JP7418730B2 - 医用画像処理装置、医用画像処理方法および医用画像処理プログラム - Google Patents
医用画像処理装置、医用画像処理方法および医用画像処理プログラム Download PDFInfo
- Publication number
- JP7418730B2 JP7418730B2 JP2019155519A JP2019155519A JP7418730B2 JP 7418730 B2 JP7418730 B2 JP 7418730B2 JP 2019155519 A JP2019155519 A JP 2019155519A JP 2019155519 A JP2019155519 A JP 2019155519A JP 7418730 B2 JP7418730 B2 JP 7418730B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- model
- medical image
- images
- input
- 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
- 238000012545 processing Methods 0.000 title claims description 124
- 238000003672 processing method Methods 0.000 title claims description 57
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000003902 lesion Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 38
- 238000002591 computed tomography Methods 0.000 description 20
- 238000013500 data storage Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000003073 embolic effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
第1の実施形態に係る医用画像処理装置について図1のブロック図を参照して説明する。
第1の実施形態に係る医用画像処理装置1は、処理回路10、メモリ12、入力インタフェース14および通信インタフェース16を含む。処理回路10、メモリ12、入力インタフェース14および通信インタフェース16は、例えばバスを介して、互いに通信可能に接続されている。
生成機能105により処理回路10は、学習済みモデルの利用時には、選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、選択された学習済みモデルの入力に整合するように、処理対象画像から1つ以上の追加画像を生成する。モデルの学習時には、生成機能105により処理回路10は、モデルの入力に整合するように、モデルの用途に応じたデータ処理方法により前記処理対象画像から1つ以上の追加画像を生成する。
学習機能107により処理回路10は、処理対象画像と1つ以上の追加画像を入力データとし、処理対象画像の解析結果を正解データとする学習用データを用いてモデルを学習させ、学習済みモデルを生成する。
モデル実行機能109により処理回路10は、処理対象画像と1つ以上の追加画像とを選択された学習済みモデルに入力し、解析結果を得る。
また、メモリ12は、CD-ROMドライブ、DVDドライブ、及びフラッシュメモリ等の可搬型記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。なお、メモリ12は、必ずしも単一の記憶装置により実現される必要は無い。例えば、メモリ12は、複数の記憶装置により実現されても構わない。また、メモリ12は、医用画像処理装置1にネットワークを介して接続された他のコンピュータ内にあってもよい。
通信インタフェース16は、有線または無線により外部装置とデータのやり取りを実行する。
図2に示す学習済みモデル生成システムは、学習用データ生成装置20と、学習用データ保管装置22と、モデル学習装置24と、医用画像処理装置1とを含む。
ここでは、学習済みモデルの用途として、病変を検出する用途、具体的には肝臓のCT画像から腫瘍の領域を検出することを想定する。また、学習前のモデルである多層ネットワーク301の両端には、ネットワークの入力層3011と出力層3013とが模式的に描出される。ここでは、入力層3011は3チャネルのデータが入力され、出力層3013は1チャネルのデータが出力されるモデルであることを示す。なお、モデルからの出力は、腫瘍の領域を示した画像に限られない。例えば、画像中に病変が含まれるか否かを示す情報を解析結果として出力してもよい。また、画像中に含まれる病変の種類を特定して、特定した病変の種類を解析結果として出力してもよい。あるいは、画像中に含まれる病変に関する数値パラメータをテキストやグラフ表示など他の出力形式で出力するものであってもよい。
なお、データ処理方法として、ウィンドウレベルおよびウィンドウ幅を変更することに限らず、リサイズや、ノイズフィルタ、またはスライス厚の変更若しくはカラーテーブルの値の変更など、入力画像に基づいて画像のバリエーションを増やせる手法であれば、どのようなデータ処理方法でもよい。
また、医師が学習済みモデルからの出力画像を確認することを前提とする場合は、多層ネットワーク301の入力データおよび出力データとして、人が見やすい画像、すなわち対象病変の診断を行う際によく用いられるデータ処理を施した画像を入力および出力するようにしてもよい。
肝臓読影の場合は、「WL40/WW400」のCT画像が主に用いられると想定されるが、WLを100下げるような調整されたCT画像を読影する場合もある。よって、当該「WL40/WW400」を入力画像303として、ウィンドウレベルをプラス側およびマイナス側に100ずつ振った、2種類のCT画像が追加画像305として生成される。すなわち、追加画像305として、「WL-60/WW400」のCT画像と、「WL140/WW400」のCT画像とが生成される。
例えば、生成機能105により処理回路10が、1つ目のデータ処理方法として、ウィンドウ幅を変更する場合、入力画像である「WL40/WW400」のCT画像の他に、「WL40/WW300」および「WL40/WW200」のCT画像を追加画像として生成する。学習機能107により処理回路10は、当該入力画像と当該追加画像とを入力データとし、入力画像の解析結果を正解データとした第1の学習用データにより多層ネットワーク301を学習させ、第1の学習済みモデル候補を生成する。
また、学習済みモデルからの出力が1チャネルであることを想定するが、入力画像ごと処理対象画像および追加画像のそれぞれについて解析結果を出力してもよい。さらに、出力された複数の解析結果は、多数決によりユーザに提示すべき解析結果を絞って出力してもよい。
図4に示すテーブル400は、学習済みモデルを識別するためのモデルIDと、被検体に関する対象部位と、学習済みモデルの用途と、追加画像を生成するためのデータ処理方法(パラメータを含む)と、データ処理方法を調整するための撮像条件とをそれぞれ対応付けて格納する。
撮像条件は、当該撮像条件に与えられた値に応じてデータ処理方法のパラメータを変更すべきであることを示す。例えば、撮影プロトコルおよび撮像条件が決定した場合、当該撮像条件として与えられたパラメータの1つである管電流がモデルの学習時に用いたCT画像に使用された値に比べ、高い値が設定されている場合を想定する。この場合、撮像条件の管電流の値と当該CT値とに応じてウィンドウレベルを調整すればよい。
なお、モデルの学習時においては、学習前のモデルID、対象部位、用途およびデータ処理方法がそれぞれ対応付けられたテーブルを用意しておき、当該テーブルを参照し、どのようなデータ処理方法で追加画像を生成すればよいかが決定されてもよい。
ステップS501では、取得機能101により処理回路10が、1つ以上の処理対象画像を取得する。
ステップS502では、取得機能101により処理回路10が、処理対象画像に適用する学習済みモデルを選択する。学習済みモデルの選択方法は、例えば、図4に示すテーブルの対象部位および用途などが参照されることで、入力インタフェース14を介してユーザからの学習済みモデルの選択結果を取得する。または、ユーザに入力に限らず、取得機能101により処理回路10が、検査オーダ情報に記載される部位や症例に関する情報を抽出し、抽出された情報と図4に示すテーブルとを比較することにより、対応する学習済みモデルが自動的に選択されてもよい。
ステップS503では、取得機能101により処理回路10が、選択された学習済みモデルに対応するデータ処理方法を取得する。ここでは、図4に示すテーブルから、選択された学習済みモデルに対応するデータ処理方法が取得される。
学習済みモデルの入力と整合する場合、ステップS506に進み、学習済みモデルの入力と整合しない、例えば処理対象画像の数が足りない場合、または処理対象画像の数が足りていてもデータ処理方法により生成されるべき追加画像が存在しない場合、ステップS505に進む。
ステップS506では、モデル実行機能109により処理回路10が、処理対象画像を選択された学習済みモデルに入力し、出力となる解析結果を得る。または追加画像が生成された場合は、モデル実行機能109により処理回路10が、処理対象画像と追加画像とを学習済みモデルに入力し、解析結果を得る。
図6は、学習済みモデルに対して処理対象画像を入力する場合を示す。ここでは、学習済みモデルの用途として「腫瘍検出」を実行し、データ処理方法としてウィンドウレベルおよびウィンドウ幅を調整する方法を想定する。学習済みモデルの入力層3011のチャネルは3チャネルである。
処理対象画像601と、図4に示すテーブルのデータ処理方法を満たす2つの追加画像602および追加画像603とが、学習済みモデルの入力層3011に入力される。なお、処理対象画像601、追加画像602および追加画像603では、画像におけるウィンドウレベルおよびウィンドウ幅の違いをハッチングにより区別するものとする。
学習済みモデルの解析結果として、解析画像604には、腫瘍と想定される領域を示すマーカと、当該領域が腫瘍である可能性を示す確率とが重畳表示される。
さらに、学習済みモデルの利用時においては、処理対象画像に対して学習時と同様にデータ処理方法を適用することにより、学習済みモデルの入力チャネルにあわせて処理対象画像のバリエーションを増やした追加画像を生成する。これにより、学習済みモデルの処理精度を高めることができる。結果として、モデルの入力チャネルを有効利用することができる。
第2の実施形態では、医用画像処理装置とCTまたはMRなどの医用画像診断装置とがネットワークを介して接続された、医用画像処理システムの構成例について図7を参照して説明する。
第2の実施形態に係る医用画像処理システムは、医用画像処理装置1と、1つ以上の医用画像診断装置50とが、ネットワーク3を介して接続される。
医用画像処理装置1は、医用画像診断装置50で撮影された医用画像をネットワーク3を介して受信する。学習済みモデルも学習時であれば、受信した医用画像を入力画像として第1の実施形態で示したモデルの学習を実行すればよい。また、学習済みモデルの利用時であれば、受信した医用画像を処理対象画像として、学習済みモデルを用いて解析結果を生成すればよい。なお、解析結果を医用画像診断装置50に送信し、医用画像を撮影した装置本体で即時に学習済みモデルを利用した解析結果を出力および表示できるようにしてもよい。
