JP7198300B2 - 良性腫瘍の進行傾向評価システム、そのサーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体 - Google Patents
良性腫瘍の進行傾向評価システム、そのサーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体 Download PDFInfo
- Publication number
- JP7198300B2 JP7198300B2 JP2021029127A JP2021029127A JP7198300B2 JP 7198300 B2 JP7198300 B2 JP 7198300B2 JP 2021029127 A JP2021029127 A JP 2021029127A JP 2021029127 A JP2021029127 A JP 2021029127A JP 7198300 B2 JP7198300 B2 JP 7198300B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- tumor
- module
- local
- benign
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims description 268
- 238000011156 evaluation Methods 0.000 title claims description 46
- 230000000750 progressive effect Effects 0.000 title 1
- 238000004458 analytical method Methods 0.000 claims description 101
- 238000001959 radiotherapy Methods 0.000 claims description 100
- 230000004044 response Effects 0.000 claims description 48
- 238000011282 treatment Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 44
- 206010061309 Neoplasm progression Diseases 0.000 claims description 35
- 230000005751 tumor progression Effects 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 34
- 238000003702 image correction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 208000014070 Vestibular schwannoma Diseases 0.000 claims description 8
- 208000004064 acoustic neuroma Diseases 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 5
- 208000009798 Craniopharyngioma Diseases 0.000 claims description 4
- 208000007913 Pituitary Neoplasms Diseases 0.000 claims description 4
- 206010027191 meningioma Diseases 0.000 claims description 4
- 208000014500 neuronal tumor Diseases 0.000 claims description 4
- 208000010916 pituitary tumor Diseases 0.000 claims description 4
- 230000004043 responsiveness Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000000034 method Methods 0.000 description 17
- 238000009826 distribution Methods 0.000 description 12
- 238000009198 gamma knife radiosurgery Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000002203 pretreatment Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000001225 therapeutic effect Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 230000004614 tumor growth Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 238000012357 Gap analysis Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002673 radiosurgery Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 210000003273 vestibular nerve Anatomy 0.000 description 2
- 206010011878 Deafness Diseases 0.000 description 1
- 208000004929 Facial Paralysis Diseases 0.000 description 1
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 206010066901 Treatment failure Diseases 0.000 description 1
- 208000036826 VIIth nerve paralysis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000023833 nerve sheath neoplasm Diseases 0.000 description 1
- 206010061311 nervous system neoplasm Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 201000005528 peripheral nervous system neoplasm Diseases 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006335 response to radiation Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000004116 schwann cell Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06T2207/20—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
- G06T2207/30016—Brain
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Radiation-Therapy Devices (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Description
本発明は、良性腫瘍の進行傾向評価システム、そのサーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体に関し、特に良性腫瘍への放射線治療の前、又は良性腫瘍への放射線治療の後に、その進行傾向の評価を行うためのシステム、サーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体に関する。
良性腫瘍は発生部位が限定的であり、転移・拡散することはないが、大きく進行したり、ひいては周辺組織を圧迫しかねず、しかも発生部位によって、患者に対する影響は異なる。例えば、神経系の良性腫瘍、例えば前庭神経鞘腫 （ｖｅｓｔｉｂｕｌａｒ ｓｃｈｗａｎｎｏｍａ、ＶＳ、又は「聴神経腫瘍」とも言われる）は内耳神経のシュワン細胞から発生する、もっとも多見される神経鞘腫瘍である。確かにＶＳは良性腫瘍ではあるものの、前庭神経機能が損なわれる可能性もあり、しかも腫瘍の進行又は副作用によって聴力が損なわれたり、耳鳴り、めまい、顔面神経麻痺等が起こったりするリスクもある。
ところで、現在、例えばガンマナイフ放射線治療（Ｇａｍｍａ Ｋｎｉｆｅ ｒａｄｉｏｓｕｒｇｅｒｙ、ＧＫＲＳ）といった良性腫瘍を治療するのに用いられる数多くの異なる処理方法がすでにある。ＧＫＲＳはＶＳ治療の効果的な方法であり、長期での腫瘍制御率は９０％を超え、しかも合併症を誘発するリスクは低いものの、一部の患者では何らかの問題が発生する恐れがある。まず、一部の患者では治療が失敗するリスクがある。次ぎに、一部の患者ではＧＫＲＳを実施した後に腫瘍が膨張して一過性の腫瘍成長、つまり偽進行を引き起こすことがある。前記した一過性の偽進行については、現時点では、時間間隔によって実際の腫瘍進行と区別するしかない。腫瘍の偽進行は通常は放射線治療後６ないし１８ヶ月内に発生するが、一方、実際の腫瘍の進行は放射線治療後、少なくとも２年内に診断を確定できる。上記二つの問題は、現時点では放射線治療後でなければ観察され得ないことから、患者及び医療従事者の心理的なストレスとなりやすく、しかも現時点では、治療効果を高めるための、患者毎に異なる臨床アドバイスを提供することができない。
また、一般的には、ＧＫＲＳを実施する前に、まず腫瘍の画像について経験のある外科医師が、手動により腫瘍範囲の輪郭を繰り返して囲って選択して、腫瘍の位置を識別することで、腫瘍の大きさを測定し、ひいては治療範囲及び治療薬剤量を決定する必要がある。この方式は主観的になりがちで、時間もかかってしまう。
上記をまとめるに、現在周知されている良性腫瘍の処置方法では、放射線治療を行う前に、外科医師が手動により腫瘍範囲の輪郭を囲って選択して、治療範囲及び薬剤等の用量を確認するというものであるが、この方式は主観的になりがちで且つ時間がかかり、更には放射線治療に対する患者の反応を事前に知ることで、患者毎に放射線治療以外の臨床治療のアドバイスを提供することができない。もし患者に良性腫瘍の放射線治療を実施する前に、その腫瘍画像に対して、その腫瘍が放射線治療に対する反応を事前に自動的に評価して、更に評価結果に基づいて患者に放射線治療又はその他治療（例えば手術治療）を提案できるのであれば、良性腫瘍の治療にとって大きな助けとなる。
よって、現時点では、腫瘍画像に基づいて、患者の将来における腫瘍の進行傾向を自動的に評価でき、評価結果に基づいて医療従事者に異なるアドバイスを提供することで、患者毎により好ましい治療方法をそれぞれ提供し、ひいては治療効果を向上することで、治療結果が好ましくなく患者に疑念が生じるとともに医療従事者に心的なストレスをもたらすのを回避できる評価システムを提供することが待たれている。
本発明の目的は、腫瘍画像に基づいて、患者の将来における腫瘍の進行傾向を自動的に評価でき、評価結果に基づいて医療従事者に異なるアドバイスを提供することで、患者毎により好ましい治療方法をそれぞれ提供し、ひいては良性腫瘍の治療効果を向上することができる評価システムを提供するところにある。また、このシステムは、該患者に腫瘍の偽進行が発生する恐れがあるか否かを予測するのに用いることで、予め患者に告知し、患者の疑念及び医療従事者のストレスを軽減するのに寄与することができる。
上記目的を達成するために、本発明では、良性腫瘍の進行傾向評価システムであって、良性腫瘍の同じ位置で取得した第１の画像及び第２の画像を出力するための画像出力装置と、サーバコンピュータ装置と、を備え、その中、前記第１の画像及び前記第２の画像は前記画像出力装置の異なるパラメータで撮影して得られた画像であり、前記サーバコンピュータ装置は、前記第１の画像及び前記第２の画像を受け取る画像受取モジュールと、それぞれ前記第１の画像及び前記第２の画像に対して画像前処理を行うことで、それぞれ第１の局部画像及び第２の局部画像を得る画像前処理モジュールと、それぞれ前記第１の局部画像及び前記第２の局部画像に対して自動検出を行うとともに前記良性腫瘍の位置を囲って選択することで、それぞれ第１の関心領域画像及び第２の関心領域画像を得るターゲット抽出モジュールと、それぞれ前記第１の関心領域画像及び前記第２の関心領域画像に対して自動識別を行うことで、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴をそれぞれ得る特徴抽出モジュールと、前記少なくとも一つの第１の特徴及び前記少なくとも一つの第２の特徴を分析することで、腫瘍の進行傾向の判断に供される腫瘍の進行傾向の分析結果を得る傾向分析モジュールと、前記腫瘍の進行傾向の分析結果に基づいて判断結果を生成する判断モジュールと、を備え、前記第１の画像及び前記第２の画像は治療前の画像又は治療後の画像であり、前記第１の画像及び前記第２の画像が治療前の画像であるとき、前記腫瘍の進行傾向の分析結果は、放射線治療に対して前記良性腫瘍に反応がないことを予測するか、又は放射線治療に対して前記良性腫瘍に反応があることを予測するものであり、前記第１の画像及び前記第２の画像が治療後の画像であるとき、前記腫瘍の進行傾向の分析結果は、放射線治療に対して前記良性腫瘍に反応がないことを判断するか、又は放射線治療に対して前記良性腫瘍に反応があることを判断するものであり、前記腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応があるとき、その分析結果は、放射線に対して前記良性腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して前記良性腫瘍に反応があり且つ偽進行がないというものであり、前記第１の画像及び前記第２の画像が治療前の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応がないと予測するものであるとき、前記判断結果はその他の治療を実施するものであり、前記第１の画像及び前記第２の画像が治療前の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応があると予測するものであるとき、前記判断結果は放射線治療を行うよう提案するものであり、前記第１の画像及び前記第２の画像が治療後の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応がないと判断するものであるとき、前記判断結果はその他の治療を実施するよう提案するものであり、及び、前記第１の画像及び前記第２の画像が治療後の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応があると判断するものであるとき、前記判断結果は引き続き経過観察することを提案するものであることを特徴とする。
一つの実施例において、画像前処理モジュールは、画像調整ユニットと、画像補正ユニットと、局部画像取得ユニットとを含む。画像調整ユニットは、それぞれ第１の画像及び第２の画像の明度、明晰度に対して調整を行うとともに背景を消去して、第１の調整画像及び第２の調整画像を得る。画像補正ユニットは、第１の調整画像で第２の調整画像の位置を補正することで、第１の補正画像及び第２の補正画像を得る。局部画像取得ユニットは、それぞれ第１の補正画像及び第２の補正画像に対して局部画像を取得することで、良性腫瘍及び良性腫瘍の周辺組織の画像をカバーする第１の局部画像及び第２の局部画像を得る。
一つの実施例において、第１の画像及び第２の画像が治療前の画像又は治療後の画像であり、第１の画像及び第２の画像が治療前の画像であるとき、腫瘍の進行傾向の分析結果は、放射線治療に対して良性腫瘍に反応がないことを予測するか、又は放射線治療に対して良性腫瘍に反応があることを予測するものであり、第１の画像及び第２の画像が治療後の画像であるとき、腫瘍の進行傾向の分析結果は、放射線治療に対して良性腫瘍に反応がないことを判断するか、又は放射線治療に対して良性腫瘍に反応があることを判断するものである。
一つの実施例において、腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応があるとき、その分析結果は、放射線治療に対して良性腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して良性腫瘍に反応があり且つ偽進行がないというものである。
一つの実施例において、サーバコンピュータ装置は更に、腫瘍の進行傾向の分析結果に基づいて判断結果を生成する判断モジュールを含む。
一つの実施例において、第１の画像及び第２の画像が治療前の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応がないと予測するものであるとき、判断結果はその他の治療を実施するものであり、第１の画像及び第２の画像が治療前の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応があると予測するものであるとき、判断結果は放射線治療を行うよう提案するものであり、第１の画像及び第２の画像が治療後の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応がないと判断するものであるとき、判断結果はその他の治療を実施するよう提案するものであり、及び、第１の画像及び第２の画像が治療後の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応があると判断するものであるとき、判断結果は引き続き経過観察することを提案するものである。
一つの実施例において、傾向分析モジュールには複数個の傾向パスが格納されており、傾向分析モジュールは少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴により、これら傾向パスとの分析を行うものであり、これら傾向パスは傾向分析モジュールが複数の参考画像に対して分析を行うことにより得られる。
一つの実施例において、サーバコンピュータ装置は更に、判断結果を出力する判断結果出力モジュールを含む。
一つの実施例において、サーバコンピュータ装置は更に、画像受取モジュール、画像前処理モジュール、ターゲット抽出モジュール、特徴抽出モジュール、傾向分析モジュール、判断モジュール及び判断結果出力モジュールを実行するプロセッサを含む。
一つの実施例において、良性腫瘍の進行傾向評価システムは更に、サーバコンピュータ装置が出力した判断結果を受け取るためのユーザコンピュータ装置を含む。
一つの実施例において、第１の画像と第２の画像はコントラストが異なっており、少なくとも一つの第１の特徴はテクスチャ特徴、又はグレーレベル特徴を含み、少なくとも一つの第２の特徴はテクスチャ特徴、又はグレーレベル特徴を含む。
一つの実施例において、良性腫瘍は聴神経腫瘍、髄膜腫、下垂体腫瘍、神経細胞性腫瘍、又は頭蓋咽頭腫である。
上記目的を達成するために、本発明ではまた、良性腫瘍の進行傾向評価システムに応用されるサーバコンピュータ装置を提供する。良性腫瘍の進行傾向評価システムは画像出力装置とサーバコンピュータ装置とを備える。サーバコンピュータ装置は、画像受取モジュールと、画像前処理モジュールと、ターゲット抽出モジュールと、特徴抽出モジュールと、傾向分析モジュールとを備える。画像受取モジュールは、良性腫瘍の同じ位置で取得した第１の画像及び第２の画像を受け取る。画像前処理モジュールは、それぞれ第１の画像及び第２の画像に対して画像前処理を行うことで、それぞれ第１の局部画像及び第２の局部画像を得る。ターゲット抽出モジュールは、それぞれ第１の局部画像及び第２の局部画像に対して自動検出を行うとともに良性腫瘍の位置を囲って選択することで、それぞれ第１の関心領域画像及び第２の関心領域画像を得る。特徴抽出モジュールは、それぞれ第１の関心領域画像及び第２の関心領域画像に対して自動識別を行うことで、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴をそれぞれ得る。傾向分析モジュールは、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴を分析することで、腫瘍の進行傾向の判断に供される腫瘍の進行傾向の分析結果を得る。
一つの実施例において、サーバコンピュータ装置は更に、腫瘍の進行傾向の分析結果に基づいて判断結果を生成する判断モジュールを含む。
一つの実施例において、画像前処理モジュールは、画像調整ユニットと、画像補正ユニットと、局部画像取得ユニットとを含む。画像調整ユニットは、それぞれ第１の画像及び第２の画像の明度、明晰度に対して調整を行うとともに背景を消去して、第１の調整画像及び第２の調整画像を得る。画像補正ユニットは、第１の調整画像で第２の調整画像の位置を補正することで、第１の補正画像及び第２の補正画像を得る。局部画像取得ユニットは、それぞれ第１の補正画像及び第２の補正画像に対して局部画像を取得することで、良性腫瘍及び良性腫瘍の周辺組織の画像をカバーする第１の局部画像及び第２の局部画像を得る。
一つの実施例において、サーバコンピュータ装置は更に、画像受取モジュール、画像前処理モジュール、ターゲット抽出モジュール、特徴抽出モジュール、傾向分析モジュール及び判断モジュールを実行するプロセッサを含む。
上記目的を達成するために、本発明では更に、コンピュータ装置のプロセッサでの実行に供される上記したモジュールを格納しており、良性腫瘍の進行傾向評価システムに応用されるコンピュータ読み取り可能な記憶媒体を提供する。
上記をまとめるに、本発明の腫瘍の進行傾向評価システムは、腫瘍画像に基づいて、患者の将来における腫瘍の進行傾向を自動的に評価でき、評価結果に基づいて医療従事者に異なるアドバイスを提供することで、患者毎により好ましい治療方法をそれぞれ提供し、ひいては良性腫瘍の治療効果を向上することができる。また、このシステムは、該患者に腫瘍の偽進行が発生する恐れがあるか否かを評価するのに用いることで、予め患者に告知し、患者の疑念及び医療従事者のストレスを軽減するのに更に寄与することができる。
以下にて関連する図面を参照して、同じ構成要素は同じ参考記号を付し、本発明の良性腫瘍の進行傾向評価システム、サーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体に係る好ましい実施例を説明する。
本発明の腫瘍の増殖傾向評価システムは、腫瘍画像に基づいて、患者の将来における腫瘍の進行傾向を自動的に評価でき、評価結果に基づいて医療従事者に異なるアドバイスを提供することで、患者毎により好ましい治療方法をそれぞれ提供し、ひいては良性腫瘍の治療効果を向上することができる。また、このシステムは、該患者に腫瘍の偽進行が発生する恐れがあるか否かを評価するのに用いることで、予め患者に告知し、患者の疑念及び医療従事者のストレスを軽減するのに更に寄与することができる。
本文で使用した全ての技術及び科学用語は、別途定義しない限り、本発明の当業者が理解するものと同じ意味を有する。本発明の試験・実験中では本文で記述した類似又は同等のいずれかの方法及び材料を使用できるとしても、本文では優れた材料及び方法を記述している。保護を求める本発明を説明する際には、以下の用語が使用される。理解されるべきは、ここで使用した用語の目的は単に特定の実施例に用いるのみであり、本発明を制限するためではない、と言うことである。
用語「良性腫瘍」とは発生部位が限定的で、転移又は拡散することがない腫瘍である。例えば、聴神経腫瘍、髄膜腫、下垂体腫瘍、神経細胞性腫瘍、又は頭蓋咽頭腫であるが、これらに限定されず、本文においては、用語「良性腫瘍」は「腫瘍」とも略称してもよい。
用語「腫瘍の進行」とは腫瘍が持続的に増殖して大きくなることである（持続的に大きくなる）。
用語「偽進行」とは治療又は処置後に腫瘍が大きくなり一過性の腫瘍増殖をもたらし、その後腫瘍が徐々に縮小して小さくなる（大きくなった後小さくなる）ということであり、腫瘍の進行（持続的に大きくなる）とは異なる。
