JP7222882B2 - 医用画像評価のためのディープラーニングの応用 - Google Patents

Description

＜関連出願＞
本出願は、２０１８年１１月１４日に出願されたインド特許出願第２０１８２１０４２８９４号の優先権の利益を主張し、該出願はすべての目的のためにその全体が参照により本明細書に組み込まれる。

本開示は概して、画像化または診断と評価のための他の医学的手順から得られた電子化データを処理するための方法とシステムに関する。いくつかの実施形態は、画像化および他の医療データにおける特定の特徴と条件のマシン認識を行なうディープラーニングアルゴリズムの開発のための方法に関する。

コンピュータ断層撮影（ＣＴ）およびＸ線像などの医用画像技術は、診断、臨床研究および治療計画において広く使用される。医用画像評価の有効性、精度およびコスト効果を改善するための自動化されたアプローチがますます求められるようになっている。

非造影頭部ＣＴスキャンは、頭部外傷の患者、または、脳卒中または頭蓋内圧の上昇を示唆する症状のある患者のための、緊急処置室で最も一般的に使用されている診断ツールである。広範な有効性と比較的低い捕捉時間ゆえに、それらは一般的に使用される第１線の診断方法である。ＣＴスキャンを含む緊急処置室での診察の、アメリカにおける年間の割合は、ここ数十年で増加しており、および神経外科の介入の必要を除外するための頭部ＣＴの使用が増大している。

ＣＴスキャンで容易に検出することができる最も重大で一刻を争う異常として、頭蓋内出血、頭蓋内圧の上昇、および頭蓋骨折があげられる。脳卒中を伴う患者における評価の重要な目的は、頭蓋内出血を排除することである。これは、ＣＴイメージングとその素早い解釈にかかっている。同様に、即時のＣＴスキャン判断は、神経外科処置の必要を評価するために、急性の頭蓋内出血が疑われる患者において極めて重要である。頭蓋骨折は、開放骨折または陥没骨折の場合、通常は緊急の神経外科介入を要する。頭蓋骨折はまた、特に軸平面を走る場合、頭部ＣＴスキャンにおいて通常、最も頻繁に見逃される主要な異常である。

これらの異常はＣＴスキャンのごく一部でのみ見つかる一方で、最初のスクリーニングとトリアージプロセスを自動化することにより頭部ＣＴスキャン判断のワークフローを合理化することで、診断にかかる時間を有意に減少させ、かつ処置が促進されるだろう。これは続いて、卒中と頭部外傷の結果として生ずる病的状態と死を減らすだろう。自動化された頭部ＣＴスキャンスクリーニングとトリアージシステムは、多忙な外傷ケアの設定において、または、すぐに放射線科医に対応してもらえない遠隔地での意思決定を促すための、待ち行列管理にとって価値があるだろう。

過去、医用画像判断タスクのためのディープラーニングの応用における多くの発展が見られ、これには、ディープラーニングが、専門家内科医と同等の精度での糖尿病網膜症の識別と評定、および皮膚損傷の良性または悪性への分類を含む特定の医用画像タスクを行なうことができるという堅調な証拠がある。ディープラーニングアルゴリズムはまた、「分類」アルゴリズムを通じて、胸部Ｘ線検査、胸部ＣＴおよび頭部ＣＴなどの放射線像にある異常を検出し、および「セグメンテーション」アルゴリズムを通じて、疾患のパターンまたは解剖学的量を位置づけ、かつ定量化するために、訓練されている。

放射線医学用の正確なディープラーニングアルゴリズムの開発は、適切なモデルアーキテクチャに加えて、アルゴリズムを訓練するために使用される多くの正確に標識されたスキャンを必要とする。訓練データセットが大きく、かつ多様なソースからのスキャンを含む場合、アルゴリズムが新たな設定によく一般化される可能性は増大する。

低量の頭部ＣＴスキャンにおけるコンピュータ診断（ＣＡＤ）アルゴリズムの開発と検証に関するいくつかの研究がある。ディープラーニングは、以前は頭蓋内出血を検出するために使用されていた。従来のコンピュータビジョン技術は、骨折および正中線偏位の検出にとってより一般的であった。訓練と検証のデータセットは、ほとんどの試験において＜２００の頭部ＣＴスキャンを有し、これらのアルゴリズムの堅調さについての懸念を投げかけた。さらに、アルゴリズムの性能を直接比較するための公の頭部ＣＴデータセットは存在しなかった。

本開示は、医用画像から異常を検出して位置を突き止めるように訓練される、完全に自動化されたディープラーニングシステムの開発と臨床的検証を記載する。

特定の実施形態は、頭部ＣＴスキャン異常を検出して位置を突き止めるための、ディープラーニングシステムの開発と検証に関する。訓練されたアルゴリズムは、５種類の頭蓋内出血（ＩＣＨ）、すなわち実質内（ＩＰＨ）、脳室内（ＩＶＨ）、硬膜下（ＳＤＨ）、硬膜外（ＥＤＨ）およびクモ膜下（ＳＡＨ）、および最大ＡＵＣ（ＲＯＣ曲線下の面積）を有する頭蓋骨／頭蓋冠／頭蓋の円蓋部骨折を検出する。訓練されたアルゴリズムはまた、質量効果と正中線偏位を検出し、両者は脳外傷の重症度の指標として使用される。

特に、実施形態は、頭部ＣＴスキャンにおける医学的異常を検出して位置を突き止めるためのディープラーニングシステムを開発するための方法を提供し、該方法は：自然言語処理（ＮＬＰ）アルゴリズムを使用して医用画像スキャンを選択し、および医学的異常を抽出する工程であって、各種の医学的異常はスキャン、スライスおよびピクセルレベルで注釈される、工程；ピクセルレベルで注釈されたスキャンを細分化するために、選択された医用画像を用いて、畳み込みニューラルネットワークアーキテクチャを含むスライスに関するディープラーニングアルゴリズムを訓練する工程；選択された医用画像スキャンを用いて、畳み込みニューラルネットワークアーキテクチャを含むディープラーニングアルゴリズムを訓練する工程であって、アーキテクチャは、スライスレベルでの確率を生成するために、多数の平行した全結合層を使用して修正される、工程；各種の医学的異常の存在に関する確率を予測する工程であって、スライスレベルでの確率は、医学的異常の存在とその種類に関するスキャンレベルの確率を予測するために、全結合層を使用してスライスにわたって組み合わせられる、工程；医学的異常の認識レベルに対応するスコアを生成し、および医学的異常の正確な位置と範囲を表すマスクを出力する工程；および、放射線科医の報告と比較することによって、医学的異常の検出に関して、ディープラーニングアルゴリズムの精度を検証する工程、を含む。

実施形態に従って、前述の医用画像スキャンは、限定されないがＣＴ、Ｘ線、核磁気共鳴映像法（ＭＲＩ）、および超音波処置を含む。頭部ＣＴスキャンについては、前述の医学的異常は、限定されないが頭蓋内出血、および、実質内出血（ＩＰＨ）、脳室内出血（ＩＶＨ）、硬膜下頭蓋内出血（ＳＤＨ）、硬膜外出血（ＥＤＨ）、およびクモ膜下出血（ＳＡＨ）を含む５種の出血の各々；正中線偏位；質量効果；および頭蓋骨／頭蓋冠の骨折を含む。

さらに、任意の頭部ＣＴスキャンについては、スキャンは、脳ウィンドウと骨ウィンドウと硬膜下ウィンドウを含む３つの別個のウィンドウへとウィンドウ生成され、およびチャンネルとしてウィンドウを積み上げることによって、前処理される。

他の実施形態は、ディープラーニングアルゴリズムによって頭部ＣＴスキャンにおける医学的異常を検出して位置を突き止めるように構成されたシステムを提供し、ディープラーニングアルゴリズムは以下の工程によって展開される：自然言語処理（ＮＬＰ）アルゴリズムを使用して医用画像スキャンを選択し、および医学的異常を抽出する工程であって、各種の医学的異常はスキャン、スライスおよびピクセルレベルで注釈される、工程；ピクセルレベルで注釈されたスキャンを細分化するために、選択された医用画像を用いて、畳み込みニューラルネットワークアーキテクチャを含むスライスに関するディープラーニングアルゴリズムを訓練する工程；選択された医用画像スキャンを用いて、畳み込みニューラルネットワークアーキテクチャを含むディープラーニングアルゴリズムを訓練する工程であって、アーキテクチャは、スライスラベルでの確率を生み出すために、多数の平行した全結合層を使用して修正される、工程；各種の医学的異常の存在に関する確率を予測する工程であって、スライスレベルでの確率は、医学的異常の存在とその種類に関するスキャンレベルの確率を予測するために、全結合層を使用してスライスにわたって組み合わせられる、工程；医学的異常の認識レベルに対応するスコアを生成し、および医学的異常の正確な位置と範囲を表すマスクを出力する工程；および、放射線科医の報告と比較することによって、医学的異常の検出に関して、ディープラーニングアルゴリズムの精度を検証する工程、を含む。

さらに、システムは、ディープラーニングアルゴリズムによって頭部ＣＴスキャンにおける医学的異常を検出して位置を突き止めるように構成され、アルゴリズムはそれぞれＩＣＨ、ＩＰＨ、ＩＶＨ、ＳＤＨ、ＥＤＨ、およびＳＡＨを検出するための、０．９４±０．０２、０．９６±０．０３、０．９３±０．０７、０．９５±０．０４、０．９７±０．０６、および０．９６±０．０４のＡＵＣを達成する。

＜本発明の有利な効果＞
本発明は、頭部ＣＴスキャンから９つもの重大な所見を個別に検出するためのディープラーニングアルゴリズムを提供する。前記アルゴリズムは、臨床的放射線医学の報告に対する大きなデータセットにおいて検証された。前記アルゴリズムはまた、開発データセットとは完全に異なるソースから獲得したデータセットについての３人の放射線科医の一致に対して検証された。さらに、現在まで、頭蓋骨折を検出するための、ディープラーニングアルゴリズムの正確な使用を記載する文献はほとんど存在しない。本発明は、高精度でこのタスクを行なうことができるディープラーニングアルゴリズムを提供する。さらに、そのような多数の患者における質量効果と正中線偏位を検出するアルゴリズム（両者は、様々な頭蓋内症状の重症度と、緊急介入の必要性を推定するために使用される）の臨床的検証はユニークでもある。重要なことに、前記アルゴリズムは、頭部ＣＴスキャンが得られるとすぐに、重大な所見を有する患者を自動的にトリアージし、または通知するのに有用であり得る。

アルゴリズムによって生成された位置特定。これらは、結果の視覚的表示を提供することができる。 データセットセクションプロセス展開、Ｑｕｒｅ２５ｋデータセット。 データセットセクションプロセス展開、ＣＱ５００データセット。 Ｑｕｒｅ２５ｋおよびＣＱ５００データセットにおけるアルゴリズムに関する受信者動作特性（ＲＯＣ）曲線。青色の線はＱｕｒｅ２５ｋデータセット、および赤色の線はＣＱ５００データセットに関する。ＣＱ５００データセットについての個々の評価者の一致に対して測定された彼らの真陽性率と偽陽性率もまた、比較のためにＲＯＣと共にプロットされる。 ｑＥＲを使用する頭部ＣＴスキャンに関する提案されたワークフロー。

本発明が、本明細書に記載される特定の方法、プロトコルおよびシステム等に限定されず、それゆえに変化し得ることを理解すべきである。本明細書に使用される用語は、特定の実施形態のみを記載するためにあり、本発明の範囲を限定するようには意図されておらず、請求項のみによって定義される。

本明細書と添付される請求項において使用されるように、別の趣旨に規定されない限り、以下の用語は以下に示される意味を有する。

「アーキテクチャ」は、コンピュータシステムの機能、構成および実装を記載する規則と方法のセットを指す。

「畳み込みニューラルネットワーク（ＣＮＮ）」は、視覚像を分析するために最も一般的に応用される、ディープフォワード人工ニューラルネットワークのクラスを指す。ＣＮＮは、最小限の前処理を要するように設計された多層のパーセプトロンの一種を使用する。ＣＮＮは、入力層、出力層、および複数の隠れ層から成る。ＣＮＮの隠れ層は、典型的には、畳み込み層、プーリング層、全結合層、およびから正規化層から構成される。畳み込み層は、入力にコンボリューション操作を適用し、その結果を次の層に流す。局所または全体的なプーリング層は、ある層にあるニューロンクラスタの出力を、次の層の単一ニューロン内に結合する。全結合層は、ある層にあるすべてのニューロンを、他の層にあるすべてのニューロンへと連結する。ＣＮＮは、他の画像分類アルゴリズムと比較して、比較的少ない前処理を用いる。これは、従来のアルゴリズムでは手動で操作されていたフィルタをネットワークが学習することを意味する。このように、機能設計において予備知識と人的労力に依存しないことは、主要な利点である。

「ヒューリスティックス」は、古典的方法が遅すぎる時に問題をより素早く解決するために、または古典的方法が正確な解を何ら見つけられない時に近似解を見つけるために、設計された技術を指す。これは、最適性、完全性、精度または正確さを速度と引き換えにして達成される。ある意味では、これはショートカットと見なされ得る。ヒューリスティック関数は、単にヒューリスティックとも呼ばれるが、どの分枝に従うかを決定するために有効な情報に基づいて、各分枝工程でサーチアルゴリズムにある選択肢を位する関数である。ヒューリスティックの目的は、手近にある問題を解くために十分適した適当な時間フレームにおいて解を生成することである。この解は、この問題へのすべての解のうち最高のものではないこともあり、または正確な解に近似しているだけの場合もある。

「自然言語処理（ＮＬＰ）」は、賢く有用な手段でヒト言語から意味を分析し、理解し、かつ導き出すコンピュータのための手段を指す。ＮＬＰを利用することで、開発者は、自動要約、変換固有表現抽出（ｔｒａｎｓｌａｔｉｏｎ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ）、関係抽出、感情分析、音声認識、およびトピックセグメンテーションなどのタスクを行なうために、知識を体系づけ、かつ構造化することができる。

