出することができる長所がある。

本発明の一実施形態による磁気共鳴画像を用いた微小脳出血検出装置の全体的な構造を示す図。 本発明の一実施形態による微小脳出血検出装置において、前処理部の構成を示すブロック図。 本発明の一実施形態によるＹＯＬＯニューラルネットワークモジュールの構造を示す図。 本発明の一実施形態によるＹＯＬＯニューラルネットワークモジュールから出力される画像の一例を示す図。 本発明の一実施形態によるＹＯＬＯニューラルネットワークモジュールにより選択された候補領域を示す図。 本発明の一実施形態による微小脳出血判断ニューラルネットワークモジュールの構造を示す図。 本発明の一実施形態による微小脳出血判断方法の全体的な流れを示すフローチャート。

以下では、添付した図面を参照にし、本発明を説明する。なお、本発明は、さまざまな異なる形で具現されることができ、よって、ここで説明する実施形態に制限されるものではない。

また、図面において本発明を明確に説明するために、説明と関係のない部分は省略し、明細書全体を通して類似する箇所については、類似する図面符号を付した。

明細書全体において、ある部分が別の部分と「連結」されているとしたとき、これは「直接的に連結」されている場合だけでなく、その間に他の部材を介して「間接的に連結」されている場合をも含む。

また、ある部分がある構成要素を「含む」としたとき、これは特に断りがない限り、他の構成要素を除外するものではなく、他の構成要素をさらに備えることができることを意味する。

以下に添付された図面を参照にし、本発明の実施形態を詳細に説明する。
図１は、本発明の一実施形態による磁気共鳴画像を用いた微小脳出血検出装置の全体的な構造を示す図である。

図１を参照すれば、本発明の一実施形態による磁気共鳴画像を用いた微小脳出血検出装置は、前処理部１００、ＹＯＬＯニューラルネットワークモジュール２００、及び微小脳出血判断ニューラルネットワークモジュール３００を含む。

本発明の微小脳出血検出装置は、大脳領域を撮影した磁気共鳴画像において、微小脳出血が発生したか否か、および微小脳出血が発生した場合、微小脳出血が発生した領域を検出する。

本発明の微小脳出血検出装置には、二種類の磁気共鳴画像が入力される。第１磁気共鳴画像は、ＳＷＩ画像であり、第２磁気共鳴画像は、位相画像である。ＳＷＩ（Ｓｅｎｓｉｔｉｖｉｔｙ－ｗｅｉｇｈｔｅｄ Ｉｍａｇｉｎｇ）画像は、磁化率に重みを加えた画像であって、従来のグラジェント－エコー法（Ｇｒａｎｄｉｅｎｔ－Ｅｃｈｏ）の画像を３Ｄ空間解像度に変えた画像であり、磁場を歪曲する化合物に敏感に反応する画像である。このようなＳＷＩ画像は、血液物質及びカルシウムなどを検出することに有用である。

位相画像は、グラジェントエコー法で取得される磁気共鳴画像にて位相値のみを抽出して生成した画像である。

従来の微小脳出血の検出は、ＳＷＩ画像のみを用いたが、本発明では、ＳＷＩ画像と位相画像を両方入力する。本発明は、ニューラルネットワークに基づいて微小脳出血を検出し、ニューラルネットワークでの正確な判断のために位相画像の情報が共に活用されるようにし、検出性能の向上を図る。

ＳＷＩ画像及び位相画像は、独立して取得され、ＳＷＩ画像は多数のスライス画像を含み、位相画像も同様に多数のスライス画像が含まれる。本発明の微小脳出血検出装置は、各スライス画像ごとに微小脳出血を検出する。

以下において、本発明の微小脳出血検出装置へ入力されるＳＷＩ画像及び位相画像は、一つのスライス画像を意味するものであり、スライス画像の集合を意味するものではない。

前処理部１００は、ＳＷＩ画像及び位相画像が入力され、ＳＷＩ画像及び位相画像に対する前処理を行い、ＹＯＬＯニューラルネットワークモジュール２００に入力された画像を生成する。前処理部１００は、本発明の核心的構成要素であり、ニューラルネットワークにおいて適切な微小脳出血の検出が行われるようにＳＷＩ画像及び位相画像に対する前処理を行う。前処理部１００の詳細な構造及び前処理方法は、図２を参照にし、後述する。

