JP7241075B2 - 脊椎骨折を識別するための3次元医用画像解析の方法及びシステム - Google Patents
脊椎骨折を識別するための3次元医用画像解析の方法及びシステム Download PDFInfo
- Publication number
- JP7241075B2 JP7241075B2 JP2020529542A JP2020529542A JP7241075B2 JP 7241075 B2 JP7241075 B2 JP 7241075B2 JP 2020529542 A JP2020529542 A JP 2020529542A JP 2020529542 A JP2020529542 A JP 2020529542A JP 7241075 B2 JP7241075 B2 JP 7241075B2
- Authority
- JP
- Japan
- Prior art keywords
- voxels
- voxel
- image
- fracture
- probability
- 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
- 206010041569 spinal fracture Diseases 0.000 title claims description 61
- 238000003703 image analysis method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims description 95
- 206010017076 Fracture Diseases 0.000 claims description 89
- 208000010392 Bone Fractures Diseases 0.000 claims description 67
- 238000013527 convolutional neural network Methods 0.000 claims description 52
- 210000000278 spinal cord Anatomy 0.000 claims description 33
- 238000005094 computer simulation Methods 0.000 claims description 29
- 238000003384 imaging method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000010191 image analysis Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000002059 diagnostic imaging Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 208000001132 Osteoporosis Diseases 0.000 description 9
- 210000000988 bone and bone Anatomy 0.000 description 6
- 210000000038 chest Anatomy 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 206010010214 Compression fracture Diseases 0.000 description 4
- 208000001164 Osteoporotic Fractures Diseases 0.000 description 4
- 230000003187 abdominal effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010020100 Hip fracture Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000000115 thoracic cavity Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013185 thoracic computed tomography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000123240 Pseudophoxinus handlirschi Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 230000001009 osteoporotic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
- A61B6/035—Mechanical aspects of CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Computer Graphics (AREA)
- Physiology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
Description
前記被検者の3D画像データを受け取って処理し、3Dボクセルの2つ以上のセットを生成するための3D画像プロセッサ(101)であって、セットの各々が前記3D画像の全体に対応し、セットの各々が異なる寸法の等しいボクセルから成る、3D画像プロセッサ(101)と、
計算モデルを使用して、前記ボクセルに、ボクセルが骨折を含有することの1つ又は複数のクラス確率を割り当てるためのボクセル分類器(104)と、
前記被検者における脊椎骨折の存在の確率を推定するための骨折確率推定器(103)とを備える。
脊髄の撮像情報を含む3D撮像データを受け取るステップ(201)と、
前記画像を処理して3Dボクセルの2つ以上のセットを生成するステップであって、セットの各々が前記3D画像の全体に対応し、セットの各々が異なる寸法の等しいボクセルから成る、ステップ(202)と、
計算モデルを使用して、各ボクセルについて、ボクセルが骨折を含有するクラス確率を計算するステップ(204)と、
前記ボクセルのいずれかが骨折を含有していると分類されるかどうかを識別するステップ(205)と、
骨折を含有していると分類された前記ボクセルの識別に基づいて前記個人の脊椎骨折の存在を予測するステップ(206)とを含む。
前記1つ又は複数の畳み込まれた出力からの出力を集約するための集約層と、
第1の畳み込まれた出力及び第2の畳み込まれた出力からの前記集約された出力から入力を受け取る1つ又は複数の畳み込み層とをさらに備える。
脊髄の撮像情報を含む3D撮像データを受け取るステップ(201)と、
前記画像を処理して3Dボクセルの2つ以上のセットを生成するステップであって、セットの各々が前記3D画像の全体に対応し、セットの各々が異なる寸法の等しいボクセルから成る、ステップ(202)と、
計算モデルを使用して、各ボクセルについて、ボクセルが骨折を含有するクラス確率を計算するステップ(204)と、
前記ボクセルのいずれかが骨折を含有していると分類されるかどうかを識別するステップ(205)と、
骨折を含有していると分類された前記ボクセルの識別に基づいて前記個人の脊椎骨折の存在を予測するステップ(206)とを含む。
i.ユーザ・インターフェースを介して訓練画像における各椎骨の重心座標を入力するステップと、
ii.ユーザ・インターフェースを介して椎骨骨折ラベルを入力するステップと、
iii.選択された重心座標のまわりにガウス重心の尤度関数を当てはめるステップと、
iv.訓練データセットにおける前記画像の各々に関する信号強度とラベルの対のデータセットを生成するステップとを含む方法を使用して生成されたものである。
ボクセルの各セットについて、周囲のボクセルのコンテキストでは、前記ボクセルのセットから導出された入力を受け取って2つ以上の畳み込まれた出力を生成するように構成された1つ又は複数の畳み込み層と、
ボクセルの各セットについて、前記2つ以上の畳み込まれた出力を集約するための1つ又は複数の完全に接続された層と、
前記1つ又は複数の完全に接続された層から入力を受け取って最後の分類を実行する分類層とを備える。
前記1つ又は複数の畳み込まれた出力からの出力を集約するための集約層と、
第1の畳み込まれた出力及び第2の畳み込まれた出力からの前記集約された出力から入力を受け取る1つ又は複数の畳み込み層とをさらに備える。この方法の別の実施例では、計算モデルを使用して、各ボクセル・クラスについてボクセルが骨折を含有する確率を計算するステップ(204)は、畳み込みニューラル・ネットワーク(CNN)を利用するものであり、CNNは、フォアグラウンドを支援するためのサンプル抽出比、より具体的には背景:正常:骨折の比が1:3:3になり得るようなサンプル抽出比を使用し、注釈付きの入力3D画像のセットを使用して事前訓練されている。
「実例1」CT画像のセット上の脊椎骨折を識別するためのシステムの性能。
本明細書で説明された方法のために、1つの大学病院のイメージングデータベースから、一連の腹部及び胸部のCT試験の120の匿名化された画像が使用された。これらの画像は、70歳を超える様々な兆候を有する患者(70歳~101歳、平均年齢は81歳、64%が女性患者)を含めて、4つの別々のスキャナ(Siemens、Philips及び2つのタイプのGEスキャナ)で、2017年の2月及び3月に取得されたものである。結果として、このデータセットは、プロトコルの種々雑多な範囲、再構成フォーマット及びこの患者集団に対する臨床診療からのサンプルを表す患者を含有している。椎骨分布は、228(18.7%)の骨折を含む合計1219の椎骨を含有している。このデータセットは、視野内のすべての椎骨に対してGenant等級(正常、軽症、中程度、重症)を与える1人の放射線専門医(S.R.)によって監督された。
参考文献
Baum et al (2014) Automatic detection of osteoporotic vertebral fractures in routine thoracic and abdominal mdct. European radiology, 24(4):872-880
Buckens et al (2013) Intra and interobserver reliability and agreement of semiquantitative vertebral fracture assessment on chest computed tomography. PloS one, 8(8):e71204
Buckens et al. (2014) Prevalent vertebral fractures on chest ct: higher risk for future hip fracture. Journal of Bone and Mineral Research, 29(2):392-398
Cicek et al (2016) 3d u-net: learning dense volumetric segmentation from sparse annotation. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 424-432. Springer
Cooper et al (1992) Incidence of clinically diagnosed vertebral fractures: A population-based study in rochester, minnesota, 1985-1989. Journal of Bone and Mineral Research, 7(2):221-227
Genant et al (1993) Vertebral fracture assessment using a semiquantitative technique. Journal of bone and mineral research, 8(9):1137-1148
Glocker et al (2013) Vertebrae localization in pathological spine ct via dense classification from sparse annotations. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 262-270. Springer
He et al (2015) Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. In Proceedings of the IEEE international conference on computer vision, pages 1026-1034
He et al (2016) Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770-778
International Osteoporosis Foundation. Vertebral Fracture Teaching Program. https: //www.iofbonehealth.org/what-we-do/training-and-education/educational-slide-kits/vertebral-fracture-teaching-program, 2017.
Ioffe and Szegedy (2015) Batch normalization: Accelerating deep network training by reducing internal covariate shift. In International Conference on Machine Learning, pages 448-456
Johnell et al (2006) An estimate of the worldwide prevalence and disability associated with osteoporotic fractures. Osteoporosis international, 17(12):1726-1733
Kamnitsas et al (2017) Efficient multi-scale 3d CNN with fully connected CRF for accurate brain lesion segmentation. Medical Image Analysis, 36:61-78
Klinder et al (2009) Automated model-based vertebra detection, identification, and segmentation in ct images. Medical image analysis, 13(3):471-482
Litjens et al (2017) A survey on deep learning in medical image analysis. arXiv preprint arXiv:1702.05747
Mitchell et al (2017) Reporting of vertebral fragility fractures: can radiologists help reduce the number of hip fractures? Archives of Osteoporosis, 12(1):71
Roux et al (2007) Mild prevalent and incident vertebral fractures are risk factors for new fractures. Osteoporosis International, 18(12):1617-1624
Schwartz et al (2005) Detection of vertebral fractures. Current osteoporosis reports, 3(4): 126-135
Szegedy et al (2015) Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 1-9
Claims (63)
- 被検者の脊椎骨折の存在を予測するための3次元医用画像解析システムであって、
前記被検者の3D画像データを受け取って処理し、3Dボクセルの2つ以上のセットを生成するための3D画像プロセッサ(101)であって、前記セットの各々が前記3D画像の全体に対応し、前記セットの各々の間で異なる寸法であって各セットにおいて等しいボクセルから成る、3D画像プロセッサ(101)と、
計算モデルを使用して、前記ボクセルに、ボクセルが骨折を含有することの1つ又は複数のクラス確率を割り当てるためのボクセル分類器(104)と、
前記ボクセル分類器(104)からの前記ボクセルの前記クラス確率を使用して、前記被検者における脊椎骨折の存在の確率を推定するための骨折確率推定器(103)とを備える3次元医用画像解析システム。 - 前記画像の前記脊髄を含む部分を検出するための脊髄検出器(102)をさらに備え、前記ボクセル分類器(104)は、前記脊髄検出器(102)から、又は前記3D画像プロセッサ(101)から直接、前記3D画像データの情報を受信するように構成されている、請求項1に記載のシステム。
- 前記脊髄検出器(102)が、前記画像データにおいて前記脊髄を突き止めるために最大の信号強度を使用する、請求項2に記載のシステム。
- 前記脊髄検出器(102)が、x軸、y軸及びz軸に沿って前記脊髄を突き止めるために解剖学的事前情報を使用する、請求項3に記載のシステム。
- 前記3D画像データがコンピュータ・ネットワークを介して受け取られる、請求項1に記載のシステム。
- 3Dボクセルの少なくとも1つのセットが1mm3の等方性ボクセルのセットである、請求項1に記載のシステム。
- 3Dボクセルの第1のセットが1mm3の等方性ボクセルのセットであり、3Dボクセルの第2のセットが3mm3の等方性ボクセルのセットである、請求項1に記載のシステム。
- 3Dボクセルの少なくとも1つのセットが異方性ボクセルのセットである、請求項1に記載のシステム。
- 前記3D画像プロセッサ(101)が、前記ボクセルの強度の平均値及び単位標準偏差に正規化された3Dボクセルのセットを出力する、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が、周囲のボクセルのコンテキストでは、ボクセルの前記1つ又は複数のセットの、前記ボクセルの各々を分類する、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が、前記周囲のボクセルのコンテキストでは、前記ボクセルの各々を分類し、30~40mm3の前記ボクセルのコンテキストでは、前記ボクセルの各々を前記第1のセットに分類し、90~120mm3の前記ボクセルのコンテキストでは、前記ボクセルの各々を前記第2のセットに分類する、請求項6に記載のシステム。
- 前記第1のセットが35mm3の前記ボクセルのコンテキストで分類され、前記第2のセットが105mm3の前記ボクセルのコンテキストで分類される、請求項10に記載のシステム。
- 前記ボクセル分類器(104)が、各ボクセルについて1つ又は複数のクラス確率を割り当てることによって各ボクセルを分類する、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が、事前訓練された分類器を使用して前記ボクセルに1つ又は複数のクラス・ラベルを割り当てることによって各ボクセルを分類する、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が、各ボクセルについて、背景クラス、正常クラス、骨折クラスとして分類される確率を計算する、請求項1に記載のシステム。
- 前記骨折確率推定器(103)が、前記ボクセル分類器(104)から入力を受け取るように構成された画像分類器(108)を備える、請求項1に記載のシステム。
- 前記骨折確率推定器(103)が備える画像分類器(108)が、前記3D画像を骨折の有/無で分類するように構成されており、前記ボクセル分類器(104)から前記3D画像の各ボクセルに関する入力を受け取って、前記3D画像に関する集約された確率値の出力をもたらす、請求項1に記載のシステム。
- 前記画像分類器(108)が、骨折クラスの確率を割り当てられたボクセルの数の最小閾値に基づいて前記3D画像を分類するように構成されている、請求項17に記載のシステム。
- 前記骨折確率推定器(103)が、前記3D画像に存在する椎骨の解剖学的ラベル割当て器(106)を備える、請求項1に記載のシステム。
- 前記骨折確率推定器(103)が椎骨探知器(105)を備える、請求項1に記載のシステム。
- 前記椎骨探知器(105)が前記3D画像内の各椎骨の重心座標を生成する、請求項20に記載のシステム。
- 前記骨折確率推定器(103)が椎骨分類器(107)を備える、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が畳み込みニューラル・ネットワーク(CNN)を利用する、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が、ニューラル・ネットワーク層のセットを備えるCNNを利用し、前記ニューラル・ネットワーク層のシーケンスが、
ボクセルの各セットについて、周囲のボクセルのコンテキストでは、前記ボクセルのセットから導出された入力を受け取って2つ以上の畳み込まれた出力を生成するように構成された1つ又は複数の畳み込み層と、
前記2つ以上の畳み込まれた出力を集約するための1つ又は複数の完全に接続された層と、
前記1つ又は複数の完全に接続された層から入力を受け取って最後の分類を実行する分類層とを備える、請求項10に記載のシステム。 - 前記最後の分類が、正常、骨折、又は背景として分類される前記ボクセルの各々に確率を割り当てる、請求項24に記載のシステム。
- 前記ボクセル分類器(104)が、注釈を付けてボクセルに分割された入力3D画像のセットを使用して事前訓練され、各3Dボクセルにはx軸、y軸及びz軸に沿って強度ノイズ信号が付加される、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が、フォアグラウンドを支援するためのサンプル抽出比を使用する注釈付きの入力3D画像のセットを使用して事前訓練されたCNNを利用する、請求項1に記載のシステム。
- 前記ボクセル分類器(104)が、1:3:3の背景:正常:骨折のサンプル抽出比を使用する注釈付きの入力3D画像のセットを使用して事前訓練されているCNNを利用する、請求項1に記載のシステム。
- 前記3D画像データが画像強度を含み、前記画像強度が信号の動的レンジを有する、請求項1に記載のシステム。
- 前記3D画像データがデータベース・システムに受け取られて記憶される、請求項1に記載のシステム。
- 被検者の少なくとも1つの3D画像(1401)を生成するための撮像装置と、
請求項1から30までのいずれか一項に記載の少なくとも1つの生成された画像において前記被検者の脊椎骨折の存在を予測するためのシステムとを備える医用画像ワークステーション。 - 3次元医用画像解析システムにより実行され、個人の脊椎骨折の存在を予測する3次元医用画像解析方法であって、
記憶装置から前記脊髄の撮像情報を含む3D撮像データを受け取るステップ(201)と、
前記画像を処理して3Dボクセルの2つ以上のセットを生成するステップであって、前記セットの各々が前記3D画像の全体に対応し、前記セットの各々の間で異なる寸法であって各セットにおいて等しいボクセルから成る、ステップ(202)と、
計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算するステップ(204)と、
前記ボクセルのいずれが骨折を含有していると分類されるかどうかを識別するステップ(205)と、
骨折を含有していると分類された前記ボクセルの前記識別に基づいて前記個人の脊椎骨折の存在を予測するステップ(206)とを含む方法。 - 前記ステップ(202)で得られた前記3Dボクセルの2つ以上のセットを受信し、前記画像の中で前記脊髄を突き止めるステップ(203)と、前記脊髄を含むボクセルの各セットについて脊柱によって切り取られた出力画像を生成するステップと、前記脊髄を含むボクセルのセットを出力するステップとをさらに含む、請求項32に記載の方法。
- 前記3D撮像データがコンピュータ・ネットワークを介して受け取られる、請求項32に記載の方法。
- 前記分類が、
i.ユーザ・インターフェースを介して訓練画像における各椎骨の重心座標を入力するステップと、
ii.ユーザ・インターフェースを介して椎骨骨折ラベルを入力するステップと、
iii.選択された重心座標のまわりにガウス重心の尤度関数を当てはめるステップと、
iv.訓練データセットにおける前記画像の各々に関する信号強度とラベルの対のデータセットを生成するステップとを含む方法を使用して生成された前記訓練データセットを使用して訓練されたモデルを使用して実行される、請求項32に記載の方法。 - 前記計算モデルが事前注釈付きの画像のセット上で訓練されたものである、請求項32に記載の方法。
- 前記計算モデルが、ボクセルの2つ以上のセットに分割された、事前注釈付きの画像のセット上で訓練されたものである、請求項32に記載の方法。
- 前記画像を処理して2つ以上のボクセルのセットに分割するステップ(202)が、x軸、y軸及びz軸に沿って生成された各3Dボクセルに強度ノイズ信号を付加するステップを含む、請求項32に記載の方法。
- 前記画像の中で前記脊髄を突き止める前記ステップ(203)が、最大の信号強度に基づいて、前記画像データの中で前記脊髄を粗く突き止めるものである、請求項33に記載の方法。
- 前記画像の中で前記脊髄を突き止める前記ステップ(203)が、解剖学的事前情報を使用して、前記x軸、y軸及びz軸に沿って前記脊髄を粗く突き止めるものである、請求項33に記載の方法。
- 前記3Dボクセルのセットのうち少なくとも1つが1mm3の等方性ボクセルのセットである、請求項32に記載の方法。
- 前記3Dボクセルのセットのうち少なくとも1つが等方性ボクセルのセットである、請求項32に記載の方法。
- 前記画像を処理してボクセルのセットに分割するステップ(202)が、前記ボクセルの強度の平均値及び単位標準偏差に正規化するステップをさらに含む、請求項32に記載の方法。
- 前記画像を処理してボクセルのセットに分割するステップ(202)が、x軸、y軸及びz軸に沿ってそれぞれ生成された3Dボクセルに対して強度ノイズを付加するステップをさらに含む、請求項32に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、ボクセルごとに1つ又は複数のクラスの確率を割り当てることによる各ボクセルの分類を含む、請求項32に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、周囲のボクセルのコンテキストでは、ボクセルの前記1つ又は複数のセットにおける前記ボクセルの各々の分類を含む、請求項32に記載の方法。
- 前記ボクセルの各々の分類が、前記周囲のボクセルのコンテキストで実行され、30~40mm3の前記ボクセルのコンテキストでは、前記ボクセルの各々を前記第1のセットに分類し、90~120mm3の前記ボクセルのコンテキストでは、前記ボクセルの各々を前記第2のセットに分類する、請求項46に記載の方法。
- 前記第1のセットが35mm3の前記ボクセルのコンテキストで分類され、前記第2のセットが105mm3の前記ボクセルのコンテキストで分類される、請求項47に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、事前訓練された分類器を使用して前記ボクセルに1つ又は複数のクラス・ラベルを割り当てることによって周囲のボクセルのコンテキストにおける各ボクセルを分類するために、分類器を使用する、請求項46に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、前記画像における各ボクセルについて、背景クラス、正常クラス、又は骨折クラスと分類される出力確率を生成する、請求項32に記載の方法。
- 脊椎骨折の存在を予測する前記ステップ(206)が、前記3D画像を骨折の有/無に分類することを含み、脊椎骨折の存在を予測する前記ステップ(206)が、前記3D画像の各ボクセルに関する計算モデルを使用して前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)から入力分類値を受け取り、脊椎骨折の存在を予測する前記ステップ(206)が、前記3D画像に関する集約された確率値の出力をもたらす、請求項32に記載の方法。
- 脊椎骨折の存在を予測する前記ステップ(206)が、割り当てられた骨折クラスの確率を有するボクセルの数の最小の閾値に基づく前記3D画像の分類を含む、請求項32に記載の方法。
- 脊椎骨折の存在を予測する前記ステップ(206)が、前記画像において前記椎骨を突き止めるステップと、前記3D画像に存在する椎骨に解剖学的ラベルを割り当てるステップとを含む、請求項32に記載の方法。
- 前記椎骨に骨折がある確率を割り当てることによって椎骨を分類するステップをさらに含む、請求項32に記載の方法。
- 前記椎骨を突き止める前記ステップが、前記3D画像の内部に各椎骨の重心座標を生成する、請求項53に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、畳み込みニューラル・ネットワーク(CNN)を利用するものである、請求項32に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、ニューラル・ネットワーク層のセットを備える畳み込みニューラル・ネットワーク(CNN)を利用するものであり、ニューラル・ネットワーク層の前記セットが、
ボクセルの各セットについて、前記周囲のボクセルの前記コンテキストでは、前記ボクセルのセットから導出された入力を受け取って2つ以上の畳み込まれた出力を生成するように構成された1つ又は複数の畳み込み層と、
前記ボクセルのセットの各々について、前記1つ又は複数の畳み込まれた出力からの前記出力を集約するための集約層と、
第1の畳み込まれた出力及び第2の畳み込まれた出力からの前記集約された出力から入力を受け取る1つ又は複数の畳み込み層と、
前記2つ以上の畳み込まれた出力を集約するための1つ又は複数の完全に接続された層と、
前記1つ又は複数の完全に接続された層から入力を受け取って最後の分類を実行する分類層とを備える、請求項46に記載の方法。 - 前記最後の分類が、正常、骨折、又は背景として分類される前記ボクセルの各々に確率を割り当てることによって遂行される、請求項57に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、フォアグラウンドを支援するためのサンプル抽出比を用いて注釈付きの入力3D画像のセットを使用して事前訓練されている畳み込みニューラル・ネットワーク(CNN)を利用するものである、請求項32に記載の方法。
- 計算モデルを使用して、前記ボクセルについて、骨折を含有するクラス確率を計算する前記ステップ(204)が、背景:正常:骨折が1:3:3となるサンプル抽出比を用いて注釈付きの入力3D画像のセットを使用して事前訓練されている畳み込みニューラル・ネットワーク(CNN)を利用するものである、請求項32に記載の方法。
- 前記3D画像データが画像強度を含み、前記画像強度が信号の動的レンジを有する、請求項32に記載の方法。
- 請求項32から61までのいずれか一項に記載の方法のステップを実行するためのコード手段を含むコンピュータ・プログラムであって、コンピュータ上で実行されるコンピュータ・プログラム。
- 実行可能命令を記憶している非一時的コンピュータ可読媒体であって、コンピュータが、前記実行可能命令を実行することにより、個人における脊椎骨折のリスクを予測するための、請求項32から61までのいずれか一項に記載の方法を実行する、非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB1720059.3A GB201720059D0 (en) | 2017-12-01 | 2017-12-01 | Three-dimensional medical image analysis method and system for identification of vertebral fractures |
GB1720059.3 | 2017-12-01 | ||
PCT/EP2018/082925 WO2019106061A1 (en) | 2017-12-01 | 2018-11-29 | Three-dimensional medical image analysis method and system for identification of vertebral fractures |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021504061A JP2021504061A (ja) | 2021-02-15 |
JP7241075B2 true JP7241075B2 (ja) | 2023-03-16 |
Family
ID=60950305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020529542A Active JP7241075B2 (ja) | 2017-12-01 | 2018-11-29 | 脊椎骨折を識別するための3次元医用画像解析の方法及びシステム |
Country Status (11)
Country | Link |
---|---|
US (2) | US11341639B2 (ja) |
EP (1) | EP3718077A1 (ja) |
JP (1) | JP7241075B2 (ja) |
KR (1) | KR102708979B1 (ja) |
CN (1) | CN111417980B (ja) |
AU (1) | AU2018376561B2 (ja) |
CA (1) | CA3084097A1 (ja) |
GB (1) | GB201720059D0 (ja) |
IL (1) | IL274767B2 (ja) |
SG (1) | SG11202004739RA (ja) |
WO (1) | WO2019106061A1 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135227B (zh) * | 2018-02-09 | 2022-06-03 | 电子科技大学 | 一种基于机器学习的激光点云室外场景自动分割方法 |
JP7304901B2 (ja) * | 2018-09-04 | 2023-07-07 | 深▲セン▼先進技術研究院 | 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体 |
US11011257B2 (en) | 2018-11-21 | 2021-05-18 | Enlitic, Inc. | Multi-label heat map display system |
US20220028066A1 (en) * | 2018-12-10 | 2022-01-27 | Voxeleron, LLC | System and method for obtaining measurements from imaging data |
US11315242B2 (en) * | 2019-04-10 | 2022-04-26 | International Business Machines Corporation | Automated fracture detection using machine learning models |
US11263497B2 (en) | 2019-06-21 | 2022-03-01 | StraxCorp Pty. Ltd. | Method and system for machine learning classification based on structure or material segmentation in an image |
CN110276408B (zh) * | 2019-06-27 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
US11068752B2 (en) * | 2019-10-31 | 2021-07-20 | General Electric Company | Inspection systems and methods including image classification module |
US11741694B2 (en) | 2020-06-09 | 2023-08-29 | Merative Us L.P. | Spinal fracture detection in x-ray images |
CN111899880B (zh) * | 2020-08-03 | 2024-08-27 | 暨南大学附属第一医院(广州华侨医院) | 腰椎骨小梁负载应力改变及隐匿骨折人工风险评估方法 |
JP2022040570A (ja) * | 2020-08-31 | 2022-03-11 | グローリー株式会社 | 画像処理装置、画像処理システム、アノテーション付与方法、学習済みモデルの製造方法、学習済みモデル、およびプログラム |
CN112529035B (zh) * | 2020-10-30 | 2023-01-06 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 识别不同电台个体种类的智能识别方法 |
US20220293244A1 (en) * | 2021-03-09 | 2022-09-15 | Washington University | Methods and systems for resting state fmri brain mapping with reduced imaging time |
KR102588116B1 (ko) * | 2021-04-19 | 2023-10-11 | 주식회사 바스젠바이오 | 엑스레이 영상에서 골절을 검출하는 방법 |
CN113378756B (zh) * | 2021-06-24 | 2022-06-14 | 深圳市赛维网络科技有限公司 | 一种三维人体语义分割方法、终端设备及存储介质 |
CN113470004A (zh) * | 2021-07-22 | 2021-10-01 | 上海嘉奥信息科技发展有限公司 | 一种基于ct的单个椎体的分割方法、系统及介质 |
WO2023010248A1 (zh) * | 2021-08-02 | 2023-02-09 | 香港中文大学 | 利用胸腹部正位x线片检测脊柱骨质疏松性压缩性骨折的装置 |
CN114078120B (zh) * | 2021-11-22 | 2022-05-20 | 北京欧应信息技术有限公司 | 用于检测脊柱侧弯的方法、设备和介质 |
CN114782472B (zh) * | 2022-06-22 | 2022-10-14 | 杭州三坛医疗科技有限公司 | 一种ct图像的分割方法及装置 |
WO2024018368A2 (en) * | 2022-07-18 | 2024-01-25 | Augmedics Ltd. | Calibration and registration of pre-operative and intraoperative images |
WO2024047142A1 (en) * | 2022-09-01 | 2024-03-07 | Koninklijke Philips N.V. | Spinal fracture detection |
KR102605501B1 (ko) * | 2022-11-23 | 2023-11-24 | 주식회사 바스젠바이오 | 인공신경망 기반의 척추 전방위증 진단 장치 및 그 정보 제공 방법 |
KR102570004B1 (ko) * | 2022-12-02 | 2023-08-24 | 주식회사 바스젠바이오 | 인공신경망 기반의 척추 진단 시스템 및 그 정보 제공 방법 |
KR20240139497A (ko) | 2023-03-14 | 2024-09-23 | 김태신 | 압박골절 발생 예측 장치 및 그 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080132784A1 (en) | 2006-11-26 | 2008-06-05 | Algotec Systems Ltd. | Spine labeling |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6385283B1 (en) * | 1999-11-24 | 2002-05-07 | Hologic, Inc. | Device and method for determining future fracture risk |
US6975894B2 (en) * | 2001-04-12 | 2005-12-13 | Trustees Of The University Of Pennsylvania | Digital topological analysis of trabecular bone MR images and prediction of osteoporosis fractures |
GB0503236D0 (en) * | 2005-02-16 | 2005-03-23 | Ccbr As | Vertebral fracture quantification |
US20090169087A1 (en) * | 2006-03-24 | 2009-07-02 | Kunio Doi | Method for detection of vertebral fractures on lateral chest radiographs |
US8175349B2 (en) | 2006-08-16 | 2012-05-08 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting vertebrae in digitized images |
US7804992B2 (en) * | 2006-10-02 | 2010-09-28 | Hologic, Inc. | Cardiovascular risk assessments using aortic calcification information derived from x-ray measurements taken with a dual energy x-ray densitometer |
GB0806509D0 (en) | 2008-04-10 | 2008-05-14 | Nordic Bioscience As | Vertebral fracture prediction |
US8437521B2 (en) | 2009-09-10 | 2013-05-07 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging |
US8693750B2 (en) * | 2011-01-14 | 2014-04-08 | Siemens Aktiengesellschaft | Method and system for automatic detection of spinal bone lesions in 3D medical image data |
US8891848B2 (en) * | 2011-06-14 | 2014-11-18 | Radnostics, LLC | Automated vertebral body image segmentation for medical screening |
US9002081B2 (en) * | 2011-10-18 | 2015-04-07 | Matthew Sherman Brown | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes |
US10039513B2 (en) | 2014-07-21 | 2018-08-07 | Zebra Medical Vision Ltd. | Systems and methods for emulating DEXA scores based on CT images |
DE102014221942A1 (de) * | 2014-10-28 | 2016-04-28 | Siemens Aktiengesellschaft | Verfahren zur vollautomatischen Detektion und Bewertung von Wirbelschäden |
US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
-
2017
- 2017-12-01 GB GBGB1720059.3A patent/GB201720059D0/en not_active Ceased
-
2018
- 2018-11-29 AU AU2018376561A patent/AU2018376561B2/en active Active
- 2018-11-29 KR KR1020207018632A patent/KR102708979B1/ko active IP Right Grant
- 2018-11-29 SG SG11202004739RA patent/SG11202004739RA/en unknown
- 2018-11-29 CN CN201880077725.7A patent/CN111417980B/zh active Active
- 2018-11-29 EP EP18811788.1A patent/EP3718077A1/en active Pending
- 2018-11-29 WO PCT/EP2018/082925 patent/WO2019106061A1/en unknown
- 2018-11-29 US US16/767,785 patent/US11341639B2/en active Active
- 2018-11-29 CA CA3084097A patent/CA3084097A1/en active Pending
- 2018-11-29 JP JP2020529542A patent/JP7241075B2/ja active Active
- 2018-11-29 IL IL274767A patent/IL274767B2/en unknown
-
2022
- 2022-04-21 US US17/726,459 patent/US11710233B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080132784A1 (en) | 2006-11-26 | 2008-06-05 | Algotec Systems Ltd. | Spine labeling |
Non-Patent Citations (1)
Title |
---|
Holger R. Rtoth et al.,Deep convolutional networks for automated detection of posterior-element fractures on spine CT,PROGRESS IN BIOMEDICAL OPTICS AND IMAGING, SPIE - INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING,2016年03月24日,vol.9785,24,97850P 7,https://doi.org/10.1117/12.2217146 |
Also Published As
Publication number | Publication date |
---|---|
US11341639B2 (en) | 2022-05-24 |
US20220358644A1 (en) | 2022-11-10 |
IL274767B2 (en) | 2024-09-01 |
SG11202004739RA (en) | 2020-06-29 |
CN111417980A (zh) | 2020-07-14 |
JP2021504061A (ja) | 2021-02-15 |
NZ764955A (en) | 2023-11-24 |
WO2019106061A1 (en) | 2019-06-06 |
IL274767A (en) | 2020-07-30 |
AU2018376561A1 (en) | 2020-06-18 |
KR102708979B1 (ko) | 2024-09-23 |
CA3084097A1 (en) | 2019-06-06 |
US20200364856A1 (en) | 2020-11-19 |
KR20200095504A (ko) | 2020-08-10 |
GB201720059D0 (en) | 2018-01-17 |
CN111417980B (zh) | 2024-06-04 |
EP3718077A1 (en) | 2020-10-07 |
US11710233B2 (en) | 2023-07-25 |
AU2018376561B2 (en) | 2024-05-02 |
IL274767B1 (en) | 2024-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7241075B2 (ja) | 脊椎骨折を識別するための3次元医用画像解析の方法及びシステム | |
Al Arif et al. | Fully automatic cervical vertebrae segmentation framework for X-ray images | |
US11275976B2 (en) | Medical image assessment with classification uncertainty | |
US8126242B2 (en) | Computer program products and methods for detection and tracking of rheumatoid arthritis | |
US11058383B2 (en) | Apparatus for the detection of opacities in X-ray images | |
US11741694B2 (en) | Spinal fracture detection in x-ray images | |
Vania et al. | Automatic spine segmentation using convolutional neural network via redundant generation of class labels for 3D spine modeling | |
US20240062367A1 (en) | Detecting abnormalities in an x-ray image | |
Patil et al. | Law Texture Analysis for the Detection of Osteoporosis of Lumbar Spine (L1-L4) X-ray Images Using Convolutional Neural Networks | |
Horry et al. | Factors determining generalization in deep learning models for scoring COVID-CT images | |
Torres-Robles et al. | A robust neuro-fuzzy classifier for the detection of cardiomegaly in digital chest radiographies | |
Anima et al. | On the Automated unruptured Intracranial Aneurysm segmentation from TOF-MRA using Deep Learning Techniques. | |
US20240331872A1 (en) | System and method for detection of a heart failure risk | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
US20240268699A1 (en) | Automated quantitative joint and tissue analysis and diagnosis | |
Bromiley et al. | Error Estimation for Appearance Model Segmentation of Musculoskeletal Structures Using Multiple, Independent Sub-models | |
US20220245795A1 (en) | Methods and systems for detecting acquisition errors in medical images | |
Kouser et al. | Check for updates | |
Murthuja et al. | PROGRESSIVE DEEP LEARNING APPROACHES FOR MULTI-CLASS CLASSIFICATION IN DETECTING COVID-19 THROUGH CHEST X-RAY IMAGING | |
Wilhelm | A Deep Learning Approach to Detecting Dysphagia in Videofluoroscopy | |
Goel et al. | A Deep-Learning Framework for Improving COVID-19 CT Image Quality and Diagnostic Accuracy | |
Kalaivani et al. | Automatic detection of infected areas of CT images in COVID-19 patients using Inf-Seg-Net | |
Pratap et al. | An Enhanced Efficientnet Algorithm For Prediction Of Cervical Spine Fracture | |
KR20240057779A (ko) | 치과 방사선 영상으로부터 치아 발육단계를 검출하는 방법 및 이를 이용한 장치 | |
CN114287043A (zh) | 使用减少的参考图像分析和减少站点间/站点内变异性以及改进放射科医生诊断准确性和一致性的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221026 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221031 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230126 |
|
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: 20230214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230306 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7241075 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |