JP7457011B2 - 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 - Google Patents
異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 Download PDFInfo
- Publication number
- JP7457011B2 JP7457011B2 JP2021520757A JP2021520757A JP7457011B2 JP 7457011 B2 JP7457011 B2 JP 7457011B2 JP 2021520757 A JP2021520757 A JP 2021520757A JP 2021520757 A JP2021520757 A JP 2021520757A JP 7457011 B2 JP7457011 B2 JP 7457011B2
- Authority
- JP
- Japan
- Prior art keywords
- region
- lung
- shadow
- chest
- ray image
- 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
- 238000001514 detection method Methods 0.000 title claims description 205
- 230000010365 information processing Effects 0.000 title claims description 3
- 238000003672 processing method Methods 0.000 title claims description 3
- 210000004072 lung Anatomy 0.000 claims description 593
- 238000011976 chest X-ray Methods 0.000 claims description 291
- 210000004204 blood vessel Anatomy 0.000 claims description 146
- 230000005856 abnormality Effects 0.000 claims description 140
- 230000002159 abnormal effect Effects 0.000 claims description 80
- 238000000034 method Methods 0.000 claims description 61
- 210000004185 liver Anatomy 0.000 claims description 50
- 230000002685 pulmonary effect Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 28
- 210000002376 aorta thoracic Anatomy 0.000 claims description 22
- 210000003484 anatomy Anatomy 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 19
- 230000001746 atrial effect Effects 0.000 claims description 16
- 238000002834 transmittance Methods 0.000 claims description 16
- 230000002861 ventricular Effects 0.000 claims description 16
- 230000002792 vascular Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 82
- 210000000188 diaphragm Anatomy 0.000 description 61
- 238000004891 communication Methods 0.000 description 23
- 238000003745 diagnosis Methods 0.000 description 23
- 210000000056 organ Anatomy 0.000 description 22
- 238000012545 processing Methods 0.000 description 20
- 210000002784 stomach Anatomy 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 13
- 210000000115 thoracic cavity Anatomy 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 210000000621 bronchi Anatomy 0.000 description 8
- 210000000038 chest Anatomy 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 210000001147 pulmonary artery Anatomy 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 210000003437 trachea Anatomy 0.000 description 6
- 101100249083 Human cytomegalovirus (strain Merlin) RL12 gene Proteins 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 101100195396 Human cytomegalovirus (strain Merlin) RL11 gene Proteins 0.000 description 4
- 101100141719 Human cytomegalovirus (strain Merlin) RL13 gene Proteins 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 101000700752 Homo sapiens Serum response factor-binding protein 1 Proteins 0.000 description 3
- 102100029282 Serum response factor-binding protein 1 Human genes 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000004224 pleura Anatomy 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010035600 Pleural fibrosis Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000005245 right atrium Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 238000000333 X-ray scattering Methods 0.000 description 1
- 210000000579 abdominal fat Anatomy 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 210000001835 viscera Anatomy 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- 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
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Description
コンピュータが、胸部X線画像を取得し、
前記コンピュータが、前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定し、
前記コンピュータが、前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定し、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記コンピュータが、前記判定を表す情報を出力する異常検出方法である。
まず、本開示に係る一態様を発明するに至った経緯が説明される。特許文献1は、肺領域を抽出する際、胸部X線画像の各画素の信号値から濃度ヒストグラムを作成し、判別分析法等によって閾値を求め、求めた閾値より高信号の領域を肺領域の候補として抽出し、候補領域の境界付近でエッジ検出を行って、肺領域の境界線を決定することを開示している。しかしながら、胸部X線画像において、肺と心臓とが重なる領域の画素の信号値は、肺と他の臓器との重なりがない領域の画素の信号値ほど高くないし、肺と肝臓とが重なる領域の画素の信号値は、肺と他の臓器との重なりがない領域の画素の信号値ほど高くない。この点が図39、および、図40を用いて説明される。
コンピュータが、胸部X線画像を取得し、
前記コンピュータが、前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定し、
前記コンピュータが、前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定し、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記コンピュータが、前記判定を表す情報を出力する、異常検出方法である。
前記検出では、左室陰影、下行大動脈陰影、左横隔膜ドーム陰影、椎体の左境界線、椎体の右境界線、右房陰影、右横隔膜ドーム陰影のうち少なくとも2つの境界線が検出され、
前記設定では、前記第1肺領域を含む前記第3肺領域が設定され、前記第1肺領域は、前記検出で検出された境界線のうち少なくとも2つで挟まれる領域により設定されてもよい。
前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
前記設定では、前記第1肺領域は、前記検出で検出された境界線のうち前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定されてもよい。
前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
前記設定では、前記第1肺領域は、前記検出で検出された境界線のうち前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定されてもよい。
前記設定では、前記第1肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定されてもよい。
前記検出では、右横隔膜ドーム陰影、右背側肺底陰影、椎体の右境界線のうち少なくとも2つの境界線が検出され、
前記設定では、前記第2肺領域を含む前記第3肺領域が設定され、前記第2肺領域は、前記検出で検出された境界線のうち少なくとも2つで挟まれる領域により設定されてもよい。
前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線のうち少なくとも前記右横隔膜ドーム陰影、前記右背側肺底陰影の境界線が検出され、
前記設定では、前記第2肺領域は、前記検出で検出された境界線のうち前記右横隔膜ドーム陰影、前記右背側肺底陰影で挟まれる領域により設定されてもよい。
前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線の境界線が検出され、
前記設定では、前記第2肺領域は、前記検出で検出された前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線で挟まれる領域により設定されてもよい。
前記設定では、前記第2肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定されてもよい。
前記検出で前記右背側肺底陰影が検出された場合には、前記コンピュータが、前記右背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
前記信頼度が所定の第1閾値以下であれば、前記コンピュータが、前記検出で検出された前記右背側肺底陰影以外の境界線の位置に基づいて、前記右背側肺底陰影を推定し、
前記第2肺領域の設定では、前記信頼度が前記第1閾値よりも高ければ、前記検出で検出された前記右背側肺底陰影が利用され、前記信頼度が前記第1閾値以下であれば、前記推定で推定された前記右背側肺底陰影が利用されてもよい。
前記第2肺領域の設定において、前記推定で推定された前記右背側肺底陰影が利用されている場合は、前記出力では、右肺底を含む領域への注意を促す情報が出力されてもよい。
前記第3肺領域は、さらに、前記第1肺領域の下側に位置する第4肺領域を含み、
前記検出では、さらに、前記境界線として左背側肺底陰影が検出されてもよい。
前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち前記左背側肺底陰影を含む少なくとも2つの境界線が検出され、
前記設定では、前記第4肺領域を含む前記第3肺領域が設定され、前記第4肺領域は、前記検出で検出された境界線のうち少なくとも2つで挟まれる領域により設定されてもよい。
前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち少なくとも前記左横隔膜ドーム陰影、前記左背側肺底陰影の境界線が検出され、
前記設定では、前記第4肺領域は、前記検出で検出された境界線のうち前記左横隔膜ドーム陰影、前記左背側肺底陰影で挟まれる領域により設定されてもよい。
前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線の境界線が検出され、
前記設定では、前記第4肺領域は、前記検出で検出された前記左横隔膜ドーム陰影、前記左背側肺底陰影、前記椎体の左境界線で挟まれる領域により設定されてもよい。
前記設定では、前記第4肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定されてもよい。
前記コンピュータが、前記検出における前記左背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
前記信頼度が所定の第2閾値以下であれば、前記コンピュータが、前記検出で検出された前記左背側肺底陰影以外の境界線の位置に基づいて、前記左背側肺底陰影を推定し、
前記第4肺領域の設定では、前記信頼度が前記第2閾値よりも高ければ、前記検出で検出された前記左背側肺底陰影が利用され、前記信頼度が前記第2閾値以下であれば、前記推定で推定された前記左背側肺底陰影が利用されてもよい。
前記第4肺領域の設定において、前記推定で推定された前記左背側肺底陰影が利用されている場合は、前記出力では、さらに、左肺底を含む領域への注意を促す情報が出力されてもよい。
前記出力では、前記判定を表す情報として、異常状態であると判定された、前記第3肺領域に含まれる領域の画像と、前記第3肺領域に含まれる領域の異常状態の内容と、が出力されて、ディスプレイに表示されてもよい。
前記コンピュータが、さらに、前記設定で設定された前記第3肺領域内において複数の局所領域1~nを分割設定し、前記複数の局所領域1~nは前記第3肺領域に含まれる領域を含み、前記nは2以上の自然数であり、
前記抽出では、前記血管指標として、局所領域iに存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標iが抽出され、前記iは1からnまでの自然数であり、
前記判定では、前記血管指標iと、前記血管指標iを抽出した方法を用いて正常状態の胸部X線画像の前記局所領域iに相当する領域から予め抽出された指標を用いた基準指標iと、に基づいて、前記局所領域iが異常状態であるか否かが判定され、
前記出力では、異常状態であると判定された局所領域jの画像と、前記局所領域jの異常状態の内容と、が前記ディスプレイに表示され、前記jは1以上でn以下の自然数であってもよい。
前記コンピュータが、さらに、前記複数の局所領域1~nのうち、前記取得した胸部X線画像における肺門部からの2次元距離に応じて、それぞれ異なる局所領域を含む複数のグループ1~mを生成し、前記mは2以上の自然数であり、
前記抽出では、前記血管指標として、グループkに存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標kが抽出され、前記kは1からmまでの自然数であり、
前記判定では、前記血管指標kと、前記血管指標kを抽出した方法を用いて正常状態の胸部X線画像の前記グループkに相当する領域から予め抽出された指標を用いた基準指標kと、に基づいて、前記グループkが異常状態であるか否かが判定され、
前記出力では、異常状態であると判定されたグループhの画像と、前記グループhの異常状態の内容と、が前記ディスプレイに表示され、前記hは1以上でm以下の自然数であってもよい。
前記モデルは、画素単位で予測を行うニューラルネットワークを使用して、正常状態の胸部X線画像である学習用胸部X線画像を入力データとし、前記学習用胸部X線画像における境界線を示す画像を教師データとして、前記学習用胸部X線画像から前記境界線が検出されるように機械学習されたモデルであってもよい。
前記基準指標は、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標の確率密度関数、または前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標について予め設定された閾値であってもよい。
コンピュータを、
胸部X線画像を取得する取得部、
前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定する設定部、
前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定する判定部、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部、
として機能させる異常検出プログラムである。
胸部X線画像を取得する取得部と、
前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定する設定部と、
前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
を備える異常検出装置である。
胸部X線画像を取得する取得部と、
前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定する設定部と、
前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
を備えるサーバ装置である。
コンピュータが、胸部X線画像を取得し、
前記コンピュータが、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および/または前記肺と肝臓とが重なる第2肺領域を含む第3肺領域に含まれる領域が異常状態を示しているか否かを判定し、
前記第3肺領域に含まれる領域が異常状態を示していると判定されると、前記コンピュータが、前記第3肺領域に含まれる領域が異常であることを表す情報を出力する異常検出方法である。
前記コンピュータが、さらに、前記取得した胸部X線画像において、肺の画像と心臓の画像との第1境界線および/または前記肺の画像と肝臓の画像との第2境界線を検出し、
前記コンピュータが、さらに、前記第1境界線および/または前記第2境界線を基に、前記取得した胸部X線画像において、前記第3肺領域を設定し、
前記コンピュータが、さらに、前記第3肺領域に含まれる領域における、血管の密度を示す血管指標を抽出し、
前記判定では、前記血管指標と、正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域における血管の密度を示す基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態を示しているか否かが判定されてもよい。
コンピュータが、胸部X線画像を取得し、
前記コンピュータが、前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定し、
前記コンピュータが、前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記抽出した血管指標を出力する、情報処理方法である。
以下、本開示の実施の形態が、図面を参照しながら説明される。なお、各図面において、同じ構成要素には同じ符号が用いられ、適宜、説明は省略される。
図1は、第1実施形態における、胸部X線画像の異常表示制御方法を実行する異常表示制御装置100の構成を概略的に示すブロック図である。図2は、医療機関内のネットワーク構成410を概略的に示すブロック図である。
(i)抽出した構造物の画像(例えば図4B、図5B)を適切な閾値で二値化する。
(ii)二値化後の構造物の画像に対して幅1画素になるまで細線化処理を行う。
(iii)細線化処理前の画像における構造物の面積に対する、細線化処理後の画像における構造物の面積の比を計算し、比が予め定めた閾値以上であれば、その構造物は「線構造」と判定し、そうでなければ「領域構造」と判定する。この閾値は、構造物が線状であると見做せるような適切な値に設定されればよい。線構造の例が図4A~4Cと図5A~5Cとに示され、領域構造の例が図6A~6Cに示される。
上記第1実施形態では、例えば図18に示されるように、領域RL1,RL2,LL1,LL2が分割されて局所領域RL21等が設定され、局所領域毎に、異常状態であるか否かが判定されているが、これに限られない。例えば、領域RL1,RL2,LL1,LL2を分割せずに、異常判定部104は、領域RL1,RL2,LL1,LL2毎に、異常状態であるか否かを判定してもよい。
図38は、第2実施形態における、医療機関内のネットワーク構成410Aを概略的に示すブロック図である。第2実施形態では、図38に示されるように、サーバ装置500と、表示制御装置600と、医用画像管理システム200と、胸部X線画像撮影装置300と、が医療機関のイントラネットワーク400に接続されている。
(1)上記各実施形態では、肺領域設定部102は、例えば図16に示されるように、胸部X線画像Ixpにおいて、肺と心臓とが重なる領域RL2,LL1、肺と肝臓および横隔膜とが重なる領域RL1、および、肺と横隔膜および胃とが重なる領域LL2を設定しているが、これに限られない。肺領域設定部102は、胸部X線画像Ixpにおいて、肺と心臓とが重なる領域RL2,LL1、肺と肝臓および横隔膜とが重なる領域RL1、および、肺と横隔膜および胃とが重なる領域LL2のいずれか一つまたは二つを設定してもよい。すなわち、肺領域設定部102は、胸部X線画像Ixpにおいて、肺と心臓とが重なる領域RL2,LL1、肺と肝臓および横隔膜とが重なる領域RL1、および、肺と横隔膜および胃とが重なる領域LL2の少なくとも一つを設定していればよい。
101 検出部
102 肺領域設定部
103 局所領域設定部
104 異常判定部
105,105A 正常モデル格納部
106 画像メモリ
107 通信部
108 ディスプレイ
121,121A メモリ
122 表示制御部
123 通信制御部
200 医用情報管理システム
300 胸部X線画像撮影装置
400 イントラネットワーク
500 サーバ装置
Claims (28)
- コンピュータが、胸部X線画像を取得し、
前記コンピュータが、前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定し、
前記コンピュータが、前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定し、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記コンピュータが、前記判定を表す情報を出力する、
異常検出方法。 - 前記検出では、左室陰影、下行大動脈陰影、左横隔膜ドーム陰影、椎体の左境界線、椎体の右境界線、右房陰影、右横隔膜ドーム陰影のうち少なくとも2つの境界線が検出され、
前記設定では、前記第1肺領域を含む前記第3肺領域が設定され、前記第1肺領域は、前記検出で検出された境界線のうち少なくとも2つで挟まれる領域により設定される、
請求項1に記載の異常検出方法。 - 前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
前記設定では、前記第1肺領域は、前記検出で検出された境界線のうち前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定される、
請求項2に記載の異常検出方法。 - 前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
前記設定では、前記第1肺領域は、前記検出で検出された境界線のうち前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定される、
請求項2または3に記載の異常検出方法。 - 前記設定では、前記第1肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定される、
請求項2から4のいずれかに記載の異常検出方法。 - 前記検出では、右横隔膜ドーム陰影、右背側肺底陰影、椎体の右境界線のうち少なくとも2つの境界線が検出され、
前記設定では、前記第2肺領域を含む前記第3肺領域が設定され、前記第2肺領域は、前記検出で検出された境界線のうち少なくとも2つで挟まれる領域により設定される、
請求項1から5のいずれかに記載の異常検出方法。 - 前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線のうち少なくとも前記右横隔膜ドーム陰影、前記右背側肺底陰影の境界線が検出され、
前記設定では、前記第2肺領域は、前記検出で検出された境界線のうち前記右横隔膜ドーム陰影、前記右背側肺底陰影で挟まれる領域により設定される、
請求項6に記載の異常検出方法。 - 前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線の境界線が検出され、
前記設定では、前記第2肺領域は、前記検出で検出された前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線で挟まれる領域により設定される、
請求項6または7に記載の異常検出方法。 - 前記設定では、前記第2肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定される、
請求項6から8のいずれかに記載の異常検出方法。 - 前記検出で前記右背側肺底陰影が検出された場合には、前記コンピュータが、前記右背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
前記信頼度が所定の第1閾値以下であれば、前記コンピュータが、前記検出で検出された前記右背側肺底陰影以外の境界線の位置に基づいて、前記右背側肺底陰影を推定し、
前記第2肺領域の設定では、前記信頼度が前記第1閾値よりも高ければ、前記検出で検出された前記右背側肺底陰影が利用され、前記信頼度が前記第1閾値以下であれば、前記推定で推定された前記右背側肺底陰影が利用される、
請求項6から9のいずれかに記載の異常検出方法。 - 前記第2肺領域の設定において、前記推定で推定された前記右背側肺底陰影が利用されている場合は、前記出力では、右肺底を含む領域への注意を促す情報が出力される、
請求項10に記載の異常検出方法。 - 前記第3肺領域は、さらに、前記第1肺領域の下側に位置する第4肺領域を含み、
前記検出では、さらに、前記境界線として左背側肺底陰影が検出される、
請求項1から11のいずれかに記載の異常検出方法。 - 前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち前記左背側肺底陰影を含む少なくとも2つの境界線が検出され、
前記設定では、前記第4肺領域を含む前記第3肺領域が設定され、前記第4肺領域は、前記検出で検出された境界線のうち少なくとも2つで挟まれる領域により設定される、
請求項12に記載の異常検出方法。 - 前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち少なくとも前記左横隔膜ドーム陰影、前記左背側肺底陰影の境界線が検出され、
前記設定では、前記第4肺領域は、前記検出で検出された境界線のうち前記左横隔膜ドーム陰影、前記左背側肺底陰影で挟まれる領域により設定される、
請求項12または13に記載の異常検出方法。 - 前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線の境界線が検出され、
前記設定では、前記第4肺領域は、前記検出で検出された前記左横隔膜ドーム陰影、前記左背側肺底陰影、前記椎体の左境界線で挟まれる領域により設定される、
請求項12または13に記載の異常検出方法。 - 前記設定では、前記第4肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定される、
請求項13から15のいずれかに記載の異常検出方法。 - 前記コンピュータが、前記検出における前記左背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
前記信頼度が所定の第2閾値以下であれば、前記コンピュータが、前記検出で検出された前記左背側肺底陰影以外の境界線の位置に基づいて、前記左背側肺底陰影を推定し、
前記第4肺領域の設定では、前記信頼度が前記第2閾値よりも高ければ、前記検出で検出された前記左背側肺底陰影が利用され、前記信頼度が前記第2閾値以下であれば、前記推定で推定された前記左背側肺底陰影が利用される、
請求項13から16のいずれかに記載の異常検出方法。 - 前記第4肺領域の設定において、前記推定で推定された前記左背側肺底陰影が利用されている場合は、前記出力では、さらに、左肺底を含む領域への注意を促す情報が出力される、
請求項17に記載の異常検出方法。 - 前記出力では、前記判定を表す情報として、異常状態であると判定された、前記第3肺領域に含まれる領域の画像と、前記第3肺領域に含まれる領域の異常状態の内容と、が出力されて、ディスプレイに表示される、
請求項1から18のいずれかに記載の異常検出方法。 - 前記コンピュータが、さらに、前記設定で設定された前記第3肺領域内において複数の局所領域1~nを分割設定し、前記複数の局所領域1~nは前記第3肺領域に含まれる領域を含み、前記nは2以上の自然数であり、
前記抽出では、前記血管指標として、局所領域iに存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標iが抽出され、前記iは1からnまでの自然数であり、
前記判定では、前記血管指標iと、前記血管指標iを抽出した方法を用いて正常状態の胸部X線画像の前記局所領域iに相当する領域から予め抽出された指標を用いた基準指標iと、に基づいて、前記局所領域iが異常状態であるか否かが判定され、
前記出力では、異常状態であると判定された局所領域jの画像と、前記局所領域jの異常状態の内容と、が前記ディスプレイに表示され、前記jは1以上でn以下の自然数である、
請求項19に記載の異常検出方法。 - 前記コンピュータが、さらに、前記複数の局所領域1~nのうち、前記取得した胸部X線画像における肺門部からの2次元距離に応じて、それぞれ異なる局所領域を含む複数のグループ1~mを生成し、前記mは2以上の自然数であり、
前記抽出では、前記血管指標として、グループkに存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標kが抽出され、前記kは1からmまでの自然数であり、
前記判定では、前記血管指標kと、前記血管指標kを抽出した方法を用いて正常状態の胸部X線画像の前記グループkに相当する領域から予め抽出された指標を用いた基準指標kと、に基づいて、前記グループkが異常状態であるか否かが判定され、
前記出力では、異常状態であると判定されたグループhの画像と、前記グループhの異常状態の内容と、が前記ディスプレイに表示され、前記hは1以上でm以下の自然数である、
請求項20に記載の異常検出方法。 - 前記モデルは、画素単位で予測を行うニューラルネットワークを使用して、正常状態の胸部X線画像である学習用胸部X線画像を入力データとし、前記学習用胸部X線画像における境界線を示す画像を教師データとして、前記学習用胸部X線画像から前記境界線が検出されるように機械学習されたモデルである、
請求項1から21のいずれかに記載の異常検出方法。 - 前記基準指標は、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標の確率密度関数、または前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標について予め設定された閾値である、
請求項1から22のいずれかに記載の異常検出方法。 - コンピュータを、
胸部X線画像を取得する取得部、
前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定する設定部、
前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定する判定部、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部、
として機能させる異常検出プログラム。 - 胸部X線画像を取得する取得部と、
前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定する設定部と、
前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
を備える異常検出装置。 - 胸部X線画像を取得する取得部と、
前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定する設定部と、
前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
前記第3肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
を備えるサーバ装置。 - コンピュータが、胸部X線画像を取得し、
前記コンピュータが、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および/または前記肺と肝臓とが重なる第2肺領域を含む第3肺領域に含まれる領域が異常状態を示しているか否かを判定し、
前記第3肺領域に含まれる領域が異常状態を示していると判定されると、前記コンピュータが、前記第3肺領域に含まれる領域が異常であることを表す情報を出力し、
前記コンピュータが、さらに、前記取得した胸部X線画像において、肺の画像と心臓の画像との第1境界線および/または前記肺の画像と肝臓の画像との第2境界線を検出し、
前記コンピュータが、さらに、前記第1境界線および/または前記第2境界線を基に、前記取得した胸部X線画像において、前記第3肺領域を設定し、
前記コンピュータが、さらに、前記第3肺領域に含まれる領域における、血管の密度を示す血管指標を抽出し、
前記判定では、前記血管指標と、正常状態の胸部X線画像の前記第3肺領域に含まれる領域に相当する領域における血管の密度を示す基準指標と、に基づいて前記第3肺領域に含まれる領域が異常状態を示しているか否かが判定される、
異常検出方法。 - コンピュータが、胸部X線画像を取得し、
前記コンピュータが、前記取得した胸部X線画像において、X線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部X線画像において、肺と心臓とが重なる第1肺領域および肺と肝臓とが重なる第2肺領域のうち少なくとも一方を含む第3肺領域を設定し、
前記コンピュータが、前記第3肺領域に含まれる領域に存在する少なくとも1つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記抽出した血管指標を出力する、
情報処理方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019096123 | 2019-05-22 | ||
JP2019096123 | 2019-05-22 | ||
JP2020072407 | 2020-04-14 | ||
JP2020072407 | 2020-04-14 | ||
PCT/JP2020/019397 WO2020235461A1 (ja) | 2019-05-22 | 2020-05-15 | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020235461A1 JPWO2020235461A1 (ja) | 2020-11-26 |
JP7457011B2 true JP7457011B2 (ja) | 2024-03-27 |
Family
ID=73458916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021520757A Active JP7457011B2 (ja) | 2019-05-22 | 2020-05-15 | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11935234B2 (ja) |
JP (1) | JP7457011B2 (ja) |
CN (1) | CN113348485A (ja) |
WO (1) | WO2020235461A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022132822A (ja) * | 2021-03-01 | 2022-09-13 | 東洋製罐株式会社 | 異常検知に関する方法、プログラム、装置及びシステム |
WO2022185644A1 (ja) * | 2021-03-03 | 2022-09-09 | 富士フイルム株式会社 | 画像処理装置、画像処理装置の作動方法、画像処理装置の作動プログラム、並びに学習方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005246032A (ja) | 2004-02-04 | 2005-09-15 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
JP2018196693A (ja) | 2017-05-25 | 2018-12-13 | コニカミノルタ株式会社 | 動態解析システム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW514513B (en) * | 1996-02-06 | 2002-12-21 | Deus Technologies Inc | Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
WO2003070102A2 (en) * | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
US7876936B2 (en) * | 2006-01-31 | 2011-01-25 | Mevis Medical Solutions, Inc. | Method for segmenting arteries and veins |
JP5136562B2 (ja) | 2008-01-15 | 2013-02-06 | コニカミノルタエムジー株式会社 | 動態画像診断支援システム |
US9259290B2 (en) * | 2009-06-08 | 2016-02-16 | MRI Interventions, Inc. | MRI-guided surgical systems with proximity alerts |
US9603668B2 (en) * | 2014-07-02 | 2017-03-28 | Covidien Lp | Dynamic 3D lung map view for tool navigation inside the lung |
US10445462B2 (en) * | 2016-10-12 | 2019-10-15 | Terarecon, Inc. | System and method for medical image interpretation |
US11908584B2 (en) * | 2017-05-15 | 2024-02-20 | Ne Scientific, Llc | Methods and systems for modeling a necrotized tissue volume in an ablation procedure |
US20190320934A1 (en) * | 2018-04-18 | 2019-10-24 | Siemens Healthcare Gmbh | Medical image acquisition with sequence prediction using deep learning |
-
2020
- 2020-05-15 JP JP2021520757A patent/JP7457011B2/ja active Active
- 2020-05-15 WO PCT/JP2020/019397 patent/WO2020235461A1/ja active Application Filing
- 2020-05-15 CN CN202080010971.8A patent/CN113348485A/zh active Pending
-
2021
- 2021-10-04 US US17/492,732 patent/US11935234B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005246032A (ja) | 2004-02-04 | 2005-09-15 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
JP2018196693A (ja) | 2017-05-25 | 2018-12-13 | コニカミノルタ株式会社 | 動態解析システム |
Non-Patent Citations (3)
Title |
---|
CAMPADELLI Paola et al.,A Fully Automated Method for Lung Nodule Detection From Postero-Anterior Chest Radiographs,IEEE Transactions on Medical Imaging,2006年,Vol. 25, No. 12,Pages. 1588-1603 |
松坂匡芳 他,弾性輪郭モデルを用いた胸部X線像の肺輪郭線抽出,Medical Imaging Technology,1996年,Vol. 14, No. 6,Pages. 680-690 |
近藤堅司 他,深層学習を用いた胸部X線画像からの解剖学的構造の領域検出,生体医工学,2018年12月10日,Vol. 56, No. 6,Pages. 243-251 |
Also Published As
Publication number | Publication date |
---|---|
CN113348485A (zh) | 2021-09-03 |
US20220028072A1 (en) | 2022-01-27 |
WO2020235461A1 (ja) | 2020-11-26 |
US11935234B2 (en) | 2024-03-19 |
JPWO2020235461A1 (ja) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
CN111563523B (zh) | 利用机器训练的异常检测的copd分类 | |
KR101874348B1 (ko) | 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
US9014485B2 (en) | Image reporting method | |
JP5643304B2 (ja) | 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法 | |
JP2020503603A (ja) | 解剖学的画像処理における確率的セグメンテーションのためのシステム及び方法 | |
EP3828818A1 (en) | Method and system for identifying pathological changes in follow-up medical images | |
US20210327563A1 (en) | Salient visual explanations of feature assessments by machine learning models | |
EP3796210A1 (en) | Spatial distribution of pathological image patterns in 3d image data | |
US20170221204A1 (en) | Overlay Of Findings On Image Data | |
US20210151171A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
US20240008801A1 (en) | System and method for virtual pancreatography pipepline | |
JP7457011B2 (ja) | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
Singh et al. | Semantic segmentation of bone structures in chest X-rays including unhealthy radiographs: A robust and accurate approach | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN114387380A (zh) | 用于生成3d医学图像数据的基于计算机的可视化的方法 | |
JP2020188960A (ja) | 胸部x線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
KR102647251B1 (ko) | 하지 정렬 평가 방법 및 이를 이용한 하지 정렬 평가용 디바이스 | |
EP4356837A1 (en) | Medical image diagnosis system, medical image diagnosis system evaluation method, and program | |
REBELO | SEMI-AUTOMATIC APPROACH FOR EPICARDIAL FAT SEGMENTATION AND QUANTIFICATION ON NON-CONTRAST CARDIAC CT | |
WO2021197176A1 (en) | Systems and methods for tumor characterization | |
Amor | Bone segmentation and extrapolation in Cone-Beam Computed Tomography | |
van der Heijden et al. | GENERATION OF LUNG CT IMAGES USING SEMANTIC LAYOUTS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220215 |
|
AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20220215 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230327 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240202 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240314 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7457011 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |