WO2020003990A1 - 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 - Google Patents

医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 Download PDF

Info

Publication number
WO2020003990A1
WO2020003990A1 PCT/JP2019/022908 JP2019022908W WO2020003990A1 WO 2020003990 A1 WO2020003990 A1 WO 2020003990A1 JP 2019022908 W JP2019022908 W JP 2019022908W WO 2020003990 A1 WO2020003990 A1 WO 2020003990A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
computer
medical image
information
difference information
Prior art date
Application number
PCT/JP2019/022908
Other languages
English (en)
French (fr)
Inventor
岬 川原
悟朗 三浦
慧 内藤
駿平 加門
正明 大酒
Original Assignee
富士フイルム株式会社
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 富士フイルム株式会社 filed Critical 富士フイルム株式会社
Priority to EP19826063.0A priority Critical patent/EP3815610A4/en
Priority to CN201980042852.8A priority patent/CN112334070B/zh
Priority to JP2020527357A priority patent/JP7033202B2/ja
Priority to CA3104779A priority patent/CA3104779A1/en
Publication of WO2020003990A1 publication Critical patent/WO2020003990A1/ja
Priority to US17/117,408 priority patent/US20210125724A1/en

Links

Images

Classifications

    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • 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]
    • 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
    • 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

Definitions

  • the present invention relates to a medical image processing apparatus and method, a machine learning system, and a program, and more particularly, to a machine learning technique applied to computer-aided diagnosis (CAD).
  • CAD computer-aided diagnosis
  • medical image diagnosis such as endoscopic diagnosis, ultrasonic diagnosis, X-ray image diagnosis, or CT (Computerized Tomography) image diagnosis is very important.
  • a CAD system that analyzes a medical image using a computer to support diagnosis uses an image recognition technique using machine learning.
  • Patent Document 1 describes a medical image system including a classifier for performing a class classification for determining an imaging part of a medical image, and the classifier is configured using a machine learning technique.
  • the medical image system described in Patent Literature 1 has a configuration in which the performance of an existing classifier and one or more new classifiers are compared, and the classifier is switched to the classifier with the highest discrimination accuracy. “Identifier” is synonymous with the recognizer.
  • Patent Document 2 describes a CAD system that automatically detects a problem site in a medical image and displays the detected problem site together with a mark.
  • the CAD system described in Patent Document 2 includes a learning engine and performs machine learning for improving a knowledge base such as a classification model used in a process of detecting a problem part.
  • Patent Document 3 describes a diagnosis support apparatus having a function of updating diagnostic knowledge using case data including a medical image and a function of identifying case data using diagnostic knowledge.
  • the “diagnosis support device” in Patent Document 3 is understood as a term corresponding to a CAD device.
  • an image machine learning device such as deep learning
  • learning requires a large amount of high-quality learning data.
  • one or more edge devices each having an image storage unit for storing medical images newly created in the hospital as data for use in learning are installed in the hospital.
  • a system is constructed that collects learning data distributed from each edge device of a plurality of hospitals. That is, learning data is created based on a medical image newly acquired in each of the plurality of edge devices, and the learning data created by each edge device is sent to a facility outside the hospital and aggregated.
  • CAD module may be a program module used in a recognition processing unit of the CAD system.
  • a CAD module may be replaced with terms such as "CAD device”, "recognition model”, or "recognizer”.
  • the present invention has been made in view of such circumstances, and it is possible to suppress a communication amount and reduce a load of a process of re-learning or additional learning performed by a machine learning device, a medical image processing device, a method, and a machine.
  • the purpose is to provide learning systems and programs.
  • a medical image processing device includes a learning device that performs additional learning of a first computer-aided diagnosis device based on an input medical image, and a second computer-aided device that is obtained by additional learning using the learning device.
  • An evaluation unit that compares the diagnostic device with the first computer-aided diagnostic device and evaluates whether learning difference information of the additional learning contributes to improving the performance of the first computer-aided diagnostic device;
  • a communication determination unit that determines whether communication of the learning difference information is necessary based on the result, and a communication unit that outputs the learning difference information according to the determination result of the communication determination unit.
  • the learning device is mounted on the medical image processing apparatus, and additional learning of the first computer-aided diagnosis apparatus is performed inside the medical image processing apparatus using the input medical image, and the effect of the additional learning is performed.
  • additional learning of the first computer-aided diagnosis apparatus is performed inside the medical image processing apparatus using the input medical image, and the effect of the additional learning is performed.
  • the load of the learning data creation process in the external information processing device that receives the learning difference information output from the medical image processing device according to aspect 1 and collects the data is reduced, and the re-learning performed by the external device is performed.
  • the weight of the additional learning process can be reduced.
  • Additional learning means learning that is additionally performed to update the performance of the computer-aided diagnosis obtained by the learning that has already been performed.
  • the “additional learning” may be performed by batch learning or online learning. Online learning is synonymous with sequential learning.
  • the medical image processing device may be configured as a single device, or may be configured by combining a plurality of devices.
  • the medical image processing apparatus can be realized using one or a plurality of computers.
  • Apparatus includes the concepts of “system” and “module”.
  • Data includes the concepts of "information” and "signal”.
  • Medical images include endoscope images, CT images, X-ray images, ultrasonic diagnostic images, MRI (Magnetic Resonance Imaging), PET (Positron Emission Tomography) images, SPECT (Single Photon Emission Computed Tomography) images, Alternatively, there can be various types of images, such as fundus images.
  • the medical image processing apparatus further includes a feature amount extracting unit that outputs feature amount information of the medical image, and a recognition processing unit that performs a recognition process based on the feature amount information.
  • the additional learning may be performed based on the feature amount information and the recognition result of the recognition processing unit.
  • the term "recognition” includes concepts such as identification, discrimination, inference, estimation, detection, and region extraction.
  • the “recognition processing unit” includes concepts such as a recognizer, a classifier, a classifier, a detector, and a recognition model.
  • the “recognition model” is a learned model in which a certain level of recognition performance has been obtained by machine learning.
  • the recognition model may be understood as a program module that performs a recognition process.
  • Aspect 3 may be a configuration in which the medical image processing apparatus according to aspect 1 or aspect 2 further includes a first information storage unit that stores parameter information of the first computer-aided diagnosis device.
  • the learning difference information is a combination of the parameter information of the first computer-aided diagnosis apparatus and the parameter information of the second computer-aided diagnosis apparatus.
  • the configuration may include parameter difference information indicating the difference.
  • the communication amount can be further reduced.
  • the learning difference information may include a parameter information of the second computer-aided diagnosis apparatus.
  • Aspect 6 may be configured such that in the medical image processing apparatus of Aspect 2, the learning difference information includes feature amount information.
  • the communication amount can be suppressed as compared with the case where the medical image itself is communicated.
  • the learning difference information may include a medical image provided for additional learning.
  • An eighth aspect is the medical image processing apparatus according to any one of the first to seventh aspects, wherein the first computer-aided diagnosis apparatus is created by performing machine learning in advance using the first learning data set.
  • the first recognizer and the second computer-aided diagnosis device may be configured as a second recognizer in which parameters of the first recognizer are changed.
  • a machine learning system receives the medical image processing apparatus according to any one of the aspects 1 to 8, and the learning difference information output from the communication unit, and transmits learning data including the learning difference information. And an information processing device for collecting.
  • connection here includes the concept of connection via a communication line.
  • Connection includes the concept of both wired and wireless connections.
  • the machine learning system may include a plurality of medical image processing devices and at least one information processing device. According to this aspect, it is possible to efficiently collect high-quality learning data from a plurality of medical image processing apparatuses.
  • the information processing device may include a learning processing unit that performs a learning process of the first computer-aided diagnosis device using the received learning difference information.
  • the information processing device functions as a machine learning device. According to the tenth aspect, the load of the process of the re-learning or the additional learning in the machine learning device is reduced.
  • the information processing apparatus further includes a second information storage unit that stores the received learning difference information.
  • the information processing device functions as a machine learning device. According to the eleventh aspect, the load of the process of the re-learning or the additional learning in the machine learning device is reduced.
  • a medical image processing method is a medical image processing method performed by a medical image processing apparatus, wherein a first step of acquiring a medical image and a first step using a learning device are performed based on the acquired medical image.
  • a step of performing additional learning of the computer-aided diagnosis apparatus, and comparing the second computer-aided diagnosis apparatus obtained by the additional learning using the learning device with the first computer-aided diagnosis apparatus, and learning difference information of the additional learning is obtained.
  • the same matters as those specified in the second to tenth aspects can be appropriately combined.
  • the elements of the processing unit and the functional unit as means for performing the processes and operations specified in the configuration of the apparatus can be grasped as the elements of the steps (processes) of the corresponding processes and operations.
  • the medical image processing method according to aspect 12 may be understood as a method of operating a medical image processing apparatus.
  • the program according to the thirteenth aspect is configured such that a computer has a function of a learning device that performs additional learning of the first computer-aided diagnosis device based on an input medical image, and a second device that is obtained by additional learning using the learning device. Comparing the computer-aided diagnosis apparatus with the first computer-aided diagnosis apparatus to evaluate whether or not the learning difference information of the additional learning contributes to the performance improvement of the first computer-aided diagnosis apparatus; This is a program for realizing a function of determining whether communication of learning difference information is necessary based on an evaluation result obtained, and a function of outputting learning difference information from a communication unit according to a determination result obtained by the determination.
  • a medical image processing device includes at least one processor, and the processor performs processing of a learning device that performs additional learning of the first computer-aided diagnosis device based on the input medical image. Comparing the second computer-aided diagnosis device obtained by the additional learning using the learning device with the first computer-aided diagnosis device, the learning difference information of the additional learning is used to improve the performance of the first computer-aided diagnosis device. Evaluation processing for evaluating whether or not to contribute, communication determination processing for determining whether communication of learning difference information is necessary based on the evaluation result of the evaluation processing, and learning difference information output in accordance with the determination result of the communication determination processing And a medical image processing apparatus that performs communication processing.
  • the amount of communication can be reduced, and high-quality learning data can be efficiently collected. Further, according to the present invention, it is possible to reduce the load of the re-learning or additional learning process performed by the machine learning device using the learning data collected from the medical image processing device.
  • FIG. 1 is a block diagram schematically illustrating functions of a machine learning system including the medical image processing apparatus according to the first embodiment.
  • FIG. 2 is a flowchart illustrating an operation example of the medical image processing apparatus.
  • FIG. 3 is a flowchart illustrating an operation example of the information processing apparatus of the out-of-hospital system.
  • FIG. 4 is a block diagram schematically illustrating functions of a machine learning system including a medical image processing device according to the second embodiment.
  • FIG. 5 is a block diagram schematically showing functions of a machine learning system including a medical image processing device according to the third embodiment.
  • FIG. 6 is a block diagram illustrating another example of the machine learning system.
