JP7181230B2 - 臨床判断支援のための生医療画像データの機械学習 - Google Patents

臨床判断支援のための生医療画像データの機械学習 Download PDF

Info

Publication number
JP7181230B2
JP7181230B2 JP2019565544A JP2019565544A JP7181230B2 JP 7181230 B2 JP7181230 B2 JP 7181230B2 JP 2019565544 A JP2019565544 A JP 2019565544A JP 2019565544 A JP2019565544 A JP 2019565544A JP 7181230 B2 JP7181230 B2 JP 7181230B2
Authority
JP
Japan
Prior art keywords
diagnostic
medical
medical imaging
raw
medical 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
Application number
JP2019565544A
Other languages
English (en)
Other versions
JP2020522068A5 (ja
JP2020522068A (ja
Inventor
クリスティーン メンキング スウィッシャー
ホーマー ピエン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2020522068A publication Critical patent/JP2020522068A/ja
Publication of JP2020522068A5 publication Critical patent/JP2020522068A5/ja
Application granted granted Critical
Publication of JP7181230B2 publication Critical patent/JP7181230B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)

Description

関連する出願との相互参照
[0001] 本出願は２０１７年５月３１日に出願された米国予備特許出願第62/512,774号の優先権を主張するもので、該出願の全開示内容は参照により事実上本明細書に組み込まれるものとする。
[0002] 本開示に記載される種々の実施態様は、特に生医療撮像データのドメイン内で解剖学的領域又は解剖学的臓器の医療画像の診断評価を行うための人工知能を組み込んだシステム、コントローラ及び方法に関する。
[0003] 医療撮像データは、しばしば、取得され、次いで人の解釈のために操作される。例えば、解剖学的領域又は解剖学的臓器のコンピュータトモグラフィ（ＣＴ）医療撮像は、本開示の当業技術において既知のように解剖学的領域／臓器の臨床的診断の間に人の解釈のための解剖学的領域／臓器の医療画像を再構成するように処理される投影サイノグラム（又は複数のサイノグラム）の形態の医療撮像データの取得を伴う。更なる例によれば、解剖学的領域／臓器の磁気共鳴撮像（ＭＲＩ）は、本開示の当業技術において既知のように解剖学的領域／臓器の臨床的診断の間に人の解釈のための解剖学的領域／臓器の医療画像を再構成するように処理されるｋ空間の医療撮像データの取得を伴う。
[0004] 解剖学的領域／臓器の臨床的診断の間における生医療撮像データの人の解釈のための医療画像への再構成は、信頼性のある臨床判断を補助することが分かっているが、斯かる画像再構成処理は相当の計算時間を必要とし得、この結果、医師が即座の手当を要する解剖学的領域／臓器への栄養供給／傷害／外傷／損傷に適時に対応することを不可能にさせ得る。
[0005] 例えば、図１Ａは、磁気共鳴撮像（ＭＲＩ）マシンにより発生される生医療画像データの画像再構成を４テスラ８系列グラフィック処理ユニット（ＧＰＵ）が実行するための９７秒の期間２０ａ、及び２.６６ＧＨｚのクワッドコアのIntel Core 2 Extreme（ＣＰＵ）が該生ＭＲＩデータの画像再構成を実行するための２３.２分の期間２０ｂを示している。更なる例により、図１Ｂはコンピュータトモグラフィ（ＣＴ）マシンにより発生される生医療画像データの画像再構成を４テスラ１０系列グラフィック処理ユニット（ＧＰＵ）が実行するための５９.９秒の期間２１ａ、及び２５６のＡＭＤデュアルコアOpteron 250中央処理ユニット（ＣＰＵ）が該生ＣＴデータの画像再構成を実行するための６７.４秒の期間２１ｂを示している。図１Ａ及び図１Ｂに示されるような計算時間の結果、特に脳に対する傷害／外傷／損傷等の即座の手当を要する解剖学的領域／臓器の傷害／外傷／損傷に対し医師が適時に対応することが不可能になり得る。
[0006] 更に、画像再構成処理は再構成された医療画像にアーチファクトを生じさせ得、結果として、余り信頼性のない臨床判断（例えば、ＣＴ撮像における金属からの縞、打ち切りアーチファクト（ギブズリンギング）、ジッパー干渉（rf干渉）及びゴースト）となる。
[0007] 例えば、図２は、１６ＫＨｚにおける膝の典型的な医療画像２２及び３２ＫＨｚにおける同じ膝の理想的医療画像２３を示す。医療画像２２は、本開示の当業者により分かるように、医療画像２３には存在しない化学シフトアーチファクトを含んでいる。
[0008] 更に、画像再構成処理は、医療画像の全情報範囲よりも小さな範囲の医療画像の表示を必要とし得る。例えば、超音波医療撮像は深さに伴う信号振幅減衰を含み、ディスプレイ／モニタの現状技術は超音波医療画像の全ダイナミックレンジより少ないものしか提供しない。
[0009] 例えば、図３は、超音波医療画像の全ダイナミックレンジより小さな範囲の超音波画像の表示２４を示している。
[0010] 上述した計算時間、アーチファクト及び表示ダイナミックレンジ限界に対処するために画像再構成のためのアルゴリズムの改善が追求されている。一般的に、画像再構成アルゴリズムは、直接画像再構成アルゴリズム又は反復画像再構成アルゴリズムの何れかとして分類することができる。更に詳細には、直接画像再構成は今日の医療ＣＴスキャナの殆ど全てにおいて使用されている。このようなアルゴリズムは計算するのは速いが、アーチファクト及びノイズの影響を受け易い。逆に、反復再構成アルゴリズムは一層高い精度を提供するが、高計算コストが犠牲となる。
[0011] 医療診断に対する画像アーチファクトの誤った影響を少ない診断計算時間内で最少化するための特別仕立ての画像再構成アルゴリズムの開発を追求するというより、本開示に記載される発明の発明者は、本開示の当業者の考えとは反直感的に、元々の取得状態の生の医療撮像データに対し人工知能に基づいて医療診断を実行することが、例えば、医療診断に対する画像アーチファクトの誤った影響の除去及び診断計算時間の最小化等の数々の利点を提供することを見出した。更に詳細には、解剖学的領域又は解剖学的臓器の医療画像の評価が当該解剖学的領域／臓器の健康状態を適切に診断するための唯一の手段であることは当業者により歴史的に確立された原則である。本開示の発明は、この歴史的に確立された原則に、医療画像が再構成される生の医療撮像データの評価を行うことが解剖学的領域／臓器の健康状態を特に時間の厳しい緊急時に適切に診断するための有効な代替手段であるとすることにより対抗する。
[0012] 本開示の発明の一実施態様は、生医療撮像データを発生する医療撮像マシンと、前記医療撮像マシンにより発生された前記生医療撮像データの医療診断のための生診断マシンとを採用した医療撮像診断システムである。前記生診断マシンは医療撮像診断コントローラを含み、該コントローラは、（１）前記生医療撮像データを、該生医療撮像データから１以上の次元削減された特徴ベクトルを選択又は抽出するように訓練される次元削減プリプロセッサに入力し、（２）前記次元削減特徴ベクトルを、前記生医療撮像データの診断評価を行うように訓練される生診断人工知能エンジン（例えば、人工ニューラルネットワーク及び／又は教師有り学習マシン）に入力し、及び（３）前記生診断撮像データの前記診断評価の伝達（例えば、当該生診断撮像データの診断評価の表示、印刷、Ｅメール、テキスティング等）を制御するように構成される。
[0013] 前記医療撮像診断コントローラは、更に、（４）前記生医療撮像データを、再構成された医療画像を発生するための医療画像再構成エンジンに入力し、及び（５）前記再構成医療画像を伝達する（例えば、該再構成医療画像の表示、印刷、Ｅメール、テキスティング等）よう構成することができる。
[0014] 前記医療撮像診断コントローラは、更に、（６）再構成医療画像を、該再構成医療画像から１以上の医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力し、（７）前記医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力し、及び（８）前記再構成医療画像を伝達する（例えば、該再構成医療画像の医療画像の表示、印刷、Ｅメール、テキスティング等）よう構成することができる。
[0015] 本開示の発明の第２実施態様は、医療撮像マシンにより発生される生医療撮像データを処理するために少なくとも１つのプロセッサにより実行する命令によりエンコードされた非一時的マシン読取可能な記憶媒体である。該非一時的マシン読取可能な記憶媒体は、（１）前記生医療撮像データを、該生医療撮像データから１以上の次元削減特徴ベクトルを選択又は抽出するように訓練される次元削減プリプロセッサに入力し、及び（２）前記次元削減特徴ベクトルを、前記生医療撮像データの診断評価を行うように訓練される生診断人工知能エンジン（例えば、人工ニューラルネットワーク及び／又は教師有り学習マシン）に入力するための命令を有する。
[0016] 当該非一時的マシン読取可能な記憶媒体は、（３）前記生医療撮像データを、再構成された医療画像を発生するための医療画像再構成エンジンに入力するための命令を更に有することができる。
[0017] 当該非一時的マシン読取可能な記憶媒体は、（４）再構成医療画像を、該再構成医療画像から１以上の医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力し、及び（５）前記医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力する、ための命令を更に有することができる。
[0018] 本開示の発明の第３実施態様は、医療撮像マシンにより発生される生医療撮像データの医療撮像診断コントローラによる医療診断のための医療撮像診断方法である。該医療撮像診断方法は、（１）前記医療撮像診断コントローラにより、前記生医療撮像データを、該生医療撮像データから１以上の次元削減された特徴ベクトルを選択又は抽出するように訓練される次元削減プリプロセッサに入力するステップ、及び（２）前記医療撮像診断コントローラにより、前記次元削減特徴ベクトルを、前記生医療撮像データの診断評価を行うための生診断人工知能エンジン（例えば、人工ニューラルネットワーク及び／又は教師有り学習マシン）に入力するステップを含む。
[0019] 該医療撮像診断方法は、（３）前記医療撮像診断コントローラにより、前記生医療撮像データを、再構成された医療画像を発生するための医療画像再構成エンジンに入力するステップを更に含むことができる。
[0020] 前記非一時的マシン読取可能な記憶媒体は、（４）前記医療撮像診断コントローラにより、再構成医療画像を、該再構成医療画像から１以上の医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力し、及び（５）前記医療撮像診断コントローラにより、前記医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力する、ための命令を更に有することができる。
[0021] 本開示の発明を説明し及び請求項に記載する目的で、以下に列挙する如くとする：
[0022] （１）これらに限定されるものではないが、“人工知能”、“特徴ベクトル（feature vector）”、“人工ニューラルネットワーク”、“教師あり学習マシン”、“次元削減”、“画像再構成”、“解剖学的領域”及び“解剖学的臓器”を含む本開示の当業技術の用語は、本開示の当業技術において既知であり且つ本明細書において例示的に説明されるように広く解釈されるべきである；
[0023] （２）“医療撮像マシン”なる用語は、解剖学的領域又は解剖学的臓器の診断撮像を実行するための、本開示の当業技術において理解され且つ以下に考えられるような如何なる撮像方式も広く含むものである。医療撮像マシンの例は、これらに限定されるものではないが、Ｘ線マシン、超音波マシン、コンピュータトモグラフィ（ＣＴ）マシン、磁気共鳴撮像（ＭＲＩ）マシン、陽電子放出トモグラフィ（ＰＥＴ）マシン、単一光子放射コンピュータトモグラフィ（ＳＰＥＣＴ）マシン及び拡散光トモグラフィ（ＤＯＴ）マシンを含む；
[0024] （３）“生医療撮像データ”なる用語は、本開示の当業技術において理解され且つ以下に考えられるような医療撮像マシンにより取得される電子データを広く含む。生医療撮像データの例は、これらに限定されるものではないが、ｋ空間のＭＲＩ、ＣＴサイノグラム、生超音波データ及びＰＥＴリストモードファイルを含む；
[0025] （４）“生診断マシン”なる用語は、本開示に例示的に記載されるような生医療撮像データの人工知能ベースの医療診断のために本開示の発明原理に従い構成された如何なるマシンも広く包含する。
[0026] （５）“コントローラ”なる用語は、本開示の当業技術において理解され且つ以下に想定されるような、本開示において後述されるような本開示の種々の発明原理のアプリケーションを制御するための特定用途向け主基板又は特定用途向け集積回路の全ての構造的構成を広く含むものである。該コントローラの構造的構成は、これらに限定されるものではないが、プロセッサ（又は複数のプロセッサ）、非一時的マシン読取可能な記憶媒体（又は複数の記憶媒体）、オペレーティングシステム、アプリケーションモジュール（又は複数のアプリケーションモジュール）、周辺装置コントローラ（又は複数のコントローラ）、スロット（又は複数のスロット）及びポート（又は複数のポート）を広く含む；
[0027] （６）“モジュール”なる用語は、特定のアプリケーションを実行するためのコントローラ内に組み込まれ又はコントローラによりアクセスされる電子回路／ハードウェア及び／又は実行可能なプログラム（例えば、非一時的なコンピュータ読取可能な媒体（又は複数の媒体）に記憶された実効可能なソフトウェア及び／又はファームウエア）を広く含む；
[0028] （７）本明細書における“モジュール”なる用語に対する如何なる記述的ラベルも、ここに記載及び請求項に記載されるモジュール間の区別を、当該“モジュール”なる用語に対する如何なる付加的な限定も指定又は意味することなく容易にするものである；
[0029] （８）“次元削減プリプロセッサ”なる用語は、本開示の当業技術において理解され且つ以下に想定されるような、生医療撮像データの特徴選択（例えば、フィルタ処理（filtering）、ラッピング（wrapping）又は組み込み評価（embedded evaluation））又は特徴抽出（例えば、主成分分析又は線形判別分析）の次元削減技術を実施するために本開示の発明原理に従い構成された如何なるタイプのデータプリプロセッサも広く含むものである；
[0030] （９）“次元削減特徴ベクトル”なる用語は、生医療撮像データの分類／予測特徴を表す、次元削減プリプロセッサにより生医療撮像データから選択又は抽出される特徴ベクトルを広く包含する；
[0031] （１０）“生診断人工知能エンジン”なる用語は、本開示の当業技術において理解され且つ以下に想定されるような、本開示において例示的に説明される生医療撮像データの医療診断の識別、分類又は予測を実施するために本開示の発明原理に従い構成される如何なるタイプの人工知能エンジンも広く包含する。生診断人工知能エンジンの例は、これらに限定されるものではないが、人工ニューラルネットワーク（例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク等）及び教師あり学習マシン（例えば、サポートベクターマシン）を含む；
[0032] （１１）“医療画像再構成エンジン”なる用語は、本開示の当業技術において理解され且つ以下に想定されるような、生医療撮像データの画像再構成を実施し、これにより再構成された医療画像を発生するための如何なるタイプの計算エンジンも広く包む；
[0033] （１２）“画像再構成プリプロセッサ”なる用語は、本開示の当業技術において理解され且つ以下に想定されるような、再構成された医療画像の特徴抽出技術を実施するために本開示の発明原理に従い構成された如何なるタイプのデータプリプロセッサも広く含むものである；
[0034] （１３）“医療画像特徴ベクトル”なる用語は、再構成された医療画像の分類／予測特徴を表す、画像再構成プリプロセッサにより再構成医療画像から抽出される特徴ベクトルを広く包含する；
[0035] （１４）“データ”は、本開示において後述される本開示の種々の発明原理を適用する助けとなる情報及び／又は命令を伝達するための、本開示の当業技術において理解され且つ本開示において例示的に説明されるような、全ての形態の検出可能な物理量又は衝撃（例えば、電圧、電流、磁場強度、インピーダンス、カラー等）で具現化され得る。本開示の発明により含まれるデータ通信は、これらに限定されるものではないが、何らかの形式の有線又は無線データリンクを介するデータ送信／受信及びコンピュータ使用可能な／コンピュータ読取可能な記憶媒体へアップロードされたデータの読み取りを含む、本開示の当業技術において既知の如何なる通信方法も含み得る。
[0036] 本開示の発明の上記実施態様及び他の実施態様並びに本開示の種々のフィーチャ及び利点は、添付図面に関連して精読される本開示の発明の種々の実施態様の後述する詳細な説明から更に明らかになるであろう。該詳細な説明及び図面は、限定するというより本開示の発明を解説するだけのものであり、本開示の発明の範囲は添付請求項及びその均等物により定義されるものである。
[0037] 種々の例示的実施態様をより良く理解するために、添付図面を参照する。
[0038] 図１Ａは、本開示の当業技術において既知の先進ＭＲＩに関する例示的再構成時間を示す。 [0039] 図１Ｂは、本開示の当業技術において既知のＣＴ撮像に関する例示的再構成時間を示す。 [0040] 図２は、本開示の当業技術において既知の膝の例示的撮像を示す。 [0041] 図３は、本開示の当業技術において既知の例示的超音波撮像を示す。 [0042] 図４Ａ～図４Ｃは、本開示の発明原理による医療撮像診断システムの例示的実施態様を示す。 [0043] 図５Ａ～図５Ｃは、本開示の発明原理による生診断マシンの例示的実施態様を示す。 [0044] 図６は、本開示の発明原理による医療撮像診断コントローラの例示的実施態様を示す。 [0045] 図７は、本開示の発明原理による医療撮像診断実動構成の例示的実施態様を示す。 [0046] 図８Ａは、本開示の発明原理による生診断ドメインモジュールの例示的訓練フェーズ及び例示的診断フェーズを示す。 [0047] 図８Ｂは、本開示の発明原理による画像診断ドメインモジュールの例示的訓練フェーズ及び例示的診断フェーズを示す。 [0048] 図９は、本開示の発明原理による生診断ドメインモジュールの例示的実施態様を示す。 [0049] 図１０は、本開示の発明原理によるＣＴ撮像における例示的投影データを示す。 [0050] 図１１は、本開示の発明原理による例示的サポートベクトルマシン（ＳＶＭ）を示す。 [0051] 図１２は、図１１のＳＶＭの例示的性能を示す。 [0052] 図１３は、図１１のＳＶＭの例示的出血検出性能を示す。 [0053] 図１４は、本開示の発明原理によるＭＲＩにおける例示的ｋ空間を示す。 [0054] 図１５は、本開示の発明原理によるｋ空間の例示的対称性を示す。 [0055] 図１６は、本開示の発明原理による例示的ｋ空間画像を示す。 [0056] 図１７は、本開示の発明原理による例示的ディープ再帰型アーキテクチャを示す。 [0057] 図１８は、本開示の発明原理による例示的長短期記憶ネットワークを示す。
[0058] ここに示される記載及び図面は、種々の原理を解説するものである。当業者であれば、本明細書に明示的に記載されていなくても、これら原理を具現化すると共に本開示の範囲内に含まれる種々の構成を案出することができることが理解されよう。本明細書で使用される場合、“又は”なる用語は、特に示され（例えば、“又はそれ以外で”又は“又は代わりに”）ない限り、非排他的論理和（即ち、及び／又は）を示す。更に、本開示に記載される種々の実施態様は、必ずしも互いに排他的ではなく、本開示で説明される発明原理を組み込んだ追加の実施態様を生成するように組み合わせることができる。
[0059] 本開示において更に詳細に説明されるように、本開示の発明は、生医療撮像データの次元削減を前提とし、これにより、該生医療撮像データの特定の医療診断の人工知能エンジンによる識別、分類又は予測を容易にする。更に詳細には、上記次元削減は、生医療撮像データにおける人工知能エンジンが一連の医療診断における当該生医療撮像データに対応する解剖学的領域又は解剖学的臓器の特定の医療診断を健康状態（例えば、当該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の不存在の識別、分類又は予測）と不健康状態（例えば、当該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の存在の識別、分類又は予測）との間で識別、分類又は予測することを可能にする種々の存続可能な変数を提供する。
[0060] 本開示の発明の理解を容易にするために、図４Ａ～図４Ｃの以下の記載は、本開示の医療撮像診断システムの種々の実施態様を教示する。図４Ａ～図４Ｃの記載から、本開示の当業者は、本開示の医療撮像診断システムの多数且つ種々の更なる実施態様を形成及び使用するために本開示をどの様に適用するかを理解するであろう。
[0061] 図４Ａは、本開示の当業技術において既知の医療撮像マシン３０及び本開示の発明原理による生診断マシン４０ａを利用した本開示の医療撮像診断システムの一実施態様を示す。
[0062] 図４Ａを参照すると、実用時において、医療撮像マシン３０は、特に、Ｘ線（X-RAY）マシン、超音波（US）マシン、ＭＲＩマシン、ＣＴマシン、ＰＥＴマシン、ＳＰＥＣＴマシン及びＤＯＴマシンの場合、本開示の当業技術において既知のように解剖学的領域又は解剖学的臓器の生撮像データ（RID）３１を取得する。
[0063] 依然として図４Ａを参照すると、生診断マシン４０ａは、本開示において更に説明されるように、生医療撮像データ３１を処理して該生医療撮像データ３１の診断評価を実行する。実際には、生診断マシン４０ａは、１以上のタイプの医療撮像マシン３０からの生医療撮像データ３１を入力及び処理し、及び／又は１以上の解剖学的領域及び／又は解剖学的臓器に対応する生医療撮像データ３１を処理するために訓練される構造アーキテクチャを有するであろう。
[0064] また、実際には、当該診断評価は生医療撮像データ３１の特定の医療診断の識別、分類又は予測を伝達する如何なる形態とすることもできる。図示された一実施態様において、生診断マシン４０ａは生リスク評価スコア（RRAS）４１を出力し、これによれば、該スコア４１のレベルは生医療撮像データ３１の特定の医療診断の識別、分類又は予測を示す。例えば、０～１の目盛上において、０レベルは当該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の不存在の識別、分類又は予測を示し、１レベルは該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の存在の分類又は予測を示す。更に、０と１との間の中間レベルを、当該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の存在の予測の不確実／確実度を示すために用いることもできる。生診断マシン４０ａは、更に、生診断撮像データ３１の特定の医療診断の識別、分類又は予測の生リスク評価記述（RRAD）４２も出力する。
[0065] 図４Ｂは、本開示の当業技術において既知の医療撮像マシン３０及び本開示の発明原理による生診断マシン４０ｂを利用した本開示の医療撮像診断システムの第２実施態様を示す。
[0066] 図４Ｂを参照すると、実用時において、医療撮像マシン３０は、本開示の当業技術において既知であり且つ図４Ａに関して前述したように解剖学的領域又は解剖学的臓器の生撮像データ３１を取得する。
[0067] 依然として図４Ｂを参照すると、生診断マシン４０ｂは、本開示において更に説明されるように、生医療撮像データ３１を処理して、該生医療撮像データ３１の診断評価を実行する（生診断マシン４０ａ（図４Ａ）に関して前述したように）。これに加えて、生診断マシン４０ｂは、当業技術において既知の画像再構成技術を実行して、医療撮像マシン３０から取得された特定のタイプの生医療撮像データ３１に対応する再構成医療画像（RMI）４３を発生する（例えば、Ｘ線マシンにより取得された生医療撮像データ３１からのＸ線画像、超音波マシンにより取得された生医療撮像データ３１からの超音波画像等）。
[0068] 図４Ｃは、本開示の当業技術において既知の医療撮像マシン３０及び本開示の発明原理による生診断マシン４０ｃを利用した本開示の医療撮像診断システムの第３実施態様を示す。
[0069] 図４Ｃを参照すると、実用時において、医療撮像マシン３０は、本開示の当業技術において既知であり且つ図４Ａに関して前述したように解剖学的領域又は解剖学的臓器の生撮像データ３１を取得する。依然として図４Ｃを参照すると、生診断マシン４０ｃは、本開示において更に説明されるように、生医療撮像データ３１を処理して、本開示において更に説明されるように、該生医療撮像データ３１の診断評価を実行すると共に医療画像を再構成する（生診断マシン４０ｂ（図４Ｂ）に関して前述したように）。
[0070] これに加えて、生診断マシン４０ｃは生医療撮像データ３１を処理して、本開示において更に説明されるように、再構成された医療画像４３の診断評価を行う。実際には、当該診断評価は上記再構成医療画像４３の特定の医療診断の識別、分類又は予測を伝達する如何なる形態とすることもできる。図示された一実施態様において、生診断マシン４０ｃは画像リスク評価スコア（IRAS）４４を出力し、これによれば、該スコア４４のレベルは再構成医療画像４３の特定の医療診断の識別、分類又は予測を示す。この場合においても、例えば、０～１の目盛上において、０レベルは当該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の不存在の識別、分類又は予測を示し、１レベルは該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の存在の分類又は予測を示す。更に、０と１との間の中間レベルを、当該解剖学的領域／臓器における／に対する栄養供給／傷害／外傷／損傷の存在の予測の不確実／確実度を示すために用いることもできる。生診断マシン４０ｃは、更に、再構成医療画像４３の特定の医療診断の識別、分類又は予測の画像リスク評価記述（IRAD）４５も出力する。
[0071] 本開示の発明の理解を更に容易にするために、図５Ａ～図５Ｃの以下の記載は、本開示の生診断マシンの種々の実施態様を教示する。図５Ａ～図５Ｃの記載から、本開示の当業者は、本開示の生診断マシンの多数且つ種々の更なる実施態様を形成及び使用するために本開示をどの様に適用するかを理解するであろう。
[0072] 図５Ａは、生診断マシン４０ａ（図４Ａ）の一実施態様１４０ａを示す。図５Ａを参照すると、生診断マシン１４０ａは、次元削減プリプロセッサ（DRPP）５１及び生診断人工知能エンジン（RDAIE）５２を採用した生診断ドメインモジュール５０を含む。
[0073] 実際には、次元削減プリプロセッサ５１は、本開示の発明原理に従い本開示において更に説明されるように、生医療撮像データ３１の多数のランダム変数を一群の主変数に削減し、これにより、次元削減された特徴ベクトルを得るように構成されたデータプリプロセッサである。
[0074] 一実施態様において、次元削減プリプロセッサ５１は、生医療撮像データ３１の多数のランダム変数を一群の主変数に削減し、これにより次元削減された特徴ベクトルを選択するために特徴選択の次元削減技術（例えば、フィルタ処理、ラッピング又は組み込み評価）を実施する。
[0075] 第２実施態様において、次元削減プリプロセッサ５１は、生医療撮像データ３１の多数のランダム変数を一群の主変数に削減し、これにより次元削減された特徴ベクトルを抽出するために特徴抽出の次元削減技術（例えば、主成分分析又は線形判別分析）を実施する。
[0076] 依然として図５Ａを参照すると、実際に、生診断人工知能エンジン５２は、本開示において前述したように（図４Ａ）、例えば生リスク評価スコア４１及び生リスク評価記述４２等の生医療撮像データ３１の診断評価を行う。
[0077] 一実施態様において、生診断人工知能エンジン５２は、本明細書において更に説明されるように、生医療撮像データ３１の診断評価を行うように訓練された１以上の人工ニューラルネットワーク（例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク等）を含む。
[0078] 第２実施態様において、生診断人工知能エンジン５２は、本明細書において更に説明されるように、生医療撮像データ３１の診断評価を行うように訓練された１以上の教師あり学習マシン（例えば、サポートベクトルマシン）を含む。
[0079] 図５Ｂは、生診断マシン４０ｂ（図４Ｂ）の一実施態様１４０ｂを示す。図５Ｂを参照すると、生診断マシン１４０ｂは、本開示において前述した（図５Ａ）生診断ドメインモジュール５０を含む。生診断マシン１４０ｂは、更に、本開示の当業技術においいて既知のように生医療撮像データ３１から医療画像４３を再構成するための医療画像再構成エンジン６０を含む。
[0080] 一実施態様において、医療画像再構成エンジン６０は本開示の当業技術において既知の直接型画像再構成アルゴリズムを実施する。
[0081] 第２実施態様において、医療画像再構成エンジン６０は、本開示の当業技術において既知の反復型画像再構成アルゴリズムを実施する。
[0082] 図５Ｃは、生診断マシン４０ｃ（図４Ｃ）の一実施態様１４０ｃを示す。図５Ｃを参照すると、生診断マシン１４０ｃは、本開示において前述した（図５Ａ）生診断ドメインモジュール５０、及び本開示において前述した（図５Ｂ）医療画像再構成エンジン６０を含む。生診断マシン１４０ｃは、更に、医療画像プリプロセッサ（MIPP）７１及び画像診断人工知能エンジン（IDAIE）７２を採用した画像診断ドメインモジュール７０を含む。
[0083] 実際には、医療画像プリプロセッサ７１は、本開示において更に説明されるように、再構成医療画像４３から医療画像特徴ベクトルを抽出するために本開示の当業技術において既知のように構成されたデータプリプロセッサである。
[0084] 依然として図５Ｃを参照すると、実際に、画像診断人工知能エンジン７２は、本開示において前述したように（図４Ｃ）、例えば画像リスク評価スコア４４及び画像リスク評価記述４５等の再構成医療画像４３の診断評価を行う。
[0085] 一実施態様において、画像診断人工知能エンジン７２は、本明細書において更に説明されるように、再構成医療画像４３の診断評価を行うように訓練される１以上の人工ニューラルネットワーク（例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク等）を含む。
[0086] 第２実施態様において、画像診断人工知能エンジン７２は、本明細書において更に説明されるように、再構成医療画像４３の診断評価を行うように訓練される１以上の教師あり学習マシン（例えば、サポートベクトルマシン）を含む。
[0087] 本開示の発明の理解を更に容易にするために、図６及び図７の以下の記載は、本開示の医療撮像診断コントローラの種々の実施態様を教示する。図６及び図７の記載から、本開示の当業者は、本開示の医療撮像診断コントローラの多数且つ種々の更なる実施態様を形成及び使用するために本開示をどの様に適用するかを理解するであろう。
[0088] 実際には、本開示の医療撮像診断コントローラは、例えば、生診断マシン１４０ａ（図５Ａ）、生診断マシン１４０ｂ（図５Ｂ）及び生診断マシン１４０ｃ（図５Ｃ）等の本開示の生診断マシンを実施化するためにハードウェア／回路／ソフトウェア／ファームウエアとして構成することができる。
[0089] 図６に示されるような一実施態様において、医療撮像診断コントローラ２４０は、１以上のシステムバス２４６を介して相互接続されたプロセッサ２４１、メモリ２４２、ユーザインターフェース２４３、ネットワークインターフェース２４４及び記憶部２４５を含む。実際には、コントローラ２４０の構成要素２４１～２４５の実際の構成は図示されたものより複雑であり得る。
[0090] プロセッサ２４１は、メモリ若しくは記憶部に記憶された命令を実行し又はそれ以外でデータを処理することができる如何なるハードウェア装置とすることもできる。かくして、プロセッサ２４１は、マイクロプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）又は他の同様のデバイスを含むことができる。
[0091] メモリ２４２は、例えばＬ１、Ｌ２若しくはＬ３キャッシュ又はシステムメモリ等の種々のメモリを含むことができる。かくして、メモリ２４２はスタチックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、フラッシュメモリ、リードオンリメモリ（ＲＯＭ）又は他の同様のメモリ装置を含むことができる。
[0092] ユーザインターフェース２４３は、管理者等のユーザとの通信を可能にするための１以上の装置を含むことができる。例えば、ユーザインターフェース２４３は、ディスプレイ、マウス及びユーザのコマンドを入力するためのキーボードを含むことができる。幾つかの実施態様において、ユーザインターフェース２４３は、ネットワークインターフェース２４４を介して遠隔の端末に提示することができるコマンドラインインターフェース又はグラフィックユーザインターフェースを含むことができる。
[0093] ネットワークインターフェース２４４は、他のハードウェア装置との通信を可能にするための１以上の装置を含むことができる。例えば、ネットワークインターフェース２４４は、イーサネット（登録商標）プロトコルに従って通信するように構成されたネットワークインターフェースカード（ＮＩＣ）を含むことができる。更に、ネットワークインターフェース２４４は、TCP/IPプロトコルに従う通信のためのTCP/IPスタックを構成することができる。当該ネットワークインターフェースのための種々の代替的又は付加的ハードウェア又は構成は明らかであろう。
[0094] 記憶部２４５は、リードオンリメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリ装置又は同様の記憶媒体等の１以上のマシン読取可能な記憶媒体を含むことができる。種々の実施態様において、記憶部２４５は、プロセッサ２４１により実行するための命令又はプロセッサ２４１が処理するデータを記憶することができる。例えば、記憶部２４５は当該ハードウェアの種々の基本的動作を制御するための基本オペレーティングシステム（図示略）を記憶する。
[0095] 本開示にとり一層特定的には、一実施態様において、記憶部２４５は制御モジュール２４７を、生診断マシン１４０ａ（図５Ａ）を実施化する目的で、生診断ドメインモジュール５０のコンピュータ命令実施態様としての生診断ドメインモジュール５０ａの形態で記憶することができる。
[0096] 第２実施態様において、記憶部２４５は制御モジュール２４７を、生診断マシン１４０ｂ（図５Ｂ）を実施化する目的で、生診断ドメインモジュール５０（図５Ｂ）のコンピュータ命令実施態様としての生診断ドメインモジュール５０ａ及び医療画像再構成エンジン６０（図５Ｂ）のコンピュータ命令実施態様としての医療画像再構成エンジン６０ａの形態で記憶することができる。
[0097] 第３実施態様において、記憶部２４５は制御モジュール２４７を、生診断マシン１４０ｃ（図５Ｃ）を実施化する目的で、生診断ドメインモジュール５０（図５Ｃ）のコンピュータ命令実施態様としての生診断ドメインモジュール５０ａ、医療画像再構成エンジン６０（図５Ｃ）のコンピュータ命令実施態様としての医療画像再構成エンジン６０ａ及び画像診断ドメインモジュール７０（図５Ｃ）のコンピュータ命令実施態様としての画像診断ドメインモジュール７０ａの形態で記憶することができる。
[0098] 図７を参照すると、実際には、医療画像診断コントローラ２４０は、複数のクライアント（例えば、図示されたようなクライアント９１及びクライアント９２）によりアクセス可能なアプリケーションサーバ９０内に設置することができ、及び／又はモニタ９４、キーボード９５及びコンピュータ９６を採用したワークステーション９３内に設置される。
[0099] 動作時において、医療画像診断コントローラ２４０は、本開示（図８Ａ）において更に説明されるように訓練フェーズの間に医療撮像データ源８０から訓練生医療撮像データ（TRID）３１ａを入力すると共に、本開示（図８Ａ）において更に説明されるように診断生医療撮像データ（DRID）３１ｂを入力する。医療撮像データ源８０は、如何なる数及びタイプの医療撮像マシン（例えば、図示されたようなＭＲＩマシン８１、ＣＴマシン８３、Ｘ線マシン８５及び超音波マシン８７）も含むことができると共に、更にデータベース管理／ファイルサーバ（例えば、図示されたようなＭＲＩデータベース管理サーバ８２、ＣＴサーバ８４、Ｘ線データベース管理サーバ８６及び超音波データベース管理サーバ８８）を含むことができる。実際には、アプリケーションサーバ９０又はワークステーション９３（適用可能な何れか）を医療撮像データ源８０に直接又はネットワークで接続することができ、これにより、医療画像診断コントローラ２４０のための生医療撮像データ３１ａ／３１ｂを入力する。他の例として、医療撮像データ源８０及びアプリケーションサーバ９０又はワークステーション９３（適用可能な何れか）を直接統合することができ、これにより、医療画像診断コントローラ２４０は生医療撮像データ３１ａ／３１ｂにアクセスする。
[0100] 更に、実際には、アプリケーションサーバ９０又はワークステーション９３（適用可能な何れか）は、更に、本開示の当業技術において既知のディスプレイコントローラを含み、生医療撮像データ３１ａ／３１ｂの診断評価のクライアント９１／９２又はワークステーション９３の操作者への伝達、例えば、図示されたような生リスク評価スコア４１（例えば、テキスト及び／又はカラーコード表示）、生リスク評価記述４２、再構成医療画像４３（例えば、二次元及び／又は三次元画像）、画像リスク評価スコア４４（例えば、テキスト及び／又はカラーコード表示）、及び画像リスク評価記述４５等、を容易にする。アプリケーションサーバ９０又はワークステーション９３（適用可能な何れか）は、生医療撮像データ３１ａ／３１ｂの診断評価のクライアント９１／９２又はワークステーション９３の操作者への他の形態の伝達のための本開示の当業技術において既知の他のコントローラ、例えば、生医療撮像データ３１ａ／３１ｂの診断評価を印刷、Ｅメール、テキスティングするためのコントローラ等、を含むこともできる。
[0101] 本開示の発明の理解を更に容易にするために、図８Ａ及び図８Ｂの以下の記載は、本開示の生診断ドメインモジュール及び画像診断ドメインモジュールの訓練（トレーニング）フェーズ及び診断フェーズを教示する。図８Ａ及び図８Ｂの記載から、本開示の当業者は、本開示の生診断ドメインモジュール及び画像診断ドメインモジュールを訓練及び動作させるための多数且つ種々の更なる実施態様を形成及び使用するために本開示をどの様に適用するかを理解するであろう。
[0102] 図８Ａを参照すると、生診断ドメインモジュール５０ａの訓練フェーズ１００は、訓練生医療撮像データ３１ａ（再構成医療画像の前の診断評価に関連するデータである）を処理することにより次元削減された特徴ベクトル（DRFV）５３を選択又は抽出するための次元削減プリプロセッサ５１の構成を含む。
[0103] 生診断ドメインモジュール５０ａの訓練フェーズ１００は、更に、次元削減特徴ベクトル５３を処理することにより、生医療撮像データ３１ａから再構成された医療画像の前の診断評価に一致する該生医療撮像データ３１ａの診断評価を実行するための生診断人工知能エンジン５２の構成を含む。例えば、リスク生評価スコア４１ａは、生医療撮像データ３１ａから再構成された医療画像の前の診断評価に一致する。この目的のために、必要に応じて生診断人工知能エンジン５２を調整することにより生医療撮像データ３１ａの診断評価が該生診断撮像データ３１ａから再構成された医療画像の前の診断評価と一致することを保証するために、人工知能パラメータ（AIP）４６ａを必要に応じて追加、修正及び／又は削除することができる。更に、生リスク評価記述４２ａとして機能するように評価見出し（ＡＣ）４７を生診断人工知能エンジン５２に加えることができる。
[0104] 依然として図８Ａを参照すると、診断フェーズ１０１は、次元削減特徴ベクトル５３ｂを選択又は抽出するために次元削減プリプロセッサ５１へ診断生医療撮像データ３１ｂを入力することを含み、該特徴ベクトルは生診断人工知能エンジン５２に入力されることにより、診断生医療撮像データ３１ｂの生リスク評価スコア４１ｂ及び生リスク評価記述４２ｂを行う。更に詳細には、診断生医療撮像データ３１ｂは、特に時間の厳しい緊急状況において、生診断ドメインモジュール５０ａにより評価のために診断されないデータを表す。
[0105] 図８Ｂを参照すると、画像診断ドメインモジュール７０ａの訓練フェーズ１０２は、訓練再構成医療画像４３ａ（前の診断された再構成医療画像である）を処理することにより本開示の当業技術で既知の医療画像特徴ベクトル（MIFV）７３を抽出するための医療画像プリプロセッサ７１の構成を含む。実際には、医療画像プリプロセッサ７１は、医療画像特徴ベクトル７３が次元削減特徴ベクトル５３（図８Ａ）の特徴と一致するように構成される。
[0106] 画像診断ドメインモジュール７０ａの訓練フェーズ１０２は、更に、医療画像特徴ベクトル７３を処理することにより、再構成医療画像４３ａから再構成された医療画像の前の診断評価に一致する該再構成医療画像４３ａの診断評価を実行するための画像診断人工知能エンジン７２の構成を含む。例えば、画像リスク評価スコア４４ａは、再構成医療画像４３ａの前の診断評価に一致する。この目的のために、画像診断人工知能エンジン７２は生診断人工知能エンジン５２と同一又は等価なアーキテクチャを有し、これによれば、必要に応じて画像診断人工知能エンジン７２を調整することにより再構成医療画像４３ａの診断評価が該再構成医療画像４３ａから再構成された医療画像の前の診断評価と一致することを保証するために、人工知能パラメータ４６ｂを必要に応じて追加、修正及び／又は削除することができる。更に、画像リスク評価記述４５ａとして機能するように評価見出し４７を画像診断人工知能エンジン７２に加えることができる。
[0107] 依然として図８Ｂを参照すると、画像診断ドメインモジュール７０ａの診断フェーズ１０３は、医療画像特徴ベクトル７３ｂを抽出するために医療画像プリプロセッサ７１へ診断再構成医療画像４３ｂを入力することを含み、該特徴ベクトルは画像診断人工知能エンジン７２に入力されることにより、診断再構成医療画像４３ｂの画像リスク評価スコア４４ｂ及び画像リスク評価記述４５ｂを供給し、これらは、診断生医療撮像データ３１ｂの生リスク評価スコア４１ｂ及び生リスク評価記述４２ｂの検証として機能し得る。
[0108] 実際に、本開示の生診断ドメインモジュールは、特定のタイプの医療撮像マシン及び特定の解剖学的領域又は解剖学的臓器に関して訓練することができる。例えば、図９は、肝臓、脳、胸部領域及び頭蓋領域のＣＴマシン撮像に関して各々訓練された生診断ドメインモジュール５０ｂ～５０ｅを示す。図９は、更に、肺、前立腺、乳房領域及び胸骨領域のＭＲＩマシン撮像に関して各々訓練された生診断ドメインモジュール５０ｆ～５０ｉを示す。図９は、更に、肝臓、脳、胸部領域及び頭蓋領域のＸ線マシン撮像に関して各々訓練された生診断ドメインモジュール５０ｊ～５０ｍを示す。図９は、更に、肺、前立腺、乳房領域及び胸骨領域の超音波マシン撮像に関して各々訓練された生診断ドメインモジュール５０ｎ～５０ｑを示す。
[0109] 本開示の発明の理解を更に容易にするために、図３～図９に記載された本開示の発明原理の種々の適用例を以下に説明する。図３～図９に関する説明から、本開示の当業者は、本開示の発明原理を実際に適用するために、本開示をどの様に適用するかを理解するであろう。
[0110] 断層撮像：現代の医療ＣＴシステムにおいては、ガントリが患者の回りで回転し、この回転ガントリ上において一方の側にＸ線源が位置する一方、反対側に検出器の列が位置する。スキャナにより取得されるデータは投影サイノグラムと称され、Ｘ線ビームの経路に沿って積分されたＸ線減衰を表す。次いで、斯かる投影データに再構成アルゴリズムが適用されて、画像を形成する。断層撮像は医療において普及しており、透過型又は放出型断層撮影の原理が、なかでも、ＣＴ、ＭＲＩ（磁気共鳴撮像）、ＰＥＴ（陽電子放出コンピュータトモグラフィ）、ＳＰＥＣＴ（単一光子放射コンピュータトモグラフィ）、ＤＯＴ（拡散光トモグラフィ）において使用されている。画像を形成するために要する全ての情報は投影データに含まれているので、投影が診断のために十分な情報を含んでいることは明らかである。しかしながら、本開示以前では、これら全ての事例において、関心物体（例えば、出血、腫瘍等）の識別は、投影データに対してではなく、再構成された画像に対して行われている。
[0111] ＣＴ投影処理は、数学的に、Ｘ線減衰係数の基となる場のラドン変換と捉えることができる。投影処理は、画像空間内の各局在特徴（例えば、出血）が図１０におけるサイノグラム空間内のシヌソイド（正弦曲線）に変換されるというようなものである。最も近代的な臨床ＣＴスキャナは円錐ビームＸ線をヘリカルモードで使用して多列サイノグラムを生成するが、本開示では簡略化のために、ファンビームがアキシャル画像を介して投影され投影サイノグラムを生成する。
[0112] 更に詳細には、図１０はＣＴデータ収集幾何学構造１００を示し、これによれば、各回転角□において、検出器において受信される信号は、
Figure 0007181230000001
 による経路ｗに沿った減衰係数の線積分に関係し、ここで、Ｉ０及びＩｔは、各々、入射及び透過ビーム強度であり、□(w)は経路長Ｌの経路ｗに沿うＸ線の線形減衰係数である。本体に対する回転角□により、視野内の如何なる点(x,y)も,
Figure 0007181230000002
 及び
Figure 0007181230000003
 により定義することができる。この場合、線源から点(x,y)を介して検出器アレイまでのＸ線はシヌソイドｐθ＝ｒ・cos（φ－θ）により与えられる。図１０は、更に、脳内の大きな硬膜外出血（矢印）のＣＴ画像１０１を示し、これによれば、ＣＴ画像１０１内の出血はＣＴ画像１０２においてピクセル値を反対側から置換することによりデジタル的に削除される。図１０は、更に、ＣＴ画像１０１及び１０２に各々対応するサイノグラム１０３及び１０４を示すと共に、出血のみの投影を示すサイノグラム１０３と１０４との間のサイノグラム差分１０５を示している。サイノグラム１０３及び１０４の最大値は約45,000である一方、サイノグラム差分１０５の最大値は1,000であることに注意されたい。
[0113] この実施態様は、特徴ベクトルの次元を一層扱い易いサイズに低減するためにランダム投影を用いた。元々のｎ次元空間Ｘにおけるベクトルは、ランダム投影マトリクスＲを介してｋ次元の部分空間Ｘｐ上に投影され（即ち、Ｘｐ＝Ｒ－Ｘ）、ここで、ｋ≪ｎであり、Ｒの列は単位長の独立且つ等しく分散されたゼロ平均正規変数の実現値である。一般的に投影マトリクスは直交する列を有することを要するが、高次元データセットの１つの特性は、各ベクトルの方向がランダムである場合、これらベクトルの殆どは“略”直交的であるというものであり、ここで、“略”はJohnson-Lindenstrauss定理により正確に定義される。直交基底関数は計算するのが高価であるので、ランダム投影が、特徴空間次元を低減するための計算的に効率的な方法を提供する。この実施態様の場合、ｋの幾つかの値が調べられ、28,000次元による許容可能な性能が達成された。このように、ランダム投影の使用により、特徴ベクトルの次元は～９６.５％低減された。
[0114] 一群の次元削減された特徴ベクトル（各投影サイノグラムに１つのベクトルが対応する）が与えられたとして、各特徴ベクトルが正常である患者か又は出血を有する患者であるかを判定するためにサポートベクトルマシン（ＳＶＭ）が用いられる。更に詳細には、ＳＶＭは、特徴ベクトルを一層高次元の多様体に、図１１に示されるグラフ１０６におけるように等級の間の分離を最大にするように埋め込むことにより分類を実行する一種のアルゴリズムである。この実施態様の場合、焦点は線形カーネルの線形ＳＶＭに置かれる。当該分類器は訓練の間において判定するために相当の計算を要し得るが、一旦計算されると、新たな各特徴ベクトルを分類するために簡単なドット積しか必要とされないことに留意することが重要である。
[0115] 特に図１１に関し、サポートベクトルマシン（ＳＶＭ）の訓練フェーズにおいて、次元ｋの各入力ベクトルｘｉ（ｉ＝１，…，ｎ）にはラベルｙｉが関連付けられ、ここで、ｘｉがクラス１（正常サイノグラム）からのものであればｙｉ＝＋１であり、ｘｉがクラス２（出血サイノグラム）からのものであればｙｉ＝－１である。次のステップは、図１１においてクラス１及びクラス２を分離する太線として示されるように、２つのクラスを分離する超平面ｗ・ｘ－ｂ＝０を定めるような重み行列ｗを定義することである。更に詳細には、ラベル付けされた訓練サンプルが満足されるとの制約の下で、ｗの大きさを正規化するためにラグランジュ乗数方程式が用いられる。ｗ及びｂを定義する方程式は、（□ｉがラグランジュ乗数として）、
Figure 0007181230000004
 により与えられる。即ち、Ｌｐはｗ及びｂに関して最小化される。
[0116] 診断フェーズにおいて、２２４の患者の脳のＣＴ画像（８８が正常、１３６が出血）が回顧的に取得され、次いで投影サイノグラムが生成された。出血タイプは、０.５～１９０mlの範囲のサイズ及び２６.２mlの平均サイズで、硬膜下、硬膜外及びクモ膜下からなっていた。
[0117] 図１２は、実際のＣＴデータを用いた分類器性能を示す。ＣＴ画像１０７は正常なＣＴの例であり、ＣＴ画像１０８は矢印で示された硬膜下出血を伴うＣＴの例である。１０の交差検証試行にわたり平均されたＳＶＭ分類器の全性能マトリクスが下記の表１に示される。
[0118]
Figure 0007181230000005
[0119] 結果は、９２.４％の感度及び９７.２％の特定性で、９４.３％の全体としての正解分類率を示している。図１３は、出血の大きさの関数としての出血検出性能のグラフ１０９、Ｒ２＝0.9963、を示す。
[0120] 要約すると、この研究において、頭蓋内出血の自動化された診断を画像ドメインの代わりにＣＴ投影ドメインにおいて実行することができるという予備的証拠が得られた。投影（生）ドメインにおいて診断を行うことは、画像内の空間的に局在化された解剖学的特徴がシヌソイドに変換されているので、反直感的に見え得る。しかしながら、機械学習技術の進歩に伴うと共に、ＣＴスキャナが益々精細な解像度及び一層大量のデータを発生するのに伴い、本開示の発明原理は、断層ドメインでのコンピュータベースの診断への新規且つ固有のアプローチを提供する。
[0121] 注意すべき重要なことは、当該システムの性能が、図１３に示されるように、遭遇する出血の大きさに依存するということである。脳内の出血は常に心配であるが、少なくとも出血性卒中の場合、３０日死亡率結果を予測する出血サイズは＞３０mlであることに留意する価値がある。このような前後関係において、本開示の発明は、適切な介入治療のための診断的助言を迅速且つ正確に行うために有望であり得る。加えて、一層小さな出血に対する本開示の発明の検出感度の改善の可能性は、一層多くのフィーチャを維持することにより及び一層複雑なＳＶＭ設計の使用により達成することができる。
[0122] ディープニューラルネットワークによるフーリエ型再構成。関連する特徴をｋ空間において臨床的に知るために、本開示の生診断モジュールは局在的異常というより拡散パターンを知るように設計される必要がある。例えば、病変との類似性を有する図１４のｋ空間１１０における点状物体は、画像においては局在化されるがｋ空間では“拡散した”情報を有するであろう。ＭＲ撮像において、画像とｋ空間との間の関係は、フーリエ理論（例えば、周波数変調、スケーリング）により支配される。このことは、標準的方法が梗塞、腫瘍及び骨折等の小さな異常を見付けることであるような多くの医療撮像課題にとり特に関連する。このことは、画像情報の大部分が診断とは無関係である故に重要である。小さな局在的“ノイズ内信号”を見付けることは、コンピュータにとり拡散した特徴を描くよりも実際に困難である。典型的に、この難題は、分類が後続する位置特定を含む２段階方法又は注意機構（attention mechanism）の何れかを用いることにより克服される。しかしながら、収集ドメインにおいて、小さな局在的物体は一層拡散した見え方を有し、訓練することが困難な注意機構を必要としないであろう。しかしながら、本開示の生診断モジュールは次元数を増加させる一層広い入力を取り込む必要があるであろう。
[0123] 更に詳細には、図１４は、円形の物体の該物体のｋ空間表現との関係を示す画像１１０、実証のために人工的に削除された病変を持つ右被殻の僅かな非対称性を示す液体減衰反転回復（FLAIR）ＭＲＩ画像１１１、及び反対側からのピクセル値を置換することによりＭＲ画像１１１における高信号病変がデジタル的に削除されたＭＲ画像１１２を図示している。
[0124] 図１４は、更に、ＭＲ画像１１１及びＭＲ画像１１２に各々対応するｋ空間１１３及び１１４、並びに病変の周波数応答のみを示すｋ空間１１３及び１１４の間のｋ空間差分１１５を示す。ｋ空間１１３及び１１４の最大値は（ｆ）に対して１０：１であることに注意されたい（注：ｋ空間は簡単なデカルトサンプリング法によりシミュレーションされている）。