本開示は、データドリブン画像評価ワークフローにおける機械学習分析の統合と使用を可能にする様々な技術と構成を例示する。例えば、機械学習分析（特定の医学的状態の、訓練された画像検出モデルなど）は、医用画像研究の一部として生成された医用画像手順データ上で行なわれてもよい。医用画像手順データは、画像診断法によって捕らえられた画像データ、および命令データ（放射線像解釈のリクエストを示すデータなど）を含んでもよく、それぞれのデータは医用画像評価（放射線科医によって行なわれる放射線解釈、または別の資格のある医学の専門家よる診断評価など）を促すために生成される。

例えば、機械学習分析は、訓練した構造、条件、特定の試験の画像内の疾病を識別するために、医用画像手順データから画像を受信し、および処理してもよい。機械学習分析は、緊急または生命に関わる疾病、臨床的に重篤な異常、および他の重要な所見などの、画像内の特定の疾病の自動化検出、指示、または確認に帰結する場合もある。機械学習分析の結果に基づいて、画像に関する医学的評価および関連するイメージング手順を優先させてもよく、またはそうでなければ変更または修正してもよい。さらに、疾病の検出は、医用画像評価（またはそのような医用画像評価からの報告などのデータ項目の生成）の前またはそれと同時に、特定の評価者への医用画像データの割り当て、医用画像データに関する評価プロセス、または他の動作を実行することを助けるために使用されてもよい。

さらに本明細書で論じられるように、機械学習分析は、限定されないが、特に人体解剖学の医用画像および解剖表現における特定の種類の疾病に関して画像認識タスクを行なうように訓練されたディープラーニングモデル（ディープマシンラーニング、または階層モデルとしても知られる）を含む、任意の数の機械学習アルゴリズムと訓練モデルのために提供されてもよい。本明細書において使用されるように、用語「機械学習」は、訓練された構造のマシンドリブン式（例えばコンピュータ支援の）識別を行なうことができる様々なクラスの人工知能アルゴリズムおよびアルゴリズムドリブンアプローチを指し、複数レベルの表現と抽象化を使用するそのような機械学習アルゴリズムの複数レベルの動作を指す用語「ディープラーニング」と共に使用される。しかしながら、本記載の医用画像評価に適用され、使用され、および構成される機械学習アルゴリズムの役割は、人工ニューラルネットワーク、学習可能アルゴリズム、訓練可能なオブジェクト分類、および他の人工知能処理技術の変化形体を含む、任意の数の他のアルゴリズムベースのアプローチによって補われ、または置き換えられてもよいことが明らかになるであろう。

以下の例のいくつかにおいて、放射線医学医用画像手順（例えばコンピュータ断層撮影（ＣＴ）、核磁気共鳴映像法（ＭＲＩ）、超音波、およびＸ線処置等）と、免許および資格のある放射線科医によって画像評価（例えば放射線解釈）で行なわれるイメージング手順から生成された画像診断評価が参照される。本記載の技術とシステムの適用可能性は、従来の放射線画像診断法を含まないものをも包含する、様々な医学的処置および専門性によって生成された種々様々な画像化データ（および他のデータ表現）にまで拡大されることが理解されるだろう。そのような専門性として、限定されないが、病理学、医学写真術、脳波記録法（ＥＥＧ）および心電図記録法（ＥＫＧ）手順などの医療データ測定、心臓学データ、神経科学データ、前臨床イメージング、および遠隔医療、遠隔病理診断、遠隔診断に関して生じる他のデータ収集手順、および医学的処置と医科学の他の適用があげられる。したがって、本明細書に記載されるデータ認識とワークフロー修正技術の性能は、捕らえられた静止画像およびマルチイメージ（例えばビデオ）表現を含む、様々な医用画像情報のタイプ、設定、および使用事例に適用され得る。

以下の記載および図面は特定の実施形態を、それらが当業者にとって実行可能であるように十分に例示する。他の実施形態は、構造的、論理的、電気的、プロセス、および他の変更を組み込み得る。いくつかの実施形態の部分および特徴は、他の実施形態のそれに含まれ、またはそれと取り替えられてもよい。

＜実施例１．頭部ＣＴスキャンにおける重大な所見の検出のためのディープラーニングアルゴリズム＞

１．１ データセット
３１３，３１８の匿名の頭部ＣＴスキャンを、インドのいくつかのセンターから遡及的に収集した。これらのセンターは、院内と外来患者の放射線医学センターの両方を含み、２～１２８の範囲の回転ごとのスライスを有する様々なＣＴスキャナモデル（表１）を使用する。スキャンの各々は、我々がアルゴリズム開発プロセス中にゴールドスタンダードとして使用したスキャンに関する電子臨床報告を有した。

表１．各データセットに使用されるＣＴスキャナのモデル

これらのスキャンのうち、２３，２６３の無作為に選ばれた患者のスキャン（Ｑｕｒｅ２５ｋデータセット）を、検証のために選択し、および残りの患者のスキャン（開発データセット）をアルゴリズムの訓練／開発のために使用した。手術後のスキャン、および特定の年齢未満の患者のスキャンは、Ｑｕｒｅ２５ｋデータセットから除外した。このデータセットは、アルゴリズム開発工程中は使用しなかった。

臨床検証データセット（ＣＱ５００データセットとして言及）は、インドのニューデリーにあるＣｅｎｔｒｅ ｆｏｒ Ａｄｖａｎｃｅｄ Ｒｅｓｅａｒｃｈ ｉｎ Ｉｍａｇｉｎｇ，Ｎｅｕｒｏｓｃｉｅｎｃｅｓ ａｎｄ Ｇｅｎｏｍｉｃｓ（ＣＡＲＩＮＧ）によって提供された。このデータセットは、ニューデリーの様々な放射線医学センターでとられた頭部ＣＴスキャンのサブセットであった。およそ、センターの半分はスタンドアロンの外来患者センターであり、および他の半分は大病院に組み込まれた放射線科である。これらのセンターと、開発データセットが得られたセンターとの間に重複はなかった。これらのセンターで使用されるＣＴスキャナには、１６～１２８の回転ごとのスライスがあった。ＣＴスキャナのモデルは表１に表記される。データをローカルＰＡＣＳサーバから抽出し、および内部定義されたＨＩＰＡＡガイドラインに従って匿名化した。両方のデータセットを遡及的に得て、かつ完全に匿名化したため、この研究はＩＲＢの認可を免除された。

開発とＱｕｒｅ２５ｋデータセットと同様に、ＣＱ５００データセットのスキャンに関する臨床的放射線医学報告が利用可能であった。臨床的放射線医学報告は、以下に記載のようにデータセット選択に使用された。

ＣＱ５００データセットは、２つのバッチ（Ｂ１＆Ｂ２）で収集された。バッチＢ１は、２０１７年１１月２０日以後３０日間、上記のセンターでとられたすべての頭部ＣＴスキャンを選択することによって収集された。バッチＢ２は、以下の方法でスキャンの残りから選択された：
１．自然言語処理（ＮＬＰ）アルゴリズムを、臨床放射線医学報告からのＩＰＨ、ＳＤＨ、ＥＤＨ、ＳＡＨ、ＩＶＨ、頭蓋冠骨折を検出するために使用した。
２．次に、ＩＰＨ、ＳＤＨ、ＥＤＨ、ＳＡＨおよび頭蓋冠骨折の各々に約８０のスキャンがあるように、報告を無作為に選択した。

次に、選択されたスキャンの各々を以下の除外基準に関してスクリーニングした：
・手術後の欠損なし。
・全脳を包含する非造影軸シリーズ（ｎｏｎ－ｃｏｎｔｒａｓｔ ａｘｉａｌ ｓｅｒｉｅｓ）なし。
・年齢＜７歳（データが利用不可能な場合、頭蓋縫合から推定）。

１．２ スキャンの解釈
３人の上級放射線科医が、ＣＱ５００データセットにおけるＣＴスキャンに関して、独立した評価者としての役割を担った。彼らは、頭蓋ＣＴの判断においてそれぞれ８、１２、２０年の経験を有していた。３人の評価者のいずれも、登録された患者の臨床的ケアまたは評価に関係せず、および患者の病歴にアクセスしなかった。放射線科医の各々は独立して、所見とクエリの解を記録するための指示を用いて、ＣＱ５００データセットにおけるスキャンを評価した。スキャンの提示の順序は、患者の追跡スキャンの回想を最小化するように無作為化された。

評価者の各々は、各スキャンに関して以下の所見を記録した：
・頭蓋内出血の有無、存在する場合はその種類（実質内、脳室内、硬膜外、硬膜下、およびクモ膜下）。
・正中線偏位と質量効果の有無。
・骨折の有無。存在する場合、それが（部分的な）頭蓋冠骨折であるか。

出血性脳挫傷、出血成分を伴う腫瘍／梗塞などの任意の病因により、脳内に血液があることもまた、実質内出血の定義に含んだ。慢性的な出血は、この研究において陽性と見なされた。質量効果は以下のいずれかとして定義された：局所的な質量効果、心室抹消（ｖｅｎｔｒｉｃｕｌａｒ ｅｆｆａｃｅｍｅｎｔ）、正中線偏位およびヘルニア。正中線偏位は、偏位が５ｍｍ以上であった場合に陽性と見なされた。頭蓋冠に伸びる少なくとも１つの骨折がある場合、スキャンは頭蓋冠骨折を有すると見なされる。

３人の評価者によって各所見の満場一致の合意が得られない場合、評価者の多数派の判断を最終診断として使用した。

開発とＱｕｒｅ２５ｋデータセットにおいて、放射線科医によって書かれた臨床報告がゴールドスタンダードと見なされた。しかしながら、これらは構造化フォーマットではなくフリーテキストに書かれた。したがって、ルール依存自然言語処理（ＮＬＰ）アルゴリズムは、上記で記録された所見を自動的に推論するために、放射線科医の臨床報告に適用された。このアルゴリズムは、推論された情報が正確であり、かつゴールドスタンダードとして使用可能であることを保証するために、Ｑｕｒｅ２５ｋデータセットからの報告のサブセットで検証された。

１．３ ディープラーニングアルゴリズムの開発
ディープラーニングは、使用されるモデルが多くの（通常は畳み込み）層を有するニューラルネットワークである、機械学習の形態である。このモデルの訓練は、真であることが既に知られている大量のデータを必要とする。訓練は通常、バックプロパゲーションと呼ばれるアルゴリズムによって行なわれる。このアルゴリズムでは、モデルの予測と、各データポイントに関する既知のグラウンドトゥルースとの誤差を最小化するために、モデルは繰り返し修正される。

アルゴリズムの開発における主な難題の１つは、ＣＴスキャンの３次元的性質であった。これは主として、機械学習アルゴリズムを訓練するのに必要なデータが、データの次元により指数関数的に大きくなる「次元の呪い」と名付けられた問題に起因した。ディープラーニング技術は、２次元イメージのセグメンテーションと分類のタスクに関して広範に研究されてきた。３Ｄ画像のセグメンテーションは多数のコンテキストで研究されているが、それらの分類は研究されていない。密接に関連する１つの問題は、短いビデオクリップからの人間の動作の認識である（なぜならビデオは、時間を３つ目の次元とした三次元である）。この問題は文献でよく探究されているにも関わらず、このタスクのための優れたアーキテクチャは現れなかった。分類のアプローチは、ＳｉｍｏｎｙａｎとＺｉｓｓｅｒｍａｎ（Ａｄｖａｎｃｅｓ ｉｎ ｎｅｕｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍｓ，ｐａｇｅｓ５６８－５７６，２０１４）のそれに密接に関係し、および多数のスキャンのスライスレベルとピクセルレベルを包含する。

この研究では、別個のディープラーニングモデルが、各サブタスク、すなわち以下に記載する頭蓋内出血、正中線偏位／質量効果、および頭蓋冠骨折に関して訓練された。

１．３．１ 頭蓋内出血
開発データセットは、実質内出血（ＩＰＨ）、脳室内出血（ＩＶＨ）、硬膜下頭蓋内出血（ＳＤＨ）、硬膜外出血（ＥＤＨ）、クモ膜下出血（ＳＡＨ）のいずれかを伴うと報告された、およびこれらのいずれも伴わないと報告された、いくつかの非造影頭部ＣＴスキャンを選択するために、自然言語処理（ＮＬＰ）アルゴリズムを使用して探索された。これらのスキャンにおける各スライスは、そのスライスにおいて目視可能な出血により、手動で標識された。全部で、４３０４のスキャン（１６５８０９のスライス）が注釈され、ＩＰＨ、ＩＶＨ、ＳＤＨ、ＥＤＨ、ＳＡＨを有する、およびこれらのいずれも有さないスキャン（スライス）の数は、それぞれ１７８７（１２８５７）、２９９（３１４７）、９３８（１１７０９）、６２３（５４２４）、８８８（６８６１）、および９４４（１３３８９７）であった。

ＲｅｓＮｅｔ１８、すなわちわずかに修正された一般的な畳み込みニューラルネットワークアーキテクチャは、スライスにある各種の出血の存在に関するＳｏｆｔＭａｘベースの確率を予測するために使用された。アーキテクチャは、５つの平行した全結合（ＦＣ）層を、単一のＦＣ層の代わりに使用して修正された。この設計は、出血を検出するための画像特性がすべての出血タイプで類似しているという仮定に基づいた。頭蓋内出血の存在およびその種類に関するスキャンレベルでの確率の予測のために、スライスレベルでの確率をランダムフォレストを使用して組み合わせた。

独立モデルは、以下の種類の出血の位置を突き止めるようにさらに訓練された：ＩＰＨ、ＳＤＨ、ＥＤＨ。位置の特定（ｌｏｃａｌｉｚａｔｉｏｎ）は、スキャンのすべてのピクセルごとに出血の有無を密に予測することを要求する。密な予測のためのモデルを訓練するために、各出血に対応するピクセルは、モデルに関するグラウンドトゥルースを提供するために、上記のスライスに注釈した画像のサブセットに関して注釈された。このセットは１７０６の画像を含み、ＩＰＨ、ＳＤＨ、ＥＤＨ、およびこれらのいずれでもない画像の数は、それぞれ５０６、２４３、２７７、および７５０であった。スライスに関する２Ｄ ＵＮｅｔ７ベースのアーキテクチャは、各種の出血のセグメンテーションに使用された。

出血検出アルゴリズム用のセグメンテーションネットワークが訓練されたため、出血の存在の検出に加えて、出血（クモ膜下出血を除く）の正確な位置と範囲を表すマスクが出力された。図１ａを参照されたい。

１．３．２ 正中線偏位および質量効果
正中線偏位と質量効果を検出するためのアルゴリズムは、頭蓋内出血を検出するためのものに非常に類似していた。選択したスキャンからの各スライスは、そのスライスにおける正中線偏位および質量効果の存在または不在に関して標識された。全体として、６９９のスキャン（２６１３５のスライス）が注釈され、そのうち質量効果を有するスキャン（スライス）の数は３２０（３１４３）であり、および正中線偏位は２４９（２０７４）であった。

２つの平行した全結合層を有する修正されたＲｅｓＮｅｔ１８は、それぞれ質量効果と正中線偏位の存在についてのスライスに関する確率を予測するのに使用された。これらのスライスレベルでの確率は、したがって、両方の異常に関するスキャンレベルでの確率を予測するためにランダムフォレストを使用して組み合わされた。

１．３．３ 頭蓋冠骨折
頭蓋冠骨折を伴ういくつかのスキャンを選択するために、開発データセットをＮＬＰアルゴリズムで探索した。これらのスキャンにおける各スライスは、骨折のまわりの密接なバウンディングボックス（ｔｉｇｈｔ ｂｏｕｎｄｉｎｇ ｂｏｘ）に印を付けることにより注釈された。注釈されたスキャンの数は１１１９（４２９４２のスライス）であり、そのうち９９３８のスライスが頭蓋冠骨折を示した。

標的バウンディングボックスと共にスライスは、骨折に関する画素単位のヒートマップを予測するために、アーキテクチャに基づいてＤｅｅｐＬａｂに供給された（図１ｂに示される）。頭蓋骨骨折はこの画像において非常にまばらである。バックプロバゲーションアルゴリズムにおける勾配流は、そのようなまばらなシグナルに関して妨害される傾向がある。したがって、ハードネガティブマイニングのロスは、注釈の希薄性に逆らうために使用された。

全スキャンの生成されたヒートマップからの局所的な骨折病変とそれらの量を表す特性が設計された。これらの特性は、頭蓋冠骨折の存在のスキャン単位での確率を予測するための、ランダムフォレストの訓練に使用された。

１．３．４ 前処理
所与のＣＴスキャンについては、スライス厚が約５ｍｍであるように、ソフト再構成カーネル（ｓｏｆｔ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｋｅｒｎｅｌ）を使用する非造影軸シリーズを使用し、再サンプリングした。このシリーズのすべてのスライスは、我々のディープラーニングモデルに流す前に２２４×２２４のピクセルサイズにサイズ変更された。単一の１チャネルとしてＣＴ密度の全ダイナミックレンジを流す代わりに、密度は３つの別個のウィンドウを使用してウィンドウ生成され、およびチャネルとして積み重ねられた。使用されたウィンドウは、脳ウィンドウ（ｌ＝４０、ｗ＝８０）、骨ウィンドウ（ｌ＝５００、ｗ＝３０００）、および硬膜下ウィンドウ（ｌ＝１７５、ｗ＝５０）であった。これは、骨ウィンドウで目視可能な骨折により、脳ウィンドウにあるさらなる脳内出血の存在を示すことができ、逆に、脳ウィンドウにある頭皮血腫の存在が骨折と関係し得るためである。硬膜下ウィンドウは、正常な脳ウィンドウでは判別不能であったかもしれない、頭蓋と脳実質外の出血の区別を助ける。

１．３．５ 訓練の詳細
注釈はｔｒａｉｎへと分割され、およびｖａｌセットは患者において無作為に階層化された。ｔｒａｉｎセットはネットワークを訓練するために使用され、他方でｖａｌセットはハイパーパラメータを選択するために使用された。ネットワークアーキテクチャの全重量は無作為に初期化された。訓練中に、使用されるデータ拡張戦略は、Ｈｅ ｅｔ ａｌ．（Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ，ｐａｇｅｓ７７０－７７８，２０１６）のものと同じであった：ランダムサイズの切り抜き（ｒａｎｄｏｍ ｓｉｚｅｄ ｃｒｏｐ）、左右反転、およびピクセル強度の増加。０．５のドロップアウトは、ネットワークの最後の２つのダウンサンプリングの遮断後に使用された。ＳＧＤを３２のバッチサイズで使用した。学習速度は０．０１から開始され、および２０エポックごとに２ずつ衰退した。陽性クラスに関する２０の重み付けのある重み付けエントロピーが、損失基準として使用された。最終モデルは、２００エポックの間動作させた後（すなわち早くに止まる）のｖａｌセットにおける性能に基づいて選択された。訓練は、ＰｙＴｏｒｃｈフレームワークとＮｖｉｄｉａ Ｔｉｔａｎ Ｘ ＧＰＵで行われた。各モデルを訓練するのに１５時間ほどかかった。

１．３．６ アルゴリズムと放射線科医との比較
両側のフィッシャーの正確確率検定を、高感度動作点でのアルゴリズムの性能を、ＣＱ５００データセットでの個々の放射線科医の性能と比較するために使用した。帰無仮説では、放射線科医とアルゴリズムが陽性と陰性のスキャンにおいてそれぞれ同等によく動作した。陽性スキャンに対する仮説は、放射線科医とアルゴリズムで感度が同じであること示唆することに留意されたい。同様に、陰性のスキャンについては、それは特異度が同じであることを意味する。データが非常に不均一に分配される場合（すなわち感度／特異度≒１）、カイ二乗検定で使用される近似値は有効ではないので、フィッシャーの正確確率検定を選んだ。試験のＰ－値は表２に示される。

表２．帰無仮説を用いた両側検定の二値。陽性と陰性のスキャンにおいてアルゴリズムと評価者は同等によく動作した。

アルゴリズムの感度は評価者のそれと判別不能であるという帰無仮説を、ほぼ全ての所見に関して退けることができないことが、表２から見てとれる。有意な差異を伴う所見－評価者のペア（表で強調）については、さらなる片側のフィッシャーの正確確率検定により、アルゴリズムがより良好な感度を有すること（ｐ＜０・０５）がわかった。表２に基づく他の推論によれば、アルゴリズムと評価者の特異度は有意に異なる（１組を除く：質量効果＆評価者１）。片側検定は、評価者の特異度がこの動作点においてより良好であることを確認する（ｐ＜１０^－４）。

まとめると、高感度ポイントでは、アルゴリズムの感度は評価者のものと判別不能ではないが、特異度は有意に低かった。

１．４ アルゴリズムの評価
スキャンにおいて実行された時のアルゴリズムは、以下の所見の存在を示す［０，１］の範囲の９つの実数の信頼スコアのリストを生成する：頭蓋内出血、および５つの種類の出血の各々、正中線偏位、質量効果、および頭蓋冠骨折。上記のように、対応するゴールドスタンダードは、ＣＱ５００データセットに関する多数票を使用して、およびＱｕｒｅ２５ｋデータセットに関する報告のＮＬＰアルゴリズムによって、得られた。表３は、１人の評価者をゴールドスタンダードと見なし、および多数票をゴールドスタンダードと見なした場合のＣＱ５００データセット上のアルゴリズムのＡＵＣを示し、および表４は、ＣＱ５００データセットについての評価者対多数票の感度と特異度を示す。

表３．１人の評価者をゴールドスタンダードと見なし、および多数票をゴールドスタンードと見なした場合のＣＱ５００データセット上のアルゴリズムのＡＵＣ

表４．ＣＱ５００データセットについての評価者ｖｓ彼らの多数票の感度と特異度。

ＣＱ５００とＱｕｒｅ２５ｋの両方のデータセットに関して、閾値と、各閾値における真陽性率（すなわち感度）と偽陽性率（すなわち１－特異度）とを変化させることによって、受信者動作特性（ＲＯＣ）曲線を、上記それぞれについて得た。それぞれ感度≒０．９（高感度ポイント）および特異度≒０．９（高特異度１４１ポイント）であるように、２つの動作点をＲＯＣ曲線の上で選択した。０．９５に近い感度を伴う高感度動作点が選ばれた。この動作点で特異度＞０．７である場合、この動作点が使用された。そうでなければ、感度が可能であれば０．９０を少し超え、または０．９０に最も近い動作点を選んだ。特異度が０．９５付近である高特異度動作点が選ばれた。この動作点で特異度＞０．７０である場合、この動作点が使用された。そうでなければ、特異度が可能であれば０．９０を少し超え、または０．９０に最も近い動作点を選んだ。ＲＯＣ曲線（ＡＵＣ）下の面積と、これらの２つの動作点における感度＆特異度は、アルゴリズムを評価するために使用された。

１．５ 統計的分析
割合とＡＵＣに関するサンプルサイズは、それぞれ正規近似と、Ｈａｎｌｅｙ ａｎｄ ＭｃＮｅｉｌ（Ｒａｄｉｏｌｏｇｙ，１４３（１）：２９－３６，１９８２）により概説された方法１４６を使用して算出された。無作為に選択されたＣＴスキャンのサンプルにおける標的異常の有病率は、低い傾向にある。これは、豊富ではない（ｕｎ－ｅｎｒｉｃｈｅｄ）データセットでの合理的に高い確率を有するアルゴリズムの感度を確立するのに、非常に大きなサンプルサイズが求められるであろうことを意味する。例えば、０．１０の半分の長さの９５％の信頼区間内の０．７の期待値を有する感度を確立するために、解釈される陽性スキャンの数は≒８０である。同様に、１％の罹患率を伴う所見について、０．０５の半分の長さの９５％の信頼区間内のＡＵＣを確立するために、解釈されるスキャンの数は≒２００００である。

この研究で使用されるＱｕｒｅ２５ｋデータセットは、人口分布から無作為にサンプリングされ、および上記のサンプルサイズ計算に従うと＞２００００のスキャン数を有した。しかしながら、１５５の放射線科医の時間に対する制約は、ＣＱ５００データセットに関してセクション２．１に概説されたエンリッチメント戦略を必要とした。スキャンの手動でのキュレーション（スキャン自体を参照することによる）は、より有意な、陽性スキャンに対する選択バイアスを有するだろう。この問題は無作為抽出によって緩和され、ここで陽性スキャンは臨床報告から判定された。

混同行列を、選択した動作点において各所見ごとに生成した。表５を参照せよ。感度と特異度に関する９５％の信頼区間は、β分布に基づいた「正確な」Ｃｌｏｐｐｅｒ－Ｐｅａｒｓｏｎ法を使用して、これらのマトリックスから算出された。ＡＵＣの信頼区間は、Ｈａｎｌｅｙ ａｎｄ ＭｃＮｅｉｌ（Ｒａｄｉｏｌｏｇｙ，１４３（１）：２９－３６，１９８２）によって記載された「分布に基づく」アプローチに従って算出された。ＣＱ５００データセットにおいては、各所見に対するペアになった評価者間の一致を、一致の割合とコーエンのカッパ（κ）係数（Ｖｉｅｒａ ｅｔ ａｌ．Ｆａｍ Ｍｅｄ，３７（５）：３６０－３６３，２００５）を使用して測定した。加えて、各所見についての３人すべての評価者間の一致を、フライスのカッパ（κ）係数（Ｆｌｅｉｓｓ，ｅｔ ａｌ，Ｓｔａｔｉｓｔｉｃａｌ ｍｅｔｈｏｄｓ ｆｏｒ ｒａｔｅｓ ａｎｄ ｐｒｏｐｏｒｔｉｏｎｓ．３６４ Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ，２０１３）を使用して測定した。

表５．クラス間の混同：これらの表中の各行列は、所見が陽性であるスキャンのサブセットで計算されたＡＵＣを表す。例えば、ＳＤＨ行は、ＳＤＨを有するスキャンでの異なる所見のＡＵＣを表す。ＳＤＨ行のＥＤＨ列における低い値は、ＳＤＨがスキャンにある場合、アルゴリズムがＥＤＨをうまく検出しないことを意味する（ＩＣＨ－ＳＡＨは頭蓋内出血とそのサブタイプである、Ｆｒａｃは頭蓋冠骨折、ＭＥとＭＬＳはそれぞれ質量効果と正中線偏位である）。

１．６ 結果
各所見ごとの患者の人口統計と有病率は表６に概説される。Ｑｕｒｅ２５ｋデータセットは２１０９５のスキャンを含み、そのうち頭蓋内出血および頭蓋冠骨折に関して陽性と報告されたスキャンの数はそれぞれ２４９５と９９２であった。ＣＱ５００データセットは４９１のスキャンを含み、そのうちバッチＢ１は２１４のスキャンを有し、バッチＢ２は２７７のスキャンを有した。Ｂ１は、それぞれ頭蓋内の１７６の出血および頭蓋冠骨折が報告された３５と６のスキャンを含んでいた。Ｂ２については、それぞれ１７０と２８であった。

表６．ＣＱ５００とＱｕｒｅ２５Ｋデータセットに関するデータセット指数。

Ｑｕｒｅ２５ｋデータセット、およびＣＱ５００データセットのバッチＢ１は、頭部ＣＴスキャンの人口分布を表すと期待された。これは、Ｑｕｒｅ２５ｋデータセットが、頭部ＣＴスキャンの大きなデータベースから無作為にサンプリングされ、他方でバッチＢ１が、選択されたセンター（１８０）において１ヶ月で取得したすべての頭部ＣＴスキャンから構成されたためである。年齢、性別および有病率の統計が、両方のデータセットで類似しているという事実は、さらにこの仮説を立証する。しかしながら、バッチＢ２は出血のより高い発生率に関して選択されたため、全体としてのＣＱ５００データセットは集団を代表するものではない。これにもかかわらず、性能メトリクス、すなわちＡＵＣ、感度および特異度は、これらのメトリクスが有病率とは無関係であるがゆえに、集団における性能を代表すべきである。

ＣＱ５００データセットの選択処理で分析された臨床報告の数は、４４６２であった。これらのうち、バッチＢ１とＢ２に関して選択されたスキャンの数はそれぞれ２８５と４４０であった。除外数はそれぞれ７１と１６３であり、結果的に合計で４９１のスキャンとなった。除外の理由は、画像が有効ではなかったこと（１１３）、手術後のスキャン（６７）、スキャンに非造影軸シリーズがなかったこと（３２）、および患者が７歳未満ではなかったこと（２２）である。ＣＱ５００データセットのデータセット選択処理の概略は図２ａ－２ｂに示される。

１．７ Ｑｕｒｅ２５Ｋデータセット
Ｑｕｒｅ２５ｋデータセットの臨床報告からの所見を推論するために使用される自然言語処理（ＮＬＰ）アルゴリズムは、合計１７７９の報告で評価された。ＮＬＰアルゴリズムの感度と特異度は極めて高い；性能が最も低かった所見は、０・９３１８（９５％ ＣＩ ０・８１３４－０・９８５７）の感度および０・９９６５（９５％ ＣＩ ０・９９２５－０・９９８７）の特異度であった硬膜下出血であり、他方で骨折は１（９５％ ＣＩ ０・９７４５－１・０００）の感度および１（９５％ ＣＩ ０・９９７７－１・０００）の特異度で完璧に推論された。評価された１７７９の報告におけるすべての標的所見に関する感度と特異度は、表７ａに示される。

表８ａおよび図２は、Ｑｕｒｅ２５ｋセットにおけるディープラーニングアルゴリズムの性能を概説する。アルゴリズムは、頭蓋内出血において０・９１９４（９５％ ＣＩ ０・９１１９－０・９２６９）、頭蓋冠骨折において０・９２４４（９５％ ＣＩ ０・９１３０－０・９３５９）、および正中線偏位上において０・９２７６（９５％ ＣＩ ０・９１３９－０・９４１３）のＡＵＣを達成した。

表７．Ｑｕｒｅ２５ｋとＣＱ５００データセットに関するゴールドスタンダードの信頼性。Ｑｕｒｅ２５ｋでは、放射線科医の報告からの所見を推論するためにＮＬＰアルゴリズムを使用した。３人の放射線科医が、ＣＱ５００における４９１の事例のそれぞれを審査し、評価者の多数票がゴールドスタンダードとして使用される。表７ａは、使用されたＮＬＰアルゴリズムの精度の推定を示し、他方で表７ｂは、放射線科医の解釈の信頼性と一致を示す。

表８．Ｑｕｒｅ２５ｋとＣＱ５００データセットにおけるアルゴリズムの性能。データセットのいずれも、訓練プロセス中には使用されなかった。ＡＵＣは、これらの両データセットにおける９つの重大なＣＴ所見に関して示される。２つの動作点は、それぞれ高感度および高特異度に関してＲＯＣ上で選ばれた。

１．８ ＣＱ５００データセット
ＣＱ５００データセットにおける３人の評価者間の一致は、頭蓋内出血（フライスのκ＝０・７８２７）および実質内出血（フライスのκ＝０・７７４６）に関して最も高いことがわかり、これらの所見に対する優れた一致を表している。頭蓋冠骨折および硬膜下出血は、それぞれフライスのκが０・４５０７と０・５４１８である最も低い一致を有し、これは良い一致から中程度の一致を示している。標的所見ごとに、一致の割合、１対の評価者間のコーエンのκ係数、および全ての評価者に関するフライスのκ係数が、表８ｂに示される。

アルゴリズムは概して、Ｑｕｒｅ２５ｋデータセットよりもＣＱ５００データセットにおいてより良好に機能した。ＡＵＣ、感度および特異度は表７ｂに示され、およびＲＯＣは図３に示される。頭蓋内出血に関するＡＵＣは０・９４１９（９５％ ＣＩ ０・９１８７－０・９６５１）であり、頭蓋冠骨折に関しては０・９６２４（９５％ ＣＩ ０・９２０４－１・００００）、および正中線偏位に関しては０・９６９７（９５％ ＣＩ ０・９４０３－０・９９９１）であった。

１．９ 頭部ＣＴスキャンのワークフロー。
図４は、ｑＥＲを使用した、頭部ＣＴスキャンに関する提案されたワークフローを示す。

１．１０ 結論
Ｑｕｒｅ２５ｋデータセットにおいて、アルゴリズムは、ＩＣＨ、ＩＰＨ、ＩＶＨ、ＳＤＨ、ＥＤＨ、およびＳＡＨをそれぞれ検出するための、０・９２±０・０１、０・９０±０・０１、０・９６±０・０１、０・９２±０・０２、０・９３±０・０２、および０・９０±０・０２のＡＵＣを達成した。ＣＱ５００データセットにおけるそれらのＡＵＣは、それぞれ０・９４±０・０２、０・９６±０・０３、０・９３±０・０７、０・９５±０・０４、０・９７±０・０６、および０・９６±０・０４であった。頭蓋冠骨折、正中線偏位および質量効果の検出のために、Ｑｕｒｅ２５ｋデータセットにおけるＡＵＣは、それぞれ０・９２±０・０１、０・９３±０・０１および０・８６±０・０１であり、他方でＣＱ５００データセットにおけるＡＵＣは、それぞれ０・９６±０・０４、０・９７±０・０３および０・９２±０・０３であった。

例は、ディープラーニングアルゴリズムが、緊急の対応を要する頭部ＣＴスキャンの異常を正確に特定することができることを実証する。これは、トリアージのプロセスを自動化するためにこれらのアルゴリズムを使用することへの可能性を開く。

Claims (26)

1. 頭部ＣＴスキャン画像の最初のスクリーニングとトリアージプロセスを自動化することにより頭部ＣＴスキャン画像解釈のワークフローを合理化する方法であって、
   該方法は、
   医用画像手順データから画像を受信し、および処理する工程、
   ディープラーニングシステムを用いて画像の医学的異常を検出し位置を特定する工程、および
   ディープラーニングシステムがコンピュータによって開発される工程、
   を含み、
   より詳しくは、該方法は、
   自然言語処理（ＮＬＰ）アルゴリズムを使用して医用スキャン画像を選択し、および医学的異常を抽出する工程であって、各種の医学的異常はスキャン画像において、スライスおよびピクセルレベルでラベル付けされる、工程、
   ピクセルレベルでラベル付けされたスキャン画像を細分化するために、選択された前記医用スキャン画像を用いて、スライスに関するディープラーニングアルゴリズムを訓練する工程、
   スライスレベルでの確率を生成するために、選択された前記医用スキャン画像を用いてディープラーニングアルゴリズムを訓練する工程、
   各種の医学的異常の存在に関する確率を予測する工程、
   前記医学的異常の存在が認識される確率に対応するスコアを生成し、および医学的異常の正確な位置と範囲を表すマスクを出力する工程、および
   画像に対して生成された前記スコアに基づいて、評価者への医学的評価の割り当てに優先順位を付ける工程、
   を含み、
   さらに、
   頭部ＣＴスキャン画像手順データは、ＤＩＣＯＭを介してＰＡＣＳに送信され、
   ＤＩＣＯＭ画像はローカルサーバ上で匿名化され、匿名化された前記ＤＩＣＯＭ画像がクラウドサーバに転送され、
   画像の医学的異常を検出および位置特定し、評価者への医学的評価の割り当てに優先順位を付けることは、前記クラウドサーバで実行されて、ＤＩＣＯＭ画像の優先順位付けステータスを取得する、
   方法。
2. 前記ＤＩＣＯＭ画像の優先順位付けステータスが前記ローカルサーバに転送され、ＨＬ７メッセージが、前記ＤＩＣＯＭ画像の優先順位付けステータスに応答して構築される、請求項１に記載の方法。
3. ＨＬ７メッセージがＲＩＳに送信される、請求項２に記載の方法。
4. ディープラーニングアルゴリズムは、畳み込みニューラルネットワークアーキテクチャを含む、請求項１に記載の方法。
5. アーキテクチャは、多数の平行した全結合層を使用して修正される、請求項４に記載の方法。
6. スライスレベルでの確率は、医学的異常の存在とそれらの種類に関するスキャン画像レベルでの確率を予測するために全結合層を使用して、スライスにわたって組み合わせられる、請求項１に記載の方法。
7. 医学的異常は、頭蓋内出血、および、実質内出血（ＩＰＨ）、脳室内出血（ＩＶＨ）、硬膜下頭蓋内出血（ＳＤＨ）、硬膜外出血（ＥＤＨ）、およびクモ膜下出血（ＳＡＨ）を含む各五つのタイプの頭蓋内出血、正中線偏位、質量効果、頭蓋骨骨折および頭蓋冠骨折を含む、請求項１に記載の方法。
8. スキャン画像は３つの別個のウィンドウへのウィンドウ生成によって前処理される、請求項１に記載の方法。
9. ３つの別個のウィンドウは、脳ウィンドウ、骨ウィンドウ、および硬膜下ウィンドウを含む、請求項８に記載の方法。
10. 医学的異常を検出するためのディープラーニングアルゴリズムの精度は、放射線科医の報告と比較することによって検証される、請求項１に記載の方法。
11. 医用画像手順データは、画像診断法によって捕らえられた画像データと、放射線画像の解釈の要求を示す命令データとを含む、請求項１に記載の方法。
12. 頭部ＣＴスキャン画像解釈のワークフローを合理化するための頭部ＣＴスキャン画像の自動スクリーニングおよびトリアージのシステムであって、該システムは、
    非造影頭部ＣＴスキャン画像において医学的異常を検出および特定するためにコンピュータによって実行されるディープラーニングシステムであって、
    ディープラーニングシステムは、
    自然言語処理（ＮＬＰ）アルゴリズムを使用して医用スキャン画像を選択し、および医学的異常を抽出する工程であって、各種の医学的異常はスキャン画像において、スライスおよびピクセルレベルでラベル付けされる、工程、
    ピクセルレベルでラベル付けされたスキャン画像を細分化するために、選択された医用画像を用いて、スライスに関するディープラーニングアルゴリズムを訓練する工程、
    スライスレベルでの確率を生成するために、選択された医用スキャン画像を用いてディープラーニングアルゴリズムを訓練する工程、
    各種の医学的異常の存在に関する確率を予測する工程、および、
    医学的異常の存在が認識される確率に対応するスコアを生成し、および医学的異常の正確な位置と範囲を表すマスクを出力する工程、および
    画像に対して生成されたスコアに基づいて、評価者への医学的評価の割り当てに優先順位を付ける工程、によって開発されるシステムであって、
    ここで頭部ＣＴスキャン画像の自動スクリーニングおよびトリアージのシステムは、
    医用画像手順データから画像を受信し、および処理する工程、
    ディープラーニングシステムを用いて画像の医学的異常を検出し位置を特定する工程；および
    画像に対して生成されたスコアに基づいて、評価者への医学的評価の割り当てに優先順位を付ける工程、から構成される、
    システム。
13. 頭部ＣＴスキャン画像手順データは、ＤＩＣＯＭを介してＰＡＣＳに送信される、請求項１２に記載のシステム。
14. ＤＩＣＯＭ画像はローカルサーバ上で匿名化される、請求項１３に記載のシステム。
15. 匿名化されたＤＩＣＯＭ画像がクラウドサーバに転送される、請求項１４に記載のシステム。
16. 画像の医学的異常を検出および位置特定し、医学的評価の評価者への割り当てに優先順位を付けることは、前記クラウドサーバで実行されて、ＤＩＣＯＭ画像の優先順位付けステータスを取得する、請求項１５に記載のシステム。
17. 前記ＤＩＣＯＭ画像の優先順位付けステータスが前記ローカルサーバに転送され、ＨＬ７メッセージが、前記ＤＩＣＯＭ画像の優先順位付けステータスに応答して構築される、請求項１６に記載のシステム。
18. ＨＬ７メッセージがＲＩＳに送信される、請求項１７に記載のシステム。
19. ディープラーニングアルゴリズムは畳み込みニューラルネットワークアーキテクチャを含む、請求項１２に記載のシステム。
20. アーキテクチャは、多数の平行した全結合層を使用して修正される、請求項１９に記載のシステム。
21. スライスレベルでの確率は、医学的異常の存在とそれらの種類に関するスキャン画像レベルでの確率を予測するために全結合層を使用して、スライスにわたって組み合わせられる、請求項１２に記載のシステム。
22. 医学的異常は、頭蓋内出血、および、実質内出血（ＩＰＨ）、脳室内出血（ＩＶＨ）、硬膜下頭蓋内出血（ＳＤＨ）、硬膜外出血（ＥＤＨ）、およびクモ膜下出血（ＳＡＨ）を含む各五つのタイプの頭蓋内出血、中線偏位、質量効果、頭蓋骨骨折および頭蓋冠骨折を含む、請求項１２に記載のシステム。
23. スキャン画像は、３つの別個のウィンドウへのウィンドウ生成によって前処理される、請求項１２に記載のシステム。
24. ３つの別個のウィンドウは、脳ウィンドウ、骨ウィンドウ、および硬膜下ウィンドウを含む、請求項２３に記載のシステム。
25. 医学的異常を検出するためのディープラーニングアルゴリズムの精度は、放射線科医の報告と比較することによって検証される、請求項１２に記載のシステム。
26. 前記医用画像手順データは、画像化診断法によって捕らえられた画像データと、放射線画像の解釈の要求を示す命令データとを含む、請求項１２に記載のシステム。

Images