TW202121435A - 肝腫瘤智慧分析方法 - Google Patents

肝腫瘤智慧分析方法 Download PDF

Info

Publication number
TW202121435A
TW202121435A TW109140492A TW109140492A TW202121435A TW 202121435 A TW202121435 A TW 202121435A TW 109140492 A TW109140492 A TW 109140492A TW 109140492 A TW109140492 A TW 109140492A TW 202121435 A TW202121435 A TW 202121435A
Authority
TW
Taiwan
Prior art keywords
liver tumor
liver
tumor
unit
ultrasound
Prior art date
Application number
TW109140492A
Other languages
English (en)
Other versions
TWI810498B (zh
Inventor
粘曉菁
林大翔
周培廉
Original Assignee
粘曉菁
聰泰科技開發股份有限公司
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 粘曉菁, 聰泰科技開發股份有限公司 filed Critical 粘曉菁
Publication of TW202121435A publication Critical patent/TW202121435A/zh
Application granted granted Critical
Publication of TWI810498B publication Critical patent/TWI810498B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • 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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
    • 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
    • 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
    • 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
    • A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/20081—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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一種肝腫瘤智慧分析方法，係以超音波檢測搭配深度學習演算法的分析方法來判斷肝腫瘤良惡性風險。該肝腫瘤智慧分析方法採用依據為經驗豐富之腹部超音波專科醫師將具有肝腫瘤影像點區域之超音波影像標示出來，此等經驗資料的參數及係數經過深度學習演算法的訓練建立一準確率高達86%的推論模型。因而可透過超音波檢測掃描影像，經此肝腫瘤智慧分析方法立即協助醫生或超音波技術員判讀肝腫瘤的良惡性風險，從而提供醫生進行肝臟腫瘤類型診斷之參考依據。

Description

肝腫瘤智慧分析方法
本發明係有關於一種肝腫瘤智慧分析方法，尤指涉及一種以超音 波檢測搭配深度學習演算法的分析方法來判斷肝腫瘤良惡性風險，特別係指可透過超音波檢測掃描影像，經此肝腫瘤智慧分析方法立即協助醫生或超音波技術員判讀肝腫瘤的良惡性風險，從而提供醫生進行肝臟腫瘤類型診斷之參考依據者。
肝癌高居全球癌症死因第四位，且為國人十大癌症死因第二位。 肝癌常見的原因在亞洲大多為B型、C型肝炎病毒及黃麴毒素所導致，歐美國家常見於C型肝炎病毒所導致，而脂肪性肝炎、糖尿病及高三酸甘油酯所引發肝癌的產生亦日趨嚴重。
外科手術係目前最直接治療肝癌之方法，然而肝癌之早期診斷以 及術後病患相關預後之指標也是很重要的課題。早期確診之肝癌病人通常擁有較多的治療選擇，而治療的功效往往反應在病患的存活率上。因此，定期檢查及早診斷早期治療，是提高病患生存品質、延長生存期之關鍵。
早期診斷除了抽血檢查肝功能、B型C型肝炎病毒及甲種胎兒蛋 白外，研究指出腹部超音波為完整肝病的重要檢查之一，根據台大名譽教授許金川教授早年研究指出1/3小型肝癌病人其抽血檢查肝癌指數-甲種胎兒蛋白仍 為正常，必須輔以超音波檢查，才能早期發現肝癌，再者加上腹部超音波檢查 特性，快速、方便且無輻射，成為肝癌篩檢的重要工具。
對於肝癌診斷有別於其他癌症，其確診不一定需要經由病理切 片，可直接透過影像檢查而確診，如：腹部超音波（abdominal ultrasound, US）、電腦斷層（computed tomography, CT）、以及核磁共振（magnetic resonance imaging, MRI）等，而其敏感度（sensitivity）與特異度（specificity）分別為：0.78～0.73與0.89～0.93、0.84～0.83與0.99～0.91、以及0.83與0.88。
雖然超音波檢查有其便利性，但也有所限制，如：操作者的經驗 度、病人肥胖程度、肝纖維化或肝硬化有無等因素，都會影響超音波的精準度，因此當超音波檢查懷疑為惡性腫瘤時，大多安排第二項影像檢查如：CT或MRI輔助確診，而此兩項檢查除醫療成本費用昂貴且檢查排程冗長外，CT檢查更有較多輻射暴露的考量。
有鑑於此，相關技術領域一直亟需一種人工智慧分析技術，輔助 超音波檢測即可有效分析肝腫瘤良惡性之方法；而相較於核磁共振成像及/或電腦斷層攝影，本肝腫瘤智慧分析方法，將協助超音波影像分析準確度與CT及MRI準確度相當，藉此協助醫師利用超音波檢查快速進行精準的肝臟腫瘤類型診斷。
本發明之主要目的係在於，克服習知技藝所遭遇之上述問題並提 供一種以超音波檢測搭配深度學習演算法的分析方法來判斷肝腫瘤性質，其準確率可高達86%與CT或MRI準確度相近，藉此協助醫師利用無輻射又安全的超音波檢查，快速進行精準的肝臟腫瘤類型診斷。
為達以上之目的，本發明係一種肝腫瘤智慧分析方法，其至少包 含有下列步驟：步驟一：輸入數個參考肝臟腫瘤超音波影像，該數個參考肝臟腫瘤超音波影像包含肝臟腫瘤良性與惡性之超音波影像；步驟二：根據現有肝臟腫瘤超音波影像中的明暗、陰影的面積及形狀對現有肝臟腫瘤進行分類，並依此自動對該數個參考肝臟腫瘤超音波影像中帶有腫瘤影像點區域的肝臟腫瘤超音波影像進行標示並辨別肝臟腫瘤之類型；步驟三：將該些帶有腫瘤影像點區域的肝臟腫瘤超音波影像，結合深度學習演算法用於訓練一分類器模型以進行肝臟腫瘤類型的判別；以及步驟四：將一目標肝臟腫瘤超音波影像以該分類器模型進行分析，產生相關於該目標肝臟腫瘤超音波影像的一肝臟腫瘤類型，並預測相關於該目標肝臟腫瘤超音波影像的一肝腫瘤良惡性風險機率值。
於本發明上述實施例中，更包含有一超音波檢測模組、以及一連 接該超音波檢測模組之分析模組。
於本發明上述實施例中，該超音波檢測模組包括一超音波探頭， 係提供發射超音波掃描取得一目標肝臟腫瘤超音波影像。
於本發明上述實施例中，該分析模組包含有一控制單元、一連接 該控制單元之影像採集單元、一連接該控制單元之參考儲存單元、一連接該控制單元之肝腫瘤標示單元、一連接該控制單元之分類單元、一連接該控制單元之比對單元、以及一連接該控制單元之預測肝腫瘤良惡性風險報告產生單元。
於本發明上述實施例中，該控制單元為中央處理器，可作為該影 像採集單元、該參考儲存單元、該肝腫瘤標示單元、該分類單元、該比對單元與該預測肝腫瘤良惡性風險報告產生單元，運作時之運算、控制、處理、編碼、解碼與各式驅動指令之下達。
於本發明上述實施例中，該影像採集單元可獲取一目標肝臟腫瘤 超音波影像，且該影像採集單元可為數位視訊介面（Digital Visual Interface, DVI）。
於本發明上述實施例中，該參考儲存單元儲存有數個參考肝臟腫 瘤超音波影像，其包含肝臟腫瘤良性與惡性之超音波影像，且該參考儲存單元為硬碟。
於本發明上述實施例中，該肝腫瘤標示單元根據現有肝臟腫瘤超 音波影像中的明暗、陰影的面積及形狀對現有肝臟腫瘤進行分類，並依此對該些參考肝臟腫瘤超音波影像中帶有腫瘤影像點區域的肝臟腫瘤超音波影像進行標示並辨別肝臟腫瘤的類型。
於本發明上述實施例中，該肝腫瘤標示單元係依據基於具有配合 經驗資料的係數及/或參數，從該數個參考肝臟腫瘤超音波影像中自動標示出帶有腫瘤影像點區域之肝臟腫瘤超音波影像。
於本發明上述實施例中，該分類單元將該肝腫瘤標示單元標示出 帶有腫瘤影像點區域之肝臟腫瘤超音波影像，結合深度學習演算法用於訓練一分類模型以進行肝臟腫瘤類型的判別。
於本發明上述實施例中，該比對單元將該影像採集單元獲取之目 標肝臟腫瘤超音波影像以該分類單元建立之分類器模型進行分析，產生相關於該目標肝臟腫瘤超音波影像的一肝臟腫瘤類型，並預測相關於該目標肝臟腫瘤超音波影像的一肝腫瘤良惡性風險機率值。
於本發明上述實施例中，該預測肝腫瘤良惡性風險報告產生單元 將該比對單元所產生相關於一目標肝臟腫瘤超音波影像的一肝臟腫瘤類型，並預測相關於該目標肝臟腫瘤超音波影像的一肝腫瘤良惡性風險機率值輸入至該 預測肝腫瘤良惡性風險報告產生單元之中，以製作出一份肝腫瘤性質診斷報告。
於本發明上述實施例中，該肝臟腫瘤類型包含良性腫瘤及惡性腫 瘤。
請參閱『第１圖及第２圖』所示，係分別為本發明之流程示意圖、 以及本發明之方塊示意圖。如圖所示：本發明係一種肝腫瘤智慧分析方法，其包含有下列步驟： 步驟一s1：輸入數個參考肝臟腫瘤超音波影像，該數個參考肝臟腫瘤超音波影像包含肝臟腫瘤良性與惡性之超音波影像。 步驟二s2：根據現有肝臟腫瘤超音波影像中的明暗、陰影的面積及形狀對現有肝臟腫瘤進行分類，並依此自動對該數個參考肝臟腫瘤超音波影像中帶有腫瘤影像點區域的肝臟腫瘤超音波影像進行標示並辨別肝臟腫瘤之類型。 步驟三s3：將該些帶有腫瘤影像點區域的肝臟腫瘤超音波影像，結合深度學習演算法用於訓練一分類器模型以進行肝臟腫瘤類型的判別。 步驟四s4將一目標肝臟腫瘤超音波影像以該分類器模型進行分析，產生相關於該目標肝臟腫瘤超音波影像的一肝臟腫瘤類型，並預測相關於該目標肝臟腫瘤超音波影像的一肝腫瘤良惡性風險機率值。如是，藉由上述揭露之流程構成 一全新之肝腫瘤智慧分析方法。
於本發明之一較佳具體實施例中，更包含有一超音波檢測模組 １、以及一分析模組２。
上述所提之超音波檢測模組１包括一超音波探頭１１。
該分析模組２連接該超音波檢測模組１，係包括一影像採集單元 ２１、一參考儲存單元２２、一控制單元２３、一肝腫瘤標示單元２４、一分類單元２５、一比對單元２６、以及一預測肝腫瘤良惡性風險報告產生單元２７。其中，該控制單元２３可為中央處理器（Central Processing Unit, CPU），用以作為該影像採集單元２１、該參考儲存單元２２、該肝腫瘤標示單元２４、該分類單元２５、該比對單元２６與該預測肝腫瘤良惡性風險報告產生單元２７，運作時之運算、控制、處理、編碼、解碼與各式驅動指令之下達。
當本發明於運用時，本發明之肝腫瘤智慧分析方法可實施於一電 腦中，而該控制單元２３為電腦之中央處理器，該肝腫瘤標示單元２４、該分類單元２５、該比對單元２６與該預測肝腫瘤良惡性風險報告產生單元２７可為電腦中之程式，並儲存於硬碟或記憶體中，且該影像採集單元２１為電腦的數位視訊介面（Digital Visual Interface, DVI），而該參考儲存單元２２可為硬碟，並進一步具有螢幕、滑鼠及鍵盤作為相關之輸出與操作。另外，亦可將本發明之肝腫瘤智慧分析方法實施於一伺服器中。
當使用時，由該超音波檢測模組１之超音波探頭１１提供發射超 音波掃描一受試者外部相對應於肝臟之區域，藉以取得該受試者複數組肝臟腫瘤超音波影像，而在掃描期間，醫生亦可能察覺到至少一張可疑腫瘤超音波影像而進行選定為一目標肝臟腫瘤超音波影像。
該分析模組２可由該影像採集單元２１獲取透過該超音波檢測 模組１成像而形成的該受試者之目標肝臟腫瘤超音波影像，並以該參考儲存單元２２儲存有數個參考肝臟腫瘤超音波影像，其包含肝臟腫瘤良性及惡性之超音波影像。該分析模組２儲存一程式，其中當該程式由該控制單元２３執行時，該程式可提供臨床人員判斷該受試者之一肝臟腫瘤類型與預測該受試者之一肝腫瘤良惡性風險機率，該程式包含該肝腫瘤標示單元２４、該分類單元２５、該比對單元２６與該預測肝腫瘤良惡性風險報告產生單元２７。
該肝腫瘤標示單元２４依據基於具有配合經驗資料的係數及/或 參數，從該數個參考肝臟腫瘤超音波影像中自動標示出帶有腫瘤影像點區域的肝臟腫瘤超音波影像並辨別肝臟腫瘤的類型。例如：該肝腫瘤標示單元２４可依據基於配合醫師經驗進行標示。該分類單元２５再將該些帶有腫瘤影像點區域之肝臟腫瘤超音波影像，結合深度學習演算法（是一種以人工神經網路為架構，對資料進行表徵學習的演算法，為現有技術）用於訓練一分類器模型（利用人工神經網路對影像做特徵抽取，最後使用全連接網路對特徵進行分類）以進行肝臟腫瘤類型的判別。由該比對單元２６將該目標肝臟腫瘤超音波影像以該分類器模型進行分析，以提供臨床人員判斷該受試者之一肝臟腫瘤性質，並進一步預測該受試者之一肝腫瘤良惡性風險機率。最後透過該預測肝腫瘤良惡性風險報告產生單元２７將該比對單元２６所產生之提供臨床人員判斷該受試者之一肝臟腫瘤類型與預測該受試者之一肝腫瘤良惡性風險機率輸入至該預測肝腫瘤良惡性風險報告產生單元２７之中，以製作出一份協助醫師判斷肝腫瘤性質的診斷報告。
藉此，本發明所提肝腫瘤智慧分析方法，採用根據現有肝臟腫瘤 超音波影像中的明暗、陰影的面積及形狀對現有肝臟腫瘤進行分類，並依此自動對數個參考肝臟腫瘤超音波影像中帶有腫瘤影像點區域的肝臟腫瘤超音波影像進行標示並辨別肝臟腫瘤之類型，將該些帶有腫瘤影像點區域之肝臟腫瘤超音波影像，結合深度學習演算法用於訓練一準確率高達86%的分類器模型以進行肝臟腫瘤類型的判別。因而可透過超音波檢測掃描影像，經此肝腫瘤智慧分析方法立即協助醫生或超音波技術員判讀肝腫瘤的良惡性風險，從而提供醫生進行肝臟腫瘤類型診斷之參考依據。
綜上所述，本發明係一種肝腫瘤智慧分析方法，可有效改善習用 之種種缺點，以超音波檢測搭配深度學習演算法的分析方法來判斷肝腫瘤良惡性風險，利用根據現有肝臟腫瘤超音波影像中的明暗、陰影的面積及形狀對現有肝臟腫瘤進行分類，並依此自動對數個參考肝臟腫瘤超音波影像中帶有腫瘤影像點區域的肝臟腫瘤超音波影像進行標示並辨別肝臟腫瘤之類型，將該些帶有腫瘤影像點區域之肝臟腫瘤超音波影像，結合深度學習演算法用於訓練一準確率高達86%的分類器模型以進行肝臟腫瘤類型的判別，藉此協助醫師利用無輻射又安全的超音波檢查，快速進行精準的肝臟腫瘤類型診斷，進而使本發明之產生能更進步、更實用、更符合使用者之所須，確已符合發明專利申請之要件，爰依法提出專利申請。
惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定 本發明實施之範圍；故，凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。
1:超音波檢測模組 11:超音波探頭 2:分析模組 21:影像採集單元 22:參考儲存單元 23:控制單元 24:肝腫瘤標示單元 25:分類單元 26:比對單元 27:預測肝腫瘤良惡性風險報告產生單元 s1～s4:步驟一～步驟四
第１圖，係本發明之流程示意圖。 第２圖，係本發明之方塊示意圖。
1:超音波檢測模組
11:超音波探頭
2:分析模組
21:影像採集單元
22:參考儲存單元
23:控制單元
24:肝腫瘤標示單元
25:分類單元
26:比對單元
27:預測肝腫瘤良惡性風險報告產生單元

Claims (13)

  1. 一種肝腫瘤智慧分析方法，其至少包含有下列步驟： 步驟一：輸入數個參考肝臟腫瘤超音波影像，該數個參考肝臟腫瘤超音波影像包含肝臟腫瘤良性與惡性之超音波影像； 步驟二：根據現有肝臟腫瘤超音波影像中的明暗、陰影的面積及形狀對現有肝臟腫瘤進行分類，並依此自動對該數個參考肝臟腫瘤超音波影像中帶有腫瘤影像點區域的肝臟腫瘤超音波影像進行標示並辨別肝臟腫瘤之類型； 步驟三：將該些帶有腫瘤影像點區域的肝臟腫瘤超音波影像，結合深度學習演算法用於訓練一分類器模型以進行肝臟腫瘤類型的判別；以及 步驟四：將一目標肝臟腫瘤超音波影像以該分類器模型進行分析，產生相關於該目標肝臟腫瘤超音波影像的一肝臟腫瘤類型，並預測相關於該目標肝臟腫瘤超音波影像的一肝腫瘤良惡性風險機率值。
  2. 依申請專利範圍第１項所述之肝腫瘤智慧分析方法，其中，更 包含有一超音波檢測模組、以及一連接該超音波檢測模組之分析模組。
  3. 依申請專利範圍第２項所述之肝腫瘤智慧分析方法，其中，該 超音波檢測模組包括一超音波探頭，係提供發射超音波掃描取得一目標肝臟腫瘤超音波影像。
  4. 依申請專利範圍第２項所述之肝腫瘤智慧分析方法，其中，該 分析模組包含有一控制單元、一連接該控制單元之影像採集單元、一連接該控制單元之參考儲存單元、一連接該控制單元之肝腫瘤標示單元、一連接該控制單元之分類單元、一連接該控制單元之比對單元、以及一連接該控制單元之預測肝腫瘤良惡性風險報告產生單元。
  5. 依申請專利範圍第４項所述之肝腫瘤智慧分析方法，其中，該 控制單元為中央處理器，可作為該影像採集單元、該參考儲存單元、該肝腫瘤標示單元、該分類單元、該比對單元與該預測肝腫瘤良惡性風險報告產生單元，運作時之運算、控制、處理、編碼與解碼等前述驅動指令之下達。
  6. 依申請專利範圍第４項所述之肝腫瘤智慧分析方法，其中，該影像採集單元可獲取一目標肝臟腫瘤超音波影像，且該影像採集單元可為數位視訊介面（Digital Visual Interface, DVI）。
  7. 依申請專利範圍第４項所述之肝腫瘤智慧分析方法，其中，該參考儲存單元儲存有數個參考肝臟腫瘤超音波影像，其包含肝臟腫瘤良性與惡性之超音波影像，且該參考儲存單元為硬碟。
  8. 依申請專利範圍第４項所述之肝腫瘤智慧分析方法，其中，該肝腫瘤標示單元係根據現有肝臟腫瘤超音波影像中的明暗、陰影的面積及形狀對現有肝臟腫瘤進行分類，並依此自動對該數個參考肝臟腫瘤超音波影像中帶有腫瘤影像點區域的肝臟腫瘤超音波影像進行標示並辨別肝臟腫瘤之類型。
  9. 依申請專利範圍第８項所述之肝腫瘤智慧分析方法，其中，該肝腫瘤標示單元係依據基於具有配合經驗資料的係數及/或參數，從該數個參考肝臟腫瘤超音波影像中自動標示出帶有腫瘤影像點區域之肝臟腫瘤超音波影像。
  10. 依申請專利範圍第４項所述之肝腫瘤智慧分析方法，其中，該分類單元將該肝腫瘤標示單元標示出帶有腫瘤影像點區域之肝臟腫瘤超音波影像，結合深度學習演算法用於訓練一分類器模型以進行肝臟腫瘤類型的判別。
  11. 依申請專利範圍第４項所述之肝腫瘤智慧分析方法，其中，該比對單元將該影像採集單元獲取之目標肝臟腫瘤超音波影像以該分類單元建立之分類器模型進行分析，產生相關於該目標肝臟腫瘤超音波影像的一肝臟腫瘤類型，並預測相關於該目標肝臟腫瘤超音波影像的一肝腫瘤良惡性風險機率值。
  12. 依申請專利範圍第４項所述之肝腫瘤智慧分析方法，其中，該預測肝腫瘤良惡性風險報告產生單元將該比對單元所產生相關於一目標肝臟腫瘤超音波影像的一肝臟腫瘤類型，並預測相關於該目標肝臟腫瘤超音波影像的一肝腫瘤良惡性風險機率值輸入至該預測肝腫瘤良惡性風險報告產生單元之中，以製作出一份肝腫瘤性質診斷報告。
  13. 依申請專利範圍第１項所述之肝腫瘤智慧分析方法，其中，該肝臟腫瘤類型包含良性腫瘤及惡性腫瘤。
TW109140492A 2019-11-21 2020-11-19 肝腫瘤智慧分析裝置 TWI810498B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108142298 2019-11-21
TW108142298 2019-11-21

Publications (2)

Publication Number Publication Date
TW202121435A true TW202121435A (zh) 2021-06-01
TWI810498B TWI810498B (zh) 2023-08-01

Family

ID=73543209

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109140492A TWI810498B (zh) 2019-11-21 2020-11-19 肝腫瘤智慧分析裝置

Country Status (6)

Country Link
EP (1) EP3825910B1 (zh)
CN (1) CN112927179A (zh)
ES (1) ES2949835T3 (zh)
GB (1) GB2591177A (zh)
PL (1) PL3825910T3 (zh)
TW (1) TWI810498B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI830161B (zh) * 2022-02-25 2024-01-21 國立陽明交通大學 腦部腫瘤種類自動判別系統、其伺服計算機裝置及計算機可讀取的儲存媒體

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862822B (zh) * 2021-04-06 2023-05-30 华侨大学 一种超声乳腺肿瘤检测与分类方法、装置与介质
CN113436158B (zh) * 2021-06-21 2023-04-18 遂宁市中心医院 一种基于深度学习的肝脏肿块辅助鉴别方法
CN113743463B (zh) * 2021-08-02 2023-09-26 中国科学院计算技术研究所 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统
TWI802243B (zh) * 2022-01-22 2023-05-11 臺北醫學大學 超音波影像處理系統及其運作方法
CN114974558A (zh) * 2022-04-06 2022-08-30 复旦大学附属中山医院 一种肝细胞癌辅助筛查方法及系统
JP2023182996A (ja) * 2022-06-15 2023-12-27 富士フイルム株式会社 超音波診断装置および超音波診断装置の制御方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007524461A (ja) * 2003-06-25 2007-08-30 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 乳房撮像の自動診断及び決定支援システム及び方法
JP2010029481A (ja) * 2008-07-29 2010-02-12 Univ Of Tsukuba 腫瘍の経過観察レポート自動作成診断支援システム
WO2010063010A2 (en) * 2008-11-26 2010-06-03 Guardian Technologies International Inc. System and method for texture visualization and image analysis to differentiate between malignant and benign lesions
JP2017000364A (ja) * 2015-06-09 2017-01-05 コニカミノルタ株式会社 超音波診断装置、及び超音波画像処理方法
CN105447872A (zh) * 2015-12-03 2016-03-30 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
CN106530298A (zh) * 2016-11-14 2017-03-22 同济大学 一种基于三支决策的肝脏肿瘤ct图像分类方法
JP2019534110A (ja) * 2016-11-16 2019-11-28 テラテク・コーポレーシヨン 携帯型超音波システム
US11449985B2 (en) * 2016-12-02 2022-09-20 Regents Of The University Of Minnesota Computer vision for cancerous tissue recognition
CN108364293A (zh) * 2018-04-10 2018-08-03 复旦大学附属肿瘤医院 一种在线训练甲状腺肿瘤超声图像识别方法及其装置
CN108847286A (zh) * 2018-06-04 2018-11-20 暨南大学附属第医院（广州华侨医院） 基于影像特征数据的肿瘤预测方法
WO2019243344A1 (en) * 2018-06-22 2019-12-26 Koninklijke Philips N.V. Ultrasound lesion assessment and associated devices, systems, and methods
CN109166105B (zh) * 2018-08-01 2021-01-26 中国人民解放军东部战区总医院 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统
CN110288574A (zh) * 2019-06-13 2019-09-27 南通市传染病防治院(南通市第三人民医院) 一种超声辅助诊断肝肿块系统及方法
CN110288542A (zh) * 2019-06-18 2019-09-27 福州数据技术研究院有限公司 一种基于随机变换的肝部病理图像样本增强方法
CN110264462B (zh) * 2019-06-25 2022-06-28 电子科技大学 一种基于深度学习的乳腺超声肿瘤识别方法
CN110866893B (zh) * 2019-09-30 2021-04-06 中国科学院计算技术研究所 基于病理图像的tmb分类方法、系统及tmb分析装置
CN110837859A (zh) * 2019-11-01 2020-02-25 越亮传奇科技股份有限公司 一种融合多维度医疗数据的肿瘤精细分类系统及方法
TWM594253U (zh) * 2019-11-21 2020-04-21 粘曉菁 肝腫瘤智慧分析裝置
CN111243042A (zh) * 2020-02-28 2020-06-05 浙江德尚韵兴医疗科技有限公司 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
CN111402207B (zh) * 2020-03-02 2023-05-30 中山大学附属第一医院 一种基于复合神经网络的超声造影视频数据分析方法
CN111539930B (zh) * 2020-04-21 2022-06-21 浙江德尚韵兴医疗科技有限公司 基于深度学习的动态超声乳腺结节实时分割与识别的方法
US11436724B2 (en) * 2020-10-30 2022-09-06 International Business Machines Corporation Lesion detection artificial intelligence pipeline computing system

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI830161B (zh) * 2022-02-25 2024-01-21 國立陽明交通大學 腦部腫瘤種類自動判別系統、其伺服計算機裝置及計算機可讀取的儲存媒體

Also Published As

Publication number Publication date
EP3825910A1 (en) 2021-05-26
GB202018273D0 (en) 2021-01-06
TWI810498B (zh) 2023-08-01
GB2591177A (en) 2021-07-21
PL3825910T3 (pl) 2023-09-11
CN112927179A (zh) 2021-06-08
ES2949835T3 (es) 2023-10-03
EP3825910B1 (en) 2023-05-03

Similar Documents

Publication Publication Date Title
TW202121435A (zh) 肝腫瘤智慧分析方法
La Salvia et al. Deep learning and lung ultrasound for Covid-19 pneumonia detection and severity classification
US11937973B2 (en) Systems and media for automatically diagnosing thyroid nodules
US20210153838A1 (en) Method and Apparatus of Intelligent Analysis for Liver Tumor
McDermott et al. Sonographic diagnosis of COVID-19: A review of image processing for lung ultrasound
CN212853503U (zh) 肝肿瘤智能分析装置
KR102531400B1 (ko) 인공 지능 기반 대장 내시경 영상 진단 보조 시스템 및 방법
Basu et al. RadFormer: Transformers with global–local attention for interpretable and accurate Gallbladder Cancer detection
CN112802000A (zh) 多模态医学影像智能辅助诊疗系统
CN112071418B (zh) 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法
Yu et al. Lightweight deep neural networks for cholelithiasis and cholecystitis detection by point-of-care ultrasound
Liu et al. Artificial intelligence: The new wave of innovation in EUS
Lyu et al. Diagnostic value of artificial intelligence automatic detection systems for breast BI-RADS 4 nodules
Lasker et al. Application of machine learning and deep learning techniques for Covid-19 screening using radiological imaging: a comprehensive review
Dinesh et al. Machine learning in the detection of oral lesions with clinical intraoral images
Lucassen et al. Deep learning for detection and localization of B-lines in lung ultrasound
Faes et al. Deep learning under scrutiny: performance against health care professionals in detecting diseases from medical imaging-systematic review and meta-Analysis
Khanna A Review of AI Devices in Cancer Radiology for Breast and Lung Imaging and Diagnosis
Yongping et al. Evaluation of the quadri-planes method in computer-aided diagnosis of breast lesions by ultrasonography: prospective single-center study
Okuwobi et al. Artificial intelligence model driven by transfer learning for image-based medical diagnosis
Yongping et al. Performance of computer-aided diagnosis in ultrasonography for detection of breast lesions less and more than 2 cm: prospective comparative study
Gayathri et al. An automatic identification of lung cancer from different types of medical images
US20240225588A1 (en) Method and Apparatus of Intelligent Analysis for Liver Tumor
Joseph et al. Lungecho-resource constrained lung ultrasound video analysis tool for faster triaging and active learning
JP2021151430A (ja) 肝腫瘍知能分析方法