3 ネットワーク
10 処理回路
12 メモリ
14 入力インタフェース
16 通信インタフェース
20 学習用データ生成装置
22 学習用データ保管装置
24 モデル学習装置
50 医用画像診断装置
101 取得機能
103 判定機能
105 生成機能
107 学習機能
109 モデル実行機能
301 多層ネットワーク
303 入力画像
305 追加画像
400 テーブル
601 処理対象画像
602,603 追加画像
604 解析画像
3011 入力層
3013 出力層
Claims (7)
- 解析結果を生成する複数の学習済みモデルと、入力画像から1以上の追加画像を生成するための複数のデータ処理方法と、を対応付けて格納する第1格納部と、
処理対象画像と学習済みモデルに関する選択情報とを取得する取得部と、
前記選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、前記処理対象画像から1以上の追加画像を生成する生成部と、
を具備する医用画像処理装置。 - 前記生成部は、前記処理対象画像と、前記選択された学習済みモデルの入力とを比較し、前記選択された学習済みモデルの入力に整合するデータとなるように、前記データ処理方法により前記1以上の追加画像を生成する、請求項1に記載の医用画像処理装置。
- 学習済みモデルごとに、対応するデータ処理方法に基づく複数画像の種類を対応付けて格納する第2格納部をさらに具備し、
前記生成部は、複数の処理対象画像が入力された場合、前記第2格納部に格納された複数画像の種類と、入力された複数の処理対象画像とを比較し、前記複数の処理対象画像の中に、前記選択された学習済みモデルに対応するデータ処理方法により生成されるべき種類の画像が存在しない場合、前記存在しない画像を生成する、請求項1または請求項2に記載の医用画像処理装置。 - 前記処理対象画像と前記1以上の追加画像とを前記選択された学習済みモデルに入力し、解析結果を得るモデル実行部をさらに具備する、請求項1から請求項3のいずれか1項に記載の医用画像処理装置。
- 前記学習済みモデルは病変を検出するものであり、
前記1以上の追加画像のうちの少なくとも1つは、病変検出に関するガイドラインに設定されるパラメータを用いて生成される画像である、請求項1から請求項4のいずれか1項に記載の医用画像処理装置。 - 格納部が、解析結果を生成する複数の学習済みモデルと、入力画像から1以上の追加画像を生成するための複数のデータ処理方法と、を対応付けて格納し、
取得部が、処理対象画像と学習済みモデルに関する選択情報とを取得し、
生成部が、前記選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、前記処理対象画像から1以上の追加画像を生成する医用画像処理方法。 - コンピュータに、
解析結果を生成する複数の学習済みモデルと、入力画像から1以上の追加画像を生成するための複数のデータ処理方法と、を対応付けて格納する格納機能と、
処理対象画像と学習済みモデルに関する選択情報とを取得する取得機能と、
前記選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、前記処理対象画像から1以上の追加画像を生成する生成機能と、
を実現させるための医用画像処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019155519A JP7418730B2 (ja) | 2019-08-28 | 2019-08-28 | 医用画像処理装置、医用画像処理方法および医用画像処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019155519A JP7418730B2 (ja) | 2019-08-28 | 2019-08-28 | 医用画像処理装置、医用画像処理方法および医用画像処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021033826A JP2021033826A (ja) | 2021-03-01 |
JP7418730B2 true JP7418730B2 (ja) | 2024-01-22 |
Family
ID=74676626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019155519A Active JP7418730B2 (ja) | 2019-08-28 | 2019-08-28 | 医用画像処理装置、医用画像処理方法および医用画像処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7418730B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006043007A (ja) | 2004-08-02 | 2006-02-16 | Fujitsu Ltd | 診断支援プログラムおよび診断支援装置 |
WO2018180386A1 (ja) | 2017-03-30 | 2018-10-04 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
JP2019118670A (ja) | 2018-01-09 | 2019-07-22 | カシオ計算機株式会社 | 診断支援装置、画像処理方法及びプログラム |
-
2019
- 2019-08-28 JP JP2019155519A patent/JP7418730B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006043007A (ja) | 2004-08-02 | 2006-02-16 | Fujitsu Ltd | 診断支援プログラムおよび診断支援装置 |
WO2018180386A1 (ja) | 2017-03-30 | 2018-10-04 | 国立研究開発法人産業技術総合研究所 | 超音波画像診断支援方法、およびシステム |
JP2019118670A (ja) | 2018-01-09 | 2019-07-22 | カシオ計算機株式会社 | 診断支援装置、画像処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021033826A (ja) | 2021-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7053541B2 (ja) | 患者固有の深層学習画像ノイズ除去方法およびシステム | |
US11069056B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
JP4949264B2 (ja) | 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 | |
US9317918B2 (en) | Apparatus, method, and computer program product for medical diagnostic imaging assistance | |
KR20200089146A (ko) | 의료 영상 처리 장치 및 방법 | |
US20150173705A1 (en) | Apparatus and method for adapting diagnostic model for computer-aided diagnosis | |
CN111563523A (zh) | 利用机器训练的异常检测的copd分类 | |
JP5943353B2 (ja) | 画像処理装置及び画像処理方法 | |
JP7140630B2 (ja) | 画像処理装置、データ生成装置及びプログラム | |
CN116848588A (zh) | 医学图像中的健康状况特征的自动标注 | |
JP2024009342A (ja) | 文書作成支援装置、方法およびプログラム | |
Fontanella et al. | Diffusion models for counterfactual generation and anomaly detection in brain images | |
JP6810212B2 (ja) | 画像識別方法及び画像識別装置 | |
CN112750519A (zh) | 医学图像数据的匿名化 | |
JP7418730B2 (ja) | 医用画像処理装置、医用画像処理方法および医用画像処理プログラム | |
US20220392619A1 (en) | Information processing apparatus, method, and program | |
EP4293615A1 (en) | Learning device, learning method, trained model, and program | |
US20220036558A1 (en) | Method and system for predicting expression of biomarker from medical image | |
JP2022117177A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN115393246A (zh) | 图像分割系统及图像分割方法 | |
US20240037739A1 (en) | Image processing apparatus, image processing method, and image processing program | |
WO2022070574A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7483502B2 (ja) | 画像診断支援装置および画像診断支援方法 | |
US11923072B2 (en) | Image diagnosis supporting device and image processing method | |
EP4356837A1 (en) | Medical image diagnosis system, medical image diagnosis system evaluation method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20191224 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20191224 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220722 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20230127 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20230127 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230829 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231027 |
|
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: 20231128 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7418730 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |