JPWO2018225448A1 - 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 - Google Patents
消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 Download PDFInfo
- Publication number
- JPWO2018225448A1 JPWO2018225448A1 JP2019523412A JP2019523412A JPWO2018225448A1 JP WO2018225448 A1 JPWO2018225448 A1 JP WO2018225448A1 JP 2019523412 A JP2019523412 A JP 2019523412A JP 2019523412 A JP2019523412 A JP 2019523412A JP WO2018225448 A1 JPWO2018225448 A1 JP WO2018225448A1
- Authority
- JP
- Japan
- Prior art keywords
- endoscopic image
- disease
- image
- neural network
- endoscopic
- 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.)
- Granted
Links
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
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
- A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
- A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/00002—Operational features of endoscopes
- A61B1/00011—Operational features of endoscopes characterised by signal transmission
- A61B1/00016—Operational features of endoscopes characterised by signal transmission using wireless means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/273—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for the upper alimentary canal, e.g. oesophagoscopes, gastroscopes
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
- G06T2207/30028—Colon; Small intestine
- G06T2207/30032—Colon polyp
-
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Endoscopes (AREA)
- Image Analysis (AREA)
Abstract
Description
ニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法であって、
消化器官の第1の内視鏡画像と、
前記第1の内視鏡画像に対応する、前記消化器官の前記疾患の陽性若しくは陰性、過去の疾患、重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つの確定診断結果と、
を用いてニューラルネットワークを訓練し、
前記訓練されたニューラルネットワークは、消化器官の第2の内視鏡画像に基いて、当該消化器官の疾患の陽性及び/又は陰性の確率、過去の疾患の確率、疾患の重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つを出力することを特徴とする。
第5の態様のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法によれば、複数の消化器官のそれぞれにおいて複数箇所に区分されているので、短時間に高精度の診断結果を得ることができるようになる。
実施形態1では、本発明の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について、H.ピロリ感染胃炎の場合に適用した例を説明する。発明者の一人が属する医院において、延べ33人の内視鏡検査医が白色光による通常の倍率の内視鏡を用い、食道、胃、十二指腸鏡検査(以下、「EGD」という。)を行った。EGDの適応症は、様々な上腹部症状、胃の病気に対するバリウム検査の陽性結果、異常な血清ペプシノゲンのレベル、胃や十二指腸の既往症又はスクリーニングに関する、プライマリケア医からの紹介であった。全ての内視鏡医は、異常がなくても、喉頭、食道、胃、及び十二指腸の全体像を撮影するよう指示された。胃腸疾患のない患者の典型的な画像数は34(喉頭1、食道6、胃25、十二指腸2)であった。
2014年1月〜2016年12月にかけて行われた1768例のEGDの画像を遡及的にレビューすることにより、AIベースの診断システムの訓練及び構築に使用するデータ(「訓練/検証用データ」という。)のセットを用意した。胃癌、潰瘍、又は粘膜下腫瘍の存在又は病歴を有する患者のデータは、訓練/検証用データセットから除外した。H.ピロリ感染陽性又はH.ピロリ感染陰性と診断された胃の画像から、胃の食物残渣、生検後の出血、ハレーション又はその他の理由により、内視鏡専門医によって除外された画像もあった。また、評価対象となる内視鏡画像データ(「テストデータ」という。)のセットも用意した。なお、この「訓練/検証用データ」が本発明の「第1の内視鏡画像」に対応し、「テストデータ」が本発明の「第2の内視鏡画像」に対応する。これらの患者の人口統計学的特徴及び画像の特徴を表2に示した。
上述した訓練/検証用データセットを用いて構築された実施形態1のニューラルネットワークと内視鏡検査医との診断精度を評価するために、テストデータセットを準備した。発明者の一人が属する医院において、2017年1月〜2月の内視鏡検査を行った587人の患者の画像データのうち、H.ピロリ除菌後の166人の患者の画像データ、H.ピロリ感染状態が不明の23人の患者の画像データ及び胃切除後の1人の患者の画像データを除外した(図2参照)。結果として、H.ピロリ感染陽性ないし陰性と判断された残りの397人の患者の画像データをテストデータとして用いた。
AIベースの診断システムを構築するため、ディープラーニングニューラルネットワークの開発基盤としてCaffeフレームワークを利用し、畳み込みニューラルネットワーク(CNN)アーキテクチャとして22層からなるGoogLeNetを使用した。
訓練されたニューラルネットワークは、入力された画像に対してのH.ピロリ感染陽性又は陰性の診断結果として、0から1の間の確率値(PS)を出力する。ROC曲線は、陽性と陰性を識別するための閾値を変更することによって、この確率値をプロットしたものである。
テストデータセットに対し、CNNとEGDの経験豊富な23人の内視鏡検査医とは、それぞれ各患者の内視鏡画像に基づき、各患者をH.ピロリ感染陽性又は陰性と分類した。また、H.ピロリ感染診断の正確さと評価に必要な時間を測定し、それらをCNNと内視鏡専門医との間で比較した。
H.ピロリ感染の診断についてのそれぞれの内視鏡検査医の感度、特異度及び評価に必要であった時間を表3に纏めて示した。全内視鏡検査医の感度及び特異度はそれぞれ平均で79.6%及び83.2%であり、テストデータセットの全ての画像を評価するのに必要であった時間(評価時間)は230±65分(平均±標準偏差)であった。
本実施形態1で構築されたCNNは、1画像あたりのH.ピロリ感染確率Pを出力し、さらに、患者あたりの標本の標準偏差を計算した。まず、分類データを含まない全ての訓練/検証用データセットを用いて構築された第1回目のCNNの特性を調べた。その際に得られたROC曲線を図4に示した。なお、本来のROC曲線は、横軸は「1−特異度」を表し、左端が原点「0」であり、右端が「1」となるが、図4(図5においても同様)では横軸が「特異度」を表し、左端の原点が「1」であり、右端が「0」となっている。
実施形態1の診断支援システムとしてのCNNを組み込んだコンピュータは、基本的に、内視鏡画像入力部と、記憶部(ハードディスクないし半導体メモリ)と、画像解析装置と、判定表示装置と、判定出力装置とを備えている。他に、直接内視鏡画像撮像装置を備えているものであってもよい。また、このコンピュータシステムは、内視鏡検査施設から離れて設置され、遠隔地から画像情報を得て中央診断支援システムとしたり、インターネット網を介したクラウド型コンピュータシステムとしても稼働させることができる。
実施形態1で使用したCNNを組み込んだコンピュータによるH.ピロリ感染胃炎診断システムにおいては、入力された画像がどこの部分の画像であるかを自動的に判断することができる。そのため、このH.ピロリ感染胃炎診断システムにおいては、噴門部、胃底部、胃体部、胃角部、前庭部、幽門洞の7つの分類のそれぞれについてH.ピロリ感染確率を表示したり、これらの部位の幾つかから、例えば、H.ピロリ感染確率の上位5分類について、分類とともにH.ピロリ感染確率を表示したりすることが可能となる。このような分類とともにH.ピロリ感染確率を表示することは、最終的には血液検査や尿検査によって確定診断を行う必要があるが、内視鏡専門医の判断に有用となる。
最後に、CNNの性能を向上させるための基礎を提供するために、CNNによって誤って分類された画像を検討した。誤って分類された画像の典型的な例を図10〜図13に示す。図10Aは下部胃と誤分類された十二指腸の画像を示し、図10Bは正しく分類された下部胃の画像である。これらの画像に見られるように、横から見ると十二指腸は時には下部胃に似ている。これが誤分類の原因であったと考えられる。
実施形態3では、本発明の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について、潰瘍性大腸炎の場合に適用した例を説明する。発明者の一人が属する医院において、大腸内視鏡検査を受けた患者の臨床データを回顧的にレビューした。全体的に958例の患者の症状、内視鏡所見、 病理学的所見も含まれている。患者全員が全大腸内視鏡検査を受け、得られた大腸内視鏡画像は3人の消化器専門医によってレビューされた。
次に、結腸・直腸の位置がCNNの性能に影響を及ぼす可能性があるので、結腸・直腸の各位置(右側結腸、左側結腸、及び直腸)によるCNNの性能を評価した。
実施形態4では、本発明の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体について、超拡大内視鏡(Endocytoscopy:ECS)システムを用いて食道疾患に適用した例を説明する。ここで使用するECSシステムは、メチレンブルーなどの生体染色を使用してリアルタイムで表面上皮細胞を生体内で観察することを可能にする新規の拡大内視鏡検査である。発明者等は、2003年にECSを用いた臨床試験を初めて行い、正常扁平上皮及び食道癌の表面上皮細胞の特徴を報告した(非特許文献4参照)。現在市販されている第4世代のECSの倍率は、光学的に500倍で、さらにビデオプロセッサーに内蔵されたデジタル拡大機能を使用して倍率を最大900倍にまで拡大させることも可能である。
訓練データセットを用いてCNNを構築した後、テストデータを検討した。テストデータの各画像について、悪性である確率を計算し、受信機動作特性(ROC)曲線をプロットし、ROC曲線の下側部分の面積(AUC)を計算した。カットオフ値は、ROC曲線の感度及び特異性を考慮して決定した。
感 度=CNNが正しく悪性と診断した数/組織学的に証明された食道癌病変の数
PPV=CNNが正しく悪性と診断した数/CNNによる食道癌と診断された病変の数
NPV=CNNが非悪性病変として正しく診断した数(悪性と診断されたECS画像が1枚以下)/CNNによって非悪性病変と診断された病変の数
特異度=CNNが非悪性病変として正しく診断した数/組織学的に証明された非悪性病変
Type1:表面上皮細胞は、核/細胞質比が低く、細胞密度が低い。核異型は認められない。(図19a参照)
Type2:核密度は高いが、明らかな核異型はない。細胞間境界は明らかではない。(図19b参照)
Type3:明らかな核密度の上昇及び核異型が認められる。核の腫大も認められる(図19c参照)
テストデータ症例の臨床診断と病理診断結果とを表11に示した。
実施形態4で得られたCNNは、1520枚の画像(1画像あたり0.011秒)を分析するのに17秒を要した。全画像からプロットしたROC曲線(図20A)から求められたAUCは0.85であった。また、高倍率画像(図20B)と低倍率画像の場合(図20C)とでROC曲線を別々作成して分析したところ、高倍率画像の場合のAUC及び低倍率画像の場合のAUCはそれぞれ0.90及び0.72であった。
食道扁平上皮癌と診断された27症例のうち、実施形態4で構築されたCNNによる診断結果と、内視鏡専門医により分類されたTypeとの関係を表13に示した。
実施形態5のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法について、図23を用いて説明する。実施形態5では、実施形態1〜4のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法を使用することができる。S1では、消化器官の第1の内視鏡画像と、第1の内視鏡画像に対応する、消化器官の前記疾患の陽性若しくは陰性、過去の疾患、重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つの確定診断結果と、を用いてニューラルネットワークを訓練する。S2では、S1において訓練されたニューラルネットワークは、消化器官の第2の内視鏡画像に基いて、当該消化器官の疾患の陽性及び/又は陰性の確率、過去の疾患の確率、疾患の重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つを出力する。
実施形態6のニューラルネットワークを用いた消化器官の内視鏡画像ずよる疾患の診断支援システム、消化器官の内視鏡画像による診断支援プログラム、及び、コンピュータ読み取り可能な記録媒体について図24を参照して、説明する。実施形態6では、実施形態1〜4で説明した消化器官の内視鏡画像による疾患の診断支援システムを利用することができる。消化器官の内視鏡画像による疾患の診断支援システムは、内視鏡画像入力部10と、出力部30と、ニューラルネットワークが組み込まれたコンピュータ20と、を有する。コンピュータ20は、消化器官の第1の内視鏡画像を記憶する第1の記憶領域21と、第1の内視鏡画像に対応する、消化器官の疾患の陽性若しくは陰性、過去の疾患、重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つの確定診断結果を記憶する第2の記憶領域22と、ニューラルネットワークプログラムを記憶する第3の記憶領域23と、を備える。第3の記憶領域23に記憶されたニューラルネットワークプログラムは、第1の記憶領域21に記憶されている第1の内視鏡画像と、第2の記憶領域22に記憶されている確定診断結果とに基いて訓練されており、内視鏡画像入力部10から入力された消化器官の第2の内視鏡画像に基いて、第2の内視鏡画像に対する消化器官の疾患の陽性及び/又は陰性の確率、過去の疾患の確率、疾患の重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つを出力部30に出力する。
実施形態7のニューラルネットワークを用いた消化器官の内視鏡画像による消化器官の部位の判別方法について図25を参照して、説明する。実施形態7では、実施形態1〜4で説明したニューラルネットワークを用いた消化器官の内視鏡画像による消化器官の部位の判別方法を利用することができる。S11では、消化器官の第1の内視鏡画像と、第1の内視鏡画像に対応する、撮像された部位に対応する情報の確定情報を用いてニューラルネットワークを訓練する。S12では、訓練されたニューラルネットワークは、消化器官の第2の内視鏡画像に基いて、当該消化器官の撮像された部位に対応する情報を出力する。
実施形態8のニューラルネットワークを用いた消化器官の内視鏡画像による消化器官の部位の判別システム、消化器官の内視鏡画像による消化器官の部位の判別プログラム、及び、コンピュータ読み取り可能な記録媒体について図26を参照して、説明する。実施形態8では、実施形態1〜4で説明したニューラルネットワークを用いた消化器官の内視鏡画像による消化器官の部位の判別システムを利用することができる。実施形態8の消化器官の内視鏡画像による消化器官の部位の判別システムは、内視鏡画像入力部40と、出力部60と、ニューラルネットワークが組み込まれたコンピュータ50と、を有する。コンピュータ50は、消化器官の第1の内視鏡画像を記憶する第1の記憶領域51と、第1の内視鏡画像に対応する、消化器官の撮像された部位に対応する情報の確定情報を記憶する第2の記憶領域52と、ニューラルネットワークプログラムを記憶する第3の記憶領域53と、を備える。第3の記憶領域53に記憶されたニューラルネットワークプログラムは、第1の記憶領域51に記憶されている第1の内視鏡画像と、第2の記憶領域52に記憶されている確定情報とに基いて訓練されており、内視鏡画像入力部40から入力された消化器官の第2の内視鏡画像に基いて、第2の内視鏡画像に対する消化器官の撮像された部位に対応する情報を出力部60に出力する。
20…コンピュータ
21…第1の記憶領域
22…第2の記憶領域
23…第3の記憶領域
30…出力部
40…内視鏡画像入力部
50…コンピュータ
51…第1の記憶領域
52…第2の記憶領域
53…第3の記憶領域
60…出力部
Claims (36)
- ニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法であって、
消化器官の第1の内視鏡画像と、
前記第1の内視鏡画像に対応する、前記消化器官の前記疾患の陽性若しくは陰性、過去の疾患、重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つの確定診断結果と、
を用いてニューラルネットワークを訓練し、
前記訓練されたニューラルネットワークは、消化器官の第2の内視鏡画像に基いて、当該消化器官の疾患の陽性及び/又は陰性の確率、過去の疾患の確率、疾患の重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つを出力することを特徴とする、ニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。 - 前記第1の内視鏡画像は、コントラストの調整が行なわれていることを特徴とする、請求項1に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記第1の内視鏡画像は、それぞれが撮像された部位に関連付けられていることを特徴とする、請求項1又は2に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記部位は、咽頭、食道、胃又は十二指腸の少なくとも1つを含むことを特徴とする、請求項3に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記部位は、前記複数の消化器官の少なくとも1つにおいて複数箇所に区分されていることを特徴とする、請求項3又は4に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記部位が胃である場合には、前記区分は、上部胃、中部胃又は下部胃の少なくとも1つを含むことを特徴とする、請求項5に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記部位が胃である場合には、前記区分は、噴門部、胃底部、胃体部、胃角部、前庭部、幽門洞又は幽門部の少なくとも1つを含むことを特徴とする、請求項5に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記撮像された部位における前記第1の内視鏡画像の数が他の部位に比して少ない場合、前記第1の内視鏡画像を回転、拡大、縮小、画素数の変更、明暗部の抽出、又は、色調変化部位の抽出の少なくとも1つを使用することによって、全ての部位における前記第1の内視鏡画像の数が実質的に等しくなるようにされていることを特徴とする、請求項3〜7のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記訓練されたニューラルネットワークは、前記第2の内視鏡画像が撮像された部位に対応する情報が出力可能とされていることを特徴とする、請求項3〜8のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記訓練されたニューラルネットワークは、前記確率ないし前記重症度を前記部位に対応する情報とともに出力することを特徴とする、請求項9に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記第1の内視鏡画像は胃内視鏡画像を含み、前記疾患がヘリコバクター・ピロリ感染又はヘリコバクター・ピロリ除菌の有無の少なくとも1つを含むことを特徴とする、請求項1〜10のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記第1の内視鏡画像は大腸内視鏡画像を含み、前記疾患が少なくとも潰瘍性大腸炎を含み、前記訓練されたニューラルネットワークは前記潰瘍性大腸炎の重症度に応じた複数の段階に区分して出力することを特徴とする、請求項1〜10のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記第1の内視鏡画像は超拡大内視鏡による食道内視鏡画像を含み、前記疾患が食道癌、胃食道逆流症、又は、食道炎の少なくとも1つを含み、前記訓練されたニューラルネットワークは、前記食道癌、胃食道逆流症、又は、食道炎の少なくとも1つを区分して出力することを特徴とする、請求項1〜10のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記第2の内視鏡画像は、内視鏡で撮影中の画像、通信ネットワークを経由して送信されてきた画像、遠隔操作システム又はクラウド型システムによって提供される画像、コンピュータ読み取り可能な記録媒体に記録された画像、又は、動画の少なくとも1つであることを特徴とする、請求項1〜13のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 前記ニューラルネットワークとして畳み込みニューラルネットワークを用いることを特徴とする、請求項1〜14のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援方法。
- 内視鏡画像入力部と、出力部と、ニューラルネットワークが組み込まれたコンピュータと、を有する消化器官の内視鏡画像による疾患の診断支援システムであって、
前記コンピュータは、
消化器官の第1の内視鏡画像を記憶する第1の記憶領域と、
前記第1の内視鏡画像に対応する、前記消化器官の前記疾患の陽性若しくは陰性、過去の疾患、重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つの確定診断結果を記憶する第2の記憶領域と、
前記ニューラルネットワークプログラムを記憶する第3の記憶領域と、
を備え、
前記ニューラルネットワークプログラムは、
前記第1の記憶領域に記憶されている前記第1の内視鏡画像と、前記第2の記憶領域に記憶されている確定診断結果とに基いて訓練されており、
前記内視鏡画像入力部から入力された消化器官の第2の内視鏡画像に基いて、前記第2の内視鏡画像に対する消化器官の疾患の陽性及び/又は陰性の確率、過去の疾患の確率、疾患の重症度のレベル、又は、撮像された部位に対応する情報の少なくとも1つを前記出力部に出力することを特徴とする、消化器官の内視鏡画像による疾患の診断支援システム。 - 前記第1の内視鏡画像は、コントラストの調整が行なわれていることを特徴とする、請求項16に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第1の内視鏡画像は、それぞれが撮像された部位に関連付けられていることを特徴とする、請求項16又は17に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記部位は、咽頭、食道、胃又は十二指腸の少なくとも1つを含むことを特徴とする、請求項18に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記部位は、前記複数の消化器官の少なくとも1つにおいて複数箇所に区分されていることを特徴とする、請求項18又は19に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記部位が胃である場合には、前記区分は、上部胃、中部胃又は下部胃の少なくとも1つを含むことを特徴とする、請求項20に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記部位が胃である場合には、前記区分は、噴門部、胃底部、胃体部、胃角部、前庭部、幽門洞又は幽門部の少なくとも1つを含むことを特徴とする、請求項20に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記撮像された部位における前記第1の内視鏡画像の数が他の部位に比して少ない場合には、前記第1の内視鏡画像を回転、拡大、縮小、画素数の変更、明暗部の抽出又は色調変化部位の抽出の少なくとも1つを使用することによって、全ての部位における訓練/検証データの数が実質的に等しくなるようにされていることを特徴とする、請求項16〜22のいずれか1項に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記訓練されたニューラルネットワークプログラムは、前記第2の内視鏡画像が撮像された部位に対応する情報が出力可能であることを特徴とする、請求項16〜23のいずれか1項に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記訓練されたニューラルネットワークプログラムは、前記確率ないし前記重症度を前記部位に対応する情報とともに出力することを特徴とする、請求項24に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第1の内視鏡画像は胃内視鏡画像を含み、前記疾患がヘリコバクター・ピロリ感染又はヘリコバクター・ピロリ除菌の有無の少なくとも1つを含むことを特徴とする、請求項16〜25のいずれか1項に記載の消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第1の内視鏡画像は大腸内視鏡画像を含み、前記疾患が少なくとも潰瘍性大腸炎を含み、前記訓練されたニューラルネットワークプログラムは前記潰瘍性大腸炎の重症度に応じた複数の段階に区分して出力することを特徴とする、請求項16〜25のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第1の内視鏡画像は超拡大内視鏡による食道内視鏡画像を含み、前記疾患が食道癌、胃食道逆流症、又は、食道炎の少なくとも1つを含み、前記訓練されたニューラルネットワークは、前記食道癌、胃食道逆流症、又は、食道炎の少なくとも1つを区分して出力することを特徴とする、請求項16〜25のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 前記第2の内視鏡画像は、内視鏡で撮影中の画像、通信ネットワークを経由して送信されてきた画像、遠隔操作システム又はクラウド型システムによって提供される画像、コンピュータ読み取り可能な記録媒体に記録された画像、又は、動画の少なくとも1つであることを特徴とする、請求項16〜28のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 前記ニューラルネットワークが畳み込みニューラルネットワークであることを特徴とする、請求項16〜29のいずれか1項に記載のニューラルネットワークを用いた消化器官の内視鏡画像による疾患の診断支援システム。
- 請求項16〜30のいずれか1項に記載の消化器官の内視鏡画像による疾患の診断支援システムにおける各手段としてコンピュータを動作させるためのものであることを特徴とする、消化器官の内視鏡画像による診断支援プログラム。
- 請求項31に記載の消化器官の内視鏡画像による診断支援プログラムを記録したことを特徴とする、コンピュータ読み取り可能な記録媒体。
- ニューラルネットワークを用いた消化器官の内視鏡画像による消化器官の部位の判別方法であって、
消化器官の第1の内視鏡画像と、
前記第1の内視鏡画像に対応する、撮像された部位に対応する情報の確定情報を用いてニューラルネットワークを訓練し、
前記訓練されたニューラルネットワークは、消化器官の第2の内視鏡画像に基いて、当該消化器官の撮像された部位に対応する情報を出力することを特徴とする、ニューラルネットワークを用いた消化器官の内視鏡画像による消化器官の部位の判別方法。 - 内視鏡画像入力部と、出力部と、ニューラルネットワークが組み込まれたコンピュータと、を有する消化器官の内視鏡画像による消化器官の部位の判別システムであって、
前記コンピュータは、
消化器官の第1の内視鏡画像を記憶する第1の記憶領域と、
前記第1の内視鏡画像に対応する、前記消化器官の撮像された部位に対応する情報の確定情報を記憶する第2の記憶領域と、
前記ニューラルネットワークプログラムを記憶する第3の記憶領域と、
を備え、
前記ニューラルネットワークプログラムは、
前記第1の記憶領域に記憶されている前記第1の内視鏡画像と、前記第2の記憶領域に記憶されている確定情報とに基いて訓練されており、
前記内視鏡画像入力部から入力された消化器官の第2の内視鏡画像に基いて、前記第2の内視鏡画像に対する消化器官の撮像された部位に対応する情報を前記出力部に出力することを特徴とする、ニューラルネットワークを用いた消化器官の内視鏡画像による消化器官の部位の判別システム。 - 請求項34に記載の消化器官の内視鏡画像による消化器官の部位の判別システムにおける各手段として動作させるためのものであることを特徴とする、消化器官の内視鏡画像による消化器官の部位の判別プログラム。
- 請求項35に記載の消化器官の内視鏡画像による消化器官の部位の判別プログラムを記録したことを特徴とする、コンピュータ読み取り可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021069162A JP7216376B2 (ja) | 2017-06-09 | 2021-04-15 | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017114792 | 2017-06-09 | ||
JP2017114792 | 2017-06-09 | ||
JP2017213311 | 2017-11-02 | ||
JP2017213311 | 2017-11-02 | ||
PCT/JP2018/018316 WO2018225448A1 (ja) | 2017-06-09 | 2018-05-11 | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021069162A Division JP7216376B2 (ja) | 2017-06-09 | 2021-04-15 | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018225448A1 true JPWO2018225448A1 (ja) | 2020-07-30 |
JP6875709B2 JP6875709B2 (ja) | 2021-05-26 |
Family
ID=64567036
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019523412A Active JP6875709B2 (ja) | 2017-06-09 | 2018-05-11 | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
JP2021069162A Active JP7216376B2 (ja) | 2017-06-09 | 2021-04-15 | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021069162A Active JP7216376B2 (ja) | 2017-06-09 | 2021-04-15 | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11270433B2 (ja) |
JP (2) | JP6875709B2 (ja) |
CN (1) | CN111278348A (ja) |
SG (1) | SG11201911791RA (ja) |
TW (1) | TW201902411A (ja) |
WO (1) | WO2018225448A1 (ja) |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6657480B2 (ja) * | 2017-10-30 | 2020-03-04 | 公益財団法人がん研究会 | 画像診断支援装置、画像診断支援装置の作動方法および画像診断支援プログラム |
WO2019120452A1 (en) | 2017-12-22 | 2019-06-27 | Coloplast A/S | Coupling part with a hinge for an ostomy base plate and sensor assembly part |
CA3090672A1 (en) * | 2018-02-06 | 2019-08-15 | The Regents Of The University Of Michigan | Systems and methods for analysis and remote interpretation of optical histologic images |
KR102237441B1 (ko) * | 2018-02-28 | 2021-04-07 | 이화여자대학교 산학협력단 | 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치 |
WO2019174697A1 (en) | 2018-03-15 | 2019-09-19 | Coloplast A/S | Apparatus and methods for navigating ostomy appliance user to changing room |
WO2019198637A1 (ja) * | 2018-04-13 | 2019-10-17 | 富士フイルム株式会社 | 画像処理装置、内視鏡システム、及び画像処理方法 |
JP7017198B2 (ja) * | 2018-06-22 | 2022-02-08 | 株式会社Aiメディカルサービス | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 |
WO2020061370A1 (en) * | 2018-09-20 | 2020-03-26 | Siemens Healthcare Diagnostics Inc. | Hypothesizing and verification networks and methods for specimen classification |
KR102210806B1 (ko) * | 2018-10-02 | 2021-02-01 | 한림대학교 산학협력단 | 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법 |
CN109523522B (zh) * | 2018-10-30 | 2023-05-09 | 腾讯医疗健康(深圳)有限公司 | 内窥镜图像的处理方法、装置、系统及存储介质 |
EP4257035A3 (en) * | 2018-12-20 | 2024-01-03 | Coloplast A/S | Ostomy condition classification with masking, devices and related methods |
JP7308258B2 (ja) * | 2019-02-19 | 2023-07-13 | 富士フイルム株式会社 | 医療画像処理装置及び医療画像処理装置の作動方法 |
EP3932323A4 (en) * | 2019-02-28 | 2022-04-13 | FUJIFILM Corporation | ULTRASOUND ENDOSCOPY SYSTEM AND OPERATING PROCEDURES FOR AN ULTRASOUND ENDOSCOPY SYSTEM |
TWI711050B (zh) * | 2019-03-12 | 2020-11-21 | 宏碁股份有限公司 | 醫療影像辨識裝置及醫療影像辨識方法 |
CN112566540B (zh) * | 2019-03-27 | 2023-12-19 | Hoya株式会社 | 内窥镜用处理器、信息处理装置、内窥镜系统、程序以及信息处理方法 |
US11779222B2 (en) | 2019-07-10 | 2023-10-10 | Compal Electronics, Inc. | Method of and imaging system for clinical sign detection |
JP7477269B2 (ja) * | 2019-07-19 | 2024-05-01 | 株式会社ニコン | 学習装置、判定装置、顕微鏡、学習済みモデル、及びプログラム |
WO2021020187A1 (ja) * | 2019-07-26 | 2021-02-04 | 知明 久慈 | 医療システム、医療デバイス及び医療プログラム |
CN110495847B (zh) * | 2019-08-23 | 2021-10-08 | 重庆天如生物科技有限公司 | 基于深度学习的消化道早癌辅助诊断系统和检查装置 |
TWI709147B (zh) * | 2019-10-16 | 2020-11-01 | 中國醫藥大學附設醫院 | 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統 |
US20240169093A1 (en) * | 2019-10-31 | 2024-05-23 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for protecting patient information during characterization of a specimen in an automated diagnostic analysis system |
WO2021149552A1 (ja) * | 2020-01-20 | 2021-07-29 | 富士フイルム株式会社 | 医療画像処理装置、医療画像処理装置の作動方法、及び内視鏡システム |
US11232570B2 (en) * | 2020-02-13 | 2022-01-25 | Olympus Corporation | System and method for diagnosing severity of gastritis |
WO2021166749A1 (ja) * | 2020-02-18 | 2021-08-26 | ソニー・オリンパスメディカルソリューションズ株式会社 | 学習装置及び医療用画像処理装置 |
CN111353547B (zh) * | 2020-03-06 | 2023-07-04 | 重庆金山医疗技术研究院有限公司 | 一种基于深度学习的图片处理方法、设备及系统 |
JP7451680B2 (ja) * | 2020-03-11 | 2024-03-18 | オリンパス株式会社 | 処理システム、画像処理方法、学習方法及び処理装置 |
US20230162356A1 (en) * | 2020-04-10 | 2023-05-25 | Japanese Foundation For Cancer Research | Diagnostic imaging device, diagnostic imaging method, diagnostic imaging program, and learned model |
WO2021220822A1 (ja) * | 2020-04-27 | 2021-11-04 | 公益財団法人がん研究会 | 画像診断装置、画像診断方法、画像診断プログラムおよび学習済みモデル |
US11478124B2 (en) * | 2020-06-09 | 2022-10-25 | DOCBOT, Inc. | System and methods for enhanced automated endoscopy procedure workflow |
KR102492463B1 (ko) * | 2020-06-24 | 2023-01-27 | 주식회사 뷰노 | 병변 판독 결과 표시 방법 |
CN115776863A (zh) * | 2020-07-06 | 2023-03-10 | 阿伊里斯株式会社 | 处理装置、处理程序、处理方法及处理系统 |
EP4227725A4 (en) * | 2020-10-09 | 2024-04-10 | FUJIFILM Corporation | MEDICAL IMAGE PROCESSING DEVICE AND METHOD OF OPERATING THE SAME |
US11100373B1 (en) | 2020-11-02 | 2021-08-24 | DOCBOT, Inc. | Autonomous and continuously self-improving learning system |
CN112508827B (zh) * | 2020-11-06 | 2022-04-22 | 中南大学湘雅医院 | 一种基于深度学习的融合多场景的危及器官的分割方法 |
CN112396591A (zh) * | 2020-11-25 | 2021-02-23 | 暨南大学附属第一医院(广州华侨医院) | 一种基于腰椎x线图像的骨质疏松智能评估方法 |
TWI767456B (zh) * | 2020-12-18 | 2022-06-11 | 陳階曉 | 黃疸分析系統及其方法 |
CN113539476A (zh) * | 2021-06-02 | 2021-10-22 | 复旦大学 | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 |
CN113610847B (zh) * | 2021-10-08 | 2022-01-04 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
WO2023089718A1 (ja) | 2021-11-18 | 2023-05-25 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、記録媒体 |
CN113989284B (zh) * | 2021-12-29 | 2022-05-10 | 广州思德医疗科技有限公司 | 一种幽门螺杆菌辅助检测系统及检测装置 |
CN114664410B (zh) * | 2022-03-11 | 2022-11-08 | 北京医准智能科技有限公司 | 一种基于视频的病灶分类方法、装置、电子设备及介质 |
US20230342912A1 (en) * | 2022-04-25 | 2023-10-26 | Hong Kong Applied Science and Technology Research Institute Company Limited | Multi-functional computer-aided gastroscopy system optimized with integrated ai solutions and method |
WO2024075240A1 (ja) * | 2022-10-06 | 2024-04-11 | 日本電気株式会社 | 画像処理装置、画像処理方法及び記憶媒体 |
CN116012367B (zh) * | 2023-02-14 | 2023-09-12 | 山东省人工智能研究院 | 一种基于深度学习的胃部胃黏膜特征及位置识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002165757A (ja) * | 2000-11-30 | 2002-06-11 | Olympus Optical Co Ltd | 診断支援装置 |
JP2009095644A (ja) * | 2007-04-12 | 2009-05-07 | Fujifilm Corp | 画像認識結果判定装置、方法、およびプログラム |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4409166B2 (ja) * | 2002-12-05 | 2010-02-03 | オリンパス株式会社 | 画像処理装置 |
JP5094036B2 (ja) * | 2006-04-17 | 2012-12-12 | オリンパスメディカルシステムズ株式会社 | 内視鏡挿入方向検出装置 |
JP5831901B2 (ja) | 2011-11-28 | 2015-12-09 | 国立大学法人大阪大学 | 誘導ラマン散乱顕微鏡 |
WO2016094330A2 (en) | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
CN104732243B (zh) * | 2015-04-09 | 2018-04-17 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
WO2017027475A1 (en) * | 2015-08-07 | 2017-02-16 | Jianming Liang | Methods, systems, and media for simultaneously monitoring colonoscopic video quality and detecting polyps in colonoscopy |
JP6528608B2 (ja) | 2015-08-28 | 2019-06-12 | カシオ計算機株式会社 | 診断装置、及び診断装置における学習処理方法、並びにプログラム |
US10510144B2 (en) * | 2015-09-10 | 2019-12-17 | Magentiq Eye Ltd. | System and method for detection of suspicious tissue regions in an endoscopic procedure |
JP6545591B2 (ja) | 2015-09-28 | 2019-07-17 | 富士フイルム富山化学株式会社 | 診断支援装置、方法及びコンピュータプログラム |
WO2017055412A1 (en) * | 2015-09-30 | 2017-04-06 | Siemens Healthcare Gmbh | Method and system for classification of endoscopic images using deep decision networks |
JP6656357B2 (ja) * | 2016-04-04 | 2020-03-04 | オリンパス株式会社 | 学習方法、画像認識装置およびプログラム |
CN205665697U (zh) | 2016-04-05 | 2016-10-26 | 陈进民 | 基于细胞神经网络或卷积神经网络的医学影像识别诊断系统 |
CN106372390B (zh) | 2016-08-25 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN110049709B (zh) * | 2016-12-07 | 2022-01-11 | 奥林巴斯株式会社 | 图像处理装置 |
US10806334B2 (en) * | 2017-02-28 | 2020-10-20 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
-
2018
- 2018-05-11 WO PCT/JP2018/018316 patent/WO2018225448A1/ja active Application Filing
- 2018-05-11 US US16/620,861 patent/US11270433B2/en active Active
- 2018-05-11 TW TW107116169A patent/TW201902411A/zh unknown
- 2018-05-11 JP JP2019523412A patent/JP6875709B2/ja active Active
- 2018-05-11 SG SG11201911791RA patent/SG11201911791RA/en unknown
- 2018-05-11 CN CN201880037797.9A patent/CN111278348A/zh active Pending
-
2021
- 2021-04-15 JP JP2021069162A patent/JP7216376B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002165757A (ja) * | 2000-11-30 | 2002-06-11 | Olympus Optical Co Ltd | 診断支援装置 |
JP2009095644A (ja) * | 2007-04-12 | 2009-05-07 | Fujifilm Corp | 画像認識結果判定装置、方法、およびプログラム |
Non-Patent Citations (2)
Title |
---|
乾正幸: "胃がんのリスクを検査する−ABC検査を用いたこれからの胃がん対策−", 微研ジャーナル友, vol. 37, no. 3, JPN7018001958, 2014, JP, pages 3 - 11, ISSN: 0004300801 * |
関野雅則: "視覚情報処理モデルに基づいて改良した畳み込みニューラルネットワーク文字認識", 富士ゼロックス テクニカルレポート, JPN7018001960, 2014, JP, pages 82 - 88, ISSN: 0004300802 * |
Also Published As
Publication number | Publication date |
---|---|
WO2018225448A1 (ja) | 2018-12-13 |
US20200279368A1 (en) | 2020-09-03 |
US11270433B2 (en) | 2022-03-08 |
TW201902411A (zh) | 2019-01-16 |
CN111278348A (zh) | 2020-06-12 |
JP2021112593A (ja) | 2021-08-05 |
JP6875709B2 (ja) | 2021-05-26 |
JP7216376B2 (ja) | 2023-02-01 |
SG11201911791RA (en) | 2020-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7216376B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
JP7017198B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
JP7037220B2 (ja) | 消化器官の内視鏡画像による疾患の診断支援システム、診断支援システムの作動方法、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
JP6657480B2 (ja) | 画像診断支援装置、画像診断支援装置の作動方法および画像診断支援プログラム | |
Cai et al. | Using a deep learning system in endoscopy for screening of early esophageal squamous cell carcinoma (with video) | |
WO2019245009A1 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
Khan et al. | Automatic detection of tympanic membrane and middle ear infection from oto-endoscopic images via convolutional neural networks | |
WO2021054477A2 (ja) | 消化器官の内視鏡画像による疾患の診断支援方法、診断支援システム、診断支援プログラム及びこの診断支援プログラムを記憶したコンピュータ読み取り可能な記録媒体 | |
US20180263568A1 (en) | Systems and Methods for Clinical Image Classification | |
Namikawa et al. | Utilizing artificial intelligence in endoscopy: a clinician’s guide | |
Everson et al. | Virtual chromoendoscopy by using optical enhancement improves the detection of Barrett’s esophagus–associated neoplasia | |
US20230206435A1 (en) | Artificial intelligence-based gastroscopy diagnosis supporting system and method for improving gastrointestinal disease detection rate | |
Suzuki et al. | Artificial intelligence for cancer detection of the upper gastrointestinal tract | |
Li et al. | Intelligent detection endoscopic assistant: An artificial intelligence-based system for monitoring blind spots during esophagogastroduodenoscopy in real-time | |
CN113112449A (zh) | 一种肠癌辅助诊断模型构建和辅助诊断方法及系统 | |
Yu et al. | Artificial intelligence in gastric cancer: A translational narrative review | |
Jin et al. | Automatic detection of early gastric cancer in endoscopy based on Mask region-based convolutional neural networks (Mask R-CNN)(with video) | |
Bond et al. | Dual-focus magnification, high-definition endoscopy improves pathology detection in direct-to-test diagnostic upper gastrointestinal endoscopy | |
Cychnerski et al. | ERS: a novel comprehensive endoscopy image dataset for machine learning, compliant with the MST 3.0 specification | |
JP2023079866A (ja) | 超拡大内視鏡による胃癌の検査方法、診断支援方法、診断支援システム、診断支援プログラム、学習済みモデル及び画像診断支援装置 | |
Landmark | for Autonomous Endoscopy Examination | |
Zhuo et al. | Use of a Convolutional Neural Network to Predict the Malignant Potential of Gastrointestinal Stromal Tumors in Transabdominal Ultrasound Images: Visualization of the Focus of the Prediction Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20200303 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200427 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200427 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200527 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200430 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200703 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200707 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200907 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201105 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210221 |
|
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: 20210316 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210331 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210415 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6875709 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE Ref document number: 6875709 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |