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 PDF

Info

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
Application number
JP2021029127A
Other languages
English (en)
Other versions
JP2021133255A (ja
Inventor
政家 李
懐哲 楊
文裕 鍾
智君 呉
萬祐 郭
唯▲かい▼ 李
梓軒 黄
駿亦 林
家鋒 盧
育徳 呉
Original Assignee
国立陽明交通大学
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 国立陽明交通大学 filed Critical 国立陽明交通大学
Publication of JP2021133255A publication Critical patent/JP2021133255A/ja
Application granted granted Critical
Publication of JP7198300B2 publication Critical patent/JP7198300B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/40Analysis of texture
    • G06T7/41Analysis of texture based on statistical description of texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693Acquisition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695Preprocessing, e.g. image segmentation
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/20ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30016Brain
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/40Analysis of texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination 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。
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。 図1Aに示す画像前処理モジュールの概略図である。 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。 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。 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における第1の画像及び第2の画像の概略図である。 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における第1の調整画像及び第2の調整画像の概略図である。 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における第1の補正画像及び第2の補正画像の概略図である。 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における第1の局部画像及び第2の局部画像の概略図である。 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における第1の関心領域画像及び第2の関心領域画像の概略図である。 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、放射線治療に対して腫瘍に反応があるかないかという腫瘍の進行傾向の分析結果を得る概略図であり、複数の参考画像の腫瘍特徴の3D分布図である。 上述した腫瘍の進行傾向の分析結果を得る概略図であり、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る。 上述した腫瘍の進行傾向の分析結果を得る概略図であり、放射線治療に対して腫瘍に反応があるかないかことを評価するための受取者操作特徴グラフである。 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、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ないかという腫瘍の進行傾向の分析結果を得る概略図であり、複数の参考画像の腫瘍特徴の3D分布図である。 上述した腫瘍の進行傾向の分析結果を得る概略図であり、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る。 上述した腫瘍の進行傾向の分析結果を得る概略図であり、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ないかことを評価するための受取者操作特徴グラフである。
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(cm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
Figure 0007198300000001
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0.50×0.50×3.00mm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。
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。
Figure 0007198300000002
*LLHはウェーブレット(Wavelet)フィルタであって、このうちLはローパスフィルタであり、Hはハイパスフィルタであり、3者の配列の順序は画像のX、Y、Z軸に対してそれぞれ使用するフィルタを表しており、つまりは、X及びY軸はローパスフィルタを使用し、Z軸はハイパスフィルタを使用している。
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。
Figure 0007198300000003
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。
(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。
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

Claims (10)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
JP2021029127A 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 Active JP7198300B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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