前処理部１００により前処理された入力画像（ＳＷＩ画像及び位相画像が組み合わされた画像）は、ＹＯＬＯニューラルネットワークモジュール２００に入力される。

ＹＯＬＯニューラルネットワークは、関心オブジェクトを検出するために近年提案されたＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）技術の一つとして公知されたニューラルネットワークである。本発明の微小脳出血検出装置は、ＹＯＬＯニューラルネットワークを構成要素のうちの一つとして活用する。

ＹＯＬＯニューラルネットワークは、比較的少ない計算量でオブジェクトを検出するのに適するように設計されたニューラルネットワークであって、従来のＲ－ＣＮＮに比べて計算の速さ及び最適化が容易なニューラルネットワークである。ただし、ＹＯＬＯニューラルネットワークは、正確なオブジェクトの検出には、高性能を発揮することができないという問題点がある。このような理由からＹＯＬＯニューラルネットワークは、識別力が高くない磁気共鳴画像のオブジェクト検出には用いられなかった。

本発明は、ＹＯＬＯニューラルネットワークを最終的な微小脳出血の検出手段としては活用しておらず、本発明ではＹＯＬＯニューラルネットワークモジュール２００は、多数の候補領域を出力する機能をする。ＹＯＬＯニューラルネットワークモジュール２００は、入力画像において微小脳出血の可能性がある多数の領域を微小脳出血の候補領域として判断し、ＹＯＬＯニューラルネットワークモジュール２００は、候補領域のみを出力するだけで、最終的な判断を実行しない。

前処理部１００により生成された入力画像は、ＹＯＬＯニューラルネットワークモジュール２００にて候補領域の推薦が適宜行われるように前処理され、本発明が提案する前処理によりＹＯＬＯニューラルネットワークモジュール２００が磁気共鳴画像に対しても用いられるようにする。

ＹＯＬＯニューラルネットワークモジュール２００により選択される候補領域が微小脳出血であるか否かに対する判断は、微小脳出血判断ニューラルネットワークモジュール３００によりなされる。

微小脳出血判断ニューラルネットワークモジュール３００は、ＹＯＬＯニューラルネットワークモジュール２００により選択された候補領域画像が入力され、ニューラルネットワーク演算により入力された候補領域画像が微小脳出血であるか否かを最終的に判断する。

本発明の一実施形態によれば、微小脳出血判断ニューラルネットワークモジュール３００は、ＣＮＮベースのニューラルネットワークで具現されることができるが、これに限定されるものではない。

ＹＯＬＯニューラルネットワークモジュール２００により候補領域が選択されると、ＳＷＩ画像と位相画像にて候補領域に相当する部分の画像である候補領域のパッチ画像が、微小脳出血判断ニューラルネットワークモジュール３００に入力される。各候補領域のパッチ画像に対する判断は、独立して行われる。例えば、５つの候補領域がＹＯＬＯニューラルネットワークモジュール２００によって選択された場合、５つの候補領域のパッチ画像それぞれに対して独立して微小脳出血が反映された画像であるか否かの判断が微小脳出血判断ニューラルネットワークモジュール３００によって行われる。

この時、微小脳出血判断ニューラルネットワークモジュール３００に入力される候補領域の画像は、ＹＯＬＯニューラルネットワークモジュール２００に入力される前処理された画像と同じ画像から候補領域が選択された画像であることもでき、ＹＯＬＯニューラルネットワークモジュール２００に入力される画像とは別の方法で前処理されてから候補領域が選択された画像であることもできる。微小脳出血判断ニューラルネットワークモジュール３００に入力される画像の前処理は、図２を参照して説明する。

図２は、本発明の一実施形態による微小脳出血検出装置において前処理部の構成を示すブロック図である。

図２を参照すると、本発明の一実施形態による前処理部は、正規化部１１０、位相画像変換部１２０及び隣接スライス平均演算部１３０を含む。

正規化部１１０は、ＳＷＩ画像及び位相画像が所定範囲の値のみを有するように正規化を行う。正規化部１１０は、ＳＷＩ画像及び位相画像それぞれに対して正規化を行う。例えば、正規化部ＳＷＩ画像及び位相画像が０～１の間のピクセル値を有するように正規化を行うことができる。

本発明の一実施形態によれば、次の数式１のようにＳＷＩ画像及び位相画像が０～１の値を有するように正規化演算が行われることができる。

位相画像変換部１２０は、正規化された位相画像を変換する。本発明の好ましい実施形態によれば、位相画像変換部１２０は、次の数式２のように正規化された位相画像を変換する。

後述するが、ＳＷＩ画像及び位相画像は、結合（Ｃｏｎｃａｔｅｎａｔｉｏｎ）され、二つのチャンネルを形成する形で入力されるが、二つのチャンネル値が加わる場合、ＹＯＬＯニューラルネットワークモジュールの候補領域の検出性能が低下しうる。磁気共鳴画像においてＳＷＩ画像の低強度地点は、位相画像の低強度地点と対応し、このような理由から、当該地点で二画像の値が加わる場合、画像の特徴値が相殺され、正確な識別が難しい。

このような理由により、本発明の前処理部１００は、位相画像変換部１２０により正規化された位相画像の符号を反転させ、これを通じて位相画像及びＳＷＩ画像の値が加わるとき、特徴が相殺されることを防止する。

隣接スライス平均演算部１３０は、隣接するＳＷＩ画像と位相画像の平均値を反映した画像を生成する。例えば、対象スライスが第Ｎスライス画像である場合、第（Ｎ－１）スライス画像と第（Ｎ＋１）スライス画像及び第Ｎスライス画像の平均を演算するものである。ここで、平均演算の対象は、正規化済みのＳＷＩスライス画像及び位相画像変換が完了した位相スライス画像である。前で説明したように、ＳＷＩ画像及び位相画像は、多数のスライスからなり、本発明の微小脳出血の検出は、スライス画像単位からなる。

すなわち、スライス平均演算は、前処理の一番最後の段階で行われ、隣接するスライスの情報を共に反映し、微小脳出血を判断するためにスライスの平均演算が行われる。

図３は、本発明の一実施形態によるＹＯＬＯニューラルネットワークモジュールの構造を示す図である。

ＹＯＬＯニューラルネットワークモジュール２００には、前処理部１００によって前処理されたＳＷＩ画像及び位相画像が結合された画像が入力される。二つの画像が結合された画像であるので、２チャンネル画像として定義されることもできる。

ＹＯＬＯニューラルネットワークモジュール２００は、多数の層に対して畳み込み演算を行い、図３には、計４つの層により畳み込み演算が行われる場合が示されている。もちろん、図３に示された層の数は、例示的なものであり、畳み込み層の数は、必要に応じて変更可能である。

各層での畳み込み演算が行われるたび、最大プーリングによって画像のサイズは小さくなり、画像のチャンネル数は増加するようになる。図３には、画像のチャンネル数が２、１９２、２５６、５１２、および１０２４の順に増加する場合が示されている。

畳み込み層での畳み込み演算が完了すると、二つのＦＣ（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ）層を通過し、最終的には７ Ｘ ７ Ｘ ３０のデータが出力される。もちろん、図３に示された各層のサイズ及びチャンネル数も同様に例示的なものであり、必要に応じて変更可能であることは当業者にとって自明なことであろう。

ＹＯＬＯニューラルネットワークモジュールは、ＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を用いた地図学習によって学習されることができる。Ｇｒｏｕｎｄ Ｔｒｕｔｈとしては、一部領域に微小脳出血が存在する磁気共鳴画像が用いられることができる。

ＧＴを用いて学習が行われる場合、ＹＯＬＯニューラルネットワークモジュールの出力とＧＴ画像との差を損失として設定し、損失を逆伝播しながら各層の畳み込みカーネルの加重値を学習する。畳み込みニューラルネットワークの学習構造は、周知の技術であるため、これについての詳細な説明は省略する。

図４は、本発明の一実施形態によるＹＯＬＯニューラルネットワークモジュールから出力される画像の一例を示した図である。

図４を参照すると、ＹＯＬＯニューラルネットワークモジュールは、多数のバウンディングボックスが形成された画像を出力する。本発明のようにＹＯＬＯニューラルネットワークモジュールが微小脳出血を検出するように学習された場合、ＹＯＬＯニューラルネットワークモジュールは、微小脳出血が発生する可能性のある領域にバウンディングボックスが形成された画像を出力するようになる。

ＹＯＬＯニューラルネットワークモジュールが出力する画像には、バウンディングボックスと共に各バウンディングボックスの確率情報が含まれている。ここで、確率情報は、当該バウンディングボックスの領域が微小脳出血である確率を意味する。

図５は、本発明の一実施形態によるＹＯＬＯニューラルネットワークモジュールにより選択された候補領域を示す図である。

図５に例示的に示された候補領域は、図４に示されたバウンディングボックスと、各バウンディングボックスの確率情報に基づいて決定される。候補領域として選択するための確率は、予め決定することができ、多数のバウンディングボックス領域の内、予め決定された確率を超えるバウンディングボックス領域を候補領域として選択する。

ＹＯＬＯニューラルネットワークモジュールの出力画像から候補領域を選択する作動は、別の選択モジュールによって行われることもでき、ＹＯＬＯニューラルネットワークモジュールが予め決定された確率以上の候補領域を選択するように学習されることもできる。

図６は、本発明の一実施形態による微小脳出血判断ニューラルネットワークモジュールの構造を示す図である。

ＹＯＬＯニューラルネットワークモジュールを用いて、微小脳出血の候補領域が選択されると、当該領域のパッチ画像が微小脳出血判断ニューラルネットワークモジュールへ入力される。候補領域のパッチ画像は、ＳＷＩ画像及び位相画像から候補領域に基づいてそれぞれ選択される。

ＹＯＬＯニューラルネットワークモジュール２００の入力画像は、ＳＷＩ画像及び位相画像が２つのチャンネルで結合された画像であった。微小脳出血判断ニューラルネットワークモジュール３００の入力画像は、選択された二つの候補領域のパッチ画像が連続して連結された形態を有する。すなわち、微小脳出血判断ニューラルネットワークモジュール３００の入力画像は、１チャンネルの画像であり、ＹＯＬＯニューラルネットワークモジュール２００と同じ２チャンネルの画像でないことが好ましい。

前で説明したように、微小脳出血判断ニューラルネットワークモジュールへの候補領域のパッチ画像は、ＹＯＬＯニューラルネットワークモジュール２００の入力画像（前処理された画像）から選択されることもでき、別の方法で前処理された画像から選択されることもできる。

本願発明の発明者の研究によれば、ＹＯＬＯニューラルネットワークモジュール２００への入力画像とは異なる方法で前処理されたとき、より良い学習効果及び検出性能が向上された。

この場合、前処理部１００は、ＹＯＬＯニューラルネットワークモジュール２００のための第１前処理画像と微小脳出血判断ニューラルネットワークモジュール３００のための第２前処理画像をそれぞれ生成する。

第２前処理画像は、第１前処理画像と比較したとき、位相画像に対して画像変換が行われていない画像である。第２前処理時、ＳＷＩ画像に対する正規化及びスライスの平均演算は同様に行われる。位相画像に対しても正規化及びスライス平均演算は行われるが、位相画像変換は行われない。すなわち、位相画像に対してもＳＷＩ画像と同様に正規化及びスライス平均演算のみが行われるものである。

位相画像に対する変換を行わないのは、微小脳出血判断ニューラルネットワークモジュール３００への入力が二つの画像が結合（Ｃｏｎｃａｔｅｎａｔｉｏｎ）された形態でない連続して連結された形態であるからである。

微小脳出血判断ニューラルネットワークモジュール３００は、多数の畳み込み層及び多数のＦＣ（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ）層を含む。図６には、５つの畳み込み層及び３つのＦＣ（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ）層が示されているが、畳み込み層及びＦＣ層の数が適宜選択しうるという点は、当業者にとって自明なことであろう。

畳み込み層では、畳み込みカーネルを用いた畳み込み演算が行われ、畳み込み演算が行われると同時にサイズ及びチャンネルが変更されることができる。ＦＣ層では、畳み込み層の演算結果のクラスを減らしていく演算が行われ、最終的には二つのクラスのみが出力されるようにする。

微小脳出血判断ニューラルネットワークモジュール３００は、入力される候補領域のパッチ画像（ＳＷＩ画像及び位相画像が連結された画像）が微小脳出血（ＣＭＢｓ）症状がある画像であるか否かを最終的に判断するように学習される。一例として、微小脳出血症状のある画像である場合、０に近い値を出力し、微小脳出血症状がない画像である場合、１に近い値を出力するように学習されることができる。

微小脳出血判断ニューラルネットワークモジュール３００に対する学習も同様にＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を用いて学習されることができる。微小脳出血判断ニューラルネットワークモジュール３００の出力と予め設定されたクラス値（例えば、微小脳出血画像であれば「０」であり、微小脳出血画像でなければ「１」）との差を損失として設定し、損失を逆伝播する学習が行われる。

多数の候補領域それぞれに対するパッチ画像が微小脳出血判断ニューラルネットワークモジュール３００へ入力され、各候補領域のパッチ画像ごとに微小脳出血画像であるか否かが最終的に判断される。

図７は、本発明の一実施形態による微小脳出血判断方法の全体的な流れを示すフローチャートである。

図７を参照すると、ＳＷＩ画像及び位相画像がそれぞれ用意される（段階７００）。

ＳＷＩ画像と位相画像に対する第１前処理を行う（段階７０２）。前で説明したように、ＳＷＩ画像に対しては正規化及びスライス平均演算を行うことができ、位相画像に対しては正規化、画像変換、およびスライス平均演算を行う。

第１前処理が行われると、前処理されたＳＷＩ画像及び位相画像を結合して学習されたＹＯＬＯニューラルネットワークモジュール２００へ入力し、微小脳出血の候補領域を出力する（段階７０４）。ＹＯＬＯニューラルネットワークモジュール２００は、バウンディングボックス及びバウンディングボックスの確率情報が含まれた画像を出力し、各バウンディングボックスの確率情報に基づいて候補領域の出力が行われる。

候補領域がＳＷＩ画像及び位相画像から選択されると、候補領域に対する第２前処理が反映されたパッチ画像が生成される（段階７０６）。前で説明したように、第２前処理では、位相画像に対する別途画像変換を行わない。候補領域のパッチ画像は、候補領域に対するＳＷＩ画像及び位相画像を連続して結合された画像であることができる。

候補領域に対するパッチ画像が生成されると、微小脳出血判断ネットワークを用いて、各候補領域に対するパッチ画像が微小脳出血症状がある画像であるか否かを判断する（段階７０８）。

前述した本発明の説明は、例示するためのものであり、本発明が属する技術分野における通常の知識を有する者は、本発明の技術的思想や必須の特徴を変更することなく、他の具体的な形態に容易に変形可能であることを理解することができる。

したがって、以上で記述した実施形態は、あらゆる面で例示的なものであり、限定的なものではないものとして理解されるべきである。

例えば、単一型で説明されている各構成要素は、分散されて実施することもでき、同様に分散されたものとして説明されている構成要素も結合された形態で実施されることができる。

本発明の範囲は、後述する特許請求の範囲により示されており、特許請求の範囲の意味及び範囲、そしてその均等概念から導き出されるすべての変更、または変形された形態が本発明の範囲に含まれるものと解釈されるべきである。

Claims (12)

