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
医用画像評価のためのディープラーニングの応用 Download PDFInfo
- Publication number
- JP7222882B2 JP7222882B2 JP2019507911A JP2019507911A JP7222882B2 JP 7222882 B2 JP7222882 B2 JP 7222882B2 JP 2019507911 A JP2019507911 A JP 2019507911A JP 2019507911 A JP2019507911 A JP 2019507911A JP 7222882 B2 JP7222882 B2 JP 7222882B2
- Authority
- JP
- Japan
- Prior art keywords
- medical
- images
- image
- scan
- deep learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
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。
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。
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。
・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)。
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。
・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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Claims (26)
- 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。 - 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。
- HL7メッセージがRISに送信される、請求項2に記載の方法。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201821042894 | 2018-11-14 | ||
IN201821042894 | 2018-11-14 | ||
PCT/IB2019/050315 WO2020099940A1 (en) | 2018-11-14 | 2019-01-15 | Application of deep learning for medical imaging evaluation |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021509977A JP2021509977A (ja) | 2021-04-08 |
JP7222882B2 true JP7222882B2 (ja) | 2023-02-15 |
Family
ID=70731805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019507911A Active JP7222882B2 (ja) | 2018-11-14 | 2019-01-15 | 医用画像評価のためのディープラーニングの応用 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7222882B2 (ja) |
CN (1) | CN111436215A (ja) |
WO (1) | WO2020099940A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506245A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于深度残差网络的高压断路器机械性能评估方法 |
CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210690A1 (en) | 2016-06-03 | 2017-12-07 | Lu Le | Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans |
WO2018009405A1 (en) | 2016-07-08 | 2018-01-11 | Avent, Inc. | System and method for automatic detection, localization, and semantic segmentation of anatomical objects |
US20180033144A1 (en) | 2016-09-21 | 2018-02-01 | Realize, Inc. | Anomaly detection in volumetric images |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106645A1 (en) * | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
CN112466439A (zh) * | 2018-01-23 | 2021-03-09 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度系统及存储介质 |
-
2019
- 2019-01-15 JP JP2019507911A patent/JP7222882B2/ja active Active
- 2019-01-15 CN CN201980000264.8A patent/CN111436215A/zh active Pending
- 2019-01-15 WO PCT/IB2019/050315 patent/WO2020099940A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210690A1 (en) | 2016-06-03 | 2017-12-07 | Lu Le | Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans |
WO2018009405A1 (en) | 2016-07-08 | 2018-01-11 | Avent, Inc. | System and method for automatic detection, localization, and semantic segmentation of anatomical objects |
US20180033144A1 (en) | 2016-09-21 | 2018-02-01 | Realize, Inc. | Anomaly detection in volumetric images |
Non-Patent Citations (1)
Title |
---|
Sasank Chilamkurthy et al.,Development and Validation of Deep Learning Algorithms for Detection of Critical Findings in Head CT Scans,[online],arXiv:1803.05854v2,2018年04月12日,https://arxiv.org/abs/1803.05854,[2021年3月3日検索] |
Also Published As
Publication number | Publication date |
---|---|
CN111436215A (zh) | 2020-07-21 |
JP2021509977A (ja) | 2021-04-08 |
WO2020099940A1 (en) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504227B1 (en) | Application of deep learning for medical imaging evaluation | |
Seyyed-Kalantari et al. | CheXclusion: Fairness gaps in deep chest X-ray classifiers | |
Chilamkurthy et al. | Development and validation of deep learning algorithms for detection of critical findings in head CT scans | |
US20220180514A1 (en) | Methods of assessing lung disease in chest x-rays | |
US11308612B2 (en) | Systems and methods for detection of infectious respiratory diseases | |
US20220301159A1 (en) | Artificial intelligence-based colonoscopic image diagnosis assisting system and method | |
Tharek et al. | Intracranial hemorrhage detection in CT scan using deep learning | |
Karthik et al. | Ai for COVID-19 detection from radiographs: Incisive analysis of state of the art techniques, key challenges and future directions | |
JP2023509976A (ja) | リアルタイム放射線医学を行うための方法およびシステム | |
Xuan et al. | Prenatal prediction and typing of placental invasion using MRI deep and radiomic features | |
JP7222882B2 (ja) | 医用画像評価のためのディープラーニングの応用 | |
US20220277445A1 (en) | Artificial intelligence-based gastroscopic image diagnosis assisting system and method | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
EP3813075A1 (en) | System and method for automating medical images screening and triage | |
JP7097350B2 (ja) | 医用画像評価のためのディープラーニングの応用 | |
Groot Lipman et al. | Artificial intelligence-based diagnosis of asbestosis: analysis of a database with applicants for asbestosis state aid | |
Nagaraj et al. | Optimized TSA ResNet Architecture with TSH—Discriminatory Features for Kidney Stone Classification from QUS Images | |
Zadeh et al. | An analysis of new feature extraction methods based on machine learning methods for classification radiological images | |
Gunturkun et al. | Development of a Deep Learning Model for Retinal Hemorrhage Detection on Head Computed Tomography in Young Children | |
Guo et al. | The gap in the thickness: estimating effectiveness of pulmonary nodule detection in thick-and thin-section CT images with 3D deep neural networks | |
Abitha et al. | Application of DL/ML in diagnosis in medical imaging | |
Malik et al. | Stacked deep model‐based classification of the multiclass brain hemorrhages in CT scans | |
US20230342928A1 (en) | Detecting ischemic stroke mimic using deep learning-based analysis of medical images | |
US11521321B1 (en) | Monitoring computed tomography (CT) scan image | |
EP4379672A1 (en) | Methods and systems for classifying a medical image dataset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190510 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210317 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210614 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210714 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220202 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220516 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220915 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220915 |
|
C11 | Written invitation by the commissioner to file amendments |
Free format text: JAPANESE INTERMEDIATE CODE: C11 Effective date: 20221011 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20221129 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20221130 |
|
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: 20230112 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230203 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7222882 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |