JP7561833B2 - コンピュータプログラム、情報処理方法及び情報処理装置 - Google Patents

コンピュータプログラム、情報処理方法及び情報処理装置 Download PDF

Info

Publication number
JP7561833B2
JP7561833B2 JP2022511729A JP2022511729A JP7561833B2 JP 7561833 B2 JP7561833 B2 JP 7561833B2 JP 2022511729 A JP2022511729 A JP 2022511729A JP 2022511729 A JP2022511729 A JP 2022511729A JP 7561833 B2 JP7561833 B2 JP 7561833B2
Authority
JP
Japan
Prior art keywords
image
learning model
medical image
medical
image portion
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
JP2022511729A
Other languages
English (en)
Other versions
JPWO2021199961A1 (ja
Inventor
雄紀 坂口
悠介 関
陽 井口
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.)
Terumo Corp
Original Assignee
Terumo Corp
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 Terumo Corp filed Critical Terumo Corp
Publication of JPWO2021199961A1 publication Critical patent/JPWO2021199961A1/ja
Application granted granted Critical
Publication of JP7561833B2 publication Critical patent/JP7561833B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Clinical applications
    • A61B8/0891—Clinical applications for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A61B8/14—Echo-tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M25/00—Catheters; Hollow probes
    • A61M25/01—Introducing, guiding, advancing, emplacing or holding catheters
    • A61M25/0105—Steering means as part of the catheter or advancing means; Markers for positioning
    • A61M2025/0166—Sensors, electrodes or the like for guiding the catheter to a target zone, e.g. image guided or magnetically guided
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/20168—Radial search
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30021—Catheter; Guide wire
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Vascular Medicine (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Description

本開示は、コンピュータプログラム、情報処理方法及び情報処理装置に関する。
カテーテルを用いた血管内超音波（IVUS:Intra Vascular Ultra Sound）法によって血管の超音波断層像を含む医用画像を生成し、血管内の超音波検査を行うことが行われている。
一方で、医師の診断の補助を目的に、医用画像に画像処理や機械学習により情報を付加する技術の開発が行われている。
実臨床において有効な診断補助を提供するに当たり課題の一つは、即時的な補助情報の提供である。血管内治療ではデバイスの操作は全て血管内で行われる。血管径の制約から、処置用デバイスと診断用カテーテルを交互に挿入し、治療を進める。よって、各デバイス操作時間は並行で進むことなく、加算的に血管内治療の総手術時間の増加に繋がる。手術時間の増加は患者の身体への負担の増大は勿論のこと、執刀する医師やコメディカルへの負担等へ繋がるため、手術時間の短縮は重要な課題の一つである。即時的な情報提供を実現することで、患者やスタッフの負担を軽減することが可能となる。
血管内超音波法においては、血管内診断用カテーテルは血管の遠位から近位まで超音波センサを移動させ、血管、及びその周辺組織をスキャンする。即時的な情報提供を実現するには、スキャンと同時に取得した医用画像の解析を行う必要があり、限られた計算リソースでその解析を実現できるアルゴリズムが求められている。
特表２０１６－５２５８９３号公報
本開示の目的は、管腔器官をスキャンして得た医用画像を解析し、診断補助に係るオブジェクトを即時的に認識することができるコンピュータプログラム、情報処理方法及び情報処理装置を提供することにある。
本開示に係るコンピュータプログラムは、管腔器官に挿入されたカテーテルにて検出した信号に基づき生成された医用画像を取得し、少なくとも医用画像に含まれるオブジェクトの位置を推定する第１学習モデルに、取得した医用画像を入力することによって、医用画像に含まれるオブジェクトの位置を推定し、推定したオブジェクトの位置を基準にした画像部分を医用画像から抽出し、画像部分に含まれるオブジェクトを認識する第２学習モデルに、抽出された画像部分を入力することによって、画像部分に含まれるオブジェクトを認識する処理をコンピュータに実行させる。
本開示に係る情報処理方法は、管腔器官に挿入されたカテーテルにて検出した信号に基づき生成された医用画像を取得し、少なくとも医用画像に含まれるオブジェクトの位置を推定する第１学習モデルに、取得した医用画像を入力することによって、医用画像に含まれるオブジェクトの位置を推定し、推定したオブジェクトの位置を基準にした画像部分を医用画像から抽出し、画像部分に含まれるオブジェクトを認識する第２学習モデルに、抽出された画像部分を入力することによって、画像部分に含まれるオブジェクトを認識する処理をコンピュータが実行する。
本開示に係る情報処理装置は、管腔器官に挿入されたカテーテルにて検出した信号に基づき生成された医用画像を取得する取得部と、取得した医用画像が入力された場合、少なくとも医用画像に含まれるオブジェクトの推定位置を示す情報を出力する第１学習モデルと、推定されたオブジェクトの位置を基準にした画像部分を医用画像から抽出処理部と、抽出された画像部分が入力された場合、該画像部分に含まれるオブジェクトを示す情報を出力する第２学習モデルとを備える。
本開示によれば、管腔器官をスキャンして得た医用画像を解析し、診断補助に係るオブジェクトを即時的に認識することができる。
画像診断装置の構成例を示す説明図である。 画像処理装置の構成例を示すブロック図である。 情報処理方法の手順を示すフローチャートである。 推定学習モデルを用いたオブジェクトの位置推定処理方法を示す説明図である。 関心領域の設定方法の一例を示す説明図である。 関心領域の設定方法の一例を示す説明図である。 オブジェクトの認識処理方法を示す説明図である。 ガイド画像の表示例を示す説明図である。 関心領域の画像部分の抽出方法の変形例を示す説明図である。 画像診断システムの構成例を示す説明図である。 情報処理装置の構成例を示すブロック図である。
本発明の実施形態に係るコンピュータプログラム、情報処理方法及び情報処理装置の具体例を、以下に図面を参照しつつ説明する。
（実施形態１）
図１は、画像診断装置１００の構成例を示す説明図である。画像診断装置１００は、血管内超音波（IVUS:Intra Vascular Ultra Sound）法によって血管（管腔器官）の超音波断層像を含む医用画像を生成し、血管内の超音波検査及び診断を行うための装置である。特に、実施形態１に係る画像診断装置１００は、同一観察対象である血管の医用画像に含まれる連続性、つまり複数の医用画像におけるオブジェクトの位置が略同一である特性を利用してオブジェクトの位置を凡そ特定した上で、関心領域Ａ１，Ａ２（図５、図６参照）の画像部分に含まれるオブジェクトを画素単位で認識することにより、即時的にオブジェクトを認識するものである。
画像診断装置１００は、カテーテル１、ＭＤＵ（Motor Drive Unit）２、画像処理装置（情報処理装置）３、表示装置４及び入力装置５を備える。画像診断装置１００は、カテーテル１を用いたＩＶＵＳ法によって血管の超音波断層像を含む医用画像を生成し、血管内の超音波検査を行う。
カテーテル１は、ＩＶＵＳ法によって血管の超音波断層像を得るための画像診断用カテーテルである。カテーテル１は、血管の超音波断層像を得るための超音波プローブを先端部に有する。超音波プローブは、血管内において超音波を発する超音波振動子と、血管の生体組織又は医用機器で反射された反射波（超音波エコー）を受信する超音波センサとを有する。超音波プローブは、血管の周方向に回転しながら、血管の長手方向に進退可能に構成されている。
ＭＤＵ２は、カテーテル１が着脱可能に取り付けられる駆動装置であり、医療従事者の操作に応じて内蔵モータを駆動することにより、血管内に挿入されたカテーテル１の動作を制御する。ＭＤＵ２は、カテーテル１の超音波プローブを先端（遠位）側から基端（近位）側へ移動させながら周方向に回転させる（図４参照）。超音波プローブは、所定の時間間隔で連続的に血管内を走査し、検出された超音波の反射波データを画像処理装置３へ出力する。
画像処理装置３は、カテーテル１の超音波プローブから出力された反射波データに基づいて、血管の断層像を含む時系列順の複数の医用画像を生成する（図４参照）。超音波プローブは、血管内を先端（遠位）側から基端（近位）側へ移動しながら血管内を走査するため、時系列順の複数の医用画像は、遠位から近位にわたる複数箇所で観測された血管の断層画像ということになる。
表示装置４は、液晶表示パネル、有機ＥＬ表示パネル等であり、画像処理装置３によって生成された医用画像を表示する。
入力装置５は、検査を行う際の各種設定値の入力、画像処理装置３の操作等を受け付けるキーボード、マウス等の入力インターフェースである。入力装置５は、表示装置４に設けられたタッチパネル、ソフトキー、ハードキー等であっても良い。
図２は、画像処理装置３の構成例を示すブロック図である。画像処理装置３はコンピュータであり、制御部３１、主記憶部３２、入出力Ｉ／Ｆ３３、及び補助記憶部３４を備える。
制御部３１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）等の演算処理装置を用いて構成されている。
主記憶部３２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部３１が演算処理を実行するために必要なデータを一時的に記憶する。
入出力Ｉ／Ｆ３３は、カテーテル１、表示装置４及び入力装置５が接続されるインターフェースである。制御部３１は、入出力Ｉ／Ｆ３３を介して、超音波プローブから出力された反射波データを取得する。また、制御部３１は、入出力Ｉ／Ｆ３３を介して、医用画像信号を表示装置４へ出力する。更に、制御部３１は、入出力Ｉ／Ｆ３３を介して、入力装置５に入力された情報を受け付ける。
補助記憶部３４は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリ等の記憶装置である。補助記憶部３４は、制御部３１が実行するコンピュータプログラムＰ、制御部３１の処理に必要な各種のデータを記憶する。また、補助記憶部３４は、推定学習モデル（第１学習モデル）３４１、第１認識学習モデル（第２学習モデル）３４２及び第２認識学習モデル（第２学習モデル）３４３を記憶する。
推定学習モデル３４１は、医用画像に含まれる血管壁部、ガイドワイヤ等のオブジェクトの位置及び範囲、当該オブジェクトの種類を推定するためのモデルである。血管壁部は、例えばＥＥＭ（External Elastic Membrane）である。推定学習モデル３４１は、Ｆａｓｔｅｒ Ｒ－ＣＮＮ、ＭＡＳＫ Ｒ－ＣＮＮ（Region CNN）等のモデルを用いた物体検出に係る画像認識技術を利用することにより、オブジェクトの種類及び位置を推定する。推定学習モデル３４１により、医用画像におけるオブジェクトの位置及び範囲を凡そ特定することができる。推定学習モデル３４１の詳細は後述する。
第１認識学習モデル３４２及び第２認識学習モデル３４３は、推定したオブジェクトの位置を基準にした画像部分に含まれる所定のオブジェクトを認識するモデルである。第１認識学習モデル３４２及び第２認識学習モデル３４３は、例えば、セマンティックセグメンテーション(Semantic Segmentation)を用いた画像認識技術を利用することにより、オブジェクトを画素単位でクラス分けすることができ、医用画像に含まれるオブジェクトを詳細に認識することができる。本実施形態１では、第１認識学習モデル３４２は血管壁部を認識するモデルであり、第２認識学習モデル３４３はガイドワイヤを認識するモデルであるものとして説明する。第１認識学習モデル３４２及び第２認識学習モデル３４３の詳細は後述する。
なお、補助記憶部３４は画像処理装置３に接続された外部記憶装置であってもよい。コンピュータプログラムＰは、画像処理装置３の製造段階において補助記憶部３４に書き込まれてもよいし、遠隔のサーバ装置が配信するものを画像処理装置３が通信にて取得して補助記憶部３４に記憶させてもよい。コンピュータプログラムＰは、磁気ディスク、光ディスク、半導体メモリ等の記録媒体３ａに読み出し可能に記録された態様であってもよい。
制御部３１は、補助記憶部３４に記憶されたコンピュータプログラムＰを読み出して実行することにより、画像診断装置１００で生成された医用画像を取得し、医用画像に含まれる所定のオブジェクトを検出する処理を実行する。オブジェクトは、例えば、血管内腔境界、血管壁部、ステント（血管内に存在する医用器具）、ガイドワイヤ、血管内の石灰化部分等であり、画像処理装置３は、これらのオブジェクトを認識する。具体的には、制御部３１は、推定学習モデル３４１、第１認識学習モデル３４２及び第２認識学習モデル３４３を用いて医用画像におけるこれらのオブジェクトの種類及び当該オブジェクトが存在する画像領域を検出する。そして、画像処理装置３は、オブジェクトの認識結果を画像診断装置１００に出力し、医療従事者がオブジェクトの位置及び領域が認識し易いように、オブジェクトの位置及び領域を示すガイド画像Ｇ１，Ｇ２（図８参照）を表示させる。本実施形態１では、医用画像に含まれる血管壁部及びガイドワイヤを認識する例を説明する。
図３は、情報処理方法の手順を示すフローチャートである。制御部３１は、時系列順の複数の医用画像を画像診断装置１００から取得する（ステップＳ１１）。ここで取得した時系列順の複数の医用画像は、例えば血管の遠位から近位にわたって観測された断層像の画像である。
制御部３１は、取得した医用画像を推定学習モデル３４１に入力することによって、医用画像に含まれるオブジェクトの種類及び位置を推定する（ステップＳ１２）。
図４は、推定学習モデル３４１を用いたオブジェクトの位置推定処理方法を示す説明図である。推定学習モデル３４１は、医用画像に含まれる血管壁部、ガイドワイヤ等のオブジェクトの位置及び範囲、当該オブジェクトの種類を出力するためのモデルである。
推定学習モデル３４１は、例えば深層学習による学習済みの畳み込みニューラルネットワーク（CNN：Convolutional neural network）である。推定学習モデル３４１は、例えば、医用画像が入力される入力層３４１ａと、画像の特徴量を抽出する中間層３４１ｂと、医用画像に含まれるオブジェクトの位置及び種類を示す情報を出力する出力層３４１ｃとを有する。以下、当該情報をオブジェクト推定結果と呼ぶ。
推定学習モデル３４１の入力層３４１ａは、医用画像に含まれる各画素の画素値の入力を受け付ける複数のニューロンを有し、入力された画素値を中間層３４１ｂに受け渡す。中間層３４１ｂは、入力層３４１ａに入力された各画素の画素値を畳み込む畳み込み層と、畳み込み層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成を有し、医用画像の画素情報を圧縮しながら画像の特徴量を抽出する。中間層３４１ｂは、抽出した特徴量を出力層３４１ｃに受け渡す。出力層３４１ｃは、画像中に含まれるオブジェクトの画像領域の位置及び範囲並びに種類等を示すオブジェクト推定結果を出力する一又は複数のニューロンを有する。
なお本実施形態１においては、推定モデルがＣＮＮであるものとするが、モデルの構成はＣＮＮに限るものではない。推定モデルは、例えばＣＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は、回帰木等の構成の学習済モデルであってよい。
推定学習モデル３４１は、血管壁部、ガイドワイヤ等のオブジェクトを含む医用画像と、各オブジェクトの位置及び種類を示すラベルとが対応付けられた訓練データを用意し、当該訓練データを用いて未学習のニューラルネットワークを機械学習させることにより生成することができる。
このように構成された推定学習モデル３４１によれば、図４に示すように医用画像を推定学習モデル３４１に入力することによって、当該医用画像に含まれるオブジェクトの位置及び種類を示す情報を得ることができる。
具体的には、推定学習モデル３４１は、超音波エコーが小さい環状の領域を血管壁部の特徴であると認識し、血管壁部の位置及び範囲を推定することができる。
また、推定学習モデル３４１は、線状の音響陰影（Acoustic Shadow）の領域及びその先端の超音波エコーが大きい部分をガイドワイヤの特徴として、ガイドワイヤの位置及び範囲を推定することができる。音響陰影は、ガイドワイヤ等の硬いオブジェクトが血管内に存在する場合に、超音波の反射波がカテーテル１まで到達しないことにより、画像の一部が黒く抜け落ちる現象である。図４では図示の便宜上、音響陰影が生じている領域をハッチングで図示している。
なお、図４に示すオブジェクト推定結果は、推定結果の情報を概念的に示したものである。
ステップＳ１２の処理を終えた制御部３１は、オブジェクトの種類及び位置に応じた関心領域Ａ１，Ａ２を設定する（ステップＳ１３）。
図５及び図６は関心領域Ａ１，Ａ２の設定方法の一例を示す説明図である。関心領域Ａ１，Ａ２は、図５及び図６に示すように、ステップＳ１２の処理で推定されたオブジェクトの位置を基準にして定められる領域である。
オブジェクトが血管壁部である場合、図５に示すように、制御部３１は、推定学習モデル３４１で推定されたオブジェクトの位置を中心とし、推定されたオブジェクト全体を含む領域を関心領域Ａ１として設定する。関心領域Ａ１は例えば方形であり、関心領域Ａ１はその頂点位置と、縦横長さで設定される。具体的には、オブジェクトの中心を基準にして、オブジェクトの外側１０ピクセル以上を含む方形の領域を関心領域Ａ１とする。なお、関心領域Ａ１のサイズは所定の値であってもよい。
オブジェクトが血管内腔に挿入されたガイドワイヤである場合、図６に示すように、制御部３１は、推定学習モデル３４１で推定されたオブジェクトの位置を頂部又は端部とする領域を関心領域Ａ２として設定する。例えば、制御部３１は、オブジェクトの位置を頂点とし、カテーテル１中心とオブジェクト位置を含む線を対角線とする方形の関心領域Ａ２を設定する。
以上、ステップＳ１１～ステップＳ１４の処理によって、制御部３１は、医用画像に含まれるオブジェクトの種類と、凡その位置を推定できたため、他の複数の医用画像については関心領域Ａ１，Ａ２に含まれる特定のオブジェクトを検出すればよいことになる。
制御部３１は、推定したオブジェクトの種類に応じて、その位置を基準にした画像部分を医用画像から抽出する（ステップＳ１４）。制御部３１は、抽出された医用画像を所定サイズの画像部分に標準化する（ステップＳ１５）。例えば、医用画像を所定サイズの正方形の画像データに変換する。
そして、制御部３１は、部分画像に含まれるオブジェクトの種類に応じて、使用する認識学習モデルを選択する（ステップＳ１６）。つまり、部分画像に血管壁部のようなオブジェクトが含まれている場合、制御部３１は第１認識学習モデル３４２を選択する。部分画像にガイドワイヤのようなオブジェクトが含まれている場合、制御部３１は第２認識学習モデル３４３を選択する。そして、制御部３１は、抽出された関心領域Ａ１，Ａ２の画像部分を第１認識学習モデル３４２又は第２認識学習モデル３４３に入力することによって、画像部分に含まれるオブジェクトを認識する（ステップＳ１７）。
図７は、オブジェクトの認識処理方法を示す説明図である。第１認識学習モデル３４２は、画像部分における血管壁部の領域を画素単位で認識できるように学習されている。第２認識学習モデル３４３は、画像部分におけるガイドワイヤの領域を画素単位で認識できるように学習されている。第１認識学習モデル３４２と、第２認識学習モデル３４３は同様の構成であるため、第１認識学習モデル３４２の構成について説明する。
第１認識学習モデル３４２は、例えば深層学習による学習済みの畳み込みニューラルネットワーク（CNN：Convolutional neural network）である。第１認識学習モデル３４２は、いわゆるセマンティックセグメンテーション(Semantic Segmentation)を用いた画像認識技術により、オブジェクトを画素単位で認識する。
第１認識学習モデル３４２は、画像部分が入力される入力層３４２ａと、画像の特徴量を抽出し復元する中間層３４２ｂと、画像部分に含まれるオブジェクトを画素単位で示すラベル画像を出力する出力層３４２ｃとを有する。第１認識学習モデル３４２は、例えばＵ－Ｎｅｔである。
推定学習モデル３４１の入力層３４２ａは、画像部分に含まれる各画素の画素値の入力を受け付ける複数のニューロンを有し、入力された画素値を中間層３４２ｂに受け渡す。中間層３４２ｂは、畳み込み層（ＣＯＮＶ層）と、逆畳み込み層（ＤＥＣＯＮＶ層）とを有する。畳み込み層は、画像データを次元圧縮する層である。次元圧縮により、オブジェクトの特徴量が抽出される。逆畳み込み層は逆畳み込み処理を行い、元の次元に復元する。逆畳み込み層における復元処理により、画像内の各画素がオブジェクトであるか否かを示す二値化されたラベル画像が生成される。出力層３４２ｃは、ラベル画像を出力する一又は複数のニューロンを有する。ラベル画像は、例えば、血管壁部に対応する画素がクラス「１」、その他の画像に対応する画素がクラス「０」の画像である。
第２認識学習モデル３４３は、第１認識学習モデル３４２と同様の構成であり、画像部分に含まれるガイドワイヤを画素単位で認識し、生成されたラベル画像を出力する。ラベル画像は、例えば、ガイドワイヤに対応する画素がクラス「１」、その他の画像に対応する画素がクラス「０」の画像である。
第１認識学習モデル３４２は、血管壁部を含む医用画像と、医用画像における血管壁部の画素を示すラベル画像とを有する訓練データを用意し、当該訓練データを用いて未学習のニューラルネットワークを機械学習させることにより生成することができる。
第２認識学習モデル３４３も同様にして生成することができる。
このように構成された第１認識学習モデル３４２によれば、図７に示すように、血管壁部を含む画像部分が第１認識学習モデル３４２に入力することによって、画素単位で血管壁部を示すラベル画像が得られる。
同様に、第２認識学習モデル３４３によれば、図７に示すように、ガイドワイヤを含む画像部分が第２認識学習モデル３４３に入力することによって、画素単位でガイドワイヤを示すラベル画像が得られる。
なお、実施形態１では、血管壁部を認識する学習モデルと、ガイドワイヤを認識する学習モデルを別体で構成しているが、一つの学習モデルを用いて血管壁部及びガイドワイヤを認識するように構成してもよい。
ステップＳ１７の処理を終えた制御部３１は、元の医用画像における関心領域Ａ１，Ａ２の位置に基づいて、画像部分に含まれるオブジェクトの位置を、当該オブジェクトの元の医用画像における絶対座標位置に変換する（ステップＳ１８）。
そして、制御部３１は、入力装置５にて医用画像に重畳表示させるオブジェクトの種類の選択を受け付ける（ステップＳ１９）。制御部３１は、医用画像に含まれるオブジェクトのうち、選択されたオブジェクトの位置を示すガイド画像Ｇ１，Ｇ２を当該医用画像に重畳して表示する（ステップＳ２０）。
図８は、ガイド画像Ｇ１，Ｇ２の表示例を示す説明図である。表示するオブジェクトとして、血管壁部が選択された場合、図８に示すように、制御部３１は、血管壁部のオブジェクトに相当する画素位置を示すガイド画像Ｇ１を医用画像に重畳表示させる。表示するオブジェクトとして、ガイドワイヤが選択された場合、制御部３１は、ガイドワイヤのオブジェクトに相当する画素位置を示すガイド画像Ｇ２を医用画像に重畳表示させる。また、表示するオブジェクトとして、血管壁部及びガイドワイヤの双方が選択された場合、制御部３１は、血管壁部及びガイドワイヤのオブジェクトに相当する画素位置を示すガイド画像Ｇ１，Ｇ２を医用画像に重畳表示させる。
なお、オブジェクトの種類毎に異なる態様でガイド画像Ｇ１，Ｇ２を表示してもよい。例えば、線種、色が異なるガイド画像Ｇ１，Ｇ２を表示するとよい。また、医用画像にガイド画像Ｇ１，Ｇ２を重畳させた画像と共に、ガイド画像Ｇ１，Ｇ２が重畳されていない元の画像を並べて表示するように構成してもよい。更に、ガイド画像Ｇ１，Ｇ２が重畳された画像と、ガイド画像Ｇ１，Ｇ２が重畳されていない元の画像とを選択的に切り換えて表示するように構成してもよい。
次いで、制御部３１は、検査が終了したか否かを判定する（ステップＳ２１）。検査が終了していないと判定した場合（ステップＳ２１：ＮＯ）、制御部３１は処理をステップＳ１４に戻す。検査が終了したと判定した場合（ステップＳ２１：ＹＥＳ）、制御部３１は一連の処理を終了する。
このように構成されたコンピュータプログラムＰ、画像処理装置３及び情報処理方法によれば、血管をスキャンして得た医用画像を解析し、診断補助に係るオブジェクトを即時的に認識することができる。そして、医師の診断の補助を目的に、医用画像に血管壁部、ガイドワイヤ等を示すガイド画像Ｇ１，Ｇ２を重畳して表示することができる。
具体的には、同一観察対象である血管の医用画像に含まれる連続性、つまり複数の医用画像におけるオブジェクトの位置が略同一である特性を利用してオブジェクトの位置を凡そ特定した上で、関心領域Ａ１，Ａ２の画像部分に含まれるオブジェクトを画素単位で認識することにより、即時的にオブジェクトを認識することができる。
なお、本実施形態１で説明した画像処理装置３、コンピュータプログラムＰ、情報処理方法は一例であり、実施形態１の構成に限定されるものではない。
例えば、本実施形態１では、観察ないし診断対象として血管を例示したが、血管以外の腸等の管腔器官を観察する場合にも本発明を適用することができる。
また、医用画像の一例として超音波画像を説明したが、医用画像は超音波画像に限定されない。医用画像は、例えばＯＣＴ（Optical Coherence Tomography）画像などであってもよい。
更に、認識するオブジェクトとして、血管壁部及びガイドワイヤを例示したが、血管内腔境界、ステント等の医用器具、血管内の石灰化部分等のオブジェクトの位置を推定及び認識し、各オブジェクトを示すガイド画像を表示してもよい。
更に、図５に示すように、推定されたオブジェクトの位置を中心とする方形の関心領域Ａ１を設定する場合のオブジェクトとして血管壁部を例示したが、血管内腔境界、ステント等の非線状のオブジェクトを認識する場合も、同様にして関心領域Ａ１を設定するとよい。
更にまた、図６に示すように、推定されたオブジェクトの位置を頂点とする方形の関心領域Ａ２を設定する場合のオブジェクトとしてガイドワイヤを例示したが、音響陰影が生ずる血管内の石灰化部分等のオブジェクトを認識する場合も、同様にして関心領域Ａ２を設定するとよい。
更に、ガイドワイヤのような線状のオブジェクトを含む関心領域Ａ２を設定して画像認識処理を行う場合、血管の周方向θと、径方向ｒとを軸とする医用画像に変換し、変換後の医用画像から関心領域Ａ２の画像部分を抽出するとよい。
図９は、関心領域Ａ２の画像部分の抽出方法の変形例を示す説明図である。図９に示す医用画像は、血管の周方向θと、径方向ｒとを軸とする医用画像である。医用画像の中心部から外側へ伸びるオブジェクトを認識する場合、図９に示すような医用画像に変換して関心領域Ａ２の画像部分を抽出するとよい。太線部分が関心領域Ａ２に対応する画像部分である。このように画像部分を抽出することによって、認識対象であるオブジェクト部分を多く含む画像部分を抽出することができ、より効率的かつ正確にオブジェクトを認識することが可能になる。
（実施形態２）
図１０は、画像診断システムの構成例を示す説明図である。実施形態２に係る画像診断システムは、医用画像の解析処理をサーバである情報処理装置６が実行する点が異なるため、以下では主に上記相違点を説明する。その他の構成及び作用効果は実施形態１と同様であるため、対応する箇所には同様の符号を付して詳細な説明を省略する。
実施形態２に係る画像診断システムは、情報処理装置６、画像診断装置２００を備える。情報処理装置６及び画像診断装置２００は、ＬＡＮ（Local Area Network）、インターネット等のネットワークＮを介して通信接続されている。情報処理装置６及び画像診断装置２００は、ＬＡＮ（Local Area Network）、インターネット等のネットワークＮを介して通信接続されている。
図１１は、情報処理装置６の構成例を示すブロック図である。情報処理装置６はコンピュータであり、制御部６１、主記憶部６２、通信部６３、及び補助記憶部６４を備える。通信部６３は、ネットワークＮを介して画像処理装置３との間でデータを送受信するための通信回路である。制御部６１、主記憶部６２、通信部６３及び補助記憶部６４のハードウェア構成は、実施形態１で説明した画像処理装置３と同様である。補助記憶部６４が記憶するコンピュータプログラムＰ，推定学習モデル６４１、第１認識学習モデル６４２、第２認識学習モデル６４３、記録媒体６ａも、実施形態１の各種プログラム及びモデル等と同様である。
なお、情報処理装置６は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。情報処理装置６は画像診断装置２００と同じ施設（病院等）に設置されたローカルサーバであってもよく、インターネット等を介して画像診断装置２００に通信接続されたクラウドサーバであってもよい。
このように構成された情報処理装置６は、ネットワークＮを介して画像処理装置３から医用画像を取得し、取得した医用画像に基づいて、実施形態１の画像処理装置３と同様の処理を実行し、オブジェクトの認識結果を画像装置へ送信する。画像処理装置３は、情報処理装置６から送信されたオブジェクトの認識結果を取得し、図８に示すようにオブジェクトの位置を示すガイド画像を医用画像に重畳させて表示装置４に表示させる。
実施形態２に係る情報処理装置６、コンピュータプログラムＰ及び情報処理方法においても実施形態１同様、血管をスキャンして得た医用画像を解析し、診断補助に係るオブジェクトを即時的に認識することができる。
今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
１ カテーテル
２ ＭＤＵ
３ 画像処理装置
３ａ 記録媒体
４ 表示装置
５ 入出力装置
６ 情報処理装置
６ａ 記録媒体
３１ 制御部
３２ 主記憶部
３３ 入出力Ｉ／Ｆ
３４ 補助記憶部
６１ 制御部
６２ 主記憶部
６３ 通信部
６４ 補助記憶部
１００、２００ 画像診断装置
３４１ 推定学習モデル
３４２ 第１認識学習モデル
３４３ 第２認識学習モデル
６４１ 推定学習モデル
６４２ 第１認識学習モデル
６４３ 第２認識学習モデル
Ｐ コンピュータプログラム

Claims (9)

  1. 管腔器官に挿入されたカテーテルにて検出した信号に基づき生成された医用画像を取得し、
    少なくとも医用画像に含まれるオブジェクトの位置を推定する第１学習モデルに、取得した医用画像を入力することによって、医用画像に含まれるオブジェクトの位置を推定し、
    推定したオブジェクトの位置を基準にした画像部分を医用画像から抽出し、
    画像部分に含まれるオブジェクトを認識する第２学習モデルに、抽出された画像部分を入力することによって、画像部分に含まれるオブジェクトを認識する
    処理をコンピュータに実行させるためのコンピュータプログラム。
  2. 時系列順に生成される複数の医用画像を取得し、
    取得した第１の医用画像を前記第１学習モデルに入力することによって、医用画像に含まれるオブジェクトの位置を推定し、
    第１の医用画像に基づいて推定されたオブジェクトの位置を基準にして、第１の医用画像の後に取得される第２の医用画像から画像部分を抽出し、
    第２の医用画像から抽出された画像部分を前記第２学習モデルに入力することによって、該画像部分に含まれるオブジェクトを認識する
    処理をコンピュータに実行させるための請求項１に記載のコンピュータプログラム。
  3. 管腔器官は血管であり、前記カテーテルにて検出した信号に基づき生成された血管の医用画像を取得する
    処理をコンピュータに実行させるための請求項１又は請求項２に記載のコンピュータプログラム。
  4. 前記第１学習モデルは、血管内腔境界、血管壁部、及び血管内に存在する医用器具の少なくとも一つの位置を推定するように学習されており、
    推定されたオブジェクトの位置を中心とする画像部分を抽出する
    処理をコンピュータに実行させるための請求項１から請求項３のいずれか１項に記載のコンピュータプログラム。
  5. 前記第１学習モデルは、血管内腔に挿入されたガイドワイヤ、又は血管内の石灰化部分の少なくとも一つの位置を推定するように学習されており、
    推定されたオブジェクトの位置を頂部又は端部とする画像部分を抽出する
    処理をコンピュータに実行させるための請求項１から請求項４のいずれか１項に記載のコンピュータプログラム。
  6. 前記第１学習モデルを用いて推定したオブジェクトの位置の情報に基づいて、前記第２学習モデルを用いて認識したオブジェクトを示す画像を医用画像に重畳させて表示する
    処理をコンピュータに実行させるための請求項１から請求項５のいずれか１項に記載のコンピュータプログラム。
  7. 前記第２学習モデルを用いて複数種類のオブジェクトを認識し、
    表示するオブジェクトの種類の選択を受け付け、
    取得した医用画像に、受け付けた種類のオブジェクトを示す画像を重畳させて表示する
    処理をコンピュータに実行させるための請求項６に記載のコンピュータプログラム。
  8. 管腔器官に挿入されたカテーテルにて検出した信号に基づき生成された医用画像を取得し、
    少なくとも医用画像に含まれるオブジェクトの位置を推定する第１学習モデルに、取得した医用画像を入力することによって、医用画像に含まれるオブジェクトの位置を推定し、
    推定したオブジェクトの位置を基準にした画像部分を医用画像から抽出し、
    画像部分に含まれるオブジェクトを認識する第２学習モデルに、抽出された画像部分を入力することによって、画像部分に含まれるオブジェクトを認識する
    処理をコンピュータが実行する情報処理方法。
  9. 管腔器官に挿入されたカテーテルにて検出した信号に基づき生成された医用画像を取得する取得部と、
    取得した医用画像が入力された場合、少なくとも医用画像に含まれるオブジェクトの推定位置を示す情報を出力する第１学習モデルと、
    推定されたオブジェクトの位置を基準にした画像部分を医用画像から抽出処理部と、
    抽出された画像部分が入力された場合、該画像部分に含まれるオブジェクトを示す情報を出力する第２学習モデルと
    を備える情報処理装置。
JP2022511729A 2020-03-30 2021-03-09 コンピュータプログラム、情報処理方法及び情報処理装置 Active JP7561833B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020061512 2020-03-30
JP2020061512 2020-03-30
PCT/JP2021/009304 WO2021199961A1 (ja) 2020-03-30 2021-03-09 コンピュータプログラム、情報処理方法及び情報処理装置

Publications (2)

Publication Number Publication Date
JPWO2021199961A1 JPWO2021199961A1 (ja) 2021-10-07
JP7561833B2 true JP7561833B2 (ja) 2024-10-04

Family

ID=77929076

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022511729A Active JP7561833B2 (ja) 2020-03-30 2021-03-09 コンピュータプログラム、情報処理方法及び情報処理装置

Country Status (3)

Country Link
US (1) US12530793B2 (ja)
JP (1) JP7561833B2 (ja)
WO (1) WO2021199961A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7574279B2 (ja) * 2020-03-30 2024-10-28 テルモ株式会社 コンピュータプログラム、情報処理方法、情報処理装置及びモデル生成方法
JPWO2022209657A1 (ja) * 2021-03-30 2022-10-06
WO2025070351A1 (ja) * 2023-09-25 2025-04-03 テルモ株式会社 情報処理方法、プログラム、情報処理装置及びモデル生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017503561A (ja) 2013-12-18 2017-02-02 ハートフロー， インコーポレイテッド 患者固有の解剖学的構造の画像データから冠動脈プラークの脆弱性を予測するシステム及び方法
WO2020054543A1 (ja) 2018-09-11 2020-03-19 富士フイルム株式会社 医療画像処理装置及び方法、内視鏡システム、プロセッサ装置、診断支援装置並びにプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2965263B1 (en) 2013-03-07 2022-07-20 Bernhard Sturm Multimodal segmentation in intravascular images
US10762637B2 (en) * 2017-10-27 2020-09-01 Siemens Healthcare Gmbh Vascular segmentation using fully convolutional and recurrent neural networks
US11707242B2 (en) * 2019-01-11 2023-07-25 Pie Medical Imaging B.V. Methods and systems for dynamic coronary roadmapping
CN113678167B (zh) * 2019-04-02 2025-08-12 皇家飞利浦有限公司 超声成像中的分割和视图引导以及相关联的设备、系统和方法
US11710238B2 (en) * 2019-10-24 2023-07-25 Case Western Reserve University Plaque segmentation in intravascular optical coherence tomography (OCT) images using deep learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017503561A (ja) 2013-12-18 2017-02-02 ハートフロー， インコーポレイテッド 患者固有の解剖学的構造の画像データから冠動脈プラークの脆弱性を予測するシステム及び方法
WO2020054543A1 (ja) 2018-09-11 2020-03-19 富士フイルム株式会社 医療画像処理装置及び方法、内視鏡システム、プロセッサ装置、診断支援装置並びにプログラム

Also Published As

Publication number Publication date
WO2021199961A1 (ja) 2021-10-07
US20230017334A1 (en) 2023-01-19
JPWO2021199961A1 (ja) 2021-10-07
US12530793B2 (en) 2026-01-20

Similar Documents

Publication Publication Date Title
JP7574279B2 (ja) コンピュータプログラム、情報処理方法、情報処理装置及びモデル生成方法
US12530793B2 (en) Computer program, information processing method, and information processing device
JP7489882B2 (ja) コンピュータプログラム、画像処理方法及び画像処理装置
JP7490045B2 (ja) プログラム、情報処理方法、情報処理装置及びモデル生成方法
CN114650778A (zh) 诊断支援装置、诊断支援系统以及诊断支援方法
US12518382B2 (en) Medical system, method for processing medical image, and medical image processing apparatus
US20240013434A1 (en) Program, information processing method, and information processing device
WO2024071251A1 (ja) コンピュータプログラム、情報処理方法、情報処理装置、及び学習モデル
WO2021193019A1 (ja) プログラム、情報処理方法、情報処理装置及びモデル生成方法
JP7686525B2 (ja) コンピュータプログラム、情報処理方法、及び情報処理装置
JP7803928B2 (ja) プログラム、画像処理方法及び画像処理装置
WO2023054467A1 (ja) モデル生成方法、学習モデル、コンピュータプログラム、情報処理方法及び情報処理装置
JP2025100867A (ja) コンピュータプログラム、情報処理方法、及び情報処理装置
US12283048B2 (en) Diagnosis support device, diagnosis support system, and diagnosis support method
WO2021193018A1 (ja) プログラム、情報処理方法、情報処理装置及びモデル生成方法
US20250221625A1 (en) Image diagnostic system, image diagnostic method, and storage medium
JP7813276B2 (ja) コンピュータプログラム、情報処理方法及び情報処理装置
JP7686523B2 (ja) コンピュータプログラム、情報処理方法、及び情報処理装置
JP7801064B2 (ja) コンピュータプログラム、情報処理方法及び情報処理装置
US20250248664A1 (en) Image diagnostic system and method
JP2024139509A (ja) プログラム、画像処理方法、画像処理装置及びモデル生成方法
JP2024142137A (ja) プログラム、画像処理方法及び画像処理装置
JP2025052747A (ja) 情報処理方法、プログラム及び情報処理装置
JP2024140944A (ja) プログラム、画像処理方法、画像処理装置及びモデル生成方法
JP2024050056A (ja) コンピュータプログラム、学習モデル、情報処理方法、及び情報処理装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231013

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: 20240827

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240924

R150 Certificate of patent or registration of utility model

Ref document number: 7561833

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150