  • FIG. 7 is a block diagram illustrating an outline of a machine learning system configured by combining a plurality of in-hospital systems and one out-of-hospital system.
  • FIG. 8 is a block diagram illustrating an example of a hardware configuration of a computer.
  • FIG. 1 is a block diagram schematically illustrating an overall configuration of a machine learning system including a medical image processing apparatus according to the first embodiment.
  • the machine learning system 10 collects new learning data that contributes to improving the performance of the existing CAD module, and performs re-learning or additional learning learning processing on the existing CAD module using the collected learning data. And a process of creating a new CAD module having improved performance compared to the CAD module.
  • CAD module performance means the accuracy of CAD module recognition or diagnosis.
  • the performance of the CAD module may be referred to as “CAD performance”.
  • the existing CAD module is an example of a “first computer-aided diagnostic device” and a “first recognizer”.
  • the existing CAD module is a trained model that has acquired recognition performance by machine learning that has already been performed.
  • the learned model that performs the recognition process is called a “recognition model”.
  • the learning performed to obtain the initial recognition performance as an existing CAD module is referred to as “first learning”.
  • the learning data set used for the first learning of the existing CAD module is referred to as a “first learning data set”.
  • the first learning data set may be a learning data set prepared in advance.
  • the machine learning system 10 includes an in-hospital system 12 and an out-of-hospital system 14.
  • the in-hospital system 12 includes a medical image processing device 13 which is an edge device installed in a hospital.
  • the “hospital” includes concepts of a hospital, a clinic, a medical examination center, and other similar medical institutions.
  • the out-of-hospital system 14 includes an information processing device 15 installed in a facility outside the hospital.
  • the medical image processing device 13 and the information processing device 15 are connected via a communication line. In FIG. 1, illustration of a communication line is omitted.
  • the medical image processing apparatus 13 can be configured using one or a plurality of computers. The function of the medical image processing apparatus 13 will be briefly described.
  • the medical image processing apparatus 13 acquires data of a medical image captured using a medical image capturing apparatus (not shown), and acquires feature amount information extracted from the acquired medical image. Perform additional learning using. Further, the medical image processing apparatus 13 evaluates the result of the additional learning, and selectively communicates learning information that truly contributes to the improvement of the performance of the CAD module to the out-of-hospital system 14 based on the evaluation result.
  • the medical imaging apparatus is, for example, one or a combination of an endoscope, an X-ray imaging apparatus, a CT imaging apparatus, an MRI (magnetic resonance imaging) imaging apparatus, a nuclear medicine diagnostic apparatus, or a fundus camera. Good.
  • an endoscope image photographed using an endoscope will be described.
  • the medical image processing device 13 may be a processor device connected to an endoscope, an image capturing terminal that collects medical image data from the processor device, or an image information management device. There may be.
  • the medical image processing apparatus 13 includes an evaluation target CAD information holding unit 20, a feature amount extraction unit 22, a recognition processing unit 24, a learning unit 26, a CAD evaluation unit 28, a learning difference information creation unit 30, a processing unit 32, and a communication unit 34. including.
  • the evaluation target CAD information holding unit 20 is a storage device that holds the evaluation target CAD information.
  • the CAD information to be evaluated is information on a CAD module to be compared and evaluated with a CAD module on which additional learning has been performed using the learning device 26.
  • the CAD information to be evaluated includes parameter information of the existing CAD module.
  • the parameters of the processing algorithm in the CAD module are an example of parameter information.
  • Parameter information that specifies the contents of the CAD module is called a CAD parameter.
  • the CAD parameters include, for example, connection weights between nodes in a model of a neural network, node biases, and the like.
  • the CAD information holding unit to be evaluated 20 is configured using, for example, a hard disk device, an optical disk, a magneto-optical disk, or a semiconductor memory, or a storage device using an appropriate combination thereof.
  • the evaluation target CAD information holding unit 20 is an example of a “first information storage unit”.
  • the feature extracting unit 22 performs a process of extracting the feature by processing the input medical image.
  • the feature amount extraction unit 22 may be, for example, a lower layer part of a convolutional neural network (CNN: Convolutional Neural Network) learned by machine learning.
  • CNN convolutional neural network
  • the lower layer of the CNN can be used as the feature amount extraction unit 22 to extract the feature amount of the image.
  • the feature amount extraction unit 22 outputs feature amount information extracted from the medical image.
  • the feature amount information may be, for example, a feature map of a plurality of channels.
  • the feature amount information extracted by the feature amount extraction unit 22 is sent to each of the recognition processing unit 24 and the learning device 26.
  • the same CAD module as the existing CAD module is applied to the recognition processing unit 24.
  • the recognition processing unit 24 may be, for example, a higher layer part of the CNN that performs a task of class classification. Alternatively, the recognition processing unit 24 may be a higher layer part of a hierarchical network that performs a segmentation task.
  • the recognition processing unit 24 is not limited to the neural network model, and may be another model such as a support vector machine (SVM: Support ⁇ Vector ⁇ Machine) whose performance can be improved by learning.
  • SVM Support ⁇ Vector ⁇ Machine
  • the recognition processing unit 24 performs a recognition process such as a class classification task or a segmentation task based on the feature amount information extracted by the feature amount extraction unit 22, and outputs a recognition result.
  • the recognition result of the recognition processing unit 24 is input to the learning device 26.
  • the learning unit 26 includes a learning model therein, and uses the feature amount information obtained from the feature amount extraction unit 22 and the recognition result obtained from the recognition processing unit 24 as learning data, and generates a learning model. Perform additional learning.
  • the learning model may be the same as the recognition processing unit 24, and may also be used as the recognition processing unit 24.
  • the learning model may be the same model as the existing CAD module in an initial state. The parameters of the learning model of the learning device 26 are updated by performing additional learning.
  • the new CAD parameters created by the learning device 26 are called “new CAD parameters”.
  • the new CAD parameters created by the learning unit 26 are sent to the CAD evaluation unit 28.
  • the CAD module specified by the new CAD parameters is an example of a “second computer-aided diagnosis device” and a “second recognizer”.
  • the CAD evaluation unit 28 performs the learning of the performance of the CAD module specified by the new CAD parameters learned by the learning unit 26 and the existing CAD module specified by the CAD parameters stored in the CAD information storage unit 20 to be evaluated. By comparing with the performance of the CAD module, it is evaluated whether the information used for the additional learning in the learning device 26 contributes to the improvement of the CAD performance.
  • the index for evaluating the model performance in the CAD evaluation unit 28 one or a combination of known indexes represented by “sensitivity”, “specificity”, or “accuracy” can be used.
  • the evaluation result of the CAD evaluation unit 28 is sent to the learning difference information creation unit 30.
  • the CAD evaluation unit 28 is an example of an “evaluation unit”.
  • the learning difference information creation unit 30 determines whether or not to transmit the learning difference information to the out-of-hospital system 14 according to the evaluation result output from the CAD evaluation unit 28, that is, determines whether communication is necessary, and performs the transmission. If it is determined, learning difference information for communication is created.
  • the learning difference information creating unit 30 is an example of a “communication determining unit” that determines whether communication is necessary. Note that the CAD evaluation unit 28 may include a communication determination function.
  • learning difference information means information capable of reproducing the “difference” between the CAD module before learning and the CAD module after learning. That is, the learning difference information is information that causes a “difference” between the existing CAD module before learning and the new CAD module after learning.
  • the learning difference information may be a difference between an existing CAD parameter before learning and a new CAD parameter after learning, that is, parameter difference information indicating a change. Under the condition that the existing CAD parameters are known, if there is parameter difference information, a new CAD module after learning can be reproduced.
  • the learning difference information may be the new CAD parameters themselves after learning. If there is a new CAD parameter, a new CAD module after learning can be reproduced.
  • the learning difference information may be feature amount information used as an input in the additional learning in the learning device 26.
  • the feature amount information used as learning data used for the additional learning, the same learning process as that of the learning device 26 is performed, thereby reproducing a new CAD module after learning similar to the learning result of the learning device 26. be able to.
  • the learning difference information may be a set of original medical images from which feature amount information used as input in the additional learning in the learning device 26 is extracted.
  • [Mode 1] has the smallest traffic.
  • the amount of communication tends to increase in the order of [form 1] ⁇ [form 2] ⁇ [form 3] ⁇ [form 4] in order of the communication amount.
  • the learning difference information of [Mode 1] is used.
  • the learning difference information creating unit 30 shown in FIG. 1 is a learning difference representing the difference between the existing CAD parameters read from the evaluated CAD information holding unit 20 and the new CAD parameters obtained from the learning unit 26. Create parameter difference information as information.
  • the learning difference information created by the learning difference information creating unit 30 is sent to the processing unit 32.
  • the combination of the learning difference information creating unit 30 and the processing unit 32 plays a role as a learning data creating unit.
  • the processing unit 32 is a communication signal processing unit that performs signal conversion suitable for the communication format of the communication unit 34.
  • the processing unit 32 can acquire the evaluation target CAD information from the evaluation target CAD information holding unit 20.
  • the learning difference information and the CAD information to be evaluated undergo necessary signal conversion in the processing unit 32 and are transmitted from the communication unit 34.
  • the communication unit 34 is a communication interface, and is connected to a communication line (not shown).
  • the information processing device 15 of the out-of-hospital system 14 includes a communication unit 42 and a learning processing unit 46.
  • the communication unit 42 is a communication interface similar to the communication unit 34, and is connected to a communication line (not shown).
  • the learning processing unit 46 performs machine learning using learning data including learning difference information collected from the medical image processing apparatus 13.
  • the learning processing unit 46 performs re-learning or additional learning processing on the existing CAD module, and creates a new CAD module with improved CAD performance.
  • the new CAD module created by the learning processing unit 46 can be provided at an appropriate time as an updated CAD module that replaces the existing CAD module.
  • the information processing device 15 functions as a learning data collection device that collects learning data.
  • the information processing device 15 functions as a machine learning device that performs machine learning using the collected learning data. Note that the first learning for creating the existing CAD module may be performed using the learning processing unit 46, or may be performed using another machine learning device (not shown).
  • FIG. 2 is a flowchart illustrating an operation example of the medical image processing apparatus 13. Each step shown in FIG. 2 is executed by a computer constituting the medical image processing apparatus 13 according to a program.
  • step S102 the medical image processing apparatus 13 acquires a medical image.
  • step S104 the medical image processing apparatus 13 extracts feature amounts from the acquired medical image to create feature amount information.
  • the feature amount information output by the feature amount extraction unit 22 of the medical image processing apparatus 13 is used as an input for additional learning.
  • step S106 the medical image processing apparatus 13 performs a recognition process using the feature amount information.
  • the recognition processing unit 24 of the medical image processing apparatus 13 outputs a recognition result according to the input feature amount information.
  • step S108 the medical image processing apparatus 13 performs additional learning on the existing CAD module using the feature amount information and the recognition result. By performing additional learning in the learning device 26 of the medical image processing apparatus 13, new CAD parameters are created.
  • step S110 the medical image processing apparatus 13 evaluates the CAD performance by comparing the new CAD module obtained by the additional learning with the existing CAD module.
  • the CAD evaluation unit 28 of the medical image processing apparatus 13 evaluates whether the information used for the additional learning contributes to the improvement of the CAD performance.
  • step S112 the medical image processing apparatus 13 determines whether or not to transmit the learning difference information to the outside based on the evaluation result in step S110.
  • step S112 If the result of the determination in step S112 is a Yes determination, that is, if it is determined that transmission is to be performed outside, the process proceeds to step S114.
  • step S114 the medical image processing apparatus 13 creates learning difference information to be output to the outside.
  • step S114 the medical image processing apparatus 13 transmits the created learning difference information.
  • step S112 when the result of the determination in step S112 is No, that is, when it is determined that there is no need to transmit to the outside, the medical image processing apparatus 13 omits the processing in step S114 and step S116, and The flowchart of FIG.
  • FIG. 3 is a flowchart showing an operation example of the information processing device 15 of the system 14 outside the hospital. Each step shown in FIG. 3 is executed by a computer constituting information processing device 15 according to a program.
  • step S202 the information processing device 15 receives the learning difference information via the communication unit 42.
  • step S204 the information processing device 15 stores the received learning difference information.
  • the information processing device 15 includes a storage device, and the learning difference information received from the medical image processing device 13 is stored in the storage device.
  • step S206 the information processing device 15 performs a learning process using the learning difference information received from the medical image processing device 13 as learning data.
  • the learning processing unit 46 of the information processing device 15 performs re-learning or additional learning of the existing CAD module using the learning difference information. Note that the learning processing unit 46 may use the first learning data set used when creating the existing CAD module, in addition to the learning difference information.
  • the learning process in step S206 may be batch learning or online learning. After the learning process in step S206, a new CAD module with improved CAD performance is created.
  • step S208 the information processing device 15 outputs CAD information of the created new CAD module.
  • the “output” of the CAD information referred to here includes, for example, a mode of transmitting data via the communication unit 42 or a mode of outputting data for storing the CAD information in an external storage device.
  • the CAD information of the new CAD module created by the information processing device 15 is sent to the medical image processing device 13, and the new CAD module is replaced with the “existing CAD module” and the “existing CAD module” is updated. You may.
  • the CAD information of the new CAD module output from the information processing device 15 can be “evaluated CAD information” in the medical image processing device 13.
  • CAD information of a new CAD module created by the information processing device 15 can be stored in an external storage device and distributed through the external storage device.
  • step S208 the flowchart of FIG. 3 ends.
  • the communication amount between the medical image processing apparatus 13 and the information processing apparatus 15 can be suppressed, and the load of the learning processing on the information processing apparatus 15 can be reduced.
  • FIG. 4 is a block diagram schematically illustrating an overall configuration of a machine learning system including a medical image processing apparatus according to the second embodiment. 4, elements that are the same as or similar to the configuration shown in FIG. 1 are given the same reference numerals, and redundant description will be omitted. The difference from FIG. 1 will be described.
  • the machine learning system 60 shown in FIG. 4 includes a medical image processing device 63 instead of the medical image processing device 13 described in FIG.
  • the medical image processing apparatus 63 according to the second embodiment uses the feature amount information described in [Mode 3] as learning difference information. That is, the medical image processing device 63 transmits the feature amount information as the learning difference information to the information processing device 15 of the out-of-hospital system 14.
  • the medical image processing device 63 includes a processing unit 31 instead of the learning difference information creating unit 30 and the processing unit 32 in FIG.
  • the processing unit 31 illustrated in FIG. 4 performs communication determination of the feature amount information based on the evaluation result of the CAD evaluation unit 28. As a result of the communication determination, when it is determined that the feature amount information is to be transmitted, the processing unit 31 sends the feature amount information output from the feature amount extraction unit 22 to the communication unit 34.
  • the processing unit 31 is an example of a “communication determining unit”. Other configurations and operations are the same as those of the first embodiment.
  • FIG. 5 is a block diagram schematically illustrating an overall configuration of a machine learning system including a medical image processing device according to the third embodiment. 5, the same or similar elements as those shown in FIG. 1 are denoted by the same reference numerals, and redundant description will be omitted. The difference from FIG. 1 will be described.
  • the machine learning system 70 shown in FIG. 5 includes a medical image processing device 73 and a plurality of devices 74A, 74B, 74C instead of the medical image processing device 13 described in FIG.
  • the medical image processing device 73 is connected to the plurality of devices 74A, 74B, 74C.
  • FIG. 5 shows three devices 74A, 74B, and 74C, but the number of devices is not limited.
  • Each of the plurality of devices 74A, 74B, 74C may be, for example, an endoscope processor device.
  • the medical image processing device 73 may be, for example, a data storage system or a data management system that collects data from a plurality of processor devices.
  • the device 74A includes a feature amount extraction unit 22A and a recognition processing unit 24A.
  • the device 74B includes a feature amount extraction unit 22B and a recognition processing unit 24B.
  • the device 74C includes a feature amount extraction unit 22C and a recognition processing unit 24C.
  • Each of the feature amount extraction units 22A, 22B, and 22C has the same configuration as the feature amount extraction unit 22 described with reference to FIG.
  • Each of the recognition processing units 24A, 24B, and 24C has the same configuration as the recognition processing unit 24 described with reference to FIG.
  • the medical image processing apparatus 73 includes the evaluated CAD information storage unit 20, the learning unit 26, the CAD evaluation unit 28, the learning difference information creation unit 30, the processing unit 32, and the communication unit 34.
  • the learning device 26 acquires the feature amount information and the recognition result from each of the devices 74A, 74B, and 74C, and creates a new CAD parameter.
  • the CAD evaluation unit 28 evaluates each of a plurality of new CAD parameters created using information obtained from each of the plurality of devices 74A, 74B, and 74C, and selectively transmits those having a good evaluation. Subject to. For example, among a plurality of new CAD parameters, only one having higher performance or only two higher performance may be selectively transmitted. Other configurations are the same as in the first embodiment.
  • ⁇ Modification 1 In each of the first to third embodiments, an example in which a medical image processing apparatus which is an edge device of the in-hospital system 12 and an information processing apparatus of the out-of-hospital system 14 are connected one-to-one. As described above, a plurality of medical image processing apparatuses (edge devices) may be connected to the information processing apparatuses of the out-of-hospital system 14 in a plural-to-one relationship.
  • FIG. 6 shows another embodiment of the machine learning system.
  • FIG. 6 is a block diagram illustrating an example in which the in-hospital system 12 includes a plurality of edge devices. 6, the same or similar elements as those in FIG. 1 are denoted by the same reference numerals, and duplicate description will be omitted.
  • the in-hospital system 12 includes a plurality of edge devices 16, and each edge device is connected to the out-of-hospital system 14 via a communication line 18.
  • each edge device 16 is illustrated and described as “E1” and “E2”, respectively.
  • the configuration of each edge device 16 is the same as the configuration of the medical image processing apparatus 13 in FIG.
  • the information processing device 15 of the out-of-hospital system 14 includes an information storage unit 44.
  • the information storage unit 44 is configured using, for example, a hard disk device, an optical disk, a magneto-optical disk, or a semiconductor memory, or a storage device configured using an appropriate combination thereof.
  • the information storage unit 44 is an example of a “second information storage unit”.
  • the information storage unit 44 may hold the first learning data set used for the first learning.
  • the information obtained via the communication unit 42 is stored in the information storage unit 44.
  • the new CAD information created by the learning processing unit 46 is stored in the information storage unit 44.
  • FIG. 7 is a block diagram illustrating an outline of a machine learning system configured by combining a plurality of in-hospital systems and one out-of-hospital system.
  • FIG. 7 the same or similar elements as those in FIGS. 1 and 6 are denoted by the same reference numerals, and redundant description will be omitted.
  • each of the in-hospital systems 12 includes one or more edge devices.
  • each of the plurality of in-hospital systems 12 is described as “IHS1,” “IHS2,”... “IHSn”.
  • edge devices 16 included in each in-hospital system 12 are described as “E11”, “E12”, “E21”, “En1”, and “Enm”. “N” is an index number that specifies the hospital system 12, and “m” is an index number that specifies the edge device 16 in one hospital system 12.
  • high-quality learning data can be efficiently collected from many edge devices 16, and a large amount of learning data can be obtained.
  • each processing unit and control unit >> The feature amount extraction unit 22, the recognition processing unit 24, the learning unit 26, the CAD evaluation unit 28, the learning difference information creation unit 30, the processing units 31, 32, the communication units 34 and 42, and the learning processing unit 46 described in each embodiment.
  • the hardware structure of a processing unit (processing unit) that executes various types of processing is, for example, the following various types of processors.
  • the various processors include a CPU (Central Processing Unit) which is a general-purpose processor that functions as various processing units by executing programs, a GPU (Graphics Processing Unit) which is a processor specialized in image processing, and an FPGA (Field Designed to execute specific processing such as Programmable Logic Device (PLD), ASIC (Application Specific Integrated Circuit) which is a processor whose circuit configuration can be changed after manufacturing such as Programmable Gate Array.
  • a dedicated electric circuit which is a processor having a circuit configuration, is included.
  • One processing unit may be configured by one of these various processors, or may be configured by two or more processors of the same type or different types.
  • one processing unit may be configured by a plurality of FPGAs, a combination of a CPU and an FPGA, or a combination of a CPU and a GPU.
  • a plurality of processing units may be configured by one processor.
  • configuring a plurality of processing units with one processor first, as represented by a computer such as a client or a server, one processor is configured by a combination of one or more CPUs and software. There is a form in which a processor functions as a plurality of processing units.
  • SoC system-on-chip
  • a form using a processor that realizes the function of the entire system including a plurality of processing units with one integrated circuit (IC) chip is used.
  • IC integrated circuit
  • the various processing units are configured using one or more of the various processors described above as a hardware structure.
  • circuitry in which circuit elements such as semiconductor elements are combined.
  • FIG. 8 is a block diagram illustrating an example of a hardware configuration of a computer that can be used as a device that realizes a part or all of the functions of a medical image processing device and an information processing device image.
  • the computer includes various types of computers such as a desktop type, a notebook type, and a tablet type. Further, the computer may be a server computer or a microcomputer.
  • the computer 500 includes a CPU 502, a memory 504, a GPU 506, a storage device 508, an input interface unit 510, a communication interface unit 512 for network connection, a display control unit 514, a peripheral device interface unit 516, and a bus. 518.
  • the notation “IF” indicates “interface”.
  • the storage device 508 may be configured using, for example, a hard disk device.
  • the storage device 508 stores various programs and data necessary for image processing such as learning processing and / or recognition processing.
  • the computer By loading the program stored in the storage device 508 into the memory 504 and executing the program by the CPU 502, the computer functions as a unit for performing various processes specified by the program.
  • the input device 520 is connected to the input interface unit 510.
  • the input device 520 may be, for example, an operation button, a keyboard, a mouse, a touch panel, a voice input device, or an appropriate combination thereof.
  • the user can input various instructions by operating the input device 520.
  • the display device 530 is connected to the display control unit 514.
  • the display device 530 may be, for example, a liquid crystal display, an organic EL (organic electro-luminescence: OEL) display, a projector, or an appropriate combination of these.
  • OEL organic electro-luminescence
  • An optical disk, a magnetic disk, or a program that causes a computer to implement at least one of the processing function of the medical image processing apparatus described in each of the above embodiments and the learning data collection function and the learning function of the information processing apparatus It is possible to record the program on a computer readable medium which is a non-transitory information storage medium such as a semiconductor memory or other tangible material, and to provide a program through the information storage medium.
  • the program signal can be provided as a download service using an electric communication line such as the Internet.
  • the medical image processing apparatus 13 may transmit the parameter difference information and the feature amount information to the out-of-hospital system 14. Further, the medical image processing apparatus 13 may transmit the new CAD parameters and the feature information to the out-of-hospital system 14.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

通信量を抑制でき、機械学習装置にて行う再学習又は追加学習の処理の負担を軽減することができる医用画像処理装置及び方法、機械学習システム並びにプログラムを提供する。医用画像処理装置（１３）は、入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器（２６）と、追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する評価部と、評価結果を基に、学習差分情報の通信の要否を判定する通信判定部と、通信判定部の判定結果に従い、学習差分情報を出力する通信部（３４）と、を備える。

Description

[規則37.2に基づきISAが決定した発明の名称]　医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体
　本発明は、医用画像処理装置及び方法、機械学習システム並びにプログラムに係り、特に、コンピュータ支援診断（ＣＡＤ：Computer-Aided Diagnosis）に適用される機械学習技術に関する。
　医療現場において、内視鏡診断、超音波診断、Ｘ線画像診断、或いはＣＴ（Computerized Tomography）画像診断など医用画像診断の重要性は高い。例えば、特許文献１－３に記載されているように、コンピュータを用いて医用画像を解析して診断を支援するＣＡＤシステムには、機械学習を利用した画像認識手法が用いられる。
　特許文献１には、医用画像の撮影部位を判別するクラス分類を行う識別器を備えた医用画像システムが記載されており、識別器は、機械学習の手法を用いて構成される。特許文献１に記載の医用画像システムは、既存の識別器と、１つ以上の新規の識別器の性能を比較して、判別精度が最大の識別器に切り替える構成を備えている。「識別器」は、認識器と同義である。
　特許文献２には、医用画像中の問題部位を自動的に検出し、検出された問題部位をマークと共に表示するＣＡＤシステムが記載されている。特許文献２に記載のＣＡＤシステムは、学習エンジンを含み、問題部位を検出するプロセスに用いる分類モデル等の知識ベースを改善する機械学習を行う。
　特許文献３には、医用画像を含む症例データを用いて診断知識を更新する機能、及び、診断知識を用いて症例データを識別する機能を有する診断支援装置が記載されている。特許文献３における「診断支援装置」は、ＣＡＤ装置に対応する用語と理解される。
国際公開第２０１０/０５０３４号 特表２００７－５２８７４６号公報 特開２０１５－１１６３１９号公報
　深層学習をはじめとする画像の機械学習装置では、機械学習装置によって認識処理部を作成するために学習用データを収集する必要がある。しかし、学習には良質な学習用データを多量に必要とする。このため、医用画像の場合、例えば、病院内で新たに作成された医用画像を学習に用いるためのデータとして記憶しておく画像記憶部を持つエッジデバイスを病院内に各１つ又は複数設置し、複数の病院の各エッジデバイスから分散して学習用データを収集するシステムが構築される。すなわち、複数のエッジデバイスの各々において新たに取得された医用画像を基に学習用データを作成し、各エッジデバイスで作成された学習用データを病院外の施設などに送って集約する。
　そして、病院外システムでは、このようにして集められた多数の学習用データの精度を評価して、教師画像作成部にて教師データを作成し、機械学習装置を用いてＣＡＤモジュールを作成する。ＣＡＤモジュールは、ＣＡＤシステムの認識処理部に用いられるプログラムモジュールであってよい。ＣＡＤモジュールは、「ＣＡＤ装置」、「認識モデル」、又は「認識器」などの用語で置き換えてもよい。
　上記に説明したような仕組みの場合、個々の画像記憶部を持つエッジデバイスから収集した学習用の画像を一括で再学習又は追加学習する学習処理を機械学習装置において実施するためには、膨大な処理能力と時間が必要である。また、各エッジデバイスから病院外のシステムに通信回線を介して伝送する学習用データの通信量も膨大なものになる。
　本発明はこのような事情に鑑みてなされたもので、通信量を抑制でき、機械学習装置にて行う再学習又は追加学習の処理の負担を軽減することができる医用画像処理装置及び方法、機械学習システム並びにプログラムを提供することを目的とする。
　課題を解決するために、次の発明態様を提供する。
　態様１に係る医用画像処理装置は、入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器と、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する評価部と、評価部の評価結果を基に、学習差分情報の通信の要否を判定する通信判定部と、通信判定部の判定結果に従い、学習差分情報を出力する通信部と、を備える。
　態様１によれば、医用画像処理装置に学習器が搭載され、入力された医用画像を用いて医用画像処理装置の内部で、第１のコンピュータ支援診断装置の追加学習を行い、追加学習の効果を評価することで、第１のコンピュータ支援診断装置の性能向上に寄与し得る良質な学習用のデータとしての学習差分情報を選択的に通信することができる。態様１によれば、性能向上に寄与しないデータ又は寄与の程度が極めて小さいデータについて通信による出力を回避することができる。これにより、無駄な信号処理を削減でき、通信量を削減できる。
　また、態様１に係る医用画像処理装置から出力された学習差分情報を受信してデータを収集する外部の情報処理装置における学習用データ作成処理の負担が軽減され、外部の装置にて行う再学習又は追加学習の処理を軽量化できる。
　「追加学習」は、既に実施された学習によって獲得されているコンピュータ支援診断の性能を更新するために、追加的に行われる学習を意味している。「追加学習」は、バッチ学習によって実施されてもよいし、オンライン学習によって実施されてもよい。オンライン学習は逐次学習と同義である。
　医用画像処理装置は、単一の装置として構成されてもよいし、複数の装置を組み合わせて構成されてもよい。例えば、医用画像処理装置は、１台又は複数台のコンピュータを用いて実現し得る。「装置」は、「システム」及び「モジュール」の概念を含む。「データ」は「情報」及び「信号」の概念を含む。
　「医用画像」には、内視鏡画像、ＣＴ画像、Ｘ線画像、超音波診断画像、ＭＲＩ（Magnetic Resonance Imaging）画像、ＰＥＴ（Positron Emission Tomography）画像、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）画像、又は、眼底画像など、様々な種類の画像があり得る。
　態様２は、態様１の医用画像処理装置において、医用画像の特徴量情報を出力する特徴量抽出部と、特徴量情報に基づいて認識処理を行う認識処理部と、をさらに備え、学習器は、特徴量情報と、認識処理部の認識結果とに基づいて追加学習を行う構成であってよい。
　「認識」という用語は、識別、判別、推論、推定、検出、及び領域抽出などの概念を含む。「認識処理部」は、認識器、識別器、判別器、検出器、及び認識モデルなどの概念を含む。「認識モデル」は、機械学習によって一応の認識性能を獲得した学習済みモデルである。認識モデルは、認識処理を行うプログラムモジュールと理解してもよい。
　態様３は、態様１又は態様２の医用画像処理装置において、第１のコンピュータ支援診断装置のパラメータ情報を記憶しておく第１の情報記憶部をさらに備える構成であってよい。
　態様４は、態様１から態様３のいずれか一態様の医用画像処理装置において、学習差分情報が、第１のコンピュータ支援診断装置のパラメータ情報と、第２のコンピュータ支援診断装置のパラメータ情報との差分を示すパラメータ差分情報を含む構成であってよい。
　態様４によれば、通信量をより一層削減することができる。
　態様５は、態様１から態様３のいずれか一態様の医用画像処理装置において、学習差分情報が、第２のコンピュータ支援診断装置のパラメータ情報を含む構成であってよい。
　態様６は、態様２の医用画像処理装置において、学習差分情報が、特徴量情報を含む構成であってよい。
　医用画像から抽出された特徴量情報を学習用データとして用いることにより、医用画像そのものを通信する場合と比較して、通信量を抑制することができる。
　態様７は、態様１から態様６のいずれか一態様の医用画像処理装置において、学習差分情報が、追加学習に供された医用画像を含む構成であってよい。
　態様８は、態様１から態様７のいずれか一態様の医用画像処理装置において、第１のコンピュータ支援診断装置は、予め第１の学習用データセットを用いて機械学習を行うことによって作成された第１の認識器であり、第２のコンピュータ支援診断装置は、第１の認識器のパラメータが変更された第２の認識器である構成であってよい。
　態様９に係る機械学習システムは、態様１から態様８のいずれか一態様の医用画像処理装置と、通信部から出力された学習差分情報を受信して、学習差分情報を含む学習用のデータを収集する情報処理装置と、を備える。
　医用画像処理装置と情報処理装置とは、通信可能に接続され得る。ここでいう「接続」は、通信回線を介した接続の概念を含む。「接続」には、有線接続と無線接続の両方の概念が含まれる。
　機械学習システムは、複数の医用画像処理装置と、少なくとも１つの情報処理装置と、を含んで構成されてよい。かかる態様によれば、複数の医用画像処理装置から効率よく良質な学習用のデータを収集することが可能である。
　態様１０は、態様９の機械学習システムにおいて、情報処理装置は、受信した学習差分情報を用いて第１のコンピュータ支援診断装置の学習処理を行う学習処理部を含む構成であってよい。
　態様１０における情報処理装置は、機械学習装置として機能する。態様１０によれば、機械学習装置における再学習又は追加学習の処理の負担が軽減される。
　態様１１は、態様９又は態様１０の機械学習システムにおいて、情報処理装置は、受信した学習差分情報を記憶しておく第２の情報記憶部をさらに備える。
　態様１１における情報処理装置は、機械学習装置として機能する。態様１１によれば、機械学習装置における再学習又は追加学習の処理の負担が軽減される。
　態様１２に係る医用画像処理方法は、医用画像処理装置が実施する医用画像処理方法であって、医用画像を取得するステップと、取得された医用画像を基に、学習器を用いて第１のコンピュータ支援診断装置の追加学習を行うステップと、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価するステップと、評価によって得られる評価結果を基に、学習差分情報の通信の要否を判定するステップと、判定によって得られる判定結果に従い、学習差分情報を通信部から出力するステップと、を含む。
　態様１２の医用画像処理方法において、態様２から態様１０にて特定した事項と同様の事項を適宜組み合わせることができる。その場合、装置の構成において特定される処理や動作を担う手段としての処理部や機能部の要素は、これに対応する処理や動作のステップ（工程）の要素として把握することができる。また、態様１２医用画像処理方法は、医用画像処理装置の作動方法と理解してもよい。
　態様１３に係るプログラムは、コンピュータに、入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の機能と、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する機能と、評価によって得られる評価結果を基に、学習差分情報の通信の要否を判定する機能と、判定によって得られる判定結果に従い、学習差分情報を通信部から出力する機能と、を実現させるためのプログラムである。
　態様１３のプログラムにおいて、態様２から態様１０にて特定した事項と同様の事項を適宜組み合わせることができる。その場合、装置の構成において特定される処理や動作を担う手段としての処理部や機能部の要素は、これに対応する処理や動作のステップ或いは機能を実現するプログラム要素として把握することができる。
　本開示の他の態様に係る医用画像処理装置は、少なくとも１つのプロセッサを含み、プロセッサは、入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の処理と、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する評価処理と、評価処理の評価結果を基に、学習差分情報の通信の要否を判定する通信判定処理と、通信判定処理の判定結果に従い、学習差分情報を出力する通信処理と、を行う医用画像処理装置である。
　本発明によれば、通信量を削減することができ、良質な学習用のデータを効率よく収集することができる。また、本発明によれば、医用画像処理装置から収集した学習用のデータを用いて機械学習装置において実施する再学習又は追加学習の処理の負担を軽減することが可能になる。
図１は、第１実施形態に係る医用画像処理装置を含む機械学習システムの機能を概略的に示すブロック図である。 図２は、医用画像処理装置の動作例を示すフローチャートである。 図３は、病院外システムの情報処理装置の動作例を示すフローチャートである。 図４は、第２実施形態に係る医用画像処理装置を含む機械学習システムの機能を概略的に示すブロック図である。 図５は、第３実施形態に係る医用画像処理装置を含む機械学習システムの機能を概略的に示すブロック図である。 図６は、機械学習システムの他の形態例を示すブロック図である。 図７は、複数の病院内システムと１つの病院外システムとを組み合わせて構成される機械学習システムの概要を示すブロック図である。 図８は、コンピュータのハードウェア構成の例を示すブロック図である。
　以下、添付図面に従って本発明の好ましい実施形態について詳説する。
　《第１実施形態》
　図１は、第１実施形態に係る医用画像処理装置を含む機械学習システムの全体構成を概略的に示すブロック図である。機械学習システム１０は、既存のＣＡＤモジュールの性能向上に寄与する新しい学習用データの収集と、収集した学習用データを用いて既存のＣＡＤモジュールに対する再学習又は追加学習の学習処理を行い、既存のＣＡＤモジュールよりも性能を改善した新規のＣＡＤモジュールを作成する処理と、を実施する情報処理システムである。
　「ＣＡＤモジュールの性能」とは、ＣＡＤモジュールの認識精度、或いは診断精度を意味する。ＣＡＤモジュールの性能を「ＣＡＤ性能」と表記する場合がある。既存のＣＡＤモジュールは「第１のコンピュータ支援診断装置」及び「第１の認識器」の一例である。
　既存のＣＡＤモジュールは、既に実施された機械学習によって認識性能を獲得した学習済みモデルである。認識処理を行う学習済みモデルを「認識モデル」という。既存のＣＡＤモジュールとしての初期の認識性能を獲得するために行われた学習を「第１の学習」という。既存のＣＡＤモジュールの第１の学習に用いた学習用データセットを「第１の学習用データセット」という。第１の学習用データセットは、予め用意された学習用データセットであってよい。
　機械学習システム１０は、病院内システム１２と、病院外システム１４とを含む。病院内システム１２は、病院内に設置されるエッジデバイスである医用画像処理装置１３を含む。なお、「病院」は、病院、診療所、健診センタ、及びこれらに類するその他の医療機関の概念を含む。病院外システム１４は、病院外の施設に設置される情報処理装置１５を含む。医用画像処理装置１３と情報処理装置１５は、通信回線を介して接続される。なお、図１において通信回線の図示は省略されている。
　医用画像処理装置１３は、１台又は複数台のコンピュータを用いて構成することができる。医用画像処理装置１３の機能を概説すると、医用画像処理装置１３は、図示せぬ医用画像撮影装置を用いて撮影された医用画像のデータを取得し、取得した医用画像から抽出される特徴量情報を用いて追加学習を実施する。また、医用画像処理装置１３は、追加学習の結果を評価して、その評価結果を基に、ＣＡＤモジュールの性能向上に真に寄与する学習用情報を選択的に病院外システム１４に通信する。
　医用画像撮影装置は、例えば、内視鏡スコープ、Ｘ線撮影装置、ＣＴ撮影装置、ＭＲＩ（magnetic resonance imaging）撮影装置、核医学診断装置、若しくは、眼底カメラのうちの１つ又は組み合わせであってよい。本実施形態においては、医用画像の一例として、内視鏡スコープを用いて撮影された内視鏡画像を例に説明する。この場合の医用画像処理装置１３は、内視鏡スコープと接続されるプロセッサ装置であってもよいし、プロセッサ装置から医用画像のデータを収集する画像取込端末、若しくは、画像情報管理装置などであってもよい。
　医用画像処理装置１３は、被評価対象ＣＡＤ情報保持部２０、特徴量抽出部２２、認識処理部２４、学習器２６、ＣＡＤ評価部２８、学習差分情報作成部３０、処理部３２及び通信部３４を含む。
　被評価対象ＣＡＤ情報保持部２０は、被評価対象ＣＡＤ情報を保持しておく記憶装置である。被評価対象ＣＡＤ情報とは、学習器２６を用いて追加学習を行ったＣＡＤモジュールとの比較評価の対象となるＣＡＤモジュールの情報である。被評価対象ＣＡＤ情報は、既存のＣＡＤモジュールのパラメータ情報を含む。ＣＡＤモジュールにおける処理アルゴリズムのパラメータは、パラメータ情報の一例である。ＣＡＤモジュールの内容を特定するパラメータ情報をＣＡＤパラメータという。ＣＡＤパラメータは、例えば、ニューラルネットワークのモデルにおけるノード間の結合の重み、及びノードのバイアスなどを含む。
　被評価対象ＣＡＤ情報保持部２０は、例えば、ハードディスク装置、光ディスク、光磁気ディスク、若しくは半導体メモリ、又はこれらの適宜の組み合わせを用いて構成される記憶装置を用いて構成される。被評価対象ＣＡＤ情報保持部２０は、「第１の情報記憶部」の一例である。
　特徴量抽出部２２は、入力された医用画像を処理して特徴量を抽出する処理を行う。特徴量抽出部２２は、例えば、機械学習によって学習済みの畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）の低次層の部分であってよい。ＣＮＮの低次層は、画像の特徴量を抽出するため、特徴量抽出部２２として利用できる。特徴量抽出部２２は、医用画像から抽出された特徴量情報を出力する。特徴量情報は、例えば、複数チャネルの特徴マップであってよい。特徴量抽出部２２によって抽出された特徴量情報は、認識処理部２４と学習器２６の各々に送られる。
　認識処理部２４には、既存のＣＡＤモジュールと同じＣＡＤモジュールが適用される。認識処理部２４は、例えば、クラス分類のタスクを行うＣＮＮの高次層の部分であってよい。或いはまた、認識処理部２４は、セグメンテーションのタスクを行う階層型ネットワークの高次層の部分であってもよい。なお、認識処理部２４は、ニューラルネットワークのモデルに限らず、サポートベクタマシン（ＳＶＭ：Support Vector Machine）など、学習によって性能向上が可能な他のモデルであってもよい。
　認識処理部２４は、特徴量抽出部２２によって抽出された特徴量情報を基に、クラス分類のタスク、若しくは、セグメンテーションのタスクなどの認識処理を行い、認識結果を出力する。認識処理部２４の認識結果は、学習器２６に入力される。
　学習器２６は、その内部に学習モデルを含んでおり、特徴量抽出部２２から得られる特徴量情報と、認識処理部２４から得られた認識結果とを学習用データとして用いて、学習モデルの追加学習を行う。学習モデルは、認識処理部２４と同じものであってよく、認識処理部２４と兼用してもよい。学習モデルは、初期の状態において、既存のＣＡＤモジュールと同じモデルであってよい。学習器２６の学習モデルは、追加学習が行われることによってパラメータが更新される。
　すなわち、学習器２６を用いて追加学習が実施され、学習モデルは、新しいＣＡＤパラメータに更新される。なお、学習器２６は、バッチ学習を実施してもよいし、オンライン学習を実施してもよい。学習器２６によって作成された新しいＣＡＤパラメータを「新ＣＡＤパラメータ」という。学習器２６にて作成された新ＣＡＤパラメータはＣＡＤ評価部２８に送られる。新ＣＡＤパラメータによって特定されるＣＡＤモジュールは「第２のコンピュータ支援診断装置」及び「第２の認識器」の一例である。
　ＣＡＤ評価部２８は、学習器２６によって学習された新ＣＡＤパラメータで特定される学習後のＣＡＤモジュールの性能と、被評価対象ＣＡＤ情報保持部２０に保持されているＣＡＤパラメータで特定される既存のＣＡＤモジュールの性能とを比較して、学習器２６における追加学習に用いた情報がＣＡＤ性能の向上に寄与するかどうかを評価する。ＣＡＤ評価部２８におけるモデル性能を評価する指標は、「感度」、「特異度」、若しくは「正確度」などに代表される公知の指標の１つ又は複数の組み合わせを用いることができる。ＣＡＤ評価部２８の評価結果は、学習差分情報作成部３０に送られる。ＣＡＤ評価部２８は「評価部」の一例である。
　学習差分情報作成部３０は、ＣＡＤ評価部２８から出力される評価結果に応じて、学習差分情報を病院外システム１４に送信するか否か、つまり通信の要否を判定し、送信を行うと判定した場合には、通信用の学習差分情報を作成する。学習差分情報作成部３０は、通信の要否を判定する「通信判定部」の一例である。なお、ＣＡＤ評価部２８が通信判定の機能を含んでもよい。
　ここで、「学習差分情報」とは、学習前のＣＡＤモジュールと学習後のＣＡＤモジュールの「差異」を再現することができる情報を意味する。つまり、学習差分情報は、学習前の既存のＣＡＤモジュールと学習後の新しいＣＡＤモジュールの「差異」を生むもとになる情報である。
　「学習差分情報」という用語の概念には、下記に例示する形態１～４が含まれる。
　［形態１］学習差分情報は、学習前の既存のＣＡＤパラメータと学習後の新ＣＡＤパラメータの差分、つまり変化分を表すパラメータ差分情報であってもよい。既存のＣＡＤパラメータが既知である条件の下では、パラメータ差分情報があれば、学習後の新しいＣＡＤモジュールを再現することができる。
　［形態２］学習差分情報は、学習後の新ＣＡＤパラメータそのものであってよい。新ＣＡＤパラメータがあれば、学習後の新しいＣＡＤモジュールを再現することができる。
　［形態３］学習差分情報は、学習器２６での追加学習において入力として用いた特徴量情報であってよい。追加学習に用いた学習用データとしての特徴量情報を用いて、学習器２６と同様の学習処理を実施することにより、学習器２６での学習結果と同様の学習後の新しいＣＡＤモジュールを再現することができる。
　［形態４］学習差分情報は、学習器２６での追加学習において入力として用いた特徴量情報を抽出した元の医用画像のセットであってよい。医用画像に対して特徴量抽出部２２と同じ処理を行うことにより医用画像から特徴量情報を作成できるため、上記［形態３］と同様の特徴量情報のセットを再現でき、さらに、学習器２６と同じ学習後の新しいＣＡＤモジュールを再現することができる。
　上記に例示した［形態１］～［形態４］のうち、通信量が最も少ない形態は、［形態１］である。通信量が少ないものから［形態１］→［形態２］→［形態３］→［形態４］の順に、通信量が増大する傾向にある。第１実施形態では、［形態１］の学習差分情報が用いられる。
　すなわち、図１に示す学習差分情報作成部３０は、被評価対象ＣＡＤ情報保持部２０から読み出された既存のＣＡＤパラメータと、学習器２６から得られた新ＣＡＤパラメータとの差分を表す学習差分情報としてのパラメータ差分情報を作成する。学習差分情報作成部３０にて作成された学習差分情報は、処理部３２に送られる。学習差分情報作成部３０と処理部３２との組み合わせは学習用データ作成部としての役割を果たす。
　処理部３２は、通信部３４の通信形式に適合した信号変換を行う通信信号処理部である。処理部３２は、被評価対象ＣＡＤ情報保持部２０から被評価対象ＣＡＤ情報を取得することができる。学習差分情報及び被評価対象ＣＡＤ情報は、処理部３２において所要の信号変換が施されて通信部３４から送信される。通信部３４は、通信インターフェースであり、図示せぬ通信回線に接続される。
　病院外システム１４の情報処理装置１５は、通信部４２と、学習処理部４６と、を含む。通信部４２は、通信部３４と同様の通信インターフェースであり、図示せぬ通信回線に接続される。
　学習処理部４６は、医用画像処理装置１３から収集した学習差分情報を含む学習用データを用いて機械学習を行う。学習処理部４６は、既存のＣＡＤモジュールに対して再学習又は追加学習の処理を行い、ＣＡＤ性能を改善した新しいＣＡＤモジュールを作成する。
　学習処理部４６にて作成された新しいＣＡＤモジュールは、既存のＣＡＤモジュールに代替するアップデータされたＣＡＤモジュールとして、適宜の時期に提供することができる。情報処理装置１５は、学習用データを収集する学習用データ収集装置として機能する。また、情報処理装置１５は、収集した学習用データを用いて機械学習を行う機械学習装置として機能する。なお、既存のＣＡＤモジュールを作成するための第１の学習は、学習処理部４６を用いて実施されてもよいし、図示せぬ別の機械学習装置を用いて実施されてもよい。
　〈医用画像処理装置１３が実施する医用画像処理方法の説明〉
　図２は、医用画像処理装置１３の動作例を示すフローチャートである。図２に示す各ステップは、医用画像処理装置１３を構成するコンピュータがプログラムに従って実行する。
　ステップＳ１０２において、医用画像処理装置１３は、医用画像を取得する。
　ステップＳ１０４において、医用画像処理装置１３は、取得した医用画像から特徴量を抽出して特徴量情報を作成する。医用画像処理装置１３の特徴量抽出部２２が出力する特徴量情報は、追加学習の入力として利用される。
　ステップＳ１０６において、医用画像処理装置１３は、特徴量情報を用いて認識処理を行う。医用画像処理装置１３の認識処理部２４は、入力された特徴量情報に応じた認識結果を出力する。
　ステップＳ１０８において、医用画像処理装置１３は、特徴量情報と認識結果とを用いて、既存のＣＡＤモジュールについての追加学習を行う。医用画像処理装置１３の学習器２６において追加学習を実施することにより、新ＣＡＤパラメータが作成される。
　ステップＳ１１０において、医用画像処理装置１３は、追加学習によって得られた新しいＣＡＤモジュールと、既存のＣＡＤモジュールとを比較して、ＣＡＤ性能を評価する。医用画像処理装置１３のＣＡＤ評価部２８は、追加学習に用いた情報がＣＡＤ性能の向上に寄与するか否かの評価をする。
　ステップＳ１１２において、医用画像処理装置１３は、ステップＳ１１０の評価結果を基に、学習差分情報を外部に送信するか否かの通信判定を行う。
　ステップＳ１１２の判定結果がＹｅｓ判定である場合、すなわち、外部に送信する判定した場合、ステップＳ１１４に進む。
　ステップＳ１１４において、医用画像処理装置１３は、外部に出力するための学習差分情報を作成する。
　そして、ステップＳ１１４において、医用画像処理装置１３は、作成した学習差分情報を送信する。
　その一方、ステップＳ１１２の判定結果がＮｏ判定である場合、すなわち、外部に送信する必要がないと判定した場合、医用画像処理装置１３は、ステップＳ１１４及びステップＳ１１６の処理を省略して、図２のフローチャートを終了する。
　図３は、病院外システム１４の情報処理装置１５の動作例を示すフローチャートである。図３に示す各ステップは、情報処理装置１５を構成するコンピュータがプログラムに従って実行する。
　ステップＳ２０２において、情報処理装置１５は、通信部４２を介して学習差分情報を受信する。
　ステップＳ２０４において、情報処理装置１５は、受信した学習差分情報を記憶する。情報処理装置１５は、記憶装置を備えており、医用画像処理装置１３から受信した学習差分情報は記憶装置に格納される。
　ステップＳ２０６において、情報処理装置１５は、医用画像処理装置１３から受信した学習差分情報を学習用データとして利用して学習処理を行う。情報処理装置１５の学習処理部４６は、学習差分情報を用いて、既存のＣＡＤモジュールの再学習又は追加学習を行う。なお、学習処理部４６は、学習差分情報に加えて、既存のＣＡＤモジュールを作成する際に使用した第１の学習用データセットを利用してもよい。ステップＳ２０６の学習処理は、バッチ学習であってもよいし、オンライン学習であってもよい。ステップＳ２０６の学習処理を経て、ＣＡＤ性能が改善された新しいＣＡＤモジュールが作成される。
　ステップＳ２０８において、情報処理装置１５は、作成された新しいＣＡＤモジュールのＣＡＤ情報を出力する。ここでいうＣＡＤ情報の「出力」には、例えば、通信部４２を介してデータを送信する態様、若しくは、外部記憶装置にＣＡＤ情報を記憶させるためにデータを出力する態様などが含まれる。
　情報処理装置１５にて作成された新たなＣＡＤモジュールのＣＡＤ情報を医用画像処理装置１３に送り、この新たなＣＡＤモジュールを「既存のＣＡＤモジュール」に置き換えて、「既存のＣＡＤモジュール」を更新してもよい。情報処理装置１５から出力される新たなＣＡＤモジュールのＣＡＤ情報は、医用画像処理装置１３における「被評価対象ＣＡＤ情報」になり得る。
　また、情報処理装置１５にて作成された新たなＣＡＤモジュールのＣＡＤ情報を、外部記憶装置に記憶させ、外部記憶装置を通じて、配布することも可能である。
　ステップＳ２０８の後、図３のフローチャートを終了する。
　上述した構成の第１実施形態によれば、医用画像処理装置１３と情報処理装置１５との間の通信量を抑制することができ、情報処理装置１５における学習処理の負担を軽減することができる。
　《第２実施形態》
　図４は、第２実施形態に係る医用画像処理装置を含む機械学習システムの全体構成を概略的に示すブロック図である。図４において、図１に示した構成と同一又は類似の要素には同一の符号を付し、重複する説明を省略する。図１との相違点を説明する。
　図４に示す機械学習システム６０は、図１で説明した医用画像処理装置１３に代えて、医用画像処理装置６３を含む。第２実施形態に係る医用画像処理装置６３は、学習差分情報として［形態３］で説明した特徴量情報を用いる。すなわち、医用画像処理装置６３は、学習差分情報として特徴量情報を病院外システム１４の情報処理装置１５に送信する。
　医用画像処理装置６３は、図１の学習差分情報作成部３０と処理部３２に代えて、処理部３１を含む。図４に示す処理部３１は、ＣＡＤ評価部２８の評価結果に基づき、特徴量情報の通信判定を行う。通信判定の結果、送信すべき特徴量情報であると判定した場合、処理部３１は、特徴量抽出部２２から出力された特徴量情報を通信部３４に送る。処理部３１は「通信判定部」の一例である。他の構成及び動作は、第１実施形態と同様である。
　《第３実施形態》
　図５は、第３実施形態に係る医用画像処理装置を含む機械学習システムの全体構成を概略的に示すブロック図である。図５において、図１に示した構成と同一又は類似の要素には同一の符号を付し、重複する説明を省略する。図１との相違点を説明する。
　図５に示す機械学習システム７０は、図１で説明した医用画像処理装置１３に代えて、医用画像処理装置７３と、複数のデバイス７４Ａ、７４Ｂ、７４Ｃとを含む。
　医用画像処理装置７３は、複数のデバイス７４Ａ、７４Ｂ、７４Ｃと接続される。図５では３つのデバイス７４Ａ、７４Ｂ、７４Ｃを示すが、デバイスの個数は限定されない。複数のデバイス７４Ａ、７４Ｂ、７４Ｃの各々は、例えば、内視鏡のプロセッサ装置であってよい。医用画像処理装置７３は、例えば、複数のプロセッサ装置からデータを集めるデータ収容システム又はデータ管理システムであってよい。
　デバイス７４Ａは、特徴量抽出部２２Ａ及び認識処理部２４Ａを含む。デバイス７４Ｂは、特徴量抽出部２２Ｂ及び認識処理部２４Ｂを含む。デバイス７４Ｃは、特徴量抽出部２２Ｃ及び認識処理部２４Ｃを含む。
　特徴量抽出部２２Ａ、２２Ｂ、２２Ｃの各々は、図１で説明した特徴量抽出部２２と同様の構成である。認識処理部２４Ａ、２４Ｂ、２４Ｃの各々は、図１で説明した認識処理部２４と同様の構成である。
　医用画像処理装置７３は、被評価対象ＣＡＤ情報保持部２０、学習器２６、ＣＡＤ評価部２８、学習差分情報作成部３０、処理部３２及び通信部３４を含む。
　学習器２６は、各デバイス７４Ａ、７４Ｂ、７４Ｃから特徴量情報及び認識結果を取得して、新たなＣＡＤパラメータを作成する。
　ＣＡＤ評価部２８は、複数のデバイス７４Ａ、７４Ｂ、７４Ｃの各々から得られる情報を用いてそれぞれ作成された複数の新ＣＡＤパラメータについて、それぞれ評価を行い、評価が良好であるものを選択的に送信の対象とする。例えば、複数の新ＣＡＤパラメータのうち、性能が上位であるものを１つだけ、または上位の２つだけを選択的に送信の対象としてよい。他の構成は第１実施形態と同様である。
　《変形例１》
　第１実施形態から第３実施形態の各実施形態では、病院内システム１２のエッジデバイスである医用画像処理装置と、病院外システム１４の情報処理装置とが１対１で接続されている例を説明したが、複数の医用画像処理装置（エッジデバイス）が、病院外システム１４の情報処理装置と複数対１の関係で接続されてよい。
　図６に、機械学習システムの他の形態例を示す。図６は、病院内システム１２に複数のエッジデバイスが含まれている例を示すブロック図である。図６において、図１と同一又は類似の要素には同一の符号を付し、重複する説明は省略する。
　病院内システム１２は、複数のエッジデバイス１６を含み、各エッジデバイスは、通信回線１８を介して病院外システム１４と接続される。図６では、２つのエッジデバイス１６を例示し、それぞれ「Ｅ１」、「Ｅ２」と表記した。各エッジデバイス１６の構成は、図１の医用画像処理装置１３の構成と同様である。
　病院外システム１４の情報処理装置１５は、情報記憶部４４を含む。情報記憶部４４は、例えば、ハードディスク装置、光ディスク、光磁気ディスク、若しくは半導体メモリ、又はこれらの適宜の組み合わせを用いて構成される記憶装置を用いて構成される。情報記憶部４４は「第２の情報記憶部」の一例である。情報記憶部４４は、第１の学習に用いた第１の学習用データセットを保持していてもよい。
　通信部４２を介して取得した情報は、情報記憶部４４に保存される。また、学習処理部４６によって作成された新たなＣＡＤ情報は、情報記憶部４４に保存される。
　《変形例２》
　図７は、複数の病院内システムと１つの病院外システムとを組み合わせて構成される機械学習システムの概要を示すブロック図である。図７において、図１及び図６と同一又は類似の要素には同一の符号を付し、重複する説明は省略する。
　図７に示すように、複数の病院内システム１２と、１つの病院外システム１４とが複数対１の関係で接続されてもよい。また、図６で説明したとおり、病院内システム１２の各々は、１つ又は複数のエッジデバイスを含む。図７においては、複数の病院内システム１２の各々を「ＩＨＳ１」、「ＩＨＳ２」・・・「ＩＨＳｎ」と表記した。
　また、それぞれの病院内システム１２に含まれるエッジデバイス１６を「Ｅ１１」、「Ｅ１２」、「Ｅ２１」、「Ｅｎ１」、「Ｅｎｍ」と表記した。「ｎ」は病院内システム１２を特定するインデックス番号であり、「ｍ」は１つの病院内システム１２におけるエッジデバイス１６を特定するインデックス番号である。
　図７に示す構成によれば、多数のエッジデバイス１６から良質な学習用データを効率よく、収集することができ、多量の学習用データを得ることができる。
　《各処理部及び制御部のハードウェア構成について》
　各実施形態で説明した特徴量抽出部２２、認識処理部２４、学習器２６、ＣＡＤ評価部２８、学習差分情報作成部３０、処理部３１、３２、通信部３４、４２、及び学習処理部４６などの各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。
　各種のプロセッサには、プログラムを実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）などの製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）などの特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路などが含まれる。
　１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサで構成されてもよい。例えば、１つの処理部は、複数のＦＰＧＡ、或いは、ＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせによって構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第一に、クライアントやサーバなどのコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第二に、システムオンチップ（System On Chip：ＳｏＣ）などに代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサを１つ以上用いて構成される。
　さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）である。
　《コンピュータのハードウェア構成の例》
　図８は、医用画像処理装置及び情報処理装置画像の機能の一部又は全部を実現する装置として用いることができるコンピュータのハードウェア構成の例を示すブロック図である。コンピュータには、デスクトップ型、ノート型、又はタブレット型など、各種形態のコンピュータが含まれる。また、コンピュータは、サーバコンピュータであってもよいし、マイクロコンピュータであってもよい。
　コンピュータ５００は、ＣＰＵ５０２と、メモリ５０４と、ＧＰＵ５０６と、記憶装置５０８と、入力インターフェース部５１０と、ネットワーク接続用の通信インターフェース部５１２と、表示制御部５１４と、周辺機器用インターフェース部５１６と、バス５１８と、を備える。図８において「ＩＦ」の表記は「インターフェース」を表す。
　記憶装置５０８は、例えば、ハードディスク装置を用いて構成されてよい。記憶装置５０８には、学習処理及び／又は認識処理等の画像処理に必要な各種プログラムやデータ等が記憶されている。記憶装置５０８に記憶されているプログラムがメモリ５０４にロードされ、これをＣＰＵ５０２が実行することにより、コンピュータは、プログラムで規定される各種の処理を行う手段として機能する。
　入力装置５２０は入力インターフェース部５１０に接続される。入力装置５２０は、例えば、操作ボタンやキーボード、マウス、タッチパネル、若しくは、音声入力装置、又はこれらの適宜の組み合わせであってよい。ユーザは、入力装置５２０を操作することにより、各種の指示を入力することができる。
　表示装置５３０は表示制御部５１４に接続される。表示装置５３０は、例えば、液晶ディスプレイ、有機ＥＬ（organic electro-luminescence:ＯＥＬ）ディスプレイ、若しくは、プロジェクタ、又はこれらの適宜の組み合わせであってよい。
　《コンピュータを動作させるプログラムについて》
　上述の各実施形態で説明した医用画像処理装置の処理機能、及び情報処理装置の学習用データの収集機能及び学習機能のうち少なくとも１つの機能をコンピュータに実現させるプログラムを光ディスク、磁気ディスク、若しくは、半導体メモリその他の有体物たる非一時的な情報記憶媒体であるコンピュータ可読媒体に記録し、この情報記憶媒体を通じてプログラムを提供することが可能である。またこのような有体物たる非一時的な情報記憶媒体にプログラムを記憶させて提供する態様に代えて、インターネットなどの電気通信回線を利用してプログラム信号をダウンロードサービスとして提供することも可能である。
　《実施形態及び変形例等の組み合わせについて》
　上述した各実施形態で説明した構成要素、及び変形例で説明した構成要素は、適宜組み合わせて用いることができ、また、一部の構成要素を置き換えることもできる。
　例えば、医用画像処理装置１３は、パラメータ差分情報と特徴量情報を病院外システム１４に送信してもよい。また、医用画像処理装置１３は、新ＣＡＤパラメータと特徴量情報を病院外システム１４に送信してもよい。
　［その他］
　以上説明した本発明の実施形態は、本発明の趣旨を逸脱しない範囲で、適宜構成要件を変更、追加、又は削除することが可能である。本発明は以上説明した実施形態に限定されるものではなく、本発明の技術的思想内で同等関連分野の通常の知識を有する者により、多くの変形が可能である。
１０　機械学習システム
１２　病院内システム
１３　医用画像処理装置
１４　病院外システム
１５　情報処理装置
１６　エッジデバイス
１８　通信回線
２０　被評価対象ＣＡＤ情報保持部
２２、２２Ａ、２２Ｂ、２２Ｃ　特徴量抽出部
２４、２４Ａ、２４Ｂ、２４Ｃ　認識処理部
２６　学習器
２８　ＣＡＤ評価部
３０　学習差分情報作成部
３１、３２　処理部
３４、４２　通信部
４４　情報記憶部
４６　学習処理部
６０　機械学習システム
６３　医用画像処理装置
７０　機械学習システム
７３　医用画像処理装置
７４Ａ、７４Ｂ、７４Ｃ　デバイス
５００　コンピュータ
５０２　ＣＰＵ
５０４　メモリ
５０６　ＧＰＵ
５０８　記憶装置
５１０　入力インターフェース部
５１２　通信インターフェース部
５１４　表示制御部
５１６　周辺機器用インターフェース部
５１８　バス
５２０　入力装置
５３０　表示装置
Ｓ１０２～Ｓ１１０　医用画像処理装置が実施する処理のステップ
Ｓ２０２～Ｓ２０８　情報処理装置が実施する処理のステップ

Claims (14)

  1. 　入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器と、
    　前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する評価部と、
    　前記評価部の評価結果を基に、前記学習差分情報の通信の要否を判定する通信判定部と、
    　前記通信判定部の判定結果に従い、前記学習差分情報を出力する通信部と、
    　を備える医用画像処理装置。
  2. 　前記医用画像の特徴量情報を出力する特徴量抽出部と、
    　前記特徴量情報に基づいて認識処理を行う認識処理部と、をさらに備え、
    　前記学習器は、前記特徴量情報と、前記認識処理部の認識結果とに基づいて前記追加学習を行う請求項１に記載の医用画像処理装置。
  3. 　前記第１のコンピュータ支援診断装置のパラメータ情報を記憶しておく第１の情報記憶部をさらに備える請求項１又は２に記載の医用画像処理装置。
  4. 　前記学習差分情報が、前記第１のコンピュータ支援診断装置のパラメータ情報と、前記第２のコンピュータ支援診断装置のパラメータ情報との差分を示すパラメータ差分情報を含む請求項１から３のいずれか一項に記載の医用画像処理装置。
  5. 　前記学習差分情報が、前記第２のコンピュータ支援診断装置のパラメータ情報を含む請求項１から３のいずれか一項に記載の医用画像処理装置。
  6. 　前記学習差分情報が、前記特徴量情報を含む請求項２に記載の医用画像処理装置。
  7. 　前記学習差分情報が、前記追加学習に供された前記医用画像を含む請求項１から６のいずれか一項に記載の医用画像処理装置。
  8. 　前記第１のコンピュータ支援診断装置は、予め第１の学習用データセットを用いて機械学習を行うことによって作成された第１の認識器であり、
    　前記第２のコンピュータ支援診断装置は、前記第１の認識器のパラメータが変更された第２の認識器である請求項１から７のいずれか一項に記載の医用画像処理装置。
  9. 　請求項１から８のいずれか一項に記載の医用画像処理装置と、
    　前記通信部から出力された前記学習差分情報を受信して、前記学習差分情報を含む学習用のデータを収集する情報処理装置と、
    　を備える機械学習システム。
  10. 　前記情報処理装置は、前記受信した前記学習差分情報を用いて前記第１のコンピュータ支援診断装置の学習処理を行う学習処理部を含む請求項９に記載の機械学習システム。
  11. 　前記情報処理装置は、前記受信した前記学習差分情報を記憶しておく第２の情報記憶部をさらに備える請求項９又は１０に記載の機械学習システム。
  12. 　医用画像処理装置が実施する医用画像処理方法であって、
    　医用画像を取得するステップと、
    　前記取得された前記医用画像を基に、学習器を用いて第１のコンピュータ支援診断装置の追加学習を行うステップと、
    　前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価するステップと、
    　前記評価によって得られる評価結果を基に、前記学習差分情報の通信の要否を判定するステップと、
    　前記判定によって得られる判定結果に従い、前記学習差分情報を通信部から出力するステップと、
    　を含む医用画像処理方法。
  13. 　コンピュータに、
    　入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の機能と、
    　前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する機能と、
    　前記評価によって得られる評価結果を基に、前記学習差分情報の通信の要否を判定する機能と、
    　前記判定によって得られる判定結果に従い、前記学習差分情報を通信部から出力する機能と、を実現させるためのプログラム。
  14. 　非一時的かつコンピュータ読取可能な記憶媒体であって、前記記憶媒体に格納された指令がコンピュータによって読み取られた場合に、
    　入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の機能と、
    　前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する機能と、
    　前記評価によって得られる評価結果を基に、前記学習差分情報の通信の要否を判定する機能と、
    　前記判定によって得られる判定結果に従い、前記学習差分情報を通信部から出力する機能と、
    　をコンピュータに実行させる記憶媒体。
PCT/JP2019/022908 2018-06-28 2019-06-10 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 WO2020003990A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP19826063.0A EP3815610A4 (en) 2018-06-28 2019-06-10 MEDICAL IMAGE PROCESSING DEVICE AND METHOD, AUTOMATIC LEARNING SYSTEM, PROGRAM AND STORAGE MEDIA
CN201980042852.8A CN112334070B (zh) 2018-06-28 2019-06-10 医用图像处理装置和方法、机器学习系统以及存储介质
JP2020527357A JP7033202B2 (ja) 2018-06-28 2019-06-10 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体
CA3104779A CA3104779A1 (en) 2018-06-28 2019-06-10 Medical image processing apparatus, medical image processing method, machine learning system, and program
US17/117,408 US20210125724A1 (en) 2018-06-28 2020-12-10 Medical image processing apparatus, medical image processing method, machine learning system, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-123441 2018-06-28
JP2018123441 2018-06-28

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/117,408 Continuation US20210125724A1 (en) 2018-06-28 2020-12-10 Medical image processing apparatus, medical image processing method, machine learning system, and program

Publications (1)

Publication Number Publication Date
WO2020003990A1 true WO2020003990A1 (ja) 2020-01-02

Family

ID=68984823

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/022908 WO2020003990A1 (ja) 2018-06-28 2019-06-10 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体

Country Status (6)

Country Link
US (1) US20210125724A1 (ja)
EP (1) EP3815610A4 (ja)
JP (1) JP7033202B2 (ja)
CN (1) CN112334070B (ja)
CA (1) CA3104779A1 (ja)
WO (1) WO2020003990A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022138876A1 (ja) * 2020-12-24 2022-06-30 富士フイルム株式会社 画像診断支援装置、画像診断支援装置の作動方法、及びプログラム

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210065899A1 (en) * 2019-08-30 2021-03-04 GE Precision Healthcare LLC Methods and systems for computer-aided diagnosis with deep learning models
TWI795108B (zh) * 2021-12-02 2023-03-01 財團法人工業技術研究院 用於判別醫療影像的電子裝置及方法
CN115274099B (zh) * 2022-09-26 2022-12-30 之江实验室 一种人与智能交互的计算机辅助诊断系统与方法
CN116664966B (zh) * 2023-03-27 2024-02-20 北京鹰之眼智能健康科技有限公司 一种红外图像处理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002174603A (ja) * 2000-12-08 2002-06-21 Olympus Optical Co Ltd 欠陥分類方法
US20060018524A1 (en) * 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
JP2007528746A (ja) 2003-06-27 2007-10-18 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 Ｃａｄ（コンピュータ援用決定）プロセスを日常的なｃａｄシステム利用から得られた知識に適合させるために機械学習を利用する医用画像診断用のｃａｄ支援
WO2010005034A1 (ja) 2008-07-11 2010-01-14 クラリオン株式会社 音響処理装置
JP2013192624A (ja) * 2012-03-16 2013-09-30 Hitachi Ltd 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
JP2015116319A (ja) 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
JP2017187918A (ja) * 2016-04-05 2017-10-12 日本電信電話株式会社 訓練画像選択装置、方法、及びプログラム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100138240A1 (en) * 2008-11-28 2010-06-03 David Leib Data for Use of Accessible Computer Assisted Detection
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US20160259899A1 (en) * 2015-03-04 2016-09-08 Expeda ehf Clinical decision support system for diagnosing and monitoring of a disease of a patient
US10878320B2 (en) * 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
JP2018061771A (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法
KR101879207B1 (ko) * 2016-11-22 2018-07-17 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
CA3083035A1 (en) * 2017-10-13 2019-04-18 Ai Technologies Inc. Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
CN108056789A (zh) * 2017-12-19 2018-05-22 飞依诺科技(苏州)有限公司 一种生成超声扫描设备的配置参数值的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002174603A (ja) * 2000-12-08 2002-06-21 Olympus Optical Co Ltd 欠陥分類方法
JP2007528746A (ja) 2003-06-27 2007-10-18 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 Ｃａｄ（コンピュータ援用決定）プロセスを日常的なｃａｄシステム利用から得られた知識に適合させるために機械学習を利用する医用画像診断用のｃａｄ支援
US20060018524A1 (en) * 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
WO2010005034A1 (ja) 2008-07-11 2010-01-14 クラリオン株式会社 音響処理装置
JP2013192624A (ja) * 2012-03-16 2013-09-30 Hitachi Ltd 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
JP2015116319A (ja) 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
JP2017187918A (ja) * 2016-04-05 2017-10-12 日本電信電話株式会社 訓練画像選択装置、方法、及びプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NOMURA YUKIHIRO: ""Development clinical use , continuous performance improvement of CAD software based on multi-institutional collaboration in Teleradiologie environment",", MEDICAL IMAGING TECHNOLOGY, vol. 32, no. 2, 1 March 2014 (2014-03-01), pages 98 - 108, XP055666943 *
See also references of EP3815610A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022138876A1 (ja) * 2020-12-24 2022-06-30 富士フイルム株式会社 画像診断支援装置、画像診断支援装置の作動方法、及びプログラム

Also Published As

Publication number Publication date
EP3815610A4 (en) 2021-09-15
JPWO2020003990A1 (ja) 2021-07-08
US20210125724A1 (en) 2021-04-29
CN112334070B (zh) 2024-03-26
EP3815610A1 (en) 2021-05-05
CN112334070A (zh) 2021-02-05
JP7033202B2 (ja) 2022-03-09
CA3104779A1 (en) 2020-01-02

Similar Documents

Publication Publication Date Title
WO2020003990A1 (ja) 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体
Maghdid et al. Diagnosing COVID-19 pneumonia from X-ray and CT images using deep learning and transfer learning algorithms
KR101818074B1 (ko) 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템
Narin et al. Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks
Wang et al. A fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis
Rajpurkar et al. Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists
Ghaderzadeh et al. Deep convolutional neural network–based computer-aided detection system for COVID-19 using multiple lung scans: design and implementation study
US9760990B2 (en) Cloud-based infrastructure for feedback-driven training and image recognition
Do et al. Bone tumor diagnosis using a naïve Bayesian model of demographic and radiographic features
Javor et al. Deep learning analysis provides accurate COVID-19 diagnosis on chest computed tomography
Ghayvat et al. AI-enabled radiologist in the loop: novel AI-based framework to augment radiologist performance for COVID-19 chest CT medical image annotation and classification from pneumonia
Roy et al. Early prediction of COVID-19 using ensemble of transfer learning
Montazeri et al. Machine learning models for image-based diagnosis and prognosis of COVID-19: Systematic review
JP2022036125A (ja) 検査値のコンテキストによるフィルタリング
Khalsa et al. Artificial intelligence and cardiac surgery during COVID‐19 era
Khelili et al. IoMT-fog-cloud based architecture for Covid-19 detection
Fallahpoor et al. Generalizability assessment of COVID-19 3D CT data for deep learning-based disease detection
Iyer et al. Performance analysis of lightweight CNN models to segment infectious lung tissues of COVID-19 cases from tomographic images
Deb et al. CoVSeverity-Net: an efficient deep learning model for COVID-19 severity estimation from Chest X-Ray images
CN113257412B (zh) 信息处理方法、装置、计算机设备及存储介质
Kang et al. Current challenges in adopting machine learning to critical care and emergency medicine
Chu et al. Artificial Intelligence and Infectious Disease Imaging
Shahi et al. Application of Deep Learning in Healthcare
Beniwal et al. COVID Detection Using Chest X-ray Images Using Ensembled Deep Learning
Jiji et al. A new model to detect COVID-19 patients based on Convolution Neural Network via l1 regularization

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19826063

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020527357

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 3104779

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2019826063

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2019826063

Country of ref document: EP

Effective date: 20210128