JP7279015B2 - マンモグラフィにおける密度の評価 - Google Patents

マンモグラフィにおける密度の評価 Download PDF

Info

Publication number
JP7279015B2
JP7279015B2 JP2020505540A JP2020505540A JP7279015B2 JP 7279015 B2 JP7279015 B2 JP 7279015B2 JP 2020505540 A JP2020505540 A JP 2020505540A JP 2020505540 A JP2020505540 A JP 2020505540A JP 7279015 B2 JP7279015 B2 JP 7279015B2
Authority
JP
Japan
Prior art keywords
mammogram
tabar
tissue type
anatomical
regions
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
JP2020505540A
Other languages
English (en)
Other versions
JP2020516428A (ja
JP2020516428A5 (ja
Inventor
ハインドル、アンドレアス
カーラ、ガルビン
イヤーズリー、ジョセフ
オニール、マイケル
ケスケメシー、ピーター
ライケン、トビアス
カルパチ、イーディス
Original Assignee
ケイロン メディカル テクノロジーズ リミテッド
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 ケイロン メディカル テクノロジーズ リミテッド filed Critical ケイロン メディカル テクノロジーズ リミテッド
Publication of JP2020516428A publication Critical patent/JP2020516428A/ja
Publication of JP2020516428A5 publication Critical patent/JP2020516428A5/ja
Application granted granted Critical
Publication of JP7279015B2 publication Critical patent/JP7279015B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4312—Breast evaluation or disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/502—Clinical applications involving diagnosis of breast, i.e. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Description