1. 磁気共鳴画像のＳＷＩ画像及び位相画像それぞれを正規化し、前記正規化された位相画像の符号を反転させる位相画像変換を行う前処理部と、
   前記前処理されたＳＷＩ画像及び位相画像が結合された２チャンネル画像が入力され、微小脳出血に対する多数の候補領域を検出するＹＯＬＯニューラルネットワークモジュールと、
   前記多数の候補領域に基づいて前記ＳＷＩ画像及び位相画像の候補領域のパッチ画像が入力され、各候補領域のパッチ画像が微小脳出血症状がある画像であるか否かをニューラルネットワーク演算により判断する微小脳出血判断ニューラルネットワークモジュールと、を含むことを特徴とする磁気共鳴画像を用いた微小脳出血検出装置。
2. 前記前処理部は、前記正規化されたＳＷＩ画像及び前記変換された位相画像と隣接したスライス画像との平均値を演算し、前記演算された平均値を反映する前処理をさらに行うことを特徴とする請求項１に記載の磁気共鳴画像を用いた微小脳出血検出装置。
3. 前記ＹＯＬＯニューラルネットワークモジュールは、多数のバウンディングボックス及び各バウンディングボックスの確率情報を出力するようにＧＴ（ＧｒｏｕｎｄＴｒｕｔｈ）画像との損失を逆伝播して学習されることを特徴とし、前記ＧＴ画像との損失は、前記ＹＯＬＯニューラルネットワークモジュールの出力と前記ＧＴ画像との差である請求項１に記載の磁気共鳴画像を用いた微小脳出血検出装置。
4. 前記微小脳出血判断ニューラルネットワークモジュールは、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ）層及びＦＣ（ＦｕｌｌｙＣｏｎｎｅｃｔｅｄ）層を含み、ＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）との損失を逆伝播して学習されることを特徴とし、前記ＧＴとの損失は、前記微小脳出血判断ニューラルネットワークモジュールの出力と予め設定されたクラス値との差である請求項１に記載の磁気共鳴画像を用いた微小脳出血検出装置。
5. 前記多数の候補領域に対する前記候補領域のパッチ画像それぞれは、前記正規化及び隣接スライスの平均演算が行われたＳＷＩ画像の候補領域及び前記正規化及び隣接スライスの平均演算が反映され、前記符号反転が反映されていない位相画像の候補領域を用いて生成されたことを特徴とする請求項２に記載の磁気共鳴画像を用いた微小脳出血検出装置。
6. 前記候補領域のパッチ画像は、前記正規化及び前記隣接スライス平均演算が行われた前記ＳＷＩ画像の候補領域の部分と、前記正規化及び前記隣接スライスの平均演算が行われた前記位相画像の候補領域の部分を連続して結合した１チャンネル画像であることを特徴とする請求項５に記載の磁気共鳴画像を用いた微小脳出血検出装置。
7. 前処理部が磁気共鳴画像のＳＷＩ画像及び位相画像のそれぞれを正規化し、前記正規化された位相画像の符号を反転させる位相画像変換を行う前処理段階（ａ）と、
   ＹＯＬＯニューラルネットワークモジュールが前記前処理されたＳＷＩ画像及び位相画像が結合された２チャンネル画像が入力され、微小脳出血に対する多数の候補領域を検出するＹＯＬＯニューラルネットワーク演算段階（ｂ）と、
   微小脳出血判断ニューラルネットワークモジュールが前記多数の候補領域に基づいて、前記ＳＷＩ画像及び位相画像の候補領域パッチ画像が入力され、各候補領域のパッチ画像が微小脳出血症状がある画像であるか否かをニューラルネットワーク演算により判断する微小脳出血判断ニューラルネットワーク演算段階（ｃ）と、を含むことを特徴とする磁気共鳴画像を用いた微小脳出血検出方法。
8. 前記前処理段階（ａ）は、
   前記前処理部が、前記正規化されたＳＷＩ画像及び前記変換された位相画像と隣接するスライス画像との平均値を演算し、前記演算された平均値を反映する前処理をさらに行うことを特徴とする請求項７に記載の磁気共鳴画像を用いた微小脳血検出方法。
9. ＹＯＬＯニューラルネットワーク演算段階（ｂ）は、
   前記ＹＯＬＯニューラルネットワークモジュールが、多数のバウンディングボックス及び各バウンディングボックスの確率情報を出力するようにＧＴ（ＧｒｏｕｎｄＴｒｕｔｈ）画像との損失を逆伝播して学習されることを特徴とし、前記ＧＴ画像との損失は、前記ＹＯＬＯニューラルネットワークモジュールの出力と前記ＧＴ画像との差である請求項７に記載の磁気共鳴画像を用いた微小脳出血検出方法。
10. 前記微小脳出血判断ニューラルネットワーク演算段階（ｃ）は、
    前記微小脳出血判断ニューラルネットワークは、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ）層及びＦＣ（ＦｕｌｌｙＣｏｎｎｅｃｔｅｄ）層を含み、ＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）との損失を逆伝播して学習されることを特徴とし、前記ＧＴとの損失は、前記微小脳出血判断ニューラルネットワークモジュールの出力と予め設定されたクラス値との差である請求項７に記載の磁気共鳴画像を用いた微小脳出血検出方法。
11. 前記多数の候補領域に対する前記候補領域のパッチ画像それぞれは、前記正規化及び隣接スライスの平均演算が行われたＳＷＩ画像の候補領域及び前記正規化及び隣接スライス平均演算が反映され、前記符号反転が反映されていない位相画像の候補領域を用いて生成されることを特徴とする請求項８に記載の磁気共鳴画像を用いた微小脳出血検出方法。
12. 前記候補領域のパッチ画像は、前記正規化及び前記隣接スライス平均演算が行われた前記ＳＷＩ画像の候補領域の部分と、前記正規化及び前記隣接スライス平均演算が行われた前記位相画像の候補領域部分を連続して結合した１チャンネル画像であることを特徴とする請求項１１に記載の磁気共鳴画像を用いた微小脳出血検出方法。

Images