JP7448476B2 - 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 - Google Patents
高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 Download PDFInfo
- Publication number
- JP7448476B2 JP7448476B2 JP2020537168A JP2020537168A JP7448476B2 JP 7448476 B2 JP7448476 B2 JP 7448476B2 JP 2020537168 A JP2020537168 A JP 2020537168A JP 2020537168 A JP2020537168 A JP 2020537168A JP 7448476 B2 JP7448476 B2 JP 7448476B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- volume
- subject
- prostate
- processor
- 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
- 238000000034 method Methods 0.000 title claims description 277
- 239000012217 radiopharmaceutical Substances 0.000 title claims description 86
- 229940121896 radiopharmaceutical Drugs 0.000 title claims description 85
- 230000002799 radiopharmaceutical effect Effects 0.000 title claims description 85
- 238000003709 image segmentation Methods 0.000 title description 26
- 238000013528 artificial neural network Methods 0.000 title description 18
- 210000001519 tissue Anatomy 0.000 claims description 301
- 210000002307 prostate Anatomy 0.000 claims description 288
- 230000011218 segmentation Effects 0.000 claims description 203
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 185
- 238000013527 convolutional neural network Methods 0.000 claims description 184
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 110
- 206010060862 Prostate cancer Diseases 0.000 claims description 109
- 238000003384 imaging method Methods 0.000 claims description 77
- 101000892862 Homo sapiens Glutamate carboxypeptidase 2 Proteins 0.000 claims description 73
- 102100041003 Glutamate carboxypeptidase 2 Human genes 0.000 claims description 72
- 210000004197 pelvis Anatomy 0.000 claims description 59
- 239000011230 binding agent Substances 0.000 claims description 58
- 210000003205 muscle Anatomy 0.000 claims description 54
- 210000003049 pelvic bone Anatomy 0.000 claims description 53
- 230000015654 memory Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 37
- 210000000988 bone and bone Anatomy 0.000 claims description 33
- 206010028980 Neoplasm Diseases 0.000 claims description 27
- 238000009206 nuclear medicine Methods 0.000 claims description 27
- 210000000664 rectum Anatomy 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 26
- 238000009877 rendering Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 21
- 238000002405 diagnostic procedure Methods 0.000 claims description 20
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000037406 food intake Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 8
- 239000013066 combination product Substances 0.000 claims description 6
- 229940127555 combination product Drugs 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 229920001481 poly(stearyl methacrylate) Polymers 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 description 253
- 230000000875 corresponding effect Effects 0.000 description 176
- 210000003932 urinary bladder Anatomy 0.000 description 174
- 238000004458 analytical method Methods 0.000 description 80
- 238000010801 machine learning Methods 0.000 description 74
- 238000012549 training Methods 0.000 description 50
- 238000003908 quality control method Methods 0.000 description 44
- 238000013473 artificial intelligence Methods 0.000 description 41
- 210000001981 hip bone Anatomy 0.000 description 39
- 238000010586 diagram Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 36
- 201000010099 disease Diseases 0.000 description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 32
- 238000013459 approach Methods 0.000 description 31
- 230000004807 localization Effects 0.000 description 30
- 238000012360 testing method Methods 0.000 description 30
- 238000012552 review Methods 0.000 description 29
- 230000035945 sensitivity Effects 0.000 description 28
- 238000002600 positron emission tomography Methods 0.000 description 27
- 238000010191 image analysis Methods 0.000 description 26
- 210000003484 anatomy Anatomy 0.000 description 25
- 210000000056 organ Anatomy 0.000 description 24
- 238000007781 pre-processing Methods 0.000 description 22
- 238000003860 storage Methods 0.000 description 22
- 150000003839 salts Chemical class 0.000 description 21
- 239000002872 contrast media Substances 0.000 description 19
- 239000010949 copper Substances 0.000 description 18
- 238000010200 validation analysis Methods 0.000 description 16
- 201000011510 cancer Diseases 0.000 description 15
- 238000013170 computed tomography imaging Methods 0.000 description 15
- 238000011282 treatment Methods 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 11
- 239000002184 metal Substances 0.000 description 11
- 238000011472 radical prostatectomy Methods 0.000 description 11
- FIHVIDKDARACGD-VABKMULXSA-N (2s)-2-[[(1s)-4-[[(1s)-5-[bis[[1-[2-[bis(carboxymethyl)amino]-2-oxoethyl]imidazol-2-yl]methyl]amino]-1-carboxypentyl]amino]-1-carboxy-4-oxobutyl]carbamoylamino]pentanedioic acid Chemical compound N=1C=CN(CC(=O)N(CC(O)=O)CC(O)=O)C=1CN(CCCC[C@H](NC(=O)CC[C@H](NC(=O)N[C@@H](CCC(=O)O)C(O)=O)C(O)=O)C(O)=O)CC1=NC=CN1CC(=O)N(CC(O)=O)CC(O)=O FIHVIDKDARACGD-VABKMULXSA-N 0.000 description 10
- 238000001574 biopsy Methods 0.000 description 10
- 230000003993 interaction Effects 0.000 description 10
- 238000002595 magnetic resonance imaging Methods 0.000 description 10
- 210000004872 soft tissue Anatomy 0.000 description 10
- 238000012879 PET imaging Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000011002 quantification Methods 0.000 description 9
- 150000001875 compounds Chemical class 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 241000489861 Maximus Species 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000001629 suppression Effects 0.000 description 7
- 238000002604 ultrasonography Methods 0.000 description 7
- OLWVRJUNLXQDSP-RYUDHWBXSA-N (2s)-2-[[(1s)-1-carboxy-5-[(6-fluoropyridine-3-carbonyl)amino]pentyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)C1=CC=C(F)N=C1 OLWVRJUNLXQDSP-RYUDHWBXSA-N 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 229910052802 copper Inorganic materials 0.000 description 6
- 210000001165 lymph node Anatomy 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- WUAPFZMCVAUBPE-NJFSPNSNSA-N 188Re Chemical compound [188Re] WUAPFZMCVAUBPE-NJFSPNSNSA-N 0.000 description 5
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 5
- 229910052765 Lutetium Inorganic materials 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 229910052733 gallium Inorganic materials 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 229910052738 indium Inorganic materials 0.000 description 5
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 5
- OHSVLFRHMCKCQY-UHFFFAOYSA-N lutetium atom Chemical compound [Lu] OHSVLFRHMCKCQY-UHFFFAOYSA-N 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 5
- 102000005962 receptors Human genes 0.000 description 5
- 108020003175 receptors Proteins 0.000 description 5
- WUAPFZMCVAUBPE-IGMARMGPSA-N rhenium-186 Chemical compound [186Re] WUAPFZMCVAUBPE-IGMARMGPSA-N 0.000 description 5
- 150000003384 small molecules Chemical class 0.000 description 5
- 229910052727 yttrium Inorganic materials 0.000 description 5
- VWQVUPCCIRVNHF-UHFFFAOYSA-N yttrium atom Chemical compound [Y] VWQVUPCCIRVNHF-UHFFFAOYSA-N 0.000 description 5
- -1 111 In) Chemical compound 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000012333 histopathological diagnosis Methods 0.000 description 4
- 230000001976 improved effect Effects 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 206010061289 metastatic neoplasm Diseases 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000002285 radioactive effect Effects 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 210000000115 thoracic cavity Anatomy 0.000 description 4
- 206010061728 Bone lesion Diseases 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 206010027476 Metastases Diseases 0.000 description 3
- GKLVYJBZJHMRIY-OUBTZVSYSA-N Technetium-99 Chemical compound [99Tc] GKLVYJBZJHMRIY-OUBTZVSYSA-N 0.000 description 3
- 239000000427 antigen Substances 0.000 description 3
- 102000036639 antigens Human genes 0.000 description 3
- 108091007433 antigens Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 208000010658 metastatic prostate carcinoma Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 229910052702 rhenium Inorganic materials 0.000 description 3
- WUAPFZMCVAUBPE-UHFFFAOYSA-N rhenium atom Chemical compound [Re] WUAPFZMCVAUBPE-UHFFFAOYSA-N 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 229910052713 technetium Inorganic materials 0.000 description 3
- 229940056501 technetium 99m Drugs 0.000 description 3
- GKLVYJBZJHMRIY-UHFFFAOYSA-N technetium atom Chemical compound [Tc] GKLVYJBZJHMRIY-UHFFFAOYSA-N 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- RSTDSVVLNYFDHY-IOCOTODDSA-K 2-[4-[2-[[4-[[(2S)-1-[[(5S)-5-carboxy-5-[[(1S)-1,3-dicarboxypropyl]carbamoylamino]pentyl]amino]-3-naphthalen-2-yl-1-oxopropan-2-yl]carbamoyl]cyclohexyl]methylamino]-2-oxoethyl]-7,10-bis(carboxylatomethyl)-1,4,7,10-tetrazacyclododec-1-yl]acetate lutetium-177(3+) Chemical compound [177Lu+3].OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)C1CCC(CNC(=O)CN2CCN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC2)CC1)C(O)=O)C(O)=O RSTDSVVLNYFDHY-IOCOTODDSA-K 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 2
- 241001326189 Gyrodactylus prostae Species 0.000 description 2
- 108010083158 PSMA-1007 Proteins 0.000 description 2
- 108010037516 PSMA-617 Proteins 0.000 description 2
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000007321 biological mechanism Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- JBHPLHATEXGMQR-LFWIOBPJSA-N vipivotide tetraxetan Chemical group OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](CC1=CC=C2C=CC=CC2=C1)NC(=O)[C@H]1CC[C@H](CNC(=O)CN2CCN(CC(O)=O)CCN(CC(O)=O)CCN(CC(O)=O)CC2)CC1)C(O)=O)C(O)=O JBHPLHATEXGMQR-LFWIOBPJSA-N 0.000 description 2
- XOJYSFPEJAILJZ-LCERUKBVSA-M (2s)-2-[[(1s)-4-[[(1s)-5-[bis[[1-[2-[bis(carboxymethyl)amino]-2-oxoethyl]imidazol-2-yl]methyl]amino]-1-carboxypentyl]amino]-1-carboxy-4-oxobutyl]carbamoylamino]pentanedioic acid;methanone;technetium-99(4+);chloride Chemical compound [Cl-].[99Tc+4].O=[CH-].O=[CH-].O=[CH-].N=1C=CN(CC(=O)N(CC(O)=O)CC(O)=O)C=1CN(CCCC[C@H](NC(=O)CC[C@H](NC(=O)N[C@@H](CCC(=O)O)C(O)=O)C(O)=O)C(O)=O)CC1=NC=CN1CC(=O)N(CC(O)=O)CC(O)=O XOJYSFPEJAILJZ-LCERUKBVSA-M 0.000 description 1
- LKKMLIBUAXYLOY-UHFFFAOYSA-N 3-Amino-1-methyl-5H-pyrido[4,3-b]indole Chemical compound N1C2=CC=CC=C2C2=C1C=C(N)N=C2C LKKMLIBUAXYLOY-UHFFFAOYSA-N 0.000 description 1
- 102100030310 5,6-dihydroxyindole-2-carboxylic acid oxidase Human genes 0.000 description 1
- 101710163881 5,6-dihydroxyindole-2-carboxylic acid oxidase Proteins 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 241000699800 Cricetinae Species 0.000 description 1
- 101150029707 ERBB2 gene Proteins 0.000 description 1
- 241000283073 Equus caballus Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 102100031413 L-dopachrome tautomerase Human genes 0.000 description 1
- 101710093778 L-dopachrome tautomerase Proteins 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 102000018697 Membrane Proteins Human genes 0.000 description 1
- 108010052285 Membrane Proteins Proteins 0.000 description 1
- RFFFFGRYVZESLB-CXODGJKXSA-N OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)c1ccc(CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)c2ccc([18F])nc2)cc1)C(O)=O)C(O)=O Chemical compound OC(=O)CC[C@H](NC(=O)N[C@@H](CCCCNC(=O)[C@H](Cc1ccc2ccccc2c1)NC(=O)c1ccc(CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)c2ccc([18F])nc2)cc1)C(O)=O)C(O)=O RFFFFGRYVZESLB-CXODGJKXSA-N 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 241000288906 Primates Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 101710173693 Short transient receptor potential channel 1 Proteins 0.000 description 1
- 101710173694 Short transient receptor potential channel 2 Proteins 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- LVTKHGUGBGNBPL-UHFFFAOYSA-N Trp-P-1 Chemical compound N1C2=CC=CC=C2C2=C1C(C)=C(N)N=C2C LVTKHGUGBGNBPL-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 238000007469 bone scintigraphy Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- OEYIOHPDSNJKLS-UHFFFAOYSA-N choline Chemical compound C[N+](C)(C)CCO OEYIOHPDSNJKLS-UHFFFAOYSA-N 0.000 description 1
- 229960001231 choline Drugs 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- AEBYHKKMCWUMKX-LNTZDJBBSA-K gallium (68Ga) gozetotide Chemical group [68Ga+3].OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)CCCCCNC(=O)CCC1=CC=C(O)C(CN(CCN(CC([O-])=O)CC=2C(=CC=C(CCC([O-])=O)C=2)O)CC([O-])=O)=C1 AEBYHKKMCWUMKX-LNTZDJBBSA-K 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 102000046689 human FOLH1 Human genes 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000001361 intraarterial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- MBKDYNNUVRNNRF-UHFFFAOYSA-N medronic acid Chemical compound OP(O)(=O)CP(O)(O)=O MBKDYNNUVRNNRF-UHFFFAOYSA-N 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- IDTMSHGCAZPVLC-RYUDHWBXSA-N n-({(1r)-1-carboxy-2-[(4-fluorobenzyl)sulfanyl]ethyl}carbamoyl)-l-glutamic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CSCC1=CC=C(F)C=C1 IDTMSHGCAZPVLC-RYUDHWBXSA-N 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 208000016691 refractory malignant neoplasm Diseases 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
- Image Analysis (AREA)
Description
この出願は、2018年1月8日出願の米国仮出願第62/614,935号、2018年6月7日出願の米国特許出願第16/003,006号、および2018年10月23日出願の米国仮出願第62/749,574号の優先権および利益を主張するものであり、これらの各々の内容の全体が参照によって本明細書に組み込まれる。
本発明は、例えば、以下の項目を提供する。
(項目1)
3D画像を自動的に処理して、対象の前立腺に対応する、前記3D画像の内部の3Dボリュームを識別し、そこにおける放射性医薬品の摂取を表す1つまたは複数の摂取メトリックを判定するための方法であって、
(a)解剖学的撮像診断法を使用して得られた前記対象の3D解剖学的画像をコンピューティングデバイスのプロセッサによって受け取るステップであって、前記3D解剖学的画像が含む対象の内部の組織のグラフィカル表現の少なくとも一部分が前記対象の骨盤領域に対応する、ステップと、
(b)機能的撮像診断法を使用して得られた前記対象の3D機能的画像を前記プロセッサによって受け取るステップであって、前記3D機能的画像に含まれる複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、また、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記対象の前記骨盤領域の内部の物理ボリュームを表す、ステップと、
(c)前記プロセッサによって、第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を判定するステップであって、前記初期のVOIが、前記対象の前記骨盤領域の内部の組織に対応し、前記対象の前記骨盤領域の外部の組織は除外する、ステップと、
(d)前記プロセッサによって、第2のモジュールを使用して、前記対象の前記前立腺に対応する前記初期のVOIの内部の前立腺ボリュームを識別するステップと、
(e)前記プロセッサによって、前記3D機能的画像と、前記3D解剖学的画像の前記初期のVOIの内部で識別された前記前立腺ボリュームとを使用して、前記1つまたは複数の摂取メトリックを判定するステップとを含む方法。
(項目2)
前記第1のモジュールが、前記3D解剖学的画像を入力として受け取って、前記3D解剖学的画像の内部の長方形ボリュームの向かい合ったコーナーを表す複数の座標値を出力する、項目1に記載の方法。
(項目3)
ステップ(c)が、前記第1のモジュールを使用して、前記対象の骨盤骨に対応する前記3D解剖学的画像のボリュームを識別する3D骨盤骨マスクを判定するステップを含む、項目1または2に記載の方法。
(項目4)
前記第1のモジュールが畳み込みニューラルネットワーク(CNN)モジュールである、先行する項目のいずれか一項に記載の方法。
(項目5)
ステップ(d)が、前記第2のモジュールを使用して、前記3D解剖学的画像の内部の、それぞれが前記対象の内部の特定の組織領域に対応する1つまたは複数のその他の組織ボリュームを識別するステップを含み、前記1つまたは複数のその他の組織ボリュームが、
前記対象の骨盤骨、
前記対象の膀胱、
前記対象の直腸、および
前記対象の殿筋からなる群から選択される1つまたは複数の特定の組織領域に対応する、先行する項目のいずれか一項に記載の方法。
(項目6)
ステップ(d)が、前記第2のモジュールを使用して、前記初期のVOIの内部の各ボクセルを、前記対象の内部の(所定の)異なる組織領域のセットのうち特定の組織領域に対応するものとして分類するステップを含む、先行する項目のいずれか一項に記載の方法。
(項目7)
前記初期のVOIの内部の各ボクセルを分類するステップが、
前記第2のモジュールによって、前記初期のVOIの内部の複数のボクセルの各々について、尤度値のセットを判定するステップであって、前記尤度値のセットが、前記組織領域セットのうち1つまたは複数の組織領域の各々について、前記ボクセルが前記組織領域の内部の物理ボリュームを表すことの尤度を表す対応する尤度値を含む、ステップと、
前記初期のVOIの内部の前記複数のボクセルの各々について、前記ボクセルについて判定された前記尤度値のセットに基づいて、前記ボクセルを前記特定の組織領域に対応するものとして分類するステップとを含む、項目6に記載の方法。
(項目8)
前記第2のモジュールが、前記初期のVOIを入力として受け取って、前記初期のVOIの内部の各ボクセルについて、
(i)前記ボクセルを分類する値と、
(ii)前記ボクセルに関する尤度値のセットと、
(iii)前記ボクセルを、異なる組織領域の所定のセットのうちいかなるものにも対応しないものとして識別する値とのうち少なくとも1つを含む複数の値を出力する、項目6または7に記載の方法。
(項目9)
前記異なる組織領域の(所定の)セットが、
前記対象の前記前立腺と、
前記対象の骨盤骨と、
前記対象の膀胱と、
前記対象の直腸と、
前記対象の殿筋とからなる群から選択される1つまたは複数の組織領域を含む、項目6から8のいずれか一項に記載の方法。
(項目10)
ステップ(d)が、前記第2のモジュールを使用して1つまたは複数の基底組織ボリュームのセットを識別するステップを含み、前記1つまたは複数の基底組織ボリュームが、前記識別された前立腺ボリュームおよび前記1つまたは複数のその他の組織ボリュームを含み、前記方法は、
前記プロセッサによって、1つまたは複数の補助モジュールを使用して、前記3D解剖学的画像の内部の1つまたは複数の補助組織ボリュームを識別するステップであって、それぞれの補助組織ボリュームが、前記第2のモジュールによって識別された基底組織ボリュームに対応する、ステップと、
前記プロセッサによって、それぞれの補助組織ボリュームを、前記第2のモジュールによって識別された前記対応する基底組織ボリュームと合併させるステップとをさらに含む、項目5から9のいずれか一項に記載の方法。
(項目11)
前記プロセッサによって、前記対象の内部の基準組織領域に対応する、前記3D解剖学的画像の内部の基準ボリュームを識別するステップと、
ステップ(e)において、前記3D機能的画像と、前記3D解剖学的画像の内部で識別された前記基準ボリュームとを使用して、前記1つまたは複数の摂取メトリックのうち少なくとも1つを判定するステップとを含む、先行する項目のいずれか一項に記載の方法。
(項目12)
前記3D機能的画像および前記基準ボリュームを使用して判定された前記1つまたは複数の摂取メトリックのうち少なくとも1つが、腫瘍の背景に対する比(TBR)の値を含み、前記TBR値を判定するステップが、
前記3D解剖学的画像の前記初期のVOIの内部で識別された前記前立腺ボリュームに対応する前記3D機能的画像の1つまたは複数のボクセルの強度値を使用して、標的強度値を判定するステップと、
前記3D解剖学的画像の内部で識別された前記基準ボリュームに対応する前記3D機能的画像の1つまたは複数のボクセルの強度値を使用して、背景強度値を判定するステップと、
前記標的強度値の前記背景強度値に対する比を前記TBR値として判定するステップとを含む、項目11に記載の方法。
(項目13)
前記TBR値の、1つまたは複数の閾値との比較に基づいて、前記対象の前立腺がんの状態を判定するステップを含む、項目12に記載の方法。
(項目14)
前記1つまたは複数の閾値が複数の基準TBR値を使用して判定される、項目13に記載の方法。
(項目15)
前記1つまたは複数の閾値が受信者動作特性(ROC)曲線を使用して判定される、項目13または14に記載の方法。
(項目16)
前記1つまたは複数の閾値が複数の閾値を含み、前記TBR値を前記複数の閾値と比較することによって、前記前立腺がんの状態が非2値スケール上のレベルとして判定される、項目13から15のいずれか一項に記載の方法。
(項目17)
前記対象の前記前立腺がんの状態を、(i)前記TBR値がカットオフ閾値を超えていたら臨床的に重要であると判定し、または(ii)前記TBR値が前記カットオフ閾値未満であれば臨床的に重要でないと判定する、ステップを含む、項目13に記載の方法。
(項目18)
前記プロセッサによって、前記対象の膀胱に対応する、前記3D解剖学的画像の内部の膀胱ボリュームを識別するステップと、
ステップ(e)において、前記3D解剖学的画像の内部の前記識別された膀胱ボリュームに対応する前記3D機能的画像のボクセルの強度を使用して、前記膀胱からのクロストークを補正するステップとを含む、先行する項目のいずれか一項に記載の方法。
(項目19)
前記膀胱からのクロストークを補正するステップが、
前記識別された膀胱ボリュームの外部にある、前記3D解剖学的画像の1つまたは複数の領域に対応する前記3D機能的画像の1つまたは複数のボクセルの強度に対する、前記対象の前記膀胱の内部の放射性医薬品に由来する強度の寄与をモデル化する、1つまたは複数の膀胱強度ブリード関数を判定するステップであって、前記1つまたは複数の膀胱強度ブリード関数が、前記寄与を、前記識別された膀胱ボリュームからの距離の関数としてモデル化する、ステップと、
前記3D解剖学的画像の内部の前記識別された前立腺ボリュームに対応する前記3D機能的画像の1つまたは複数のボクセルの各々について、前記1つまたは複数の膀胱強度ブリード関数を使用して、前記ボクセルの強度を膀胱クロストークに対して調整するステップとを含む、項目18に記載の方法。
(項目20)
前記プロセッサによって、前記対象の膀胱に対応する前記3D解剖学的画像の内部の膀胱ボリュームを識別するステップと、
前記プロセッサによって、前記識別された膀胱ボリュームに対して形態学的拡張操作を適用することにより、拡張された膀胱ボリュームを判定するステップと、
ステップ(e)において、前記3D機能的画像のボクセルの強度値を使用して、前記1つまたは複数の摂取メトリックを、(i)前記3D解剖学的画像の前記VOIの内部で識別された前記前立腺ボリュームに対応するが、(ii)前記拡張された膀胱ボリュームの内部の前記3D解剖学的画像の領域には対応しないと判定するステップとを含む、先行する項目のいずれか一項に記載の方法。
(項目21)
前記3D機能的画像が前記対象に前記放射性医薬品を投与した後の前記対象の核医学画像である、先行する項目のいずれか一項に記載の方法。
(項目22)
前記放射性医薬品がPSMA結合剤を含む、項目21に記載の方法。
(項目23)
前記核医学画像が、前記対象に前記放射性医薬品を投与した後に得られた、前記対象の単一光子放射型コンピュータ断層撮影法(SPECT)スキャンである、項目21に記載の方法。
(項目24)
前記放射性医薬品が 99m Tc-MIP-1404を含む、項目21に記載の方法。
(項目25)
前記1つまたは複数の摂取メトリックの少なくとも一部分に基づいて前記対象の1つまたは複数の診断値または予後値を判定するステップを含む、先行する項目のいずれか一項に記載の方法。
(項目26)
前記1つまたは複数の診断値または予後値のうち少なくとも1つを判定するステップが、摂取メトリックを1つまたは複数の閾値と比較するステップを含む、項目25に記載の方法。
(項目27)
前記1つまたは複数の診断値または予後値のうち少なくとも1つが、前記対象の臨床的に重要な前立腺がんに関するリスクを推定する、項目25または26に記載の方法。
(項目28)
(f)前記3D解剖学的画像および/または前記3D機能的画像の視覚表示を前記ユーザに提示するために、前記プロセッサによって、対話型グラフィカルユーザインターフェース(GUI)を表示するステップと、
(g)前記プロセッサによって、前記GUIの内部に、前記3D解剖学的画像および/または前記3D機能的画像を、いずれかが表示用に選択されて個別にレンダリングされ得るように、あるいは両方が表示用に選択されて、3D解剖学的画像に3D機能的画像を重ね合わせることによって一緒にレンダリングされ得るように、選択可能かつスーパーインポーズ可能な層としてグラフィカルレンダリングをもたらすステップとを含む、先行する項目のいずれか一項に記載の方法。
(項目29)
ステップ(g)が、前記3D解剖学的画像の内部の1つまたは複数の識別された特定の組織ボリュームを含む選択可能かつスーパーインポーズ可能なセグメント化層のグラフィカルレンダリングをもたらすステップを含み、前記表示用のセグメント化層の選択に際して、前記1つまたは複数の特定の組織ボリュームを表すグラフィックスが、前記3D解剖学的画像および/または前記3D機能的画像に重ね合わされる、項目28に記載の方法。
(項目30)
前記1つまたは複数の特定の組織ボリュームが前記識別された前立腺ボリュームを含む、項目29に記載の方法。
(項目31)
ステップ(g)において、2D断面図の位置が前記ユーザによって調整され得るように、対話型2Dビューアの内部に、前記3D解剖学的画像および/または前記3D機能的画像の前記2D断面図をレンダリングするステップを含む、項目28から30のいずれか一項に記載の方法。
(項目32)
ステップ(g)において、前記3D解剖学的画像および/または前記3D機能的画像の対話型3Dビューをレンダリングするステップを含む、項目28から31のいずれか一項に記載の方法。
(項目33)
前記GUIの内部に、前記識別された前立腺ボリュームのボクセルに対応するロケーションを指示するグラフィカル要素を表示することにより、前記方法のユーザ再検討および/または品質制御を容易にするステップを含む、項目28から32のいずれか一項に記載の方法。
(項目34)
前記GUIの内部に、前記1つまたは複数の摂取メトリックの再検討および/または更新のための品質制御および報告のワークフローによって前記ユーザを導くための品質制御グラフィカルウィジェットとともに、ステップ(e)において判定された前記1つまたは複数の摂取メトリックを表すテキストおよび/またはグラフィックスを表示するステップを含む、項目28から33のいずれか一項に記載の方法。
(項目35)
前記品質制御グラフィカルウィジェットを介して、前記1つまたは複数の摂取メトリックの自動判定の承認に対応するユーザ入力を受け取るステップと、
前記1つまたは複数の摂取メトリックの前記自動判定の前記承認に対応する前記ユーザ入力の前記受取りに応答して、前記プロセッサによって、前記対象向けに、前記1つまたは複数の自動判定された摂取メトリックの表現を含む報告を生成するステップとを含む、項目34に記載の方法。
(項目36)
前記品質制御グラフィカルウィジェットを介して、前記1つまたは複数の摂取メトリックの自動判定の不承認に対応するユーザ入力を受け取るステップと、
前記1つまたは複数の摂取メトリックの前記自動判定の前記不承認に対応するユーザ入力の受取りに応答して、前記プロセッサによって、前記1つまたは複数の摂取メトリックの更新された値を判定するのに使用する前記3D機能的画像の1つまたは複数のボクセルのユーザ選択のためのボクセル選択グラフィカル要素を表示するステップと、
前記ボクセル選択グラフィカル要素を介して、前記1つまたは複数の摂取メトリックの更新された値を判定するのに使用する前記3D機能的画像の1つまたは複数のボクセルの前記ユーザ選択を受け取るステップと、
前記プロセッサによって、前記ユーザ選択のボクセルを使用して、前記1つまたは複数の摂取メトリックの値を更新するステップと、
前記プロセッサによって、前記対象向けに、前記1つまたは複数の更新された摂取メトリックの表現を含む報告を生成するステップとを含む、項目34に記載の方法。
(項目37)
前記品質制御グラフィカルウィジェットを介して、前記1つまたは複数の摂取メトリックの自動判定の不承認に対応するユーザ入力を受け取るステップと、
前記品質制御グラフィカルウィジェットを介して、品質制御の不合格に対応するユーザ入力を受け取るステップと、
前記プロセッサによって、前記品質制御の不合格の識別を含む、前記対象向けの報告を生成するステップとを含む、項目34に記載の方法。
(項目38)
前記3D機能的画像のボクセルが、既知の関係によって前記3D解剖学的画像のボクセルに関連づけられている、先行する項目のいずれか一項に記載の方法。
(項目39)
複数の3D解剖学的画像の各々についてステップ(a)および(c)を遂行して、それぞれが前記複数の3D解剖学的画像のうち1つの内部にある複数の初期のVOIを判定するステップであって、前記初期のVOIのサイズの変動性が、前記3D解剖学的画像のサイズの変動性よりも小さい、ステップを含む、先行する項目のいずれか一項に記載の方法。
(項目40)
前記第1のモジュールが、第1の解像度を有する、前記3D解剖学的画像のダウンサンプリングされたバージョンを入力として受け取って、これに対して動作するCNNモジュールであり、前記第2のモジュールが、前記初期のVOIへとクロップされた、前記3D解剖学的画像の、前記第1の解像度よりも高い第2の解像度を有する高解像度バージョンを入力として受け取って、これに対して動作するCNNモジュールである、先行する項目のいずれか一項に記載の方法。
(項目41)
前記第1のモジュールが、前記3D解剖学的画像の少なくとも一部分を入力として受け取り、前記第1のモジュールに対する入力によって表される物理ボリュームが、(i)前記初期のVOIによって表される物理ボリュームよりも少なくとも2倍大きく、かつ/または(ii)少なくとも1つの次元に沿って、前記初期のVOIによって表される前記物理ボリュームよりも2倍大きい、先行する項目のいずれか一項に記載の方法。
(項目42)
前記第1のモジュールが、3D解剖学的画像の内部の骨盤領域のグラフィカル表現を識別するように訓練されたCNNモジュールであり、前記第2のモジュールが、3D解剖学的画像の内部の前立腺組織のグラフィカル表現を識別するように訓練されたCNNモジュールである、先行する項目のいずれか一項に記載の方法。
(項目43)
3D画像を自動的に処理して、対象の内部の標的組織領域に対応する、3D画像の内部の3Dボリュームを識別し、そこにおける放射性医薬品の摂取を表す1つまたは複数の摂取メトリックを判定するための方法であって、
(a)解剖学的撮像を使用して得られた前記対象の3D解剖学的画像をコンピューティングデバイスのプロセッサによって受け取るステップであって、前記3D解剖学的画像が、前記対象の前記標的組織領域を含む特定の解剖学的領域の内部の組織のグラフィカル表現を含む、ステップと、
(b)機能的撮像診断法を使用して得られた前記対象の3D機能的画像を前記プロセッサによって受け取るステップであって、前記3D機能的画像に含まれる複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、また、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記対象の前記特定の解剖学的領域の内部の物理ボリュームを表す、ステップと、
(c)前記プロセッサによって、第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を判定するステップであって、前記初期のVOIが、前記標的組織領域を含む前記特定の解剖学的領域に対応する、ステップと、
(d)前記プロセッサによって、第2のモジュールを使用して、前記対象の前記標的組織領域に対応する前記初期のVOIの内部の標的ボリュームを識別するステップと、
(e)前記プロセッサによって、前記3D機能的画像と、前記3D解剖学的画像の前記VOIの内部で識別された前記標的ボリュームとを使用して、前記1つまたは複数の摂取メトリックを判定するステップとを含む方法。
(項目44)
膀胱への放射性医薬品摂取からのクロストークに対して前立腺ボクセル強度を補正するために3D機能的画像を自動的に解析する方法であって、
(a)解剖学的撮像診断法を使用して得られた前記対象の3D解剖学的画像をコンピューティングデバイスのプロセッサによって受け取るステップであって、前記3D解剖学的画像が含む対象の内部の組織のグラフィカル表現の少なくとも一部分が前記対象の膀胱および前立腺に対応する、ステップと、
(b)前記プロセッサによって前記対象の前記3D機能的画像を受け取るステップであって、前記3D機能的画像に含まれる複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、また、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記対象の前記膀胱および/または前立腺の内部の物理ボリュームを表す、ステップと、
(c)前記プロセッサによって、前記3D解剖学的画像の内部で、(i)前記対象の前立腺に対応する前立腺ボリューム、および(ii)前記対象の膀胱に対応する膀胱ボリュームを自動的に識別するステップと、
(d)前記プロセッサによって、前記3D機能的画像の内部で、(i)前記識別された前立腺ボリュームに対応する複数の前立腺ボクセル、および(ii)前記識別された膀胱ボリュームに対応する複数の膀胱ボクセルを自動的に識別するステップと、
(e)前記プロセッサによって、前記膀胱ボクセルの1つまたは複数の測定された強度に基づいて、前記前立腺ボクセルの1つまたは複数の測定された強度を調整するステップと、
(f)前記プロセッサによって、前記前立腺ボクセルの前記調整された強度を使用して、前記対象の前記前立腺の内部の放射性医薬品の摂取を表す1つまたは複数の摂取メトリックを判定するステップとを含む方法。
(項目45)
対象の一部分の3D機能的画像の自動解析に基づいて、前記対象の前立腺がんの状態を検知し、かつ/または前立腺がんのリスクを定量化する方法であって、
(a)前記対象にPSMA結合剤を含む放射性医薬品を投与した後に3D機能的画像を取得するステップと、
(b)コンピューティングデバイスのプロセッサによって、前記3D機能的画像の内部の、前記対象の前立腺に対応する3D標的ボリュームを識別するステップと、
(c)前記プロセッサによって、前記3D標的ボリュームのボクセルの強度を使用して、標的の背景に対する比(TBR)の値を判定するステップと、
(d)前記プロセッサによって、対話型グラフィカルユーザインターフェース(GUI)の内部に表示するように、前記判定されたTBR値を表すテキストおよび/またはグラフィックスのグラフィカルレンダリングをもたらすステップとを含む方法。
(項目46)
3D画像を自動的に処理して、対象の前立腺に対応する、3D画像の内部の3Dボリュームを識別し、そこにおける放射性医薬品の摂取を表す1つまたは複数の摂取メトリックを判定するためのシステムであって、
プロセッサと、
命令を記憶したメモリとを備えるシステムにおいて、前記プロセッサが、前記命令を実行することにより、
(a)解剖学的撮像診断法を使用して得られた前記対象の3D解剖学的画像を受け取るステップであって、前記3D解剖学的画像が含む対象の内部の組織のグラフィカル表現の少なくとも一部分が前記対象の骨盤領域に対応する、ステップと、
(b)機能的撮像診断法を使用して得られた前記対象の3D機能的画像を受け取るステップであって、前記3D機能的画像に含まれる複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、また、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記対象の前記骨盤領域の内部の物理ボリュームを表す、ステップと、
(c)第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を判定するステップであって、前記初期のVOIが、前記対象の前記骨盤領域の内部の組織に対応し、前記対象の前記骨盤領域の外部の組織は除外する、ステップと、
(d)第2のモジュールを使用して、前記対象の前記前立腺に対応する前記初期のVOIの内部の前立腺ボリュームを識別するステップと、
(e)前記3D機能的画像と、前記3D解剖学的画像の前記初期のVOIの内部で識別された前記前立腺ボリュームとを使用して、前記1つまたは複数の摂取メトリックを判定するステップとを行う、システム。
(項目47)
3D画像を自動的に処理して、対象の内部の標的組織領域に対応する、3D画像の内部の3Dボリュームを識別し、そこにおける放射性医薬品の摂取を表す1つまたは複数の摂取メトリックを判定するためのシステムであって、
プロセッサと、
命令を記憶したメモリとを備えるシステムにおいて、前記プロセッサが、前記命令を実行することにより、
(a)解剖学的撮像診断法を使用して得られた前記対象の3D解剖学的画像を受け取るステップであって、前記3D解剖学的画像が、前記対象の前記標的組織領域を含む特定の解剖学的領域の内部の組織のグラフィカル表現を含む、ステップと、
(b)機能的撮像診断法を使用して得られた前記対象の3D機能的画像を受け取るステップであって、前記3D機能的画像に含まれる複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、また、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記特定の解剖学的領域の内部の物理ボリュームを表す、ステップと、
(c)第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を判定するステップであって、前記初期のVOIが、前記標的組織領域を含む前記特定の解剖学的領域に対応する、ステップと、
(d)第2のモジュールを使用して、前記対象の前記標的組織領域に対応する前記初期のVOIの内部の標的ボリュームを識別するステップと、
(e)前記3D機能的画像と、前記3D解剖学的画像の前記VOIの内部で識別された前記標的ボリュームとを使用して、前記1つまたは複数の摂取メトリックを判定するステップとを行う、システム。
(項目48)
対象の一部分の3D機能的画像の自動解析に基づいて、前記対象の前立腺がんの状態を検知し、かつ/または前立腺がんのリスクを定量化するためのシステムであって、
プロセッサと、
命令を記憶したメモリとを備えるシステムにおいて、前記プロセッサが、前記命令を実行することにより、
(a)PSMA結合剤を含む放射性医薬品を前記対象に投与した後に、前記対象の前記一部分の前記3D機能的画像を受け取るステップと、
(b)前記3D機能的画像の内部の、前記対象の前立腺に対応する3D標的ボリュームを識別するステップと、
(c)前記3D標的ボリュームのボクセルの強度を使用して、標的の背景に対する比(TBR)の値を判定するステップと、
(d)対話型グラフィカルユーザインターフェース(GUI)の内部に表示するように、前記判定されたTBR値を表すテキストおよび/またはグラフィックスのグラフィカルレンダリングをもたらすステップとを行う、システム。
(項目49)
項目46から48のいずれか一項に記載のシステムを備えるコンピュータ支援検知(CADe)デバイス。
(項目50)
項目46から48のいずれか一項に記載のシステムを備えるコンピュータ支援診断(CADx)デバイス。
(項目51)
前記プロセッサが、前記命令によって、前記対象の臨床的に重要な前立腺がんまたは臨床的に重要でない前立腺がんのいずれかの分類を識別する、項目49に記載のCADeデバイス。
(項目52)
前記プロセッサが、前記命令によって、前記対象の臨床的に重要な前立腺がんまたは臨床的に重要でない前立腺がんのいずれかの分類を識別する、項目50に記載のCADxデバイス。
(項目53)
(a)放射性標識PSMA結合剤と、
(b)項目46から48のいずれか一項に記載のシステムを備えるコンピュータ支援検知(CADe)デバイスとを含む組合せ製品。
(項目54)
コンピュータ支援検知デバイスを用いる放射性標識PSMA結合剤の使用を規定する標識を含む、項目53に記載の組合せ製品。
(項目55)
3D画像を自動的に処理して、標的組織領域に対応する前記3D画像の内部の3Dボリュームを識別するための方法であって、
(a)解剖学的撮像診断法を使用して得られた対象の3D解剖学的画像をコンピューティングデバイスのプロセッサによって受け取るステップであって、前記3D解剖学的画像が前記対象の内部の組織のグラフィカル表現を含む、ステップと、
(b)前記プロセッサによって、第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を判定するステップであって、前記初期のVOIが、前記標的領域を含む特定の解剖学的領域に対応する、ステップと、
(c)前記プロセッサによって、第2のモジュールを使用して、前記対象の前記標的組織領域に対応する前記初期のVOIの内部の標的ボリュームを識別するステップと、
(d)前記識別された標的ボリュームに対応する3Dセグメント化マスクを、表示しかつ/またはさらに処理するために、前記プロセッサによって、記憶しかつ/または供給するステップとを含む方法。
(項目56)
前記第1のモジュールが、前記3D解剖学的画像を入力として受け取って、前記3D解剖学的画像の内部の長方形ボリュームの向い合ったコーナーを表す複数の座標値を出力する、項目5に記載の方法。
(項目57)
前記第1のモジュールが畳み込みニューラルネットワーク(CNN)モジュールである、項目55または56に記載の方法。
(項目58)
ステップ(c)が、前記第2のモジュールを使用して、前記3D解剖学的画像の内部の、それぞれが前記対象の内部の特定の組織領域に対応する1つまたは複数のその他の組織ボリュームを識別するステップを含む、項目55から57のいずれか一項に記載の方法。
(項目59)
ステップ(c)が、前記第2のモジュールを使用して、前記初期のVOIの内部の各ボクセルを、前記対象の内部の(所定の)異なる組織領域のセットのうち特定の組織領域に対応するものとして分類するステップを含む、項目55から58のいずれか一項に記載の方法。
(項目60)
前記初期のVOIの内部の各ボクセルを分類するステップが、
前記第2のモジュールによって、前記初期のVOIの内部の複数のボクセルの各々について、尤度値のセットを判定するステップであって、前記尤度値のセットが、前記組織領域セットのうち1つまたは複数の組織領域の各々について、前記ボクセルが前記組織領域の内部の物理ボリュームを表すことの尤度を表す対応する尤度値を含む、ステップと、
前記初期のVOIの内部の前記複数のボクセルの各々について、前記ボクセルについて判定された尤度値のセットに基づいて、前記ボクセルを前記特定の組織領域に対応するものとして分類するステップとを含む、項目59に記載の方法。
(項目61)
前記第2のモジュールが、前記初期のVOIを入力として受け取って、前記初期のVOIの内部の各ボクセルについて、
(i)前記ボクセルを分類する値と、
(ii)前記ボクセルに関する尤度値のセットと、
(iii)前記ボクセルを、異なる組織領域の所定のセットのうちいかなるものにも対応しないものとして識別する値とのうち少なくとも1つを含む複数の値を出力する、項目59または60に記載の方法。
(項目62)
ステップ(c)が、前記第2のモジュールを使用して1つまたは複数の基底組織ボリュームのセットを識別するステップを含み、前記1つまたは複数の基底組織ボリュームが、前記識別された標的ボリュームおよび前記1つまたは複数のその他の組織のボリュームを含み、
前記プロセッサによって、1つまたは複数の補助モジュールを使用して、前記3D解剖学的画像の内部の1つまたは複数の補助組織ボリュームを識別するステップであって、それぞれの補助組織ボリュームが、前記第2のモジュールによって識別された基底組織ボリュームに対応する、ステップと、
前記プロセッサによって、それぞれの補助組織ボリュームを、前記第2のモジュールによって識別された前記対応する基底組織ボリュームと合併させるステップとをさらに含む、項目55から61のいずれか一項に記載の方法。
(項目63)
(e)前記3D解剖学的画像の視覚表示を前記ユーザに提示するために、前記プロセッサによって、対話型グラフィカルユーザインターフェース(GUI)を表示するステップと、
(f)前記プロセッサによって、前記GUIの内部に、前記3D解剖学的画像の内部の1つまたは複数の識別された特定の組織ボリュームを含む選択可能かつスーパーインポーズ可能なセグメント化層とともに前記3D解剖学的画像のグラフィカルレンダリングをもたらすステップであって、前記表示用のセグメント化層の選択に際して、前記1つまたは複数の特定の組織ボリュームを表すグラフィックスが前記3D解剖学的画像上に重ね合わされる、ステップとを含む、項目55から62のいずれか一項に記載の方法。
(項目64)
前記1つまたは複数の特定の組織ボリュームが前記識別された標的ボリュームを含む、項目63に記載の方法。
(項目65)
ステップ(f)において、2D断面図の位置が前記ユーザによって調整され得るように、対話型2Dビューアの内部に、前記3D解剖学的画像の前記2D断面図をレンダリングするステップを含む、項目63または64に記載の方法。
(項目66)
ステップ(f)において、前記3D解剖学的画像の対話型3Dビューをレンダリングするステップを含む、項目63から65のいずれか一項に記載の方法。
(項目67)
複数の3D解剖学的画像の各々についてステップ(a)および(b)を遂行して、それぞれが前記複数の3D解剖学的画像のうち1つの内部にある複数の初期のVOIを判定するステップであって、前記初期のVOIのサイズの変動性が前記3D解剖学的画像のサイズの変動性よりも小さい、ステップを含む、項目55から66のいずれか一項に記載の方法。
(項目68)
前記第1のモジュールが、第1の解像度を有する、前記3D解剖学的画像のダウンサンプリングされたバージョンを入力として受け取って、これに対して動作するCNNモジュールであり、前記第2のモジュールが、前記初期のVOIへとクロップされた、前記3D解剖学的画像の、前記第1の解像度よりも高い第2の解像度を有する高解像度バージョンを入力として受け取って、これに対して動作するCNNモジュールである、先行する項目55から67のいずれか一項に記載の方法。
(項目69)
前記第1のモジュールが、前記3D解剖学的画像の少なくとも一部分を入力として受け取り、前記第1のモジュールに対する前記入力によって表される物理ボリュームが、(i)前記初期のVOIによって表される物理ボリュームよりも少なくとも2倍大きく、かつ/または(ii)少なくとも1つの次元に沿って、前記初期のVOIによって表される前記物理ボリュームよりも2倍大きい、項目55から68のいずれか一項に記載の方法。
(項目70)
前記第1のモジュールが、3D解剖学的画像の内部の特定の解剖学的領域のグラフィカル表現を識別するように訓練されたCNNモジュールであり、前記第2のモジュールが、3D解剖学的画像の内部の前記標的組織領域のグラフィカル表現を識別するように訓練されたCNNモジュールである、項目55から69のいずれか一項に記載の方法。
(項目71)
機能的撮像診断法を使用して得られた前記対象の3D機能的画像を前記プロセッサによって受け取るステップであって、前記3D機能的画像に含まれる複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、また、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記特定の解剖学的領域の内部の物理ボリュームを表す、ステップと、
前記3D機能的画像の内部で、前記3Dセグメント化マスクを使用して識別された前記標的ボリュームに対応する3Dボリュームを識別するステップとをさらに含む、項目55から70のいずれか一項に記載の方法。
(項目72)
前記3D機能的画像のボクセルが、既知の関係によって前記3D解剖学的画像のボクセルに関連づけられている、項目71に記載の方法。
(項目73)
3D画像を自動的に処理して、標的組織領域に対応する前記3D画像の内部の3Dボリュームを識別するためのシステムであって、
コンピューティングデバイスのプロセッサと、
命令を記憶したメモリとを備えるシステムにおいて、前記プロセッサが、前記命令を実行することにより、
(a)解剖学的撮像診断法を使用して得られた前記対象の3D解剖学的画像を受け取るステップであって、前記3D解剖学的画像が前記対象の内部の組織のグラフィカル表現を含む、ステップと、
(b)第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を判定するステップであって、前記初期のVOIが、前記標的領域を含む特定の解剖学的領域に対応する、ステップと、
(c)第2のモジュールを使用して、前記対象の前記標的組織領域に対応する前記初期のVOIの内部の標的ボリュームを識別するステップと、
(d)前記識別された標的ボリュームに対応する3Dセグメント化マスクを、表示しかつ/またはさらに処理するために、記憶しかつ/または供給するステップとを行う、システム。
A.前立腺ボリュームの識別および摂取メトリックの判定
i.境界ボックスの生成(局所化機械)
訓練画像(3D解剖学的画像):
行数:247~512(sp 1.37)、サイズ(mm):340~700
列数:319~512(sp 1.37)、サイズ(mm):430~700
スライス数:274~624(sp 3.0)、サイズ(mm):820~1870
確認画像(3D解剖学的画像):
行数:256~512、サイズ(mm):500~600
列数:256~512、サイズ(mm):500~600
スライス数:76~427、サイズ(mm):380~1070
境界ボックス:
行数:82~222、サイズ(mm):180~220
列数:146~386、サイズ(mm):240~320
スライス数:50~295、サイズ(mm):290~380
ii.前立腺ボリュームおよびその他の組織ボリュームの判定(単一のセグメント化機械)
iii.セグメント化モジュールのアーキテクチャ
データの入出力
{‘prostate’: 1,
‘gluteus_maximus_left’: 2,
‘gluteus_maximus_right’: 3,
‘rectum’: 4,
‘urinary_bladder’: 5,
‘sacrum_and_coccyx’: 6,
‘hip_bone_left’: 7,
‘hip_bone_right’: 8
}
{
“prostate_max”: 988.0,
“prostate_max_pos”: {
“z”: 92,
“y”: 74,
“x”: 67
},
“background”: 9.056859205776174,
}
CNNモジュールの構成および相互作用を含む例示のセグメント化サービスアーキテクチャ
例示の第1の機械学習モジュール(局所化機械)の実装形態
例示の第2の機械学習モジュール(セグメント化機械)の実装形態
補助の単一セグメント化機械
iv.摂取メトリック
標的の背景に対する比
B.膀胱強度のブリードスルーに対する補正
i.膀胱拡張
ii.膀胱の抑制計算
iii.補正された前立腺の最大強度およびロケーション
C.画像データおよび計算された摂取メトリックの視覚化
D.ユーザインターフェース、品質制御、および報告
E.例示のクラウドベースアーキテクチャおよびサービス構成
F.他の目的標的ボリュームの識別および摂取メトリックの計算
G.実施例1:SPECT撮像/CT撮像からの前立腺のPSMA摂取の自動検出および定量化
この例では、前立腺がんの臨床的に重要な疾患を検知するために、前立腺特異的膜抗原(PSMA)の小分子抑制剤である99mTc MIP-1404が使用された。この例の目的は、SPECT画像/CT画像における前立腺のMIP-1404摂取を自動検出して定量化するための深層学習モデルを開発することであった。
(実施例2)
H.実施例2:自動セグメント化および摂取メトリック判定の技術的性能および臨床成績
i.技術的性能
ii.臨床成績
(実施例3)
I.実施例3:1404のCT画像/SPECT画像の自動解析および半自動解析のための例示のクラウドベースソフトウェア
(実施例4)
J.実施例4:臨床的に重要な所見に関するTBR閾値の選択
(実施例5)
K.実施例5:第3相試験からの画像の、AIを用いる解析
i.3301試験、試験の母集団、撮像、および手読みプロトコール。
ii.3302試験
・臨床的に重要な前立腺がんを検知するための組合せ製品としての99mTc-MIP-1404とPIONEERの、前立腺全摘出術(集団A)または前立腺生検(集団B)のいずれかの後の病理組織診断と比較されたときの特異度と、
・臨床的に重要な前立腺がんを検知するための組合せ製品としての99mTc-MIP-1404とPIONEERの、前立腺全摘出術(集団A)または前立腺生検(集団B)のいずれかの後の病理組織診断と比較されたときの感度とである。
iii.AI支援の画像解析ワークフロー
iv.3302試験結果
・前立腺の内部の3+4を超える分類のあらゆるグリーソン分類の疾患、
・前立腺の内部の3+4の分類のあらゆるグリーソン分類の疾患で、分類4が10%を上回るかまたはそれと等しい疾患、
・前立腺の内部のステージT3(前立腺がんのステージ評価システムによるpT3)またはそれよりも重症のあらゆる疾患、といった所見のうち少なくとも1つによって支持された。
特異度=TN/(FP+TN)
感度=TP/(TP+FN)
(実施例6)
L.実施例6:第1の機械学習モジュール(局所化機械)および第2の機械学習モジュール(セグメント化機械)によって実施された畳み込みニューラルネットワークの訓練および確認
i.訓練および確認データ
ii.訓練の構成
iii.前処理
iv.最適化
v.計算リソース
vi.モデル選択
M.造影剤
i.放射性核種で標識されたPSMA結合剤のPET撮像
ii.放射性核種で標識されたPSMA結合剤のSPECT撮像
N.コンピュータシステムおよびネットワークアーキテクチャ
Claims (47)
- 3D解剖学的画像を自動的に処理して、対象の前立腺に対応する、前記3D解剖学的画像の内部の3Dボリュームを識別し、そこにおける放射性医薬品の摂取を表す摂取メトリックを計算するための方法であって、前記方法は、プロセッサを備えかつ/またはプロセッサと通信するコンピュータにおいて実行され、前記方法は、
(a)コンピューティングデバイスの前記プロセッサが、解剖学的撮像診断法を使用して得られた前記対象の3D解剖学的画像を受け取るステップであって、前記3D解剖学的画像が、対象の内部の組織のグラフィカル表現を含み、前記グラフィカル表現の少なくとも一部分が、前記対象の骨盤領域に対応する、ステップと、
(b)前記プロセッサが、機能的撮像診断法を使用して得られた前記対象の3D機能的画像を受け取るステップであって、前記3D機能的画像が、複数のボクセルを含み、前記複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、かつ、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記対象の前記骨盤領域の内部の物理ボリュームを表す、ステップと、
(c)前記プロセッサが、第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を識別するステップであって、前記初期のVOIが、前記対象の前記骨盤領域の内部の組織に対応し、前記対象の前記骨盤領域の外部の組織は除外する、ステップと、
(d)前記プロセッサが、第2のモジュールを使用して、前記対象の前記前立腺に対応する前記初期のVOIの内部の前立腺ボリュームを識別するステップと、
(e)前記プロセッサが、前記3D機能的画像と、前記3D解剖学的画像の前記初期のVOIの内部で識別された前記前立腺ボリュームとを使用して、前記摂取メトリックを計算するステップと
を含む、方法。 - 前記第1のモジュールが、前記3D解剖学的画像を入力として受け取って、前記3D解剖学的画像の内部の長方形ボリュームの向かい合ったコーナーを表す複数の座標値を出力し、前記長方形ボリュームは、前記初期のVOIを表す、請求項1に記載の方法。
- ステップ(c)が、前記プロセッサが、前記第1のモジュールを使用して、前記対象の骨盤骨に対応する前記3D解剖学的画像のボリュームを識別する3D骨盤骨マスクを生成し、前記3D骨盤骨マスクを使用することにより、前記初期のVOIを識別する境界ボックスを抽出するステップを含む、請求項1または2のいずれかに記載の方法。
- 前記第1のモジュールが畳み込みニューラルネットワーク(CNN)モジュールである、請求項1~3のいずれか一項に記載の方法。
- ステップ(d)が、前記プロセッサが、前記第2のモジュールを使用して、前記初期のVOIの内部の、前記前立腺ボリュームとは別の1つまたは複数の追加の組織ボリュームを識別するステップを含み、前記1つまたは複数の追加の組織ボリュームが、
前記対象の骨盤骨、
前記対象の膀胱、
前記対象の直腸、および
前記対象の殿筋
からなる群から選択される1つまたは複数の特定の組織に対応する、請求項1~4のいずれか一項に記載の方法。 - ステップ(d)が、前記プロセッサが、前記第2のモジュールを使用して、前記初期のVOIの内部の各ボクセルを、前記対象の内部の、前記前立腺ボリュームを含む異なる組織のセットのうちの特定の組織に対応するものとして分類するステップを含む、請求項1~5のいずれか一項に記載の方法。
- 前記初期のVOIの内部の各ボクセルを分類するステップが、
前記プロセッサが、前記第2のモジュールによって、前記初期のVOIの内部の複数のボクセルの各々について、尤度値のセットを計算するステップであって、前記尤度値のセットが、前記組織のセットのうち1つまたは複数の組織の各々について、前記ボクセルが前記組織の内部の物理ボリュームを表すことの尤度を表す対応する尤度値を含む、ステップと、
前記初期のVOIの内部の前記複数のボクセルの各々について、前記プロセッサが、前記ボクセルについて計算された前記尤度値のセットに基づいて、前記ボクセルを前記特定の組織に対応するものとして分類するステップと
を含む、請求項6に記載の方法。 - 前記第2のモジュールが、前記初期のVOIを入力として受け取って、前記初期のVOIの内部の各特定のボクセルについて、
(i)異なる組織の所定のセットから選択された特定の組織に対応するものとして前記特定のボクセルを識別する値、または
(ii)前記異なる組織の所定のセットのうちいかなるものにも対応しない背景組織エリアとして前記特定のボクセルを識別する値
を出力する、請求項6に記載の方法。 - 前記異なる組織のセットが、
前記対象の骨盤骨と、
前記対象の膀胱と、
前記対象の直腸と、
前記対象の殿筋と
からなる群から選択される1つまたは複数の組織と、前記対象の前記前立腺とを含む、請求項6から8のいずれか一項に記載の方法。 - 前記プロセッサが、前記3D解剖学的画像の内部の基準ボリュームを識別するステップであって、前記基準ボリュームは、前記対象の内部の前記前立腺とは別の基準組織領域に対応する、ステップと、
ステップ(e)において、前記プロセッサが、前記3D機能的画像と、前記基準ボリュームと、前記前立腺ボリュームとを使用して、前記摂取メトリックを計算するステップと
を含む、請求項1~9のいずれか一項に記載の方法。 - 前記摂取メトリックは、腫瘍の背景に対する比(TBR)の値を含み、前記TBR値を計算するステップが、
前記プロセッサが、前記3D解剖学的画像の前記初期のVOIの内部で識別された前記前立腺ボリュームに対応する前記3D機能的画像の1つまたは複数のボクセルの強度値を使用して、標的強度値を識別するステップと、
前記プロセッサが、前記3D解剖学的画像の内部で識別された前記基準ボリュームに対応する前記3D機能的画像の1つまたは複数のボクセルの強度値を使用して、背景強度値を計算するステップと、
ステップ(e)において、前記プロセッサが、前記標的強度値の前記背景強度値に対する比を前記摂取メトリックの前記TBR値として計算するステップと
を含む、請求項10に記載の方法。 - 前記プロセッサが、前記計算されたTBR値の閾値との比較に基づいて、前記対象の前立腺がんの状態を決定するステップを含む、請求項11に記載の方法。
- 前記閾値が複数の基準TBR値に基づいて決定され、各基準TBR値は、対応する基準画像のセットから決定され、特定の分類の前立腺がんの状態に関連づけられている、請求項12に記載の方法。
- 前記プロセッサが、受信者動作特性(ROC)曲線を使用して前記閾値を識別することをさらに含む、請求項12に記載の方法。
- 前記閾値が複数の閾値を含み、前記TBR値を前記複数の閾値と比較することによって、前記前立腺がんの状態が非2値スケール上のレベルとして決定される、請求項12から14のいずれか一項に記載の方法。
- 前記プロセッサが、前記対象の前記前立腺がんの状態を、(i)前記TBR値が前記閾値を超えていたら臨床的に重要であると決定し、または(ii)前記TBR値が前記閾値未満であれば臨床的に重要でないと決定する、ステップを含む、請求項12に記載の方法。
- 前記プロセッサが、前記対象の膀胱に対応する、前記3D解剖学的画像の内部の膀胱ボリュームを識別するステップと、
ステップ(e)の前に、前記プロセッサが、前記3D解剖学的画像の内部の前記識別された膀胱ボリュームに対応する前記3D機能的画像のボクセルの強度を使用して、前記膀胱からのクロストークを補正するステップと
を含む、請求項1~16のいずれか一項に記載の方法。 - 前記膀胱からのクロストークを補正するステップが、
前記プロセッサが、前記識別された膀胱ボリュームの外部にある、前記3D解剖学的画像の1つまたは複数の領域に対応する前記3D機能的画像の1つまたは複数のボクセルの強度に対する、前記対象の前記膀胱の内部の放射性医薬品に由来する強度の寄与をモデル化する、1つまたは複数の膀胱強度ブリード関数を確立するステップであって、前記1つまたは複数の膀胱強度ブリード関数が、前記寄与を、前記識別された膀胱ボリュームからの距離の関数としてモデル化する、ステップと、
前記3D解剖学的画像の内部の前記識別された前立腺ボリュームに対応する前記3D機能的画像の1つまたは複数のボクセルの各々について、前記プロセッサが、前記1つまたは複数の膀胱強度ブリード関数を使用して、前記ボクセルの強度を膀胱クロストークに対して調整するステップと
を含む、請求項17に記載の方法。 - 前記プロセッサが、前記対象の膀胱に対応する前記3D解剖学的画像の内部の膀胱ボリュームを識別するステップと、
前記プロセッサが、前記識別された膀胱ボリュームに対して形態学的拡張操作を適用することにより、拡張された膀胱ボリュームを識別するステップと、
ステップ(e)において、前記プロセッサが、前記3D機能的画像のボクセルの強度値を使用して、(i)前記3D解剖学的画像の前記VOIの内部で識別された前記前立腺ボリュームに対応するが、(ii)前記拡張された膀胱ボリュームの内部の前記3D解剖学的画像の領域には対応しない前記摂取メトリックを計算するステップと
を含む、請求項1~16のいずれか一項に記載の方法。 - 前記3D機能的画像が前記対象に前記放射性医薬品を投与した後の前記対象の核医学画像である、請求項1~17のいずれか一項に記載の方法。
- 前記放射性医薬品がPSMA結合剤を含む、請求項20に記載の方法。
- 前記核医学画像が、前記対象に前記放射性医薬品を投与した後に得られた、前記対象の単一光子放射型コンピュータ断層撮影法(SPECT)スキャンである、請求項20に記載の方法。
- 前記放射性医薬品が99mTc-MIP-1404を含む、請求項20に記載の方法。
- 前記方法は、前記プロセッサが、前記摂取メトリックの少なくとも一部分に基づいて前記対象の1つまたは複数の診断値または予後値を計算するステップを含む、請求項1~21のいずれか一項に記載の方法。
- 前記プロセッサが、前記1つまたは複数の診断値または予後値のうち少なくとも1つを計算するステップが、前記摂取メトリックを1つまたは複数の閾値と比較するステップを含む、請求項24に記載の方法。
- 前記1つまたは複数の診断値または予後値のうち少なくとも1つが、前記対象の臨床的に重要な前立腺がんに関するリスクを示す、請求項24または25に記載の方法。
- (f)前記プロセッサが、前記3D解剖学的画像および/または前記3D機能的画像の視覚表示をユーザに提示するために、対話型グラフィカルユーザインターフェース(GUI)の表示をもたらすステップと、
(g)前記プロセッサが、前記GUIの内部に、前記3D解剖学的画像および/または前記3D機能的画像を、いずれかが表示用に選択されて個別にレンダリングされ得るように、あるいは両方が表示用に選択されて、3D解剖学的画像に3D機能的画像を重ね合わせることによって一緒にレンダリングされ得るように、選択可能かつスーパーインポーズ可能な層としてグラフィカルレンダリングをもたらすステップと
を含む、請求項1~26のいずれか一項に記載の方法。 - ステップ(g)が、前記プロセッサが、前記3D解剖学的画像の内部の1つまたは複数の識別された特定の組織ボリュームを含む選択可能かつスーパーインポーズ可能なセグメント化層のグラフィカルレンダリングをもたらすステップを含み、前記表示用のセグメント化層の選択に際して、前記1つまたは複数の特定の組織ボリュームを表すグラフィックスが、前記3D解剖学的画像および/または前記3D機能的画像に重ね合わされる、請求項27に記載の方法。
- 前記1つまたは複数の特定の組織ボリュームが前記識別された前立腺ボリュームを含む、請求項28に記載の方法。
- ステップ(g)において、前記プロセッサが、2D断面図の位置が前記ユーザによって調整され得るように、前記対話型GUIの内部に、前記3D解剖学的画像および/または前記3D機能的画像の前記2D断面図のレンダリングをもたらすステップを含む、請求項27から29のいずれか一項に記載の方法。
- ステップ(g)において、前記プロセッサが、前記3D解剖学的画像および/または前記3D機能的画像の対話型3Dビューのレンダリングをもたらすステップを含む、請求項27から30のいずれか一項に記載の方法。
- 前記プロセッサが、前記GUIの内部に、前記識別された前立腺ボリュームのボクセルに対応するロケーションを指示するグラフィカル要素の表示をもたらすことにより、前記方法のユーザ査定を容易にするステップを含む、請求項27から31のいずれか一項に記載の方法。
- 前記プロセッサが、前記GUIの内部に、前記摂取メトリックの査定および/または更新のための報告のワークフローによって前記ユーザを導くためのグラフィカルウィジェットとともに、ステップ(e)において計算された前記摂取メトリックを表すテキストおよび/またはグラフィックスの表示をもたらすステップを含む、請求項27から32のいずれか一項に記載の方法。
- 前記プロセッサが、前記グラフィカルウィジェットを介して、前記摂取メトリックの計算の承認に対応するユーザ入力を受け取るステップと、
前記摂取メトリックの前記計算の前記承認に対応する前記ユーザ入力の前記受取りに応答して、前記プロセッサが、前記対象向けに、前記計算された摂取メトリックを含む報告を生成するステップと
を含む、請求項33に記載の方法。 - 前記プロセッサが、前記グラフィカルウィジェットを介して、前記摂取メトリックの計算の不承認に対応するユーザ入力を受け取るステップと、
前記摂取メトリックの前記計算の前記不承認に対応するユーザ入力の受取りに応答して、前記プロセッサが、前記摂取メトリックの更新された値を計算するのに使用する前記3D機能的画像の1つまたは複数のボクセルのユーザ選択のためのボクセル選択グラフィカル要素の表示をもたらすステップと、
前記プロセッサが、前記ボクセル選択グラフィカル要素を介して、前記摂取メトリックの更新された値を計算するのに使用する前記3D機能的画像の1つまたは複数のボクセルの前記ユーザ選択を受け取るステップと、
前記プロセッサが、前記ユーザ選択のボクセルを使用して、前記摂取メトリックの値を更新するステップと、
前記プロセッサが、前記対象向けに、前記更新された摂取メトリックを含む報告を生成するステップと
を含む、請求項33に記載の方法。 - 前記プロセッサが、前記グラフィカルウィジェットを介して、前記摂取メトリックの計算の不承認に対応するユーザ入力を受け取るステップと、
前記プロセッサが、前記不承認の識別を含む、前記対象向けの報告を生成するステップと
を含む、請求項33に記載の方法。 - 前記3D機能的画像のボクセルが、既知の関係によって前記3D解剖学的画像のボクセルに関連づけられている、請求項1~36のいずれか一項に記載の方法。
- 前記第1のモジュールが、第1の解像度を有する、前記3D解剖学的画像のダウンサンプリングされたバージョンを入力として受け取るCNNモジュールであり、前記第2のモジュールが、前記初期のVOIへとクロップされた、前記3D解剖学的画像の、前記第1の解像度よりも高い第2の解像度を有する高解像度バージョンを入力として受け取るCNNモジュールである、請求項1~37のいずれか一項に記載の方法。
- 前記第1のモジュールが、前記3D解剖学的画像の少なくとも一部分を入力として受け取り、前記第1のモジュールに対する入力によって表される物理ボリュームが、(i)前記初期のVOIによって表される物理ボリュームよりも少なくとも2倍大きく、かつ/または(ii)少なくとも1つの次元に沿って、前記初期のVOIによって表される前記物理ボリュームよりも2倍大きい、請求項1~38のいずれか一項に記載の方法。
- 前記第1のモジュールが、前記初期のVOIを識別するために、3D解剖学的画像の内部の骨盤領域のグラフィカル表現を識別するように訓練されたCNNモジュールであり、前記第2のモジュールが、前記初期のVOIの内部の前記前立腺ボリュームを識別するために、前立腺組織のグラフィカル表現を識別するように訓練されたCNNモジュールである、請求項1~39のいずれか一項に記載の方法。
- 3D解剖学的画像を自動的に処理して、対象の前立腺に対応する、前記3D解剖学的画像の内部の3Dボリュームを識別し、そこにおける放射性医薬品の摂取を表す摂取メトリックを計算するためのシステムであって、
プロセッサと、
命令を記憶したメモリと
を備え、前記命令は、前記プロセッサによって実行されると、
(a)解剖学的撮像診断法を使用して得られた前記対象の3D解剖学的画像を受け取るステップであって、前記3D解剖学的画像が、対象の内部の組織のグラフィカル表現を含み、前記グラフィカル表現の少なくとも一部分が、前記対象の骨盤領域に対応する、ステップと、
(b)機能的撮像診断法を使用して得られた前記対象の3D機能的画像を受け取るステップであって、前記3D機能的画像が、複数のボクセルを含み、前記複数のボクセルが、それぞれ、前記対象の内部の特定の物理ボリュームを表し、かつ、前記特定の物理ボリュームから放射されて検知された放射線を表す強度値を有し、前記3D機能的画像の前記複数のボクセルの少なくとも一部分が、前記対象の前記骨盤領域の内部の物理ボリュームを表す、ステップと、
(c)第1のモジュールを使用して、前記3D解剖学的画像の内部の初期の目的ボリューム(VOI)を識別するステップであって、前記初期のVOIが、前記対象の前記骨盤領域の内部の組織に対応し、前記対象の前記骨盤領域の外部の組織は除外する、ステップと、
(d)第2のモジュールを使用して、前記対象の前記前立腺に対応する前記初期のVOIの内部の前立腺ボリュームを識別するステップと、
(e)前記3D機能的画像と、前記3D解剖学的画像の前記初期のVOIの内部で識別された前記前立腺ボリュームとを使用して、前記摂取メトリックを計算するステップと
を前記プロセッサに行わせる、システム。 - 請求項41に記載のシステムを備えるコンピュータ支援検知(CADe)デバイス。
- 請求項41に記載のシステムを備えるコンピュータ支援診断(CADx)デバイス。
- 前記命令は、前記対象の臨床的に重要な前立腺がんまたは臨床的に重要でない前立腺がんのいずれかの分類を識別することを前記プロセッサに行わせる、請求項42に記載のCADeデバイス。
- 前記命令は、前記対象の臨床的に重要な前立腺がんまたは臨床的に重要でない前立腺がんのいずれかの分類を識別することを前記プロセッサに行わせる、請求項43に記載のCADxデバイス。
- (a)放射性標識PSMA結合剤と、
(b)請求項41に記載のシステムを備えるコンピュータ支援検知(CADe)デバイスと
を含む組合せ製品。 - 前記コンピュータ支援検知デバイスを用いる前記放射性標識PSMA結合剤の使用を規定する標識を含む、請求項46に記載の組合せ製品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023083859A JP2023116486A (ja) | 2018-01-08 | 2023-05-22 | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 |
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862614935P | 2018-01-08 | 2018-01-08 | |
US62/614,935 | 2018-01-08 | ||
US16/003,006 US10973486B2 (en) | 2018-01-08 | 2018-06-07 | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
US16/003,006 | 2018-06-07 | ||
US201862749574P | 2018-10-23 | 2018-10-23 | |
US62/749,574 | 2018-10-23 | ||
PCT/US2019/012486 WO2019136349A2 (en) | 2018-01-08 | 2019-01-07 | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023083859A Division JP2023116486A (ja) | 2018-01-08 | 2023-05-22 | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021509721A JP2021509721A (ja) | 2021-04-01 |
JP2021509721A5 JP2021509721A5 (ja) | 2022-01-11 |
JP7448476B2 true JP7448476B2 (ja) | 2024-03-12 |
Family
ID=67144460
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020537168A Active JP7448476B2 (ja) | 2018-01-08 | 2019-01-07 | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 |
JP2023083859A Pending JP2023116486A (ja) | 2018-01-08 | 2023-05-22 | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023083859A Pending JP2023116486A (ja) | 2018-01-08 | 2023-05-22 | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP3738097A2 (ja) |
JP (2) | JP7448476B2 (ja) |
CN (1) | CN111602174A (ja) |
AU (1) | AU2019205766A1 (ja) |
CA (1) | CA3085441A1 (ja) |
WO (1) | WO2019136349A2 (ja) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10340046B2 (en) | 2016-10-27 | 2019-07-02 | Progenics Pharmaceuticals, Inc. | Network for medical image analysis, decision support system, and related graphical user interface (GUI) applications |
US10973486B2 (en) | 2018-01-08 | 2021-04-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
JP2022516316A (ja) | 2019-01-07 | 2022-02-25 | エクシーニ ディアグノスティクス アーべー | プラットホーム非依存の全身画像セグメント化のためのシステムおよび方法 |
CA3136127A1 (en) | 2019-04-24 | 2020-10-29 | Progenics Pharmaceuticals, Inc. | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases |
JP2022530040A (ja) | 2019-04-24 | 2022-06-27 | プロジェニクス ファーマシューティカルズ, インコーポレイテッド | 核医学画像における強度ウィンドウ処理の双方向調節のためのシステムおよび方法 |
JP2022544229A (ja) | 2019-08-14 | 2022-10-17 | ジェネンテック, インコーポレイテッド | オブジェクト検出を用いて位置特定された医用画像の三次元オブジェクトセグメンテーション |
US11564621B2 (en) | 2019-09-27 | 2023-01-31 | Progenies Pharmacenticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
US11544407B1 (en) | 2019-09-27 | 2023-01-03 | Progenics Pharmaceuticals, Inc. | Systems and methods for secure cloud-based medical image upload and processing |
US11900597B2 (en) | 2019-09-27 | 2024-02-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
TWI709147B (zh) * | 2019-10-16 | 2020-11-01 | 中國醫藥大學附設醫院 | 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統 |
CN110942439B (zh) * | 2019-12-05 | 2023-09-19 | 北京华恒盛世科技有限公司 | 基于卫星图片缺陷的图像复原和增强方法 |
CN111325714B (zh) * | 2020-01-21 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 感兴趣区域的处理方法、计算机设备和可读存储介质 |
US11282601B2 (en) | 2020-04-06 | 2022-03-22 | International Business Machines Corporation | Automatic bounding region annotation for localization of abnormalities |
US11386988B2 (en) | 2020-04-23 | 2022-07-12 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
US11321844B2 (en) | 2020-04-23 | 2022-05-03 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
EP4176377A1 (en) | 2020-07-06 | 2023-05-10 | Exini Diagnostics AB | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
US11721428B2 (en) * | 2020-07-06 | 2023-08-08 | Exini Diagnostics Ab | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
RU2743316C1 (ru) * | 2020-08-14 | 2021-02-17 | Автономная некоммерческая образовательная организация высшего образования Сколковский институт науки и технологий | Способ идентификации участков связывания белковых комплексов |
EP4016453B1 (en) * | 2020-12-21 | 2023-08-09 | Siemens Healthcare GmbH | Method and system for automated segmentation of biological object parts in mri |
CN112767299B (zh) * | 2021-04-07 | 2021-07-06 | 成都真实维度科技有限公司 | 一种多模态三维图像配准融合方法 |
CN113256784B (zh) * | 2021-07-02 | 2021-09-28 | 武大吉奥信息技术有限公司 | 一种基于gpu进行超高效绘制gis空间三维体素数据的方法 |
EP4377968A1 (en) * | 2021-07-30 | 2024-06-05 | Ventripoint Diagnostics Ltd. | System, method and/or computer-readable medium for mapping and displaying anatomical structures in a user-friendly manner |
CN113781636B (zh) * | 2021-09-14 | 2023-06-20 | 杭州柳叶刀机器人有限公司 | 盆骨建模方法与系统、存储介质、计算机程序产品 |
WO2023092124A1 (en) * | 2021-11-22 | 2023-05-25 | Genentech, Inc. | Machine-learning based segmentation of biological objects in medical images |
CN114119558B (zh) * | 2021-11-29 | 2024-05-03 | 桂林电子科技大学 | 一种自动生成鼻咽癌影像诊断结构化报告方法 |