本文において、用語「放射線治療」とは放射線で手術を行うことである。例えばガンマナイフ放射線手術、サイバーナイフ（Ｃｙｂｅｒ Ｋｎｉｆｅ）、フォトンナイフ（Ｐｈｏｔｏｎ Ｋｎｉｆｅ）放射線手術、又はその他当業者が周知する良性腫瘍の治療に用いられる放射線治療方法であるが、これらに限定されない。
用語「Ｕ-Ｎｅｔニューラルネットワーク」は「３Ｄ Ｕ-Ｎｅｔニューラルネットワーク」又は「３ＤシングルパスＵ-Ｎｅｔニューラルネットワーク」とも言われ、畳み込みニューラルネットワーク（ＣＮＮ）から派生した一種のニューラルネットワークのことであり、特に医療画像の分析に用いられる。Ｕ-Ｎｅｔニューラルネットワークを医療画像の分析に用いる実例は、Ｗａｎｇ Ｇ等のＡｕｔｏｍａｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ Ｖｅｓｔｉｂｕｌａｒ Ｓｃｈｗａｎｎｏｍａ ｆｒｏｍ Ｔ２-Ｗｅｉｇｈｔｅｄ ＭＲＩ ｂｙ Ｄｅｅｐ Ｓｐａｔｉａｌ Ａｔｔｅｎｔｉｏｎ ｗｉｔｈ Ｈａｒｄｎｅｓｓ-Ｗｅｉｇｈｔｅｄ Ｌｏｓｓ. ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１９０６０３９０６. ２０１９の文献、及びＲｏｎｎｅｂｅｒｇｅｒ Ｏ等のＣｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｂｉｏｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ. Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ ｉｍａｇｅ ｃｏｍｐｕｔｉｎｇ ａｎｄ ｃｏｍｐｕｔｅｒ-ａｓｓｉｓｔｅｄ ｉｎｔｅｒｖｅｎｔｉｏｎ：Ｓｐｒｉｎｇｅｒ； ２０１５. ｐ. ２３４-４１の文献中に記載した内容を参照されたく、Ｕ-Ｎｅｔニューラルネットワークは２３層の畳み込みから構成されるとともに、４回プーリングされている。Ｕ-Ｎｅｔニューラルネットワークでは、同じ畳み込み層において、同じ大きさのカーネル（ｋｅｒｎｅｌ）を用いて医療画像の分割を行うものであり、例えば３×３×３であるが、これに限定されない。
用語「３ＤデュアルパスＵ-Ｎｅｔニューラルネットワーク」とは「Ｕ-Ｎｅｔニューラルネットワーク」を改良した後のニューラルネットワークのことであり、本実施例においては、１０層の畳み込みから構成されるとともに、２回プーリングされている。３ＤデュアルパスＵ-Ｎｅｔニューラルネットワークでは、同じ畳み込み層において、大きさが異なる二つのカーネルをそれぞれ用いて、医療画像の分割を行うものである。例えば、二つのカーネルの大きさは３×３×１及び１×１×３である場合（但し、これらに限定されず）、３×３×１により画像の平面部分（画像のｘ-ｙ軸）を分析すると同時に、１×１×３により画像の立体部分（画像のｚ軸）を分析することができる。よって、３ＤデュアルパスＵ-Ｎｅｔニューラルネットワークは、「Ｕ-Ｎｅｔニューラルネットワーク」と比べて、医療画像に対する分析をより高精度とすることができる。
用語「第１」、「第２」は本願では単に記述目的のみに用いられるものであって、相対的な重要性を示す又は暗示するか、或いは示された技術的特徴の数を黙示的に示すためのものと理解してはならない。
図１Ａを参照されたい。図１Ａは本発明の良性腫瘍の進行傾向評価システムの好ましい実施例の概略図である。本実施例において、良性腫瘍の進行傾向評価システム１００は、画像出力装置１と、サーバコンピュータ装置２とを含む。
図１Ａ及び図４Ａを同時に参照されたい。図４Ａないし図４Ｅは本発明の良性腫瘍の進行傾向評価システムが処理した腫瘍画像の概略図である。図４Ａは第１の画像及び第２の画像の概略図を示す。画像出力装置１は、良性腫瘍の同じ位置で取得した第１の画像Ｉ１１及び第２の画像Ｉ２１を出力するのに用いられる。良性腫瘍は、例えば聴神経腫瘍、髄膜腫、下垂体腫瘍、神経細胞性腫瘍、又は頭蓋咽頭腫であるが、これらに限定されない。第１の画像Ｉ１１及び第２の画像Ｉ２１は磁気共鳴断層撮影（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ，ＭＲＩ）画像であり、しかも第１の画像Ｉ１１と第２の画像Ｉ１２とのコントラストは異なる。言い換えれば、第１の画像Ｉ１１及び第２の画像Ｉ２１は良性腫瘍の同じ位置にて、磁気共鳴断層撮影装置を用いて異なるパラメータで撮影して得られた画像であり、例えばＴ１-重み付け（Ｔ１-ｗｅｉｇｈｔｅｄ，Ｔ１Ｗ）、Ｔ２-重み付け（Ｔ２-ｗｅｉｇｈｔｅｄ，Ｔ２Ｗ）、又はＴ１-重み付けガドリニウム造影増強（Ｔ１- ｗｅｉｇｈｔｅｄ ｇａｄｏｌｉｎｉｕｍ ｃｏｎｔｒａｓｔ ｅｎｈａｎｃｅｄ，Ｔ１Ｗ＋Ｃ）の画像であるが、これらに限定されない。例を挙げると、第１の画像Ｉ１１及び第２の画像Ｉ２１はＴ１Ｗ画像、Ｔ２Ｗ画像、又はＴ１Ｗ＋Ｃ画像とすることができるが、両者は異なる。つまり、第１の画像Ｉ１１がＴ１Ｗ画像であるとき、第２の画像Ｉ２１はＴ１Ｗ＋Ｃ画像又はＴ２Ｗ画像とすることができ、第１の画像Ｉ１１がＴ２Ｗ画像であるとき、第２の画像Ｉ２１はＴ１Ｗ画像又はＴ１Ｗ＋Ｃ画像とすることができ、第１の画像Ｉ１１がＴ１Ｗ＋Ｃ画像であるとき、第２の画像Ｉ２１はＴ１Ｗ画像又はＴ２Ｗ画像とすることができる。好ましくは、第１の画像Ｉ１１はＴ１Ｗ＋Ｃ画像であり、第２の画像Ｉ２１はＴ２Ｗ画像である。
図１Ａに示すように、本実施例において、サーバコンピュータ装置２は画像受取モジュール２１と、画像前処理モジュール２２と、ターゲット抽出モジュール２３と、特徴抽出モジュール２４と、傾向分析モジュール２５とを含む。
各個のモジュールの作用を解説するために、図１Ａ及び図４Ａないし図４Ｅを同時に参照されたい。図４Ｂは第１の調整画像及び第２の調整画像の概略図を示し、図４Ｃは第１の補正画像及び第２の補正画像の概略図を示し、図４Ｄは第１の局部画像及び第２の局部画像の概略図を示し、図４Ｅは第１の関心領域画像及び第２の関心領域画像の概略図を示す。
図１Ａ及び図４Ａに示すように、画像受取モジュール２１は画像出力装置１が出力した第１の画像Ｉ１１及び第２の画像Ｉ２１を受け取るのに用いられる。
図１Ａ、図１Ｂ、図４Ａないし図４Ｄに示すように、図１Ｂは図１Ａに示す画像前処理モジュールの概略図である。画像前処理モジュール２２は、それぞれ第１の画像Ｉ１１及び第２の画像Ｉ２１に対して画像前処理を行うことで、第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４をそれぞれ取得する。詳細には、図１Ａ及び図１Ｂを同時に参照されたい。画像前処理モジュール２２は、画像調整ユニット２２１と、画像補正ユニット２２２と、局部画像取得ユニット２２３とを含む。画像調整ユニット２２１はそれぞれ第１の画像Ｉ１１及び第２の画像Ｉ２１の明度、明晰度に対して調整を行うとともに背景を消去して、第１の調整画像Ｉ１２及び第２の調整画像Ｉ２２を得る。画像補正ユニット２２２は第１の調整画像Ｉ１２で第２の調整画像Ｉ２２の位置を補正することで、第１の補正画像Ｉ１３及び第２の補正画像Ｉ２３を得る。局部画像取得ユニット２２３はそれぞれ第１の補正画像Ｉ１３及び第２の補正画像Ｉ２３に対して局部画像を取得することで、第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４を得る。つまり、画像前処理モジュール２２は第１の画像Ｉ１１及び第２の画像Ｉ２１に対して明度、明晰度の調整を行った後、背景（例えばアンカーポイント、マスク（ｍａｓｋ））を消去した後、更にそのうちの一つの画像の位置で他方の画像の位置を補正して、両者の明度、明晰度、位置の全ての補正が完了した後、良性腫瘍（良性腫瘍の周辺組織を含む）の局部画像を取得することで第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４を得る。
図１Ａ、図４Ｄないし図４Ｅに示すように、ターゲット抽出モジュール２３はそれぞれ第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４に対して自動検出を行うとともに良性腫瘍の位置を囲って選択することで、それぞれ第１の関心領域（ＲＯＩ）画像Ｉ１５及び第２の関心領域画像Ｉ２５を得る。例えば、ターゲット抽出モジュール２３は畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）を介して、それぞれ第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４に対して自動検出を行うとともに良性腫瘍の位置を囲って選択する。好ましくは、ターゲット抽出モジュール２３は、画像中で自動検出可能であり且つ良性腫瘍の位置を囲って選択することができるその他の畳み込みニューラルネットワークを介して、それぞれ第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４に対して自動検出を行うとともに良性腫瘍の位置を囲って選択する。前記畳み込みニューラルネットワークは、例えばＵ-Ｎｅｔニューラルネットワーク（３ＤシングルパスＵ-Ｎｅｔニューラルネットワーク）、又は３ＤデュアルパスＵ-Ｎｅｔニューラルネットワークであるが、これらに限定されない。好ましくは、ターゲット抽出モジュール２３は、３ＤデュアルパスＵ-Ｎｅｔニューラルネットワークを介して、それぞれ第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４に対して自動検出を行うとともに良性腫瘍の位置を囲って選択する。
特徴抽出モジュール２４はそれぞれ第１の関心領域画像Ｉ１５及び第２の関心領域画像Ｉ２５に対して自動識別を行うことで、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴をそれぞれ得る。例えば、少なくとも一つの第１の特徴は例えばテクスチャ特徴、グレーレベル特徴、又はテクスチャ特徴にグレーレベル特徴を加えたものであるが、これらに限定されず、少なくとも一つの第２の特徴は例えばテクスチャ特徴、グレーレベル特徴、又はテクスチャ特徴にグレーレベル特徴を加えたものであるが、これらに限定されない。テクスチャ特徴及びグレーレベル特徴は、第１の関心領域画像及び第２の関心領域画像のローカルバイナリパターン平均値（Ｍｅａｎ ｏｆ Ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎｓ，Ｍｅａｎ ｏｆ ＬＢＰ）、ロングラン低グレーレベル強調（Ｌｏｎｇ Ｒｕｎ Ｌｏｗ Ｇｒａｙ-Ｌｅｖｅｌ Ｅｍｐｈａｓｉｓ，ＬＲＬＧＬＥ）、歪度（Ｓｋｅｗｎｅｓｓ）、標準偏差（Ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ）、二乗平均平方根（Ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ）を含むが、これらに限定されない。上述したローカルバイナリパターン平均値はローカルバイナリパターンフィルタを用いて第１の関心領域画像又は第２の関心領域画像に対して分析を行って得られものであり、ロングラン低グレーレベル強調はグレーレベルランレングスマトリクス（ｇｒａｙ-ｌｅｖｅｌ ｒｕｎ-ｌｅｎｇｔｈ ｍａｔｒｉｘ，ＧＬＲＬＭ）フィルタを用いて第１の関心領域画像又は第２の関心領域画像に対して分析を行って得られるものであり、歪度（Ｓｋｅｗｎｅｓｓ）、標準偏差（Ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ）、及び二乗平均平方根（Ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ）はヒストグラム（Ｈｉｓｔｏｇｒａｍ）フィルタを用いて第１の関心領域画像又は第２の関心領域画像に対して分析を行って得られるものである。例えば、特徴抽出モジュール２４は畳み込みニューラルネットワーク（ＣＮＮ）を介して、異なるフィルタをそれぞれ用いて第１の関心領域画像Ｉ１５及び第２の関心領域画像Ｉ２５に対して自動識別を行うことで、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴をそれぞれ得ることができる。好ましくは、特徴抽出モジュール２４は画像中で腫瘍特徴を自動識別可能なその他の畳み込みニューラルネットワークを介して、異なるフィルタをそれぞれ用いて第１の関心領域画像Ｉ１５及び第２の関心領域画像Ｉ２５に対して分析を行うことができる。前記畳み込みニューラルネットワークは、例えば３ＤシングルパスＵ-Ｎｅｔニューラルネットワーク、又は３ＤデュアルパスＵ-Ｎｅｔニューラルネットワークであるが、これらに限定されない。好ましくは、特徴抽出モジュール２４は３ＤデュアルパスＵ-Ｎｅｔニューラルネットワークを介して、異なるフィルタをそれぞれ用いて第１の関心領域画像Ｉ１５及び第２の関心領域画像Ｉ２５に対して分析を行う。
傾向分析モジュール２５は少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴を分析することで、腫瘍の進行傾向の判断に供される腫瘍の進行傾向の分析結果を得る。第１の画像及び第２の画像は治療前の画像又は治療後の画像とすることができる。第１の画像及び第２の画像が治療前の画像であるとき、腫瘍の進行傾向の分析結果は、放射線治療に対して良性腫瘍に反応がないことを予測するか、又は放射線治療に対して良性腫瘍に反応があることを予測するものとすることができる。第１の画像及び第２の画像が治療後の画像であるとき、腫瘍の進行傾向の分析結果は、放射線治療に対して良性腫瘍に反応がないことを判断するか、又は放射線治療に対して良性腫瘍に反応があることを判断するものとすることができる。腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応があるとき、その分析結果は、放射線治療に対して良性腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して良性腫瘍に反応があり且つ偽進行がないというものとすることができる。ここで、放射線治療に対して良性腫瘍に反応がない、又は放射線治療に対して良性腫瘍に反応があるというのは、良性腫瘍に対して放射線治療を行った後に、良性腫瘍に変化があるか否かを予測／判断するためのものであり、変化がある（大きくなる又は小さくなる）というのは放射線治療に対して良性腫瘍に反応があることであり、変化がないというのは放射線治療に対して良性腫瘍に反応がないということである。腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応（腫瘍が大きくなる又は腫瘍が小さくなることを含む）があるとき、その分析結果は、放射線治療に対して良性腫瘍に反応があり且つ偽進行がある（腫瘍が大きくなった後小さくなる）か、又は放射線治療に対して良性腫瘍に反応があり且つ偽進行がない（腫瘍が小さくなる）というものとすることができる。例えば、傾向分析モジュール２５は、例えばサポートベクターマシン（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ）、手動、又はギャップ分析（Ｇａｐ ａｎａｌｙｓｉｓ）を介して少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴を分析することで、腫瘍の進行傾向の分析結果を得ることができるが、これに限定されない。好ましくは、傾向分析モジュール２５はサポートベクターマシンを介して少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴の分析を行う。本実施例において、傾向分析モジュール２５には複数個の傾向パスを格納することができ、傾向分析モジュール２５は少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴により、これら傾向パスとの分析を行う。これら傾向パスは傾向分析モジュール２５が複数の参考画像に対して分析を行うことにより得られる。詳細には、良性腫瘍の進行傾向評価システム１００は複数個の参考画像を有することができ、これら参考画像はデータベース、又は傾向分析モジュール２５中に格納されることができ、傾向分析モジュール２５は、例えばサポートベクターマシン（但し、これに限定されない）を介してこれら参考画像への分析を行った後に複数の傾向パスを得るとともに、これら傾向パスを傾向分析モジュール２５中に格納することができる。傾向分析モジュール２５が、例えばサポートベクターマシン（但し、これに限定されない）を介して少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴に対して分析を行うときには、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴によりこれら傾向パスとの分析を行うことで、該少なくとも一つの第１の特徴及び該少なくとも一つの第２の特徴がどの傾向パスにより合致しているかを分析する。詳細な経過は後記することから、ここでは別途説明しない。
図１Ａ及び図４Ａを参照されたい。本実施例において、サーバコンピュータ装置２は更に、腫瘍の進行傾向の分析結果に基づいて判断結果を生成する判断モジュール２６を含むことができる。別の実施例において、サーバコンピュータ装置２は更に、判断結果を出力するための判断結果出力モジュール２７を含むことができる。詳細には、第１の画像Ｉ１１及び第２の画像Ｉ２１は治療前、又は治療後の画像とすることができ、第１の画像Ｉ１１及び第２の画像Ｉ２１が治療前の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応がないことを予測するものであるとき、判断結果はその他の治療を実施することを提案する。第１の画像Ｉ１１及び第２の画像Ｉ２１が治療前の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応がある（放射線治療に対して良性腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して良性腫瘍に反応があり且つ偽進行がないことを含む）ことを予測するものであるとき、判断結果は放射線治療を実施することを提案する。第１の画像Ｉ１１及び第２の画像Ｉ２１が治療後の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応がないと判断するものであるとき、判断結果はその他の治療を実施することを提案する。第１の画像Ｉ１１及び第２の画像Ｉ２１が治療後の画像であり、且つ腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応がある（放射線治療に対して良性腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して良性腫瘍に反応があり且つ偽進行がないことを含む）と判断するものであるとき、判断結果は引き続き経過観察することを提案する。
図１Ａを再度参照されたい。本実施例において、サーバコンピュータ装置２は更に、前述した画像受取モジュール２１、画像前処理モジュール２２、ターゲット抽出モジュール２３、特徴抽出モジュール２４、傾向分析モジュール２５、判断モジュール２６及び判断結果出力モジュール２７を実行することにより、前述した処理ルーチンを実行するプロセッサＳ１を含むことができる。
図１Ａを再度参照されたい。本実施例において、良性腫瘍の進行傾向評価システム１００は更に、サーバコンピュータ装置２が出力した判断結果を受け取るためのユーザコンピュータ装置３を含むことができる。
図２を参照すると同時に図１Ａを参照されたい。図２は本発明の良性腫瘍の進行傾向評価システムのサーバコンピュータ装置の概略図である。サーバコンピュータ装置２は良性腫瘍の進行傾向評価システム１００に応用される。良性腫瘍の進行傾向評価システム１００は、画像出力装置１と、サーバコンピュータ装置２とを含む。サーバコンピュータ装置２は、前述したモジュールを含むことができ、各モジュールが実行する処理ルーチン及び機能は既述であることから、ここでは別途説明しない。
図２に示すように、サーバコンピュータ装置２は更に、コンピュータ読み取り可能な記憶媒体Ｓ２と、通信手段Ｓ３と、表示手段Ｓ４と、入力手段Ｓ５と、筐体（図示せず）とを含み、サーバコンピュータ装置２は例えば、サーバ、携帯電話機、タブレット、ノート型パソコン、デスクトップ型パソコン又はその他のコンピュータ装置とすることができる。サーバ、携帯電話機、タブレット、ノート型パソコン、デスクトップ型パソコンは、プロセッサＳ１、コンピュータ読み取り可能な記憶媒体Ｓ２、及び通信手段Ｓ３を収容する筐体を含む。携帯電話機、タブレット、ノート型パソコンの表示手段Ｓ４及び入力手段Ｓ５は筐体上に装着されており、サーバ、デスクトップ型パソコンには本体以外の表示手段Ｓ４及び入力手段Ｓ５が接続される。
プロセッサＳ１は、コンピュータ読み取り可能な記憶媒体Ｓ２、通信手段Ｓ３、表示手段Ｓ４、及び入力手段Ｓ５に接続されて、前述したような画像受取モジュール２１、画像前処理モジュール２２、ターゲット抽出モジュール２３、特徴抽出モジュール２４、傾向分析モジュール２５、判断モジュール２６及び判断結果出力モジュール２７を実行するように設けられている。プロセッサＳ１は例えば、モジュール（例えばモジュール、ソースコード又はコマンド）を実行できるプロセッサＳ１であり、サーバコンピュータ装置２は一つ以上のプロセッサＳ１を含むことができ、プロセッサＳ１は一つ以上のコアを含むことができる。コンピュータ読み取り可能な記憶媒体Ｓ２は、ＲＡＭ又は不揮発性のコンピュータ読み取り可能な記憶媒体等を含み、不揮発性コンピュータ読み取り可能な記憶媒体は、プロセッサＳ１が実行可能なモジュール（例えばモジュール、ソースコード又はコマンド）を格納する、例えばＨＤＤ、ＳＳＤ、フラッシュメモリ等であり、プロセッサＳ１はモジュール（例えばモジュール、ソースコード又はコマンド）を不揮発性のコンピュータ読み取り可能な記憶媒体からＲＡＭに読み込んで実行することができる。通信手段Ｓ３は例えばネットワークカード、ネットワークチップ、モデム等のネットワーク接続を提供することができる装置である。表示手段Ｓ４は、ビデオカード、ビデオチップ、ディスプレイ等を含み、入力手段Ｓ５は例えばキーボード、マウス又はタッチディスプレイ等である。
上記実施例では、画像受取モジュール２１、画像前処理モジュール２２、ターゲット抽出モジュール２３、特徴抽出モジュール２４、傾向分析モジュール２５、判断モジュール２６及び判断結果出力モジュール２７をソフトウェア（Ｓｏｆｔｗａｒｅ）の形態でコンピュータ読み取り可能な記憶媒体Ｓ２中にてアクセスするとともにコンピュータ装置のプロセッサＳ１で実行されるものを例としたが、しかし、画像受取モジュール２１、画像前処理モジュール２２、ターゲット抽出モジュール２３、特徴抽出モジュール２４、傾向分析モジュール２５、判断モジュール２６及び判断結果出力モジュール２７はソフトウェア（Ｓｏｆｔｗａｒｅ）の形態でプロセッサＳ１のＲＡＭ中（図示せず）にてアクセスするようにしてもよい。又は、画像受取モジュール２１、画像前処理モジュール２２、ターゲット抽出モジュール２３、特徴抽出モジュール２４、傾向分析モジュール２５、判断モジュール２６及び判断結果出力モジュール２７はハードウェア（Ｈａｒｄｗａｒｅ）の形態［例えば特定用途向け集積回路（ＡＳＩＣ）であるが、これに限定されない］で、プロセッサＳ１に接続されて（図示せず）その機能を実行することができる。又は、画像受取モジュール２１、画像前処理モジュール２２、ターゲット抽出モジュール２３、特徴抽出モジュール２４、傾向分析モジュール２５、判断モジュール２６及び判断結果出力モジュール２７はファームウェア（Ｆｉｒｍｗａｒｅ）の形態であり、例えばＡＳＩＣのプログラム中に組み込まれてもよく（図示せず）、本発明では制限しない。
また、ユーザコンピュータ装置３は、プロセッサと、コンピュータ読み取り可能な記憶媒体と、通信手段と、表示手段と、入力手段と、筐体（図示せず）とを含んでもよく、ユーザコンピュータ装置３は例えば携帯電話機、タブレット、ノート型パソコン、デスクトップ型パソコン又はその他のコンピュータ装置とすることができる。携帯電話機、タブレット、ノート型パソコン、デスクトップ型パソコンは、プロセッサ、コンピュータ読み取り可能な記憶媒体、及び通信手段を収容するための筐体を含む。携帯電話機、タブレット、ノート型パソコンの表示手段及び入力手段は筐体上に装着されており、デスクトップ型パソコンには本体以外の表示手段及び入力手段が接続されている。ユーザコンピュータ装置３はサーバコンピュータ装置２が出力した判断結果を受け取るために、例えばネットワーク（但し、これに限定されない）を介して、サーバコンピュータ装置２と通信するように接続される。
本発明の良性腫瘍の進行傾向評価システム１００の動作方法を説明するために、図３を参照すると同時に、図１Ａ、図１Ｂ、図４Ａないし図４Ｅを参照されたい。図３は本発明の良性腫瘍の進行傾向評価システムの実施手順の概略図である。図示するように、まず、画像出力装置１を介して、良性腫瘍の同じ位置で取得した第１の画像Ｉ１１及び第２の画像Ｉ２１をサーバコンピュータ装置２に出力する。続いて、サーバコンピュータ装置２が画像受取モジュール２１を介して、画像出力装置１が出力した第１の画像Ｉ１１及び第２の画像Ｉ２１を受け取る。サーバコンピュータ装置２が更に画像前処理モジュール２２を介して、それぞれ第１の画像Ｉ１１及び第２の画像Ｉ２１に対して画像前処理を行うことで、それぞれ第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４を得る。前記した画像前処理は、画像調整ユニット２２１を介して、それぞれ第１の画像Ｉ１１及び第２の画像Ｉ２１の明度、明晰度に対して調整を行うとともに背景を消去することで、第１の調整画像Ｉ１２及び第２の調整画像Ｉ２２を得ることと、画像補正ユニット２２２を介して、第１の調整画像Ｉ１２で第２の調整画像Ｉ２２の位置を補正することで、第１の補正画像Ｉ１３及び第２の補正画像Ｉ２３を得ることと、局部画像取得ユニット２２３を介して、それぞれ第１の補正画像Ｉ１３及び第２の補正画像Ｉ２３に対して局部画像を取得することで、第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４を得ることとを含む。次ぎに、サーバコンピュータ装置２は更に、ターゲット抽出モジュール２３を介して、それぞれ第１の局部画像Ｉ１４及び第２の局部画像Ｉ２４に対して自動検出を行うとともに良性腫瘍の位置を囲って選択することで、それぞれ第１の関心領域画像Ｉ１５及び第２の関心領域画像Ｉ２５を得る。続いて、サーバコンピュータ装置２は更に、特徴抽出モジュール２４を介して、それぞれ第１の関心領域画像Ｉ１５及び第２の関心領域画像Ｉ２５に対して自動識別を行うことで、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴をそれぞれ得る。そして、サーバコンピュータ装置２は更に、傾向分析モジュール２５を介して、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴を分析することで、腫瘍の進行傾向の分析結果を得る。その後、サーバコンピュータ装置２は更に、判断モジュール２６を介して、腫瘍の進行傾向の分析結果に基づいて判断結果を生成した後、判断結果出力モジュール２７を介して、該判断結果をユーザコンピュータ装置３に出力する。最後に、ユーザコンピュータ装置３はサーバコンピュータ装置２から出力した判断結果を受け取る。簡単に言えば、画像出力装置１は良性腫瘍の同じ位置で取得した第１の画像Ｉ１１及び第２の画像Ｉ２１をサーバコンピュータ装置２に出力し、サーバコンピュータ装置２は各種モジュールを介して該第１の画像Ｉ１１及び該第２の画像Ｉ２１に対して自動処理を行った後、判断結果を得るとともに、該判断結果をユーザコンピュータ装置３に出力する、というものである。ここで、画像出力装置１は例えばユニバーサル・シリアル・バス（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ，ＵＳＢ）ポート、光学ディスク、フロッピーディスク、コンピュータ装置、又は核磁気共鳴断層撮影装置等といった画像を保存するとともに出力できる装置であるが、これらに限定されない。サーバコンピュータ装置２、ユーザコンピュータ装置３の実例は既述であることから、ここでは別途説明しない。
実験例
（参考画像データベース）
参考画像の出所は台北栄民総合病院が１９９３年ないし２０１９年に治療した３３６例の患者であって、これら患者には聴神経腫瘍があったが、腫瘍を切除するような外科手術は行っておらず、しかも放射線外科手術後少なくとも２４ヶ月の経過観察を行っている（経過観察の中央値は６５.１ヶ月）。本研究を行った患者はいずれも当該院の治験審査委員会（Ｉｎｓｔｉｔｕｔｉｏｎａｌ Ｒｅｖｉｅｗ Ｂｏａｒｄ，ＩＲＢ）が批准した告知同意書に署名済みである。参考画像は、１.５-Ｔ ＭＲ走査装置（Ｓｉｇｎａ Ｈｏｒｉｚｏｎ ＬＸ２，ＧＥ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍ）を使用して患者が放射線治療を受ける前、放射線治療後及び経過観察で得られたＴ１Ｗ＋Ｃ画像、Ｔ２Ｗ画像及びＴ１Ｗ画像を含むＭＲＩ画像であって、ここでの放射線治療とはＧＫＲＳのことを指す。続いて経験が豊富な神経放射線科の医師によって放射線治療前、放射線治療後及び経過観察時のＭＲＩ画像から腫瘍体積に対して縦方向計測を行った（ｃｍ３を単位とする）。放射線治療（ＧＫＲＳ）に対するＶＳの反応によって、患者を更に、腫瘍に反応あり且つ偽進行なし（１３０例）と、腫瘍に反応があり且つ偽進行あり（１３５例）と、腫瘍に反応なし（７１例）とを含む３つのグループに分けた。表１には前記した３つのグループの患者の臨床特徴を示している。
（参考画像データベース）
参考画像の出所は台北栄民総合病院が１９９３年ないし２０１９年に治療した３３６例の患者であって、これら患者には聴神経腫瘍があったが、腫瘍を切除するような外科手術は行っておらず、しかも放射線外科手術後少なくとも２４ヶ月の経過観察を行っている（経過観察の中央値は６５.１ヶ月）。本研究を行った患者はいずれも当該院の治験審査委員会（Ｉｎｓｔｉｔｕｔｉｏｎａｌ Ｒｅｖｉｅｗ Ｂｏａｒｄ，ＩＲＢ）が批准した告知同意書に署名済みである。参考画像は、１.５-Ｔ ＭＲ走査装置（Ｓｉｇｎａ Ｈｏｒｉｚｏｎ ＬＸ２，ＧＥ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍ）を使用して患者が放射線治療を受ける前、放射線治療後及び経過観察で得られたＴ１Ｗ＋Ｃ画像、Ｔ２Ｗ画像及びＴ１Ｗ画像を含むＭＲＩ画像であって、ここでの放射線治療とはＧＫＲＳのことを指す。続いて経験が豊富な神経放射線科の医師によって放射線治療前、放射線治療後及び経過観察時のＭＲＩ画像から腫瘍体積に対して縦方向計測を行った（ｃｍ３を単位とする）。放射線治療（ＧＫＲＳ）に対するＶＳの反応によって、患者を更に、腫瘍に反応あり且つ偽進行なし（１３０例）と、腫瘍に反応があり且つ偽進行あり（１３５例）と、腫瘍に反応なし（７１例）とを含む３つのグループに分けた。表１には前記した３つのグループの患者の臨床特徴を示している。
表１：３３６例ＶＳ患者の臨床データ
表１に示すように、表１には３３６名分のＶＳ患者の臨床データを示している。３つのグループの間の患者の年齢、性別、ＧＫＲＳ規定用量及びＧＫＲＳ最大用量に顕著な相違はなかった。腫瘍に反応なしグループの腫瘍総体積は、腫瘍に反応があり且つ偽進行なしのグループよりも明らかに小さかった（ｐ <０.００１）。ＧＫＲＳ治療後の腫瘍体積の変化に関しては、反応があり且つ偽進行なしグループの６ヶ月から最終的な経過観察の間で、腫瘍体積が-１３.１±１７.４％から-６６.０±２０.６％にまで徐々に減少した。反応があり且つ偽進行ありのグループでは異なっており、６ヶ月の経過観察の画像中では、腫瘍体積が顕著に増加し（３７.２±３２.６％）、その後、最終的な経過観察まで-４８.３±２２.４％にまで徐々に減少した。腫瘍に反応なしグループについては、腫瘍体積は６ヶ月の経過観察時の２９.４±３５.１％から最終的な経過観察時の４８.９±９３.７％にまで増加した。
（画像前処理）
３３６例の患者のＭＲＩ画像に対しては、前処理を行うことで、画像パラメータの差を減少するとともにラジオミクス（Ｒａｄｉｏｍｉｃｓ）分析の信頼性を向上している。まず、画像明晰度（解像度）の調整を行うことで、全ての画素のサイズを新たに０.５０×０.５０×３.００ｍｍ３にサンプリングするとともに、ＭＲ作像毎の連続切片の間の隙間をなくす。続いて、６つパラメータの剛体変換及び相互情報量（ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ）演算法を用いて、同じ患者にて同時点で撮影したＴ２Ｗ画像及びＴ１Ｗ画像をＴ１Ｗ＋Ｃ画像で位置補正を行う。その後、良性腫瘍（良性腫瘍の周辺組織を含む）の局部画像を取得するとともに良性腫瘍の位置を囲って選択することで、関心領域画像を得る。
３３６例の患者のＭＲＩ画像に対しては、前処理を行うことで、画像パラメータの差を減少するとともにラジオミクス（Ｒａｄｉｏｍｉｃｓ）分析の信頼性を向上している。まず、画像明晰度（解像度）の調整を行うことで、全ての画素のサイズを新たに０.５０×０.５０×３.００ｍｍ３にサンプリングするとともに、ＭＲ作像毎の連続切片の間の隙間をなくす。続いて、６つパラメータの剛体変換及び相互情報量（ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ）演算法を用いて、同じ患者にて同時点で撮影したＴ２Ｗ画像及びＴ１Ｗ画像をＴ１Ｗ＋Ｃ画像で位置補正を行う。その後、良性腫瘍（良性腫瘍の周辺組織を含む）の局部画像を取得するとともに良性腫瘍の位置を囲って選択することで、関心領域画像を得る。
（傾向パスの作成）
続いて、関心領域画像に対してラジオミクスの分析を行うことで、そのグレーレベル特徴及びテクスチャ特徴を計算するとともに、これら特徴に対して統計比較を行い、３つのグループの患者の間で顕著な相違を有する特徴を分析することで、傾向パスを作成する。
続いて、関心領域画像に対してラジオミクスの分析を行うことで、そのグレーレベル特徴及びテクスチャ特徴を計算するとともに、これら特徴に対して統計比較を行い、３つのグループの患者の間で顕著な相違を有する特徴を分析することで、傾向パスを作成する。
放射線治療に対して良性腫瘍に反応ありグループ、又は放射線治療に対して良性腫瘍に反応なしグループの間には顕著に異なる特徴を有している。
放射線治療に対して良性腫瘍に反応があり（以下「腫瘍に反応あり」、又は「反応あり」と言う）グループと、放射線治療に対して良性腫瘍に反応なし（以下「腫瘍に反応なし」、又は「反応なし」と言う）グループとの間には、３種類の特徴に顕著な相違が現れており（ｐ < ３.６５ｘ１０-５）、下表２に記録している。前記した３種類の特徴は、腫瘍が嚢胞性であるか、又は疎性結合組織であるかを表すのに用いられ、それぞれが、Ｔ２Ｗ画像中からヒストグラムフィルタを用いて得られた標準偏差及び二乗平均平方根を含むグレーレベル特徴、及びＴ１Ｗ＋Ｃ画像中からローカルバイナリパターンフィルタを用いて得られたローカルバイナリパターン平均値であるテクスチャ特徴である。
放射線治療に対して良性腫瘍に反応があり且つ偽進行なしグループ、又は放射線治療に対して良性腫瘍に反応あり且つ偽進行ありグループの間には顕著に異なる特徴を有している。
放射線治療に対して良性腫瘍に反応があり且つ偽進行なし（以下「腫瘍に反応あり且つ偽進行なし」、又は「反応あり且つ偽進行なし」と言う）グループと、放射線治療に対して良性腫瘍に反応があり且つ偽進行あり（以下「腫瘍に反応あり且つ偽進行あり」、又は「反応あり且つ偽進行あり」と言う）グループとの間には、３つの特徴に顕著な相違が見られており（ｐ < ３.６５ｘ１０-５）、下表３に記録している。前記した３つの特徴はそれぞれ、Ｔ１Ｗ＋Ｃ画像中からグレーレベルランレングスマトリクスフィルタを用いて得られたロングラン低グレーレベル強調であるテクスチャ特徴、ヒストグラムフィルタを用いて得られた歪度であるグレーレベル特徴、及び、Ｔ２Ｗ画像中からヒストグラムフィルタを用いて得られた標準偏差であるグレーレベル特徴である。Ｔ２Ｗ画像で得られた標準偏差特徴は、放射線治療に対して腫瘍に反応があるか否かを区別するのに用いることができ、放射線治療に対して腫瘍に反応があるとき、更に、腫瘍に反応があり且つ偽進行なし、又は反応あり且つ偽進行があるということを区別するのに用いることができる。
上記３３６名のＶＳ患者のＭＲＩ画像で得られた上記特徴を、それぞれ分析して、表２の特徴を１回目の評価に用いて、表３の特徴を２回目の評価に用いている。１回目の評価は放射線治療に対して良性腫瘍に反応あり、又は反応なしを区別可能な傾向パスを作成するのに用いられ、２回目の評価は放射線治療に対して良性腫瘍に反応があり且つ偽進行あり、又は反応があり且つ偽進行なしを区別可能な傾向パスを作成するのに用いられる。
（放射線治療に対して良性腫瘍に反応があり、又は反応がなしを予測／判断するのに用いる）
１回目の評価で作成した傾向パスを説明するための図５Ａないし図５Ｃを参照されたい。図５Ａないし図５Ｃは、本発明の良性腫瘍の進行傾向評価システムが腫瘍特徴を用いて腫瘍の進行傾向の分析結果を得る概略図であり、該腫瘍の進行傾向の分析結果は放射線治療に対して腫瘍に反応がないか、又は放射線治療に対して腫瘍に反応があるかである。図５Ａに示すように、図５Ａには複数の参考画像の腫瘍特徴の３Ｄ分布図を示し、腫瘍に反応なしグループは白抜き点であり、腫瘍に反応ありグループは黒塗り点であって、２つのグループのローカルバイナリパターン平均値、標準偏差、二乗平均平方根特徴の３Ｄ分布は概ね区別することができる。２つのグループの間には、異なる傾向パスをそれぞれ作成しているグレー表面が形成されている。前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、分析を通じてその特徴がグレー表面の黒塗り点寄りの側にあるか、又はグレー表面の白抜き点寄りの側にあることが分かり、つまり、放射線治療に対する該新たな腫瘍画像の腫瘍に反応がなし、又は反応がある、ということが分かる。図５Ｂに示すように、図５Ｂは図５Ａの腫瘍特徴分布から変換された予測モデルスコア図であり、２つのグループの予測モデルスコアは破線で区別することができ、前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、その特徴３Ｄ分布図をスコアに変換するとともに、該スコアが破線以上又は以下に収まるかを分析することで、放射線治療に対する該新たな腫瘍画像の腫瘍に反応がなし、又は反応がある、ということが分かる。図５Ｃに示すように、図５Ｃは放射線治療に対して腫瘍に反応がないか、又は放射線治療に対して腫瘍に反応があるか否かを評価するための受取者操作特徴グラフである。前記した３種類の特徴を、放射線治療に対して腫瘍に反応がなし、又は反応がありを予測／判断するのに用いるとき、その平均曲線下面積（Ａｒｅａ ｕｎｄｅｒ ｔｈｅ ｃｕｒｖｅ，ＡＵＣ） = ０.８７７（感度= ８６.４％，特異性= ９０.５％，精度= ８８.４％）である。前記した３種類の特徴値は例えば手動、サポートベクターマシン、ギャップ分析等の異なる方式により、図５Ａないし図５Ｃの結果を得るが、これらに限定されない。
１回目の評価で作成した傾向パスを説明するための図５Ａないし図５Ｃを参照されたい。図５Ａないし図５Ｃは、本発明の良性腫瘍の進行傾向評価システムが腫瘍特徴を用いて腫瘍の進行傾向の分析結果を得る概略図であり、該腫瘍の進行傾向の分析結果は放射線治療に対して腫瘍に反応がないか、又は放射線治療に対して腫瘍に反応があるかである。図５Ａに示すように、図５Ａには複数の参考画像の腫瘍特徴の３Ｄ分布図を示し、腫瘍に反応なしグループは白抜き点であり、腫瘍に反応ありグループは黒塗り点であって、２つのグループのローカルバイナリパターン平均値、標準偏差、二乗平均平方根特徴の３Ｄ分布は概ね区別することができる。２つのグループの間には、異なる傾向パスをそれぞれ作成しているグレー表面が形成されている。前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、分析を通じてその特徴がグレー表面の黒塗り点寄りの側にあるか、又はグレー表面の白抜き点寄りの側にあることが分かり、つまり、放射線治療に対する該新たな腫瘍画像の腫瘍に反応がなし、又は反応がある、ということが分かる。図５Ｂに示すように、図５Ｂは図５Ａの腫瘍特徴分布から変換された予測モデルスコア図であり、２つのグループの予測モデルスコアは破線で区別することができ、前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、その特徴３Ｄ分布図をスコアに変換するとともに、該スコアが破線以上又は以下に収まるかを分析することで、放射線治療に対する該新たな腫瘍画像の腫瘍に反応がなし、又は反応がある、ということが分かる。図５Ｃに示すように、図５Ｃは放射線治療に対して腫瘍に反応がないか、又は放射線治療に対して腫瘍に反応があるか否かを評価するための受取者操作特徴グラフである。前記した３種類の特徴を、放射線治療に対して腫瘍に反応がなし、又は反応がありを予測／判断するのに用いるとき、その平均曲線下面積（Ａｒｅａ ｕｎｄｅｒ ｔｈｅ ｃｕｒｖｅ，ＡＵＣ） = ０.８７７（感度= ８６.４％，特異性= ９０.５％，精度= ８８.４％）である。前記した３種類の特徴値は例えば手動、サポートベクターマシン、ギャップ分析等の異なる方式により、図５Ａないし図５Ｃの結果を得るが、これらに限定されない。
（予測／判断結果が反応ありであったとき、放射線治療に対して反応があり且つ偽進行あり、又は反応があり且つ偽進行なし、を更に予測／判断する）
２回目の評価で作成した傾向パスを説明するための図６Ａないし図６Ｃを参照されたい。図６Ａないし図６Ｃは、本発明の良性腫瘍の進行傾向評価システムが腫瘍特徴を用いて腫瘍の進行傾向の分析結果を得る概略図であり、該腫瘍の進行傾向の分析結果は放射線治療に対して腫瘍に反応があり且つ偽進行あり、又は放射線治療に対して腫瘍に反応があり且つ偽進行なしである。図６Ａに示すように、図６Ａには複数の参考画像の腫瘍特徴の３Ｄ分布図を示し、腫瘍に反応があり且つ偽進行ありグループは白抜き点であり、腫瘍に反応があり且つ偽進行なしグループは黒塗り点であって、２つのグループのロングラン低グレーレベル強調、標準偏差、歪度特徴の３Ｄ分布は概ね区別することができる。２つグループの間には、異なる傾向パスをそれぞれ作成しているグレー表面が形成されている。前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、分析を通じてその特徴がグレー表面の黒塗り点寄りの側にあるか、又はグレー表面の白抜き点寄りの側にあることが分かり、つまり、放射線治療に対する該新たな腫瘍画像の腫瘍に反応があり且つ偽進行なし、又は反応があり且つ偽進行がある、ということが分かる。図６Ｂに示すように、図６Ｂは図６Ａの腫瘍特徴分布から変換された予測モデルスコア図であり、２つのグループの予測モデルスコアは破線で区別することができ、前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、その特徴３Ｄ分布図をスコアに変換するとともに、該スコアが破線以上又は以下に収まるかを分析することで、放射線治療に対する該新たな腫瘍画像の腫瘍に反応があり且つ偽進行なし、又は反応があり且つ偽進行あり、ということが分かる。図６Ｃに示すように、図６Ｃは放射線治療に対して腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して腫瘍に反応があり且つ偽進行がないことを評価するための受取者操作特徴グラフである。前記した３種類の特徴を、放射線治療に対して腫瘍に反応があり且つ偽進行なし、又は反応があり且つ偽進行ありを予測／判断するのに用いるとき、そのＡＵＣ = ０.８１６（感度= ７９.５％，特異性= ８４.６％，精度＝ ８２.１％）である。前記した３種類の特徴値は例えば手動、サポートベクターマシン、ギャップ分析等の方法を用いて、図６Ａないし図６Ｃの結果を得るが、これら限定されない。
２回目の評価で作成した傾向パスを説明するための図６Ａないし図６Ｃを参照されたい。図６Ａないし図６Ｃは、本発明の良性腫瘍の進行傾向評価システムが腫瘍特徴を用いて腫瘍の進行傾向の分析結果を得る概略図であり、該腫瘍の進行傾向の分析結果は放射線治療に対して腫瘍に反応があり且つ偽進行あり、又は放射線治療に対して腫瘍に反応があり且つ偽進行なしである。図６Ａに示すように、図６Ａには複数の参考画像の腫瘍特徴の３Ｄ分布図を示し、腫瘍に反応があり且つ偽進行ありグループは白抜き点であり、腫瘍に反応があり且つ偽進行なしグループは黒塗り点であって、２つのグループのロングラン低グレーレベル強調、標準偏差、歪度特徴の３Ｄ分布は概ね区別することができる。２つグループの間には、異なる傾向パスをそれぞれ作成しているグレー表面が形成されている。前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、分析を通じてその特徴がグレー表面の黒塗り点寄りの側にあるか、又はグレー表面の白抜き点寄りの側にあることが分かり、つまり、放射線治療に対する該新たな腫瘍画像の腫瘍に反応があり且つ偽進行なし、又は反応があり且つ偽進行がある、ということが分かる。図６Ｂに示すように、図６Ｂは図６Ａの腫瘍特徴分布から変換された予測モデルスコア図であり、２つのグループの予測モデルスコアは破線で区別することができ、前述した方法により新たな腫瘍画像のこの３種類の特徴を得たときに、その特徴３Ｄ分布図をスコアに変換するとともに、該スコアが破線以上又は以下に収まるかを分析することで、放射線治療に対する該新たな腫瘍画像の腫瘍に反応があり且つ偽進行なし、又は反応があり且つ偽進行あり、ということが分かる。図６Ｃに示すように、図６Ｃは放射線治療に対して腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して腫瘍に反応があり且つ偽進行がないことを評価するための受取者操作特徴グラフである。前記した３種類の特徴を、放射線治療に対して腫瘍に反応があり且つ偽進行なし、又は反応があり且つ偽進行ありを予測／判断するのに用いるとき、そのＡＵＣ = ０.８１６（感度= ７９.５％，特異性= ８４.６％，精度＝ ８２.１％）である。前記した３種類の特徴値は例えば手動、サポートベクターマシン、ギャップ分析等の方法を用いて、図６Ａないし図６Ｃの結果を得るが、これら限定されない。
上記をまとめるに、本発明の腫瘍の増殖傾向評価システムは、腫瘍画像に基づいて、患者の将来における腫瘍の進行傾向を自動的に評価でき、評価結果に基づいて医療従事者に異なるアドバイスを提供することで、患者毎により好ましい治療方法をそれぞれ提供し、ひいては良性腫瘍の治療効果を向上することができる。また、このシステムは、該患者に腫瘍の偽進行が発生する恐れがあるか否かを評価するのに用いることで、予め患者に告知し、患者の疑念及び医療従事者のストレスを軽減するのに更に寄与することができる。
上記は単に例示に過ぎず、限定するものではない。本発明の技術思想及び範囲を超えることなく、これに対して行う等価の修正又は変更のいずれも、別紙の特許請求の範囲に含まれるものである。
１００ 良性腫瘍の進行傾向評価システム
１ 画像出力装置
２ サーバコンピュータ装置
２１ 画像受取モジュール
２２ 画像前処理モジュール
２２１ 画像調整ユニット
２２２ 画像補正ユニット
２２３ 局部画像取得ユニット
２３ ターゲット抽出モジュール
２４ 特徴抽出モジュール
２５ 傾向分析モジュール
２６ 判断モジュール
２７ 判断結果出力モジュール
３ ユーザコンピュータ装置
Ｉ１１ 第１の画像
Ｉ１２ 第１の調整画像
Ｉ１３ 第１の補正画像
Ｉ１４ 第１の局部画像
Ｉ１５ 第１の関心領域画像
Ｉ２１ 第２の画像
Ｉ２２ 第２の調整画像
Ｉ２３ 第２の補正画像
Ｉ２４ 第２の局部画像
Ｉ２５ 第２の関心領域画像
Ｓ１ プロセッサ
Ｓ２ コンピュータ読み取り可能な記憶媒体
Ｓ３ 通信手段
Ｓ４ 表示手段
Ｓ５ 入力手段
１ 画像出力装置
２ サーバコンピュータ装置
２１ 画像受取モジュール
２２ 画像前処理モジュール
２２１ 画像調整ユニット
２２２ 画像補正ユニット
２２３ 局部画像取得ユニット
２３ ターゲット抽出モジュール
２４ 特徴抽出モジュール
２５ 傾向分析モジュール
２６ 判断モジュール
２７ 判断結果出力モジュール
３ ユーザコンピュータ装置
Ｉ１１ 第１の画像
Ｉ１２ 第１の調整画像
Ｉ１３ 第１の補正画像
Ｉ１４ 第１の局部画像
Ｉ１５ 第１の関心領域画像
Ｉ２１ 第２の画像
Ｉ２２ 第２の調整画像
Ｉ２３ 第２の補正画像
Ｉ２４ 第２の局部画像
Ｉ２５ 第２の関心領域画像
Ｓ１ プロセッサ
Ｓ２ コンピュータ読み取り可能な記憶媒体
Ｓ３ 通信手段
Ｓ４ 表示手段
Ｓ５ 入力手段
Claims (10)
- 良性腫瘍の進行傾向評価システムであって、
良性腫瘍の同じ位置で取得した第１の画像及び第２の画像を出力するための画像出力装置と、
サーバコンピュータ装置と、を備え、
その中、前記第１の画像及び前記第２の画像は前記画像出力装置の異なるパラメータで撮影して得られた画像であり、
前記サーバコンピュータ装置は、
前記第１の画像及び前記第２の画像を受け取る画像受取モジュールと、
それぞれ前記第１の画像及び前記第２の画像に対して画像前処理を行うことで、それぞれ第１の局部画像及び第２の局部画像を得る画像前処理モジュールと、
それぞれ前記第１の局部画像及び前記第２の局部画像に対して自動検出を行うとともに前記良性腫瘍の位置を囲って選択することで、それぞれ第１の関心領域画像及び第２の関心領域画像を得るターゲット抽出モジュールと、
それぞれ前記第１の関心領域画像及び前記第２の関心領域画像に対して自動識別を行うことで、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴をそれぞれ得る特徴抽出モジュールと、
前記少なくとも一つの第１の特徴及び前記少なくとも一つの第２の特徴を分析することで、腫瘍の進行傾向の判断に供される腫瘍の進行傾向の分析結果を得る傾向分析モジュールと、
前記腫瘍の進行傾向の分析結果に基づいて判断結果を生成する判断モジュールと、を備え、
前記第１の画像及び前記第２の画像は治療前の画像又は治療後の画像であり、前記第１の画像及び前記第２の画像が治療前の画像であるとき、前記腫瘍の進行傾向の分析結果は、放射線治療に対して前記良性腫瘍に反応がないことを予測するか、又は放射線治療に対して前記良性腫瘍に反応があることを予測するものであり、前記第１の画像及び前記第２の画像が治療後の画像であるとき、前記腫瘍の進行傾向の分析結果は、放射線治療に対して前記良性腫瘍に反応がないことを判断するか、又は放射線治療に対して前記良性腫瘍に反応があることを判断するものであり、前記腫瘍の進行傾向の分析結果が放射線治療に対して良性腫瘍に反応があるとき、その分析結果は、放射線に対して前記良性腫瘍に反応があり且つ偽進行があるか、又は放射線治療に対して前記良性腫瘍に反応があり且つ偽進行がないというものであり、
前記第１の画像及び前記第２の画像が治療前の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応がないと予測するものであるとき、前記判断結果はその他の治療を実施するものであり、前記第１の画像及び前記第２の画像が治療前の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応があると予測するものであるとき、前記判断結果は放射線治療を行うよう提案するものであり、
前記第１の画像及び前記第２の画像が治療後の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応がないと判断するものであるとき、前記判断結果はその他の治療を実施するよう提案するものであり、及び、前記第１の画像及び前記第２の画像が治療後の画像であり、且つ前記腫瘍の進行傾向の分析結果が放射線治療に対して前記良性腫瘍に反応があると判断するものであるとき、前記判断結果は引き続き経過観察することを提案するものであることを特徴とする良性腫瘍の進行傾向評価システム。 - 前記画像前処理モジュールは、
それぞれ前記第１の画像及び前記第２の画像の明度、明晰度に対して調整を行うとともに背景を消去して、第１の調整画像及び第２の調整画像を得る画像調整ユニットと、
前記第１の調整画像で前記第２の調整画像の位置を補正することで、第１の補正画像及び第２の補正画像を得る画像補正ユニットと、
それぞれ前記第１の補正画像及び前記第２の補正画像に対して局部画像を取得することで、前記第１の局部画像及び前記第２の局部画像を得る局部画像取得ユニットと、を備え、
前記第１の局部画像及び前記第２の局部画像は前記良性腫瘍及び前記良性腫瘍の周辺組織の画像をカバーする、請求項１に記載のシステム。 - 前記傾向分析モジュールには複数個の傾向パスが格納されており、前記傾向分析モジュールは前記少なくとも一つの第１の特徴及び前記少なくとも一つの第２の特徴により、これら傾向パスとの分析を行うものであり、これら傾向パスは前記傾向分析モジュールが複数の参考画像に対して分析を行うことにより得られる、請求項１に記載のシステム。
- 前記サーバコンピュータ装置は更に、前記判断結果を出力する判断結果出力モジュールと、前記画像受取モジュール、前記画像前処理モジュール、前記ターゲット抽出モジュール、前記特徴抽出モジュール、前記傾向分析モジュール、前記判断モジュール及び判断結果出力モジュールを実行するプロセッサと、を備える、請求項１に記載のシステム。
- 更に、前記サーバコンピュータ装置から出力した前記判断結果を受け取るためのユーザコンピュータ装置を備える、請求項４に記載のシステム。
- 前記第１の画像と前記第２の画像はコントラストが異なっており、前記少なくとも一つの第１の特徴はテクスチャ特徴、又はグレーレベル特徴を含み、前記少なくとも一つの第２の特徴はテクスチャ特徴、又はグレーレベル特徴を含む、請求項１に記載のシステム。
- 前記良性腫瘍は聴神経腫瘍、髄膜腫、下垂体腫瘍、神経細胞性腫瘍、又は頭蓋咽頭腫である、請求項１に記載のシステム。
- 良性腫瘍の進行傾向評価システムに応用されるサーバコンピュータ装置であって、
良性腫瘍の同じ位置で取得した第１の画像及び第２の画像を受け取り、前記第１の画像及び前記第２の画像は画像出力装置の異なるパラメータで撮影して得られた画像である画像受取モジュールと、
それぞれ前記第１の画像及び前記第２の画像に対して画像前処理を行うことで、それぞれ第１の局部画像及び第２の局部画像を得る画像前処理モジュールと、
それぞれ前記第１の局部画像及び前記第２の局部画像に対して自動検出を行うとともに前記良性腫瘍の位置を囲って選択することで、それぞれ第１の関心領域画像及び第２の関心領域画像を得るターゲット抽出モジュールと、
それぞれ前記第１の関心領域画像及び前記第２の関心領域画像に対して自動識別を行うことで、少なくとも一つの第１の特徴及び少なくとも一つの第２の特徴をそれぞれ得る特徴抽出モジュールと、
前記少なくとも一つの第１の特徴及び前記少なくとも一つの第２の特徴を分析することで、腫瘍の進行傾向の判断に供される腫瘍の進行傾向の分析結果を得る傾向分析モジュールと、
前記腫瘍の進行傾向の分析結果に基づいて判断結果を生成する判断モジュールと、前記画像受取モジュール、前記画像前処理モジュール、前記ターゲット抽出モジュール、前記特徴抽出モジュール、前記傾向分析モジュール及び前記判断モジュールを実行するプロセッサと、を備える、ことを特徴とするサーバコンピュータ装置。
- 前記画像前処理モジュールは、
それぞれ前記第１の画像及び前記第２の画像の明度、明晰度に対して調整を行うとともに背景を消去して、第１の調整画像及び第２の調整画像を得る画像調整ユニットと、
前記第１の調整画像で前記第２の調整画像の位置を補正することで、第１の補正画像及び第２の補正画像を得る画像補正ユニットと、
それぞれ前記第１の補正画像及び前記第２の補正画像に対して局部画像を取得することで、前記第１の局部画像及び前記第２の局部画像を得る局部画像取得ユニットと、を備え、
前記第１の局部画像及び前記第２の局部画像は前記良性腫瘍及び前記良性腫瘍の周辺組織の画像をカバーする、請求項８に記載のサーバコンピュータ装置。 - 良性腫瘍の進行傾向評価システムに応用されるコンピュータ読み取り可能な記憶媒体であって、前記記憶媒体は請求項１ないし７のいずれか一項に記載のモジュールを格納しており、これらモジュールはコンピュータ装置のプロセッサでの実行に供される、ことを特徴とする記憶媒体。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109106437 | 2020-02-27 | ||
| TW109106437A TWI743693B (zh) | 2020-02-27 | 2020-02-27 | 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021133255A JP2021133255A (ja) | 2021-09-13 |
| JP7198300B2 true JP7198300B2 (ja) | 2022-12-28 |
Family
ID=74758701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021029127A Active JP7198300B2 (ja) | 2020-02-27 | 2021-02-25 | 良性腫瘍の進行傾向評価システム、そのサーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11475563B2 (ja) |
| EP (1) | EP3872758A1 (ja) |
| JP (1) | JP7198300B2 (ja) |
| CN (1) | CN113313667A (ja) |
| TW (1) | TWI743693B (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838071A (zh) * | 2021-09-29 | 2021-12-24 | 杭州海心智医信息科技有限公司 | 一种肿瘤特征提取装置 |
| CN114170221B (zh) * | 2021-12-23 | 2023-04-07 | 深圳市铱硙医疗科技有限公司 | 一种基于图像确认脑部疾病方法与系统 |
| CN116664563B (zh) * | 2023-07-27 | 2023-11-24 | 浙江杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150087957A1 (en) | 2013-09-25 | 2015-03-26 | Siemens Aktiengesellschaft | Early therapy response assessment of lesions |
| JP2017518157A (ja) | 2014-06-17 | 2017-07-06 | インテュイティヴ・セラピューティクス・ソシエテ・アノニム | 逆方向治療計画用のシステム及びコンピュータプログラム製品 |
| JP2018187384A (ja) | 2017-05-09 | 2018-11-29 | キヤノンメディカルシステムズ株式会社 | 医用情報処理システム及び医用情報処理装置 |
| US20190050983A1 (en) | 2017-08-09 | 2019-02-14 | Canon Kabushiki Kaisha | Image processing system, apparatus, method and storage medium |
| JP2020010805A (ja) | 2018-07-17 | 2020-01-23 | 大日本印刷株式会社 | 特定装置、プログラム、特定方法、情報処理装置及び特定器 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| USRE47609E1 (en) * | 2007-12-28 | 2019-09-17 | Exini Diagnostics Ab | System for detecting bone cancer metastases |
| US10013638B2 (en) * | 2008-08-14 | 2018-07-03 | Ping Zhang | Cancer diagnostic method and system |
| US20120010528A1 (en) * | 2010-04-26 | 2012-01-12 | Aureon Biosciences, Inc. | Systems and methods for predicting disease progression in patients treated with radiotherapy |
| PT2779089T (pt) * | 2010-07-30 | 2019-02-19 | Fund D Anna Sommer Champalimaud E Dr Carlos Montez Champalimaud | Sistemas e métodos para segmentação e processamento de imagens de tecidos e extração de características dos mesmos para tratar, diagnosticar ou prever condições médicas |
| KR102154733B1 (ko) * | 2013-01-16 | 2020-09-11 | 삼성전자주식회사 | 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 |
| US9940709B2 (en) * | 2013-10-12 | 2018-04-10 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image |
| SG10201405182WA (en) * | 2014-08-25 | 2016-03-30 | Univ Singapore Technology & Design | Method and system |
| US10049770B2 (en) * | 2015-12-30 | 2018-08-14 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer |
| EP3514756A1 (en) * | 2018-01-18 | 2019-07-24 | Koninklijke Philips N.V. | Medical analysis method for predicting metastases in a test tissue sample |
| TWI667996B (zh) * | 2018-03-23 | 2019-08-11 | 中國醫藥大學附設醫院 | 乳房腫瘤輔助檢測模型及乳房腫瘤輔助檢測系統 |
| US11334994B2 (en) * | 2019-05-24 | 2022-05-17 | Lunit Inc. | Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods |
-
2020
- 2020-02-27 TW TW109106437A patent/TWI743693B/zh active
- 2020-07-27 US US16/939,881 patent/US11475563B2/en active Active
-
2021
- 2021-02-23 CN CN202110199633.XA patent/CN113313667A/zh active Pending
- 2021-02-25 JP JP2021029127A patent/JP7198300B2/ja active Active
- 2021-02-25 EP EP21159384.3A patent/EP3872758A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150087957A1 (en) | 2013-09-25 | 2015-03-26 | Siemens Aktiengesellschaft | Early therapy response assessment of lesions |
| JP2017518157A (ja) | 2014-06-17 | 2017-07-06 | インテュイティヴ・セラピューティクス・ソシエテ・アノニム | 逆方向治療計画用のシステム及びコンピュータプログラム製品 |
| JP2018187384A (ja) | 2017-05-09 | 2018-11-29 | キヤノンメディカルシステムズ株式会社 | 医用情報処理システム及び医用情報処理装置 |
| US20190050983A1 (en) | 2017-08-09 | 2019-02-14 | Canon Kabushiki Kaisha | Image processing system, apparatus, method and storage medium |
| JP2019030584A (ja) | 2017-08-09 | 2019-02-28 | キヤノン株式会社 | 画像処理システム、装置、方法およびプログラム |
| JP2020010805A (ja) | 2018-07-17 | 2020-01-23 | 大日本印刷株式会社 | 特定装置、プログラム、特定方法、情報処理装置及び特定器 |
Non-Patent Citations (2)
| Title |
|---|
| Guotai Wang et al.，Automatic Segmentation of Vestibular Schwannoma from T2-Weighted MRI by Deep Spatial Attention with Hardness-Weighted Loss，arXiv，米国，arXiv.org，2019年06月10日，https://arxiv.org/ |
| Patrick P.J.H. Langenhuizen et al.，Prediction of transient tumor enlargement using MRI tumor texture after radiosurgery on vestibular schwannoma，Medical Physics，米国，Medical Physics，2020年，Vol.47(4)，1692-1701，Published 18 February 2020 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113313667A (zh) | 2021-08-27 |
| US11475563B2 (en) | 2022-10-18 |
| JP2021133255A (ja) | 2021-09-13 |
| US20210272276A1 (en) | 2021-09-02 |
| EP3872758A1 (en) | 2021-09-01 |
| TWI743693B (zh) | 2021-10-21 |
| TW202133112A (zh) | 2021-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7198300B2 (ja) | 良性腫瘍の進行傾向評価システム、そのサーバコンピュータ装置及びコンピュータ読み取り可能な記憶媒体 | |
| AU2018286569B2 (en) | Personalized image-based guidance for energy-based therapeutic devices | |
| EP3021753B1 (en) | Systems and methods for determining hepatic function from liver scans | |
| WO2020103289A1 (zh) | 一种高血压视网膜血管改变特征数据分析的方法和系统 | |
| CN110458837B (zh) | 一种图像后处理方法、装置、电子设备及存储介质 | |
| EP3667615B1 (en) | Determination of metastases in an image of an anatomical body part | |
| KR102328229B1 (ko) | 인공지능 기반의 3차원 의료 영상을 이용한 종양 검출 및 진단 방법 | |
| CN111631742A (zh) | 一种基于面光源的x射线成像方法和系统 | |
| EP3424017A1 (en) | Automatic detection of an artifact in patient image data | |
| Li et al. | Quantitative evaluation of the echo intensity of the median nerve and flexor muscles of the forearm in the young and the elderly | |
| Jeevakala et al. | A novel segmentation of cochlear nerve using region growing algorithm | |
| KR20190014325A (ko) | 구조유사도를 이용한 아티펙트 저감방법 및 프로그램 및 의료영상획득장치 | |
| CN114732425A (zh) | 一种提升dr胸片成像质量的方法及系统 | |
| CN113012118B (zh) | 图像处理方法以及图像处理装置 | |
| US20220157472A1 (en) | Method for enhancing an accuracy of a benign tumor development trend assessment system | |
| WO2011122936A2 (en) | A methodology and apparatus for objective assessment and rating of psoriasis lesion thickness using digital imaging | |
| Den Boer et al. | Clinical validation of a pressure-standardized compression mammography system | |
| US7756359B1 (en) | Use of local or global quality of match to estimate cone beam CT reconstruction artifact correction weight in image registration | |
| Diao et al. | Research progress and application of artificial intelligence in thyroid associated ophthalmopathy | |
| JP2020174861A (ja) | 情報処理装置、情報処理方法およびプログラム | |
| CN113705807B (zh) | 神经网络的训练装置及方法，消融布针规划装置及方法 | |
| KR20190087896A (ko) | 방사선 피부염 평가시스템 및 이를 이용한 평가방법 | |
| US11803970B2 (en) | Image judgment device, image judgment method, and storage medium | |
| US20200261045A1 (en) | Information processing apparatus and program | |
| WO2024114798A1 (zh) | 基于静态ct增强扫描的血管识别监测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210225 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220127 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220221 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220520 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220728 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221027 |
|
| 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: 20221202 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221216 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7198300 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313114 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |