TWI746249B - 心胸比估算方法及心胸比估算系統 - Google Patents
心胸比估算方法及心胸比估算系統 Download PDFInfo
- Publication number
- TWI746249B TWI746249B TW109138524A TW109138524A TWI746249B TW I746249 B TWI746249 B TW I746249B TW 109138524 A TW109138524 A TW 109138524A TW 109138524 A TW109138524 A TW 109138524A TW I746249 B TWI746249 B TW I746249B
- Authority
- TW
- Taiwan
- Prior art keywords
- image data
- chest
- deep learning
- ray image
- neural network
- Prior art date
Links
Images
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本發明提供一種心胸比估算系統,包含一影像擷取裝置以及一處理器。影像擷取裝置用以擷取一受試者之一受試X光影像資料集。處理器電性連接影像擷取裝置,其中處理器包含一參照X光影像資料庫及一心胸比估算程式,且參照X光影像資料庫包含複數個參照X光影像資料集。當心胸比估算程式由處理器執行時可評估受試者的心胸比。藉此,本發明之心胸比估算系統可提供一自動化、標準化且快速的心胸比估算方式,並可大幅提升心胸比估算的準確度。
Description
本發明是有關於一種醫療資訊分析方法及系統,特別是一種心胸比估算方法以及心胸比估算系統。
心胸比(cardiothoracic ratio, CT ratio)為X光影像上所呈現之心臟最大橫徑(左右心緣至身體中線的最大距離之和)與胸肺廓橫徑(通過右膈頂之水平胸廓內徑)的比例。通常成年人及兒童的正常心胸比不大於0.5,此時醫師可以初步排除心臟功能受損的情況。反之,患有慢性心臟衰竭、高血壓或慢性腎病之患者常有心胸比大於0.5的情形,顯示心臟有增大的疑慮,是以心胸比可用以初步判斷患者之心臟功能,並有利於後續醫療方針之擬定。
目前對於心胸比數值的估算是由醫師根據患者的胸部X光影像以現行之醫療影像系統操作介面而手動拉取比例尺,藉以計算患者之心臟最大橫徑與胸肺廓橫徑,並根據前述之測量數值計算該患者之心胸比數值。然而,現行臨床上並無專門用以即時計算並提供心胸比數值的醫療資訊系統,且同一患者的心胸比數值容易因為不同醫師對於心胸比的主觀判讀標準而有所不同,導致依據人工判讀的心胸比數值的準確度出現落差。
因此,如何發展出一種自動化、標準化、快速且具有高度檢測準確度之心胸比評估方式,實為一具有臨床應用價值之技術課題。
本發明之一態樣在於提供一種心胸比估算方法,包含下述步驟。提供一受試者之一受試X光影像資料集。進行一第一影像資料分類步驟,其係利用一第一深度學習神經網路分類器對前述之受試X光影像資料集進行歸類,以得一受試胸部X光影像資料,其中所述之受試胸部X光影像資料包含一胸部X光後前照(Posterior-Anterior View, PA View)影像資料或一胸部X光前後照(Anterior-Posterior View, AP View)影像資料。進行一第二影像資料分類步驟,其係利用一第二深度學習神經網路分類器對前述之受試胸部X光影像資料進行歸類,以得一目標胸部X光影像資料。進行一特徵提取步驟,其係自動擷取前述之目標胸部X光影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將前述之胸腔寬度訊息及前述之心臟寬度訊息以一第三深度學習神經網路分類器進行訓練至收斂,以得一心胸比特徵值。進行一判斷步驟,其係利用前述之第三深度學習神經網路分類器根據前述之心胸比特徵值輸出一心胸比估算結果。
依據前述之心胸比估算方法,其中前述之目標胸部X光影像資料可為胸部X光後前照影像資料。
依據前述之心胸比估算方法,其中前述之第一深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器,前述之第二深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
依據前述之心胸比估算方法,可更包含進行一確認步驟,其係利用一第四深度學習神經網路分類器確認前述之目標胸部X光影像資料之一胸腔位置以及一心臟位置,並根據所述之胸腔位置以及所述之心臟位置發出一可信度預警訊息。
依據前述之心胸比估算方法,其中前述之目標胸部X光影像資料可由一調整者調整前述之胸腔寬度訊息及前述之心臟寬度訊息,以得一調整後胸腔寬度訊息及一調整後心臟寬度訊息。其中,調整後胸腔寬度訊息及調整後心臟寬度訊息可以前述之第四深度學習神經網路分類器進行訓練至收斂,以得一二重心胸比特徵值,且第四深度學習神經網路分類器可根據前述之二重心胸比特徵值輸出一心胸比可信度預警結果。
依據前述之心胸比估算方法,其中前述之目標胸部X光影像資料可由調整者根據前述之可信度預警訊息而調整胸腔寬度訊息及心臟寬度訊息。
依據前述之心胸比估算方法,其中前述之第四深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
依據前述之心胸比估算方法,可更包含進行一建模步驟,其可包含下述步驟。提供一參照X光影像資料庫,其中前述之參照X光影像資料庫包含複數個參照X光影像資料集。進行一第一參照影像資料分類步驟,其係利用前述之第一深度學習神經網路分類器對各參照X光影像資料集進行歸類,以得複數個訓練胸部X光影像資料,其中各訓練胸部X光影像資料可包含一胸部X光後前照影像資料或一胸部X光前後照影像資料。進行一第二參照影像資料分類步驟,其係利用前述之第二深度學習神經網路分類器對前述之訓練胸部X光影像資料進行歸類,以得複數個訓練胸部X光後前照影像資料。進行一參照特徵提取步驟,其係自動擷取各訓練胸部X光後前照影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將前述之胸腔寬度訊息及前述之心臟寬度訊息以一深度學習演算模組進行訓練至收斂,以得所述之第三深度學習神經網路分類器。
依據前述之心胸比估算方法,其中前述之深度學習演算模組可為U-Net演算模組。
本發明之另一態樣在於提供一種心胸比估算系統,包含一影像擷取裝置以及一處理器。影像擷取裝置用以擷取一受試者之一受試X光影像資料集。處理器電性連接前述之影像擷取裝置,其中處理器包含一參照X光影像資料庫及一心胸比估算程式,且前述之參照X光影像資料庫包含複數個參照X光影像資料集。其中,前述之心胸比估算程式包含一第一參照影像資料分類模組、一第二參照影像資料分類模組、一訓練模組、一第一目標影像資料分類模組、一第二目標影像資料分類模組及一比對模組。第一參照影像資料分類模組係利用一第一深度學習神經網路分類器對各參照X光影像資料集進行歸類,以得複數個訓練胸部X光影像資料,其中各訓練胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X光前後照影像資料。第二參照影像資料分類模組係利用一第二深度學習神經網路分類器對前述之訓練胸部X光影像資料進行歸類,以得複數個訓練胸部X光後前照影像資料。訓練模組係自動擷取各訓練胸部X光後前照影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將前述之胸腔寬度訊息及前述之心臟寬度訊息以一深度學習演算模組進行訓練至收斂,以得一第三深度學習神經網路分類器。第一目標影像資料分類模組係利用前述之第一深度學習神經網路分類器對前述之受試X光影像資料集進行歸類,以得一受試胸部X光影像資料,其中前述之受試胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X光前後照影像資料。第二目標影像資料分類模組係利用前述之第二深度學習神經網路分類器對前述之受試胸部X光影像資料進行歸類,以得一目標胸部X光影像資料。比對模組係自動擷取前述之目標胸部X光影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將前述之胸腔寬度訊息及前述之心臟寬度訊息以前述之第三深度學習神經網路分類器進行訓練至收斂,以得一心胸比特徵值,並利用前述之第三深度學習神經網路分類器根據前述之心胸比特徵值輸出一心胸比估算結果。
依據前述之心胸比估算系統,其中前述之目標胸部X光影像資料可為胸部X光後前照影像資料。
依據前述之心胸比估算系統,其中前述之第一深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器,前述之第二深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
依據前述之心胸比估算系統,其中前述之深度學習演算模組可為U-Net演算模組。
依據前述之心胸比估算系統,可更包含一確認模組,其可利用一第四深度學習神經網路分類器確認前述之目標胸部X光影像資料之一胸腔位置以及一心臟位置,並根據前述之胸腔位置以及前述之心臟位置發出一可信度預警訊息。
依據前述之心胸比估算系統,其中前述之第四深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
依據前述之心胸比估算系統,其中前述之目標胸部X光影像資料可由一調整者調整前述之胸腔寬度訊息及前述之心臟寬度訊息,以得一調整後胸腔寬度訊息及一調整後心臟寬度訊息。其中,前述之調整後胸腔寬度訊息及前述之調整後心臟寬度訊息可以前述之第四深度學習神經網路分類器進行訓練至收斂,以得一二重心胸比特徵值,且前述之第四深度學習神經網路分類器可根據前述之二重心胸比特徵值輸出一心胸比可信度預警結果。
依據前述之心胸比估算系統,其中前述之目標胸部X光影像資料可由調整者根據前述之可信度預警訊息而調整胸腔寬度訊息及心臟寬度訊息。
依據前述之心胸比估算系統,可更包含一顯示器,顯示器電性連接前述之影像擷取裝置與前述之處理器,其中前述之顯示器可包含一使用者操作模組,且前述之心胸比估算結果及前述之心胸比可信度預警結果可顯示於顯示器上。
藉此,本發明之心胸比估算方法與心胸比估算系統透過第一深度學習神經網路分類器對受試X光影像資料集進行歸類後,再行以第二深度學習神經網路分類器對受試胸部X光影像資料進行分類與歸類後,進而以第三深度學習神經網路分類器進行訓練至收斂,並以前述處理所得之心胸比特徵值為依據進行分析判斷,以根據受試者之受試X光影像資料集直接輸出心胸比估算結果,如此一來不僅可以即時計算並提供心胸比估算數值,以利後續醫療方針之擬定,亦可避免習知的心胸比估算方法中因不同分析者之主觀判讀習慣不同所造成之結果誤差,使本發明之心胸比估算方法與心胸比估算系統具有優異之臨床應用潛力。
下述將更詳細討論本發明各實施方式。然而,此實施方式可為各種發明概念的應用,可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的,且不受限於揭露的範圍。
[本發明之心胸比估算方法]
請參照第1圖,其係繪示本發明一實施方式之心胸比估算方法100的步驟流程圖。心胸比估算方法100包含步驟110、步驟120、步驟130、步驟140以及步驟150。
步驟110為提供一受試者之一受試X光影像資料集。詳細而言,受試X光影像資料集包含受試者接受X光檢查時之各部位的X光影像資料,並包含胸部X光影像資料與非胸部X光影像資料。
步驟120為進行一第一影像資料分類步驟,其係利用一第一深度學習神經網路分類器對前述之受試X光影像資料集進行歸類,以得一受試胸部X光影像資料,其中受試胸部X光影像資料包含一胸部X光後前照(Posterior-Anterior View, PA View)影像資料或一胸部X光前後照(Anterior-Posterior View, AP View)影像資料。詳細而言,第一深度學習神經網路分類器可進一步對受試X光影像資料集中的胸部X光影像資料與非胸部X光檢查影像資料進行歸類,以挑選受試者之受試胸部X光影像資料進行後續的分析。具體而言,前述之第一深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
步驟130為進行一第二影像資料分類步驟,其係利用一第二深度學習神經網路分類器對前述之受試胸部X光影像資料進行歸類,以得一目標胸部X光影像資料。具體而言,前述之第二深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器,且前述之目標胸部X光影像資料可為胸部X光後前照影像資料。詳細而言,受試胸部X光影像資料包含受試者接受胸部X光檢查時所擷取之不同檢查姿勢的胸部X光影像資料,如胸部X光後前照影像資料或胸部X光前後照影像資料,而在第二影像資料分類步驟中,第二深度學習神經網路分類器將自動地對受試胸部X光影像資料進行歸類,以取得受試者之胸部X光後前照影像資料作為本發明之心胸比估算方法100的心胸比數值評估的依據。由於在擷取受試者之胸部X光後前照影像資料時需要以站立姿勢而從病患後背往前胸的方向進行拍攝,此時X光的光束為平行光束,進而使拍攝而得的X光影像較為清晰並有正常比例之尺寸。再者,以站立姿勢進行拍攝時受試者將同步保持吸氣的動作,以使肺部擴張並確保足夠的吸氣量而使肺臟獲得最大限度的擴張,是以本發明之心胸比估算方法100將以受試者之胸部X光後前照影像資料作為心胸比數值評估的依據,以獲得較為準確之心胸比估算結果。
步驟140為進行一特徵提取步驟,其係自動擷取前述之目標胸部X光影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將胸腔寬度訊息及心臟寬度訊息以一第三深度學習神經網路分類器進行訓練至收斂,以得一心胸比特徵值。詳細而言,本發明之心胸比估算方法100可利用第三深度學習神經網路分類器自動地對目標胸部X光影像資料之心臟部分與肺臟部分進行切割,接著,第三深度學習神經網路分類器將以短直線標記目標胸部X光影像資料之胸肺廓最大內徑與心臟最大橫徑,以擷取胸腔寬度訊息及心臟寬度訊息,並據此提取對應之心胸比特徵值。
步驟150為進行一判斷步驟,其係利用前述之第三深度學習神經網路分類器根據前述之心胸比特徵值輸出一心胸比估算結果。
請參照第2圖,其係繪示本發明另一實施方式之心胸比估算方法100a的步驟流程圖。心胸比估算方法100a包含步驟110a、步驟120a、步驟130a、步驟140a、步驟150a以及步驟160,其中步驟110a、步驟120a、步驟130a、步驟140a、步驟150a與第1圖的步驟110、步驟120、步驟130、步驟140、步驟150相同,在此將不再贅述,而以下將進一步說明本發明之第二深度學習神經網路分類器的建構細節。
步驟160為進行一建模步驟,其包含步驟161、步驟162、步驟163以及步驟164。
步驟161為提供一參照X光影像資料庫,其中參照X光影像資料庫包含複數個參照X光影像資料集。詳細而言,各參照X光影像資料集包含不同檢查姿勢的胸部X光影像資料(如胸部X光後前照影像資料或胸部X光前後照影像資料)與非胸部X光影像(如同一次X光檢查可能含有胸部與身體其他部位的X光影像),且前述之不同檢查姿勢的胸部X光影像資料與非胸部X光影像將同時以本發明之心胸比估算方法100a進行後續的分析。
步驟162為進行一第一參照影像資料分類步驟,其係利用前述之第一深度學習神經網路分類器對各參照X光影像資料集進行歸類,以得複數個訓練胸部X光影像資料,其中各訓練胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X光前後照影像資料。具體而言,參照X光影像資料集包含不同檢查姿勢的胸部X光影像資料,且可能包含非胸部X光影像資料(亦即,X光檢查可能同時包含胸部與身體其他部位的X光影像),而本發明之第一深度學習神經網路分類器將可進一步對各參照X光影像資料集中的胸部X光影像資料與非胸部X光檢查影像資料進行歸類,以挑選胸部X光影像資料為本發明之訓練胸部X光影像資料進行後續的分析。
步驟163為進行一第二參照影像資料分類步驟,其係利用前述之第二深度學習神經網路分類器對前述之訓練胸部X光影像資料進行歸類,以得複數個訓練胸部X光後前照影像資料。詳細而言,第二深度學習神經網路分類器將自動地對各參照X光影像資料集進行歸類,以取得較為清晰並有正常比例之尺寸的胸部X光後前照影像資料進行後續之建模流程。
步驟164為進行一參照特徵提取步驟,其係自動擷取各訓練胸部X光後前照影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將前述之胸腔寬度訊息及前述之心臟寬度訊息以一深度學習演算模組進行訓練至收斂,以得所述之第三深度學習神經網路分類器。其中,所述之深度學習演算模組可為U-Net演算模組。
再請參照第3圖,其係繪示本發明又一實施方式之心胸比估算方法100b的步驟流程圖。心胸比估算方法100b包含步驟110b、步驟120b、步驟130b、步驟140b、步驟170以及步驟150b,其中步驟110b、步驟120b、步驟130b、步驟140b、步驟150b與第1圖的步驟110、步驟120、步驟130、步驟140、步驟150相同,在此不再贅述。
步驟170為進行一確認步驟,其係利用一第四深度學習神經網路分類器確認目標胸部X光影像資料之一胸腔位置以及一心臟位置,並根據前述之胸腔位置以及前述之心臟位置發出一可信度預警訊息。詳細而言,當本發明之心胸比估算方法100b擷取目標胸部X光影像資料之胸腔寬度訊息及心臟寬度訊息時,心胸比估算方法100b判定目標胸部X光影像資料之胸腔寬度訊息及心臟寬度訊息無法清楚地被進行界定,致使所輸出之心胸比特徵值的準確度有待商議,此時第四深度學習神經網路分類器將進一步確認目標胸部X光影像資料之一胸腔位置以及一心臟位置,以及判斷胸腔位置以及心臟位置之切割是否完整、平滑無破碎,並根據前述之胸腔位置以及前述之心臟位置發出一可信度預警訊息,而目標胸部X光影像資料將進一步由一調整者,如醫師等專業人士,調整前述之胸腔寬度訊息及前述之心臟寬度訊息,以得一調整後胸腔寬度訊息及一調整後心臟寬度訊息,而調整後胸腔寬度訊息及調整後心臟寬度訊息將再次以第四深度學習神經網路分類器進行訓練至收斂,以得一二重心胸比特徵值。同時,第四深度學習神經網路分類器將可根據前述之二重心胸比特徵值輸出一心胸比可信度預警結果,以再次確認與優化本發明之心胸比估算方法100b所輸出之心胸比估算結果。較佳地,目標胸部X光影像資料可由調整者根據前述之可信度預警訊息而調整胸腔寬度訊息及心臟寬度訊息。具體而言,第四深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
藉此,本發明之心胸比估算方法100、心胸比估算方法100a以及心胸比估算方法100b透過第一深度學習神經網路分類器以及第二深度學習神經網路分類器對受試X光影像資料集進行歸類後,再行以第三深度學習神經網路分類器進行訓練至收斂,並以前述處理所得之心胸比特徵值為依據進行分析判斷,以根據受試者之受試X光影像資料集直接輸出心胸比估算結果,如此一來不僅可以即時計算並提供心胸比估算數值,以利後續醫療方針之擬定,亦可避免習知的心胸比估算方法中因不同分析者之主觀判讀習慣不同所造成之結果誤差。再者,透過第四深度學習神經網路分類器進一步確認目標胸部X光影像資料之一胸腔位置以及一心臟位置的方式,將有利於調整者進行調整,進而再次確認與優化本發明之心胸比估算方法100b所輸出之心胸比估算結果,並具有優異之臨床應用潛力。
[本發明之心胸比估算系統]
請參照第4圖,其係繪示本發明再一實施方式之心胸比估算系統200的架構示意圖。心胸比估算系統200包含一影像擷取裝置210以及一處理器220。
影像擷取裝置210用以擷取一受試者之一受試X光影像資料集。詳細而言,受試X光影像資料集包含受試者接受X光檢查時之各部位的X光影像資料,並包含胸部X光影像資料與非胸部X光檢查影像資料。
處理器220電性連接影像擷取裝置210,其中處理器220包含一參照X光影像資料庫230及一心胸比估算程式240,且參照X光影像資料庫230包含複數個參照X光影像資料集(圖未繪示)。其中,心胸比估算程式240包含一第一參照影像資料分類模組251、一第二參照影像資料分類模組252、一訓練模組253、一第一目標影像資料分類模組261、一第二目標影像資料分類模組262及一比對模組270。
第一參照影像資料分類模組251係利用一第一深度學習神經網路分類器對各參照X光影像資料集進行歸類,以得複數個訓練胸部X光影像資料,其中各訓練胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X光前後照影像資料。具體而言,參照X光影像資料集包含不同檢查姿勢的胸部X光影像資料,且可能包含非胸部X光影像資料(亦即,X光檢查可能同時包含胸部與身體其他部位的X光影像),而本發明之第一深度學習神經網路分類器將可進一步對各參照X光影像資料集中的胸部X光影像資料與非胸部X光檢查影像資料進行歸類,以挑選胸部X光影像資料為本發明之訓練胸部X光影像資料進行後續的分析。其中,前述之第一深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
第二參照影像資料分類模組252係利用一第二深度學習神經網路分類器對前述之訓練胸部X光影像資料進行歸類,以得複數個訓練胸部X光後前照影像資料。詳細而言,第二深度學習神經網路分類器將自動地對各訓練胸部X光影像資料進行歸類,以取得較為清晰並有正常比例之尺寸的胸部X光後前照影像資料,以獲得較為準確之心胸比估算結果。其中,前述之第二深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
訓練模組253係自動擷取各訓練胸部X光後前照影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將前述之胸腔寬度訊息及前述之心臟寬度訊息以一深度學習演算模組進行訓練至收斂,以得一第三深度學習神經網路分類器。其中,所述之深度學習演算模組可為U-Net演算模組。
第一目標影像資料分類模組261係利用前述之第一深度學習神經網路分類器對受試X光影像資料集進行歸類,以得一受試胸部X光影像資料,其中受試胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X光前後照影像資料。詳細而言,第一深度學習神經網路分類器可進一步對受試X光影像資料中的胸部X光影像資料與非胸部X光檢查影像資料進行歸類,以挑選受試者之受試胸部X光影像資料進行後續的分析。
第二目標影像資料分類模組262係利用前述之第二深度學習神經網路分類器對受試胸部X光影像資料進行歸類,以得一目標胸部X光影像資料。其中,目標胸部X光影像資料可為胸部X光後前照影像資料。詳細而言,第一深度學習神經網路分類器將自動地對受試X光影像資料集進行歸類,以取得較為清晰並有正常比例之尺寸的胸部X光後前照影像資料作為心胸比數值評估的依據。
比對模組270係自動擷取目標胸部X光影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將前述之胸腔寬度訊息及前述之心臟寬度訊息以前述之第三深度學習神經網路分類器進行訓練至收斂,以得一心胸比特徵值,並利用第三深度學習神經網路分類器根據前述之心胸比特徵值輸出一心胸比估算結果。詳細而言,比對模組270將利用第三深度學習神經網路分類器自動地對目標胸部X光影像資料之心臟部分與肺臟部分進行切割,接著,第三深度學習神經網路分類器將以短直線標記心臟最大橫徑與胸肺廓最大內徑,以提取對應的心胸比特徵值,並根據前述之心胸比特徵值輸出心胸比估算結果。
藉此,本發明之心胸比估算系統200透過第一深度學習神經網路分類器與第二深度學習神經網路分類器對受試X光影像資料集進行歸類後,再行以第三深度學習神經網路分類器對目標胸部X光影像資料進行訓練至收斂,並以前述處理所得之心胸比特徵值為依據進行分析判斷,以根據受試者之受試X光影像資料集直接輸出心胸比估算結果,如此一來不僅可以即時計算並提供心胸比估算數值,亦可避免習知的心胸比估算方法中因不同分析者之主觀判讀習慣不同所造成之結果誤差而以利後續醫療方針之擬定。
請參照第5圖,其係繪示本發明更一實施方式之心胸比估算系統200a的架構示意圖。心胸比估算系統200a包含一影像擷取裝置210a以及一處理器220a。處理器220a包含一參照X光影像資料庫230a及一心胸比估算程式240a,其中心胸比估算程式240a進一步包含一第一參照影像資料分類模組251a、一第二參照影像資料分類模組252a、一訓練模組253a、一第一目標影像資料分類模組261a、一第二目標影像資料分類模組262a、一確認模組280及一比對模組270a。其中,心胸比估算程式240a的第一參照影像資料分類模組251a、第二參照影像資料分類模組252a、訓練模組253a、第一目標影像資料分類模組261a、第二目標影像資料分類模組262a及比對模組270a與第4圖之第一參照影像資料分類模組251、第二參照影像資料分類模組252、訓練模組253、第一目標影像資料分類模組261、第二目標影像資料分類模組262及比對模組270相同,是以相同之架構的細節將不再贅述。
確認模組280係利用一第四深度學習神經網路分類器確認目標胸部X光影像資料之一胸腔位置以及一心臟位置,以及判斷胸腔位置以及心臟位置之切割是否完整、平滑無破碎,並根據前述之胸腔位置以及前述之心臟位置發出一可信度預警訊息,而目標胸部X光影像資料將進一步由一調整者調整並判斷前述之胸腔寬度訊息及前述之心臟寬度訊息,以得一調整後胸腔寬度訊息及一調整後心臟寬度訊息,而調整後胸腔寬度訊息及調整後心臟寬度訊息將再以第四深度學習神經網路分類器進行訓練至收斂,以得一二重心胸比特徵值。同時,第四深度學習神經網路分類器將可根據前述之二重心胸比特徵值輸出一心胸比可信度預警結果,以再次確認與優化本發明之心胸比估算系統200a所輸出之心胸比估算結果。較佳地,目標胸部X光影像資料可由調整者根據前述之可信度預警訊息而調整胸腔寬度訊息及心臟寬度訊息。具體而言,第四深度學習神經網路分類器可為ResNet-50深度學習神經網路分類器。
另外,雖圖未繪示,本發明之心胸比估算系統可更包含一顯示器,顯示器電性連接影像擷取裝置與處理器,其中顯示器可包含一使用者操作模組,且心胸比估算結果及心胸比可信度預警結果可顯示於顯示器上,如此一來不僅利於調整者透過顯示器直接利用使用者操作模組來調整胸腔寬度訊息及心臟寬度訊息,並有利於直接從顯示器獲得本發明之心胸比估算系統所輸出之心胸比估算結果及心胸比可信度預警結果,使其使用更為便利,並具有相關臨床應用之潛力。
[試驗例]
一、參照X光影像資料庫
本發明所使用的參照X光影像資料庫為中國醫學大學暨附設醫院所蒐集的X光影像資料,為經中國醫藥大學暨附設醫院研究倫理委員會(China Medical University & Hospital Research Ethics Committee)核准之臨床試驗計劃,其編號為:CMUH106-REC3-118。前述之參照X光影像資料庫包含198位受試者之X光影像資料集,共計200張X光影像資料(包含200張連續性胸部X光後前照影像資料),以進行後續的分析。
以下將以本發明之心胸比估算系統輔以本發明之心胸比估算方法續行試驗,進而評估本發明之心胸比估算系統與本發明之心胸比估算方法的評估準確度,其中本發明之心胸比估算系統可為前述之心胸比估算系統200或心胸比估算系統200a,而本發明之心胸比估算方法則可為前述之心胸比估算方法100、心胸比估算方法100a或心胸比估算方法100b,是以相同之細節請參前段所述,在此將不再贅述。
二、影像資料分類
在影像資料分類方面,本發明之第一深度學習神經網路分類器將先挑選參照資料庫的參照X光影像資料集中的胸部X光影像資料,而第二深度學習神經網路分類器將進一步分析胸部X光影像資料而以胸部X光後前照影像資料進行後續的分析。
請參照第6A圖與第6B圖,第6A圖係一胸部X光影像資料圖,第6B圖係一非胸部X光影像資料圖。如第6A圖以及第6B圖所示,相較於胸部X光影像資料圖,非胸部X光影像資料圖可能同時包含胸部與身體其他部位的X光影像,使其無法正確辨別胸腔與心臟之位置,且非胸部X光影像資料圖所顯示之胸腔與心臟之尺寸亦不符合實際之胸腔與心臟之尺寸,是以本發明之心胸比估算方法與心胸比估算系統的第一深度學習神經網路分類器將進一步排除參照X光影像資料集中的非胸部X光影像資料,而以胸部X光影像資料進行後續的分析。
請參照第7圖,其係繪示本發明之心胸比估算系統用以對參照X光影像資料集進行歸類的一混淆矩陣圖。如第7圖所示,預測標籤之真陰性(True Negative, TN)區塊701中的非胸部X光影像資料的數量為2048,預測標籤之偽陽性(False Positive, FP)區塊702中的胸部X光影像資料的數量為4,預測標籤之偽陰性(False Negative, FN)區塊703中的非胸部X光影像資料的數量為5,而預測標籤之真陽性(True Positive, TP)區塊704中的胸部X光影像資料的數量為12528。再者,本發明之心胸比估算系統用以對參照X光影像資料集進行歸類而分辨非胸部X光影像資料與胸部X光影像資料的精確率(Precision)為0.9986,靈敏度(Sensitivity)為0.9988,且正確率(Accuracy)可達0.9994,顯示本發明之心胸比估算方法與心胸比估算系統的第一深度學習神經網路分類器可有效地分辨參照X光影像資料集中的非胸部X光影像資料與胸部X光影像資料,並具有相關臨床應用之潛力。
請參照第8A圖與第8B圖,第8A圖係一胸部X光前後照影像資料圖,第8B圖係一胸部X光後前照影像資料圖。詳細而言,如第8A圖所示,由於胸部X光前後照影像資料在拍攝時其X光的光束從病患前方往後方呈三角放射型態,進而使拍攝而得的X光影像較正常的胸腔尺寸為小,且胸部X光前後照影像資料的心臟陰影(cardiac shadow)會被放大,如此一來將導致擷取胸腔寬度訊息與心臟寬度訊息時的誤差率提高,進而影響後續心胸比估算結果的準確度。而如第8B圖所示,在擷取受試者之胸部X光後前照影像資料時需要以站立姿勢從病患後方往前方進行拍攝,此時X光的光束為平行光束,進而使拍攝而得的X光影像較為清晰並有正常比例之尺寸。再者,以站立姿勢進行拍攝時受試者將同步保持吸氣的動作,以使肺部擴張並確保足夠的吸氣量而使肺臟獲得最大限度的擴張,是以本發明之心胸比估算方法與心胸比估算系統將以參照X光影像資料集之胸部X光後前照影像資料以及受試者之受試胸部X光後前照影像資料作為心胸比數值評估的依據。
請參照第9圖,其係繪示本發明之心胸比估算系統用以對參照X光影像資料集進行歸類的一混淆矩陣圖。當以本發明之心胸比估算系統對參照胸部X光影像資料的不同檢查姿勢之胸部X光影像資料行歸類時,如第9圖所示,預測標籤之胸部X光前後照影像資料的真陰性區塊901中的數量為185,預測標籤之胸部X光前後照影像資料的偽陽性區塊902中的數量為15,預測標籤之胸部X光後前照影像資料的偽陰性區塊903中的數量為3,而預測標籤之胸部X光後前照影像資料的真陽性區塊904中的數量為397。再者,本發明之心胸比估算系統用以對參照X光影像資料集進行歸類而得胸部X光後前照影像資料的精確率為0.96,靈敏度為0.99,且正確率可達0.97,顯示本發明之心胸比估算方法與心胸比估算系統的第二深度學習神經網路分類器可有效地擷取胸部X光後前照影像資料進行分析,並具有相關臨床應用之潛力。
三、本發明之心胸比估算方法與心胸比估算系統的可信度分析
在評估本發明之心胸比估算方法與心胸比估算系統之可信度方面,首先受試者之受試X光影像資料集將透過本發明之第一深度學習神經網路分類器與第二深度學習神經網路分類器進行歸類,以挑選胸部X光後前照影像資料作為目標胸部X光影像資料而進行後續的分析。
請同時參照第10A圖、第10B圖與第10C圖,第10A圖係本發明之目標胸部X光影像資料,第10B圖係繪示本發明之心胸比估算系統用以擷取第10A圖之目標胸部X光影像資料之一胸腔寬度訊息的示意圖,第10C圖係繪示本發明之心胸比估算系統用以擷取第10A圖之目標胸部X光影像資料之一心臟寬度訊息的示意圖。詳細而言,在以本發明之心胸比估算系統評估受試者之心胸比數值時,如第10A圖、第10B圖與第10C圖所示,本發明之第三深度學習神經網路分類器將自動地對目標胸部X光影像資料之心臟部分與肺臟部分進行切割。接著,第三深度學習神經網路分類器將以短直線標記目標胸部X光影像資料之胸肺廓最大內徑(第10B圖)與心臟最大橫徑(第10C圖),以擷取胸腔寬度訊息及心臟寬度訊息,並據此提取對應的心胸比特徵值而續行分析,藉以增進本發明之心胸比估算系統與心胸比估算方法的評估效率。接著,本發明之第三深度學習神經網路分類器將根據前述之心胸比特徵值而輸出一心胸比估算結果。接著,本發明之第四深度學習神經網路分類器將進一步確認目標胸部X光影像資料之一胸腔位置以及一心臟位置,並根據胸腔位置以及心臟位置發出一可信度預警訊息,而調整者將可依據前述之可信度預警訊息而調整胸腔寬度訊息及心臟寬度訊息,並以調整後的胸腔寬度訊息及心臟寬度訊息以第四深度學習神經網路分類器進行訓練至收斂而得一二重心胸比特徵值,且第四深度學習神經網路分類器將可進一步根據二重心胸比特徵值輸出一心胸比可信度預警結果。
請參照第11圖,其係繪示本發明之心胸比估算系統以第四深度學習神經網路分類器分析受試者的胸部X光後前照影像資料所得之心胸比可信度預警結果的一混淆矩陣圖。如第11圖所示,預測標籤之可進行心胸比估算的真陰性區塊1101中的胸部X光後前照影像資料的數量為182,預測標籤之無法進行心胸比估算的偽陽性區塊1102中的胸部X光後前照影像資料的數量為18,預測標籤之可進行心胸比估算的偽陰性區塊1103中的胸部X光後前照影像資料的數量為47,而預測標籤之無法進行心胸比估算的真陽性區塊1104中的胸部X光後前照影像資料的數量為153。再者,本發明之心胸比估算系統用於分析受試者的胸部X光後前照影像資料是否可用以進行心胸比估算之精確率為0.895,靈敏度為0.765,正確率可達0.8375,顯示本發明之心胸比估算方法與心胸比估算系統可有效地依據胸部X光影像資料進行分析並同時進行可信度判斷,進而優化並獲得具有高度準確率之心胸比估算結果,使其具有相關臨床應用之潛力。
另外,為了進一步驗證本發明之心胸比估算系統用以估算心胸比之準確度,本發明之心胸比估算系統進一步用以分析日本放射技術學會(Japanese Society of Radiological Technology, JSRT)之影像資料庫中的100張訓練胸部X光影像資料、47張驗證胸部X光影像資料、100張測試胸部X光影像資料並輸出其心胸比估算結果。結果顯示,本發明之心胸比估算系統與心胸比估算方法用以分析日本放射技術學會之影像資料庫中的連續性胸部X光影像資料而評估受試者之心胸比的準確率可達92%,且其用以評估受試者是否患有心臟肥大(即心胸比>0.5)之準確率更可達95%。
由上述結果顯示,本發明之心胸比估算系統與心胸比估算方法在透過第一深度學習神經網路分類器與第一深度學習神經網路分類器對受試X光影像資料集進行歸類後,再行以第三深度學習神經網路分類器進行訓練至收斂,並以前述處理所得之心胸比特徵值為依據進行分析判斷,以根據受試者之受試X光影像資料集直接輸出心胸比估算結果的方式具有高度的評估準確度,並可避免習知的心胸比估算方法中因不同分析者之主觀判讀習慣不同所造成之結果誤差,使其具有優異之臨床應用潛力。
雖然本發明已以實施方式揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100,100a,100b:心胸比估算方法
110,110a,110b,120,120a,120b,130,130a,130b,140,140a,140b,150,150a,150b,160,161,162,163,164,170:步驟
200,200a:心胸比估算系統
210,210a:影像擷取裝置
220,220a:處理器
230,230a:參照X光影像資料庫
240,240a:心胸比估算程式
251,251a:第一參照影像資料分類模組
252,252a:第二參照影像資料分類模組
253,253a:訓練模組
261,261a:第一目標影像資料分類模組
262,262a:第二目標影像資料分類模組
270,270a:比對模組
280:確認模組
701,901,1101:真陰性區塊
702,902,1102:偽陽性區塊
703,903,1103:偽陰性區塊
704,904,1104:真陽性區塊
第1圖係繪示本發明一實施方式之心胸比估算方法的步驟流程圖;
第2圖係繪示本發明另一實施方式之心胸比估算方法的步驟流程圖;
第3圖係繪示本發明又一實施方式之心胸比估算方法的步驟流程圖;
第4圖係繪示本發明再一實施方式之心胸比估算系統的架構示意圖;
第5圖係繪示本發明更一實施方式之心胸比估算系統的架構示意圖;
第6A圖係一胸部X光影像資料圖;
第6B圖係一非胸部X光影像資料圖;
第7圖係繪示本發明之心胸比估算系統用以對參照X光影像資料集進行歸類的一混淆矩陣圖;
第8A圖係一胸部X光前後照影像資料圖;
第8B圖係一胸部X光後前照影像資料圖;
第9圖係繪示本發明之心胸比估算系統用以對參照X光影像資料集進行歸類的一混淆矩陣圖;
第10A圖係本發明之目標胸部X光影像資料;
第10B圖係繪示本發明之心胸比估算系統用以擷取第10A圖之目標胸部X光影像資料之一胸腔寬度訊息的示意圖;
第10C圖係繪示本發明之心胸比估算系統用以擷取第10A圖之目標胸部X光影像資料之一心臟寬度訊息的示意圖;以及
第11圖係繪示本發明之心胸比估算系統以第四深度學習神經網路分類器分析受試者的胸部X光後前照影像資料所得之心胸比可信度預警結果的一混淆矩陣圖。
100:心胸比估算方法
110,120,130,140,150:步驟
Claims (12)
- 一種心胸比估算方法,包含下述步驟:提供一受試者之一受試X光影像資料集;進行一第一影像資料分類步驟,其係利用一第一深度學習神經網路分類器對該受試X光影像資料集進行歸類,以得一受試胸部X光影像資料,其中該受試胸部X光影像資料包含一胸部X光後前照(Posterior-Anterior View,PA View)影像資料或一胸部X光前後照(Anterior-Posterior View,AP View)影像資料,且該第一深度學習神經網路分類器為ResNet-50深度學習神經網路分類器;進行一第二影像資料分類步驟,其係利用一第二深度學習神經網路分類器對該受試胸部X光影像資料進行歸類,以得一目標胸部X光影像資料,其中該目標胸部X光影像資料為該胸部X光後前照影像資料,且該第二深度學習神經網路分類器為ResNet-50深度學習神經網路分類器;進行一特徵提取步驟,其係自動擷取該目標胸部X光影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將該胸腔寬度訊息及該心臟寬度訊息以一第三深度學習神經網路分類器進行訓練至收斂,以得一心胸比特徵值;以及進行一判斷步驟,其係利用該第三深度學習神經網路分類器根據該心胸比特徵值輸出一心胸比估算結果;其中,該第三深度學習神經網路分類器係由一深度學習演算模組所建立,且該深度學習演算模組為U-Net演算模 組。
- 如請求項1所述之心胸比估算方法,更包含:進行一確認步驟,其係利用一第四深度學習神經網路分類器確認該目標胸部X光影像資料之一胸腔位置以及一心臟位置,並根據該胸腔位置以及該心臟位置發出一可信度預警訊息。
- 如請求項2所述之心胸比估算方法,其中該目標胸部X光影像資料係由一調整者調整該胸腔寬度訊息及該心臟寬度訊息,以得一調整後胸腔寬度訊息及一調整後心臟寬度訊息;其中,該調整後胸腔寬度訊息及該調整後心臟寬度訊息係以該第四深度學習神經網路分類器進行訓練至收斂,以得一二重心胸比特徵值,且該第四深度學習神經網路分類器係根據該二重心胸比特徵值輸出一心胸比可信度預警結果。
- 如請求項3所述之心胸比估算方法,其中該目標胸部X光影像資料係由該調整者根據該可信度預警訊息而調整該胸腔寬度訊息及該心臟寬度訊息。
- 如請求項2所述之心胸比估算方法,其中該第四深度學習神經網路分類器為ResNet-50深度學習神 經網路分類器。
- 如請求項1所述之心胸比估算方法,更包含:進行一建模步驟,包含下述步驟:提供一參照X光影像資料庫,其中該參照X光影像資料庫包含複數個參照X光影像資料集;進行一第一參照影像資料分類步驟,其係利用該第一深度學習神經網路分類器對各該參照X光影像資料集進行歸類,以得複數個訓練胸部X光影像資料,其中各該訓練胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X光前後照影像資料;進行一第二參照影像資料分類步驟,其係利用該第二深度學習神經網路分類器對該些訓練胸部X光影像資料進行歸類,以得複數個訓練胸部X光後前照影像資料;以及進行一參照特徵提取步驟,其係自動擷取各該訓練胸部X光後前照影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將該些胸腔寬度訊息及該些心臟寬度訊息以該深度學習演算模組進行訓練至收斂,以得該第三深度學習神經網路分類器。
- 一種心胸比估算系統,包含:一影像擷取裝置,用以擷取一受試者之一受試X光影像資料集;以及 一處理器,電性連接該影像擷取裝置,其中該處理器包含一參照X光影像資料庫及一心胸比估算程式,且該參照X光影像資料庫包含複數個參照X光影像資料集;其中,該心胸比估算程式包含:一第一參照影像資料分類模組,其係利用一第一深度學習神經網路分類器對各該參照X光影像資料集進行歸類,以得複數個訓練胸部X光影像資料,其中各該訓練胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X光前後照影像資料,且該第一深度學習神經網路分類器為ResNet-50深度學習神經網路分類器;一第二參照影像資料分類模組,其係利用一第二深度學習神經網路分類器對該些訓練胸部X光影像資料進行歸類,以得複數個訓練胸部X光後前照影像資料,其中該第二深度學習神經網路分類器為ResNet-50深度學習神經網路分類器;一訓練模組,其係自動擷取各該訓練胸部X光後前照影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將該些胸腔寬度訊息及該些心臟寬度訊息以一深度學習演算模組進行訓練至收斂,以得一第三深度學習神經網路分類器,其中該深度學習演算模組為U-Net演算模組;一第一目標影像資料分類模組,其係利用該第一深度學習神經網路分類器對該受試X光影像資料集進行歸類,以得一受試胸部X光影像資料,其中該受試胸部X光影像資料包含一胸部X光後前照影像資料或一胸部X 光前後照影像資料;一第二目標影像資料分類模組,其係利用該第二深度學習神經網路分類器對該受試胸部X光影像資料進行歸類,以得一目標胸部X光影像資料,其中該目標胸部X光影像資料為該胸部X光後前照影像資料;及一比對模組,其係自動擷取該目標胸部X光影像資料之一胸腔寬度訊息及一心臟寬度訊息,並將該胸腔寬度訊息及該心臟寬度訊息以該第三深度學習神經網路分類器進行訓練至收斂,以得一心胸比特徵值,並利用該第三深度學習神經網路分類器根據該心胸比特徵值輸出一心胸比估算結果。
- 如請求項7所述之心胸比估算系統,更包含:一確認模組,其係利用一第四深度學習神經網路分類器確認該目標胸部X光影像資料之一胸腔位置以及一心臟位置,並根據該胸腔位置以及該心臟位置發出一可信度預警訊息。
- 如請求項8所述之心胸比估算系統,其中該第四深度學習神經網路分類器為ResNet-50深度學習神經網路分類器。
- 如請求項8所述之心胸比估算系統,其中該目標胸部X光影像資料係由一調整者調整該胸腔寬度訊息 及該心臟寬度訊息,以得一調整後胸腔寬度訊息及一調整後心臟寬度訊息;其中,該調整後胸腔寬度訊息及該調整後心臟寬度訊息係以該第四深度學習神經網路分類器進行訓練至收斂,以得一二重心胸比特徵值,且該第四深度學習神經網路分類器係根據該二重心胸比特徵值輸出一心胸比可信度預警結果。
- 如請求項10所述之心胸比估算系統,其中該目標胸部X光影像資料係由該調整者根據該可信度預警訊息而調整該胸腔寬度訊息及該心臟寬度訊息。
- 如請求項9所述之心胸比估算系統,更包含:一顯示器,電性連接該影像擷取裝置與該處理器,其中該顯示器包含一使用者操作模組,且該心胸比估算結果及該心胸比可信度預警結果係顯示於該顯示器上。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138524A TWI746249B (zh) | 2020-11-05 | 2020-11-05 | 心胸比估算方法及心胸比估算系統 |
US17/386,683 US11941811B2 (en) | 2020-11-05 | 2021-07-28 | Method for assessing cardiothoracic ratio and cardiothoracic ratio assessment system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138524A TWI746249B (zh) | 2020-11-05 | 2020-11-05 | 心胸比估算方法及心胸比估算系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI746249B true TWI746249B (zh) | 2021-11-11 |
TW202219977A TW202219977A (zh) | 2022-05-16 |
Family
ID=79907489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109138524A TWI746249B (zh) | 2020-11-05 | 2020-11-05 | 心胸比估算方法及心胸比估算系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11941811B2 (zh) |
TW (1) | TWI746249B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11599754B2 (en) * | 2021-03-31 | 2023-03-07 | At&T Intellectual Property I, L.P. | Image classification attack mitigation |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080680A (zh) * | 2019-12-29 | 2020-04-28 | 苏州体素信息科技有限公司 | 一种面向患者的三维胸部器官重建方法和系统 |
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 |
-
2020
- 2020-11-05 TW TW109138524A patent/TWI746249B/zh active
-
2021
- 2021-07-28 US US17/386,683 patent/US11941811B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111080680A (zh) * | 2019-12-29 | 2020-04-28 | 苏州体素信息科技有限公司 | 一种面向患者的三维胸部器官重建方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US11941811B2 (en) | 2024-03-26 |
TW202219977A (zh) | 2022-05-16 |
US20220138947A1 (en) | 2022-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10255679B2 (en) | Visualization and quantification of lung disease utilizing image registration | |
CN109035283B (zh) | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 | |
CN109948719B (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
Dimauro et al. | Detecting clinical signs of anaemia from digital images of the palpebral conjunctiva | |
KR20190060243A (ko) | 열화상 카메라를 이용한 호흡 측정 시스템 | |
CN113139962B (zh) | 用于脊柱侧凸概率评估的系统和方法 | |
Campo et al. | Emphysema quantification on simulated X-rays through deep learning techniques | |
US8460215B2 (en) | Systems and methods for predicting potentially difficult intubation of a subject | |
CN106419938A (zh) | 一种基于运动能量释放估算的注意缺陷多动障碍(adhd)检测方法及其检测系统 | |
TWI746249B (zh) | 心胸比估算方法及心胸比估算系統 | |
Tan et al. | Automated detection of congenital heart disease in fetal ultrasound screening | |
CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
CN115444355B (zh) | 一种内窥镜病变尺寸信息确定方法、电子设备及存储介质 | |
TWI796684B (zh) | 非侵入性血紅素濃度評估方法及其評估系統 | |
Belghith et al. | Glaucoma progression detection using variational expectation maximization algorithm | |
TWI768288B (zh) | 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置 | |
KR102258070B1 (ko) | 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스 | |
TWI656323B (zh) | 醫療影像差異比對方法及其系統 | |
WO2020227794A1 (pt) | Método e sistema automático de análise de imagem de mamografia e método de treinamento de rede neural profunda | |
CN114529494A (zh) | 心胸比估算方法及心胸比估算系统 | |
Caban et al. | Monitoring pulmonary fibrosis by fusing clinical, physiological, and computed tomography features | |
CN111242897A (zh) | 胸部x射线影像分析方法和装置 | |
Kauppi et al. | A framework for constructing benchmark databases and protocols for retinopathy in medical image analysis | |
TWI845365B (zh) | 建立識別荷爾蒙受體狀態模型的方法、測定荷爾蒙受體狀態的方法及系統 | |
Mao et al. | Evaluation of velopharyngeal closure ratio by a new semi-automatic detection method based on nasopharyngoscopy with image processing method |