EP4202827A1 (en) * | 2021-12-21 | 2023-06-28 | Koninklijke Philips N.V. | System and method for classifying lesions |
WO2023117740A1 (en) * | 2021-12-21 | 2023-06-29 | Koninklijke Philips N.V. | System and method for classifying lesions |
WO2023232897A1 (en) * | 2022-06-02 | 2023-12-07 | Antaros Medical Ab | Automated image inference from whole-body medical images |
CN116259414B (zh) * | 2023-05-09 | 2023-08-18 | 南京诺源医疗器械有限公司 | 转移性淋巴结区分模型、构建方法及应用 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017500537A (ja) | 2013-10-18 | 2017-01-05 | モレキュラ インサイト ファーマシューティカルズ インコーポレイテッド | 癌の病期を決定するためにspect/ct分析を使用する方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7935055B2 (en) * | 2003-09-19 | 2011-05-03 | Siemens Medical Solutions Usa, Inc. | System and method of measuring disease severity of a patient before, during and after treatment |
EP4089074A1 (en) | 2008-08-01 | 2022-11-16 | The Johns Hopkins University | Psma-binding agents and uses thereof |
BRPI0922779A8 (pt) | 2008-12-05 | 2018-06-19 | Molecular Insight Pharm Inc | complexos de tecnécio e rênio-bis(heteroarila) e métodos de uso dos mesmos para inibir psma |
WO2010065899A2 (en) | 2008-12-05 | 2010-06-10 | Molecular Insight Pharmaceuticals, Inc. | Technetium-and rhenium-bis(heteroaryl)complexes and methods of use thereof |
US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
CN101639937B (zh) * | 2009-09-03 | 2011-12-14 | 复旦大学 | 一种基于人工神经网络的超分辨率方法 |
US9547061B2 (en) * | 2012-01-27 | 2017-01-17 | Koninklijke Philips N.V. | Tumor segmentation and tissue classification in 3D multi-contrast |
WO2014113786A1 (en) * | 2013-01-18 | 2014-07-24 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Quantitative predictors of tumor severity |
EP2816525A1 (en) * | 2013-06-18 | 2014-12-24 | Thomson Licensing | Method and apparatus for generating a super-resolved image from a single image |
CN106127819B (zh) * | 2016-06-30 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像中提取血管中心线的方法及其装置 |
-
2019
- 2019-01-07 AU AU2019205766A patent/AU2019205766A1/en active Pending
- 2019-01-07 CA CA3085441A patent/CA3085441A1/en active Pending
- 2019-01-07 CN CN201980007207.2A patent/CN111602174A/zh active Pending
- 2019-01-07 WO PCT/US2019/012486 patent/WO2019136349A2/en unknown
- 2019-01-07 EP EP19702719.6A patent/EP3738097A2/en active Pending
- 2019-01-07 JP JP2020537168A patent/JP7448476B2/ja active Active
-
2023
- 2023-05-22 JP JP2023083859A patent/JP2023116486A/ja active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017500537A (ja) | 2013-10-18 | 2017-01-05 | モレキュラ インサイト ファーマシューティカルズ インコーポレイテッド | 癌の病期を決定するためにspect/ct分析を使用する方法 |
Non-Patent Citations (6)
Title |
---|
I.Frank Ciernik, M.D. et al.,"3D-Segmentation of the 18F-choline PET Signal for Target Volume Definition in Radiation Therapy of the Prostate",Technology in Cancer Research and Treatment ,Volume 6, Number 1,2007年02月,pp.23-30,ISSN 1533-0346 |
Kelei He et al.,"Pelvic Organ Segmentation Using Distinctive Curve Guided Fully Convolutional Networks",IEEE TRANSACTIONS ON MEDICAL IMAGING,VOL. 38, NO. 2,2019年02月,pp.585-595 |
LITJENS GEERT; ET AL,A SURVEY ON DEEP LEARNING IN MEDICAL IMAGE ANALYSIS,MEDICAL IMAGE ANALYSIS,2017年07月25日,VOL:42,PAGE(S):60 - 88,http://dx.doi.org/10.1016/j.media.2017.07.005 |
MA LING; ET AL,AUTOMATIC SEGMENTATION OF THE PROSTATE ON CT IMAGES USING DEEP LEARNING AND MULTI-ATLAS FUSION,PROCEEDINGS OF SPIE,米国,2017年02月24日,VOL:10133,PAGE(S):101332O(1 - 9),http://dx.doi.org/10.1117/12.2255755 |
May Sadik et al.,"Automated 3D segmentation of the prostate gland in CT images - a first step towards objective measurements of prostate uptake in PET and SPECT images",Journal of Nuclear Medicine,2017年05月,vol.50(supplement 1),1074,インターネット<URL:https://jnm.snmjournals.org/content/58/supplement_1/1074.short> |
Payel Ghosh et al.,"Prostate segmentation on pelvic CT images using a genetic algorithm",PROCEEDINGS OF SPIE 6914,Medical Imaging 2008: Image Processing,2008年03月11日,691442,doi: 10.1117/12.770834 |
Also Published As
Publication number | Publication date |
---|---|
TW201941218A (zh) | 2019-10-16 |
WO2019136349A2 (en) | 2019-07-11 |
JP2021509721A (ja) | 2021-04-01 |
AU2019205766A1 (en) | 2020-06-18 |
CA3085441A1 (en) | 2019-07-11 |
JP2023116486A (ja) | 2023-08-22 |
WO2019136349A3 (en) | 2019-08-15 |
CN111602174A (zh) | 2020-08-28 |
EP3738097A2 (en) | 2020-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7448476B2 (ja) | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 | |
US10973486B2 (en) | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination | |
US20200342600A1 (en) | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination | |
US11941817B2 (en) | Systems and methods for platform agnostic whole body image segmentation | |
US11937962B2 (en) | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases | |
US20200357521A1 (en) | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications | |
US20220005586A1 (en) | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions | |
CA3163190A1 (en) | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions | |
US20230115732A1 (en) | Systems and methods for automated identification and classification of lesions in local lymph and distant metastases | |
Velichko et al. | A Comprehensive Review of Deep Learning Approaches for Magnetic Resonance Imaging Liver Tumor Analysis | |
TWI835768B (zh) | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 | |
US20230351586A1 (en) | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions | |
US20240186010A1 (en) | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications | |
US20230410985A1 (en) | Systems and methods for assessing disease burden and progression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211206 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211206 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221031 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221122 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230522 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230825 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231211 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240119 |
|
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: 20240219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240229 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7448476 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |