JP7462925B2 - 血流場推定装置、学習装置、血流場推定方法及びプログラム - Google Patents

血流場推定装置、学習装置、血流場推定方法及びプログラム Download PDF

Info

Publication number
JP7462925B2
JP7462925B2 JP2020033293A JP2020033293A JP7462925B2 JP 7462925 B2 JP7462925 B2 JP 7462925B2 JP 2020033293 A JP2020033293 A JP 2020033293A JP 2020033293 A JP2020033293 A JP 2020033293A JP 7462925 B2 JP7462925 B2 JP 7462925B2
Authority
JP
Japan
Prior art keywords
organ
blood flow
flow field
estimation
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020033293A
Other languages
English (en)
Other versions
JP2021135890A (ja
Inventor
眸 安西
和浩 渡邉
リー ガオヤン
信 太田
悌二 冨永
邦泰 新妻
慎一郎 杉山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tohoku University NUC
Original Assignee
Tohoku University NUC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tohoku University NUC filed Critical Tohoku University NUC
Priority to JP2020033293A priority Critical patent/JP7462925B2/ja
Priority to US17/798,870 priority patent/US20230046302A1/en
Priority to DE112021001346.7T priority patent/DE112021001346T5/de
Priority to PCT/JP2021/006654 priority patent/WO2021172280A1/ja
Publication of JP2021135890A publication Critical patent/JP2021135890A/ja
Application granted granted Critical
Publication of JP7462925B2 publication Critical patent/JP7462925B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A61B5/0263—Measuring blood flow using NMR
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T2207/20—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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Description

本発明は、血流場推定装置、学習装置、血流場推定方法及びプログラムに関する。
近年の計算機の性能の向上に伴いそれまで実現が難しいとされた技術がさまざまに実現され、多くの場面で利用されている。このような技術としては、ニューラルネットワークを用いた予測の技術（非特許文献１～３）やコンピュータシミュレーションを用いた予測の技術がある。
ニューラルネットワークを用いた予測の技術は例えば、自動翻訳システムなどに利用されはじめている。一方、コンピュータシミュレーションを用いた技術は、例えば、医療現場において、脳卒中等の疾患の発見や予測にとって重要な脳内の血流場の推定に利用されている。血流場とは、血管内部における速度、ずり速度、渦度等の血流に関する流体力学的な物理量の分布である。脳内の血流場の推定を行うシミュレーションの方法は、例えば血管ＣＦＤ（Computational Fluid Dynamics）解析の方法である。
Philipp Fischer, et al., "FlowNet: Learning Optical Flow with Convolutional Networks", ［令和２年１月２３日検索］、インターネット〈URL：https://arxiv.org/pdf/1504.06852.pdf> N. Thuerey, et al., "Deep Learning Methods for Reynolds-Averaged Navier-Stokes Simulations of Airfoil Flows", ［令和２年１月２３日検索］、インターネット〈URL：https://arxiv.org/pdf/1810.08217.pdf> Xiaoxiao Guo, Wei Li, Francesco Iorio, "Convolutional Neural Networks for Steady Flow Approximation", ［令和２年１月２３日検索］、インターネット〈URL：https://www.researchgate.net/profile/Xiaoxiao_Guo7/publication/305997840_Convolutional_Neural_Networks_for_Steady_Flow_Approximation/links/5c1404b8a6fdcc494ff510a3/Convolutional-Neural-Networks-for-Steady-Flow-Approximation.pdf>
しかしながら、コンピュータシミュレーションを用いて脳内の血流場を推定するには、シミュレーションの開始前に脳のＣＴ（computed tomography）画像やＭＲＩ（Magnetic Resonance Imaging）画像等の測定結果の画像を加工する必要がある。具体的には、測定結果の画像をシミュレーションに適した画像に加工する複雑な処理が必要である。処理の１つは、例えば、血管とそれ以外の組織とを分けるように画像を二値化する処理である。処理の１つは、脳のＣＴ画像に基づいて脳の３次元像を再構成する処理である。処理の１つは、血管の表面に対してスムージングを行う処理である。処理の１つは、例えば、計算格子を適切に設定する処理である。
このように、事前に複雑な処理が必要であるため、脳内の血流場を推定することは推定を行う推定者にとって負担が大きい場合があった。また、事前に複雑な処理が必要であるために血流場を推定する推定者の負担が大きいという課題は、脳に限らず臓器に共通の課題である。
上記事情に鑑み、本発明は、臓器内の血流場を推定する際の負担を軽減する技術を提供することを目的としている。
本発明の一態様は、臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データと前記臓器内の血流場との関係を予め機械学習によって得た学習済みモデルを用い、推定対象の前記臓器の前記臓器組織３次元構造データに基づき前記推定対象の前記臓器内の血流場を推定する推定部と、前記推定部の推定結果を出力する出力部と、を備える血流場推定装置である。
本発明の一態様は、上記の血流場推定装置であって、前記臓器は、血管の流体物性が推定対象に依らず略同一である。
本発明の一態様は、上記の血流場推定装置であって、前記臓器は脳である。
本発明の一態様は、上記の血流場推定装置であって、前記機械学習は、深層学習である。
本発明の一態様は、上記の血流場推定装置であって、前記深層学習の方法は、Ｕ－Ｎｅｔの方法である。
本発明の一態様は、上記の血流場推定装置であって、前記推定部は、前記臓器組織３次元構造データを、部分条件を満たすデータである複数の部分データに分割した後、前記部分データごとに前記学習済みモデルを用いて前記推定対象の前記臓器内の血流場を推定し、前記部分条件は、前記部分データは前記臓器組織３次元構造データの一部の情報であるという条件と、前記臓器組織３次元構造データが示すピクセル値のうち前記臓器内の一部の空間の各位置におけるピクセル値を示すという条件と、分割された全ての前記部分データの合計が示す情報は前記臓器組織３次元構造データが示す情報に同一という条件と、を含む。
本発明の一態様は、臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データを説明変数とし、前記臓器組織３次元構造データが表す前記臓器における前記臓器内の血流場を示すデータを目的変数とする教師データを用いて、前記臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データと前記臓器内の血流場との関係を機械学習によって学習する学習部と、前記学習部の学習結果を出力するモデル出力部と、を備える学習装置である。
本発明の一態様は、臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データと前記臓器内の血流場との関係を予め機械学習によって得た学習済みモデルを用い、推定対象の前記臓器の前記臓器組織３次元構造データに基づき前記推定対象の前記臓器内の血流場を推定する推定ステップと、前記推定ステップによる推定結果を出力する出力ステップと、を有する血流場推定方法である。
本発明の一態様は、上記の血流場推定装置としてコンピュータを機能させるためのプログラムである。
本発明の一態様は、上記の学習装置としてコンピュータを機能させるためのプログラムである。
本発明により、臓器内の血流場を推定する際の負担を軽減することができる。
