JP7321671B2 - 情報処理装置、情報処理方法、情報処理システムおよびプログラム - Google Patents

情報処理装置、情報処理方法、情報処理システムおよびプログラム Download PDF

Info

Publication number
JP7321671B2
JP7321671B2 JP2018081763A JP2018081763A JP7321671B2 JP 7321671 B2 JP7321671 B2 JP 7321671B2 JP 2018081763 A JP2018081763 A JP 2018081763A JP 2018081763 A JP2018081763 A JP 2018081763A JP 7321671 B2 JP7321671 B2 JP 7321671B2
Authority
JP
Japan
Prior art keywords
region
image
finding
image feature
information processing
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
JP2018081763A
Other languages
English (en)
Other versions
JP2019191772A (ja
Inventor
将実 川岸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Inc
Original Assignee
Canon Inc
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 Canon Inc filed Critical Canon Inc
Priority to JP2018081763A priority Critical patent/JP7321671B2/ja
Priority to PCT/JP2019/015662 priority patent/WO2019203092A1/ja
Publication of JP2019191772A publication Critical patent/JP2019191772A/ja
Priority to US17/069,708 priority patent/US11823377B2/en
Application granted granted Critical
Publication of JP7321671B2 publication Critical patent/JP7321671B2/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
    • 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
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0093—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy
    • A61B5/0095—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy by applying light and detecting acoustic waves, i.e. photoacoustic measurements
    • 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
    • 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]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for 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
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • 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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Pulmonology (AREA)
  • Dentistry (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Description

本明細書の開示は、情報処理装置、情報処理方法、情報処理システムおよびプログラムに関する。
非特許文献１には、医用画像（胸部ＣＴ画像）に対して設定された関心領域内の異常陰影（肺結節）から特徴量を算出し、その特徴量を用いて肺結節に関する複数の画像所見を導出する技術が記載されている。
陳斌，外１５名，"機械学習に基づく胸部ＣＴ画像からの肺結節画像所見自動導出に関する検討" 日本医用画像工学会大会予稿集（ＣＤ－ＲＯＭ） ３５ｔｈ ＲＯＭＢＵＮＮＯ．ＰＰ‐３４， ２０１６． Ｎａｋａｇｏｍｉ Ｋ ｅｔ ａｌ．，「Ｍｕｌｔｉ－ｓｈａｐｅ ｇｒａｐｈ ｃｕｔｓ ｗｉｔｈ ｎｅｉｇｈｂｏｒ ｐｒｉｏｒ ｃｏｎｓｔｒａｉｎｔｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｌｕｎｇ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｒｏｍ ａ ｃｈｅｓｔ ＣＴ ｖｏｌｕｍｅ」，Ｍｅｄ Ｉｍａｇｅ Ａｎａｌ，１７（１），ｐｐ．６２－７７，２０１３．
しかしながら、導出する画像所見の種別が異なるものであっても一律に同じ特徴量を用いて画像所見を導出しているため、導出する画像所見によっては不要な処理が生じていた。
本明細書の開示は、画像所見を導出するための処理の効率を向上することを目的の一つとする。
なお、前記目的に限らず、後述する発明を実施するための形態に示す各構成により導かれる作用効果であって、従来の技術によっては得られない作用効果を奏することも本明細書の開示の他の目的の一つとして位置付けることができる。
本発明の実施形態に係る情報処理装置は、医用画像から第１の画像特徴量と第２の画像特徴量とを取得する画像特徴量取得手段と、前記第１の画像特徴量に基づいて第１の所見種別に属する複数の項目の画像所見を導出し、前記第１の画像特徴量とは少なくとも一部が異なる前記第２の画像特徴量に基づいて導出される前記第１の所見種別とは異なる第２の所見種別に属する複数の項目の画像所見とを導出する導出手段と、を有することを特徴とする。
本明細書の開示によれば、画像所見を導出するための処理の効率を向上することができる。
情報処理装置の機能構成の一例を示す図である。 情報処理装置のハードウェア構成の一例を示す図である。 情報処理装置の処理の一例を示すフローチャートである。 処理対象領域の一例を示す図である。 画像解析の一例を示す図である。
以下、本発明を実施するための形態について図面を用いて説明する。
＜実施形態１＞
実施形態１における情報処理装置は、医用画像に描出された異常陰影に対して、画像所見の種別（以下、「所見種別」と呼ぶ。）に応じて夫々画像解析の対象となる領域を設定し、夫々の領域において画像解析を行って所見種別に応じた特徴量を取得する。そして、所見種別に応じた特徴量を用いて、その所見種別に属する複数の項目の画像所見を導出する。以下では、医用画像は胸部Ｘ線ＣＴ画像とし、肺野内の塊状の異常陰影（肺結節）に係る複数の所見種別の夫々に属する複数の項目の画像所見を取得するものとする。
具体的には、第１の所見種別が異常陰影の周囲の情報（他の組織との関係）を示すものであり、第２の所見種別が異常陰影の形状を示すものであり、第３の所見種別が異常陰影の性状を示すものであるとして説明する。第１の所見種別には、例えば、胸膜の引き込み、動静脈の引き込みなどの項目の画像所見が属する。また、第２の所見種別には、例えば、鋸歯状辺縁、棘状突起などの項目の画像所見が属する。そして、第３の所見種別には、例えば、石灰化濃度比率、空洞などの項目の画像所見が属する。
画像所見は、項目によって導出結果の表し方が異なる。例えば項目が「胸膜の引き込み」であった場合には、「ある、なし」といった文字で表されるが、項目が「石灰化濃度比率」であった場合には、「０％」などの数値として表される。すなわち、導出された画像所見は文字で表されていてもよいし、数値で表されていてもよい。また、導出結果は、「ある、なし」のような２値で表されてもよいし、「０％、１～３３％、３４～６６％、６７～９９％、１００％」のように多値で表されてもよい。
図１は、実施形態１における情報処理装置１００の機能構成の一例を示す図である。情報処理装置１００は本実施形態に係る情報処理方法を実行する装置の一例に相当する。本実施形態における情報処理装置１００は、入力部２００に接続している。入力部２００は情報処理装置１００からの要求に従い、ＰＡＣＳやモダリティなどから医用画像を取得し、取得された医用画像を情報処理装置１００へと入力する。あるいは、入力部２００はＰＡＣＳやモダリティでもよく、情報処理装置１００からの要求に従い必要となる医用画像を情報処理装置１００へと入力する。
情報処理装置１００は、抽出部１０２、関心領域取得部１０４、設定部１０６、画像特徴量取得部１０８及び導出部１１０を含む。抽出部１０２は、情報処理装置１００に入力された医用画像から異常陰影候補を抽出する。関心領域取得部１０４は、各異常陰影候補を囲む関心領域を取得する。設定部１０６は、関心領域に基づいて画像解析の領域を医用画像上に設定する。画像特徴量取得部１０８は、夫々の領域に対して画像解析を行い、画像特徴量を夫々取得する。導出部１１０は、夫々の特徴量を用いて、各所見種別に属する複数の項目の画像所見を導出する。
本実施形態では、設定部１０６は、第１の所見種別に対する処理を行う第１の領域と、第２の所見種別に対する処理を行う第２の領域と、第３の所見種別に対する処理を行う第３の領域とを設定するものとする。また、画像特徴量取得部１０８は、第１乃至第３の領域の夫々に画像解析を行い、第１の画像特徴量と、第２の画像特徴量と、第３の画像特徴量とを取得するものとする。そして、導出部１１０は、第１の画像特徴量を用いて第１の所見種別に属する複数の項目の画像所見を導出する。また、第２の画像特徴量を用いて第２の所見種別に属する複数の項目の画像所見を導出する。さらに、第３の画像特徴量を用いて第３の所見種別に属する複数の項目の画像所見を導出する。なお、本実施形態では設定部は３つの領域を設定したが、設定する領域の数はこれに限定されない。
なお、図１に示した情報処理装置１００の各部の少なくとも一部は独立した装置として実現してもよい。また、夫々の機能を実現するソフトウェアとして実現してもよい。本実施形態では、各部はそれぞれソフトウェアにより実現されているものとする。
図２は、情報処理装置１００のハードウェア構成の一例を示す図である。ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１００１は、主として各構成要素の動作を制御する。主メモリ１００２は、ＣＰＵ１００１が実行する制御プログラムを格納したり、ＣＰＵ１００１によるプログラム実行時の作業領域を提供したりする。磁気ディスク１００３は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライバ、後述する処理等を行うためのプログラムを含む各種アプリケーションソフトを実現するためのプログラムを格納する。ＣＰＵ１００１が主メモリ１００２、磁気ディスク１００３等に格納されているプログラムを実行することにより、図１に示した情報処理装置１００の機能（ソフトウェア）及び後述するフローチャートにおける処理が実現される。
表示メモリ１００４は、表示用データを一時記憶する。モニタ１００５は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１００４からのデータに基づいて画像やテキスト等の表示を行う。マウス１００６及びキーボード１００７は、ユーザによるポインティング入力及び文字等の入力を夫々行う。上記各構成要素は、共通バス１００８により互いに通信可能に接続されている。
ＣＰＵ１００１はプロセッサの一例に相当する。情報処理装置１００は、ＣＰＵ１００１に加えて、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）の少なくともいずれかを有していてもよい。また、ＣＰＵ１００１に代えて、ＧＰＵやＦＰＧＡの少なくともいずれかを有していてもよい。主メモリ１００２、磁気ディスク１００３はメモリの一例に相当する。情報処理装置１００は、メモリとしてＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）を有していてもよい。
次に、図３のフローチャートを用いて、情報処理装置１００が行う全体の処理を説明する。図３は、情報処理装置１００が行う処理の一例を示すフローチャートである。本実施形態では、ＣＰＵ１００１が主メモリ１００２に格納されている各部の機能を実現するプログラムを実行することにより、図３に示す処理が実現される。
（ステップＳ３１０）
ステップＳ３１０において、抽出部１０２は、入力部２００に要求を行い、情報処理装置１００に入力された医用画像から異常陰影を抽出する。本実施形態では、異常陰影の抽出には公知のコンピュータ検出支援（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｔｅｃｔｉｏｎ：ＣＡＤｅ）技術を用いる。そして、例えば異常陰影は肺結節であって、肺結節の中心位置と肺結節領域の抽出結果を取得するものとする。
（ステップＳ３２０）
ステップＳ３２０において、関心領域取得部１０４は、ステップＳ３１０で抽出部１０２が取得した異常陰影に対する関心領域を取得する。関心領域は装置が自動で取得してもよいし、ユーザによる領域指定の指示に応じて取得してもよい。本実施形態では、関心領域取得部１０４は、ステップＳ３１０で取得した異常陰影に外接する領域（矩型）を関心領域として取得する。なお、本実施形態では異常陰影に外接する矩型領域を関心領域として取得したが、関心領域の取得方法はこれに限られない。以下、異常陰影に外接する矩型領域をＶＯＩ（Ｖｏｌｕｍｅ Ｏｆ Ｉｎｔｅｒｅｓｔ）と称する。例えば、アキシャル断面、コロナル断面、サジタル断面上の夫々で座標が連動する矩型領域を設定することでＶＯＩを指定する。なお、以下では簡単のためにＶＯＩの各辺のサイズが同一であるものとし、ｌＶで表す。もちろんこれは一例であり、幅、長さ、奥行きが夫々違うサイズであってもよい。また、ＶＯＩの形状は矩型に限定されず、球形や楕円体であってもよい。なお、関心領域は異常陰影に必ずしも外接している必要はなく、異常陰影を囲み、異常陰影の辺縁から所定の距離以内に端部を有する領域であればよい。すなわち、関心領域取得部１０４は、医用画像に含まれる異常陰影を囲む領域を関心領域として取得する関心領域取得手段の一例に相当する。
（ステップＳ３３０）
ステップＳ３３０において、設定部１０６は、ステップＳ３２０で関心領域取得部１０４が取得した関心領域に基づいて、各所見種別に対応する領域の大きさや位置を設定する。
本実施形態では、第１の所見種別は異常陰影の周囲の情報（他の組織との関係）を示すものであるので、異常陰影の周囲を画像解析の対象領域とすることが望ましい。したがって、第１の領域として、ステップＳ３２０で関心領域取得部１０４が取得したＶＯＩと中心位置を同一とし、一辺のサイズを例えば４／３・ｌＶとした矩形領域を設定する。すなわち、第１の領域は異常陰影に外接する領域より広い領域の一例に相当する。さらに、４／３・ｌＶは、関心領域の一辺のサイズｌＶに４／３（＞１）を乗算したものであるため、第１の領域は関心領域に１より大きい所定の係数を乗算した領域の一例に相当する。また、第２の所見種別は異常陰影の形状を示すものであるので、異常陰影の輪郭線を画像解析の対象領域とすることが望ましい。したがって、第２の領域として、ステップＳ３２０で関心領域取得部１０４が取得した異常陰影領域に外接する矩型領域であるＶＯＩをサイズ変更せずに設定する。すなわち、第２の領域は異常陰影に外接する領域の一例に相当する。そして、第３の所見種別は異常陰影の性状を示すものであるので、異常陰影の内部を画像解析の対象領域とすることが望ましい。したがって、第３の領域として、ステップＳ３２０で関心領域取得部１０４が取得したＶＯＩと中心位置を同一とし、一辺のサイズを例えば３／４・ｌＶとした矩型領域を設定する。すなわち、第３の領域は異常陰影に外接する領域より狭い領域の一例に相当する。すなわち、第１の領域は第２の領域を包含し、第２の領域は第３の領域を包含する関係にあるものとする。もちろんこれらのサイズや領域の包含関係は一例であり、他のサイズや包含関係であってもよい。例えば、完全な包含関係ではなく、一部を包含（すなわち、略包含）する関係であってもよい。
具体的には、第１の領域は、第２の領域の少なくとも一部を包含していればよいし、第２の領域は、第３の領域の少なくとも一部を包含していればよい。また、本実施形態では、異なる３つの領域を中心が同一になるように設定したが、領域の設定位置はこれに限定されない。例えば、第１の領域と第２の領域と第３の領域とを、関心領域取得部１０４で取得したＶＯＩと中心位置が数ボクセル異なるように夫々設定してもよい。さらに、関心領域に乗算される係数はこれらに限定されない。
図４は、第１の領域、第２の領域、および第３の領域を示した模式図である。ステップＳ３２０で関心領域取得部１０４が取得した一辺のサイズがｌＶのＶＯＩが第２の領域４２０となる。そして、中心位置を変更せずにＶＯＩの一辺のサイズｌＶを４／３倍した領域を第１の領域４１０とし、中心位置を変更せずにＶＯＩの一辺のサイズｌＶを３／４倍した領域を第３の領域４３０とする。こうすることで、第１の領域には異常陰影の周囲の情報（他の組織との関係）が含まれ、第３の領域からは異常陰影の性状を得るのに不必要な輪郭線の情報が省かれるため、適切な画像解析を行うことができる。さらに、不必要な情報が省かれることにより計算効率も向上する。
（ステップＳ３４０）
ステップＳ３４０において、画像特徴量取得部１０８は、ステップＳ３３０で設定部１０６が設定した第１乃至第３の領域の夫々に対して画像解析を行い、該領域に対応する第１乃至第３の画像特徴量を夫々取得する。例えば、画像特徴量取得部１０８は、第１の領域に対して画像解析を行い第１の画像特徴量を、第２の領域に対して画像解析を行い第２の画像特徴量を、第３の領域に対して画像解析を行い第３の画像特徴量を取得する。すなわち、第１の画像特徴量は医用画像における第１の領域を解析することにより取得され、第２の画像特徴量または第３の特徴量は医用画像における第１の領域とは異なる第２の領域または第３の領域を解析することにより取得される。ここで、画像特徴量取得部１０８は、医用画像から第１の画像特徴量と第２の画像特徴量とを取得する画像特徴量取得手段の一例に相当する。
なお、第１乃至第３の領域と各領域から算出すべき特徴量は予め対応付けられている。領域と算出すべき特徴量との対応を示す情報は例えば主メモリ１００２に記憶されており、画像特徴量取得部１０８は主メモリ１００２に記憶された当該情報に基づいて第１乃至第３の領域から対応する特徴量を取得する。
本実施形態では、画像特徴量取得部１０８は、各領域を例えば６４×６４×６４のサイズに正規化して解析を行う。なお、画像サイズは例示であり任意の値とすることが可能である。また、正規化は必須の処理ではない。また、画像特徴量取得部１０８は、第１の領域については、第２の領域との重複部分をマスキングして、第１の画像解析の対象から除外するようにする。同様に、第２の領域については、第３の領域との重複部分をマスキングして、第２の画像解析の対象から除外するようにする。本実施形態では、重複部分のボクセル値を、空気と同一のＣＴ値（－１０００ＨＵ）に置換することで、重複部分に意味のある情報を持たせないようにする。また、ＣＴ値の置換は重複部分が画像解析に与える影響を低減するような値であればよいので、－１０００ＨＵに限られず、－９９９ＨＵなどでもよい。また、例えば－１３５０ＨＵから１５０ＨＵまでの範囲のＣＴ値を０から２５５までの２５６階調の画素値に変換して扱う場合には、－１０００ＨＵに相当する画素値が約６０となるので、重複部分のボクセル値を６０に近い画素値に置換すればよい。すなわち、画像特徴量取得部１０８は、第１の画像特徴量に対する医用画像における第２の領域の影響を低減するように第１の領域のうち第２の領域と重複する部分の画素値が変更された医用画像における第１の領域を解析する。こうすることで、所望の画像解析と無関係な領域を画像解析の対象から外すことができるため、より正確かつ効率的に画像解析を行うことができる。
図５は、本実施形態における画像解析を行って第２の画像特徴量を取得して、第２の所見種別に属する複数の項目の画像所見を導出する例を示したものである。ここでは、第２の領域４２０の内部の第３の領域４３０を－１０００ＨＵでマスキングしたマスキング画像５４０を示している。画像解析は第２の特徴量を取得する画像特徴量取得部５６０と、第２の所見種別に属する複数の画像所見を導出する第２の導出部５７０からなるＤＣＮＮ（Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：深層畳み込みニューラルネットワーク）５５０を用いる。ＤＣＮＮは一般に入力層と複数の畳み込み層と全結合層、出力層からなるニューラルネットワークである。ＤＣＮＮ５５０は、第２の所見種別に属する鋸歯状辺縁５７２や棘状突起５７４を出力する。このように、所見種別毎に処理対象領域と画像解析手法を共通化することにより、処理の効率化を行うことができる。
また、マスキングは重複部分全てでなくてもよく、重複部分の一部のみをマスキングして解析の対象から除外するようにしてもよい。
なお、上述のマスキングは必須の処理ではない。例えば、画像特徴量取得部１０８はマスキングを行うことなく重複部分をトリミングして除外することにより画像解析の対象から外すようにしてもよい。また、画像特徴量取得部１０８による解析領域を領域間で重複しない部分に限定することとしてもよい。例えば画像特徴量取得部１０８は第２の領域のうち第３の領域と重複しない領域に限定して解析を行うことで第２の特徴量を取得することとしてもよい。また、画像特徴量取得部１０８は、第１の領域のうち第２の領域と重複しない領域に限定して解析を行うことで第１の特徴量を取得することとしてもよい。
（ステップＳ３５０）
ステップＳ３５０において、導出部１１０は、ステップＳ３４０において、画像特徴量取得部１０８が取得した夫々の画像特徴量を用いて各所見種別に属する複数の項目の画像所見を導出する。例えば、画像特徴量が抽出された医用画像における領域と複数の項目（画像所見の項目）を含む所見種別とが対応付けられた情報が主メモリ１００２に記憶されている。導出部１１０は、例えば、当該情報に基づいて所定の所見種別に対応する医用画像における領域を特定する。そして導出部１０１は画像特徴量取得部１０８から出力された特定した領域における画像特徴量を取得し、所見種別に属する複数項目の画像所見を導出する。
具体的には、第１の画像特徴量を用いて第１の所見種別に属する項目の画像所見を導出し、第２の画像特徴量を用いて第２の所見種別に属する項目の画像所見を導出し、第３の画像特徴量を用いて第３の所見種別に属する項目の画像所見を導出する。すなわち、第１の領域のうち第２の領域と重複する部分を除外した領域のみを解析することにより取得された第１の画像特徴量のみに基づいて第１の所見種別に属する複数の項目の画像所見を導出し、第１の領域に少なくとも一部を包含された第２の領域のみを解析することにより取得された第２の共通画像特徴量のみに基づいて第２の所見種別に属する複数の項目の画像所見を導出することの一例に相当する。また、医用画像から得られた複数の画像特徴量を取得する取得手段の一例に相当する。
なお、各所見種別に属する複数の項目の画像所見は、対応する領域に対して画像解析を行い取得された画像特徴量のみを用いて導出してもよい。また、対応する領域に対して画像解析を行い取得された画像特徴量に加え他の領域に対して画像解析を行い取得された画像特徴量の一部も用いて導出してもよい。例えば、第１の所見種別に属する項目の画像所見を導出する場合に、対応する領域である第１の領域を画像解析し得られた第１の画像特徴量のみから第１の所見種別に属する項目の画像所見を導出することに限定されない。第１の画像特徴量に加え、第２の領域に対して画像解析を行い取得された第２の画像特徴量の一部も用いて第１の所見種別に属する項目の画像所見を導出してもよい。すなわち、導出部１１０は第１の画像特徴量に基づいて導出される第１の所見種別に属する複数の項目の画像所見と、第１の画像特徴量とは少なくとも一部が異なる第２の画像特徴量に基づいて導出される第１の所見種別とは異なる第２の所見種別に属する複数の項目の画像所見とを導出する導出手段の一例に相当する。
さらに、導出部１１０は、第１乃至第３の領域の夫々に対して画像解析を行い得られた第１乃至第３の画像特徴量の中から、所見種別毎に複数の画像特徴量を選択し、その選択した画像特徴量を用いて夫々の所見種別の項目の画像所見を導出してもよい。また、導出部１１０は、全体に対して画像解析を行い得られた特徴量の中から主メモリ１００２に記憶された所見種別と画像特徴量との対応を示す情報に基づいて所見種別毎に複数の画像特徴量を選択する。そして、その選択した画像特徴量を用いて夫々の所見種別の項目の画像所見を導出してもよい。なお、画像特徴量の選択は、所見種別間で一部が異なるように選択してもよいし、所見種別間で画像特徴量が重複しないように画像特徴量を選択してもよい。すなわち、複数の所見種別のうち各所見種別に属する複数の項目の画像所見を導出するための画像特徴量を、複数の画像特徴量から複数の所見種別間で少なくとも一部が異なるように選択する選択手段と、選択手段により選択された画像特徴量を用いて所見種別毎に複数の項目の画像所見を導出する導出手段の一例である。さらに、所見種別間で画像特徴量が重複しないように画像特徴量を選択する選択手段の一例に相当する。
また、導出部１１０は、第１乃至３の所見種別に属する複数の項目の画像所見のうちいずれかひとつの所見種別に属する複数の項目の画像所見のみを導出してもよい。
本実施形態では、ステップＳ３４０の処理とステップＳ３５０の処理を、ＤＣＮＮを用いて行う。本実施形態では、夫々の所見種別に対してＤＣＮＮを構成する（図５）。具体的には、ＤＣＮＮ５５０は第２の所見種別に対応する領域に対して構成されているが、第１の所見種別に対応する領域や第３の所見種別に対応する領域を解析し画像所見を導出する場合には、ＤＣＮＮ５５０とは異なるＤＣＮＮ（不図示）が領域毎に構成される。そして、ＤＣＮＮのＮ層のうち、Ｎ－１層目まで（図５、５６０）が画像特徴量取得部１０８にあたり、Ｎ層（図５、５７０）が導出部１１０にあたる。この例では、画像特徴量取得部１０８と導出部１１０が一体の構成になっているが、もちろん分離した構成であってもよい。具体例については変形例３で後述する。
本実施形態では、導出する画像所見が異なる場合には画像全体から導出される特徴量を一律に用いるのではなく、各領域に対応づいた画像特徴量を用いて所見を導出するため、画像所見を導出するための処理の効率を向上することができる。
また、本実施形態では、異常陰影を囲む領域を関心領域として取得し、画像所見の種別（所見種別）に応じた領域を設定する。そして、夫々の領域に対して画像解析を行い、その所見種別に含まれる一つ以上の画像所見を取得する。このように、所見種別に応じて領域を設定することで、所見種別が同一である場合には共通の画像解析を行うことができるため、画像所見を導出するための処理の効率を向上することができる。また、画像所見の導出に不要な特徴量を用いることを抑制できるため導出精度を向上させることができる。
（実施形態１の変形例１）
実施形態１では、ステップＳ３２０において関心領域取得部１０４が関心領域を取得していた。しかし、必ずしも関心領域を取得しなくてもよい。この場合、ステップＳ３３０における処理対象の領域は、関心領域に基づかずに設定する。例えば、ステップＳ３１０で抽出部１０２が取得した肺結節領域を第２の領域としてもよい。また、肺結節領域が属する肺野領域や肺結節領域の境界線から外側に数ボクセル拡大させた領域を第１の領域としてもよい。さらに、肺結節領域の境界線から内側に数ボクセル収縮させた領域を第３の領域とするようにしてもよい。なお、肺野領域は、例えば非特許文献２の手法により算出することができる。
本変形例では、関心領域の取得を行わないため、さらに処理時間を短縮することが可能である。
（実施形態１の変形例２）
実施形態１では、ステップＳ３４０において、画像特徴量取得部１０８が画像所見の種別（所見種別）に応じて共通の画像解析を行っていた。しかし、同一の所見種別に対して異なる画像解析を行ってもよい。例えば、ＤＣＮＮの重みを共通化せず、画像所見毎に異なるＤＣＮＮで画像解析を行う構成であってもよい。さらに、一部の所見種別では共通した画像解析を行い、それ以外の所見種別では画像所見毎に異なる画像解析を行うようにしてもよい。
本変形例では、画像所見の種別（所見種別）や画像所見の内容に応じて画像解析手法を選択することができるため、より適切な画像所見を取得することができる。
（実施形態１の変形例３）
実施形態１では、画像特徴量取得部１０８と導出部１１０が一体の構成となっていた。しかし、分離した構成であってもよい。例えば、画像特徴量取得部１０８では所定の領域において公知の画像処理方法を用いて画像解析を行い、導出部１１０では公知の推論手法を用いて画像所見を導出するようにしてもよい。
例えば、第１の領域においては、第２の領域との重複領域をマスキングして、輝度値（ＣＴ値）によるヒストグラムを作成し、第１の特徴量とする。また、第２の領域においては、第３の領域との重複領域をマスキングせず、エッジ強調フィルタをかけた後にエッジ部分の円形度や長さを算出して第２の特徴量とする。すなわち、第２の画像特徴量は、第２の領域のうち第３の領域と重複しない部分にエッジ強調フィルタをかけて解析することにより取得されることの一例に相当する。そして、第３の領域においては、Ｈａｒａｌｉｃｋ特徴量を算出して第３の特徴量とする。もちろんここで挙げた画像処理方法は一例であり、他の手法を用いてもよい。
あるいは、主成分分析や自己組織化マップのような教師なし学習の手法を用いて、関心領域の画素値を入力とし、出力結果を画像特徴量として用いるようにしてもよい。
そして、第１の所見種別の画像所見はランダムフォレスト分類器を用いて導出し、第２の所見種別の画像所見はベイジアンネットワークを用いて導出し、第３の所見種別の画像所見はサポートベクターマシンを用いて導出する。なお、第１乃至第３の所見種別の画像所見を夫々異なる手法で導出する例を示したが、もちろん同じ手法で導出してもよい。
本変形例では、画像所見の種別（所見種別）に応じて異なる画像処理方法や導出手法を選択することができるため、夫々の所見種別に対して適切な画像所見を取得することができる。
（その他の実施形態）
上述の実施形態では、胸部Ｘ線ＣＴ画像における肺結節に関する画像所見を画像解析によって取得する例により説明したが、本発明はこれに限らない。対象とする医用画像は、ＣＴ装置、デジタルラジオグラフィ、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置、ＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ ＣＴ）装置、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）装置、超音波診断装置、眼底カメラ、光音響装置といった撮影装置の少なくともいずれかを用いて取得された医用画像でもよい。また、対象とする病変は肺結節影に限らず、被検体のいかなる部位の病変であってよい。
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路、例えばＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）によっても実現可能である。
上述の各実施形態における情報処理装置は、単体の装置として実現してもよいし、複数の装置を互いに通信可能に組合せて上述の処理を実行する形態としてもよく、いずれも本発明の実施形態に含まれる。共通のサーバ装置あるいはサーバ群で、上述の処理を実行することとしてもよい。情報処理装置および情報処理システムを構成する複数の装置は所定の通信レートで通信可能であればよく、また同一の施設内あるいは同一の国に存在することを要しない。
本発明の実施形態には、前述した実施形態の機能を実現するソフトウェアのプログラムを、システムあるいは装置に供給し、そのシステムあるいは装置のコンピュータが該供給されたプログラムのコードを読みだして実行するという形態を含む。
したがって、実施形態に係る処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明の実施形態の一つである。また、コンピュータが読みだしたプログラムに含まれる指示に基づき、コンピュータで稼働しているＯＳなどが、実際の処理の一部又は全部を行い、その処理によっても前述した実施形態の機能が実現され得る。
１００ 情報処理装置
１０２ 抽出部
１０４ 関心領域取得部
１０６ 設定部
１０８ 画像特徴量取得部
１１０ 導出部

Claims (17)

  1. 医用画像に含まれる異常陰影を囲む領域である関心領域に基づく領域であり、前記医用画像の部分領域である第１の領域を解析することにより第１の画像特徴量を取得し、
    前記関心領域に基づく領域であって該第１の領域とは異なる領域であり、前記医用画像の部分領域である第２の領域を解析することにより第２の画像特徴量を取得する画像特徴量取得手段と、
    前記第１の画像特徴量に基づいて第１の所見種別に属する複数の画像所見項目のそれぞれに対応する画像所見を導出し、前記第１の画像特徴量とは少なくとも一部が異なる前記第２の画像特徴量に基づいて前記第１の所見種別とは異なる第２の所見種別に属する複数の画像所見の項目のそれぞれに対応する画像所見とを導出する導出手段と、
    を備え、
    前記第１の領域は前記異常陰影の辺縁から所定の距離以内に端部を有する領域より広い領域であり、前記第２の領域は、前記異常陰影の辺縁から所定の距離以内に端部を有する領域であることを特徴とする情報処理装置。
  2. 前記関心領域を取得する関心領域取得手段をさらに備え、
    前記第１の領域と前記第２の領域とは、前記関心領域に基づいた領域であることを特徴とする請求項１に記載の情報処理装置。
  3. 前記異常陰影を囲む領域は、前記異常陰影に外接する領域であることを特徴とする請求項１または２に記載の情報処理装置。
  4. 前記第１の領域は、前記第２の領域の少なくとも一部を包含することを特徴とする請求項１乃至３のいずれか１項に記載の情報処理装置。
  5. 前記第１の領域のサイズは前記関心領域のサイズに１より大きい所定の係数を乗算したサイズであり、前記第２の領域のサイズは前記関心領域と同じサイズであることを特徴とする請求項１乃至４のいずれか１項に記載の情報処理装置。
  6. 前記第１の領域は前記医用画像に含まれる異常陰影に外接する領域より広い領域であり、前記第２の領域は前記異常陰影に外接する領域であることを特徴とする請求項４に記載の情報処理装置。
  7. 前記第１の領域は、前記第２の領域より大きい領域であることを特徴とする請求項１乃至６のいずれか一項に記載の情報処理装置。
  8. 前記第１の領域は、前記関心領域のサイズに１より大きい所定の係数を乗算した領域であることを特徴とする請求項７に記載の情報処理装置。
  9. 前記第１の画像特徴量は、前記第１の領域のうち前記第２の領域と重複しない領域を解析することにより取得されることを特徴とする請求項１乃至６のいずれか１項に記載の情報処理装置。
  10. 前記画像特徴量取得手段は、前記第１の画像特徴量に対する前記第２の領域の影響を低減するように前記第１の領域のうち前記第２の領域と重複する部分の画素値が変更された前記医用画像における前記第１の領域を解析することで前記第１の画像特徴量を取得することを特徴とする請求項１乃至９のいずれか１項に記載の情報処理装置。
  11. 前記第１の画像特徴量は、前記第１の領域のうち前記第２の領域と重複しない部分にエッジ強調フィルタをかけて解析することにより取得されることを特徴とする請求項１乃至１０のいずれか１項に記載の情報処理装置。
  12. 前記導出手段は、前記第１の領域のうち前記第２の領域と重複する部分を除外した領域のみを解析することにより取得された前記第１の画像特徴量のみに基づいて前記第１の所見種別に属する複数の画像所見項目のそれぞれに対応する画像所見を導出し、前記第１の領域に少なくとも一部が包含された前記第２の領域のみを解析することにより取得された前記第２の画像特徴量のみに基づいて前記第２の所見種別に属する複数の項目の画像所見を導出することを特徴とする請求項１乃至８のいずれか１項に記載の情報処理装置。
  13. 医用画像に含まれる異常陰影を囲む領域である関心領域に基づく複数の領域のそれぞれの領域を解析することにより複数の画像特徴量を取得する取得手段と、
    複数の所見種別のうち各所見種別に属する複数の画像所見項目のそれぞれに対応する画像所見を導出するための画像特徴量を、前記複数の画像特徴量から前記複数の所見種別間で画像特徴量が重複しないように選択する選択手段と、
    前記選択手段により選択された画像特徴量を用いて前記所見種別毎に複数の画像所見項目のそれぞれに対応する画像所見を導出する導出手段と、
    を備えることを特徴とする情報処理装置。
  14. 前記第１の所見種別および前記第２の所見種別の少なくとも一方の所見種別は、異常陰影と他の組織との関係を示す画像所見、異常陰影の形状を示す画像所見、異常陰影の性状を示す画像所見、の何れかを含むことを特徴とする請求項１乃至１２のいずれか１項に記載の情報処理装置。
  15. 前記画像特徴量取得手段は、ニューラルネットワークを用いて前記第１の画像特徴量および前記第２の画像特徴量のうち、少なくとも一方の画像特徴量を取得することを特徴とする請求項１乃至１２のいずれか１項に記載の情報処理装置。
  16. 医用画像に含まれる異常陰影を囲む領域である関心領域に基づく領域であり、前記医用画像の部分領域である第１の領域を解析することにより第１の画像特徴量を取得し、
    前記関心領域に基づく領域であって該第１の領域とは異なる領域であり、前記医用画像の部分領域である第２の領域を解析することにより第２の画像特徴量を取得する画像特徴量取得工程と、
    前記第１の画像特徴量に基づいて導出される第１の所見種別に属する複数の画像所見項目のそれぞれに対応する画像所見と、前記第１の画像特徴量とは少なくとも一部が異なる前記第２の画像特徴量に基づいて導出される前記第１の所見種別とは異なる第２の所見種別に属する複数の画像所見項目のそれぞれに対応する画像所見とを導出する導出工程と、
    を備えることを特徴とする情報処理方法。
  17. 請求項１乃至１５のいずれか１項に記載の情報処理装置の各手段をコンピュータに実行させることを特徴とするプログラム。
JP2018081763A 2018-04-20 2018-04-20 情報処理装置、情報処理方法、情報処理システムおよびプログラム Active JP7321671B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018081763A JP7321671B2 (ja) 2018-04-20 2018-04-20 情報処理装置、情報処理方法、情報処理システムおよびプログラム
PCT/JP2019/015662 WO2019203092A1 (ja) 2018-04-20 2019-04-10 情報処理装置、情報処理方法、情報処理システムおよびプログラム
US17/069,708 US11823377B2 (en) 2018-04-20 2020-10-13 Information processing apparatus, information processing method, and non-transitory computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018081763A JP7321671B2 (ja) 2018-04-20 2018-04-20 情報処理装置、情報処理方法、情報処理システムおよびプログラム

Publications (2)

Publication Number Publication Date
JP2019191772A JP2019191772A (ja) 2019-10-31
JP7321671B2 true JP7321671B2 (ja) 2023-08-07

Family

ID=68238943

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018081763A Active JP7321671B2 (ja) 2018-04-20 2018-04-20 情報処理装置、情報処理方法、情報処理システムおよびプログラム

Country Status (3)

Country Link
US (1) US11823377B2 (ja)
JP (1) JP7321671B2 (ja)
WO (1) WO2019203092A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6818424B2 (ja) * 2016-04-13 2021-01-20 キヤノン株式会社 診断支援装置、情報処理方法、診断支援システム及びプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016214323A (ja) 2015-05-14 2016-12-22 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
JP2018061771A (ja) 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7499578B2 (en) * 2002-10-18 2009-03-03 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
JP5421756B2 (ja) * 2009-12-11 2014-02-19 富士フイルム株式会社 画像表示装置および方法並びにプログラム
US10049445B2 (en) * 2011-07-29 2018-08-14 Canon Kabushiki Kaisha Image processing apparatus and image processing method of a three-dimensional medical image
EP3893198A1 (en) * 2020-04-08 2021-10-13 Siemens Healthcare GmbH Method and system for computer aided detection of abnormalities in image data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016214323A (ja) 2015-05-14 2016-12-22 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
JP2018061771A (ja) 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法

Also Published As

Publication number Publication date
JP2019191772A (ja) 2019-10-31
US20210027465A1 (en) 2021-01-28
US11823377B2 (en) 2023-11-21
WO2019203092A1 (ja) 2019-10-24

Similar Documents

Publication Publication Date Title
Park et al. Fully automated lung lobe segmentation in volumetric chest CT with 3D U-Net: validation with intra-and extra-datasets
US10453200B2 (en) Automated segmentation using deep learned priors
EP3035287B1 (en) Image processing apparatus, and image processing method
JP7005191B2 (ja) 画像処理装置、医用画像診断装置、及びプログラム
JP6792364B2 (ja) 画像処理装置、画像処理システム、画像処理方法、およびプログラム
US10748282B2 (en) Image processing system, apparatus, method and storage medium
JP6353463B2 (ja) 定量イメージング
Zhang et al. A segmentation method for lung nodule image sequences based on superpixels and density-based spatial clustering of applications with noise
Tan et al. An approach for pulmonary vascular extraction from chest CT images
Maity et al. Automatic lung parenchyma segmentation using a deep convolutional neural network from chest X-rays
JP2020018705A (ja) 医用画像処理装置、画像生成方法、及び画像生成プログラム
US9965853B2 (en) Image processing apparatus, image processing system, image processing method, and storage medium
US10902603B2 (en) Method of segmenting a 3D object in a medical radiation image
US7835555B2 (en) System and method for airway detection
WO2018088055A1 (ja) 画像処理装置、画像処理方法、画像処理システム及びプログラム
JP6257949B2 (ja) 画像処理装置および医用画像診断装置
Mehta et al. Segmenting the kidney on ct scans via crowdsourcing
Kaluva et al. An automated workflow for lung nodule follow-up recommendation using deep learning
JP6827707B2 (ja) 情報処理装置および情報処理システム
JP7321671B2 (ja) 情報処理装置、情報処理方法、情報処理システムおよびプログラム
Mortaheb et al. Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm
von Querfurth et al. Lung, nodule, and airway segmentation using partially annotated data
Les et al. Localization of spleen and kidney organs from CT scans based on classification of slices in rotational views
Wahengbam et al. Deep Learning-based Early Lung Cancer Detection using Multi-Model Image Fusion Technique
JP2022107639A (ja) 画像処理装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210329

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: 20220616

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221101

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221216

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230418

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230614

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: 20230627

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230726

R151 Written notification of patent or utility model registration

Ref document number: 7321671

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151