JP7486113B2 - 体内留置物検出装置及び体内留置物検出方法 - Google Patents

体内留置物検出装置及び体内留置物検出方法 Download PDF

Info

Publication number
JP7486113B2
JP7486113B2 JP2020036137A JP2020036137A JP7486113B2 JP 7486113 B2 JP7486113 B2 JP 7486113B2 JP 2020036137 A JP2020036137 A JP 2020036137A JP 2020036137 A JP2020036137 A JP 2020036137A JP 7486113 B2 JP7486113 B2 JP 7486113B2
Authority
JP
Japan
Prior art keywords
indwelling
image
ray image
indwelling object
determination
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
JP2020036137A
Other languages
English (en)
Other versions
JP2021137191A (ja
Inventor
正孝 金田
惇志 増田
秀一 松本
周平 渋川
浩気 畠山
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.)
Tokai University Educational Systems
Original Assignee
Tokai University Educational Systems
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 Tokai University Educational Systems filed Critical Tokai University Educational Systems
Priority to JP2020036137A priority Critical patent/JP7486113B2/ja
Publication of JP2021137191A publication Critical patent/JP2021137191A/ja
Application granted granted Critical
Publication of JP7486113B2 publication Critical patent/JP7486113B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Description

本発明は、Ｘ線画像を用いた体内留置物の有無判定を迅速かつ精度高く行うことができる体内留置物検出装置及び体内留置物検出方法に関する。
従来、医療機関においてＭＲＩ（Magnetic Resonance Imaging）の画像を取得してＭＲＩ検査を行う場合、安全を考慮して磁場との干渉を発生させる金属などの体内留置物が患者体内に含まれているか否かを予め把握する必要がある。このため、医療機関においては、問診で確認するほか、予め撮影された該当患者のＸ線画像をもとに体内留置物が有るか否かを判定している。
なお、特許文献１には、体内留置インプラントなど医療機器のＭＲＩ適合性をクライアントのＷｅｂページから検索することが可能な医療機器データベースが記載されている。
特開２０１８－６３６４９号公報
しかしながら、大量のＭＲＩ検査を行う場合、事前に大量のＸ線画像を用いた体内留置物の有無判定を行う必要があり、目視による体内留置物の有無判定作業には多大な医時間と労力とがかかるという課題がある。
しかも、Ｘ線画像をもとに目視でモノクロの体内留置物の有無判定を行う場合、体内留置物を見逃してしまう場合がある。
本発明は、上記従来技術の課題を解決するためになされたものであって、Ｘ線画像を用いた体内留置物の有無判定を迅速かつ精度高く行うことができる体内留置物検出装置及び体内留置物検出方法を提供することを目的とする。
上記の課題を解決するため、本発明は、ＭＲＩ検査対象領域のＸ線画像をもとに前記ＭＲＩ検査対象領域に磁気干渉が生じる体内留置物が存在するか否かの判定を行う体内留置物検出装置であって、前記Ｘ線画像を取得するＸ線画像取得部と、前記Ｘ線画像取得部が取得したＸ線画像に対してハイパスフィルタを施した高周波エッジ画像と、前記Ｘ線画像に対して微分フィルタを施したエッジ抽出画像とを前記Ｘ線画像に合成した合成画像を生成する前処理を行う前処理部と、前記合成画像を入力して前記体内留置物の存在判定を出力する体内留置物判定部と、前記体内留置物判定部による前記体内留置物の存在判定結果を表示部に表示する処理を行う表示処理部とを備える。
また、本発明は、上記の発明において、前記体内留置物判定部は、前記体内留置物の存在判定結果が既知の合成画像を教師データとして教師有り学習を行った体内留置物判定用学習済モデルを用いて、判定対象の前記合成画像を入力して前記体内留置物の存在判定を出力する。
また、本発明は、上記の発明において、前記体内留置物判定部は、複数の体内留置物グループ毎に前記体内留置物の存在判定を出力する。
また、本発明は、上記の発明において、前記複数の体内留置物グループは、ＭＲＩ検査による撮像可能、条件付き撮像可能、及び、撮像不可能の３つに分類したグループであり、前記体内留置物判定部は、前記複数の体内留置物グループ毎の存在確率をもとに、撮像可能、条件付き撮像可能、及び、撮像不可の体内留置物の存在判定を行う。
また、本発明は、上記の発明において、前記体内留置物判定部は、前記体内留置物判定用学習済モデルの畳み込み層から体内留置物の２次元位置情報を取得する位置情報取得部を備え、前記表示処理部は、前記体内留置物の存在判定結果を表示するとともに、前記２次元位置情報をもとに前記Ｘ線画像上に前記体内留置物の２次元位置を表示する。
また、本発明は、ＭＲＩ検査対象領域のＸ線画像をもとに前記ＭＲＩ検査対象領域に磁気干渉が生じる体内留置物が存在するか否かの判定を行う体内留置物検出方法であって、前記Ｘ線画像を取得するＸ線画像取得ステップと、前記Ｘ線画像取得ステップで取得したＸ線画像に対してハイパスフィルタを施した高周波エッジ画像と、前記Ｘ線画像に対して微分フィルタを施したエッジ抽出画像とを前記Ｘ線画像に合成した合成画像を生成する前処理を行う前処理ステップと、前記合成画像を入力して前記体内留置物の存在判定を出力する体内留置物判定ステップと、前記体内留置物判定ステップによる前記体内留置物の存在判定結果を表示部に表示する処理を行う表示処理ステップとを含む。
また、本発明は、上記の発明において、前記体内留置物判定ステップは、前記体内留置物の存在判定結果が既知の合成画像を教師データとして教師有り学習を行った体内留置物判定用学習済モデルを用いて、判定対象の前記合成画像を入力して前記体内留置物の存在判定を出力する。
また、本発明は、上記の発明において、前記体内留置物判定ステップは、複数の体内留置物グループ毎に前記体内留置物の存在判定を出力する。
また、本発明は、上記の発明において、前記複数の体内留置物グループは、ＭＲＩ検査による撮像可能、条件付き撮像可能、及び、撮像不可能の３つに分類したグループであり、前記体内留置物判定ステップは、前記複数の体内留置物グループ毎の存在確率をもとに、撮像可能、条件付き撮像可能、及び、撮像不可の体内留置物の存在判定を行う。
また、本発明は、上記の発明において、前記体内留置物判定ステップは、前記体内留置物判定用学習済モデルの畳み込み層から体内留置物の２次元位置情報を取得する位置情報取得ステップを含み、前記表示処理ステップは、前記体内留置物の存在判定結果を表示するとともに、前記２次元位置情報をもとに前記Ｘ線画像上に前記体内留置物の２次元位置を表示する。
本発明によれば、Ｘ線画像を用いた体内留置物の有無判定を迅速かつ精度高く行うことができる。
図１は、本実施例１に係る体内留置物検出装置の概要を説明する説明図である。 図２は、体内留置物検出装置の構成を示す機能ブロック図である。 図３は、図２に示した体内留置物判定用学習済モデルの層構造の一例を示す図である。 図４は、体内留置物検出装置による体内留置物の存在判定処理手順を示すフローチャートである。 図５は、カプセル内視鏡が体内留置物として存在する場合の正面胸部のＸ線画像の一例を示す図である。 図６は、図５に示したＸ線画像に対する高周波エッジ画像の一例を示す図である。 図７は、図５に示したＸ線画像に対するエッジ抽出画像の一例を示す図である。 図８は、体内留置物が存在しない場合の正面胸部のＸ線画像の一例を示す図である。 図９は、図８に示したＸ線画像に対する高周波エッジ画像の一例を示す図である。 図１０は、図８に示したＸ線画像に対するエッジ抽出画像の一例を示す図である。 図１１は、実施例２による体内留置物の存在判定の概要を説明する説明図である。 図１２は、実施例２の体内留置物検出装置による体内留置物の存在判定処理手順を示すフローチャートである。 図１３は、条件付き撮影可能な体内留置物であるペースメーカーが存在する場合の正面胸部のＸ線画像の一例を示す図である。 図１４は、図１３に示したＸ線画像に対する高周波エッジ画像の一例を示す図である。 図１５は、図１３に示したＸ線画像に対するエッジ抽出画像の一例を示す図である。 図１６は、体内留置物判定用学習済モデルから体内留置物の２次元位置情報を取得する構成を示す図である。 図１７は、Ｘ線画像に体内留置物の２次元位置情報を示す矩形枠を重畳表示した一例を示す図である。
以下に、添付図面を参照して、本発明に係る体内留置物検出装置及び体内留置物検出方法の好適な実施例を詳細に説明する。
［実施例１］
＜概要＞
まず、本実施例１に係る体内留置物検出装置の概要について説明する。図１は、本実施例１に係る体内留置物検出装置の概要を説明する説明図である。本実施例１に係る体内留置物検出装置は、ＭＲＩ検査対象領域のＸ線画像をもとにＭＲＩ検査対象領域に磁気干渉が生じる金属などの体内留置物が存在するか否かの判定を行うものである。図１に示すように、体内留置物検出装置は、Ｘ線画像Ｄ１を取得する。Ｘ線画像Ｄ１は、ＭＲＩ検査を行う患者の過去のＸ線画像であるが、ＭＲＩ検査を行う直前に撮像したＸ線画像であってもよい。
このＸ線画像Ｄ１は、前処理として、Ｘ線画像Ｄ１に対してハイパスフィルタを施した高周波エッジ画像Ｄ２を生成するとともに、微分フィルタを施したエッジ抽出画像Ｄ３を生成する。ハイパスフィルタは、Ｘ線画像Ｄ１から、ローパスフィルタとしてのガウシアンフィルタをＸ線画像Ｄ１に施した画像を減算することによって高周波成分を残す疑似的なフィルタとしている。なお、高周波エッジ画像Ｄ２は、ハイパスフィルタを施した画像にメディアンフィルタを施し、ゴマ塩的ノイズを除去するようにしている。微分フィルタは、例えば、ソーベルフィルタである。
その後、体内留置物検出装置は、Ｘ線画像Ｄ１、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を合成した１つの合成画像Ｄ１０を生成する。合成画像Ｄ１０は、例えば、ベイヤー配列における色要素ＲにＸ線画像Ｄ１を埋め込み、色要素Ｇに高周波エッジ画像Ｄ２を埋め込み、色要素Ｂにエッジ抽出画像Ｄ３を埋め込むことにより、生成する。
その後、体内留置物検出装置は、合成画像Ｄ１０を体内留置物判定用学習済モデルＭに入力し、出力される体内留置物の存在確率をもとに体内留置物の存在判定を行う。そして、体内留置物の存在判定結果（体内留置物の有無）を表示出力する。
なお、体内留置物判定用学習済モデルＭは、Ｘ線画像である入力データと正解データ（体内留置物の有無）とのセットからなる教師データを用いた教師有り学習を行った多層ニューラルネットワーク（ＣＮＮ）である。
＜体内留置物検出装置の構成＞
図２は、体内留置物検出装置１０の構成を示す機能ブロック図である。図２に示すように、体内留置物検出装置１０は、入力部１１、表示部１２、通信インターフェース部１３、記憶部１４及び制御部１５を有する。
入力部１１は、キーボードやマウス等の入力デバイスであり、表示部１２は、液晶パネ
ルやディスプレイ装置等の表示デバイスである。通信インターフェース部１３は、ネット
ワークを介した各種装置との通信を行うための通信デバイスである。
記憶部１４は、ハードディスク装置又はＳＳＤ等の二次記憶媒体であり、体内留置物判定用学習済モデルＭ１等を記憶する。なお、体内留置物判定用学習済モデルＭ１は、ソフトウエアにより形成されている。このため、体内留置物検出装置１０が、体内留置物判定用学習済モデルＭ１を利用する場合には、体内留置物判定用学習済モデルＭ１を記憶部１４から読み出して主記憶装置であるＲＡＭ（Random Access Memory）上に展開して動作実行させることになる。なお、体内留置物判定用学習済モデルＭ１の詳細な説明については後述する。
制御部１５は、体内留置物検出装置１０を全体制御する制御装置であり、学習済モデル生成部１６、Ｘ線画像取得部１７、前処理部１８、体内留置物判定部１９及び表示処理部２０を有する。実際には、制御部１５が、これらの機能部に対応するプログラムを不揮発性メモリ等などの記憶装置に記憶しておき、これらのプログラムをメモリにロードして、ＣＰＵで実行することで、対応するプロセスを実行させることになる。
学習済モデル生成部１６は、体内留置物判定用学習済モデルＭ１を生成する処理部である。学習済モデル生成部１６は、多層ニューラルネットワーク（ＣＮＮ）に教師有り学習をさせるためには、上記のように、入力データ（Ｘ線画像）と正解データ（体内留置物の有無）とのセットからなる教師データを用いた教師有り学習を行う。例えば、体内留置物が有るＸ線画像を入力データとして、体内留置物が有るという正解データが得られたならば、バックプロパゲーションによってニューロン間のパスの重み等のパラメータを変動させ、もって多層ニューラルネットワーク（ＣＮＮ）に学習させることが可能となる。
なお、通常、教師有り学習を行う場合には大量の教師データを用いて学習を行わねばならず、一つの学習についても多大な時間がかかることになる。そこで、学習済モデル生成部１６による体内留置物判定用学習済モデルＭ１の生成処理を、大型計算機又はクラウド上で行うようにしてもよい。
