JP7399102B2 - 医用イメージングにおける自動スライス選択 - Google Patents

医用イメージングにおける自動スライス選択 Download PDF

Info

Publication number
JP7399102B2
JP7399102B2 JP2020555887A JP2020555887A JP7399102B2 JP 7399102 B2 JP7399102 B2 JP 7399102B2 JP 2020555887 A JP2020555887 A JP 2020555887A JP 2020555887 A JP2020555887 A JP 2020555887A JP 7399102 B2 JP7399102 B2 JP 7399102B2
Authority
JP
Japan
Prior art keywords
slices
imaging system
image data
processor
medical imaging
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
JP2020555887A
Other languages
English (en)
Other versions
JP2021520925A (ja
Inventor
ラヴィンドラ バラサヘブ パティル
リテシュ スリーニヴァサン
クリシュナモールシィ パラニサミー
ナガラジュ ブッサ
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2021520925A publication Critical patent/JP2021520925A/ja
Application granted granted Critical
Publication of JP7399102B2 publication Critical patent/JP7399102B2/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
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
    • 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 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
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • 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
    • A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • 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
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • 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
    • G06T2207/10068—Endoscopic 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
    • G06T2207/10—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
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Description

本発明は、医用イメージングに関し、特に、異常なスライスの識別に関する。
現代の医療では、磁気共鳴イメージング（ＭＲＩ）、コンピュータトモグラフィ（ＣＴ）、ポジトロンエミッショントモグラフィ（ＰＥＴ）、その他の技術などの医用イメージング技術がますます重要になってきている。
時間が進むにつれて、さまざまな撮像モダリティがますます使用されるようになってきている。また、医用イメージングスキャナによって取得されるデータ量も増加している。病院によっては、撮像プロトコルが完了した後に、放射線科医が、大量の画像を目視でスキャンするのに時間の大部分を費やしてしまうことがある。
本発明は、独立請求項に記載の医用イメージングシステム、コンピュータプログラム製品、及び方法を提供する。いくつかの実施形態が従属請求項に記載されている。
本発明の実施形態は、３次元医用画像データを検査する際の作業負荷を低減する手段を提供することができる。いくつかの実施形態は、最初に、画像タイプを識別する画像の撮像モダリティを受け取ることによってこれを行うことができる。例えば、撮像モダリティは、３次元医用画像データを、ＭＲＩ画像、ＣＴ画像、又は他の医用撮像モダリティとして識別することができる。次いで、アナトミカル（anatomical、解剖学的）ビュー分類が受け取られる。アナトミカルビュー分類は例えば、３次元医用画像データ内に存在するアナトミー（anatomy、解剖学的構造）を識別することができる。別の例では、アナトミカルビュー分類は、使用された撮像プロトコルを識別することができる。例えば、アナトミカルビュー分類は、脳、肩、又は他のアナトミーのＭＲＩスキャンの特定のタイプを識別することができる。
次いで、撮像モダリティ及びアナトミカルビュー分類を使用することにより、異常検出モジュールの組から、被選択異常検出モジュールが選択される。異常検出モジュールの組は、特定の撮像モダリティ及び特定のアナトミカルビュー分類について訓練された個々の畳み込みニューラルネットワークである。次いで、被選択異常検出モジュールを使用することにより、３次元医用画像データのスライスの少なくとも一部が調べられ、いずれかのスライスが異常として分類されるかどうかが調べられる。スライスのいずれかが異常である場合、所定の選択基準を使用して、３次元画像データから、被選択スライスの組を選択する。被選択スライスの組は例えば、ユーザインタフェース上に表示されるか、又は放射線科医による後の検査のために識別されることができる。
一態様では、本発明が、マシン実行可能命令を記憶するメモリを備える医用イメージングシステムを提供する。医用イメージングシステムは、医用イメージングシステムを制御するためのプロセッサを更に備える。マシン実行可能命令の実行は、プロセッサに、複数のスライスを含む３次元医用画像データを受け取るステップを実行させる。３次元医用画像データは、３Ｄボリュームをレンダリングするために使用されることができるデータ、又は３次元ボリュームの複数の２次元スライスとして表示されることができるデータである。マシン実行可能命令の実行は更に、プロセッサに、３次元医用画像データの撮像モダリティを受け取るステップを実行させる。撮像モダリティは例えば、３次元医用画像データを取得するために使用された撮像スキャナ又は装置のタイプでありうる。
マシン実行可能命令の実行は更に、プロセッサに、３次元医用画像データのアナトミカルビュー分類を受け取るステップを実行させる。アナトミカルビュー分類は例えば、３次元医用画像データを取得するために使用された撮像プロシージャのタイプを示すことができ、又は３次元医用画像データ内にある解剖学的領域のリストを含むことができる。マシン実行可能命令の実行は更に、プロセッサに、撮像モダリティ及びアナトミカルビュー分類を使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択するステップを実行させる。異常検出モジュールの各々は、複数のスライスの少なくとも一部が正常であるか異常であるかを識別するように訓練された畳み込みニューラルネットワークである。いくつかの特定の例において、複数のスライスの少なくとも一部は複数のスライスの各々である。「複数のスライスの各々」という表現は更に、複数のスライスの少なくとも一部として解釈されることもできる。
異常検出モジュールの組を有することによって、被選択異常検出モジュールは、特定の撮像モダリティ、及び３次元医用画像データに表される特定のアナトミカルビューについて、訓練されることができる。マシン実行可能命令の実行は、プロセッサに、異常検出モジュールを使用して、複数のスライスの少なくとも一部を正常又は異常として分類するステップを実行させる。
例えば、スライスの各々は、畳み込みニューラルネットワークに入力されることができ、出力は、スライスが正常又は異常のいずれかとして分類されることである。マシン実行可能命令の実行は更に、複数のスライスのうち所定数が異常として分類される場合、プロセッサに、所定の選択基準に従って複数のスライスの中から被選択スライスの組を選択するステップを実行させる。いくつかの例において、複数のスライスの所定数は１である。本明細書において、「複数のスライスの所定数」を「複数のスライスのいずれか」と置き換えることができることを理解されたい。
３次元医用イメージングデータが、畳み込みニューラルネットワークによって異常であると識別された任意のスライスを含む場合、３次元医用画像データのグループが、被選択スライスの組として選択される。
この実施形態は、異常であると識別された複数のスライスのうちの１つ又は複数を医師が識別することができるように、被選択スライスの組が選択されることができるので、有益でありうる。これは、放射線科医又は他の技術者が３次元医用画像データの中から異常を見つけることを支援することができる。
別の実施形態において、マシン実行可能命令の実行は更に、プロセッサに、複数のスライスのそれぞれのエントロピーを計算するステップを実行させる。マシン実行可能命令の実行は更に、プロセッサに、複数のスライスの各々について隣接するスライス間の平均二乗誤差強度変動を計算するステップを実行させる。マシン実行可能命令の実行は更に、隣接するスライス間の平均二乗誤差強度変動に対するスライスのエントロピーの比が所定の情報内容閾値を上回る場合に、プロセッサに、複数のスライスの中の被選択スライスを被選択スライスの組に追加するステップを実行させる。この実施形態において、平均二乗誤差強度変動に対して高いエントロピーを有するスライスが選択される。これは、所定の情報内容閾値がどのように選択されるかに応じて、画像が通常よりも多い量の情報を含むことができるため、有益でありうる。これは、オペレータが検査するのに有益でありうるより多くの詳細又は情報を有するスライスを選択することができる。
別の実施形態において、異常検出モジュールは、複数のスライスの各々について特徴（フィーチャ）ベクトルを生成するように構成される。特徴ベクトルの計算は、畳み込みニューラルネットワークの任意の通常のフィーチャである。マシン実行可能命令の実行は、プロセッサに、複数のスライスのそれぞれについて、隣接するスライスの特徴ベクトル間のユークリッド距離を計算するステップを実行させる。マシン実行可能命令の実行は更に、プロセッサに、複数のスライスの各々の特徴ベクトルをガウス混合モデルに入力することによって、複数のスライスの各々について尤度尺度を計算するステップを実行させる。ガウス混合モデルは、特徴ベクトルが正常であるか及び異常であるかの確率を決定するために訓練されている。マシン実行可能命令の実行は、ユークリッド距離に対する尤度尺度の比が所定の異常測度閾値よりも大きい場合、プロセッサに、複数のスライスの中の被選択スライスを、被選択スライスの組に追加させる。この実施形態は、ガウス混合モデルによって識別される異常を含む確率の高いスライスが選択されることができるので、有益である。
別の実施形態において、マシン実行可能命令の実行は、プロセッサに、異常検出モジュールから導出された特徴ベクトルを使用してガウス混合モデルを訓練するステップを実行させる。この実施形態は、ガウス混合モデルを訓練する効率的かつ効果的な方法を提供することができるので、有益でありうる。
別の実施形態において、マシン実行可能命令の実行は、プロセッサに、撮像モダリティ分類器を用いて３次元医用画像の撮像モダリティを決定するステップを実行させる。例えば、ニューラルネットワークは入力として医用画像を受け取り、次いで、撮像モダリティのタイプを出力するように訓練されることができる。他の例において、画像モダリティ分類器は、ヘッダ又はメタデータ又はログファイルを調べ、この情報を使用して画像モダリティを決定するコードでありうる。
別の実施形態において、撮像モダリティ分類器は、自然言語処理を使用してレポート又はログファイルを処理すること、ＤＩＣＯＭヘッダから撮像モダリティを抽出すること、及びヘルス情報システムから撮像モダリティを受信することのうちのいずれか１つを使用して、撮像モダリティを決定するように構成される。
別の実施形態において、マシン実行可能命令の実行は更に、プロセッサに、アナトミカル分類モジュールを使用してアナトミカルビュー分類を決定するステップを実行させる。アナトミー分類モジュールは、訓練された畳み込みニューラルネットワークである。この実施形態において、訓練された畳み込みニューラルネットワークを使用することにより、３次元医用画像データの特定のアナトミカルビューが識別されることができる。これは、被選択異常検出モジュールを事前に選択するために使用されることができるので有用である。
別の実施形態において、撮像モダリティは、磁気共鳴イメージング、ポジトロンエミッショントモグラフィ、シングルフォトンエミッショントモグラフィ、超音波、Ｘ線、コンピュータトモグラフィ、及び内視鏡検査のいずれか１つである。
別の実施形態において、マシン実行可能命令の実行は更に、プロセッサに、複数の組の３次元医用画像データを受け取るステップを実行させる。
別の実施形態において、医用画像データは表示データを含む。マシン実行可能命令の実行は更に、プロセッサに、選択されたファイルの組をディスプレイに表示するステップを実行させる。これは、医療専門家又はオペレータが異常を見つける前に多数のスライスを詳しく調べる必要を省くことができるので、有益でありうる。
別の実施形態において、医用イメージングシステムはディスプレイを有する。マシン実行可能命令の実行は更に、プロセッサに、３次元医用画像データの選択された部分をディスプレイ上に表示するステップを実行させる。選択された部分は、被選択スライスの組と、被選択スライスの組の被選択スライス間にある３次元医用画像データのスライスとからなる。この実施形態において、被選択スライスの組が、それら被選択スライスの間にある医用画像データのスライスと共に表示される。これは、医療専門家又はオペレータが異常を発見するためのより多くの情報を提供することができるので、有益でありうる。
別の実施形態において、医用イメージングシステムは、３次元医用画像データを取得するように構成された医用イメージングスキャナを有する。マシン実行可能命令の実行は更に、プロセッサに、医用イメージングスキャナを制御して、３次元医用画像データを取得するステップを実行させる。
別の実施形態において、医用イメージングスキャナは、磁気共鳴イメージングシステム、ポジトロンエミッショントモグラフィシステム、シングルフォトンエミッショントモグラフィシステム、超音波イメージングシステム、Ｘ線システム、コンピュータトモグラフィシステム、及び内視鏡システムのうちのいずれか１つである。
別の態様において、本発明は、医用イメージングシステムを作動させる方法を提供する。この方法は、複数のスライスを含む３次元医用画像データを受け取るステップを有する。この方法は、３次元医用画像データの撮像モダリティを受け取るステップを更に有する。この方法は、３次元医用画像データのアナトミカルビュー分類を受け取るステップを更に有する。この方法は更に、撮像モダリティ及びアナトミカルビュー分類を使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択するステップを有する。異常検出モジュールの各々は、複数のスライスの各々が正常であるか異常であるかを識別するように訓練された畳み込みニューラルネットワークである。この方法は、異常検出モジュールを使用して、複数のスライスのそれぞれを正常又は異常として分類するステップを更に有する。この方法は、複数のスライスのいずれかが異常として分類される場合に、所定の選択基準に従って複数のスライスの中から被選択スライスの組を選択するステップを更に有する。
別の態様において、本発明は、医用イメージングシステムを制御するプロセッサによる実行のためのマシン実行可能命令を有するコンピュータプログラム製品を提供する。マシン実行可能命令の実行は更に、プロセッサに、複数のスライスを含む３次元医用画像データを受け取るステップを実行させる。マシン実行可能命令の実行は更に、プロセッサに、３次元医用画像データの撮像モダリティを受け取るステップを実行させる。マシン実行可能命令の実行は更に、プロセッサに、３次元医用画像データのアナトミカルビュー分類を受け取るステップを実行させる。マシン実行可能命令の実行は更に、プロセッサに、撮像モダリティ及びアナトミカルビュー分類を使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択するステップを実行させる。異常検出モジュールの各々は、複数のスライスの各々が正常であるか異常であるかを識別するように訓練された畳み込みニューラルネットワークである。
マシン実行可能命令の実行は、プロセッサに、異常検出モジュールを使用して、複数のスライスの各々を正常又は異常として分類するステップを実行させる。マシン実行可能命令の実行は更に、複数のスライスのいずれかが異常として分類される場合、プロセッサに、所定の選択基準に従って、複数のスライスの中から被選択スライスの組を選択するステップを実行させる。本発明の前述の実施形態のうちの１つ又は複数は、組み合わされた実施形態が相互に排他的でない限り、組み合わされることができることが理解される。
当業者には理解されるように、本発明の態様は、装置、方法、又はコンピュータプログラム製品として具現化することができる。したがって、本発明の側面は、完全にハードウェアの実施形態、完全にソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）、又はソフトウェアとハードウェアの側面を組み合わせた実施形態の形をとることができ、これらはすべて本明細書では一般的に「回路」、「モジュール」、又は「システム」と呼ばれることがある。更に、本発明の側面は、具現化されたコンピュータ実行可能コードをその上に有する１つ又は複数のコンピュータ可読媒体に具現化されたコンピュータプログラム製品の形態をとりうる。
１つ又は複数のコンピュータ可読媒体の任意の組み合わせが利用されることができる。コンピュータ可読媒体は、コンピュータ可読信号媒体又はコンピュータ可読記憶媒体でありうる。本明細書で使用される「コンピュータ可読記憶媒体」は、コンピューティングデバイスのプロセッサによって実行可能な命令を記憶することができる任意の有形の記憶媒体を包含する。コンピュータ可読記憶媒体は、非一時的コンピュータ可読記憶媒体と呼ばれることもある。コンピュータ可読記憶媒体はまた、有形のコンピュータ可読媒体と呼ばれることもある。ある実施形態において、コンピュータ可読記憶媒体は更に、コンピューティングデバイスのプロセッサによってアクセス可能なデータを記憶することができる。コンピュータ可読記憶媒体の例としては、フロッピーディスク、磁気ディスクドライブ、ハードディスク、ソリッドステートハードディスク、フラッシュメモリ、ＵＳＢサムドライブ、ＲＡＭ（Random Access memory）、リードオンリメモリ（ＲＯＭ）、光ディスク、磁気光学ディスク、及びプロセッサのレジスタファイルが挙げられるが、これらに限定されない。光ディスクの例としては、ＣＤ－ＲＯＭ、ＣＤ－ＲＷ、ＣＤ－Ｒ、ＤＶＤ－ＲＯＭ、ＤＶＤ－ＲＷ、又はＤＶＤ－Ｒディスクなどのコンパクトディスク（ＣＤ）及びデジタル汎用ディスク（ＤＶＤ）がある。コンピュータ可読記憶媒体という語はまた、ネットワーク又は通信リンクを介してコンピュータデバイスによってアクセスされることが可能なさまざまなタイプの記録媒体を指す。例えば、データは、モデムを介して、インターネットを介して、又はローカルエリアネットワークを介して、取得されることができる。コンピュータ可読媒体上に具現化されたコンピュータ実行可能コードは無線、有線、光ファイバケーブル、ＲＦなど、又は前述のもの任意の適切な組み合わせを含むがこれらに限定されない、任意の適切な媒体を使用して送信されることができる。
コンピュータ可読信号媒体は例えば、ベースバンドで、又は搬送波の一部として、コンピュータ実行可能コードがその中に具現化された伝搬データ信号を含むことができる。そのような伝播信号は電磁、光学、又はそれらの任意の適切な組み合わせを含むが、それらに限定されない、任意のさまざまな形態をとることができる。コンピュータ可読信号媒体は、コンピュータ可読記憶媒体ではなく、命令実行システム、機器、又は装置によって、又はそれに関連して使用するために、プログラムを通信し、伝播し、又は伝送することができる、任意のコンピュータ可読媒体であってもよい。
「コンピュータメモリ」又は「メモリ」は、コンピュータ可読記憶媒体の一例である。コンピュータメモリは、プロセッサに直接アクセス可能な任意のメモリである。「コンピュータ記憶装置」又は「記憶装置」は、コンピュータ可読記憶媒体の他の一例である。コンピュータ記憶装置は、任意の不揮発性コンピュータ可読記憶媒体である。ある実施形態において、コンピュータ記憶装置は、コンピュータメモリであってもよく、又はその逆であってもよい。
本明細書で使用される「プロセッサ」は、プログラム又はマシン実行可能命令又はコンピュータ実行可能コードを実行することができる電子コンポーネントを包含する。「プロセッサ」を有するコンピューティングデバイスへの言及は、可能性として２以上のプロセッサ又は処理コアを含むものとして解釈されるべきである。プロセッサは例えば、マルチコアプロセッサでありうる。プロセッサは、単一のコンピュータシステム内の、又は複数のコンピュータシステム間で分散されたプロセッサの集合を指す場合もある。コンピューティングデバイスという語は、プロセッサ又はプロセッサを構成するそれぞれのコンピューティングデバイスの組又はネットワークを指すと解釈されるべきである。コンピュータ実行可能コードは、同一のコンピューティングデバイス内にあってもよいし、複数のコンピューティングデバイスに分散されてもよい複数のプロセッサによって実行されることができる。
コンピュータ実行可能コードは、マシン実行可能命令又はプロセッサに本発明の一形態を実行させるプログラムを含むことができる。本発明の形態の動作を実行するためのコンピュータ実行可能コードは、Java、Smalltalk、Ｃ＋＋などのオブジェクト指向プログラミング言語及び「Ｃ」プログラミング言語又は類似のプログラミング言語などの従来の手続き型プログラミング言語を含む１又は複数のプログラミング言語の任意の組み合わせで書かれることができ、マシン実行可能命令にコンパイルされることができる。場合によっては、コンピュータ実行可能コードは、高水準言語の形態であってもよいし、事前にコンパイルされた形態であってもよく、オンザフライでマシン実行可能命令を生成するインタプリタと共に使用されてもよい。
コンピュータ実行可能コードは、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロンのソフトウェアパッケージとして、部分的にユーザのコンピュータ上で且つ部分的にリモートコンピュータ上で、又は完全にリモートコンピュータ又はサーバ上で、実行することができる。後者の場合、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）又は広域ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザのコンピュータに接続されることがきでき、又は（例えば、インターネットサービスプロバイダを使用してインターネットを介して）外部コンピュータに接続されることもできる。
本発明の態様は、本発明の実施形態による方法、装置（システム）、及びコンピュータプログラム製品を示すフローチャート図及び／又はブロック図を参照して説明される。フローチャート、図、及び／又はブロック図の各ブロック又はブロックの一部は、適用可能な場合にはコンピュータ実行可能コードの形態のコンピュータプログラム命令によって実現されることができることを理解されたい。更に、互いに排他的ではない場合、複数の異なるフローチャート、図、及び／又はブロック図におけるブロックの組み合わせが実現可能であることができることが理解される。これらのコンピュータプログラム命令は、マシンを生成するために、汎用コンピュータ、専用コンピュータ、又は他のプログラマブルデータ処理装置のプロセッサに提供されることができ、それにより、コンピュータ又は他のプログラマブルデータ処理装置のプロセッサを介して実行される命令が、フローチャート及び／又はブロック図の１つ又は複数のブロックで指定された機能／動作を実現する手段を生成する。
これらのコンピュータプログラム命令は、コンピュータ可読媒体に記憶され、コンピュータ、他のプログラマブルデータ処理装置、又は他のデバイスに、特定の方法で機能するように指示することができ、それにより、コンピュータ可読媒体に記憶された命令は、フローチャート及び／又はブロック図の１つ又は複数のブロックで指定された機能／動作を実現する命令を含む製品をもたらす。
コンピュータプログラム命令は更に、コンピュータ、他のプログラマブルデータ処理装置、又は他のデバイスにロードされることにより、一連の動作ステップを、コンピュータ、他のプログラマブル装置、又は他のデバイス上で実行させ、コンピュータ実現プロセスを生成することが可能であり、それにより、コンピュータ又は他のプログラマブル装置上で実行される命令は、フローチャート及び／又はブロック図の１つ又は複数のブロックで指定された機能／動作を実現するためのプロセスを提供する。
本明細書で使用される「ユーザインタフェース」は、ユーザ又はオペレータがコンピュータ又はコンピュータシステムと対話することを可能にするインタフェースである。「ユーザインタフェース」は、「ヒューマンインタフェース装置」とも呼ばれる。ユーザインタフェースは、情報又はデータをオペレータに提供し、及び／又はオペレータから情報又はデータを受け取ることができる。ユーザインタフェースは、オペレータからの入力が、コンピュータによって受け取られることを可能にし、コンピュータからユーザに出力を提供することもできる。言い換えると、ユーザインタフェースは、オペレータがコンピュータを制御し又は操作することを可能にし、ユーザインタフェースは、コンピュータが、オペレータの制御又は操作の効果を示すことを可能にしうる。ディスプレイ又はグラフィカルユーザインタフェース上へのデータ又は情報の表示は、オペレータに情報を提供する一例である。キーボード、マウス、トラックボール、タッチパッド、ポインティングスティック、グラフィックスタブレット、ジョイスティック、ゲームパッド、ウェブカメラ、ヘッドセット、ペダル、有線グローブ、リモートコントロール、及び加速度計を介したデータの受け取りは、すべて、オペレータから情報又はデータを受け取ることを可能にするユーザインタフェースコンポーネントの例である。
本明細書で使用される「ハードウェアインタフェース」は、コンピュータシステムのプロセッサが外部のコンピューティングデバイス及び／又は装置と対話し及び／又は制御することを可能にするインタフェースを含む。ハードウェアインタフェースは、プロセッサが制御信号又は命令を外部コンピューティングデバイス及び／又は装置に送信することを可能にしうる。ハードウェアインタフェースは更に、プロセッサが外部のコンピューティングデバイス及び／又は装置とデータを交換することを可能にしうる。ハードウェアインタフェースの例としてはユニバーサルシリアルバス、ＩＥＥＥ１３９４ポート、パラレルポート、ＩＥＥＥ１２８４ポート、シリアルポート、ＲＳ－２３２ポート、ＩＥＥＥ－４８８ポート、Ｂｌｕｅｔｏｏｔｈ接続、ワイヤレスローカルエリアネットワーク接続、ＴＣＰ／ＩＰ接続、イーサネット接続、制御電圧インタフェース、ＭＩＤＩインタフェース、アナログ入力インタフェース、及びデジタル入力インタフェースが挙げられるが、これらに限定されない。
本明細書で使用される「ディスプレイ」又は「表示装置」は、画像又はデータを表示するように適応された出力装置又はユーザインタフェースを包含する。ディスプレイは、視覚データ、聴覚データ、及び／又は触覚データを出力することができる。ディスプレイの例としてはコンピュータモニタ、テレビ画面、タッチスクリーン、触覚電子ディスプレイ、点字スクリーン、陰極線管（ＣＲＴ）、蓄積管、双安定ディスプレイ、電子ペーパー、ベクトルディスプレイ、フラットパネルディスプレイ、真空蛍光ディスプレイ（ＶＦ）、発光ダイオード（ＬＥＤ）ディスプレイ、エレクトロルミネッセンスディスプレイ（ＥＬＤ）、プラズマディスプレイパネル（ＰＤＰ）、液晶ディスプレイ（ＬＣＤ）、有機発光ダイオードディスプレイ（ＯＬＥＤ）、プロジェクタ、及びヘッドマウントディスプレイが挙げられるが、これらに限定されない。
磁気共鳴（ＭＲ）データ又は磁気共鳴イメージングデータは、本明細書では磁気共鳴イメージングスキャン中に磁気共鳴装置のアンテナを用いる、原子スピンによって放射された高周波信号の記録測定値であると規定される。磁気共鳴イメージング（ＭＲＩ）画像又はＭＲ画像は、本明細書では磁気共鳴イメージングデータ内に含まれる解剖学的データの再構成された２次元又は３次元視覚化であると規定される。この可視化は、コンピュータを使用して実行されることができる。磁気共鳴画像は、医用画像データ又は３次元医用画像データの一例である。
以下、本発明の好適な実施形態が、単なる例示として、図面を参照して説明される。
医用イメージングシステムの一例を示す図。 図１の医用イメージングシステムを動作させる方法の一例を示すフローチャート。 医用イメージングシステムの他の例を示す図。 医用イメージングシステムの他の例を示す図。 ニューラルネットワークの一例を示す図。 ニューラルネットワークの他の例を示す図。 医用イメージングシステムの他の例を示す図。
これらの図における同様の番号が付された構成要素は、同等の構成要素であるか、又は同じ機能を実行する構成要素いずれかである。前述した構成要素は、その機能が同等である場合には必ずしも後の図で説明されない。
図１は、医用イメージングシステム１００の一例を示す。医用イメージングシステムは、コンピュータシステム１０２を含むものとして示されている。コンピュータシステム１０２は、他のコンポーネントを制御するために及び／又はネットワークを介して他のコンピュータシステムと通信するために使用できるハードウェア及び／又はネットワークインタフェース１０４を有する。コンピュータシステム１０２は更に、ハードウェア又はネットワークインタフェース１０４並びにユーザインタフェース１０８及びコンピュータメモリ１１０に接続されるプロセッサ１０６を備えるものとして示されている。メモリ１１０は、プロセッサ１０６にアクセス可能なメモリの任意の組み合わせでありうる。これには、メインメモリ、キャッシュメモリなどのメモリや、フラッシュＲＡＭ、ハードドライブなどの不揮発性メモリ、又はその他の記憶装置も含まれる。いくつかの例では、メモリ１１０は、非一時的コンピュータ可読媒体であると考えられることができる。
ユーザインタフェース１０８は、グラフィカルユーザインタフェース１１２をレンダリングするディスプレイを有することができる。グラフィカルユーザインタフェース１１２は、スライス又は２次元画像をレンダリングするための領域を有することができる。更に、オペレータがレンダリング１１４を次々めくって見ることを可能にするコントロール部１１６があってもよい。
コンピュータメモリ１１０は、マシン実行可能命令を含むものとして示される。マシン実行可能命令１２０は、プロセッサ１０６が医用イメージングシステム１００の他のコンポーネントを場合によっては制御すること、及び／又はさまざまな計算タスク及びデータ処理タスクを実行することを可能にする。メモリ１１０は更に、３次元医用画像データ１２２を有するものとして示されている。３次元医用画像データは、追加の医用スキャナによって取得されたものであってもよいし、例えばネットワークインタフェース１０４を介して受け取られたものであってもよい。メモリ１１０は更に、３次元医用画像データ１２２の撮像モダリティを識別する撮像モダリティ１２４を有するものとして示されている。メモリ１１０は更に、３次元医用画像データ１２２において観察され又は画像化されたアナトミーを分類するアナトミカルビュー分類１２６を有するものとして示されている。
メモリ１１０は更に、異常検出モジュール１２８の組を含むものとして示されている。異常検出モジュール１２８の組は、それぞれ異なる撮像モダリティ及びそれぞれ異なるアナトミカルビューについて異常を認識するように訓練された畳み込みニューラルネットワークの組である。メモリ１１０は更に、撮像モダリティ１２４及びアナトミカルビュー分類１２６を使用して異常検出モジュールの組から選択された、被選択異常検出モジュール１３０を有するものとして示されている。
メモリ１１０は更に、被選択異常検出モジュール１３０を使用して実行された３次元医用画像データ１２２の複数のスライス１３２の各々の分類を有するものとして示されている。各スライス１３２の分類は、各スライスを正常又は異常のいずれかとして分類する。いずれかのスライスが異常であると識別される場合、所定の選択基準１３４の組を使用して、被選択スライス１３６の組を選択する。所定の選択基準１３４及び被選択スライス１３６の組は、メモリ１１０に記憶されているものとして示されている。次いで、所定の選択基準１３４によって被選択スライスを使用して、３次元医用画像データのスライスを選択し、グラフィカルユーザインタフェース１１２上にスライス１１４のレンダリングを表示することができる。
メモリ１１０はまた、撮像モダリティ１２４を提供するために使用されうる任意の撮像モダリティ分類器１３８を有するものとして示されている。メモリ１１０はまた、アナトミカルビュー分類１２６を提供するために使用されうる任意のアナトミー分類モジュール１４０を有するものとして示されている。
図２は、図１の医療機器の作動方法を示すフローチャートを示す。まず、ステップ２００において、複数のスライスを含む３次元医用イメージングデータが受け取られる。次に、ステップ２０２において、３次元医用イメージングデータの撮像モダリティが受け取られる。撮像モダリティは、３次元医用画像データを取得するために使用された医用イメージングスキャナのタイプの識別でありうる。次に、ステップ２０４において、３次元医用画像データのアナトミカルビュー分類が受け取られる。アナトミカルビュー分類は、３次元医用画像データにおいて画像化されたアナトミーの識別でありえ、又は３次元医用画像データの取得中に使用された撮像プロトコルのタイプの識別であってもよい。次に、ステップ２０６において、撮像モダリティ及びアナトミカルビュー分類を使用して、被選択異常検出モジュールが、異常検出モジュールの組から選択される。異常検出モジュールの各々は、複数のスライスの各々が正常であるか異常であるかを識別するように訓練された畳み込みニューラルネットワークである。次に、ステップ２０８において、複数のスライスの各々は、異常検出モジュールを使用して、正常又は異常として分類される。最後に、ステップ２０１において、複数のスライスのいずれかが異常として分類される場合、所定の選択基準に従って、被選択スライスの組が、複数のスライスの中から選択される。
図３は、医用イメージングシステム３００の他の例を示す。医用イメージングシステム３００は、医用イメージングシステム３００が更に磁気共鳴イメージングシステム３０２を有することを除いて、医用イメージングシステム１００と同様である。磁気共鳴イメージングシステム３０２は、医用イメージングスキャナの一般的な例であることが意図される。医用イメージングシステム３００は更に、２以上の追加の医用イメージングスキャナを有することができ、例えば、磁気共鳴イメージングシステム、ポジトロンエミッショントモグラフィシステム、シングルフォトンエミッショントモグラフィシステム、超音波イメージングシステム、Ｘ線システム、コンピュータトモグラフィシステム、及び内視鏡システムのうちの１つ又は複数とすることができる。
磁気共鳴イメージングシステム３０２は、磁石３０４を有する。磁石３０４は、それを貫通するボア３０６を有する円筒型の超電導磁石である。別のタイプの磁石の使用も可能である。例えば、分割円筒磁石及びいわゆるオープン型磁石の両方を使用することも可能である。分割円筒形磁石は、磁石の等平面へのアクセスを可能にするようにクライオスタットが２つのセクションに分割されていることを除いて、標準的な円筒形磁石と同様であり、このような磁石は例えば、荷電粒子ビーム治療と併せて使用されることができる。オープン型磁石は、一方の磁石部分が他方の磁石部分の情報に配置されて被検体を受け入れるのに十分な大きさの空間を有する２つの磁石部分を有し、２つの部分の構成は、ヘルムホルツコイルと類似する。オープン型磁石は、被検体の制限が少ないので人気がある。円筒形磁石のクライオスタットの内部には、超電導コイルの集合体がある。円筒形磁石３０４のボア３０６内には、磁場が磁気共鳴イメージングを実行するのに十分に強くかつ一様である撮像ゾーン３０８が存在する。関心領域３０９が、撮像ゾーン３０８内に示されている。取得される磁気共鳴データは、典型的には関心領域について取得される。被検体３１８は被検体３１８の少なくとも一部が撮像ゾーン３０８及び関心領域３０９内にあるように、被検体支持体３２０によって支持されているように示されている。
磁石のボア３０６内には磁場勾配コイル３１０の組も存在し、これは磁石３０４の撮像ゾーン３０８内の磁気スピンを空間的に符号化するための予備的な磁気共鳴データの取得のために使用される。磁場勾配コイル３１０は、磁場勾配コイル電源３１２に接続されている。磁場勾配コイル３１０は、例示的なものであることが意図されている。典型的には、磁場勾配コイル３１０は、３つの直交する空間方向において空間符号化するための別々の３つの組のコイルを有する。磁場勾配電源は、磁場勾配コイルに電流を供給する。磁場勾配コイル３１０に供給される電流は、時間の関数として制御され、ランプ状にされてもパルス状にされてもよい。
撮像ゾーン３０８に隣接して、撮像ゾーン３０８内の磁気スピンの配向を操作し、撮像ゾーン３０８内のスピンからの無線送信も受信するための無線周波数コイル３１４が配置される。無線周波数アンテナは、複数のコイル素子を有することができる。無線周波数アンテナは、チャネル又はアンテナと呼ばれることもある。無線周波数コイル３１４は、無線周波数トランシーバ３１６に接続される。無線周波数コイル３１４及び無線周波数トランシーバ３１６は、別個の送信コイル及び受信コイル、並びに別個の送信機及び受信機と置き換えられることもできる。無線周波数コイル３１４及び無線周波数トランシーバ３１６は、例示的であることが理解される。無線周波数コイル３１４は、専用の送信アンテナ及び専用の受信アンテナも表しうることが意図される。同様に、トランシーバ３１６も、別個の送信機及び受信機を表すことができる。また、無線周波数コイル３１４は、複数の受信／送信素子を有することができ、無線周波数トランシーバ３１６は、複数の受信／送信チャネルを有することができる。例えば、ＳＥＮＳＥのようなパラレルイメージング技術が実行される場合、無線周波数３１４コイルは、複数のコイル素子を有することができる。
メモリ１１０は、パルスシーケンスコマンド３４０を更に有するものとして示されている。パルスシーケンスコマンド３４０は、磁気共鳴イメージングデータを取得するように磁気共鳴イメージングシステム３０２を制御するために使用されることができるそのような命令に変換されうる命令又はデータである。メモリ１１０は、パルスシーケンスコマンド３４０によって磁気共鳴イメージングシステム３０２を制御することによって取得された磁気共鳴イメージングデータ３４２を有するものとして更に示される。マシン実行可能命令１２０の実行は、磁気共鳴イメージングデータ３４２から３次元医用画像データ１２２を再構成するために使用されることができる。
放射線科医が複数のレポートを取り扱い、限られた期間で診断を提供することに対する要求が高まるにつれて、医療システムの過剰な負担が生じる。本発明では、本発明者らがスキャンから臨床的に重要なスライス及びアナトミカル領域を自動識別し、診断を行うための情報を有するこれらのスキャンにおける臨床変化を識別することによって、それらのスライス及びアナトミカル領域を自動識別するための解決策を提供する。更に、臨床的に重要な情報のみを含むスライスが識別され、関心領域マーキングと位置合わせされることで、可視化に費やす時間を短縮して更なる診断判断を行い、スループットを改善することができる。
Academic Radiology誌に発表された最近の研究によれば、ＣＴ及びＭＲＩの利用と、それらの検査のために収集される画像の数の両方が、近年著しく増加している。著者らは、これが過労放射線科医によるエラーの増加につながる可能性があると考えている。ミネソタ州ロチェスターにあるメイヨークリニックの放射線科のRobert J. McDonald医師らはこの試験を実施し、１９９９年から２０１０年の間に各施設で実施されたあらゆるＣＴ及びＭＲＩ検査について画像の総数を検討した。この期間では、１５０万以上のＣＴ及びＭＲＩ検査が放射線科医によって実施された。１９９９年から２０１０年にかけて、ＣＴ利用率は６８％増加し、ＭＲＩ利用率は８５％増加し、全体の利用率は７５％増加した。
著者らは、５億３９００万を超える画像が、研究期間中に検査から収集されたことを決定した。ＣＴ検査は、１９９９年の８２画像から２０１０年の６７９画像まで増加した。ＭＲＩ検査は、１９９９年の１６４画像から２０１０年の５７０画像まで増加した。
しかしながら、この利用率及び画像の増加を支援するために追加の放射線科医を雇うことは十分ではない。１９９９年、ＣＴスキャンを読影する放射線科医は、毎分２．８枚の画像を読影することが求められていた。２０１０年には、その数が、毎分１９画像以上であった。同様に、ＭＲＩスキャンを読影する放射線科医は、１９９９年に毎分３枚の画像を読影することが要求されたが、その数は２０１０年には毎分１２枚近くに跳ね上がった。現代の放射線科医は、１０～２０年前に実施された同様の検査と比較して、今では何倍も多くの検査画像を解釈しなければならない。これらの感度及び特定性の進歩は患者ケアの改善につながると考えられているが、これらの増大する画像量は診療放射線科医にますます負担をかけている。作業負荷が増大し続けるにつれて、疲労及びストレスが増大するため、放射線科医によって提供されるヘルスケアの質が、検出エラーの増加という形で低下することが懸念される。したがって、本発明者らは得られたすべてのスキャンのうち、臨床的に関連するスキャンのみを見ることが可能であり、その結果、放射線科医は過度の負担を負わず、より正確に診断決定を行うためにより少ない時間を費やすことができるという技術的解決策を提供する。
実施例は、以下のような利点の１つ又は複数を有することができる。
１．本発明のソリューションは、放射線科医が被検者のすべてのスキャンスライスを詳しく調べなければならないというよりも、スキャンボリューム全体ではなく、放射線科医に最初に表示する必要がある臨床的に重要な特定のスライスのみを特定するのに役立つ。
２．スキャンのすべてのスライスを分析する際に放射線科医が費やす時間を短縮するのに役立つ。
３．システムは更に、リクエストされた検査に加えて、事前の病歴や現在の検査に基づいて、他の臨床所見（もしあれば）についても提案を行うことで、スキャンの繰り返しを減らし、診断の質を向上させることができる。
４．システムは更に、臨床的に重要な情報を有するスライスのみを組み合わせて視覚化ボリュームを与える。
実施例は、以下の特徴のうちの１又は複数を有することができる。
１．撮像モダリティを決定する撮像モダリティタイプ分類モジュール（撮像モダリティ分類器）
２．アナトミカルビュー分類を決定するアナトミカル分類モジュール
３．スライスを正常又は異常のいずれかに分類する異常検出モジュール
４．異常スライス選択モジュール（所定の選択基準）
５．オーケストレータモジュール（マシン実行可能命令）
図４は、医用イメージングシステム４００の他の例の高レベル及び機能図を示す。図４には、医用イメージングシステム４００のプロセス及び動作を制御するオーケストレータモジュール１２０がある。オーケストレータモジュール１２０は、マシン実行可能命令１２０に相当しうる。オーケストレータモジュール１２０は、画像スタディボリューム１２２を受け取る。画像スタディボリューム１２２は、撮像モダリティ分類モジュール１３８、アナトミー分類モジュール１４０、及び異常検出モジュール１３０によって処理されうる。撮像モダリティ分類モジュール１３８は、撮像モダリティ分類モデル４０２を使用することができる。アナトミー分類モジュール１４０は、撮像アナトミーモデル４０４を使用することができる。異常検出モジュール１３０は、異常検出モデル４０６を使用することができる。スライスに何らかの異常がある場合、オーケストレータモジュールは、異常スライス選択モジュール１３４を使用することができる。異常スライス選択モジュール１３４は、図１及び図３の例によって使用される所定の選択基準１３４に相当しうる。異常スライス選択モジュール１３４の出力は、被選択スライスの組に等しい被選択スライスのシーケンス１３６である。
撮像モダリティ分類モジュールは例えば、ＤＩＣＯＭヘッダを検出することによって、又はＮＬＰを使用してレポートを処理することによって実現されることができる。また、ＲＩＳ及びＨＩＳからの情報を考慮して、モダリティタイプ並びに関連する調査をうることができる。
アナトミー分類モジュールは、スキャンに存在する関連するアナトミーのスライスを識別するために使用されることができる。例えば、ＭＲＩ脳画像では、モジュールは、アナトミーを脳として識別する。前のモジュールにおけるような畳み込みニューラルネットワークが使用され、ただし、最後のソフトマックス層が撮像モダリティ当たりの解剖学的領域の数としての次元数を有することだけが異なる。以下の図５は、ＣＮＮアーキテクチャを示す。
図５は、アナトミー分類モジュール及び／又は場合によっては撮像モダリティ分類器１３８のいずれかを実現するために使用されることができる理想化された畳み込みニューラルネットワークを示す。画像を入力するための入力層５００があり、次に多数の隠れ層５０２がある。次に、出力５０６を提供する出力層５０４がある。アナトミー分類モジュール１４０の場合、可能な画像モードの各々に対して１つの出力５０６がある。例えば、膝、脳、又は他のアナトミーの特定の画像が示されうる。撮像モダリティ分類器１３８の場合、撮像モダリティは、複数の出力５０６によって示されることができる。例えば、磁気共鳴画像を示す１つの出力があり、別の出力が、ＣＴ画像のような別のタイプの画像を示すことができる。
異常検出モジュールを使用して、ステップ２を使用して識別される関心のあるアナトミーの医用画像に異常が存在するかどうかを識別することができる。例えば、ＭＲＩ脳検査では、腫瘍、出血などの異常検査だけでなく、正常な検査もあってよい。前のモジュールと同様の畳み込みニューラルネットワークが使用され、ただし、最後のソフトマックス層が、２クラス問題（正常対異常画像）を有するので、２つのノードを有することのみが相違する。以下の図６は、アーキテクチャを示す。
図６は、被選択異常検出モジュール１３０を実現するために使用されうる畳み込みニューラルネットワークの一般的な実現例を示す。ニューラルネットワーク１３０はここでも入力を有し、その後、多数の特徴マップ６００が存在する。次に、これは、隠れユニット６０２及び隠れユニット６０４に供給される。隠れユニット６０４は、特徴ベクトルであると考えられることができる。特徴ベクトル６０４は、出力６０６を提供するために使用される。この例では、一方の出力は、画像が正常であることを示し、他の出力は、画像が異常であるかどうかを示すために使用される。
スライス選択モジュールを使用することにより、１つ又は複数のフロー方法ステップを使用して、画像の全体ボリュームから臨床的に重要なスライスを識別することができる。
１．２クラスＧＭＭ混合モデルは、異常検出ＣＮＮから導出された特徴について訓練される。
２．連続するスライス（ＥＤ）の特徴ベクトル間のユークリッド距離、平均二乗誤差（ＭＳＥ）によるスライス間の強度変動、スライスのエントロピー（ＥＮＴ）、及び正常／異常なアナトミーに関する個々のスライスの尤度尺度（ＬＬＭ）が計算される。すべての尺度は、次のように計算される：
Figure 0007399102000001
ここで、ＦＶｉ?１及びＦＶｉは、「ｉ?１」番目及び「ｉ」番目のスライスの特徴ベクトルであり、「Ｄ」は特徴ベクトルの次元である。
Figure 0007399102000002
ここで、Ｉｉ－１及びＩｉは、２つの連続するフレームの強度値である。
Figure 0007399102000003
ここで、Ｐｏ（．）は強度値「Ｏ」の確率密度関数であり、「Ω」は「Ｉ」におけるすべての可能なグレー値の集合である。
Figure 0007399102000004
ここで、「ＳＮ」、「ＳＡ」はステップ１から導出された正常ケース及び異常ケースのガウス混合モデルであり、「ＦＶ」は特徴ベクトルである。
スライスの第１の可能な組は、ＭＳＥに対するエントロピーの比に基づいて選択される。ＭＳＥは画像とエントロピーの類似性に反比例するので、情報は画像の内容に直接関係する。つまり、
Figure 0007399102000005
スライスの組は、予め規定された閾値（ＳＬ１＞Ｔｈ１）に基づいて選択される。
（ｂ）スライスの第２の組は、ＥＤに対するＬＬＲの比率に基づいて選択される。ＥＤは画像とＬＬＲの類似性に反比例するので、情報は画像の内容（正常／異常）に直接関係する。つまり、
Figure 0007399102000006
スライスの組は、予め規定された閾値（ＳＬ２＞０及びＳＬ２＞Ｔｈ２）に基づいて選択される。
上に示した正規化は不良な調整を防止し、安定性を高めることができるので、有利である。正規化は、ＥＮＴとＭＳＥ、ＬＬＲとＥＤとの間の固有の関係をうるために実行される。結果として得られる特徴ベクトルは、重要なスライスと重要でないスライスとの間のより良好な識別を提供する。
最後に、スライスの組の一方又は両方が、視覚化のためにユーザに提供される。スライスの第１の組は情報内容のみに基づいて選択されるので、被選択スライスの第２の組は、より一層、異常内容に関連する。
オーケストレータモジュールはモジュールを訓練し、モデルを動的に展開するために使用されることができる。オーケストレータモジュールは、医用スタディからボリュームを選択するプロセスを自動化することができる。訓練フェーズのオーケストレータ部は、モダリティ、解剖及び異常に関する関連ラベルと共に、さまざまなモダリティのボリュームの組を入力する。次に、オーケストレータコンポーネントは、訓練プロセス中にさまざまなモジュールの初期構成を設定する。テストフェーズでは、オーケストレータコンポーネントは、入力として、医用スタディボリューム又は医用スタディボリュームの組のいずれかを受け取り、次いで、臨床的に重要なボリュームを生成するために、モジュールのそれぞれにおいて適切なモデルを適用する。
いくつかの例において、Ａ）訓練フェーズ及びＢ）配備フェーズの２つのフェーズが実現されることができる。
Ａ）訓練フェーズ：
訓練フェーズでは、システムへの入力は、モダリティ、アナトミー、異常のような関連するラベルと共に医用スタディボリュームの組である。これらの医用スタディボリュームは、ＣＴ、ＭＲなどのさまざまな撮像モダリティから取得される。
オーケストレータコンポーネントは、この入力として、医用スタディボリュームを、モダリティ、アナトミー、異常のような関連するラベルと共に受け取る。撮像ボリュームは、グラウンドトゥルースラベルとして存在するモダリティ情報を使用して、さまざまな撮像モダリティクラスに分類される。モダリティクラスのそれぞれについて同様に、撮像ボリュームは、それぞれのアナトミーに更に分類される。ボリュームのスライスは更に、正常クラスと異常クラスに分類される。
訓練フェーズのすべてが完了すると、分類モデルの階層が生成され、オーケストレータコンポーネントは、これらのモデルを適切なモデルデータベースに記憶する。
Ｂ）配備フェーズ：
配備フェーズにおいて、目標は、撮像ボリュームの臨床的に重要なスライスを生成することである。オーケストレータコンポーネントは、入力として、撮像スタディボリュームを受け取り、次いで、スライスを撮像モダリティ分類モジュールに送る。次に、撮像ボリュームをモダリティに分類する。次いで、オーケストレータコンポーネントは、モダリティ分類モジュールからの予測モダリティに基づいて適切なアナトミー分類モデルを選択し、アナトミー分類モジュールをインスタンス化する。
アナトミー分類モジュールはアナトミーを予測する。次いで、オーケストレータは、異常スライスを生成するための以前の段階からの予測されたアナトミー及びモダリティに基づいて、適切な異常検出モデルを用いて異常モジュールをインスタンス化する。次いで、スライス選択モジュールは、スタディのための適切なスライスを選択する。ＣＴモダリティ及び脳のアナトミーに関するこのプロセスを示す図について以下に説明する。
図７は、医用イメージングシステム７００の他の例を示す。図７の描写は機能的であり、図４の医用イメージングシステム４００と同様である。この例でも、医用イメージングシステムは、撮像スタディボリューム１２２を受け取る。次に、これは、最初に、撮像モダリティ分類モデル４０２を使用する撮像モダリティ分類モジュール１３８に渡される。撮像モダリティ分類モジュールは、この例において、ＣＴ、ＭＲ、超音波７０６、Ｘ線７０８、病理７１０及び内視鏡７１２のような多くの異なる撮像モダリティを識別することができる。この特定の例では、撮像スタディボリュームは、ＣＴ画像であるので、撮像スタディボリュームは、ＣＴアナトミー分類モジュール４０４'に渡される。ＣＴアナトミー分類モジュール４０４'は、ＣＴアナトミー分類モデル４０２´を使用する。この例では、ＣＴアナトミー分類モジュール４０４'は、撮像スタディボリューム１２２を脳７１４のものとして識別する。また、このケースで考えられる他の多くの例もあり、撮像スタディボリューム１２２は、脳７１４、四肢７１６、腹部７１８又は肺７２０であってもよい。本例において、撮像スタディボリューム１２２は脳７１４であるので、脳のために使用される特化した異常検出モジュール１３０'に渡される。
異常検出モジュール１３０'は、ＣＴ脳異常モデル４０４'を使用する。異常検出モジュール１３０'は、１つ又は複数のスライスが異常であると識別し、次いで、異常スライス選択モジュール１３４に渡されて、被選択スライス１３６の組が提供される。この例では、それらはスティッチング（貼り合わせ）されたスライスのシーケンスである。スティッチングされたスライスのシーケンスは、オペレータ又は医師に表示されるように選択された異常なスライス、及びそれらのスライス間の中間スライスを有し、よって、医師又はオペレータは、検査すべき完全なボリュームを有する。
本発明は、図面及び前述の説明において詳細に図示され説明されてきたが、そのような図示及び説明は例示的又は説明的であり、限定的ではないと考えられるべきであり、本発明は開示された実施形態に限定されない。
開示された実施形態に対する他の変形は、図面、開示、及び添付の請求項の検討から、請求項に記載の発明を実施する際に当業者によって理解され、実施されることができる。請求項において、単語「有する、含む（comprising）」は、他の構成要素又はステップを排除せず、不定冠詞「a」又は「an」は複数性を排除しない。単一のプロセッサ又は他のユニットは、請求項に列挙されるいくつかのアイテムの機能を果たすことができる。特定の手段が相互に異なる従属請求項に記載されているという単なる事実は、これらの手段の組み合わせが有利に使用されることができないことを示すものではない。コンピュータプログラムは、他のハードウェアと一緒に、又はその一部として供給される光記憶媒体又はソリッドステート媒体などの適切な媒体上に記憶され／配布されることができるが、他の形態で、インターネット又は他の有線もしくは無線電気通信システムなどを介して、配布されることもできる。請求項におけるいかなる参照符号も、その範囲を限定するものとして解釈されるべきではない。
１００ 医用イメージングシステム
１０２ コンピュータシステム
１０４ ハードウェア／ネットワークインタフェース
１０６ プロセッサ
１０８ ユーザインタフェース
１１０ コンピュータメモリ
１１２ グラフィカルユーザインタフェース
１１４ スライスのレンダリング
１１６ スライスをフリップするための制御部
１２０ マシン実行可能命令
１２２ ３次元医用画像データ
１２４ 撮像モダリティ
１２６ アナトミカルビュー分類
１２８ 異常検出モジュールの組
１３０ 被選択異常検出モジュール
１３２ 複数のスライスのそれぞれの分類
１３４ 所定の選択基準
１３６ 被選択スライスの組
１３８ 撮像モダリティ分類器
１４０ アナトミー分類モジュール
２００ 複数のスライスを含む３次元医用画像データを受け取る
２０２ ３次元医用画像データの撮像モダリティを受け取る
２０４ ３次元医用画像データのアナトミカルビュー分類を受け取る
２０６ 撮像モダリティ及びアナトミカルビュー分類を使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択する
２０８ 異常検出モジュールを使用して、複数のスライスの各々を正常又は異常として分類する
２１０ 複数のスライスのいずれかが異常として分類される場合、所定の選択基準に従って複数のスライスから被選択スライスの組を選択する
３００ 医用イメージングシステム
３０２ 磁気共鳴イメージング装置
３０４ 磁石
３０６ 磁石のボア
３０８ 撮像ゾーン
３０９ 関心領域
３１０ 磁場勾配コイル
３１２ 磁場勾配コイル電源
３１４ 高周波コイル
３１６ トランシーバ
３１８ 被検体
３２０ 被検体支持体
３４０ パルスシーケンスコマンド
３４２ 磁気共鳴イメージンデータ
４００ 医用イメージングシステム
４０２ 撮像モダリティ分類モデル
４０４ 撮像アナトミーモデル
４０２' ＣＴアナトミカル分類モジュール
４０６ 異常検出モデル
４０４' ＣＴ脳異常モデル
５００ 入力層
５０２ 隠れ層
５０４ 出力層
５０６ 出力
６００ 特徴マップ
６０２ 隠れユニット
６０４ 特徴ベクトル
６０６ 出力
７００ 医用イメージングシステム
７０２ ＣＴ
７０４ ＭＲ（ＭＲＩ）
７０６ 超音波
７０８ Ｘ線
７１０ 病理
７１２ 内視鏡検査
７１４ 脳
７１６ 四肢
７１８ 腹部
７２０ 肺

Claims (15)

  1. 医用イメージングシステムであって、
    マシン実行可能命令を記憶するメモリと、
    前記医用イメージングシステムを制御するプロセッサと、
    を有し、
    前記マシン実行可能命令の実行は、前記プロセッサに、
    複数のスライスを含む３次元医用画像データを受け取るステップと、
    前記３次元医用画像データの撮像モダリティを受け取るステップと、
    前記３次元医用画像データのアナトミカルビュー分類を受け取るステップと、
    前記撮像モダリティと前記アナトミカルビュー分類とを使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択するステップであって、前記異常検出モジュールの各々が、前記複数のスライスの少なくとも一部を正常又は異常のいずれかに分類するように訓練された畳み込みニューラルネットワークである、ステップと、
    前記複数のスライスの少なくとも一部を、選択された前記異常検出モジュールを用いて正常又は異常のいずれかに分類するステップと、
    前記複数のスライスのうち所定数のスライスが異常として分類される場合に、所定の選択基準に従って、前記複数のスライスの中から、被選択スライスの組を選択するステップと、
    を実行させ、
    前記マシン実行可能命令の実行は更に、前記プロセッサに、
    前記複数のスライスのうち少なくとも一部のエントロピーを計算するステップと、
    前記複数のスライスの少なくとも一部について隣接するスライス間の平均二乗誤差強度変動を計算するステップと、
    前記隣接するスライス間の平均二乗誤差強度変動に対する前記スライスのエントロピーの比が所定の情報内容閾値を上回るスライスを、前記被選択スライスの組に追加するステップと、
    実行させる、医用イメージングシステム。
  2. 医用イメージングシステムであって、
    マシン実行可能命令を記憶するメモリと、
    前記医用イメージングシステムを制御するプロセッサと、
    を有し、
    前記マシン実行可能命令の実行は、前記プロセッサに、
    複数のスライスを含む３次元医用画像データを受け取るステップと、
    前記３次元医用画像データの撮像モダリティを受け取るステップと、
    前記３次元医用画像データのアナトミカルビュー分類を受け取るステップと、
    前記撮像モダリティと前記アナトミカルビュー分類とを使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択するステップであって、前記異常検出モジュールの各々が、前記複数のスライスの少なくとも一部を正常又は異常のいずれかに分類するように訓練された畳み込みニューラルネットワークである、ステップと、
    前記複数のスライスの少なくとも一部を、選択された前記異常検出モジュールを用いて正常又は異常のいずれかに分類するステップと、
    前記複数のスライスのうち所定数のスライスが異常として分類される場合に、所定の選択基準に従って、前記複数のスライスの中から、被選択スライスの組を選択するステップと、
    を実行させ、
    前記異常検出モジュールは、前記複数のスライスの少なくとも一部分の特徴ベクトルを生成するように構成され、前記マシン実行可能命令の実行は更に、前記プロセッサに、
    前記複数のスライスの少なくとも一部について、隣接するスライスの特徴ベクトル間のユークリッド距離を計算するステップと、
    前記複数のスライスの少なくとも一部の前記特徴ベクトルをガウス混合モデルに入力することにより、前記複数のスライスの少なくとも一部の尤度尺度を計算するステップであって、前記ガウス混合モデルは、前記特徴ベクトルが正常であるか異常であるかの確率を決定するように訓練されたものである、ステップと、
    前記ユークリッド距離に対する尤度尺度の比が所定の異常尺度値閾値よりも大きいスライスを、前記被選択スライスの組に追加するステップと、
    を実行させる、医用イメージングシステム。
  3. 前記異常検出モジュールは、前記複数のスライスの少なくとも一部分の特徴ベクトルを生成するように構成され、前記マシン実行可能命令の実行は、前記プロセッサに、
    前記複数のスライスの少なくとも一部について、隣接するスライスの特徴ベクトル間のユークリッド距離を計算するステップと、
    前記複数のスライスの少なくとも一部の前記特徴ベクトルをガウス混合モデルに入力することにより、前記複数のスライスの少なくとも一部の尤度尺度を計算するステップであって、前記ガウス混合モデルは、前記特徴ベクトルが正常であるか異常であるかの確率を決定するように訓練されたものである、ステップと、
    前記ユークリッド距離に対する尤度尺度の比が所定の異常尺度値閾値よりも大きいスライスを、前記被選択スライスの組に追加するステップと、
    を実行させる請求項１に記載の医用イメージングシステム。
  4. 前記マシン実行可能命令の実行は更に、前記プロセッサに、前記異常検出モジュールから導出された特徴ベクトルを使用して前記ガウス混合モデルを訓練するステップを実行させる、請求項２又は３に記載の医用イメージングシステム。
  5. 前記マシン実行可能命令の実行は更に、前記プロセッサに、前記３次元医用画像データの前記撮像モダリティを、撮像モダリティ分類器を用いて決定するステップを実行させる、請求項１乃至４のいずれか１項に記載の医用イメージングシステム。
  6. 前記撮像モダリティ分類器は、自然言語処理を使用してレポート又はログファイルを処理することと、ＤＩＣＯＭヘッダから前記撮像モダリティを抽出することと、ヘルス情報システムから前記撮像モダリティを受け取ることとのうちのいずれか１つを使用して、前記撮像モダリティを決定するように構成される、請求項５に記載の医用イメージングシステム。
  7. 前記マシン実行可能命令の実行は更に、前記プロセッサに、アナトミー分類モジュールを使用して、前記アナトミカルビュー分類を決定するステップを実行させ、前記アナトミー分類モジュールは、訓練された畳み込みニューラルネットワークである、請求項１乃至６のいずれか１項に記載の医用イメージングシステム。
  8. 前記撮像モダリティが、磁気共鳴イメージング、コンピュータトモグラフィ、ポジトロンエミッショントモグラフィ、超音波、Ｘ線、及び内視鏡のいずれか１つである、請求項１乃至７のいずれか１項に記載の医用イメージングシステム。
  9. 前記マシン実行可能命令の実行は更に、前記プロセッサに、
    ３次元医用画像データの複数の組を受け取るステップと、
    前記３次元医用画像データの複数の組の少なくとも一部について、前記被選択スライスの組を選択するステップと、
    を実行させる、請求項１乃至８のいずれか１項に記載の医用イメージングシステム。
  10. 前記医用イメージングシステムはディスプレイを有し、前記マシン実行可能命令の実行は更に、前記プロセッサに、前記被選択スライスの組を前記ディスプレイ上に表示させるステップを実行させる、請求項１乃至９のいずれか１項に記載の医用イメージングシステム。
  11. 前記医用イメージングシステムはディスプレイを有し、前記マシン実行可能命令の実行は更に、前記プロセッサに、前記ディスプレイ上に前記３次元医用画像データの選択された部分を表示するステップを実行させ、前記選択された部分は、前記被選択スライスの組と、前記被選択スライスの組の被選択スライス間にある前記３次元医用画像データのスライスと、を有する、請求項１乃至９のいずれか１項に記載の医用イメージングシステム。
  12. 前記医用イメージングシステムは、前記３次元医用画像データを取得するように構成された医用イメージングスキャナを有し、前記マシン実行可能命令の実行は更に、前記プロセッサに、前記医用イメージングスキャナを制御し前記３次元医用画像データを取得するステップを実行させる、請求項１乃至１１のいずれか１項に記載の医用イメージングシステム。
  13. 前記医用イメージングスキャナは、磁気共鳴イメージングシステム、ポジトロンエミッショントモグラフィシステム、シングルフォトンエミッショントモグラフィシステム、超音波イメージングシステム、Ｘ線システム、コンピュータトモグラフィシステム、及び内視鏡システムのうちのいずれか１つである、請求項１２に記載の医用イメージングシステム。
  14. 医用イメージングシステムを作動させる方法であって、
    複数のスライスを含む３次元医用画像データの受け取るステップと、
    前記３次元医用画像データの撮像モダリティを受け取るステップと、
    前記３次元医用画像データのアナトミカルビュー分類を受け取るステップと、
    前記撮像モダリティと前記アナトミカルビュー分類とを使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択するステップであって、前記異常検出モジュールの各々は、前記複数のスライスの少なくとも一部を正常又は異常のいずれかに分類するように訓練された畳み込みニューラルネットワークである、ステップと、
    選択された前記異常検出モジュールを使用して、前記複数のスライスの少なくとも一部を正常又は異常のいずれかに分類するステップと、
    前記複数のスライスのうちの所定数が異常と分類される場合に、所定の選択基準に従って、前記複数のスライスの中から被選択スライスの組を選択するステップと、
    を実行させ、更に、
    前記複数のスライスのうち少なくとも一部のエントロピーを計算するステップと、
    前記複数のスライスの少なくとも一部について隣接するスライス間の平均二乗誤差強度変動を計算するステップと、
    前記隣接するスライス間の平均二乗誤差強度変動に対する前記スライスのエントロピーの比が所定の情報内容閾値を上回るスライスを、前記被選択スライスの組に追加するステップと、
    を実行させる、方法。
  15. 医用イメージングシステムを制御するプロセッサによる実行のためのマシン実行可能命令を有するコンピュータプログラムであって、前記マシン実行可能命令の実行は、前記プロセッサに、
    複数のスライスを含む３次元医用画像データを受け取るステップと、
    前記３次元医用画像データの撮像モダリティを受け取るステップと、
    前記３次元医用画像データのアナトミカルビュー分類を受け取るステップと、
    前記撮像モダリティと前記アナトミカルビュー分類とを使用して、異常検出モジュールの組から、被選択異常検出モジュールを選択するステップであって、前記異常検出モジュールの各々は、前記複数のスライスの少なくとも一部を正常又は異常のいずれかに分類するように訓練された畳み込みニューラルネットワークである、ステップと、
    前記複数のスライスの前記少なくとも一部を、選択された前記異常検出モジュールを用いて正常又は異常のいずれかに分類するステップと、
    前記複数のスライスの所定数が異常として分類される場合、所定の選択基準に従って、前記複数のスライスの中から被選択スライスの組を選択するステップと、
    実行させ、
    前記マシン実行可能命令の実行は更に、前記プロセッサに、
    前記複数のスライスのうち少なくとも一部のエントロピーを計算するステップと、
    前記複数のスライスの少なくとも一部について隣接するスライス間の平均二乗誤差強度変動を計算するステップと、
    前記隣接するスライス間の平均二乗誤差強度変動に対する前記スライスのエントロピーの比が所定の情報内容閾値を上回るスライスを、前記被選択スライスの組に追加するステップと、
    を実行させる、コンピュータプログラム。
JP2020555887A 2018-04-13 2019-04-12 医用イメージングにおける自動スライス選択 Active JP7399102B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18167156.1A EP3553740A1 (en) 2018-04-13 2018-04-13 Automatic slice selection in medical imaging
EP18167156.1 2018-04-13
PCT/EP2019/059491 WO2019197644A1 (en) 2018-04-13 2019-04-12 Automatic slice selection in medical imaging

Publications (2)

Publication Number Publication Date
JP2021520925A JP2021520925A (ja) 2021-08-26
JP7399102B2 true JP7399102B2 (ja) 2023-12-15

Family

ID=62063295

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020555887A Active JP7399102B2 (ja) 2018-04-13 2019-04-12 医用イメージングにおける自動スライス選択

Country Status (5)

Country Link
US (1) US20210158526A1 (ja)
EP (2) EP3553740A1 (ja)
JP (1) JP7399102B2 (ja)
CN (1) CN111989710A (ja)
WO (1) WO2019197644A1 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020044523A1 (ja) * 2018-08-30 2020-03-05 オリンパス株式会社 記録装置、画像観察装置、観察システム、観察システムの制御方法、及び観察システムの作動プログラム
US11182642B2 (en) 2019-02-28 2021-11-23 Stats Llc System and method for generating player tracking data from broadcast video
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
US11423318B2 (en) * 2019-07-16 2022-08-23 DOCBOT, Inc. System and methods for aggregating features in video frames to improve accuracy of AI detection algorithms
US10671934B1 (en) 2019-07-16 2020-06-02 DOCBOT, Inc. Real-time deployment of machine learning systems
US11545255B2 (en) * 2019-12-20 2023-01-03 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for classifying an anomaly medical image using variational autoencoder
US11113577B1 (en) * 2020-02-27 2021-09-07 GE Precision Healthcare LLC Systems and methods for detecting laterality of a medical image
US20210330296A1 (en) * 2020-04-27 2021-10-28 Butterfly Network, Inc. Methods and apparatuses for enhancing ultrasound data
CN111595850B (zh) * 2020-04-27 2022-07-15 平安科技（深圳）有限公司 切片缺陷检测方法、电子装置及可读存储介质
US11100373B1 (en) 2020-11-02 2021-08-24 DOCBOT, Inc. Autonomous and continuously self-improving learning system
CN112686867A (zh) * 2020-12-31 2021-04-20 上海商汤智能科技有限公司 医学图像的识别方法及装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003126045A (ja) 2001-10-22 2003-05-07 Olympus Optical Co Ltd 診断支援装置
JP2004351100A (ja) 2003-05-30 2004-12-16 Konica Minolta Medical & Graphic Inc 医用画像処理システム及び医用画像処理方法
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
JP2009502230A (ja) 2005-07-22 2009-01-29 ケアストリーム ヘルス インク 医用画像における傷病部位の検知
US20160350919A1 (en) 2015-06-01 2016-12-01 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
US20170018075A1 (en) 2015-07-13 2017-01-19 Delineo Diagnostics, Inc Method and apparatus for adaptive Computer-Aided Diagnosis

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7536044B2 (en) * 2003-11-19 2009-05-19 Siemens Medical Solutions Usa, Inc. System and method for detecting and matching anatomical structures using appearance and shape
US7672497B2 (en) * 2005-12-29 2010-03-02 Carestream Health, Inc. Computer aided disease detection system for multiple organ systems
JP5926728B2 (ja) * 2010-07-26 2016-05-25 ケイジャヤ、エルエルシー 内科医が直接用いるのに適応したビジュアライゼーション
RU2634636C2 (ru) * 2012-06-20 2017-11-02 Конинклейке Филипс Н.В. Графический пользовательский интерфейс для медицинских инструментов
JP6371544B2 (ja) * 2014-03-14 2018-08-08 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
JP6351323B2 (ja) * 2014-03-20 2018-07-04 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN107209240B (zh) * 2015-01-30 2018-10-23 皇家飞利浦有限公司 用于针对后续磁共振成像的自动扫描规划的系统和方法
RU2682970C2 (ru) * 2015-02-06 2019-03-25 Конинклейке Филипс Н.В. Автоматическая группировка магнитно-резонансных изображений
US9633306B2 (en) * 2015-05-07 2017-04-25 Siemens Healthcare Gmbh Method and system for approximating deep neural networks for anatomical object detection
US20160364527A1 (en) * 2015-06-12 2016-12-15 Merge Healthcare Incorporated Methods and Systems for Automatically Analyzing Clinical Images and Determining when Additional Imaging May Aid a Diagnosis
CN110461240A (zh) * 2017-01-19 2019-11-15 纽约大学 用于超声分析的系统、方法和计算机可访问介质
US10580159B2 (en) * 2017-01-31 2020-03-03 Siemens Healthcare Gmbh Coarse orientation detection in image data
US11664114B2 (en) * 2017-05-25 2023-05-30 Enlitic, Inc. Medical scan assisted review system
US10388015B2 (en) * 2017-09-06 2019-08-20 International Business Machines Corporation Automated septal defect detection in cardiac computed tomography images
US10499857B1 (en) * 2017-09-19 2019-12-10 Deepradiology Inc. Medical protocol change in real-time imaging
US10937540B2 (en) * 2017-12-21 2021-03-02 International Business Machines Coporation Medical image classification based on a generative adversarial network trained discriminator

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003126045A (ja) 2001-10-22 2003-05-07 Olympus Optical Co Ltd 診断支援装置
JP2004351100A (ja) 2003-05-30 2004-12-16 Konica Minolta Medical & Graphic Inc 医用画像処理システム及び医用画像処理方法
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
JP2009502230A (ja) 2005-07-22 2009-01-29 ケアストリーム ヘルス インク 医用画像における傷病部位の検知
US20160350919A1 (en) 2015-06-01 2016-12-01 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
US20170018075A1 (en) 2015-07-13 2017-01-19 Delineo Diagnostics, Inc Method and apparatus for adaptive Computer-Aided Diagnosis

Also Published As

Publication number Publication date
EP3553740A1 (en) 2019-10-16
US20210158526A1 (en) 2021-05-27
WO2019197644A1 (en) 2019-10-17
JP2021520925A (ja) 2021-08-26
CN111989710A (zh) 2020-11-24
EP3776460A1 (en) 2021-02-17

Similar Documents

Publication Publication Date Title
JP7399102B2 (ja) 医用イメージングにおける自動スライス選択
US11475559B2 (en) Artificial intelligence-enabled localization of anatomical landmarks
EP3514756A1 (en) Medical analysis method for predicting metastases in a test tissue sample
US11333732B2 (en) Automatic artifact detection and pulse sequence modification in magnetic resonance imaging
US10823798B2 (en) Virtual CT images from magnetic resonance images
CN112292732A (zh) 用于实现对对象的磁共振成像的方法
US20230067146A1 (en) Automated scout scan examination
US11435422B2 (en) Anomaly detection using magnetic resonance fingerprinting
JP7391112B2 (ja) 磁気共鳴イメージングのための自動的な視野整列
WO2020207848A1 (en) Removal of false positives from white matter fiber tracts
WO2020126853A1 (en) Automated detection of abnormal subject configuration for medical imaging
US20220237787A1 (en) Fmri task settings with machine learning
KR20230030810A (ko) 데이터 생성 방법 및 이를 이용한 학습방법 및 장치
EP3460751A1 (en) Automated tumor partitioning
EP4321890A1 (en) Reconstruction parameter determination for the reconstruction of synthesized magnetic resonance images
EP4266074A1 (en) Segmentation of medical images reconstructed from a set of magnetic resonance images
EP4231036A1 (en) Detection of artifical structures in magentic resonance images due to neural networks
WO2023121005A1 (ko) 인공 신경망에 기반하여 분류 정보를 출력하는 방법 및 이를 위한 장치
EP4138092A1 (en) Detection of improperly configured medical imaging systems
EP4306983A1 (en) Making anatomical measurements using magnetic resonance imaging
WO2023020924A1 (en) Saliency maps for medical imaging
CN115867818A (zh) 磁共振指纹识别质量保证

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220204

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221212

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221220

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230313

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230613

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230704

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231101

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20231110

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: 20231130

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231205

R150 Certificate of patent or registration of utility model

Ref document number: 7399102

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150