[0125] 部分フーリエ撮像はＭＲＩにとり普通であり、ｋ空間の１／２程度が全体のＭＲ画像を生成するために使用される。これは、ｋ空間情報の冗長性により可能となる。データ収集の間において位相誤差が無いとしたら、ｋ空間は図１５に示されるようにエルミート対称性を有する。ＭＲＩの場合、本開示は特徴空間次元数を低減するために、そのｋ空間対称性を利用する。更に詳細には、図１５はｋ空間の対称性を強調している。即ち、共役対称性１０９が、ｋ空間の原点を跨いで互いに対角に位置するＰ及びＱ等の点の対に当てはまる。Ｐにおけるデータが複素数［ａ＋ｂｉ］である場合、ＱにおけるデータはＰの複素共役［ａ－ｂｉ］であることが即座に分かる。Ｎpeは位相エンコードの数であり、Ｎfeは周波数エンコードの数である。
[0126] 画像ドメインとｋ空間との間の他の区別要因は入力の形状であり、これは、ｋ空間の複素数で記憶される信号情報を考慮するために２つのチャンネル（実部及び虚部）を有する必要があろう。表２及び表３に、この課題のために使用することができる２つの簡単なアーキテクチャを記載する（訓練データがネットワーク設計を調整するために必要とされる；ドロップアウト、正則化及びバッチ正規化は含まれない）。２Ｄ及び３Ｄ設計は、パルスシーケンス又は調査される解剖構造のタイプに依存する。これは、実施態様１において説明したようなＳＶＭベースの方法又は他のネットワークアーキテクチャが同様の結果を発生し得る多くのＡＩ方法のうちの１つに過ぎない。
[0127]
Figure 0007181230000006
[0129]
Figure 0007181230000007
[0131] 本開示は、ここでは、解剖学的ＭＲ撮像が画像とｋ空間との間に一層簡単な関係を有するのでＴ２強調急性虚血発作（卒中）の例を示す。しかしながら、この方法は、（超）急性発作において拡散強調ＭＲにより検出される梗塞を検出するために使用することもでき、又は画像≠FT{k-space}となる他の間接的ＭＲ撮像方法も使用することができる。これは、短期間内の患者の結果についての含み及び救急部門に存する虚血性発作を示す症状の患者の量による他のやむにやまれない使用例である。世界保健機構によれば、毎年、世界で千五百万もの人が卒中を患っている。これらのうち、５百万人が死亡し、他の５百万は永久的な障害を受ける。虚血性発作は、これらの患者の８８％を占める。疑わしい虚血性発作の患者の成功する処置は、早期の診断、速い治療判断及び即座の対応を必要とする。
[0132] 拡散強調撮像（ＤＷＩ）は、急性虚血性発作の評価のための普通に実施されるＭＲＩシーケンスであり、小さな初期の梗塞の検出に敏感である。通常のＭＲＩシーケンス（Ｔ１強調、Ｔ２強調）は、６時間は梗塞を示すことはできず、小さな梗塞は、特に以前の撮像の恩恵無しでは、何日もＣＴ上で認識することは困難であり得る。非強調コンピュータトモグラフィ上で梗塞を示すための時間は、更に長い。
[0133] 虚血性脳組織内の増加するＤＷＩ信号は、動脈閉塞後数分内で観測され、見掛け拡散係数（ＡＤＣ）の低減、並びに後続する増加、擬似正規化及び最終的な永久評価のステレオ型シーケンスを介して進行する。報告されている感度は、８８～１００％の範囲であり、特には８６～１００％の範囲である。しかしながら、この方法は、解剖学的撮像（Ｔ２強調又はFLAIR）に加えて拡散強調、灌流及び血管造影シーケンスを含む急性発作（卒中）撮像のために用いることもできる。
[0134] 拡散強調画像も、Ｔ１及びＴ２強調画像と同様にｋ空間において取得される。しかしながら、しばしば見掛け拡散係数（ＡＤＣ）として定量化される組織の機能状態を抽出するために、図１６に示されるように変化する拡散勾配強度（変化するｂ値）で複数のｋ空間画像を取得する必要がある。
[0135] 図１６に対し特定的には、見掛け拡散係数（ＡＤＣ）マップ１１９の生成は、拡散強調無し（b0）の画像１１７及び変化するｂ値での幾つかの画像１１８の取得を介してのものである。これらの画像は、Sx = S0e-bDxx, Sy = S0e-bDyy, Sz = S0e-bDzz及びSDWI= 3√(SxSySz)なる式によりＡＤＣマップ１１９（SDWI）を生成するよう合成される。
[0136] 図１６は、更に、本開示の当業技術において既知のように急性虚血性発作の種々の診断のために使用されるスキャナにより取得された一群の画像１２０を示している。左から右に、該群１２０は、ＤＷＩ画像、FLAIR画像、Ｔ２強調画像、MRA TOF（造影剤無し）画像及びpost-GD MRA画像（造影）を含んでいる。
[0137] 重要なピクセルレベルの相関関係が存在するので、提案されるネットワークをデータに適用し、後に結果を組み合わせることは、明らかに重要な情報を喪失するであろう。代わりに、本開示は入力を形状=Npe/2 x Nfe/2 x ｂ値を有するように修正することを提案し、ここで、ｂ値はチャンネル又は追加の次元として扱うことができる。この場合、複素データは当該方法、又は参照により本明細書に組み込まれるGeberman, N.による“On Complex Valued Convolutional Neural Networks”(2016). https://arxiv.org/pdf/1602.09046.pdfと同様にキャプチャすることができる。この方法は、ＤＣＥ又はＤＳＣ ＭＲＩ等の他のＭＲ機能スキャンに拡張することができ、ここで、入力は形状=Npe/2 x Nfe/2 x 時間を有するであろう。
[0138] リスクスコアの臨床的容認を改善するための生データ／テキスト：図１７は、医療画像特徴及び医療テキストオントロジに精細に調整された機械翻訳及びコンピュータ視覚の最近の進化を組み合わせた第１種類のディープ再帰型アーキテクチャ１３１を示す。モデル１３１は、エンコーダ／デコーダニューラルネットワークを用いて、医療画像が与えられた場合の医療文献からの記述的文章により訓練されている。該モデル１３１は、最初に画像を畳み込みニューラルネットワーク（ＣＮＮ）を介して固定長のベクトル表現に“エンコード”し、次いで、該表現を自然言語記述に“デコード”することにより機能する。上記デコーダは、画像エンコードに対して調整された言語モデルとして訓練される長短期記憶（ＬＳＴＭ）ネットワークである。計画される作業は、代わりのネットワークアーキテクチャによりモデルの精度を改善すること及び目標の臨床的データセットで訓練すること並びに体積測定的データを許容することができるようにＣＮＮを３Ｄに拡張することを含む。本開示は、人が読み取ることができる解剖学的再構成におけるのと同様にサイノグラムにおける関係を等しく解釈することができるＤＮＮを提供する。例えば、図１７はサイノグラム１３０から記述的テキストを生成するためのディープ視覚ＣＮＮ及び言語発生ＲＮＮからの出力を提供する（例えば、“虚血性発作＞発生後１日の頭部ＣＴが、低吸収領域を示している。左側頭葉の拡大及びシルビアン特徴の収縮”）。これは、専門放射線医師の自由なテキスト注釈で訓練することができる。
[0139] 生データから解剖学的情報のテキスト記述を発生する生成モデルに関し、本開示の発明は、ＣＮＮによる特徴抽出が後続する本開示において前述された次元数削減の最初の使用を提供する。この特徴ベクトルは、図１８に示されるようなテキスト発生モデル１３２への入力とする。訓練のために、次元削減特徴ベクトルは、第１見出し単語と共に第１ＬＳＴＭセルに入力として付与され、当該単語の系列が同様にして後続のＬＳＴＭセルに受け渡される。このようにして、画像特徴と見出し単語との間の関連を学習するために、デコーディング段階の間において画像重みが全ＬＳＴＭステップにわたり共有される。ＬＳＴＭセルの系列は、或る入力単語及び生データが与えられたとして、次の単語の確率を、サイノグラム又はｋ空間等の生データが与えられた場合、結果としてのモデルが見出し（語句又は文章）を発生することができるように学習する。
[0140] 図１～図１８を参照すれば、当業者であれば、これらに限定されるものではないが、再構成された医療画像から直接的なものより改善された又は同様の精度で生画像データから選択又は抽出される自動化された診断を含む本開示の発明の多くの利点を理解するであろう。時間的に厳しい判断に対し、及び限られた計算資源の設備において、本開示の発明は特に有利である。
[0141] 更に、前記記憶部に記憶されるとして説明された種々の情報は、加えて又は代わりに、前記メモリに記憶することもできることが明らかであろう。この点に関し、メモリは“記憶装置”を構成すると考えることができ、記憶部は“メモリ”と考えることができる。種々の他の構成も明らかであろう。更に、メモリ及び記憶部は、共に、“非一時的マシン読取可能な媒体”と考えることができる。本明細書で使用される場合、“非一時的”なる用語は、一時的信号は除外するが、揮発性及び不揮発性の両メモリを含む全ての形態の記憶部を含むと理解される。
[0142] 当該装置は上述した各構成要素の１つを含むように図示されているが、種々の実施態様では種々の構成要素を複製することができる。例えば、プロセッサは、複数のマイクロプロセッサが本開示に記載される機能を果たすべく共動するように、本開示に記載される各方法を独立に実行するように構成された又は本開示に記載された各方法のステップ又はサブルーチンを実行するように構成された複数のマイクロプロセッサを含むことができる。更に、当該装置がクラウドコンピュータシステム内で実施化される場合、種々のハードウェア要素は別個の物理的システムに属し得る。例えば、プロセッサは第１サーバにおける第１プロセッサ及び第２サーバにおける第２プロセッサを含み得る。
[0143] 上述した説明から、本発明の種々の例示的実施態様は、ハードウェア又はファームウエアで実施化することができることは明らかであろう。更に、種々の例示的実施態様は、本明細書に詳細に記載された処理を実行するために少なくとも１つのプロセッサにより読み出され且つ実行され得る、マシン読取可能な記憶媒体に記憶された命令として実施化することもできる。マシン読取可能な記憶媒体は、パーソナル若しくはラップトップコンピュータ、サーバ又は他の計算装置等のマシンにより読み取ることが可能な形態で情報を記憶するための如何なるメカニズムも含むことができる。このように、マシン読取可能な記憶媒体は、読出専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリ装置及び同様の記憶媒体を含むことができる。
[0144] 当業者であれば、本明細書における如何なるブロック図も本発明の原理を具現化する例示的回路の概念図を表すものと理解されるべきである。同様に、如何なるフローチャート、流れ図、状態遷移図及び擬似コード等も、マシン読取可能な媒体において実質的に表すことができ、従って、コンピュータ又はプロセッサ（斯様なコンピュータ又はプロセッサが明示的に示されているか否かによらず）により実行することができる種々の処理を表すものと理解される。
[0145] 以上、種々の例示的実施態様を特に該実施態様の特定の例示的側面に関連して詳細に説明したが、本発明は他の実施態様も可能であり、その細部は種々の自明な点において修正することができると理解されるべきである。当業者にとり明らかなように、変形例及び修正例を本発明の趣旨及び範囲内のままで実施することができる。従って、上記開示、記載及び図面は解説目的のためのものであって、請求項のみにより定義される本発明を、如何なる形でも限定するものではない。

Claims (17)

  1. 解剖学的領域又は解剖学的臓器の診断撮像を実行する医療撮像マシンと、
    医療撮像診断コントローラを含む、前記医療撮像マシンにより取得される電子データであって、医療画像の再構成が実行される前の電子データを有する生医療撮像データを処理して診断評価を実行する生診断マシンと、
    を有する医療撮像診断システムであって、前記医療撮像診断コントローラが、
    前記生医療撮像データを、該生医療撮像データから少なくとも１つの次元削減特徴ベクトルを選択又は抽出するように訓練される次元削減プリプロセッサに入力し、
    前記少なくとも１つの次元削減特徴ベクトルを、前記生医療撮像データの前記診断評価を行うように訓練される生診断人工知能エンジンに入力し、及び
    前記生医療撮像データの前記診断評価の伝達を制御する、
    医療撮像診断システム。
  2. 前記生診断人工知能エンジンが、人工ニューラルネットワーク及び教師有り学習マシンの少なくとも一方を含む、請求項１に記載の医療撮像診断システム。
  3. 前記医療撮像マシンが、磁気共鳴撮像マシン、コンピュータトモグラフィ撮像マシン、超音波撮像マシン、Ｘ線撮像マシン、拡散光トモグラフィマシン、陽電子放出トモグラフィマシン及び単一光子放射コンピュータトモグラフィマシンのうちの１つである、請求項１に記載の医療撮像診断システム。
  4. 前記生医療撮像データが、ＭＲＩのｋ空間データ、ＣＴサイノグラムデータ、及び／又はＰＥＴリストモードファイルを含む、請求項１に記載の医療撮像診断システム。
  5. 前記生医療撮像データから再構成医療画像を発生するための医療画像再構成エンジンを有し、
    前記医療撮像診断コントローラが、更に、
    前記生医療撮像データを、前記医療画像再構成エンジンに入力し、及び
    前記再構成医療画像の伝達を制御する、
    請求項１に記載の医療撮像診断システム。
  6. 前記医療撮像診断コントローラが、更に、
    前記再構成医療画像を、該再構成医療画像から少なくとも１つの医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力し、
    前記少なくとも１つの医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力し、及び
    前記再構成医療画像の診断評価の伝達を制御する、
    請求項５に記載の医療撮像診断システム。
  7. 前記医療撮像診断コントローラが、更に、
    再構成医療画像を、該再構成医療画像から少なくとも１つの医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力し、
    前記少なくとも１つの医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力し、及び
    前記再構成医療画像の診断評価の伝達を制御する、
    請求項１に記載の医療撮像診断システム。
  8. 前記次元削減プリプロセッサが、指定された解剖学的領域及び指定された解剖学的臓器の一方に対応して、前記生医療撮像データから前記少なくとも１つの次元削減特徴ベクトルを選択又は抽出するように訓練され、及び
    前記生診断人工知能エンジンが、前記指定された解剖学的領域及び前記指定された解剖学的臓器の一方に対応して、前記生医療撮像データの診断評価を行うように訓練される、
    の少なくとも一方である、請求項１に記載の医療撮像診断システム。
  9. 解剖学的領域又は解剖学的臓器の診断撮像を実行する医療撮像マシンにより取得される電子データであって、医療画像の再構成が実行される前の電子データを有する生医療撮像データを処理して診断評価を実行するために少なくとも１つのプロセッサにより実行する命令によりエンコードされた非一時的マシン読取可能な記憶媒体であって、
    前記生医療撮像データを、該生医療撮像データから少なくとも１つの次元削減特徴ベクトルを選択又は抽出するように訓練される次元削減プリプロセッサに入力し、及び
    前記少なくとも１つの次元削減特徴ベクトルを、前記生医療撮像データの前記診断評価を行うように訓練される生診断人工知能エンジンに入力する、
    ための命令を有する、非一時的マシン読取可能な記憶媒体。
  10. 当該非一時的マシン読取可能な記憶媒体が、
    前記生医療撮像データを、前記生医療撮像データから再構成医療画像を発生するための医療画像再構成エンジンに入力する、
    ための命令を更に有する、請求項９に記載の非一時的マシン読取可能な記憶媒体。
  11. 当該非一時的マシン読取可能な記憶媒体が、
    前記再構成医療画像を、該再構成医療画像から少なくとも１つの医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力し、及び
    前記少なくとも１つの医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力する、
    ための命令を更に有する、請求項１０に記載の非一時的マシン読取可能な記憶媒体。
  12. 当該非一時的マシン読取可能な記憶媒体が、
    再構成医療画像を、該再構成医療画像から少なくとも１つの医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力し、及び
    前記少なくとも１つの医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力する、
    ための命令を更に有する、請求項９に記載の非一時的マシン読取可能な記憶媒体。
  13. 前記次元削減プリプロセッサが、指定された解剖学的領域及び指定された解剖学的臓器の一方に対応して、前記生医療撮像データから前記少なくとも１つの次元削減特徴ベクトルを選択又は抽出するように訓練され、及び
    前記生診断人工知能エンジンが、前記指定された解剖学的領域及び前記指定された解剖学的臓器の一方に対応して、前記生医療撮像データの診断評価を行うように訓練される、
    の少なくとも一方である、請求項９に記載の非一時的マシン読取可能な記憶媒体。
  14. 解剖学的領域又は解剖学的臓器の診断撮像を実行する医療撮像マシンにより取得される電子データであって、医療画像の再構成が実行される前の電子データを有する生医療撮像データを処理して診断評価を実行する医療撮像診断コントローラによる医療診断のための医療撮像診断方法であって、
    前記医療撮像診断コントローラにより、前記生医療撮像データを、該生医療撮像データから少なくとも１つの次元削減特徴ベクトルを選択又は抽出するように訓練される次元削減プリプロセッサに入力するステップ、及び
    前記医療撮像診断コントローラにより、前記少なくとも１つの次元削減特徴ベクトルを、前記生医療撮像データの前記診断評価を行うように訓練される生診断人工知能エンジンに入力するステップ、
    を有する、医療撮像診断方法。
  15. 前記医療撮像診断コントローラにより、前記生医療撮像データを、前記生医療撮像データから再構成医療画像を発生するための医療画像再構成エンジンに入力するステップ、
    前記医療撮像診断コントローラにより、前記再構成医療画像を、該再構成医療画像から少なくとも１つの医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力するステップ、及び
    前記医療撮像診断コントローラにより、前記少なくとも１つの医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力するステップ、
    を更に有する、請求項１４に記載の医療撮像診断方法。
  16. 前記医療撮像診断コントローラにより、再構成医療画像を、該再構成医療画像から少なくとも１つの医療画像特徴ベクトルを選択又は抽出するように訓練される医療画像プリプロセッサに入力するステップ、及び
    前記医療撮像診断コントローラにより、前記少なくとも１つの医療画像特徴ベクトルを、前記再構成医療画像の診断評価を行うように訓練される画像診断人工知能エンジンに入力するステップ、
    を更に有する、請求項１４に記載の医療撮像診断方法。
  17. 前記次元削減プリプロセッサによる前記生医療撮像データからの前記少なくとも１つの次元削減特徴ベクトルの選択又は抽出が、指定された解剖学的領域及び指定された解剖学的臓器の一方に対応し、及び
    前記医療撮像診断コントローラによる前記生医療撮像データの診断評価の実行が、前記指定された解剖学的領域及び前記指定された解剖学的臓器の一方に対応する、
    の少なくとも一方である、請求項１４に記載の医療撮像診断方法。
JP2019565544A 2017-05-31 2018-05-30 臨床判断支援のための生医療画像データの機械学習 Active JP7181230B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762512774P 2017-05-31 2017-05-31
US62/512,774 2017-05-31
PCT/EP2018/064308 WO2018220089A1 (en) 2017-05-31 2018-05-30 Machine learning on raw medical imaging data for clinical decision support

Publications (3)

Publication Number Publication Date
JP2020522068A JP2020522068A (ja) 2020-07-27
JP2020522068A5 JP2020522068A5 (ja) 2021-07-26
JP7181230B2 true JP7181230B2 (ja) 2022-11-30

Family

ID=62567631

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019565544A Active JP7181230B2 (ja) 2017-05-31 2018-05-30 臨床判断支援のための生医療画像データの機械学習

Country Status (5)

Country Link
US (1) US11984224B2 (ja)
EP (1) EP3631808B1 (ja)
JP (1) JP7181230B2 (ja)
CN (1) CN110692107B (ja)
WO (1) WO2018220089A1 (ja)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG10201909659QA (en) * 2018-10-17 2020-05-28 Tata Consultancy Services Ltd System and method for authenticating humans based on behavioral pattern
US10755412B2 (en) * 2018-11-20 2020-08-25 International Business Machines Corporation Automated patient complexity classification for artificial intelligence tools
US11681873B2 (en) * 2019-09-11 2023-06-20 International Business Machines Corporation Creating an executable process from a text description written in a natural language
EP4037550A4 (en) * 2019-09-30 2023-11-08 Massachusetts Eye and Ear Infirmary OBJECTIVE ASSESSMENT OF NEUROLOGICAL MOVEMENT DISORDERS FROM MEDICAL IMAGING
EP3824814A1 (en) 2019-11-22 2021-05-26 Koninklijke Philips N.V. Assessment of measured tomographic data
US11727125B2 (en) * 2020-03-31 2023-08-15 General Electric Company Emergent language based data encryption
EP4082439B1 (en) * 2021-04-29 2024-04-17 Siemens Healthineers AG Determining ct scan parameters based on machine learning
US20230253095A1 (en) * 2022-02-10 2023-08-10 Siemens Healthcare Gmbh Artifical intelligence for end-to-end analytics in magnetic resonance scanning
EP4266074A1 (en) 2022-04-22 2023-10-25 Koninklijke Philips N.V. Segmentation of medical images reconstructed from a set of magnetic resonance images
EP4321890A1 (en) 2022-08-09 2024-02-14 Koninklijke Philips N.V. Reconstruction parameter determination for the reconstruction of synthesized magnetic resonance images

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160019320A1 (en) 2014-07-18 2016-01-21 Samsung Electronics Co., Ltd. Three-dimensional computer-aided diagnosis apparatus and method based on dimension reduction
US20160259898A1 (en) 2015-03-04 2016-09-08 Samsung Electronics Co., Ltd. Apparatus and method for providing reliability for computer aided diagnosis
US20170100078A1 (en) 2015-10-13 2017-04-13 IMPAC Medical Systems, Inc Pseudo-ct generation from mr data using a feature regression model

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1934589A (zh) * 2004-03-23 2007-03-21 美国西门子医疗解决公司 为医学成像提供自动决策支持的系统和方法
US9347945B2 (en) 2005-12-22 2016-05-24 Abbott Molecular Inc. Methods and marker combinations for screening for predisposition to lung cancer
US8073253B2 (en) 2006-09-29 2011-12-06 General Electric Company Machine learning based triple region segmentation framework using level set on PACS
US8334900B2 (en) * 2008-07-21 2012-12-18 The Hong Kong University Of Science And Technology Apparatus and method of optical imaging for medical diagnosis
EP2338122B1 (en) * 2008-09-26 2018-12-05 Koninklijke Philips N.V. System and method for fusing clinical and image features for computer-aided diagnosis
WO2011025919A1 (en) 2009-08-28 2011-03-03 Asuragen, Inc. Mirna biomarkers of lung disease
US10360344B2 (en) * 2009-12-10 2019-07-23 Koninklijke Philips N.V. Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data
US9208556B2 (en) * 2010-11-26 2015-12-08 Quantitative Insights, Inc. Method, system, software and medium for advanced intelligent image analysis and display of medical images and information
US20150042677A1 (en) * 2012-03-23 2015-02-12 Konica Minolta, Inc. Image-generating apparatus
WO2013188957A1 (en) 2012-06-18 2013-12-27 University Health Network Method and system for compressed sensing image reconstruction
WO2014153466A2 (en) * 2013-03-20 2014-09-25 Cornell University Methods and tools for analyzing brain images
CN103793908A (zh) * 2014-01-17 2014-05-14 首都医科大学 一种基于脑核磁共振图像多维度纹理建立预测模型的方法
US20190066020A1 (en) * 2014-03-31 2019-02-28 Kountable, Inc. Multi-Variable Assessment Systems and Methods that Evaluate and Predict Entrepreneurial Behavior
KR20160012758A (ko) * 2014-07-25 2016-02-03 삼성전자주식회사 영상 진단 보조 장치 및 방법
WO2016094330A2 (en) 2014-12-08 2016-06-16 20/20 Genesystems, Inc Methods and machine learning systems for predicting the liklihood or risk of having cancer
US10799186B2 (en) * 2016-02-12 2020-10-13 Newton Howard Detection of disease conditions and comorbidities

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160019320A1 (en) 2014-07-18 2016-01-21 Samsung Electronics Co., Ltd. Three-dimensional computer-aided diagnosis apparatus and method based on dimension reduction
US20160259898A1 (en) 2015-03-04 2016-09-08 Samsung Electronics Co., Ltd. Apparatus and method for providing reliability for computer aided diagnosis
US20170100078A1 (en) 2015-10-13 2017-04-13 IMPAC Medical Systems, Inc Pseudo-ct generation from mr data using a feature regression model

Also Published As

Publication number Publication date
CN110692107B (zh) 2023-11-14
US20210174937A1 (en) 2021-06-10
RU2019144788A (ru) 2021-07-02
WO2018220089A1 (en) 2018-12-06
CN110692107A (zh) 2020-01-14
EP3631808B1 (en) 2024-09-11
US11984224B2 (en) 2024-05-14
EP3631808A1 (en) 2020-04-08
JP2020522068A (ja) 2020-07-27
RU2019144788A3 (ja) 2021-09-17

Similar Documents

Publication Publication Date Title
JP7181230B2 (ja) 臨床判断支援のための生医療画像データの機械学習
US11403750B2 (en) Localization and classification of abnormalities in medical images
Jiang et al. COVID-19 CT image synthesis with a conditional generative adversarial network
Gupta et al. Natural image bases to represent neuroimaging data
Larrazabal et al. Post-DAE: anatomically plausible segmentation via post-processing with denoising autoencoders
US20210350179A1 (en) Method for detecting adverse cardiac events
Li et al. When medical images meet generative adversarial network: recent development and research opportunities
EP3355273B1 (en) Coarse orientation detection in image data
Shakeri et al. Deep spectral-based shape features for Alzheimer’s disease classification
RU2667879C1 (ru) Обработка и анализ данных на изображениях компьютерной томографии
Wu et al. Prostate segmentation based on variant scale patch and local independent projection
US20230024401A1 (en) Implicit Neural Representation Learning with Prior Embedding for Sparsely Sampled Image Reconstruction and Other Inverse Problems
Yang et al. An indirect multimodal image registration and completion method guided by image synthesis
Naga Srinivasu et al. Variational Autoencoders‐BasedSelf‐Learning Model for Tumor Identification and Impact Analysis from 2‐D MRI Images
Gravina et al. Leveraging CycleGAN in lung CT sinogram-free kernel conversion
Yu et al. Cardiac LGE MRI segmentation with cross-modality image augmentation and improved U-Net
Fiaz et al. Brain MRI Segmentation using rule-based hybrid approach
Jeyaraj et al. High‐performance dynamic magnetic resonance image reconstruction and synthesis employing deep feature learning convolutional networks
Wang et al. A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection
JP2023545570A (ja) 形状プライアを用いた及び用いないセグメンテーション結果によって解剖学的異常を検出すること
da Silveira Souza et al. Detector of 3-D salient points based on the dual-tree complex wavelet transform for the positioning of hippocampi meshes in magnetic resonance images
RU2779064C2 (ru) Машинное обучение на необработанных данных медицинской визуализации для поддержки принятия клинических решений
Kumar et al. [Retracted] CNN‐Based Cross‐Modal Residual Network for Image Synthesis
Li et al. Discover Artificial Intelligence
Vaidya Perceptually Improved Medical Image Translations Using Conditional Generative Adversarial Networks

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210527

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210527

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220622

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220704

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220930

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: 20221021

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221117

R150 Certificate of patent or registration of utility model

Ref document number: 7181230

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150