Ｘ線画像取得部１７は、体内留置物の存在判定を行う患者のＸ線画像Ｄ１を取得する処理を行う。前処理部１８は、Ｘ線画像Ｄ１を用いて、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を生成し、Ｘ線画像Ｄ１、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を合成した合成画像Ｄ１０を生成する。合成画像Ｄ１０には、オリジナルのＸ線画像Ｄ１のみならず、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を含むため、１つのＸ線画像Ｄ１から多くの入力情報が得られ、精度の高い体内留置物の存在判定を行うことができる。なお、高周波エッジ画像Ｄ２を生成するハイパスフィルタやエッジ抽出画像Ｄ３を生成する微分フィルタは、所定のフィルタ処理の一例であり、他のフィルタ処理を施してもよいし、さらに３以上の異なるフィルタ処理を施した画像を生成して合成画像Ｄ１０を生成するようにしてもよい。なお、この場合、教師有り学習は、上記のフィルタ処理を施した画像も入力データとして用いる。
体内留置物判定部１９は、合成画像Ｄ１０を体内留置物判定用学習済モデルＭ１に入力して体内留置物の存在判定を得る判定処理を行う。具体的に、体内留置物判定部１９は、体内留置物判定用学習済モデルＭ１から出力される体内留置物の存在確率Ｐ１が０．８以上の場合に体内留置物が有ると判定し、０．８未満の場合に体内留置物が無いと判定する。
表示処理部２０は、体内留置物判定部１９が判定した体内留置物の存在判定結果を表示部１２に表示出力する。
＜学習済モデルの層構造＞
次に、図２に示した体内留置物判定用学習済モデルＭ１の層構造の一例について説明する。図３は、図２に示した体内留置物判定用学習済モデルＭ１の層構造の一例を示す図である。図３に示す体内留置物判定用学習済モデルＭ１は、コンボリューション層（Convolution）３１、コンボリューション層（Convolution）３２、アベレージプーリング層（Average Pooling）３３、コンボリューション層（Convolution）３４、アベレージプーリング層（Average Pooling）３５、全結合層（Fully Connect）３６、全結合層（Fully Connect）３７及び出力層（Softmax）３８を有する。かかるコンボリューション層（Convolution）３１に対して合成画像Ｄ１０が入力されたならば、出力層（Softmax）３８から体内留置物の存在確率Ｐ１が出力される。
ここで、コンボリューション層３１，３２，３４は、局所的な特徴を抽出するために、前層で近くにあるノードにフィルタを畳み込んで特徴マップを生成する。アベレージプーリング層３３，３５は、局所的な特徴をまとめあげるために、前層であるコンボリューション層から出力された特徴マップをさらに縮小して新たな特徴マップとする。このように、多層ニューラルネットワーク（ＣＮＮ）の隠れ層は、コンボリューション層とアベレージプーリング層により形成される。全結合層３６，３７は、特徴部分が取り出された特徴マップを一つのノードに結合し、所定の活性化関数によって変換された値を出力する。この活性化関数には、周知技術であるＲｅＬＵ（Rectified Linear Unit）等を用いることができる。出力層３８は、全結合層３７からの出力（特徴変数）を元に、ソフトマックス関数を用いて確率に変換し、それぞれ正しく分類される確率を出力する。また、オーバーフィッティングを避けるためにドロップアウト層を追加することもできる。なお、多層ニューラルネットワーク（ＣＮＮ）の基本構造は周知技術であるため、ここではその詳細な
説明を省略する。
なお、既存の大規模画像データセットで学習させた学習済モデルであるＶＧＧ１６などを用いてもよい。ＶＧＧ１６は１３層の畳み込み層と３層の全結合層との計１６層からなる。本実施例１の体内留置物判定用学習済モデルＭ１を学習させる場合、ＶＧＧ１６の全結合層を外して新たに全結合層を追加し、１４層までの重みを更新させず、１５層以降のみを学習させると、ＶＧＧ１６の高い特徴量抽出を継承しつつ、少い教師データ、かつ、短時間に精度の高い学習済モデルを構築することができる。
＜体内留置物の存在判定処理手順＞
次に、図２に示した体内留置物検出装置１０による体内留置物の存在判定処理手順について説明する。図４は、体内留置物検出装置１０による体内留置物の存在判定処理手順を示すフローチャートである。図４に示すように、まず、Ｘ線画像取得部１７は、ＭＲＩ検査を行う患者のＸ線画像Ｄ１を取得する（ステップＳ１１０）。
その後、前処理部１８は、Ｘ線画像Ｄ１を用いて、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を生成し、Ｘ線画像Ｄ１、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を合成した合成画像Ｄ１０を生成する（ステップＳ１２０）。
その後、体内留置物判定部１９は、合成画像Ｄ１０を体内留置物判定用学習済モデルＭ１に入力して体内留置物の存在確率Ｐ１を算出する（ステップＳ１３０）。そして、体内留置物判定部１９は、存在確率Ｐ１が０．８以上であるか否かを判定する（ステップＳ１４０）。
存在確率Ｐ１が０．８以上であるならば（ステップＳ１４０；Ｙｅｓ）、体内留置物が有ると判定し（ステップＳ１５０）、本処理を終了する。一方、存在確率Ｐ１が０．８以上でないならば（ステップＳ１４０；Ｎｏ）、体内留置物が無いと判定し（ステップＳ１６０）、本処理を終了する。
＜前処理の一例と体内留置物の有無の一例＞
まず、体内留置物の一例としてカプセル内視鏡４０が体内に留置されている場合について説明する。図５は、カプセル内視鏡４０が体内留置物として存在する場合の正面胸部のＸ線画像Ｄ１１の一例を示す図である。また、図６は、図５に示したＸ線画像Ｄ１１に対する高周波エッジ画像Ｄ１２の一例を示す図である。また、図７は、図５に示したＸ線画像Ｄ１１に対するエッジ抽出画像Ｄ１３の一例を示す図である。合成画像Ｄ１０は、Ｘ線画像Ｄ１１、高周波エッジ画像Ｄ１２及びエッジ抽出画像Ｄ１３を合成した画像である。なお、Ｘ線画像Ｄ１１、高周波エッジ画像Ｄ１２及びエッジ抽出画像Ｄ１３は、濃淡画像であり、合成画像Ｄ１０も濃淡画像となる。
体内留置物判定部１９は、合成画像Ｄ１０内のＸ線画像Ｄ１１、高周波エッジ画像Ｄ１２及びエッジ抽出画像Ｄ１３をもとにカプセル内視鏡４０の存在有りを判定することになる。
一方、図８は、体内留置物が存在しない場合の正面胸部のＸ線画像Ｄ２１の一例を示す図である。また、図９は、図８に示したＸ線画像Ｄ２１に対する高周波エッジ画像Ｄ２２の一例を示す図である。また、図１０は、図８に示したＸ線画像Ｄ２１に対するエッジ抽出画像Ｄ２３の一例を示す図である。合成画像Ｄ１０は、Ｘ線画像Ｄ２１、高周波エッジ画像Ｄ２２及びエッジ抽出画像Ｄ２３を合成した画像である。
体内留置物判定部１９は、合成画像Ｄ１０内のＸ線画像Ｄ２１、高周波エッジ画像Ｄ２２及びエッジ抽出画像Ｄ２３をもとに体内留置物の存在無しを判定することになる。
［実施例２］
上記の実施例１の体内留置物判定部１９は、体内留置物の存在判定、すなわち体内留置物の種類には関係なく、体内留置物の存在有無のみを判定していた。したがって、体内留置物判定用学習済モデルＭ１は、バイナリ分類モデルであった。これに対し、本実施例２の体内留置物判定部１９は、体内留置物判定用学習済モデルＭ２が、体内留置物を、ＭＲＩ検査による撮像可能、条件付き撮像可能、及び、撮像不可能の３つに体内留置物グループに分類し、各分類グループの存在確率を算出し、各分類グループの体内留置物の存在判定を行うようにしている。すなわち、体内留置物判定用学習済モデルＭ２をマルチクラス分類モデルとしている。
＜分類グループの一例＞
３つの分類グループのうち撮影不可能と判定する体内留置物群は、例えば、イレウス管、ティッシュエキスパンダー、スワンガンツカテーテル、カプセル内視鏡である。また、条件付き撮影可能と判定する体内留置物は、ペースメーカー、脳深部刺激デバイス、脊髄刺激デバイスである。また、撮影可能と判定する体内留置物は、ステント、脊髄固定デバイス、経鼻胃管、マイトラクリップ、経カテーテル大動脈弁留置デバイスであり、撮影不可能及び条件付き撮影可能である体内留置物以外の体内留置物を含む。なお、磁場との干渉を発生させる体内留置物としては金属があるが、その他セラミクスなども磁場との干渉によって発熱するものがあり、これらの特性を考慮して上記分類グループが決定される。なお、条件付き撮影可能とは、例えば、ＭＲＩが発生する磁場量を制限するものである。
図１１は、実施例２による体内留置物の存在判定の概要を説明する説明図である。図１１に示すように、本実施例２の体内留置物判定用学習済モデルＭ２は、入力された合成画像Ｄ１０に対して撮影不可能な体内留置物の存在確率Ｐ１１、条件付き撮影可能な体内留置物の存在確率Ｐ１２、撮影可能な体内留置物の存在確率Ｐ１３を出力する。
＜体内留置物の存在判定処理手順＞
図１２は、実施例２の体内留置物検出装置１０による体内留置物の存在判定処理手順を示すフローチャートである。図１２に示すように、まず、Ｘ線画像取得部１７は、ＭＲＩ検査を行う患者のＸ線画像Ｄ１を取得する（ステップＳ２１０）。
その後、前処理部１８は、Ｘ線画像Ｄ１を用いて、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を生成し、Ｘ線画像Ｄ１、高周波エッジ画像Ｄ２及びエッジ抽出画像Ｄ３を合成した合成画像Ｄ１０を生成する（ステップＳ２２０）。
その後、体内留置物判定部１９は、合成画像Ｄ１０を体内留置物判定用学習済モデルＭ２に入力して分類グループ毎の体内留置物の存在確率Ｐ１１，Ｐ１２，Ｐ１３を算出する（ステップＳ２３０）。そして、体内留置物判定部１９は、存在確率Ｐ１１が０．８以上であるか否かを判定する（ステップＳ２４０）。
存在確率Ｐ１１が０．８以上であるならば（ステップＳ２４０；Ｙｅｓ）、磁場が体内留置物と干渉するとして、撮影不可能と判定出力し（ステップＳ２５０）、本処理を終了する。一方、存在確率Ｐ１１が０．８以上でないならば（ステップＳ２４０；Ｎｏ）、さらに、存在確率Ｐ１２が０．８以上であるか否かを判定する（ステップＳ２６０）。
存在確率Ｐ１２が０．８以上であるならば（ステップＳ２６０；Ｙｅｓ）、条件付きで磁場が体内留置物と干渉するとして、条件付き撮影可能と判定出力し（ステップＳ２７０）、本処理を終了する。一方、存在確率Ｐ１２が０．８以上でないならば（ステップＳ２６０；Ｎｏ）、さらに、存在確率Ｐ１３が０．８以上であるか否かを判定する（ステップＳ２８０）。
存在確率Ｐ１３が０．８以上であるならば（ステップＳ２８０；Ｙｅｓ）、磁場が体内留置物と干渉しないものとして、撮影可能と判定出力し（ステップＳ２９０）、本処理を終了する。一方、存在確率Ｐ１３が０．８以上でないならば（ステップＳ２８０；Ｎｏ）、エラー出力を行って（ステップＳ３００）、本処理を終了する。
＜前処理の一例と体内留置物の有無の一例＞
図１３は、条件付き撮影可能な体内留置物であるペースメーカー４１が存在する場合の正面胸部のＸ線画像Ｄ３１の一例を示す図である。また、図１４は、図１３に示したＸ線画像Ｄ３１に対する高周波エッジ画像Ｄ３２の一例を示す図である。また、図１５は、図１３に示したＸ線画像Ｄ３１に対するエッジ抽出画像Ｄ３３の一例を示す図である。
なお、図５～図７に示したＸ線画像Ｄ１１、高周波エッジ画像Ｄ１２及びエッジ抽出画像Ｄ１３は、カプセル内視鏡が体内留置物として存在するため、撮影不可能な体内留置物が存在する分類グループの画像例となる。また、図８～図１０は、体内留置物が存在しないため、撮影可能な分類グループの画像例となる。
ここで、条件付き撮影不可能な分類グループをさらに細かく分類するようにしてもよい。条件付き撮影不可能とするには、ＭＲＩでは発生する磁場量が異なる場合もあるし、体内留置物の特性によっても発熱量が異なるからである。
［変形例］
上記の実施例１，２では、体内留置物の存在判定を行うようにしていたが、体内留置物が存在する場合、医師や技士等は、体内留置物が存在するＸ線画像Ｄ１を確認する。ここで、単に体内留置物が存在するとした存在判定結果では、Ｘ線画像Ｄ１内から体内留置物を最初から見つけ出す必要があり、時間がかかる。
図１６は、体内留置物判定用学習済モデルＭ（Ｍ１，Ｍ２）から体内留置物の２次元位置情報を取得する構成を示す図である。本変形例の体内留置物判定部１９は、体内留置物判定用学習済モデルＭ（Ｍ１，Ｍ２）の畳み込み層の勾配から体内留置物の２次元位置情報Ｄ４を取得し、表示処理部２０は、体内留置物の存在判定結果を表示するとともに、２次元位置情報Ｄ４をもとにＸ線画像Ｄ１上に体内留置物の２次元位置を表示する。
例えば、図１７に示すように、２次元位置情報Ｄ４をもとに、体内留置物であるカプセル内視鏡４０の周辺に、カプセル内視鏡４０の位置を示す矩形枠ＥをＸ線画像Ｄ１１に重畳して表示する。これにより、カプセル内視鏡４０の存在を容易に確認することができる。なお、矩形枠Ｅは、カラー表示することが好ましい。
本実施例１，２及び変形例では、Ｘ線画像に対して高周波エッジ画像やエッジ抽出画像などの所定のフィルタ処理を行った１以上のフィルタ処理画像を生成し、Ｘ線画像と１以上のフィルタ処理画像とを合成した合成画像を生成し、この合成画像を体内留置物判定用学習済モデルへの入力データとしているので、Ｘ線画像を用いた体内留置物の有無判定を迅速かつ精度高く行うことができる。
なお、体内留置物は、人体内の留置物を前提として述べたが、体内留置物は、例えば動物の体内の留置物であってもよい。近年のＭＲＩ検査は、動物をも対象とするからである。
また、上記の実施例１，２及び変形例で図示した各構成は機能概略的なものであり、必ずしも物理的に図示の構成をされていることを要しない。すなわち、各装置の分散・統合の形態は図示のものに限られず、その全部又は一部を各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。
本発明に係る体内留置物検出装置及び体内留置物検出方法は、Ｘ線画像を用いた体内留置物の有無判定を迅速かつ精度高く行う場合に有用である。
１０ 体内留置物検出装置
１１ 入力部
１２ 表示部
１３ 通信インターフェース部
１４ 記憶部
１５ 制御部
１６ 学習済モデル生成部
１７ Ｘ線画像取得部
１８ 前処理部
１９ 体内留置物判定部
２０ 表示処理部
３１，３２，３４ コンボリューション層
３３，３５ アベレージプーリング層
３６，３７ 全結合層
３８ 出力層
４０ カプセル内視鏡
４１ ペースメーカー
Ｄ１，Ｄ１１，Ｄ２１，Ｄ３１ Ｘ線画像
Ｄ２，Ｄ１２，Ｄ２２，Ｄ３２ 高周波エッジ画像
Ｄ３，Ｄ１３，Ｄ２３，Ｄ３３ エッジ抽出画像
Ｄ４ ２次元位置情報
Ｄ１０ 合成画像
Ｍ，Ｍ１，Ｍ２ 体内留置物判定用学習済モデル
Ｐ１１，Ｐ１２，Ｐ１３ 存在確率

Claims (10)

  1. ＭＲＩ検査対象領域のＸ線画像をもとに前記ＭＲＩ検査対象領域に磁気干渉が生じる体内留置物が存在するか否かの判定を行う体内留置物検出装置であって、
    前記Ｘ線画像を取得するＸ線画像取得部と、
    前記Ｘ線画像取得部が取得したＸ線画像に対してハイパスフィルタを施した高周波エッジ画像と、前記Ｘ線画像に対して微分フィルタを施したエッジ抽出画像とを前記Ｘ線画像に合成した合成画像を生成する前処理を行う前処理部と、
    前記合成画像を入力して前記体内留置物の存在判定を出力する体内留置物判定部と、
    前記体内留置物判定部による前記体内留置物の存在判定結果を表示部に表示する処理を行う表示処理部と
    を備える体内留置物検出装置。
  2. 前記体内留置物判定部は、
    前記体内留置物の存在判定結果が既知の合成画像を教師データとして教師有り学習を行った体内留置物判定用学習済モデルを用いて、判定対象の前記合成画像を入力して前記体内留置物の存在判定を出力する請求項１に記載の体内留置物検出装置。
  3. 前記体内留置物判定部は、
    複数の体内留置物グループ毎に前記体内留置物の存在判定を出力する請求項２に記載の体内留置物検出装置。
  4. 前記複数の体内留置物グループは、ＭＲＩ検査による撮像可能、条件付き撮像可能、及び、撮像不可能の３つに分類したグループであり、
    前記体内留置物判定部は、
    前記複数の体内留置物グループ毎の存在確率をもとに、撮像可能、条件付き撮像可能、及び、撮像不可の体内留置物の存在判定を行う請求項３に記載の体内留置物検出装置。
  5. 前記体内留置物判定部は、
    前記体内留置物判定用学習済モデルの畳み込み層から体内留置物の２次元位置情報を取得する位置情報取得部を備え、
    前記表示処理部は、前記体内留置物の存在判定結果を表示するとともに、前記２次元位置情報をもとに前記Ｘ線画像上に前記体内留置物の２次元位置を表示する請求項２に記載の体内留置物検出装置。
  6. ＭＲＩ検査対象領域のＸ線画像をもとに前記ＭＲＩ検査対象領域に磁気干渉が生じる体内留置物が存在するか否かの判定を行う体内留置物検出方法であって、
    前記Ｘ線画像を取得するＸ線画像取得ステップと、
    前記Ｘ線画像取得ステップで取得したＸ線画像に対してハイパスフィルタを施した高周波エッジ画像と、前記Ｘ線画像に対して微分フィルタを施したエッジ抽出画像とを前記Ｘ線画像に合成した合成画像を生成する前処理を行う前処理ステップと、
    前記合成画像を入力して前記体内留置物の存在判定を出力する体内留置物判定ステップと、
    前記体内留置物判定ステップによる前記体内留置物の存在判定結果を表示部に表示する処理を行う表示処理ステップと
    を含む体内留置物検出方法。
  7. 前記体内留置物判定ステップは、
    前記体内留置物の存在判定結果が既知の合成画像を教師データとして教師有り学習を行った体内留置物判定用学習済モデルを用いて、判定対象の前記合成画像を入力して前記体内留置物の存在判定を出力する請求項６に記載の体内留置物検出方法。
  8. 前記体内留置物判定ステップは、
    複数の体内留置物グループ毎に前記体内留置物の存在判定を出力する請求項７に記載の体内留置物検出方法。
  9. 前記複数の体内留置物グループは、ＭＲＩ検査による撮像可能、条件付き撮像可能、及び、撮像不可能の３つに分類したグループであり、
    前記体内留置物判定ステップは、
    前記複数の体内留置物グループ毎の存在確率をもとに、撮像可能、条件付き撮像可能、及び、撮像不可の体内留置物の存在判定を行う請求項８に記載の体内留置物検出方法。
  10. 前記体内留置物判定ステップは、
    前記体内留置物判定用学習済モデルの畳み込み層から体内留置物の２次元位置情報を取得する位置情報取得ステップを含み、
    前記表示処理ステップは、前記体内留置物の存在判定結果を表示するとともに、前記２次元位置情報をもとに前記Ｘ線画像上に前記体内留置物の２次元位置を表示する請求項７に記載の体内留置物検出方法。
JP2020036137A 2020-03-03 2020-03-03 体内留置物検出装置及び体内留置物検出方法 Active JP7486113B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020036137A JP7486113B2 (ja) 2020-03-03 2020-03-03 体内留置物検出装置及び体内留置物検出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020036137A JP7486113B2 (ja) 2020-03-03 2020-03-03 体内留置物検出装置及び体内留置物検出方法

Publications (2)

Publication Number Publication Date
JP2021137191A JP2021137191A (ja) 2021-09-16
JP7486113B2 true JP7486113B2 (ja) 2024-05-17

Family

ID=77667135

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020036137A Active JP7486113B2 (ja) 2020-03-03 2020-03-03 体内留置物検出装置及び体内留置物検出方法

Country Status (1)

Country Link
JP (1) JP7486113B2 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012061307A (ja) 2010-08-17 2012-03-29 Toshiba Corp 医用画像診断装置
JP2019141294A (ja) 2018-02-20 2019-08-29 キヤノンメディカルシステムズ株式会社 リスク評価装置およびリスク評価方法
JP2019208832A (ja) 2018-06-04 2019-12-12 聖士 田島 歯科分析システムおよび歯科分析ｘ線システム
JP2020010805A (ja) 2018-07-17 2020-01-23 大日本印刷株式会社 特定装置、プログラム、特定方法、情報処理装置及び特定器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2720383B2 (ja) * 1987-03-11 1998-03-04 株式会社豊田中央研究所 画像内濃淡領域検出装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012061307A (ja) 2010-08-17 2012-03-29 Toshiba Corp 医用画像診断装置
JP2019141294A (ja) 2018-02-20 2019-08-29 キヤノンメディカルシステムズ株式会社 リスク評価装置およびリスク評価方法
JP2019208832A (ja) 2018-06-04 2019-12-12 聖士 田島 歯科分析システムおよび歯科分析ｘ線システム
JP2020010805A (ja) 2018-07-17 2020-01-23 大日本印刷株式会社 特定装置、プログラム、特定方法、情報処理装置及び特定器

Also Published As

Publication number Publication date
JP2021137191A (ja) 2021-09-16

Similar Documents

Publication Publication Date Title
US20240119719A1 (en) Identification and tracking of a predefined object in a set of images from a medical image scanner during a surgical procedure
JP7053541B2 (ja) 患者固有の深層学習画像ノイズ除去方法およびシステム
Shaziya et al. Automatic lung segmentation on thoracic CT scans using U-net convolutional network
Chanu et al. Retracted article: computer-aided detection of brain tumor from magnetic resonance images using deep learning network
Aurangzeb et al. An efficient and light weight deep learning model for accurate retinal vessels segmentation
Yang et al. Efficient catheter segmentation in 3D cardiac ultrasound using slice-based FCN with deep supervision and f-score loss
Athalye et al. Taylor series‐based deep belief network for automatic classification of diabetic retinopathy using retinal fundus images
JP7486113B2 (ja) 体内留置物検出装置及び体内留置物検出方法
Basu Analyzing Alzheimer's disease progression from sequential magnetic resonance imaging scans using deep convolutional neural networks
Taş et al. Detection of retinal diseases from ophthalmological images based on convolutional neural network architecture.
Brown et al. Deep learning for computer-aided diagnosis in ophthalmology: a review
Kamolkunasiri et al. A Comparative Study on Out of Scope Detection for Chest X-ray Images
Princy et al. Detection & Classification of Tuberculosis HIV-Positive Patients using Deep Learning
Manjushree et al. Automated detection of diabetic retinopathy using deep learning in retinal fundus images: analysis
Gupta et al. Lungs Disease Classification using VGG-16 architecture with PCA
AlMohimeed et al. Sandpiper Optimization Algorithm With Region Growing Based Robust Retinal Blood Vessel Segmentation Approach
Kodumuru et al. Diabetic Retinopathy Screening Using CNN (ResNet 18)
Bhuvana et al. Covid-19 Detection using Chest X-Rays with Image based Deep Learning
CN112258457B (zh) 一种全容积三维超声图像的多维特征提取方法
Tikher BRAIN TUMOR DETECTION MODEL USING DIGITAL IMAGE PROCESSING AND TRANSFER LEARNING
Gonsalves et al. Using Neural Networks and Tensorflow to detect the presence of Pneumonia in a Patient'
Upadhyay et al. Medical Imaging in Artificial Intelligence: a Literature Survey
Ramirez-Villegas et al. Microcalcification detection in mammograms using difference of Gaussians filters and a hybrid feedforward-Kohonen neural network
Jain et al. SEMANTIC SEGMENTATION IN MEDICAL IMAGE ANALYSIS WITH CONVOLUTIONAL NEURAL NETWORKS.
Kruzhalov et al. Patch-Based Convolutional Neural Network for Cerebral Aneurysm Recognition

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230220

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230906

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230926

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20231121

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240118

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: 20240416

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240424

R150 Certificate of patent or registration of utility model

Ref document number: 7486113

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150