実施形態の血流場推定システム１００の概要を説明する説明図。 実施形態における血流場推定システム１００のハードウェア構成の一例を示す図。 実施形態における制御部１０の機能構成の一例を示す図。 実施形態における制御部２０の機能構成の一例を示す図。 実施形態における学習装置１が実行する処理の流れの一例を示すフローチャート。 実施形態における血流場推定装置２が実行する処理の流れの一例を示すフローチャート。 実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における測定結果の一例を示す第１の図。 実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における推定結果の一例を示す第１の図。 実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における測定結果の一例を示す第２の図。 実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における推定結果の一例を示す第２の図。 実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における測定結果の一例を示す第３の図。 実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における推定結果の一例を示す第３の図。
（実施形態）
図１は、実施形態の血流場推定システム１００の概要を説明する説明図である。血流場推定システム１００は、学習処理及び推定処理を実行する。学習処理は、脳組織３次元構造データと脳内の血流場との関係を機械学習によって学習し、学習済みモデル（以下「血流場推定モデル」という。）を生成する処理である。血流場は、血管内部における速度、ずり速度、渦度等の血流に関する流体力学的な物理量の分布である。脳組織３次元構造データは、各ピクセルが２以上のビット深度を有する複数の脳断面画像の画像データと各脳断面画像に写る像の脳内の位置を示す情報（以下「像位置情報」という。）とを含む情報である。脳断面画像は、所定の撮影方法による脳の断面の撮影結果の画像であって各ピクセルのビット深度が２以上である脳の断面の画像である。
所定の撮影方法は、複数の脳断面画像を取得可能であればどのような方法であってもよく、例えば、ＣＴ（computed tomography）であってもよいし、ＭＲＩ（Magnetic Resonance Imaging）であってもよい。脳の断面の画像のデータ形式は、脳の断面の画像を表すことが可能なデータ形式であればどのような形式であってもよく、例えば、ＤＩＣＯＭ（Digital Imaging and Communications in Medicine）の形式の画像であってもよい。
血流場推定システム１００は、より具体的には、以下の教師データ条件を満たすデータ（以下「学習段階入力データ」という。）を教師データとして用いた深層学習によって、血流場推定モデルを生成する。教師データ条件は、説明変数は脳組織３次元構造データである、という条件を含む。教師データ条件は、目的変数は、対応する説明変数の脳組織３次元構造データが表す脳における血流場を示す情報（以下「事前取得血流場情報」という。）であるという条件を含む。
事前取得血流場情報は、例えば、血流ＣＦＤ（Computational Fluid Dynamics）解析等のコンピュータシミュレーションや血流場を測定する所定の測定方法によって予め取得されたデータである。血流場を測定する所定の測定方法は、例えば、ＰＣ－ＭＲＩ（Phase Contrast－Magnetic Resonance Imaging）である。血流場を測定する所定の測定方法は、例えば、４Ｄ－ＭＲ（4 Dimensional－Magnetic Resonance）であってもよい。血流場を測定する所定の測定方法は、例えば、４Ｄ－ＤＳＡ（４ Dimensional－Digital Subtraction Angiography）であってもよいし、Ｏｐｔｉｃａｌ Ｆｌｏｗであってもよいし、超音波ドプラ法であってもよい。
血流場推定モデルは、脳組織３次元構造データと脳内の血流場との関係を機械学習の方法で得られる学習済みモデルであればどのようなモデルであってもよい。機械学習の方法は例えば深層学習であってもよい。深層学習は、例えば、ＣＮＮ（Convolutional Neural Network）の方法であってもよい。このような場合、血流場推定モデルは、ＣＮＮの方法で脳組織３次元構造データと脳内の血流場との関係を学習済みの学習済みモデルである。深層学習は、例えば、Ｕ－Ｎｅｔの方法であってもよい。このような場合、血流場推定モデルは、Ｕ－Ｎｅｔの方法で脳組織３次元構造データと脳内の血流場との関係を学習済みの学習済みモデルである。Ｕ－Ｎｅｔは分類する処理と画像作成を行う処理とを有し、分類結果から画像作成を行う処理をニューラルネットワークが自動で学習する。その結果、Ｕ－Ｎｅｔは、人間にとってわかりやすい状態で結果を出力することができる。このように、画像作成もニューラルネットワークが行う点で、分類だけを行うＣＮＮと比較してＵ－Ｎｅｔは優れている。
Ｕ－Ｎｅｔはエンコーダ・デコーダモデルの一種であり、入力データと同サイズの出力データを得ることができる。Ｕ－Ｎｅｔでは、エンコーダで使った情報がデコーダ層で使用される。このことは、スキップ結合でエンコード時の特徴マップをアップサンプリングされた情報に結合していることを意味する。そのため、Ｕ－Ｎｅｔでは、位置情報を保持したまま特徴量を抽出でき、高精細なセグメンテーションが可能になる。
なお、アップサンプリングされるとは、内部でのデータの次元を上げることを意味する。内部でのデータの次元を上げるとは、配列のサイズを大きく復元することを意味する。アップサンプリングが行われる理由は以下の通りである。Ｕ－Ｎｅｔでは層を重ねるにしたがって次元を下げる（すなわち、配列の大きさを小さくする）操作が入っているため、アップサンプリングして出力データサイズを元に戻すことが行われる。次元を下げる操作は、マックスプーリングという。このようにアップサンプリングは、Ｕ－Ｎｅｔにおいて層を重ねるにしたがって下がった次元を復元するために実行される。
血流場推定システム１００においてＵ－Ｎｅｔを用いる場合、学習済みモデルに入力されるデータが３次元データなので、Ｕ－Ｎｅｔにおいてまず縦横奥行きそれぞれ１／２ずつにする操作が繰り返される。次に、Ｕ－Ｎｅｔにおいて、元のサイズに戻すために縦横奥行きそれぞれ２倍ずつにする操作が繰り返される。なお、学習済みモデルに入力されるデータは脳組織３次元構造データである。
なお、Ｕ－Ｎｅｔが奏する効果のうち入力データと同サイズの出力データを得ることができるという効果については、エンコーダ・デコーダを実行するニューラルネットワークであれば同様の効果を奏することができる。
推定処理は、推定対象者９の脳の脳組織３次元構造データに基づき、生成済みの血流場推定モデルを用いて推定対象者９の脳内の血流場を推定する処理である。血流場推定システム１００は、推定処理の実行によって推定された脳内の血流場を表示する。
図２は、実施形態における血流場推定システム１００のハードウェア構成の一例を示す図である。血流場推定システム１００は、学習装置１及び血流場推定装置２を備える。
学習装置１は、学習処理を実行する。学習装置１はバスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９１とメモリ９２とを備える制御部１０を備え、プログラムを実行する。学習装置１は、プログラムの実行によって制御部１０、通信部１１、記憶部１２及びユーザインタフェース１３を備える装置として機能する。
より具体的には、学習装置１は、プロセッサ９１が記憶部１２に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９２に記憶させる。プロセッサ９１が、メモリ９２に記憶させたプログラムを実行することによって、学習装置１は、制御部１０、通信部１１、記憶部１２及びユーザインタフェース１３を備える装置として機能する。
制御部１０は、自装置（学習装置１）が備える各機能部の動作を制御する。制御部１０は例えば学習処理を実行することで血流場推定モデルを生成する。制御部１０は例えば生成した血流場推定モデルを記憶部１２に記録する。制御部１０は例えば通信部１１の動作を制御する。制御部１０は例えば通信部１１の動作を制御して、血流場推定装置２に血流場推定モデルを送信する。
通信部１１は、学習装置１を血流場推定装置２に接続するための通信インタフェースを含んで構成される。通信部１１は、例えば、通信先の血流場推定装置２に血流場推定モデルを送信する。
記憶部１２は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。記憶部１２は学習装置１に関する各種情報を記憶する。記憶部１２は例えば、学習装置１が備える各機能部の動作を制御するプログラムを予め記憶する。記憶部１２は例えば、血流場推定モデルを記憶する。
ユーザインタフェース１３は、学習装置１に対する入力を受け付ける入力部１３１と学習装置１に関する各種情報を表示する出力部１３２とを備える。ユーザインタフェース１３は、例えば、タッチパネルである。入力部１３１は、自装置に対する入力を受け付ける。入力部１３１は、例えばマウスやキーボード、タッチパネル等の入力端末である。入力部１３１は、例えば、これらの入力端末を自装置に接続するインタフェースとして構成されてもよい。出力部１３２は、例えば液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等の表示装置である。出力部１３２は、例えば、これらの表示装置を自装置に接続するインタフェースとして構成されてもよい。出力部１３２は、例えばスピーカー等の音声出力装置であってもよい。入力部１３１が受け付ける入力は、例えば、学習段階入力データである。
血流場推定装置２は、推定処理を実行する。血流場推定装置２はバスで接続されたＣＰＵ等のプロセッサ９３とメモリ９４とを備える制御部２０を備え、プログラムを実行する。血流場推定装置２は、プログラムの実行によって制御部２０、通信部２１、記憶部２２及びユーザインタフェース２３を備える装置として機能する。
より具体的には、血流場推定装置２は、プロセッサ９３が記憶部２２に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９４に記憶させる。プロセッサ９３が、メモリ９４に記憶させたプログラムを実行することによって、血流場推定装置２は、制御部２０、通信部２１、記憶部２２及びユーザインタフェース２３を備える装置として機能する。
制御部２０は、自装置（血流場推定装置２）が備える各機能部の動作を制御する。制御部２０は例えば推定処理を実行することで推定対象者９の脳内の血流場を推定する。制御部２０は例えば推定結果をユーザインタフェース２３に出力させる。制御部２０は例えば推定結果を記憶部２２に記録する。制御部２０は例えば通信部２１の動作を制御する。制御部２０は例えば通信部２１の動作を制御して、学習装置１が送信した血流場推定モデルを受信する。
通信部２１は、血流場推定装置２を学習装置１に接続するための通信インタフェースを含んで構成される。通信部２１は、例えば、通信先の学習装置１が送信した血流場推定モデルを受信する。
記憶部２２は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。記憶部２２は血流場推定装置２に関する各種情報を記憶する。記憶部２２は例えば、血流場推定装置２が備える各機能部の動作を制御するプログラムを予め記憶する。記憶部２２は例えば、血流場推定モデルを記憶する。記憶部２２は、例えば推定処理の推定結果を記憶する。
ユーザインタフェース２３は、血流場推定装置２に対する入力を受け付ける入力部２３１と血流場推定装置２に関する各種情報を表示する出力部２３２とを備える。ユーザインタフェース２３は、例えば、タッチパネルである。入力部２３１は、自装置に対する入力を受け付ける。入力部２３１は、例えばマウスやキーボード、タッチパネル等の入力端末である。入力部２３１は、例えば、これらの入力端末を自装置に接続するインタフェースとして構成されてもよい。出力部２３２は、例えば液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等の表示装置である。出力部２３２は、例えば、これらの表示装置を自装置に接続するインタフェースとして構成されてもよい。出力部２３２は、例えばスピーカー等の音声出力装置であってもよい。入力部２３１が受け付ける入力は、例えば、推定対象者９の脳の脳組織３次元構造データである。出力部２３２は、例えば、推定処理の推定結果を表示する。
図３は、実施形態における制御部１０の機能構成の一例を示す図である。制御部１０は、記録部１０１、通信制御部１０２、出力制御部１０３及び学習部１０４を備える。
記録部１０１は、記憶部１２に情報を記録する。通信制御部１０２は、通信部１１の動作を制御する。出力制御部１０３は、出力部１３２の動作を制御する。
学習部１０４は、学習処理を実行する。より具体的には、学習部１０４は、入力部１３１を介して入力された学習段階入力データに基づき深層学習を実行する。学習部１０４は、学習段階入力データに基づいた深層学習の実行により血流場推定モデルを生成する。
図４は、実施形態における制御部２０の機能構成の一例を示す図である。制御部２０は、記録部２０１、通信制御部２０２、出力制御部２０３、取得部２０４及び推定部２０５を備える。
記録部２０１は、記憶部２２に情報を記録する。通信制御部２０２は、通信部２１の動作を制御する。出力制御部２０３は、出力部２３２の動作を制御する。取得部２０４は入力部２３１を介して入力された推定対象者９の脳の脳組織３次元構造データを取得する。
推定部２０５は、推定処理を実行する。より具体的には、推定部２０５は、取得部２０４が取得した脳組織３次元構造データに基づき、血流場推定モデルを用いて、推定対象者９の脳内の血流場を推定する。
図５は、実施形態における学習装置１が実行する処理の流れの一例を示すフローチャートである。
ユーザインタフェース１３が学習段階入力データを取得する（ステップＳ１０１）。ユーザインタフェース１３が学習段階入力データを取得するとは具体的には、ユーザインタフェース１３に学習段階入力データが入力されることを意味する。ステップＳ１０１の次に、学習部１０４が、入力された学習段階入力データに基づき学習する（ステップＳ１０２）。学習部１０４は、学習により血流場推定モデルを生成する。学習部１０４は、具体的には、学習段階入力データにおける脳組織３次元構造データを説明変数とし、学習段階入力データにおける事前取得血流場情報を目的変数とする深層学習によって血流場推定モデルを生成する。ステップＳ１０２の次に、記録部１０１は、生成された血流場推定モデルを記憶部１２に記録する（ステップＳ１０３）。次に、通信制御部１０２は、通信部１１の動作を制御することで、生成された血流場推定モデルを血流場推定装置２に送信する。
図６は、実施形態における血流場推定装置２が実行する処理の流れの一例を示すフローチャートである。
ユーザインタフェース２３が推定対象者９の脳の脳組織３次元構造データを取得する（ステップＳ２０１）。ユーザインタフェース２３が推定対象者９の脳の脳組織３次元構造データを取得するとは具体的には、ユーザインタフェース２３に推定対象者９の脳の脳組織３次元構造データが入力されることを意味する。
ステップＳ２０１の次に、取得部２０４が入力された脳組織３次元構造データを取得する（ステップＳ２０２）。次に、通信制御部２０２が、通信部２１の動作を制御し、通信部２１を介して学習装置１から血流場推定モデルを取得する（ステップＳ２０３）。次に、推定部２０５が、推定対象者９の脳の脳組織３次元構造データに基づき、血流場推定モデルを用いて、推定対象者９の脳内の血流場を推定する（ステップＳ２０４）。次に、出力制御部２０３は、出力部２３２の動作を制御して推定対象者９の脳内の血流場の推定結果を出力部２３２に出力させる（ステップＳ２０５）。
（実験結果）
以下、図７～図１２を用いて、実験結果の一例を測定結果（すなわち事前取得血流場情報）と比較して説明する。図７～図１２が示す脳内の血流場は、血流の速度ベクトルのＸ軸方向に平行な成分と、Ｙ軸方向に平行な成分と、Ｚ軸方向に平行な成分の大きさである。図７～図１２は、ＤＩＣＯＭ画像である。図７～図１２のＤＩＣＯＭ画像は、輝度値の高い箇所に血流があることを示す画像である。血流がある箇所は血管がある箇所である。
図７、図９及び図１１は実験における測定結果を示す。図７、図９及び図１１の実験結果はそれぞれ、測定した血流の速度ベクトルのＸ軸方向に平行な成分と、Ｙ軸方向に平行な成分と、Ｚ軸方向に平行な成分の大きさを示す。血流の速度の測定方法は、血流ＣＦＤ解析であった。図８、図１０及び図１２は、実験における血流場推定システム１００の推定結果を示す。図８、図１０及び図１２の実験結果はそれぞれ、推定結果の血流の速度ベクトルのＸ軸方向に平行な成分と、Ｙ軸方向に平行な成分と、Ｚ軸方向に平行な成分の大きさを示す。
図７は、実施形態の血流場推定システム１００を用いて推定対象者９の血流場を推定する実験における測定結果の一例を示す第１の図である。
図７は、推定対象者９の脳内の１つの断面におけるＸ軸方向の血流の流速の分布を示す事前取得血流場情報の一例である。図７の縦軸及び横軸の単位はピクセルである。図７の囲いＡ１は、他の位置に比べて流速が早い位置があることを示す。また図７の横軸及び縦軸の１ピクセルの長さは０．２２７ミリメートルである。
図８は、実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における推定結果の一例を示す第１の図である。
図８は、推定対象者９の脳内の１つの断面におけるＸ軸方向の流速の分布を示す推定結果の一例である。図８の縦軸及び横軸の単位はピクセルである。図８の囲いＡ２は、他の位置に比べて流速が早い位置があることを示す。図８は、血流の流速の分布が図７の結果に近いことを示す。また図８の横軸及び縦軸の１ピクセルの長さは０．２２７ミリメートルである。
図９は、実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における測定結果の一例を示す第２の図である。
図９は、推定対象者９の脳内の１つの断面におけるＹ軸方向の流速の分布を示す事前取得血流場情報の一例である。図９の縦軸及び横軸の単位はピクセルである。図９の囲いＡ３は、他の位置に比べて流速が早い位置があることを示す。また図９の横軸及び縦軸の１ピクセルの長さは０．２２７ミリメートルである。
図１０は、実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における推定結果の一例を示す第２の図である。
図１０は、推定対象者９の脳内の１つの断面におけるＹ軸方向の流速の分布を示す推定結果の一例である。図１０の縦軸及び横軸の単位はピクセルである。図１０の囲いＡ４は、他の位置に比べて流速が早い位置があることを示す。図１０は、血流の流速の分布が図９の結果に近いことを示す。また図１０の横軸及び縦軸の１ピクセルの長さは０．２２７ミリメートルである。
図１１は、実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における測定結果の一例を示す第３の図である。
図１１は、推定対象者９の脳内の１つの断面におけるＺ軸方向の流速の分布を示す事前取得血流場情報の一例である。図１１の縦軸及び横軸の単位はピクセルである。図１１の囲いＡ５は、他の位置に比べて流速が早い位置があることを示す。また図１１の横軸及び縦軸の１ピクセルの長さは０．２２７ミリメートルである。
図１２は、実施形態の血流場推定システム１００を用いて推定対象者９の脳内の血流場を推定する実験における推定結果の一例を示す第３の図である。
図１２は、推定対象者９の脳内の１つの断面におけるＺ軸方向の流速の分布を示す推定結果の一例である。図１２の縦軸及び横軸の単位はピクセルである。図１２の囲いＡ６は、他の位置に比べて流速が早い位置があることを示す。図１２は、血流の流速の分布が図１１の結果に近いことを示す。また図１２の横軸及び縦軸の１ピクセルの長さは０．２２７ミリメートルである。
図７～図１２の結果が示すように、血流場推定システム１００が測定結果に近しい結果を推定する。
このように構成された血流場推定システム１００は、推定対象者９の脳の脳組織３次元構造データであって無加工の脳組織３次元構造データに基づき、予め生成された学習済みモデルを用いて推定対象者９の脳内の血流場を推定する。このため、推定対象者９の脳内の血流場を推定する推定者は、血流場推定システム１００に入力するデータ（すなわち脳組織３次元構造データ）を予め加工する必要が無い。そのため、血流場推定システム１００は、脳内の血流場を解析する際の推定者の負担を軽減することができる。
また、このように構成された血流場推定システム１００では、脳断面画像の１ピクセルのビット深度が２以上である。１ピクセルのビット深度が２以上であることは脳断面画像のビット深度が１である場合よりも情報量が多いことを意味する。そのため、血流場推定システム１００は、１ピクセルのビット深度が１である脳断面画像を用いる場合に比べて高い精度で血流場を推定することができる。
＜血流場の推定に際して血流場推定システム１００では事前の加工が必要ない理由＞
血流場の推定に際して血流場推定システム１００では事前の加工が必要ない理由を説明する。
非圧縮・等温のＣＦＤ解析を支配する方程式はナビエ－ストークス方程式と連続の式である。生体環境下において血液は非圧縮・等温と仮定できるので、血流場は流体領域の形状、境界条件及び流体物性が決まれば、流れの法則に基づき一意に決定される。異なる数値解析ソフトによる血流ＣＦＤの結果の差異は大きくないことが知られている。
血流ＣＦＤでは３次元的な流体領域を設定する必要がある。特に医療用画像から患者固有形状の流体領域の形状を設定する場合、２次元の断面画像に表される輝度値に対して閾値を設定し、設定した閾値に基づいて組織間を区切る。そして、区切った後の各２次元の領域を各２次元の領域に直交する方向に所定の間隔で積層する。その結果、３次元状の流体領域の形状が得られる。したがって脳断面画像が示す輝度値情報は、３次元的な流体領域形状の情報を含む。
また、血流ＣＦＤにおいては、流体の物性は測定値でなく、患者に依らず略同一として与えられることが多い。
このように、脳断面画像は血流ＣＦＤで必要とされる形状・境界条件の情報を含んでいる。そのため流体物性が患者に依らず略同一とされる血流ＣＦＤでは脳断面画像が流れ場の写像となる。
血流場推定システム１００は、機械学習で学習された学習済みモデルを用いて脳内の血流場を推定する。機械学習によって生成される学習済みモデルは、非線形モデルであって、流れの方程式を適用しない流体領域外の領域も計算に組み込んだ数値モデルである。学習済みモデルでは、流体領域のボクセルと流れの方程式に基づく血流場、流体領域外のボクセルと流れ無しの時の血流場を対応させ学習しているため、入力された３次元配列内の全ての要素に対して脳内の血流場を推定することが可能である。そのため、血流場推定システム１００を用いて脳内の血流場を推定する推定者は、脳組織３次元構造データに対して流体領域の指定や境界条件の指定無しに、脳内の血流場の推定結果を取得することができる。
（変形例）
なお、血流場推定モデルは、ステップＳ２０４の処理の実行時に推定部２０５が使用可能であれば必ずしもステップＳ２０３のタイミングで血流場推定装置２に取得される必要は無い。例えば、血流場推定モデルは、ユーザインタフェース２３に推定対象者９の脳の脳組織３次元構造データが入力される前に予め記憶部２２に記録されていてもよい。例えば、血流場推定モデルは、ステップＳ２０４の処理の実行中の血流場推定モデルを用いるタイミングに、通信部２１を介して学習装置１が備える記憶部１２から読み出すことで取得されてもよい。
なお、学習装置１が血流場推定モデルを血流場推定装置２に送信するタイミングは、血流場推定モデルの生成後であり、血流場推定装置２が血流場推定モデルを用いるタイミングより前のタイミングであればどのようなタイミングであってもよい。
なお、推定部２０５は、脳組織３次元構造データが含む像位置情報を用いて脳組織３次元構造データを複数の部分データに分割した後、部分データごとに血流場推定モデルを用いて脳内の血流場を推定してもよい。部分データは、以下の部分条件を満たすデータである。部分条件は、脳組織３次元構造データの一部の情報であるという条件を含む。部分条件は、脳組織３次元構造データが示すピクセル値のうち脳内の一部の空間の各位置におけるピクセル値を示す、という条件を含む。部分条件は、分割された全ての部分データの合計が示す情報は脳組織３次元構造データが示す情報に同一、という条件を含む。
脳組織３次元構造データを複数の部分データに分割した後に部分データごとに脳内の血流場を推定する場合、他の部分データの情報に関わりなく部分データごとに独立して血流が推定される。そのため、脳組織３次元構造データを複数の部分データに分割した後に部分データごとに脳内の血流場を推定する血流場推定装置２は、複数の部分データについて脳内の血流場を推定する処理を並列に実行することができ、推定に要する演算時間を短縮することができる。
なお、脳組織３次元構造データは、各ピクセルのビット深度が２以上の画像であって脳内を撮影した撮影結果の画像のピクセル値を脳内の位置ごとに示す情報であればどのような情報であってもよい。例えば、脳組織３次元構造データは２次元画像に基づいて予め再構成された３次元画像であってもよい。
なお、血流場推定システム１００が推定する血流場は必ずしも脳における血流場に限らない。血流場推定システム１００が推定する血流場は、臓器における血流場であればどの臓器における血流場でもよい。特に、臓器内の血管の流体物性が推定対象に依らず略同一であるほど血流場推定システム１００の推定の精度は上がるので、血流場推定システム１００が血流場を推定する臓器は推定対象に依らず流体物性が略同一である臓器が望ましい。脳は、流体物性が推定対象に依らず略同一である臓器の一例である。血流場推定システム１００が推定する血流場は、腹部大動脈における血流場であってもよいし、冠動脈における血流場であってもよし、四肢における血流場であってもよい。
なお、血流場推定システム１００が血流場を推定する推定対象は人に限らない。血流場推定システム１００が血流場を推定する推定対象は人以外の動物であってもよい。
なお、血流場推定モデルを生成するための機械学習の方法はＵ－Ｎｅｔのようなスキップ結合を有しないFully Convolutional Network(ＦＣＮ)であってもよい。また、血流場推定モデルを生成するための機械学習の方法は、例えばＰＳＰＮｅｔ（Ｐｙｒａｍｉｄ Ｓｃｅｎｅ Ｐａｒｓｉｎｇ Ｎｅｔｗｏｒｋ）であってもよいし、ＳｅｇＮｅｔ（ＳｅｇＮｅｔ）であってもよい。しかしながらＵ－Ｎｅｔを用いた場合には、上述したように特徴量と位置情報を保持できるので、血管と血管外の境目が明瞭になり、流体領域内にのみ流速を出すことが可能である。
なお、通信部１１は、血流場推定モデルを記憶するＵＳＢ（Universal Serial Bus）メモリ等の外部記憶装置に接続するためのインタフェースを含んで構成されてもよい。このような場合、通信部１１は血流場推定モデルを接続先の外部記憶装置に出力してもよい。なお、通信部１１はモデル出力部の一例である。なお記録部１０１は、血流場推定モデルを記憶部１２に出力し記憶させるので、モデル出力部の一例である。
なお、血流場推定モデルは学習結果の一例である。脳断面画像は臓器断面画像の一例である。脳組織３次元構造データは臓器組織３次元構造データの一例である。
学習装置１及び血流場推定装置２は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、学習装置１及び血流場推定装置２が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。
学習装置１と血流場推定装置２とは、必ずしも異なる装置として実装される必要は無い。例えば、学習装置１と血流場推定装置２とは両者の機能を併せ持つ１つの装置として実装されてもよい。
なお、学習装置１及び血流場推定装置２の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
１…学習装置、 ２…血流場推定装置、 ９…推定対象者、 １００…血流場推定システム、 １０…制御部、 １１…通信部、 １２…記憶部、 １３…ユーザインタフェース、 １３１…入力部、 １３２…出力部、 ２０…制御部、 ２１…通信部、 ２２…記憶部、 ２３…ユーザインタフェース、 ２３１…入力部、 ２３２…出力部、 １０１…記録部、 １０２…通信制御部、 １０３…出力制御部、 １０４…学習部、 ２０１…記録部、 ２０２…通信制御部、 ２０３…出力制御部、 ２０４…取得部、 ２０５…推定部

Claims (10)

  1. 臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データと前記臓器内の血流場との関係を予め機械学習によって得た学習済みモデルを用い、推定対象の前記臓器の前記臓器組織３次元構造データに基づき前記推定対象の前記臓器内の血流場を推定する推定部と、
    前記推定部の推定結果を出力する出力部と、
    を備え、
    前記学習済みモデルは、臓器組織３次元構造データを説明変数とし前記臓器組織３次元構造データが表す前記臓器における前記臓器内の血流場を示すデータを目的変数とする機械学習により得られたモデルである、
    血流場推定装置。
  2. 前記臓器は、血管の流体物性が推定対象に依らず略同一である、
    請求項１に記載の血流場推定装置。
  3. 前記臓器は脳である、
    請求項２に記載の血流場推定装置。
  4. 前記機械学習の方法は、深層学習である、
    請求項１から３のいずれか一項に記載の血流場推定装置。
  5. 前記深層学習の方法は、Ｕ－Ｎｅｔの方法である、
    請求項４に記載の血流場推定装置。
  6. 前記推定部は、前記臓器組織３次元構造データを、部分条件を満たすデータである複数の部分データに分割した後、前記部分データごとに前記学習済みモデルを用いて前記推定対象の前記臓器内の血流場を推定し、
    前記部分条件は、前記部分データは前記臓器組織３次元構造データの一部の情報であるという条件と、前記臓器組織３次元構造データが示すピクセル値のうち前記臓器内の一部の空間の各位置におけるピクセル値を示すという条件と、分割された全ての前記部分データの合計が示す情報は前記臓器組織３次元構造データが示す情報に同一という条件と、を含む、
    請求項１から５のいずれか一項に記載の血流場推定装置。
  7. 臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データと前記臓器組織３次元構造データが表す前記臓器における前記臓器内の血流場を示すデータとを含む教師データを用いた機械学習であり、臓器組織３次元構造データを説明変数とし前記臓器組織３次元構造データが表す前記臓器における前記臓器内の血流場を示すデータを目的変数とする機械学習であり、前記臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データと前記臓器内の血流場との関係を得る機械学習を実行する学習部と、
    前記学習部の学習結果を出力するモデル出力部と、
    を備える学習装置。
  8. 臓器の断面の画像であって各ピクセルのビット深度が２以上の画像である複数の臓器断面画像の画像データと各前記臓器断面画像に写る像の前記臓器内の位置を示す情報である像位置情報とを含む臓器組織３次元構造データと前記臓器内の血流場との関係を予め機械学習によって得た学習済みモデルを用い、推定対象の前記臓器の前記臓器組織３次元構造データに基づき前記推定対象の前記臓器内の血流場を推定する推定ステップと、
    前記推定ステップによる推定結果を出力する出力ステップと、
    を有し、
    前記学習済みモデルは、臓器組織３次元構造データを説明変数とし前記臓器組織３次元構造データが表す前記臓器における前記臓器内の血流場を示すデータを目的変数とする機械学習により得られたモデルである、
    血流場推定方法。
  9. 請求項１から６のいずれか一項に記載の血流場推定装置としてコンピュータを機能させるためのプログラム。
  10. 請求項７に記載の学習装置としてコンピュータを機能させるためのプログラム。
JP2020033293A 2020-02-28 2020-02-28 血流場推定装置、学習装置、血流場推定方法及びプログラム Active JP7462925B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2020033293A JP7462925B2 (ja) 2020-02-28 2020-02-28 血流場推定装置、学習装置、血流場推定方法及びプログラム
US17/798,870 US20230046302A1 (en) 2020-02-28 2021-02-22 Blood flow field estimation apparatus, learning apparatus, blood flow field estimation method, and program
DE112021001346.7T DE112021001346T5 (de) 2020-02-28 2021-02-22 Blutströmungsfeld-schätzvorrichtung, lernvorrichtung, blutströmungsfeld-schätzverfahren und programm
PCT/JP2021/006654 WO2021172280A1 (ja) 2020-02-28 2021-02-22 血流場推定装置、学習装置、血流場推定方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020033293A JP7462925B2 (ja) 2020-02-28 2020-02-28 血流場推定装置、学習装置、血流場推定方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2021135890A JP2021135890A (ja) 2021-09-13
JP7462925B2 true JP7462925B2 (ja) 2024-04-08

Family

ID=77491929

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020033293A Active JP7462925B2 (ja) 2020-02-28 2020-02-28 血流場推定装置、学習装置、血流場推定方法及びプログラム

Country Status (4)

Country Link
US (1) US20230046302A1 (ja)
JP (1) JP7462925B2 (ja)
DE (1) DE112021001346T5 (ja)
WO (1) WO2021172280A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017535340A (ja) 2014-11-14 2017-11-30 シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム
JP2019532702A (ja) 2016-09-20 2019-11-14 ハートフロー， インコーポレイテッド 次数低減モデル及び／または機械学習を使用して血流特性を推定するためのシステム及び方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10398386B2 (en) * 2012-09-12 2019-09-03 Heartflow, Inc. Systems and methods for estimating blood flow characteristics from vessel geometry and physiology

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017535340A (ja) 2014-11-14 2017-11-30 シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム
JP2019532702A (ja) 2016-09-20 2019-11-14 ハートフロー， インコーポレイテッド 次数低減モデル及び／または機械学習を使用して血流特性を推定するためのシステム及び方法

Also Published As

Publication number Publication date
WO2021172280A1 (ja) 2021-09-02
JP2021135890A (ja) 2021-09-13
US20230046302A1 (en) 2023-02-16
DE112021001346T5 (de) 2022-12-29

Similar Documents

Publication Publication Date Title
Wang et al. DeepIGeoS: a deep interactive geodesic framework for medical image segmentation
Sermesant et al. Applications of artificial intelligence in cardiovascular imaging
Chartsias et al. Adversarial image synthesis for unpaired multi-modal cardiac data
JP2022025095A (ja) 機械学習を用いた医用イメージングの変換のためのシステムおよび方法
JP7203978B2 (ja) 学習装置、方法およびプログラム、関心領域抽出装置、方法およびプログラム、並びに学習済み抽出モデル
US20230310085A1 (en) Systems and methods for estimation of blood flow using response surface and reduced order modeling
Dangi et al. Left ventricle segmentation and quantification from cardiac cine MR images via multi-task learning
Oda et al. Abdominal artery segmentation method from CT volumes using fully convolutional neural network
Milletari et al. Cloud deployment of high-resolution medical image analysis with TOMAAT
JP2021140769A (ja) 医用情報処理装置、医用情報処理方法及び医用情報処理プログラム
Stojanovski et al. Echo from noise: synthetic ultrasound image generation using diffusion models for real image segmentation
US20220108540A1 (en) Devices, systems and methods for generating and providing image information
US20240005498A1 (en) Method of generating trained model, machine learning system, program, and medical image processing apparatus
Stojanovski et al. Efficient Pix2Vox++ for 3D Cardiac Reconstruction from 2D echo views
CN107004269A (zh) 对解剖结构的基于模型的分割
JP7462925B2 (ja) 血流場推定装置、学習装置、血流場推定方法及びプログラム
WO2022163402A1 (ja) 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置
KR102556646B1 (ko) 의료 영상 생성 방법 및 장치
Dou et al. A generative shape compositional framework: towards representative populations of virtual heart chimaeras
JP2022059493A (ja) モデル生成方法、モデル生成装置、画像処理方法及び画像処理装置
JP7170897B2 (ja) 学習装置、方法およびプログラム、画像生成装置、方法およびプログラム、並びに画像生成モデル
Wang et al. Enhanced three‐dimensional U‐Net with graph‐based refining for segmentation of gastrointestinal stromal tumours
WO2023032438A1 (ja) 回帰推定装置および方法、プログラム並びに学習済みモデルの生成方法
US20230245376A1 (en) System and method for four-dimensional angiography
Azampour et al. Self-supervised Probe Pose Regression via Optimized Ultrasound Representations for US-CT Fusion

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221121

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231031

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231208

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: 20240220

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240319

R150 Certificate of patent or registration of utility model

Ref document number: 7462925

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150