JP7340790B2 - 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム - Google Patents
診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム Download PDFInfo
- Publication number
- JP7340790B2 JP7340790B2 JP2019135296A JP2019135296A JP7340790B2 JP 7340790 B2 JP7340790 B2 JP 7340790B2 JP 2019135296 A JP2019135296 A JP 2019135296A JP 2019135296 A JP2019135296 A JP 2019135296A JP 7340790 B2 JP7340790 B2 JP 7340790B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- region
- interest
- machine learning
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Description
項1.
機械学習された判定アルゴリズムに従って、被験者が統合失調症であるか否かの判定を行う判定部を備えた、診断支援装置。
項2.
項1に記載の診断支援装置であって、
前記被験者から取得した脳画像を灰白質、白質、および髄液部分に分割する領域分割部と、
前記分割された各領域の少なくともいずれかに複数の関心領域を設定する関心領域設定部と、
各関心領域の体積について、各関心領域におけるt値およびp値を演算するt値およびp値演算部と、
前記t値およびp値に基づいて、各関心領域のz値を演算するz値演算部と、
をさらに備え、
前記判定部は、前記z値に基づいて前記判定を行う、診断支援装置。
項3.
項2に記載の診断支援装置であって、
前記領域分割部は、前記髄液部分から側脳室を分離する、診断支援装置。
項4.
項2または3に記載の診断支援装置であって、
前記領域分割部は、脳梁と周囲白質との境界を、流体の表面張力と粘度のパラメーターにより決定することにより、前記周囲白質を分離する、診断支援装置。
項5.
項2~4のいずれかに記載の診断支援装置であって、
前記領域分割部は、淡蒼球を前記灰白質として分離する、診断支援装置。
項6.
項5に記載の診断支援装置であって、
前記領域分割部は、前記淡蒼球を前記灰白質として分離するために、前記灰白質の分割時に大脳皮質、大脳基底核および視床を別々に扱う、診断支援装置。
項7.
項2~6のいずれかに記載の診断支援装置であって、
前記判定部は、シグモイド関数によりハイパー平面への距離から事後確率として前記判定を行う、診断支援装置。
項8.
項1~7のいずれかに記載の判定アルゴリズムを学習する機械学習装置であって、
複数の統合失調症の患者の脳画像、複数の統合失調症ではない対照群の脳画像、および、前記患者ならびに前記対照群の診断結果から作成された教師データに基づいて、前記判定アルゴリズムを学習する学習部を備える、機械学習装置。
項9.
項8に記載の機械学習装置であって、
前記学習部はサポートベクターマシンで構成される、機械学習装置。
項10.
項8または9に記載の機械学習装置であって、
前記脳画像はMRI画像である、機械学習装置。
項11.
項8~10のいずれかに記載の機械学習装置であって、
複数の統合失調症の患者の脳画像、複数の統合失調症ではない対照群の脳画像、および、前記患者ならびに前記対照群の診断結果に基づいて、前記教師データを作成する教師データ作成部をさらに備える、機械学習装置。
項12.
項11に記載の機械学習装置であって、
前記教師データ作成部は、
前記患者から取得した脳画像を灰白質、白質、および髄液部分に分割する領域分割部と、
前記分割された各領域の少なくともいずれかに複数の関心領域を設定する関心領域設定部と、
各関心領域の体積について、各関心領域におけるt値およびp値を演算するt値およびp値演算部と、
前記t値およびp値に基づいて、各関心領域のz値を演算するz値演算部と、
を備え、
前記教師データは、前記診断結果と、前記z値とを含む、機械学習装置。
項13.
機械学習された判定アルゴリズムに従って、被験者が統合失調症であるか否かの判定を行う判定ステップを備えた、診断支援方法。
項14.
項13に記載の判定アルゴリズムを学習する機械学習方法であって、
複数の統合失調症の患者の脳画像、複数の統合失調症ではない対照群の脳画像、および、前記患者ならびに前記対照群の診断結果から作成された教師データに基づいて、前記判定アルゴリズムを学習する学習ステップを備える、機械学習方法。
項15.
項13に記載の判定アルゴリズムをコンピュータに学習させる機械学習プログラムであって、
複数の統合失調症の患者の脳画像、複数の統合失調症ではない対照群の脳画像、および、前記患者ならびに前記対照群の診断結果に基づいて、前記判定アルゴリズムを学習する学習ステップを前記コンピュータに実行させる、機械学習プログラム。
図1は、本実施形態に係る判定システム100の概略構成を示すブロック図である。判定システム100は、機械学習装置1および診断支援装置2を備えている。機械学習装置1は、被験者が統合失調症であるか否かの判定を行うための判定アルゴリズムを学習する。診断支援装置2は、機械学習装置1によって学習された判定アルゴリズムに従って、被験者が統合失調症であるか否かの判定を行う。機械学習装置1と診断支援装置2とは、別個の装置で実現してもよいし、機械学習装置1と診断支援装置2とを一つの装置で構成してもよい。
図2は、本実施形態に係る機械学習装置1の機能を示すブロック図である。機械学習装置1は、例えば汎用のパーソナルコンピュータで構成することができ、ハードウェア構成として、CPU(図示せず)、主記憶装置(図示せず)、補助記憶装置11などを備えている。機械学習装置1では、CPUが補助記憶装置11に記憶された各種プログラムを主記憶装置に読み出して実行することにより、各種演算処理を実行する。補助記憶装置11は、例えばハードディスクドライブ(HDD)やソリッドステートドライブ(SSD)で構成することができる。また、補助記憶装置11は、機械学習装置1に内蔵されてもよいし、機械学習装置1とは別体の外部記憶装置として設けてもよい。
本実施形態に係る機械学習方法は、図2に示す機械学習装置1を用いて実施される。図3は、本実施形態に係る機械学習方法の全体的な手順を示すフローチャートである。図4は、本実施形態に係る機械学習方法における教師データ作成ステップの手順を示すフローチャートである。
以下では、学習済みの判定アルゴリズムD4を用いて疾患の判定を行う形態について説明する。
本発明は上記実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、実施形態に開示された技術的手段を適宜組み合わせて得られる形態も本発明の技術的範囲に含まれる。
11 補助記憶装置
12 教師データ作成部
121 脳画像取得部
122 領域分割部
123 画像補正部
124 関心領域設定部
125 t値およびp値演算部
126 体積演算部
127 z値演算部
128 診断結果取得部
13 学習部
2 診断支援装置
21 補助記憶装置
22 画像処理部
221 脳画像取得部
222 領域分割部
223 画像補正部
224 関心領域設定部
225 t値およびp値演算部
226 体積演算部
227 z値演算部
23 判定部
3 MRI装置
4 ディスプレイ
D1 脳画像
D2 診断結果
D3 教師データ
D4 判定アルゴリズム
DB 診断情報データベース
Claims (12)
- 複数の統合失調症の患者の脳画像、複数の統合失調症ではない対照群の脳画像、および、前記患者ならびに前記対照群の診断結果から作成された教師データに基づいて、被験者が統合失調症であるか否かの判定を行うための判定アルゴリズムを学習する学習部を備える、機械学習装置であって、
前記患者の脳画像、前記対照群の脳画像、および、前記患者ならびに前記対照群の診断結果に基づいて、前記教師データを作成する教師データ作成部をさらに備え、
前記教師データ作成部は、
前記脳画像を灰白質、白質、および髄液部分に分割する領域分割部と、
前記分割された各領域の少なくともいずれかに複数の関心領域を設定する関心領域設定部と、
各関心領域の体積について、各関心領域におけるt値およびp値を演算するt値およびp値演算部と、
前記t値およびp値に基づいて、各関心領域のz値を演算するz値演算部と、
を備え、
前記教師データは、前記複数の関心領域および前記z値を前記診断結果と対応付けることにより作成された、機械学習装置。 - 請求項1に記載の機械学習装置であって、
前記学習部はサポートベクターマシンで構成される、機械学習装置。 - 請求項1または2に記載の機械学習装置であって、
前記脳画像はMRI画像である、機械学習装置。 - 請求項1~3のいずれかに記載の機械学習装置によって機械学習された判定アルゴリズムに従って、被験者が統合失調症であるか否かの判定を行う判定部を備えた、診断支援装置であって、
前記被験者から取得した脳画像を灰白質、白質、および髄液部分に分割する領域分割部と、
前記分割された各領域の少なくともいずれかに複数の関心領域を設定する関心領域設定部と、
各関心領域の体積について、各関心領域におけるt値およびp値を演算するt値およびp値演算部と、
前記t値およびp値に基づいて、各関心領域のz値を演算するz値演算部と、
をさらに備え、
前記判定部は、前記z値に基づいて前記判定を行う、診断支援装置。 - 請求項4に記載の診断支援装置であって、
前記領域分割部は、前記髄液部分から側脳室を分離する、診断支援装置。 - 請求項4または5に記載の診断支援装置であって、
前記領域分割部は、脳梁と周囲白質との境界を、流体の表面張力と粘度のパラメーターにより決定することにより、前記周囲白質を分離する、診断支援装置。 - 請求項4~6のいずれかに記載の診断支援装置であって、
前記領域分割部は、淡蒼球を前記灰白質として分離する、診断支援装置。 - 請求項7に記載の診断支援装置であって、
前記領域分割部は、前記淡蒼球を前記灰白質として分離するために、前記灰白質の分割時に大脳皮質、大脳基底核および視床を別々に扱う、診断支援装置。 - 請求項4~8のいずれかに記載の診断支援装置であって、
前記判定部は、シグモイド関数によりハイパー平面への距離から事後確率として前記判定を行う、診断支援装置。 - 複数の統合失調症の患者の脳画像、複数の統合失調症ではない対照群の脳画像、および、前記患者ならびに前記対照群の診断結果から作成された教師データに基づいて、被験者が統合失調症であるか否かの判定を行うための判定アルゴリズムを学習する機械学習方法であって、
前記患者の脳画像、前記対照群の脳画像、および、前記患者ならびに前記対照群の診断結果に基づいて、前記教師データを作成する教師データ作成ステップと、
前記教師データに基づいて、前記判定アルゴリズムを学習する学習ステップとを備え、
前記教師データ作成ステップは、
前記脳画像を灰白質、白質、および髄液部分に分割する領域分割ステップと、
前記分割された各領域の少なくともいずれかに複数の関心領域を設定する関心領域設定ステップと、
各関心領域の体積について、各関心領域におけるt値およびp値を演算するt値およびp値演算ステップと、
前記t値およびp値に基づいて、各関心領域のz値を演算するz値演算ステップと、
を備え、
前記教師データは、前記複数の関心領域および前記z値を前記診断結果と対応付けることにより作成された、機械学習方法。 - コンピュータが、請求項10に記載の機械学習方法によって機械学習された判定アルゴリズムに従って、被験者が統合失調症であるか否かの判定を行う判定ステップを備えた、診断支援方法であって、
前記被験者から取得した脳画像を灰白質、白質、および髄液部分に分割する領域分割ステップと、
前記分割された各領域の少なくともいずれかに複数の関心領域を設定する関心領域設定ステップと、
各関心領域の体積について、各関心領域におけるt値およびp値を演算するt値およびp値演算ステップと、
前記t値およびp値に基づいて、各関心領域のz値を演算するz値演算ステップと、
をさらに備え、
前記判定ステップでは、前記z値に基づいて前記判定を行う、診断支援方法。 - 被験者が統合失調症であるか否かの判定を行うための判定アルゴリズムをコンピュータに学習させる機械学習プログラムであって、
請求項10に記載の機械学習方法の前記教師データ作成ステップと、前記学習ステップとを前記コンピュータに実行させる、機械学習プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019135296A JP7340790B2 (ja) | 2019-07-23 | 2019-07-23 | 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019135296A JP7340790B2 (ja) | 2019-07-23 | 2019-07-23 | 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021016693A JP2021016693A (ja) | 2021-02-15 |
JP7340790B2 true JP7340790B2 (ja) | 2023-09-08 |
Family
ID=74563923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019135296A Active JP7340790B2 (ja) | 2019-07-23 | 2019-07-23 | 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7340790B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010005054A (ja) | 2008-06-26 | 2010-01-14 | Hiroki Matsuzawa | 精神病の治癒可能性及び治癒状況の判定法 |
US20160019693A1 (en) | 2014-07-15 | 2016-01-21 | The Brigham And Women's Hospital | Systems and methods for generating biomarkers based on multivariate classification of functional imaging and associated data |
JP2016106940A (ja) | 2014-12-09 | 2016-06-20 | 株式会社Nttデータ・アイ | 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム |
JP6483890B1 (ja) | 2018-04-27 | 2019-03-13 | 国立大学法人滋賀医科大学 | 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム |
-
2019
- 2019-07-23 JP JP2019135296A patent/JP7340790B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010005054A (ja) | 2008-06-26 | 2010-01-14 | Hiroki Matsuzawa | 精神病の治癒可能性及び治癒状況の判定法 |
US20160019693A1 (en) | 2014-07-15 | 2016-01-21 | The Brigham And Women's Hospital | Systems and methods for generating biomarkers based on multivariate classification of functional imaging and associated data |
JP2016106940A (ja) | 2014-12-09 | 2016-06-20 | 株式会社Nttデータ・アイ | 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム |
JP6483890B1 (ja) | 2018-04-27 | 2019-03-13 | 国立大学法人滋賀医科大学 | 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム |
Non-Patent Citations (1)
Title |
---|
OKADA, N., et al.,Abnormal asymmetries in subcortical brain volume in schizophrenia,Molecular Psychiatry,英国,Nature Publishing Group,2016年01月19日,Vol.21,pp.1460-1466 |
Also Published As
Publication number | Publication date |
---|---|
JP2021016693A (ja) | 2021-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Using deep Siamese neural networks for detection of brain asymmetries associated with Alzheimer's disease and mild cognitive impairment | |
Rallabandi et al. | Automatic classification of cognitively normal, mild cognitive impairment and Alzheimer's disease using structural MRI analysis | |
JP6932363B2 (ja) | 脳障害を特定するための方法及びシステム | |
Bron et al. | Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge | |
JP6483890B1 (ja) | 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム | |
Basheera et al. | A novel CNN based Alzheimer’s disease classification using hybrid enhanced ICA segmented gray matter of MRI | |
Eskildsen et al. | Structural imaging biomarkers of Alzheimer's disease: predicting disease progression | |
King et al. | Characterization of atrophic changes in the cerebral cortex using fractal dimensional analysis | |
Zhou et al. | Divergent network connectivity changes in behavioural variant frontotemporal dementia and Alzheimer’s disease | |
Wang et al. | Classification of Alzheimer’s disease, mild cognitive impairment and normal control subjects using resting-state fMRI based network connectivity analysis | |
Feis et al. | Prediction of post-surgical seizure outcome in left mesial temporal lobe epilepsy | |
Basheera et al. | Deep learning based Alzheimer's disease early diagnosis using T2w segmented gray matter MRI | |
Er et al. | Predicting the prognosis of MCI patients using longitudinal MRI data | |
Raju et al. | Classification of mild cognitive impairment and Alzheimer’s disease from magnetic resonance images using deep learning | |
Gleichgerrcht et al. | Radiological identification of temporal lobe epilepsy using artificial intelligence: a feasibility study | |
Senthilkumar et al. | Primitive detection of Alzheimer’s disease using neuroimaging: A progression model for Alzheimer’s disease: Their applications, benefits, and drawbacks | |
JP7340790B2 (ja) | 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム | |
Zheng et al. | Application of generalized Split linearized Bregman iteration algorithm for Alzheimer's disease prediction | |
Ahmad et al. | Classification of Alzheimer disease among susceptible brain regions | |
Wang et al. | A calibrated SVM based on weighted smooth GL1/2 for Alzheimer’s disease prediction | |
Azmi et al. | 18F-FDG PET brain images as features for Alzheimer classification | |
Adel et al. | Alzheimer’s disease computer-aided diagnosis on positron emission tomography brain images using image processing techniques | |
Jain et al. | A review of deep learning-based disease detection in Alzheimer's patients | |
Mirzaei | Ensembles of convolutional neural network pipelines for diagnosis of alzheimer’s disease | |
Estella et al. | Design and Application of Automated Algorithms for Diagnosis and Treatment Optimization in Neurodegenerative Diseases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20190820 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20191001 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20191001 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220704 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230414 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230705 |
|
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: 20230718 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230816 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7340790 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |