JPWO2020067481A1 - 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体 - Google Patents
画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体 Download PDFInfo
- Publication number
- JPWO2020067481A1 JPWO2020067481A1 JP2020549464A JP2020549464A JPWO2020067481A1 JP WO2020067481 A1 JPWO2020067481 A1 JP WO2020067481A1 JP 2020549464 A JP2020549464 A JP 2020549464A JP 2020549464 A JP2020549464 A JP 2020549464A JP WO2020067481 A1 JPWO2020067481 A1 JP WO2020067481A1
- Authority
- JP
- Japan
- Prior art keywords
- frequency distribution
- threshold value
- image
- value
- prognosis
- 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.)
- Pending
Links
- 238000010191 image analysis Methods 0.000 title claims abstract description 52
- 238000004590 computer program Methods 0.000 title claims description 6
- 238000003703 image analysis method Methods 0.000 title claims description 4
- 238000009826 distribution Methods 0.000 claims abstract description 161
- 238000004393 prognosis Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims description 27
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 206010028980 Neoplasm Diseases 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 238000007796 conventional method Methods 0.000 description 17
- 238000007781 pre-processing Methods 0.000 description 17
- 230000004083 survival effect Effects 0.000 description 16
- 210000001519 tissue Anatomy 0.000 description 16
- 238000002591 computed tomography Methods 0.000 description 11
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 238000002600 positron emission tomography Methods 0.000 description 7
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 230000036210 malignancy Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 208000037841 lung tumor Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000002720 stereotactic body radiation therapy Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理部と、二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成部と、生成した連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定部と、特定された連結成分の頻度分布における基準閾値を用いて、予後に関する情報の解析結果を生成する生成部と、を備える画像解析装置。
Description
本発明は、画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体に関する。
本願は、2018年9月28日に、日本に出願された特願2018−185228号に基づき優先権を主張し、その内容をここに援用する。
本願は、2018年9月28日に、日本に出願された特願2018−185228号に基づき優先権を主張し、その内容をここに援用する。
従来、医療画像の診断には、主にCT(Computed Tomography)、PET(Positron Emission Tomography)、MRI(Magnetic Resonance Imaging)が使用されていた(例えば、特許文献1、特許文献2及び非特許文献1参照)。CTでは患者の全身の形態情報を、PETでは患者の生体組織の代謝や機能の情報を、MRIでは狭い範囲でコントラスト良く軟部組織の形態情報が診断されてきた。しかし、これらのモダリティの医療画像はそれぞれ独立して解析・診断が行われていた。そのため、これらのモダリティの画像間の関連性を見出し、医療情報を統合して、医療現場に活かす研究はなかった。
しかし、近年、モダリティ間の画像を全て統合して解析を行うRadiomicsという新興技術が提案されている(例えば、非特許文献2参照)。Radiomicsにより、日々撮影されて蓄積されている大量の医療画像のビッグデータを活用することができる。ビッグデータ内の画像において数千個に及ぶ特徴量の解析を行うことにより、画像を数値化して、異なるモダリティの画像間において統一化を図ることができる。また、画像の特徴を示した特徴量と、生存期間、バイオマーカー、遺伝子情報、悪性度、病理等の結果との関連性を調べることにより、画像のみから患者の予後予測(例えば、生存期間)、バイオマーカー、遺伝子情報、悪性度、病理等の情報を得ることができる。
Mizuho Nishio, Kazuaki Nakane, Yutaka Tanaka, "Applicationof the homology method for quantification of low-attenuation lung region in patients with and without COPD", International Journal of COPD p.2125-2137
"NSCLC-Radiomics"、[online]、Atlassian、[令和1年9月20日検索]、インターネット(URL:https://wiki.cancerimagingarchive.net/display/Public/NSCLC-Radiomics)
Radiomicsの予後予測は現在も盛んに行われており、ニハらの研究では、MRI画像の脳腫瘍部位に対して、画像の濃度の周波数やピクセル値の分布などの30個に及ぶ特徴量を組み合わせることにより、悪性度の高い腫瘍と低い腫瘍に分けて、生存率に有意差を出すことができている。また、ヒューゴらの研究では、CT画像の肺腫瘍部位に対して、生存期間に有意差があった4つの特徴量を組み合わせて解析することにより、ある程度の正確性で予後の推定を行うことができている。
しかしながら、従来の研究では、予後予測の精度は低く、さらなる精度の向上が求められている。なお、このような問題は、予後予測に限らず、生体組織を撮像した撮像画像から患者の予後に関する情報を生成する場合に共通する問題である。
しかしながら、従来の研究では、予後予測の精度は低く、さらなる精度の向上が求められている。なお、このような問題は、予後予測に限らず、生体組織を撮像した撮像画像から患者の予後に関する情報を生成する場合に共通する問題である。
上記事情に鑑み、本発明は、生体組織を撮像した撮像画像から得られる患者の予後に関する情報の精度を向上させる技術の提供を目的としている。
本発明の一態様は、生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理部と、前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成部と、生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定部と、特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する生成部と、を備える画像解析装置である。
本発明の一態様は、上記の画像解析装置であって、前記基準値特定部は、前記連結成分の頻度分布において極値を与える閾値又は前記閾値の近傍の値を前記連結成分の頻度分布における前記基準閾値と特定する。
本発明の一態様は、上記の画像解析装置であって、前記頻度分布生成部は、前記二値化処理部によって生成された前記複数の二値化画像を用いて、前記二値化画像に含まれる穴又は球の数の頻度分布をさらに生成し、前記基準値特定部は、前記穴又は球の数の頻度分布において極値を与える閾値又は前記閾値の近傍の値を前記穴又は球の数の頻度分布における基準閾値と特定し、前記生成部は、特定された前記連結成分の頻度分布における前記基準閾値と、前記穴又は球の数の頻度分布における基準閾値とを用いて、予後に関する情報の解析結果を生成する。
本発明の一態様は、上記の画像解析装置であって、前記連結成分の頻度分布と、患者の予後のデータとを対応付けて学習することによって学習モデルを生成する学習モデル生成部をさらに備え、前記生成部は、新たに入力された撮像画像から得られる前記連結成分の頻度分布と、前記学習モデルとを用いて前記患者の予後のデータをさらに生成する。
本発明の一態様は、生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理部と、前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成部と、生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定部と、特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する生成部と、を備える画像解析システムである。
本発明の一態様は、生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理ステップと、前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成ステップと、生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定ステップと、特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する出力情報生成ステップと、を備える画像解析方法である。
本発明の一態様は、生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理ステップと、前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成ステップと、生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定ステップと、特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する出力情報生成ステップと、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である。
本発明の一態様は、上記のコンピュータプログラムを記録した非一時的記録媒体である。
本発明により、生体組織を撮像した撮像画像から得られる患者の予後に関する情報の精度を向上させることが可能となる。
以下、本発明の一実施形態を、図面を参照しながら説明する。
(第1の実施形態)
図1は、第1の実施形態における予後予測システム100のシステム構成を表す構成図である。予後予測システム100は、外部装置10及び画像解析装置20を備える。外部装置10及び画像解析装置20は、無線又は有線により通信可能に接続される。
(第1の実施形態)
図1は、第1の実施形態における予後予測システム100のシステム構成を表す構成図である。予後予測システム100は、外部装置10及び画像解析装置20を備える。外部装置10及び画像解析装置20は、無線又は有線により通信可能に接続される。
外部装置10は、生体組織が撮像された撮像画像を保持する装置である。撮像画像は、CT画像、MRI画像及びPET画像等の生体組織が撮像された画像である。以下の説明では、撮像画像として、CT画像を例に説明する。外部装置10は、例えばCT画像を取得するX線CT診断装置、MRI画像を取得するMRI装置、PET画像を取得するPET装置、PET/CT装置及び撮像画像を保存可能な記憶装置である。なお、撮像画像は、適当な染色を施した後の生体組織を撮像した画像であってもよい。本実施形態における生体組織とは、例えば腫瘍である。
画像解析装置20は、外部装置10が保持している撮像画像を解析することにより、撮像画像の患者の予後予測に有用な情報を出力する。画像解析装置20は、例えばノートパソコン、パーソナルコンピュータ、スマートフォン、携帯電話、タブレット端末等の情報処理装置を用いて構成される。
次に、第1の実施形態における画像解析装置20の具体的な機能構成について説明する。画像解析装置20は、バスで接続されたCPU(Central Processing Unit)やメモリや補助記憶装置などを備え、画像解析プログラムを実行する。画像解析プログラムの実行によって、画像解析装置20は、画像取得部201、前処理部202、二値化処理部203、頻度分布生成部204、基準値特定部205、出力情報生成部206、出力部207を備える装置として機能する。なお、画像解析装置20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。また、画像解析プログラムは、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。また、画像解析プログラムは、電気通信回線を介して送受信されてもよい。
画像取得部201は、外部装置10が保持している撮像画像を取得する。例えば、画像取得部201は、外部装置10が保持している複数の撮像画像のうち1枚の撮像画像を取得する。
前処理部202は、画像取得部201によって取得された撮像画像に対して、画像解析を容易に行うための前処理を行う。具体的には、前処理部202は、撮像画像に対して、画像のウィンドウ幅とウィンドウレベルの変更、腫瘍以外の部分が入らないように腫瘍部分の抽出処理、3D画像から2D画像への変換のいずれか又は全てを前処理として行う。
前処理部202は、画像取得部201によって取得された撮像画像に対して、画像解析を容易に行うための前処理を行う。具体的には、前処理部202は、撮像画像に対して、画像のウィンドウ幅とウィンドウレベルの変更、腫瘍以外の部分が入らないように腫瘍部分の抽出処理、3D画像から2D画像への変換のいずれか又は全てを前処理として行う。
二値化処理部203は、前処理後の撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する。
頻度分布生成部204は、二値化処理部203によって生成された複数の二値化画像を用いて、複数の二値化画像それぞれに含まれる図形の穴の数の頻度を表す第1の頻度分布と、連結成分の頻度を表す第2の頻度分布とを生成する。具体的には、まず頻度分布生成部204は、各二値化画像において、図形の穴の数及び連結成分を計測する。そして、頻度分布生成部204は、二値化画像の生成に用いられた閾値毎に、図形の穴の数をプロットすることによって第1の頻度分布を生成する。また、頻度分布生成部204は、二値化画像の生成に用いられた閾値毎に、連結成分をプロットすることによって第2の頻度分布を生成する。なお、連結成分とは、一連なりの図形の数を表す。
頻度分布生成部204は、二値化処理部203によって生成された複数の二値化画像を用いて、複数の二値化画像それぞれに含まれる図形の穴の数の頻度を表す第1の頻度分布と、連結成分の頻度を表す第2の頻度分布とを生成する。具体的には、まず頻度分布生成部204は、各二値化画像において、図形の穴の数及び連結成分を計測する。そして、頻度分布生成部204は、二値化画像の生成に用いられた閾値毎に、図形の穴の数をプロットすることによって第1の頻度分布を生成する。また、頻度分布生成部204は、二値化画像の生成に用いられた閾値毎に、連結成分をプロットすることによって第2の頻度分布を生成する。なお、連結成分とは、一連なりの図形の数を表す。
基準値特定部205は、生成された第1の頻度分布及び第2の頻度分布を用いて、予後に関する情報の解析に用いられる基準となる閾値を基準閾値として特定する。具体的には、基準値特定部205は、第1の頻度分布において極値を与える閾値を第1の基準閾値と特定し、第2の頻度分布において極値を与える閾値を第2の基準閾値と特定する。
出力情報生成部206は、特定された第1の基準閾値と、第2の基準閾値とを用いて、予後に関する情報の解析結果を出力情報として生成する。具体的には、出力情報生成部206は、第1の基準閾値と、第2の基準閾値とを画像のホモロジーの特徴量として、この特徴量と患者の生存率とをKaplan−meierで分析した結果やP値を出力情報として生成する。なお、出力情報生成部206は、生成部の一態様である。
出力情報生成部206は、特定された第1の基準閾値と、第2の基準閾値とを用いて、予後に関する情報の解析結果を出力情報として生成する。具体的には、出力情報生成部206は、第1の基準閾値と、第2の基準閾値とを画像のホモロジーの特徴量として、この特徴量と患者の生存率とをKaplan−meierで分析した結果やP値を出力情報として生成する。なお、出力情報生成部206は、生成部の一態様である。
出力部207は、出力情報生成部206によって生成された出力情報を出力する。例えば、出力部207は、自装置に接続された表示装置に対して出力情報を出力してもよいし、自装置に接続された印刷装置に対して出力情報を出力してもよい。
図2は、第1の実施形態における画像解析装置20の処理の流れを示すフローチャートである。
画像取得部201は、外部装置10から撮像画像を取得する(ステップS101)。画像取得部201は、取得した撮像画像を前処理部202に出力する。前処理部202は、画像取得部201から出力された撮像画像に対して前処理を行う(ステップS102)。
画像取得部201は、外部装置10から撮像画像を取得する(ステップS101)。画像取得部201は、取得した撮像画像を前処理部202に出力する。前処理部202は、画像取得部201から出力された撮像画像に対して前処理を行う(ステップS102)。
図3A及び図3Bを用いて、第1の実施形態における前処理の具体的な処理を説明する。前処理部202は、図3Aに示す撮像画像31を入力として、入力された撮像画像31に対してウィンドウ幅とウィンドウレベルを変更する処理を行う。図3Bは、ウィンドウ幅とウィンドウレベルの変更後の撮像画像32を表す図である。本実施形態では、肺腫瘍が見やすい縦隔条件を満たすウィンドウ幅とウィンドウレベルに変更している。このときグレイスケールの階調度は256である。次に、前処理部202は、図3Bに示す画像から肺の腫瘍部分の領域321を抽出する。この際、前処理部202は、できるだけ腫瘍以外の情報がはいらないように、肺腫瘍のCTV領域以外のCT値を0とする。
図3Cは、撮像画像32から領域321を抽出することによって得られた抽出画像33を表す図である。抽出画像33は、3次元の画像データである。次に、前処理部202は、抽出画像33から複数の面(例えば、axial断面(体軸断面)、coronal断面(冠状断面)及びsagittal断面(矢状断面))の複数の二次元画像を抽出する。なお、前処理部202は、各面で腫瘍面積が最大になる複数の二次元画像を抽出する。図3Dは、抽出された二次元画像34、35及び36を表す図である。二次元画像34は、axial面でスライスされた二次元画像である。二次元画像35は、coronal面でスライスされた二次元画像である。二次元画像36は、sagittal面でスライスされた二次元画像である。このように、本実施形態では、患者一人当たり、3枚の二次元画像を用いる。
図2に戻り、二値化処理部203は、二値化の閾値X=0とする(ステップS103)。二値化処理部203は、前処理部202によって抽出された二次元画像34、35及び36それぞれに対して、二値化の閾値をXとして二値化処理を行うことによって複数の二値化画像を生成する(ステップS104)。例えば、処理開始時では、二値化処理部203は、二値化の閾値を0として二次元画像34、35及び36それぞれに対して二値化処理を行うことによって複数の二値化画像を生成する。
図4A及び図4Bを用いて、第1の実施形態における二値化処理に説明する。図4Aは二次元画像34の一例を表す図である。図4Bは、二次元画像34に対して二値化処理を行った後の二値化画像40を表す図である。図4Bに示すように、二値化画像40には、図形内に穴が複数存在している。この穴の数は、Xの値に応じて変化する。なお、図4Aでは、axial断面の二次元画像34を示しているが、二値化処理部203はcoronal断面の二次元画像35及びsagittal断面の二次元画像36に対しても同様に二値化処理を行う。これにより、二値化処理部203は、axial断面の二値化画像、coronal断面の二値化画像及びsagittal断面の二値化画像を生成する。
図2に戻り、頻度分布生成部204は、二値化処理部203によって生成された複数の二値化画像を用いて、複数の二値化画像それぞれに含まれる図形の穴の数と、連結成分を計測する(ステップS105)。頻度分布生成部204は、計測した図形の穴の数と、連結成分とを一時的に保持する。その後、二値化処理部203は、X=Xmaxであるか否かを判定する(ステップS106)。Xmaxは、二値化処理に用いる閾値の最大値であり、例えば256階調の場合には255である。
X=Xmaxでない場合(ステップS106−NO)、二値化処理部203はXの値に1加算して値を新たな閾値Xとする(ステップS107)。その後、画像解析装置20は、ステップS104以降の処理を実行する。
一方、X=Xmaxである場合(ステップS106−YES)、頻度分布生成部204は保持している閾値X毎の図形の穴の数と、連結成分とを用いて第1の頻度分布及び第2の頻度分布を生成する(ステップS108)。
一方、X=Xmaxである場合(ステップS106−YES)、頻度分布生成部204は保持している閾値X毎の図形の穴の数と、連結成分とを用いて第1の頻度分布及び第2の頻度分布を生成する(ステップS108)。
図5A〜5C、図6A及び図6Bを用いて、第1の実施形態における頻度分布の生成処理を説明する。図5Aはaxial断面の二値化画像40を表す図である。図5Bは、頻度分布生成部204が、閾値Xの値を0から255まで変化させた際に計測した図形の穴の数を用いて生成した1つの面(例えば、axial断面)における第1の頻度分布を表す図である。図5Cは頻度分布生成部204が、閾値Xの値を0から255まで変化させた際に計測した連結成分を用いて生成した1つの面(例えば、axial断面)における第2の頻度分布を表す図である。図5Bにおいて、横軸は閾値Xを表し、縦軸は穴の数を表す。図5Bに示す1つの面(例えば、axial断面)における第1の頻度分布では、Xの値がある値に近づくと穴の数が急激に上昇し、その値を超えると減少している。図5Cにおいて、横軸は閾値Xを表し、縦軸は連結成分を表す。図5Cに示す1つの面(例えば、axial断面)における第2の頻度分布では、Xの値がある値に近づくと連結成分が上昇し、その値を超えると減少している。頻度分布生成部204は、1つのスライス面に対して2つの頻度分布を生成する。
本実施形態では、axial断面の二次元画像34の他に、coronal断面の二次元画像35及びsagittal断面の二次元画像35を用いている。そのため、頻度分布生成部204は、coronal断面の二次元画像35から得られる二値化画像からも2つの第1の頻度分布及び第2の頻度分布を生成する。また、頻度分布生成部204は、sagittal断面の二次元画像36から得られる二値化画像からも2つの第1の頻度分布及び第2の頻度分布を生成する。
図6Aは、各面の二次元画像に基づいて生成された第1の頻度分布及び第2の頻度分布を表す図である。例えば、第1の頻度分布341及び第2の頻度分布342は、axial断面の二次元画像34から得られる二値化画像に基づいて生成される。また、第1の頻度分布351及び第2の頻度分布352は、coronal断面の二次元画像35から得られる二値化画像に基づいて生成される。また、第1の頻度分布361及び第2の頻度分布362は、sagittal断面の二次元画像36から得られる二値化画像に基づいて生成される。
そして、頻度分布生成部204は、axial断面における第1の頻度分布341、coronal断面における第1の頻度分布351及びsagittal断面における第1の頻度分布361を合算(足し算)して、図6Bに示すような1つの第1の頻度分布51を生成する。同様に、頻度分布生成部204は、axial断面における第2の頻度分布342、coronal断面における第2の頻度分布352及びsagittal断面における第2の頻度分布362を合算(足し算)して、図6Bに示すような1つの第2の頻度分布52を生成する。
その後、頻度分布生成部204は、生成した第1の頻度分布51及び第2の頻度分布52を基準値特定部205に出力する。基準値特定部205は、第1の頻度分布51及び第2の頻度分布52それぞれにおいて、基準閾値を特定する(ステップS109)。例えば、基準値特定部205は、第1の頻度分布51のピークの値、すなわち穴の数が1番大きいXの値(円511で示す値)を第1の基準閾値と特定する。また、基準値特定部205は、第2の頻度分布52のピークの値、すなわち連結成分が1番大きいXの値(円521で示す値)を第2の基準閾値と特定する。
基準値特定部205は、特定した第1の基準閾値及び第2の基準閾値を出力情報生成部206に出力する。出力情報生成部206は、特定された第1の基準閾値と、第2の基準閾値に対応した予後に関する情報の解析結果である出力情報を生成する(ステップS110)。出力情報生成部206は、生成した出力情報を出力部207に出力する。出力部207は、出力情報生成部206によって生成された出力情報を出力する(ステップS111)。
次に、基準値特定部205で得られた第1の基準閾値及び第2の基準閾値を用いて、生存期間分析を行い、第1の基準閾値及び第2の基準閾値がどれほど正しく評価できているのかを検証する。図7及び図8は、生存期間分析の流れを説明するための図である。図7A、図7B、図8A及び図8Bでは、生存期間が既知である40の症例を用いて検証した例を示している。
まず、40症例を穴の数に対応する第1の基準閾値及び連結成分に対応する第2の基準閾値それぞれで2群(ホモロジーの値が小さいlow value群の20症例と、ホモロジーの値が高いhigh value群の20症例)に分類する。図7A及び図7Bでは、40症例を穴の数に対応する第1の基準閾値で2群に分類した例を示している。例えば、図7Aはlow value群の20症例を表し、図7Bはhigh value群の20症例を表す。
まず、40症例を穴の数に対応する第1の基準閾値及び連結成分に対応する第2の基準閾値それぞれで2群(ホモロジーの値が小さいlow value群の20症例と、ホモロジーの値が高いhigh value群の20症例)に分類する。図7A及び図7Bでは、40症例を穴の数に対応する第1の基準閾値で2群に分類した例を示している。例えば、図7Aはlow value群の20症例を表し、図7Bはhigh value群の20症例を表す。
次に、生存期間に有意差があるか否かをkaplan−meier法を用いて定量的に解析する。Kaplan−meierの結果を図8A及び図8Bに示す。図8A及び図8Bにおいて、横軸は期間を表し、縦軸は生存率を表す。図8Aは、穴の数に対応する第1の基準閾値を用いた場合の検証結果を表す図である。図8Bは、連結成分に対応する第2の基準閾値を用いた場合の検証結果を表す図である。図8A及び図8Bに示すように、穴の数で2群に分けた場合も、連結成分で2群に分けた場合も、high value群の生存率は期間が長くなるほど低くなり、low value群の生存率は期間が長くなっても高いのが見て取れる。また、実際にP値を算出すると、どちらも0.05以下であり有意差を確認することができた。
上記に示す結果から、本発明における画像解析装置20は、精度よく予後予測を行うことができることがわかる。
上記に示す結果から、本発明における画像解析装置20は、精度よく予後予測を行うことができることがわかる。
次に、従来手法における生存期間分析と、本発明における生存期間分析を比較して本発明の優位性を検証する。図9A〜図9C及び図10A〜図10Bは、従来手法における生存期間分析の結果を示す図である。図11A及び図11Bは、本発明における生存期間分析の結果を示す図である。なお、図9A〜図11Bでは、ストラクチャデータが既知である295の症例を用いて検証した例を示している。ストラクチャデータが既知である295の症例は、非特許文献1に示されている。
まず従来手法について説明する。
従来手法では、図9Aに示すような腫瘍画像を用いて、腫瘍画像に最も多く含まれている画素値をその腫瘍画像の標準画素値とする。ここで、画素値88が標準画素値であるとし、標準画素値の倍率を1とする。従来手法では、標準画素値を閾値として、図9Aに示す腫瘍画像に二値化処理を行うことによって図9Bに示す二値化画像を得る。しかしながら、図9Bに示す二値化画像では、穴の数が計測不可能である。そのため、従来手法では、例えば画素値48(倍率0.55)〜画素値63(倍率0.72)の間で、腫瘍画像に二値化処理を行うことで複数の二値化画像を取得して、複数の二値化画像のそれぞれから穴の数を計測することによって図9Cのようなグラフを取得する。図9Cに示すグラフの横軸は倍率を表し、縦軸は穴の数を表す。
従来手法では、図9Aに示すような腫瘍画像を用いて、腫瘍画像に最も多く含まれている画素値をその腫瘍画像の標準画素値とする。ここで、画素値88が標準画素値であるとし、標準画素値の倍率を1とする。従来手法では、標準画素値を閾値として、図9Aに示す腫瘍画像に二値化処理を行うことによって図9Bに示す二値化画像を得る。しかしながら、図9Bに示す二値化画像では、穴の数が計測不可能である。そのため、従来手法では、例えば画素値48(倍率0.55)〜画素値63(倍率0.72)の間で、腫瘍画像に二値化処理を行うことで複数の二値化画像を取得して、複数の二値化画像のそれぞれから穴の数を計測することによって図9Cのようなグラフを取得する。図9Cに示すグラフの横軸は倍率を表し、縦軸は穴の数を表す。
そして、従来手法では、近似式y=a(x−b)2+cにおける定数aと、定数bの値を用いて生存期間分析を行っている。その結果を図10A及び図10Bに示す。図10A及び図10Bにおいて、横軸は期間を表し、縦軸は生存率を表す。図10Aは、近似式y=a(x−b)2+cにおけるaの中央値で295の症例を2群に分類してkaplan−meier法を用いて定量的に解析した結果を表している。図10Bは、近似式y=a(x−b)2+cにおける定数bの中央値で295の症例を2群に分類してkaplan−meier法を用いて定量的に解析した結果を表している。図10A及び図10Bに示すように、P値を算出すると、どちらも0.05以上であり有意差を確認することができなかった。
それに対して、図11A及び図11Bに示すように、本発明ではP値を算出すると、どちらも0.05以下であり有意差を確認することができた。このように、本発明における手法は、従来の手法に比べて優位性がある。また、有意差があるため、予後予測の有用性を示唆しているといえる。
以上のように構成された画像解析装置20によれば、生体組織を撮像した撮像画像から得られる患者の予後に関する情報の精度を向上させることが可能となる。具体的には、画像解析装置20は、生体組織を撮像した1枚の撮像画像から得られる複数の二値化画像に基づいて、穴の数及び連結成分が極値(例えば、最大値)となる基準閾値を、その撮像画像の特徴量として用いて予後予測を行う。得られた基準閾値を用いた有意差については、図7A〜図7B、図8A〜図8B及び図11A〜図11Bに示す通りである。このように、有意差があるため、得られる予後予測についてもより正確な値を予測することができる。そのため、生体組織を撮像した撮像画像から得られる患者の予後に関する情報の精度を向上させることが可能になる。
(第2の実施形態)
第2の実施形態では、画像形成装置は、頻度分布と、患者の予後のデータとを学習することによって学習モデルを生成し、新たに入力された患者の画像データから患者のこれからの予後を予測する。
図12は、第2の実施形態における予後予測システム100aのシステム構成を表す構成図である。予後予測システム100aは、外部装置10及び画像解析装置20aを備える。外部装置10及び画像解析装置20aは、無線又は有線により通信可能に接続される。
第2の実施形態では、画像形成装置は、頻度分布と、患者の予後のデータとを学習することによって学習モデルを生成し、新たに入力された患者の画像データから患者のこれからの予後を予測する。
図12は、第2の実施形態における予後予測システム100aのシステム構成を表す構成図である。予後予測システム100aは、外部装置10及び画像解析装置20aを備える。外部装置10及び画像解析装置20aは、無線又は有線により通信可能に接続される。
画像解析装置20aは、外部装置10が保持している撮像画像を解析することにより、撮像画像の患者の予後予測に有用な情報を出力する。また、画像解析装置20aは、頻度分布と、患者の予後のデータとを学習することによって学習モデルを生成する。画像解析装置20aは、例えばノートパソコン、パーソナルコンピュータ、スマートフォン、携帯電話、タブレット端末等の情報処理装置を用いて構成される。
画像解析装置20aは、バスで接続されたCPUやメモリや補助記憶装置などを備え、画像解析プログラムを実行する。画像解析プログラムの実行によって、画像解析装置20aは、画像取得部201a、前処理部202、二値化処理部203、頻度分布生成部204、基準値特定部205、出力情報生成部206a、出力部207、学習モデル生成部208を備える装置として機能する。なお、画像解析装置20aの各機能の全て又は一部は、ASICやPLDやFPGA等のハードウェアを用いて実現されてもよい。また、画像解析プログラムは、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。また、画像解析プログラムは、電気通信回線を介して送受信されてもよい。
画像解析装置20aは、出力情報生成部206に代えて出力情報生成部206aを備える点、学習モデル生成部208を新たに備える点で画像解析装置20と構成が異なる。画像解析装置20aは、他の構成については画像解析装置20と同様である。そのため、画像解析装置20a全体の説明は省略し、出力情報生成部206a及び学習モデル生成部208について説明する。
学習モデル生成部208は、第1の頻度分布及び第2の頻度分布と、患者の予後のデータ(例えば、予後○か月であるかを表す生存期間のデータ)とを対応付けて学習することによって学習モデルを生成する。
出力情報生成部206aは、出力情報生成部206と同様の処理を行う。また、出力情報生成部206aは、頻度分布生成部204によって生成された第1の頻度分布及び第2の頻度分布と、学習モデル生成部208によって生成された学習モデルとを用いて、患者の予後のデータを出力情報として生成する。
出力情報生成部206aは、出力情報生成部206と同様の処理を行う。また、出力情報生成部206aは、頻度分布生成部204によって生成された第1の頻度分布及び第2の頻度分布と、学習モデル生成部208によって生成された学習モデルとを用いて、患者の予後のデータを出力情報として生成する。
以上のように構成された画像解析装置20aによれば、第1の実施形態と同様の効果を得ることができる。
また、画像解析装置20aは、学習結果に応じて、より高精度に患者の予後を予測することができる。
また、画像解析装置20aは、学習結果に応じて、より高精度に患者の予後を予測することができる。
<第2の実施形態における変形例>
学習モデル生成部208は、第1の頻度分布及び第2の頻度分布のいずれか一方と、患者の予後のデータ(例えば、予後○か月のデータ)とを対応付けて学習することによって学習モデルを生成するように構成されてもよい。
学習モデル生成部208は、病理結果(例えば、病気のステージ数、病気の進行度合い)やDNAの解析結果を学習することによって、病理結果やDNAの解析に用いる学習モデルを生成するように構成されてもよい。
学習モデル生成部208は、第1の頻度分布及び第2の頻度分布のいずれか一方と、患者の予後のデータ(例えば、予後○か月のデータ)とを対応付けて学習することによって学習モデルを生成するように構成されてもよい。
学習モデル生成部208は、病理結果(例えば、病気のステージ数、病気の進行度合い)やDNAの解析結果を学習することによって、病理結果やDNAの解析に用いる学習モデルを生成するように構成されてもよい。
第1の実施形態及び第2の実施形態に共通する変形例について説明する。
本発明で用いる撮像画像は、上記の画像に限定される必要はなく、超音波画像、SPECT画像、X線一般撮影画像等の画像であってもよい。
頻度分布生成部204,204aは、第1の頻度分布及び第2の頻度分布のいずれか一方を生成するように構成されてもよい。このように構成される場合、基準値特定部205は、頻度分布生成部204,204aによって、生成された第1の頻度分布及び第2の頻度分布のいずれか一方の頻度分布を用いて、予後に関する情報の解析に用いられる基準閾値を特定する。
上記の各実施形態では、前処理部202,202aが、抽出画像33から3つの面それぞれの二次元画像を抽出する構成を示したが、前処理部202,202aは抽出画像33から1つ又は2つの面の二次元画像を抽出するように構成されてもよい。
本発明で用いる撮像画像は、上記の画像に限定される必要はなく、超音波画像、SPECT画像、X線一般撮影画像等の画像であってもよい。
頻度分布生成部204,204aは、第1の頻度分布及び第2の頻度分布のいずれか一方を生成するように構成されてもよい。このように構成される場合、基準値特定部205は、頻度分布生成部204,204aによって、生成された第1の頻度分布及び第2の頻度分布のいずれか一方の頻度分布を用いて、予後に関する情報の解析に用いられる基準閾値を特定する。
上記の各実施形態では、前処理部202,202aが、抽出画像33から3つの面それぞれの二次元画像を抽出する構成を示したが、前処理部202,202aは抽出画像33から1つ又は2つの面の二次元画像を抽出するように構成されてもよい。
上記の各実施形態では、基準値特定部205が、頻度分布において極値を与える閾値を基準閾値と特定する構成を示したが、基準閾値は以下の方法で特定されてもよい。例えば、基準値特定部205は、極値を与える閾値の近傍の値を基準閾値として特定してもよい。
画像解析装置20,20aは、全ての閾値で二値化処理を行うことによって複数の二値化画像を生成した後に、全ての二値化画像に対して穴の数と連結成分を計測するように構成されてもよい。
画像解析装置20,20aは、二次元画像の抽出を行わず、三次元画像に対して二値化処理を行うことによって穴の数と連結成分を計測するように構成されてもよい。このように構成される場合、頻度分布生成部204,204aは、三次元画像内における穴がつながっている領域を1つの穴(画像上では、球)としてカウントする。
画像解析装置20,20aは、全ての閾値で二値化処理を行うことによって複数の二値化画像を生成した後に、全ての二値化画像に対して穴の数と連結成分を計測するように構成されてもよい。
画像解析装置20,20aは、二次元画像の抽出を行わず、三次元画像に対して二値化処理を行うことによって穴の数と連結成分を計測するように構成されてもよい。このように構成される場合、頻度分布生成部204,204aは、三次元画像内における穴がつながっている領域を1つの穴(画像上では、球)としてカウントする。
画像解析装置20,20aが備える各機能部の一部は、別の筐体に備えられてもよい。
別の筐体は、例えばクラウド上に設けられた1又は複数のサーバである。例えば、画像取得部201及び前処理部202が1又は複数のサーバに備えられ、画像解析装置20,20aが前処理後の撮像画像を処理するように構成される。このように構成される場合、画像解析装置20,20a及び1又は複数のサーバを備える画像解析システムとして構成されてもよい。
出力情報生成部206,206aは、第1の基準閾値と、第2の基準閾値との比を出力情報の生成に用いるように構成されてもよい。
別の筐体は、例えばクラウド上に設けられた1又は複数のサーバである。例えば、画像取得部201及び前処理部202が1又は複数のサーバに備えられ、画像解析装置20,20aが前処理後の撮像画像を処理するように構成される。このように構成される場合、画像解析装置20,20a及び1又は複数のサーバを備える画像解析システムとして構成されてもよい。
出力情報生成部206,206aは、第1の基準閾値と、第2の基準閾値との比を出力情報の生成に用いるように構成されてもよい。
二値化処理部203は、ステップS107の処理においてXの値に2以上の値を加算して新たな閾値Xとするように構成されてもよい。このように構成されることによって、二値化処理部203は、閾値X=0からX=Xmaxまでの全てにおいて二値化画像を生成する必要がない。そのため、処理負荷を軽減することができる。このように構成される場合、頻度分布生成部204は、穴の数及び連結成分が計測されていない閾値における穴の数及び連結成分を、前後の閾値における穴の数及び連結成分から補完する。
画像解析装置20,20aは、穴が発生してから、閾値を変化させることによって、発生した穴が消失するまでの期間を予後予測に用いるように構成されてもよい。具体的には、頻度分布生成部204は、ある閾値における二値化画像において穴が発生し、穴が発生してから、閾値を変化させて所定の期間経過する前に消失した穴をノイズと判断して、ノイズと判断された穴を各閾値において穴の数の計測対象に含めず、所定の期間以上残っている穴を計測対象とする。所定の期間は、閾値の数を表す。例えば、所定の期間が閾値3つであるとし、閾値1で穴が発生したとする。この場合、頻度分布生成部204は、閾値1から所定の期間、すなわち閾値4未満の時点で、閾値1で発生した穴が消失した場合には当該穴をノイズと判断して、ノイズと判断された穴を閾値1〜閾値3における穴の数の計測に含めない。一方、頻度分布生成部204は、閾値1から所定の期間、すなわち閾値4未満の時点で、閾値1で発生した穴が消失していない場合には閾値1〜閾値3における穴の数の計測に含める。
次に、図13及び図14を用いて、本発明における予後予測精度の優位性について説明する。図13及び図14は、従来手法と本発明との予後予測精度の比較結果を示す図である。従来手法と本発明との予後予測精度を比較するために、一般公開されているTCIA(The Cancer Imaging Archive)から抽出した277人のNSCLC(Non-Small Cell Lung Cancer:非小細胞性肺がん)患者を解析した。各NSCLC患者の詳細なデータは、図13に示す通りである。NSCLC患者の予後予測の優れた性能である5つの標準的な放射線特徴を採用し、相同性に基づく放射線特徴を比較した。この標準的な放射線特徴は、3つの強度特徴と2つのテクスチャ特徴で構成されている。
277人のNSCLC患者の画像データを用いて、上記の手法で穴の頻度分布を作成した。そして、穴の数(ホモロジー)の値が小さい群(low value群)と、ホモロジーの値が高い群(high value群)の2群に分けて、それぞれにkaplan−meier法を用いて図8Aのような図(例えば、カプランマイヤープロット)を作成した。その後、各プロット曲線からAUC(Area under an ROC curve)値を求めた。本発明の穴の数の代わりに、公知の特徴量を用いて分けた2群で作成したカプランマイヤープロットについてそれぞれAUC値を求め、AUC値を特徴量間で比較して予測精度を検証した。ここで、公知の特徴量とは、例えば、NSCLCの予後予測に有効な特徴量(参考文献1参照)、参考文献2に記載の特徴量及び参考文献3に記載の特徴量である。
(参考文献1:Wen Yu et al., “Development and Validation of a Predictive
Radiomics Model for Clinical Outcomes in Stage I Non-small Cell Lung Cancer”, International journal of Radiation Oncology biology Physics, 2018)
(参考文献2:Hugo J.W.L. Aerts1 et al., “Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach”, Nature communications, 2014)
(参考文献3:Elizabeth Huynh et al., “CT-based radiomic analysis of stereotactic body radiation therapy patients with lung cancer”, Radiotherapy and Oncology, p.258-266, 2016)
その結果、本発明における特徴量(ホモロジー特徴量)を用いた場合のAUCが最も高く、公知の特徴量よりも予後予測を精度よく行える特徴量であることが分かった。
(参考文献1:Wen Yu et al., “Development and Validation of a Predictive
Radiomics Model for Clinical Outcomes in Stage I Non-small Cell Lung Cancer”, International journal of Radiation Oncology biology Physics, 2018)
(参考文献2:Hugo J.W.L. Aerts1 et al., “Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach”, Nature communications, 2014)
(参考文献3:Elizabeth Huynh et al., “CT-based radiomic analysis of stereotactic body radiation therapy patients with lung cancer”, Radiotherapy and Oncology, p.258-266, 2016)
その結果、本発明における特徴量(ホモロジー特徴量)を用いた場合のAUCが最も高く、公知の特徴量よりも予後予測を精度よく行える特徴量であることが分かった。
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。
生体組織を撮像した撮像画像を用いて患者の予後に関する情報の解析を行う装置に適用できる。
10…外部装置, 20、20a…画像解析装置, 201…画像取得部, 202…前処理部, 203…二値化処理部, 204…頻度分布生成部, 205…基準値特定部, 206、206a…出力情報生成部, 207…出力部, 208…学習モデル生成部
Claims (8)
- 生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理部と、
前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成部と、
生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定部と、
特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する生成部と、
を備える画像解析装置。 - 前記基準値特定部は、前記連結成分の頻度分布において極値を与える閾値又は前記閾値の近傍の値を前記連結成分の頻度分布における前記基準閾値と特定する、請求項1に記載の画像解析装置。
- 前記頻度分布生成部は、前記二値化処理部によって生成された前記複数の二値化画像を用いて、前記二値化画像に含まれる穴又は球の数の頻度分布をさらに生成し、
前記基準値特定部は、前記穴又は球の数の頻度分布において極値を与える閾値又は前記閾値の近傍の値を前記穴又は球の数の頻度分布における基準閾値と特定し、
前記生成部は、特定された前記連結成分の頻度分布における前記基準閾値と、前記穴又は球の数の頻度分布における基準閾値とを用いて、予後に関する情報の解析結果を生成する、請求項2に記載の画像解析装置。 - 前記連結成分の頻度分布と、患者の予後のデータとを対応付けて学習することによって学習モデルを生成する学習モデル生成部をさらに備え、
前記生成部は、新たに入力された撮像画像から得られる前記連結成分の頻度分布と、前記学習モデルとを用いて前記患者の予後のデータをさらに生成する、請求項1から3のいずれか一項に記載の画像解析装置。 - 生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理部と、
前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成部と、
生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定部と、
特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する生成部と、
を備える画像解析システム。 - 生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理ステップと、
前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成ステップと、
生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定ステップと、
特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する出力情報生成ステップと、
を備える画像解析方法。 - 生体組織を撮像した撮像画像に対して、異なる閾値毎に二値化処理を行うことによって複数の二値化画像を生成する二値化処理ステップと、
前記二値化画像に含まれる一連なりの図形の数を表す連結成分の頻度分布を生成する頻度分布生成ステップと、
生成した前記連結成分の頻度分布を用いて、予後に関する情報の解析に用いられる前記連結成分の頻度分布における基準となる閾値を基準閾値として特定する基準値特定ステップと、
特定された前記連結成分の頻度分布における前記基準閾値を用いて、予後に関する情報の解析結果を生成する出力情報生成ステップと、
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。 - 請求項7に記載のコンピュータプログラムを記録した非一時的記録媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018185228 | 2018-09-28 | ||
JP2018185228 | 2018-09-28 | ||
PCT/JP2019/038280 WO2020067481A1 (ja) | 2018-09-28 | 2019-09-27 | 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPWO2020067481A1 true JPWO2020067481A1 (ja) | 2021-08-30 |
Family
ID=69951922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020549464A Pending JPWO2020067481A1 (ja) | 2018-09-28 | 2019-09-27 | 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JPWO2020067481A1 (ja) |
WO (1) | WO2020067481A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7265805B2 (ja) * | 2019-12-05 | 2023-04-27 | 国立大学法人大阪大学 | 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010087112A1 (ja) * | 2009-01-27 | 2010-08-05 | 国立大学法人大阪大学 | 画像解析装置、画像解析方法、画像解析プログラムおよび記録媒体 |
JP6296385B2 (ja) * | 2014-02-21 | 2018-03-20 | 学校法人日本大学 | 医用画像処理装置、その医用目的領域抽出方法及び医用目的領域抽出処理プログラム |
WO2017010397A1 (ja) * | 2015-07-15 | 2017-01-19 | 国立大学法人大阪大学 | 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体 |
-
2019
- 2019-09-27 JP JP2020549464A patent/JPWO2020067481A1/ja active Pending
- 2019-09-27 WO PCT/JP2019/038280 patent/WO2020067481A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2020067481A1 (ja) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112770838B (zh) | 使用自关注深度学习进行图像增强的系统和方法 | |
JP2022525198A (ja) | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク | |
US10039501B2 (en) | Computer-aided diagnosis (CAD) apparatus and method using consecutive medical images | |
US10311571B2 (en) | Image analysis method supporting illness development prediction for a neoplasm in a human or animal body | |
US20200210767A1 (en) | Method and systems for analyzing medical image data using machine learning | |
RU2449371C2 (ru) | Устойчивая к ошибкам функциональная визуализация | |
CN110796656A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
JP6168426B2 (ja) | 疾患分析装置、制御方法、及びプログラム | |
CN110782502B (zh) | 基于深度学习的pet散射估计系统和使用感知神经网络模型的方法 | |
KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
WO2021041125A1 (en) | Systems and methods for accurate and rapid positron emission tomography using deep learning | |
CN101861601A (zh) | 疾病的计算机辅助检测(cad) | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
JPWO2020067481A1 (ja) | 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体 | |
O'Sullivan | Locally constrained mixture representation of dynamic imaging data from PET and MR studies | |
JP2014068861A (ja) | 画像処理装置および方法並びにプログラム | |
Ulloa et al. | Improving multiple sclerosis lesion boundaries segmentation by convolutional neural networks with focal learning | |
JP2022133479A (ja) | 予後推定装置及び予後推定方法 | |
Lakra et al. | A comparative analysis of MRI brain tumor segmentation technique | |
CN116309604B (zh) | 动态分析时序mr图像的方法、系统、设备和存储介质 | |
US20240087751A1 (en) | Systems and methods for organ shape analysis for disease diagnosis and risk assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20210416 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210416 |