本発明は、マンモグラムにおける組織型／パターン及び密度カテゴリを自動的に分類する方法及びシステムに関する。より詳細には、本発明は、マンモグラフィにおける密度および組織パターン分布を評価する品質を改善することに関する。
マンモグラフィは、乳癌検出のために広く使用されている医用画像モダリティである。マンモグラフィは、「軟」Ｘ線を利用して、人間の乳房の内部構造の詳細な画像を生成する。これらの画像は、マンモグラムと呼ばれ、この方法は、治癒可能な段階における癌の有効な診断を提供する乳房異常の早期検出におけるゴールドスタンダードであると考えられる。
残念ながら、マンモグラムを分析する手順は、しばしば困難である。乳房の密度および組織型は非常に多様であり、患者の遺伝学に起因して多様な視覚的特徴を示す。これらの背景視覚パターンは、悪性腫瘍の小さな徴候の多くを不明瞭にし、よって、ヒトの目により容易に見落とされ得る。したがって、マンモグラムの分析はしばしば、偽陽性または偽陰性の診断結果をもたらし、これは、（偽陽性の場合には）不要な精神的影響および次善の下流の診断および治療影響の原因となり、（偽陰性の場合には）誤った治療を引き起こす可能性がある。
ほとんどの先進国では、定期的に乳房スクリーニングを受ける症状がない特定の年齢層の女性を呼び出すための包括的システムで、人口全体のスクリーニングプログラムを維持している。これらのスクリーニングプログラムは、非常に標準化されたプロトコールが経験豊富な専門医の訓練を受けた医師によってフォローされることを必要とし、これらの医師は、多数のマンモグラムを日常的に確実に分析することができる。ほとんどの専門的なガイドラインでは、２人の専門放射線科医（業界ではダブルリーディングと呼ばれる）が各マンモグラムを読むことを強く推奨している。今日では、利用可能な高度な技能を持った放射線科医の数が少なく減少しているため、ダブルリーディング要件は、しばしば非実用的であるか、または不可能である。
マンモグラムを分析するとき、解剖学的構造の信頼できる識別は、視覚的評価のために、特に解剖学的な位置と解剖学的構造との関係に基づく視覚的特徴の分析的評価のために重要であり、これは、最終的な診断結果に重大な影響を及ぼし得る。解剖学的構造が歪んで見える場合、それらはまた、あり得る悪性腫瘍の存在を示し得る。
マンモグラムの分析は、乳房密度または乳房組織の構造パターンのタイプなどの視覚的交絡因子、閉塞因子、および／または遮蔽因子によってさらに複雑になる。乳房密度および乳房組織型の両方は、癌についてスクリーニングすることが困難なマンモグラムを作製することに寄与する。
分類の均一性は、定義済みの一式のカテゴリに対象を記述的に割り当てる方法を有することによって、専門家間の曖昧なコミュニケーションを低減し、マンモグラフィにおける乳癌のモニタリングの改善を確実にする。
乳癌の検出可能性に影響を及ぼす異なるタイプのパターンが乳房組織に存在する。したがって、品質管理の理由から、どのような種類のパターンが存在するかを知ることが重要である。この分類を開発したラズロ・タバー教授にちなんで命名された「Ｔａｂａｒパターン」として知られる５つのマンモグラフィ実質パターンがある。
Ｔａｂａｒパターン（または分類）は、３次元のサブグロス（厚切片）技法との組織学的マンモグラフィ相関、および４つの「ビルディングブロック」（結節密度、線状密度、均一な線維組織、放射線透過性脂肪組織）の相対的割合に基づく。５つの分類は以下の通りである。
１． 線維組織がわずかに優勢である乳房組織の全成分のバランスのとれた割合
２． 脂肪組織の優勢
３． 後歯槽残存線維組織を伴う脂肪組織の優勢
４． 主に結節密度
５． 主に線維組織（高密度乳房）
クラス４および５は高リスクと考えられ、これはこれらのパターンを有する乳房において癌を検出することが困難であることを意味し、一方、クラス１、２および３は癌性領域を発見することがより容易であるため、より低いリスクと考えられる。
いくつかの治療法は、ホルモン補充療法（ＨＲＴ）におけるように実質密度を増加させることによって、または選択的エストロゲン受容体モジュレータ（ＳＥＲＭ）を用いた治療法におけるように実質密度を減少させることによって、パターンを変化させることができる。
同様に、乳房密度カテゴリは、ＢＩ－ＲＡＤＳシステムを使用して放射線科医によって分類される。再び、この分類は、品質管理目的のために使用される。例えば、密な乳房に異常を発見することは非常に困難である。ＢＩ－ＲＡＤＳシステムには、以下の４つのカテゴリがある。
Ａ． 乳房はほぼ完全に脂肪である
Ｂ． 線維腺密度の散在領域がある
Ｃ． 乳房は不均一に高密度で、小さな腫瘤を不明瞭にする
Ｄ． 乳房は非常に高密度であり、マンモグラフィの感度を低下させる
重要なことに、乳房密度および組織パターンはまた、乳癌発生と相互相関を有することが知られている。
画像を評価することの複雑さは、異常または疾患を正確かつ厳密に検出することに関して困難を引き起こし、したがって、診断および治療準備の決定に影響を及ぼす可能性がある。したがって、有意義な医用画像データ分析は、癌の識別および治療の段階ならびにさらなる研究において重要な役割を果たす。
しかしながら、手動分類の一般的に使用される方法は、不一致および分類エラーをもたらし得、これは医療処置において決定的であることが証明され得る。
本発明は、マンモグラフィにおける交絡因子の評価を助けるために、深層学習を用いて密度の定量的推定と組織パターンの定性的推定とを組み合わせる新規な方法およびシステムを提供する。
態様および／または実施形態は、マンモグラムの組織型および乳房密度を自動的に分類する方法を提供しようとする。態様および／または実施形態は、また人間の不正確さおよび高度に熟練した人的資源に関連する問題に対処しようとする。
第１の態様によれば、マンモグラフィ画像を分析するコンピュータ支援方法が提供され、この方法は、マンモグラムを受け取るステップと、マンモグラムの１つまたは複数の解剖学的領域をセグメント化するステップと、解剖学的領域の組織型および密度カテゴリ分類を識別するステップと、識別された組織型および密度カテゴリ分類を用いて、マンモグラムのための分類出力を生成するステップとを含む。
このようにして、マンモグラムの分類を自動的に実行することができ、それによって、人為的ミスおよび追加の高度に熟練した医療専門家の必要性を低減することができる。また、より良好な全体的な分類結果を生成する組織パターンおよび密度カテゴリを結合して推定する可能性を伴って、マンモグラフィ画像の分析を改善することができる。
セグメンテーションという用語は、例えば特定の領域の周囲の境界ボックスを使用することによって、または特定の領域の中心位置を識別することによって、単に画像を１つまたは複数の部分に分割することを表すものではない。代わりに、この方法によって提供されるセグメンテーションは、従来の方法よりも正確な面積、形状、およびサイズなどの多数の有用な特性データを決定する。その結果、このセグメンテーション方法は、悪性腫瘍をより正確に示すために使用することができる。さらに、本明細書で開示される方法は、画像以外のいかなる事前入力もなく領域をセグメント化するように動作可能であり、特徴あるエンジニアリングの工程を必要としない。
任意選択的に、標準的な解剖学的構造に基づいて強度レベルを較正するステップが提供される。強度レベルの較正は、マンモグラフィにおける関心領域をより効率的に識別することができる。
一実施形態では、１つまたは複数の解剖学的領域をセグメント化するステップは、マンモグラムの第１の解剖学的領域を決定するステップを含む。任意選択的に、第１の解剖学的領域は、実質が存在する領域を含む。これは、関心領域であると考えることができる。
任意選択で、この実施形態は、第１の解剖学的領域の１つまたは複数の標本領域を選択するステップと、標本領域に応じて組織型および密度カテゴリ分類を識別するステップとをさらに含む。
関心領域を表すために標本領域を選択することは、組織型および密度カテゴリを正しく分類するためにシステムによって必要とされる計算能力を減少させることができる。標本のサイズは、畳み込みネットワークの入力パラメータに従って変化させることができる。
別の実施形態では、１つまたは複数の解剖学的領域をセグメント化するステップは、マンモグラムの第２の解剖学的領域を決定するステップを含む。任意選択的に、第２の解剖学的領域は、実質が存在しない領域を含む。
任意選択で、この実施形態では、組織型および密度カテゴリ分類を識別するステップは、第２の解剖学的領域に依存する。
任意選択で、組織型および密度カテゴリを識別するステップは、１つまたは複数の畳み込みニューラルネットワーク、ＣＮＮで実行される。任意選択で、１つまたは複数のＣＮＮは、組織型および密度カテゴリを分類するように訓練される。任意選択で、少なくとも１つのＣＮＮは、組織型または密度カテゴリを分類するように独立して訓練される。
このようにして、組織型および密度カテゴリの識別は、十分に訓練された畳み込みネットワークを使用して自動的に実行される。畳み込みネットワークは、実質が検出されるか否かにかかわらず使用することができる。
任意選択で、セグメンテーションのステップは、完全畳み込みネットワーク、ＦＣＮで実行される。このようにして、解剖学的セグメンテーションも自動的に実行される。
任意選択で、マンモグラムの分類出力は、結合した組織型と密度カテゴリ分類を含む。組織パターンおよび密度の結合推定を提供することは、マンモグラフィ画像のより正確かつ識別的な分析を生成することができる。
任意選択で、マンモグラムを受け取るステップは、医療、ＤＩＣＯＭ、ファイルにおける１つまたは複数のデジタル画像および通信の使用を含む。
任意選択で、１つまたは複数の解剖学的領域は、乳房領域全体を含む。
好適には、１つまたは複数の標本領域は、均一またはポアソンサンプリングを使用して選択される。任意選択で、１つまたは複数のサンプル領域は、１つまたは複数のＣＮＮの入力に応じて選択される。
第２の態様によれば、上述したいずれかの方法を実行するための装置が提供される。
第３の態様によれば、上述したいずれかの方法を実行するように動作可能なシステムが提供される。
第４の態様によれば、上述した方法を実行するように動作可能なコンピュータプログラムが提供される。
第５の態様によれば、マンモグラムを分類するために１つまたは複数のニューラルネットワークを訓練するための方法があり、この方法は、マンモグラムを受け取るステップと、マンモグラムの１つまたは複数の解剖学的領域をセグメント化するステップと、解剖学的領域の組織型および密度カテゴリ分類を識別するステップと、識別された組織型および密度カテゴリ分類を用いて、１つまたは複数のニューラルネットワークを訓練するステップとを含む。
実施形態は、単なる例として、同様の参照番号を有する添付の図面を参照して、ここで説明される。
図１は、本発明の方法を示すフローチャートを示す。 図１ａは、畳み込みネットワークがマンモグラムの組織型／パターンを独立して予測するように訓練されるフローチャートを示す。 図１ｂは、畳み込みネットワークがマンモグラムの密度を独立して予測するように訓練されるフローチャートを示す。 図２は、解剖学的セグメンテーションが本発明のためにどのように使用されるかのフローチャートを示す。
図１は、本発明の例示的な実施形態を示す。適切な場合には、図１ａおよび図２において同じ参照番号が使用されている。次に、本発明を図１～図２を用いて説明する。
図１に見られるように、患者の医療スキャン（マンモグラフィ）を実行した後、スキャンされた画像は、医用画像を記憶するために一般に使用されるファイルフォーマットであるＤＩＣＯＭフォーマット１０１で照合される。この方法は、放射線科が病院で使用する画像アーカイブ通信システム（ＰＡＣＳ）に記憶された前処理されたデータを使用する。この方法の出力は、また、マンモグラフィ画像を分析する将来の用途を改善するためにＰＡＣＳデータベースを強化する。
前述のように、マンモグラフィ画像を分析する重要な態様は、マンモグラフィ画像を解剖学的にセグメント化することである（１０３、２０２）。
一例として、図２は、完全畳み込みネットワークＦＣＮを使用してマンモグラフィ画像を解剖学的にセグメント化する使用を示す。この例では、画像データは、ＤＩＣＯＭファイルから取り込まれ、ＦＣＮによって使用される前に何らかの形態の前処理を必要としてもよい（２０１）。これは、ウィンドウレベリングなどの様々な技法を含むことができる。
しかしながら、この実施形態の目的のために、解剖学的セグメンテーションの任意の方法を使用することができる。
解剖学的領域がセグメント化された後、システムは、乳房において実質が検出されたか否かを識別する。実質もまた、解剖学的領域と考えることができる。図２に示すように、実質が検出されない場合（１０３ｃ）、システムは、組織型クラス２（Ｔａｂａｒ）および乳房密度カテゴリＡ（ＢＩ－ＲＡＤＳ）で乳房を自動的に分類する。
一方、実質が検出された場合（１０３ｂ）、システムは異なるアプローチに従う。図１および図２に示すように、画像中に実質が見つかると、１区画（Ｐａｔｃｈ）が実質領域１０３ａからサンプリングされる。その区画は、均一サンプリングまたはポアソンサンプリングを使用してサンプリングすることができ、区画のサイズを変更することができる。
取得されると、その標本区画（Ｓａｍｐｌｅ Ｐａｔｃｈ）は、残りの４つの組織型（Ｔａｂａｒ）のうちの１つおよび残りの３つの密度カテゴリ（ＢＩ－ＲＡＤＳ）のうちの１つの下でその区画を分類するように訓練される畳み込みニューラルネットワーク（ＣＮＮ）１０４に供給される。
いくつかの実施形態では、各ＣＮＮノードが乳房密度または組織型／パターンの特定の態様に焦点を合わせるように訓練されていてもよく、または異なるＣＮＮノードおよび／またはモデルの集合体を組み合わせて使用して、標本区画および／またはマンモグラフィ画像を分類してもよい。一例として、図１ａは、組織型／パターンおよび乳房密度を予測するように独立して訓練された２つのＣＮＮモデル１０４ａを示す。
この実施形態は、畳み込みネットワークを訓練し、開発するために、深層学習技術を利用する。全分野デジタルマンモグラムの大きなデータベースを使用して、マンモグラムを正しく分類するようにシステムを訓練することができる。
ＣＮＮが標本区画の組織型および乳房密度を分類した状態で、ＣＮＮは、完全なマンモグラフィ画像１０５の組織型および密度分類を予測し、出力することができる。図１に見られるように、完全なマンモグラフィ画像１０２は、ＣＮＮの画像経路に供給される。別の実施形態では、標本区画および完全なマンモグラフィ画像は、結合予測層が組織型および密度カテゴリ分類を取得する前に、異なるＣＮＮモデルを介して供給される。
組織型および乳房密度の結合推定は、マンモグラムのより正確かつ識別的な分類をもたらし、したがって、より良好な診断計画および改善された患者治療にさえつながる。したがって、本発明は、マンモグラフィ読取の品質管理分析を改善する。
機械学習は、機械学習プロセスがタスクのコンピュータ実行中に獲得する経験またはデータから生成されたフィードバックを使用して、１つまたは複数のコンピュータがタスクの種類を実行することを学習する、研究の分野である。
典型的には、機械学習は、特別な規則、技法、および／またはアプローチを有する強化学習および半教師付き学習などの特定のアプローチがあるが、教師付きおよび教師なしアプローチとして広く分類することができる。教師付き機械学習は、オペレータまたはプログラマによって予め決定されたように、通常、入力を含むデータセットがラベル付けされており、例示的な入力と所望の出力との間をマッピングするための１つまたは複数の規則または機能を学習するコンピュータに関連する。
教師なし学習は、例えばパターン認識を実行するときに、入力データの構造を決定することに関連し、通常、ラベルなしデータセットを使用する。強化学習は、１つまたは複数のコンピュータが例えば、ゲームをプレイしたり、車両を運転したりするときに、動的環境と対話することを可能にすることに関連する。
訓練データセットが部分的にしかラベル付けされていない「半教師付き」機械学習など、これらのカテゴリの様々なハイブリッドが可能である。教師なし機械学習の場合、例えば、画像処理またはビデオ強調への視覚技術の適用など、様々な可能な用途がある。教師なし機械学習は、典型的には未知のデータ構造がデータ内に存在する可能性がある問題を解決するために適用される。そのデータはラベル付けされていないので、機械学習プロセスは、例えば内部で導出された情報に基づいてクラスタリングメトリックを導出することによって、データ間の暗黙の関係を識別するように動作する必要がある。例えば、教師なし学習技法を使用して、データセットの次元を低減し、データセット内のクラスタ間の関係を識別しモデル化しようと試みることができ、例えば、クラスタメンバシップの距離を生成し、またはクラスタ内またはクラスタ間のハブまたはノードを識別することができる（例えば、高次元データセットに適用することができる重み付き相関ネットワーク分析と呼ばれる技法を使用するか、または各データ間のユークリッド距離の測定によってデータをクラスタリングするためにｋ平均クラスタリングを使用する）。
半教師付き学習は、典型的には部分的にラベル付けされたデータセットが存在する場合、例えば、データのサブセットのみがラベル付けされる場合の問題を解決するために適用される。半教師付き機械学習は、外部から提供されるラベルおよび目的関数、ならびに任意の暗黙のデータ関係を利用する。機械学習システムを最初に構成するとき、特に教師付き機械学習アプローチを使用するとき、機械学習アルゴリズムは、何らかの訓練データまたは訓練例の集合を提供され、各例は、典型的には入力信号／ベクトルと所望の出力値、ラベル（または分類）または信号とのペアである。機械学習アルゴリズムは、訓練データを分析し、未知の入力ベクトル／信号のための所望の出力値または信号を生成するために、未知のデータセットと共に使用され得る一般化された関数を生成する。ユーザはどのタイプのデータを訓練データとして使用するかを決定し、代表的な実世界データセットを準備する必要がある。しかし、ユーザは、訓練データがあまりに多くの特徴を提供することなく（これは訓練中に機械学習プロセスによって考慮される次元が多すぎることになり、また、機械学習プロセスがすべてのまたは特定の例について良好な解に収束しないことを意味し得る）、所望の出力値を正確に予測するのに十分な情報を含むことを確実にするように注意しなければならない。また、ユーザは、学習された関数または一般化された関数の所望の構造、例えば、サポートベクターマシンを使用するか、決定木を使用するかを決定しなければならない。
ラベル付けされたデータが容易に利用できない場合、またはシステムが、いくつかの初期シードラベルを与えられた未知のデータから新しいラベル付けされたデータを生成する場合、教師なしまたは半教師付き機械学習アプローチの使用が時々使用される。
機械学習は、非線形階層アルゴリズム、ニューラルネットワーク、畳み込みニューラルネットワーク、回帰型ニューラルネットワーク、長短期メモリネットワーク、多次元畳み込みネットワーク、メモリネットワーク、完全畳み込みネットワーク、またはゲート付き回帰型ネットワークのうちの１つまたは複数を使用して実行することができ、視覚データの予測ブロックを生成するときに柔軟なアプローチを可能にする。長短期メモリネットワーク（ＬＳＴＭ）、メモリネットワーク、またはゲート付き回帰型ネットワークなどのメモリユニットを有するアルゴリズムを使用することにより、予測ブロックの状態を、同じ元の入力フレーム上で実行される動き補償プロセスから維持することができる。アルゴリズムが動きの変化のある種の状態またはメモリを維持するので、これらのネットワークの使用は計算効率を改善することができ、また、いくつかのフレームにわたる動き補償プロセスにおける時間的一貫性を改善することができる。これは、付加的に誤り率の減少をもたらすことができる。
機械学習システムの開発は、典型的には（１）訓練、（２）生産の２つの段階からなる。訓練中、機械学習モデルのパラメータは、目的関数または損失として知られる特定の学習目的を最適化するために反復的に変更される。ひとたびモデルが訓練されると、それは生産において使用されることができ、モデルは入力を取り込み、訓練されたパラメータを使用して出力を生成する。
本明細書に記載される任意のシステム特徴はまた、方法特徴として提供されてもよく、逆もまた同様である。本明細書で使用されるように、ミーンズプラスファンクション特徴は、それらの対応する構成に関して代替的に表現されてもよい。
本発明の一態様における任意の特徴は、任意の適切な組み合わせで、本発明の他の態様に適用されてもよい。特に、方法の態様は、システムの態様に適用されてもよく、逆もまた同様である。さらに、１つの態様における任意のいくつかのおよび／またはすべての特徴は、任意の他の態様における任意のいくつかのおよび／またはすべての特徴に、任意の適切な組み合わせで適用され得る。
また、本発明の任意の態様において説明され定義された様々な特徴の特定の組み合わせは、独立して実装および／または供給および／または使用されうることが理解されるべきである。

Claims (15)

  1. マンモグラフィ画像の分析を支援するコンピュータの作動方法であって、
    マンモグラムを受け取るステップと、
    前記マンモグラムの１つまたは複数の解剖学的領域をセグメント化するステップと、
    畳み込みニューラルネットワークを用いて前記１つまたは複数の解剖学的領域のＴａｂａｒ組織型および密度カテゴリ分類を識別するステップと、
    識別されたＴａｂａｒ組織型および密度カテゴリ分類を用いて、前記マンモグラムのための分類出力を生成するステップと、
    を含む方法。
  2. 標準的な解剖学的構造に基づいて強度レベルを較正するステップをさらに含む、請求項１に記載の方法。
  3. １つまたは複数の解剖学的領域をセグメント化するステップは、前記マンモグラムの第１の解剖学的領域を決定するステップを含み、および／または、前記マンモグラムの第２の解剖学的領域を決定するステップを含む、請求項１または２に記載の方法。
  4. 前記第１の解剖学的領域は、実質が存在する領域を含む、請求項３に記載の方法。
  5. 前記第１の解剖学的領域の１つまたは複数の標本領域を選択するステップと、
    前記１つまたは複数の標本領域に応じてＴａｂａｒ組織型と密度カテゴリ分類を識別するステップと、
    をさらに含む、請求項３または４に記載の方法。
  6. 前記第２の解剖学的領域は、実質が存在しない領域を含む、請求項３に記載の方法。
  7. 前記第２の解剖学的領域に応じてＴａｂａｒ組織型および密度カテゴリ分類を識別するステップをさらに含む、請求項３または６に記載の方法。
  8. Ｔａｂａｒ組織型および密度カテゴリ分類を識別するステップは、畳み込みニューラルネットワークを用いて実行され、前記畳み込みニューラルネットワークは、Ｔａｂａｒ組織型および密度カテゴリを分類するように訓練される、請求項５に記載の方法。
  9. 前記１つまたは複数の標本領域と前記マンモグラムの両方が、前記畳み込みニューラルネットワークのための入力として提供される、請求項８に記載の方法。
  10. 前記マンモグラムの１つまたは複数の解剖学的領域をセグメント化するステップは、完全畳み込みネットワークにおいて実行される、請求項１～９のいずれかに記載の方法。
  11. 前記マンモグラムの分類出力は、結合したＴａｂａｒ組織型および密度カテゴリ分類を含む、請求項１～１０のいずれかに記載の方法。
  12. 前記１つまたは複数の標本領域は、均一またはポアソンサンプリングを使用して選択される、請求項５に記載の方法。
  13. 前記１つまたは複数の標本領域は、前記畳み込みニューラルネットワークの入力パラメータに応じて大きさが異なる、請求項８に記載の方法。
  14. マンモグラムを受け取るステップと、
    前記マンモグラムの１つまたは複数の解剖学的領域をセグメント化するステップと、
    畳み込みニューラルネットワークを用いて前記１つまたは複数の解剖学的領域のＴａｂａｒ組織型および密度カテゴリ分類を識別するステップと、
    識別されたＴａｂａｒ組織型および密度カテゴリ分類を用いて、前記マンモグラムのための分類出力を生成するステップと、
    を実行するための手段を含むシステム。
  15. マンモグラムを受け取るステップと、
    前記マンモグラムの１つまたは複数の解剖学的領域をセグメント化するステップと、
    畳み込みニューラルネットワークを用いて前記１つまたは複数の解剖学的領域のＴａｂａｒ組織型および密度カテゴリ分類を識別するステップと、
    識別されたＴａｂａｒ組織型および密度カテゴリ分類を用いて、前記マンモグラムのための分類出力を生成するステップと、
    をコンピュータに実行させる命令を含むコンピュータプログラム。
JP2020505540A 2017-04-12 2018-04-12 マンモグラフィにおける密度の評価 Active JP7279015B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
GBGB1705911.4A GB201705911D0 (en) 2017-04-12 2017-04-12 Abstracts
GB1705911.4 2017-04-12
GBGB1711557.7A GB201711557D0 (en) 2017-04-12 2017-07-18 Quality Control
GB1711557.7 2017-07-18
PCT/GB2018/050979 WO2018189549A1 (en) 2017-04-12 2018-04-12 Assessment of density in mammography

Publications (3)

Publication Number Publication Date
JP2020516428A JP2020516428A (ja) 2020-06-11
JP2020516428A5 JP2020516428A5 (ja) 2021-05-06
JP7279015B2 true JP7279015B2 (ja) 2023-05-22

Family

ID=58744677

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020505540A Active JP7279015B2 (ja) 2017-04-12 2018-04-12 マンモグラフィにおける密度の評価

Country Status (5)

Country Link
US (3) US11423540B2 (ja)
EP (3) EP3610457A1 (ja)
JP (1) JP7279015B2 (ja)
GB (5) GB201705911D0 (ja)
WO (3) WO2018189549A1 (ja)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201705876D0 (en) 2017-04-11 2017-05-24 Kheiron Medical Tech Ltd Recist
GB201705911D0 (en) 2017-04-12 2017-05-24 Kheiron Medical Tech Ltd Abstracts
CA3041140C (en) * 2018-04-26 2021-12-14 NeuralSeg Ltd. Systems and methods for segmenting an image
DK3806746T3 (da) 2018-06-14 2022-05-23 Kheiron Medical Tech Ltd Anden læser forslag
CN109124669A (zh) * 2018-08-30 2019-01-04 沈阳柏敖生信生物科技有限公司 一种整形前ct数据测量方法
CN109427060A (zh) * 2018-10-30 2019-03-05 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
TWI678709B (zh) * 2018-11-15 2019-12-01 義守大學 藉由神經網路協助資料探勘與大數據之資料辨識進行疾病預測的方法
KR102261473B1 (ko) * 2018-11-30 2021-06-07 주식회사 딥바이오 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
US11647990B2 (en) * 2018-12-05 2023-05-16 Verathon Inc. Implant assessment using ultrasound and optical imaging
US20200196987A1 (en) * 2018-12-20 2020-06-25 General Electric Company Method and system to manage beamforming parameters based on tissue density
CN109785300A (zh) * 2018-12-27 2019-05-21 华南理工大学 一种癌症医学图像数据处理方法、系统、装置和存储介质
US10936160B2 (en) * 2019-01-11 2021-03-02 Google Llc System, user interface and method for interactive negative explanation of machine-learning localization models in health care applications
CN109815869A (zh) * 2019-01-16 2019-05-28 浙江理工大学 一种基于fcn全卷积网络的指静脉识别方法
CN110009600A (zh) * 2019-02-14 2019-07-12 腾讯科技（深圳）有限公司 一种医学图像区域过滤方法、装置及存储介质
CN110097580B (zh) * 2019-03-18 2021-10-19 山东师范大学 一种超声图像标志物运动追踪方法
JP7023254B2 (ja) * 2019-03-27 2022-02-21 富士フイルム株式会社 撮影支援装置、方法およびプログラム
CN114096194A (zh) * 2019-05-30 2022-02-25 阿塞拉尔有限公司 用于认知训练和监控的系统和方法
JP2022545440A (ja) * 2019-08-23 2022-10-27 サトゥル メディカル，インコーポレイテッド 深層学習を用いた正確且つ迅速な陽電子放出断層撮影のためのシステム及び方法
US11532399B2 (en) * 2019-10-15 2022-12-20 Merative Us L.P. Identifying high tissue density in images using machine learning
CN114846512A (zh) 2019-10-25 2022-08-02 永康智能股份有限公司 用于分析三维图像数据的系统和方法
US11170503B2 (en) 2019-10-30 2021-11-09 International Business Machines Corporation Systems and methods for detection likelihood of malignancy in a medical image
US11341635B2 (en) * 2019-10-31 2022-05-24 Tencent America LLC Computer aided diagnosis system for detecting tissue lesion on microscopy images based on multi-resolution feature fusion
US20210209755A1 (en) * 2020-01-02 2021-07-08 Nabin K. Mishra Automatic lesion border selection based on morphology and color features
US11508061B2 (en) * 2020-02-20 2022-11-22 Siemens Healthcare Gmbh Medical image segmentation with uncertainty estimation
US11449716B2 (en) 2020-03-31 2022-09-20 International Business Machines Corporation Model training using partially-annotated images
US11526694B2 (en) 2020-03-31 2022-12-13 International Business Machines Corporation Model training using fully and partially-annotated images
US11693919B2 (en) * 2020-06-22 2023-07-04 Shanghai United Imaging Intelligence Co., Ltd. Anatomy-aware motion estimation
CN112037231A (zh) * 2020-07-30 2020-12-04 浙江大学 基于特征分类器的医学影像肝脏分割后处理方法
US11651499B2 (en) 2020-09-17 2023-05-16 International Business Machines Corporation Reducing structural redundancy in automatic image segmentation
US11610306B2 (en) 2020-12-16 2023-03-21 Industrial Technology Research Institute Medical image analysis method and device
EP4016453B1 (en) * 2020-12-21 2023-08-09 Siemens Healthcare GmbH Method and system for automated segmentation of biological object parts in mri
WO2023200990A1 (en) * 2022-04-15 2023-10-19 Memorial Sloan-Kettering Cancer Center Automated methods for determining fibroglandular density on mammograms

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008541889A (ja) 2005-06-02 2008-11-27 ザ メディパターン コーポレイション コンピュータ支援検出のシステムおよび方法
JP2009525800A (ja) 2006-02-10 2009-07-16 ノルディック・ビオサイエンス・エー／エス 乳房組織密度測定
US20140355840A1 (en) 2013-05-31 2014-12-04 Kathryn Pearson Peyton Apparatus and Method for Utilizing Mammogram Images for Verification

Family Cites Families (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6075879A (en) 1993-09-29 2000-06-13 R2 Technology, Inc. Method and system for computer-aided lesion detection using information from multiple images
WO1996002897A2 (en) 1994-07-14 1996-02-01 Philips Electronics N.V. Mass detection in digital x-ray images using multiple threshold levels to discriminate spots
CA2232164A1 (en) 1995-09-19 1997-03-27 Morphometrix Technologies Inc. A neural network assisted multi-spectral segmentation system
US6324532B1 (en) * 1997-02-07 2001-11-27 Sarnoff Corporation Method and apparatus for training a neural network to detect objects in an image
US6058322A (en) 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US5999639A (en) 1997-09-04 1999-12-07 Qualia Computing, Inc. Method and system for automated detection of clustered microcalcifications from digital mammograms
US6574304B1 (en) 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images
US7593562B2 (en) 2002-09-24 2009-09-22 Carestream Health, Inc. Method and system for computer aided detection (CAD) cued reading of medical images
US7418119B2 (en) 2002-10-31 2008-08-26 Siemens Computer Aided Diagnosis Ltd. Display for computer-aided evaluation of medical images and for establishing clinical recommendation therefrom
US7490085B2 (en) 2002-12-18 2009-02-10 Ge Medical Systems Global Technology Company, Llc Computer-assisted data processing system and method incorporating automated learning
US20040228509A1 (en) 2003-05-15 2004-11-18 Beth Israel Deaconess Medical Center, Inc. Automatic spacial identification of tissue implanted linear sources using medical imaging
AU2004251359B2 (en) 2003-06-25 2009-01-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for breast imaging
US7529394B2 (en) 2003-06-27 2009-05-05 Siemens Medical Solutions Usa, Inc. CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
US20050113651A1 (en) 2003-11-26 2005-05-26 Confirma, Inc. Apparatus and method for surgical planning and treatment monitoring
US7430321B2 (en) 2004-09-09 2008-09-30 Siemens Medical Solutions Usa, Inc. System and method for volumetric tumor segmentation using joint space-intensity likelihood ratio test
DE102004051401A1 (de) 2004-10-21 2006-05-24 Siemens Ag Verfahren zur Befundung in der dreidimensionalen Bildgebung, insbesondere in der Mammographie
US7646902B2 (en) 2005-02-08 2010-01-12 Regents Of The University Of Michigan Computerized detection of breast cancer on digital tomosynthesis mammograms
US8229200B2 (en) 2005-03-14 2012-07-24 General Electric Company Methods and systems for monitoring tumor burden
US7809175B2 (en) 2005-07-01 2010-10-05 Hologic, Inc. Displaying and navigating computer-aided detection results on a review workstation
FR2897182A1 (fr) 2006-02-09 2007-08-10 Gen Electric Procede de traitement d'images de projection en tomosynthese pour une detection de signes radiologiques
ITRM20060213A1 (it) 2006-04-13 2007-10-14 Univ Palermo Metodo di elaborazione di immagini biomediche
US8238637B2 (en) 2006-10-25 2012-08-07 Siemens Computer Aided Diagnosis Ltd. Computer-aided diagnosis of malignancies of suspect regions and false positives in images
US7903861B2 (en) 2006-12-28 2011-03-08 Carestream Health, Inc. Method for classifying breast tissue density using computed image features
US8203338B2 (en) 2007-08-06 2012-06-19 Carestream Health, Inc. Linear structure verification in medical applications
JP5264136B2 (ja) 2007-09-27 2013-08-14 キヤノン株式会社 医用診断支援装置及びその制御方法、ならびにコンピュータプログラム及び記憶媒体
JP5100285B2 (ja) 2007-09-28 2012-12-19 キヤノン株式会社 医用診断支援装置およびその制御方法、プログラム、記憶媒体
US7942829B2 (en) 2007-11-06 2011-05-17 Eigen, Inc. Biopsy planning and display apparatus
US20100135562A1 (en) 2008-11-28 2010-06-03 Siemens Computer Aided Diagnosis Ltd. Computer-aided detection with enhanced workflow
US20100158332A1 (en) 2008-12-22 2010-06-24 Dan Rico Method and system of automated detection of lesions in medical images
US8064677B2 (en) 2009-11-25 2011-11-22 Fujifilm Corporation Systems and methods for measurement of objects of interest in medical images
US8582858B2 (en) 2009-12-17 2013-11-12 The Regents Of The University Of California Method and apparatus for quantitative analysis of breast density morphology based on MRI
US20120099771A1 (en) 2010-10-20 2012-04-26 Lao Zhiqiang Computer aided detection of architectural distortion in mammography
JP5875285B2 (ja) 2011-08-16 2016-03-02 キヤノン株式会社 医療診断支援装置、情報処理方法及びプログラム
US20130218045A1 (en) 2011-08-22 2013-08-22 Joel Ironstone Method and System for Disease Risk Management
JP5945803B2 (ja) 2012-03-07 2016-07-05 東芝メディカルシステムズ株式会社 医用画像読影システム
US8891841B2 (en) 2012-06-04 2014-11-18 Verizon Patent And Licensing Inc. Mobile dermatology collection and analysis system
WO2014004940A1 (en) 2012-06-29 2014-01-03 The Procter & Gamble Company Methods and apparatuses for consolidating elastic substrates
TWI483711B (zh) 2012-07-10 2015-05-11 Univ Nat Taiwan Tumor detection system and method of breast ultrasound image
US9741116B2 (en) 2013-08-29 2017-08-22 Mayo Foundation For Medical Education And Research System and method for boundary classification and automatic polyp detection
US8885901B1 (en) 2013-10-22 2014-11-11 Eyenuk, Inc. Systems and methods for automated enhancement of retinal images
CN105849274B (zh) 2013-10-28 2020-01-21 分子装置有限公司 用于显微图像中的单独细胞的分类和识别的方法和系统
EP3072082A4 (en) 2013-11-19 2017-09-13 Vucomp, Inc. Obtaining breast density measurements and classifications
WO2016057960A1 (en) 2014-10-10 2016-04-14 Radish Medical Solutions, Inc. Apparatus, system and method for cloud based diagnostics and image archiving and retrieval
US9519966B2 (en) 2015-04-22 2016-12-13 King Fahd University Of Petroleum And Minerals Method, system and computer program product for breast density classification using parts-based local features
US9922433B2 (en) 2015-05-29 2018-03-20 Moira F. Schieke Method and system for identifying biomarkers using a probability map
US10269114B2 (en) 2015-06-12 2019-04-23 International Business Machines Corporation Methods and systems for automatically scoring diagnoses associated with clinical images
US10339650B2 (en) 2016-01-07 2019-07-02 Koios Medical, Inc. Method and means of CAD system personalization to reduce intraoperator and interoperator variation
CN106096491B (zh) 2016-02-04 2022-04-12 上海市第一人民医院 一种眼底彩色照相图像中微动脉瘤自动化识别方法
CN105931226A (zh) 2016-04-14 2016-09-07 南京信息工程大学 基于深度学习的自适应椭圆拟合细胞自动检测分割方法
CN106204587B (zh) 2016-05-27 2019-01-08 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络和区域竞争模型的多器官分割方法
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
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
US10049457B2 (en) * 2016-08-29 2018-08-14 CephX Technologies Ltd. Automated cephalometric analysis using machine learning
US10417788B2 (en) 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks
US20180129900A1 (en) * 2016-11-04 2018-05-10 Siemens Healthcare Gmbh Anonymous and Secure Classification Using a Deep Learning Network
US10127659B2 (en) 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
US11449985B2 (en) 2016-12-02 2022-09-20 Regents Of The University Of Minnesota Computer vision for cancerous tissue recognition
US10902598B2 (en) 2017-01-27 2021-01-26 Arterys Inc. Automated segmentation utilizing fully convolutional networks
US10037601B1 (en) 2017-02-02 2018-07-31 International Business Machines Corporation Systems and methods for automatic detection of architectural distortion in two dimensional mammographic images
GB201705876D0 (en) 2017-04-11 2017-05-24 Kheiron Medical Tech Ltd Recist
GB201705911D0 (en) 2017-04-12 2017-05-24 Kheiron Medical Tech Ltd Abstracts
US10223610B1 (en) 2017-10-15 2019-03-05 International Business Machines Corporation System and method for detection and classification of findings in images
US10916341B2 (en) 2017-12-15 2021-02-09 International Business Machines Corporation Automated report generation based on cognitive classification of medical images
WO2019210292A1 (en) 2018-04-27 2019-10-31 Delphinus Medical Technologies, Inc. System and method for feature extraction and classification on ultrasound tomography images
US10706545B2 (en) 2018-05-07 2020-07-07 Zebra Medical Vision Ltd. Systems and methods for analysis of anatomical images
GB2579244A (en) 2018-11-27 2020-06-17 Kheiron Medical Tech Ltd Second reader
DK3806746T3 (da) 2018-06-14 2022-05-23 Kheiron Medical Tech Ltd Anden læser forslag

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008541889A (ja) 2005-06-02 2008-11-27 ザ メディパターン コーポレイション コンピュータ支援検出のシステムおよび方法
JP2009525800A (ja) 2006-02-10 2009-07-16 ノルディック・ビオサイエンス・エー／エス 乳房組織密度測定
US20140355840A1 (en) 2013-05-31 2014-12-04 Kathryn Pearson Peyton Apparatus and Method for Utilizing Mammogram Images for Verification

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Renan C. Menechelli et al.，"Automatic breast tissue density estimation scheme in digital mammography images"，Proceeding SPIE, Medical Imaging，2017年03月10日，101361J

Also Published As

Publication number Publication date
US20200342589A1 (en) 2020-10-29
EP3610457A1 (en) 2020-02-19
US20200074632A1 (en) 2020-03-05
US11423540B2 (en) 2022-08-23
US20200167928A1 (en) 2020-05-28
JP2020516428A (ja) 2020-06-11
GB201711560D0 (en) 2017-08-30
GB201711557D0 (en) 2017-08-30
WO2018189549A1 (en) 2018-10-18
GB201711559D0 (en) 2017-08-30
US11423541B2 (en) 2022-08-23
US11127137B2 (en) 2021-09-21
WO2018189551A1 (en) 2018-10-18
WO2018189550A1 (en) 2018-10-18
EP3610454A1 (en) 2020-02-19
EP3610455A1 (en) 2020-02-19
GB201711558D0 (en) 2017-08-30
GB201705911D0 (en) 2017-05-24

Similar Documents

Publication Publication Date Title
JP7279015B2 (ja) マンモグラフィにおける密度の評価
CN111899245B (zh) 图像分割、模型的训练方法及装置，电子设备及存储介质
US11488306B2 (en) Immediate workup
US20200074634A1 (en) Recist assessment of tumour progression
Yoon et al. Medical image analysis using artificial intelligence
US11893659B2 (en) Domain adaption
US10957038B2 (en) Machine learning to determine clinical change from prior images
CN115210755A (zh) 解决训练数据中遗漏注释的类别不同损失函数
Cazzolato et al. dp-breath: Heat maps and probabilistic classification assisting the analysis of abnormal lung regions
US20240087697A1 (en) Methods and systems for providing a template data structure for a medical report
WO2022112731A1 (en) Decision for double reader
GB2574659A (en) Immediate workup
Athavale et al. A Fusion Method for Automated Segmentation of the Lungs from the Chest X-Rays

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200318

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210329

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210329

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220324

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220419

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220719

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230116

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: 20230411

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230510

R150 Certificate of patent or registration of utility model

Ref document number: 7279015

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150