WO2022059799A1 - 情報処理装置及びプログラム - Google Patents

情報処理装置及びプログラム Download PDF

Info

Publication number
WO2022059799A1
WO2022059799A1 PCT/JP2021/034649 JP2021034649W WO2022059799A1 WO 2022059799 A1 WO2022059799 A1 WO 2022059799A1 JP 2021034649 W JP2021034649 W JP 2021034649W WO 2022059799 A1 WO2022059799 A1 WO 2022059799A1
Authority
WO
WIPO (PCT)
Prior art keywords
information processing
lesion
area
image
anatomical region
Prior art date
Application number
PCT/JP2021/034649
Other languages
English (en)
French (fr)
Inventor
崇仁 中島
Original Assignee
国立大学法人群馬大学
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 国立大学法人群馬大学 filed Critical 国立大学法人群馬大学
Priority to JP2022550644A priority Critical patent/JPWO2022059799A1/ja
Publication of WO2022059799A1 publication Critical patent/WO2022059799A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present invention relates to an information processing device and a program.
  • Patent Document 1 a technique for supporting a diagnosis based on an image of a test result by a computer has been proposed.
  • Patent Document 2 proposes a technique for supporting this.
  • PET positron emission tomography
  • FDG fluorodeoxyglucose: fluorodeoxyglucose
  • the present invention has decided to provide an information processing device and a program capable of automatically identifying a lesion from the result of a PET examination and supporting a diagnosis by a doctor.
  • an information processing apparatus that identifies a lesion based on a positron emission tomography examination.
  • This information processing device includes an image acquisition unit and a lesion identification unit.
  • the image acquisition unit is configured to be able to acquire an image including an anatomical region taken by a positron emission tomography apparatus.
  • the lesion identification part is configured so that the lesion part can be identified from the part where the positron emitting nuclides are accumulated in the image based on the learned data by machine learning.
  • An example of an image taken by the positron emission tomography apparatus 2 is shown.
  • An example of an anatomical region specified by the region specifying unit 104 is shown.
  • FIG. 1 It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure for demonstrating teacher data. It is a figure which showed the example of the lesion part identified by the lesion identification part 102. It is a figure which showed the example of the lesion part identified by the lesion identification part 102. It is a figure for demonstrating case 1. FIG. It is a figure for demonstrating case 1. FIG. It is a figure for demonstrating case 1. FIG. It is a figure for demonstrating case 1. FIG. It is a figure for demonstrating case 1. FIG. It is a figure for demonstrating case 1. FIG. It is a figure for demonstrating case 1.
  • FIG. It is a figure for demonstrating case 1.
  • FIG. It is a figure for demonstrating case 1.
  • FIG. It is a figure for demonstrating case 2.
  • the program for realizing the software appearing in the present embodiment may be provided as a non-transitory recording medium (Non-Transity Computer-Readable Medium) that can be read by a computer, or may be downloaded from an external server. It may be provided as possible, or it may be provided so that the program is started by an external computer and the function is realized by the client terminal (so-called cloud computing).
  • Non-Transity Computer-Readable Medium Non-Transity Computer-Readable Medium
  • the "part" may include, for example, a combination of hardware resources implemented by a circuit in a broad sense and information processing of software specifically realized by these hardware resources. ..
  • various information is handled in this embodiment, and these information are, for example, physical values of signal values representing voltage and current, and signal values as a bit aggregate of a binary number composed of 0 or 1. It is represented by high-low or quantum superposition (so-called qubit), and communication / operation can be executed on a circuit in a broad sense.
  • a circuit in a broad sense is a circuit realized by at least appropriately combining a circuit, a circuit, a processor, a memory, and the like. That is, an integrated circuit for a specific application (Application Specific Integrated Circuit: ASIC), a programmable logic device (for example, a simple programmable logic device (Simple Programmable Logic Device: SPLD), a composite programmable logic device (Complex Program)) It includes a programmable gate array (Field Programmable Gate Array: FPGA) and the like.
  • FIG. 1 is a diagram showing an outline of the configuration of the information processing device 1 according to the embodiment of the present invention. As shown in the figure, the information processing device 1 has a processing unit 11, a storage unit 12, a temporary storage unit 13, an external device connection unit 14, and a communication unit 15, and these components are included. Is electrically connected to the inside of the information processing apparatus 1 via the communication bus 16.
  • the processing unit 11 is realized by, for example, a central processing unit (CPU), operates according to a predetermined program stored in the storage unit 12, and realizes various functions.
  • CPU central processing unit
  • the storage unit 12 is a non-volatile storage medium that stores various information. This is realized by a storage device such as a hard disk drive (Hard Disk Drive: HDD) or a solid state drive (Solid State Drive: SSD).
  • the storage unit 12 may be arranged in another device capable of communicating with the information processing device 1.
  • the temporary storage unit 13 is a volatile storage medium. This is realized by, for example, a memory such as a random access memory (Random Access Memory: RAM), and temporarily stores information (arguments, arrays, etc.) required when the processing unit 11 operates.
  • a memory such as a random access memory (Random Access Memory: RAM)
  • RAM Random Access Memory
  • the external device connection unit 14 is a connection unit conforming to a standard such as a universal serial bus (Universal Serial Bus: USB) or a high-definition multimedia interface (High-Definition Multimedia Interface: HDMI), and is an input device such as a keyboard or the like.
  • a display device such as a monitor can be connected.
  • the communication unit 15 is, for example, a communication means conforming to a local area network (LAN) standard, and realizes communication between the information processing device 1 and a local area network or a network such as the Internet via the information processing device 1. ..
  • LAN local area network
  • the information processing device 1 can be a computer for a general-purpose server, a personal computer, or the like, and the information processing device 1 can be configured by using a plurality of computers.
  • the functions of the information processing device 1 will be described.
  • the information processing apparatus 100 or the information processing apparatus 110 is realized by the information processing apparatus 1 operating according to the program.
  • This program causes the information processing device 1 which is a computer to function as the information processing device 100 or the information processing device 110.
  • Both the information processing device 100 and the information processing device 110 are information processing devices that identify the lesion portion based on the positron emission tomography examination.
  • FIG. 2 is a block diagram showing a functional configuration of the information processing apparatus 100. Further, FIG. 3 is a block diagram showing a functional configuration of the information processing apparatus 110, and FIG. 4 is a block diagram showing a functional configuration of the information processing apparatus 120.
  • the information processing apparatus 100 outputs an image acquisition unit 101, a lesion identification unit 102, a data storage unit 103, an area identification unit 104, an area calculation unit 105, an index calculation unit 106, and the like.
  • a unit 107 is provided.
  • the image acquisition unit 101 is configured to be able to acquire an image including an anatomical region photographed by the positron emission tomography apparatus 2 from the image storage apparatus 3.
  • the image acquisition unit 101 can also be configured to acquire an image directly from the positron emission tomography apparatus 2 without going through the image storage apparatus 3.
  • the image acquired by the image acquisition unit 101 is, for example, as shown in FIG. FIG. 5 shows an example of an image taken by the positron emission tomography apparatus 2.
  • the anatomical region is a region representing a part or the whole of an anatomical structure such as an organ or tissue of the body, and here, the anatomical region is assumed to include the whole body of the subject.
  • the information processing apparatus 100 can support the diagnosis by using only the chest, only the abdomen, and only the liver as the anatomical region.
  • the lesion identification portion 102 is configured so that the lesion portion can be identified from the portion where the positron emitting nuclides are accumulated in the image acquired by the image acquisition unit 101 based on the learned data by machine learning.
  • the result of identifying the lesion portion by the lesion identification portion 102 is, for example, as shown in FIG. FIG. 6 shows an example of an image of the lesion portion identified by the lesion identification portion 102.
  • the data storage unit 103 stores the learned data.
  • the trained data is generated by machine learning using an image including an anatomical region taken by the positron emission tomography apparatus 2 and instruction information indicating a lesion in the image as teacher data.
  • This instruction information is the one in which the lesion is instructed by a specialist.
  • a deep learning algorithm called Semantic Segmentation is used. This semantic segmentation associates labels and categories with all pixels in an image, and is used to recognize a group of pixels that form a characteristic category. The details of the teacher data will be described later.
  • the trained data stored in the data storage unit 103 may be periodically acquired from the trained data providing device 4 and updated.
  • the region specifying unit 104 is configured to be able to identify the anatomical region in the image. If the anatomical region is whole body, the identified results will be, for example, as shown in FIG. FIG. 7 shows an example of an anatomical region specified by the region identification unit 104.
  • the area calculation unit 105 is configured to be able to calculate the area of the lesion portion specified by the lesion identification unit 102 in the image acquired by the image acquisition unit 101 and the area of the anatomical region specified by the region identification unit 104.
  • the area of the anatomical area is the projected area of the subject in the image acquired by the image acquisition unit 101, and preferably the area of the anatomical area is the frontal projection of the subject in the image acquired by the image acquisition unit 101.
  • the area calculation unit 105 may calculate the area of the lesion based on the contour of the lesion, and may calculate the area of the anatomical region based on the contour of the anatomical region.
  • the area of the lesion may be calculated based on the number of pixels, and the area of the anatomical region may be calculated based on the number of pixels of the anatomical region.
  • the index calculation unit 106 is configured to be able to calculate an index from the area of the lesion portion specified by the lesion identification unit 102 in the image acquired by the image acquisition unit 101 and the area of the anatomical region specified by the region identification unit 104.
  • the index is the ratio of the area of the lesion to the area of the anatomical area. Specifically, the index is the total area of the lesion divided by the area of the anatomical region, the total area of the lesion is 529.5, and the area of the whole body, which is the anatomical region, is 32729. If it is 0, the index is 0.0162.
  • the output unit 107 displays the index calculated by the index calculation unit 106 on a display device (not shown), outputs data such as CSV (Comma Separated Value), or prints out on paper via a printing device (not shown). .. At this time, the output unit 107 may output the image acquired by the image acquisition unit 101 together with the index.
  • CSV Common Separated Value
  • the information processing apparatus 110 includes an image acquisition unit 111, a lesion identification unit 112, a data acquisition unit 113, an area identification unit 114, an area calculation unit 115, and an index calculation unit 116.
  • the output unit 117 is provided.
  • the image acquisition unit 111, the lesion identification unit 112, the area identification unit 114, the area calculation unit 115, the index calculation unit 116, and the output unit 117 are the image acquisition unit 101, the lesion identification unit 102, and the area of the information processing apparatus 100, respectively. Since the functions are the same as those of the specific unit 104, the area calculation unit 105, the index calculation unit 106, and the output unit 107, the description thereof is omitted here.
  • the data acquisition unit 113 is configured to be able to acquire learned data from the learned data providing device 5 via a communication network.
  • the trained data acquired from the trained data providing device 5 is the same type as the trained data stored in the data storage unit 103 of the information processing device 100, and is the latest trained data.
  • the information processing apparatus 120 includes an image acquisition unit 121, a lesion identification unit 122, a data storage unit 123, an area identification unit 124, a volume calculation unit 125, and an index calculation unit 126. , And an output unit 127.
  • the image acquisition unit 121 is configured to be able to acquire an image including an anatomical region photographed by the positron emission tomography apparatus 2 from the image storage apparatus 3.
  • the image acquisition unit 121 can also be configured to acquire an image directly from the positron emission tomography apparatus 2 without going through the image storage apparatus 3.
  • the lesion identification portion 122 is configured so that the lesion portion can be identified from the portion where the positron emitting nuclides are accumulated in the image acquired by the image acquisition unit 121 based on the learned data by machine learning.
  • the data storage unit 123 stores the learned data.
  • the trained data is generated by machine learning using an image including an anatomical region taken by the positron emission tomography apparatus 2 and instruction information indicating a lesion in the image as teacher data.
  • This instruction information is the one in which the lesion is instructed by a specialist.
  • the area specifying unit 124 is configured to be able to specify the anatomical region in the image acquired by the image acquisition unit 121. This image is a three-dimensional image.
  • the volume calculation unit 125 is configured to be able to calculate the volume of the lesion portion specified by the lesion identification unit 122 in the image acquired by the image acquisition unit 121 and the volume of the anatomical region specified by the region identification unit 124.
  • the volume of the anatomical region is the integrated volume of the tomographic image of the subject in the image acquired by the image acquisition unit 121.
  • the volume calculation unit 125 may calculate the volume of the lesion based on the contour of the lesion, and may calculate the volume of the anatomical region based on the contour of the anatomical region.
  • the volume of the lesion may be calculated based on the number of pixels of the tomographic image, and the volume of the anatomical region may be calculated based on the number of pixels of the anatomical region.
  • the index calculation unit 126 is configured to be able to calculate an index from the volume of the lesion portion specified by the lesion identification unit 122 and the volume of the anatomical region specified by the region identification unit 124.
  • the index is the ratio of the volume of the lesion to the volume of the anatomical area.
  • the output unit 127 displays the index calculated by the index calculation unit 126 on a display device (not shown), outputs data such as CSV, and prints out on paper through a printing device (not shown).
  • a data acquisition unit similar to the data acquisition unit 113 of the information processing apparatus 110 may be provided.
  • FIG. 8 is an activity diagram showing an operation flow of the information processing apparatus 100. Since the operation of the information processing apparatus 110 can be inferred from the operation of the information processing apparatus 100, the description of the operation of the information processing apparatus 110 will be omitted.
  • an input unit accepts an input of identification information (A101).
  • the identification information includes information for identifying the subject (examinee, patient), a reception number for imaging by the positron emission tomography apparatus 2, and the operation differs depending on the facility, but an image taken by the positron emission tomography apparatus 2. Can be identified.
  • the image acquisition unit 101 acquires an image taken by the positron emission tomography device 2 from the image storage device 3 (A102).
  • the lesion identification unit 102 identifies the lesion portion from the image taken by the positron emission tomography apparatus 2 (A103), and the area calculation unit 105 calculates the area of the lesion portion (A104). ..
  • the area specifying unit 104 identifies the anatomical area (A105), and the area calculation unit 105 calculates the area of the area (A106). It should be noted that these processes do not necessarily have to be performed in parallel, and the processes may be performed in the order of A103, A104, A105, A106, the order of A103, A105, A104, A106, or the like.
  • the index calculation unit 106 calculates the index based on the area of the lesion and the area of the anatomical region (A107), the output unit 107 outputs the index (A108), and the information processing apparatus 100 operates. To finish.
  • teacher data is an image taken by a positron emission tomography device and data that a specialist or the like points out that the lesion is a lesion among the accumulated parts of FDG contained in the image, for example, marking data that marks the lesion. It is composed of a set of.
  • marking data is used as teacher data for data without lesions.
  • the marking of the lesion portion corresponds to labeling (labeling whether or not the lesion is a lesion) for the accumulated portion of FDG.
  • the image taken by the positron emission tomography apparatus shown in FIG. 9 and the marking data shown in FIG. 10 form a set.
  • the marking data mainly corresponds to the part where FDG is accumulated in the image taken by the positron emission tomography apparatus, excluding the brain BR, the kidney KI, and the bladder BL.
  • the marking data mainly corresponds to the part where FDG is accumulated in the image taken by the positron emission tomography apparatus, excluding the brain BR, the heart HE, the kidney KI, and the bladder BL. Since the liver LI is basically a place where FDG is weakly accumulated, a strong FDG accumulation portion generated in the liver LI is marked as a lesion.
  • the marking data mainly corresponds to the part where FDG is accumulated in the image taken by the positron emission tomography apparatus, excluding the brain BR, the kidney KI, and the bladder BL.
  • the non-physiological accumulation part X is not a brain or kidney where FDG is generally accumulated, but a slight leak at the injection site of FDG, and a specialist or the like judges that it is not a lesion part. , Not marked.
  • the marking data mainly corresponds to the part where FDG is accumulated in the image taken by the positron emission tomography apparatus, excluding the brain BR, the heart HE, the kidney KI, and the bladder BL.
  • the image taken by the positron emission tomography apparatus shown in FIG. 17 and the marking data shown in FIG. 18 form a set.
  • the marking data corresponds mainly to the portion where FDG is accumulated in the image taken by the positron emission tomography apparatus, excluding the brain BR, the heart HE, the kidney KI, and the bladder BL. Since it is determined that there is no lesion in the image taken by the positron emission tomography apparatus shown in 12A, the marking data is blank.
  • the accumulation of FDG in areas other than the lesion does not always show the same tendency.
  • the accumulation in the cardiac HE is performed. Accumulation of FDG is observed, but in the examples shown in FIGS. 13 and 14, there are cases where accumulation of FDG is not observed in the heart, so it is of great significance to use machine learning.
  • an information processing device having a function of extracting an integrated portion of FDG from an image taken by a positron emission tomography apparatus and a function of specifying the contour of the extracted integrated portion is used by a specialist.
  • Etc. can be made to create teacher data only by instructing the specified contour with a pointing device such as a mouse or a touch pen.
  • FIGS. 19 and 20 show examples of lesions identified by the lesion identification portion 102.
  • 19 and 20 are views showing an example of a lesion portion identified by the lesion identification portion 102.
  • the lesion portion shown in FIG. 19 is a lesion portion identified by the lesion identification portion 102 from the image shown in FIG. 9, and the lesion portion shown in FIG. 20 is identified by the lesion identification portion 102 from the image shown in FIG. It is a lesion that has been damaged.
  • FIGS. 27 to 30 are diagrams for explaining case 2
  • FIGS. 31 to 34 are diagrams for explaining case 3.
  • Cases 1 to 3 are FDG-PET images taken (Interim PET) for the purpose of determining the therapeutic effect during treatment, and also LDH (serum lactate dehydrogenase) and IL-2R. (Interleukin 2 receptor) is being measured.
  • FIG. 21 is an FDG-PET image taken in Case 1
  • FIG. 22 shows the values of LDH and IL-2R.
  • FIG. 23 shows an image in which the lesion portion is identified by the information processing apparatus 1
  • FIG. 24 shows the result of calculating the total area of the lesion portion, the trunk area, and the TLI from the image. be.
  • TLI Total Lesson Index
  • FIG. 27 is an FDG-PET image taken in Case 2
  • FIG. 28 shows the values of LDH and IL-2R.
  • FIG. 29 shows an image in which the lesion portion is identified by the information processing apparatus 1
  • FIG. 30 shows the result of calculating the total area of the lesion portion, the trunk area, and the TLI from the image. be.
  • FIG. 31 is an FDG-PET image taken in Case 3
  • FIG. 32 shows the values of LDH and IL-2R.
  • FIG. 33 shows an image in which the lesion portion is identified by the information processing apparatus 1, and
  • FIG. 34 shows the result of calculating the total area of the lesion portion, the trunk area, and the TLI from the image. be.
  • the information processing apparatus includes a region specifying unit, a volume calculation unit, and an index calculation unit.
  • the region specifying unit is configured to be able to specify an anatomical region in the image, and the image is three-dimensional. It is an image, the volume calculation unit is configured to be able to calculate the volume of the lesion and the volume of the anatomical region, the index calculation unit is configured to be able to calculate the index, and the index is the index.
  • An information processing device that is the ratio of the volume of the lesion to the volume of the anatomical region. In the information processing device, the volume of the anatomical region is the integrated volume of the tomographic image of the subject in the image.
  • the volume calculation unit calculates the volume of the lesion portion based on the contour of the lesion portion, and calculates the volume of the anatomical region based on the contour of the anatomical region.
  • Processing equipment In the information processing apparatus, the volume calculation unit calculates the volume of the lesion based on the number of pixels of the tomographic image of the lesion, and the volume calculation unit calculates the volume of the lesion based on the number of pixels of the anatomical region.
  • An information processing device that calculates the volume.
  • the information processing apparatus includes an area specifying unit, an area calculation unit, and an index calculation unit.
  • the area specifying unit is configured to be able to specify an anatomical region in the image, and the area calculation unit is configured.
  • the area of the lesion and the area of the anatomical region can be calculated.
  • the area of the anatomical region is the projected area of the subject in the image, and the index calculation unit calculates the index.
  • An information processing device that is configured to be possible and the index is the ratio of the area of the lesion to the area of the anatomical region.
  • the area of the anatomical region is the front projection area of the subject in the image.
  • the area calculation unit calculates the area of the lesion based on the contour of the lesion, and calculates the area of the anatomical region based on the contour of the anatomical region. Processing equipment.
  • the area calculation unit calculates the area of the lesion based on the number of pixels of the lesion, and calculates the area of the anatomical region based on the number of pixels of the anatomical region.
  • Information processing equipment In the information processing device, the anatomical region is an information processing device including the whole body of the subject.
  • the information processing device includes a data storage unit, and the data storage unit is an information processing device that stores the learned data.
  • the information processing device includes a data acquisition unit, and the data acquisition unit is an information processing device configured to be able to acquire the trained data from the trained data providing device via a communication network.
  • the learned data is generated by machine learning using an image including an anatomical region taken by the positron radiation tomography apparatus and instruction information indicating a lesion in the image as teacher data.
  • the instruction information is an information processing device in which a lesion portion is instructed by a specialist.
  • the lesion can be automatically identified from the test result of the positron emission tomography apparatus, the test result can be easily grasped even by a specialist, even if the specialist is not a specialist. , The labor required to grasp the inspection result can be reduced.
  • the lesion can be quantitatively evaluated, so that it is possible to grasp the state transition of cancer or inflammation in the same manner as grasping the result of the blood test, for example.
  • Information processing device 2 Positive electron radiation tomography device 3: Image storage device 4: Learned data providing device 5: Learned data providing device 6: Learned data providing device 11: Processing unit 12: Storage unit 13: Temporary storage Unit 14: External device connection unit 15: Communication unit 16: Communication bus 100: Information processing device 101: Image acquisition unit 102: Disease identification unit 103: Data storage unit 104: Area identification unit 105: Area calculation unit 106: Index calculation unit 107: Output unit 110: Information processing device 111: Image acquisition unit 112: Disease identification unit 113: Data acquisition unit 114: Area identification unit 115: Area calculation unit 116: Index calculation unit 117: Output unit 120: Information processing device 121: Image acquisition unit 122: Disease identification unit 123: Data acquisition unit 124: Area identification unit 125: Volume calculation unit 126: Index calculation unit 127: Output unit BL: Bladder BR: Brain HE: Heart KI: Kidney LI: Liver X: Non Physiological accumulation part

Abstract

【課題】ＰＥＴ検査の結果から病変部を自動的に特定し、医師による診断を支援することのできる情報処理装置及びプログラムを提供すること。 【解決手段】本発明の一態様によれば、陽電子放射断層撮影検査に基づいて病変部の特定を行う情報処理装置が提供される。この情報処理装置は、画像取得部と、病変特定部とを備える。画像取得部は、陽電子放射断層撮影装置が撮影した解剖学的領域を含む画像を取得可能に構成される。病変特定部は、機械学習による学習済データに基づいて、画像中の陽電子放出核種が集積された部分から病変部を特定可能に構成される。

Description

情報処理装置及びプログラム
　本発明は、情報処理装置及びプログラムに関する。
　近年、検査結果の画像に基づく診断をコンピュータにより支援する技術が提案されている（例えば、特許文献１を参照）。
　また、最近では、医療分野においても、ディープラーニング等を利用して画像の特徴を認識することが望まれており、これを支援するための技術も提案されている（例えば、特許文献２を参照）。
特表２００９－５１６５５１号公報 特開２０１９－０１０４１１号公報
　ところで、画像を利用する検査には、ブドウ糖のアナログ分子に陽電子放出核種Ｆ－１８を標識したＦＤＧ（ｆｌｕｏｒｏｄｅｏｘｙｇｌｕｃｏｓｅ：フルオロデオキシグルコース）という薬剤を用いたＰＥＴ（ｐｏｓｉｔｒｏｎ　ｅｍｉｓｓｉｏｎ　ｔｏｍｏｇｒａｐｈｙ：陽電子放射断層撮影）検査がある。このＰＥＴ検査は、癌や炎症といった病変部に集積し、画像から病変を見付けるのを容易にしている。
　しかしながら、脳や心臓などの臓器は元々ブドウ糖代謝が盛んであるため、ＦＤＧの生理的な集積が認められる。また、ＦＤＧは尿に排泄されるため、腎臓や尿管、膀胱にもＦＤＧが集積している。そのため、ＰＥＴ検査では、病変部を自動的に抽出する事が難しい。このことから、全身の病変の広がりを定量化することが出来ない。
　本発明では上記事情を鑑み、ＰＥＴ検査の結果から病変部を自動的に特定し、医師による診断を支援することのできる情報処理装置及びプログラムを提供することとした。
　本発明の一態様によれば、陽電子放射断層撮影検査に基づいて病変部の特定を行う情報処理装置が提供される。この情報処理装置は、画像取得部と、病変特定部とを備える。画像取得部は、陽電子放射断層撮影装置が撮影した解剖学的領域を含む画像を取得可能に構成される。病変特定部は、機械学習による学習済データに基づいて、画像中の陽電子放出核種が集積された部分から病変部を特定可能に構成される。
　本発明の一態様によれば、ＰＥＴ検査の結果に基づく診断を支援し、医師の負荷を低減することが可能となる。
本発明の実施形態に係る情報処理装置１の構成の概略を示した図である。 情報処理装置１００の機能的な構成を示すブロック図である。 情報処理装置１１０の機能的な構成を示すブロック図である。 情報処理装置１２０の機能的な構成を示すブロック図である。 陽電子放射断層撮影装置２が撮影した画像の例を示したものである。 病変特定部１０２が特定した病変部の画像の例を示したものである。 領域特定部１０４が特定した解剖学的領域の例を示したものである。 情報処理装置１００の動作の流れを示すアクティビティ図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 教師データを説明するための図である。 病変特定部１０２により特定された病変部の例を示した図である。 病変特定部１０２により特定された病変部の例を示した図である。 症例１を説明するための図である。 症例１を説明するための図である。 症例１を説明するための図である。 症例１を説明するための図である。 症例１を説明するための図である。 症例１を説明するための図である。 症例２を説明するための図である。 症例２を説明するための図である。 症例２を説明するための図である。 症例２を説明するための図である。 症例３を説明するための図である。 症例３を説明するための図である。 症例３を説明するための図である。 症例３を説明するための図である。
　以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。
　ところで、本実施形態に登場するソフトウェアを実現するためのプログラムは、コンピュータが読み取り可能な非一時的な記録媒体（Ｎｏｎ－Ｔｒａｎｓｉｔｏｒｙ　Ｃｏｍｐｕｔｅｒ－Ｒｅａｄａｂｌｅ　Ｍｅｄｉｕｍ）として提供されてもよいし、外部のサーバからダウンロード可能に提供されてもよいし、外部のコンピュータで当該プログラムを起動させてクライアント端末でその機能を実現（いわゆるクラウドコンピューティング）するように提供されてもよい。
　また、本実施形態において「部」とは、例えば、広義の回路によって実施されるハードウェア資源と、これらのハードウェア資源によって具体的に実現されうるソフトウェアの情報処理とを合わせたものも含みうる。また、本実施形態においては様々な情報を取り扱うが、これら情報は、例えば電圧・電流を表す信号値の物理的な値、０又は１で構成される２進数のビット集合体としての信号値の高低、又は量子的な重ね合わせ（いわゆる量子ビット）によって表され、広義の回路上で通信・演算が実行されうる。
　また、広義の回路とは、回路（Ｃｉｒｃｕｉｔ）、回路類（Ｃｉｒｃｕｉｔｒｙ）、プロセッサ（Ｐｒｏｃｅｓｓｏｒ）、及びメモリ（Ｍｅｍｏｒｙ）等を少なくとも適当に組み合わせることによって実現される回路である。すなわち、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ：ＦＰＧＡ））等を含むものである。
１．情報処理装置の構成
　図１は、本発明の実施形態に係る情報処理装置１の構成の概略を示した図である。同図に示すように、情報処理装置１は、処理部１１と、記憶部１２と、一時記憶部１３と、外部装置接続部１４と、通信部１５とを有しており、これらの構成要素が情報処理装置１の内部において通信バス１６を介して電気的に接続されている。
　処理部１１は、例えば、中央処理装置（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ：ＣＰＵ）により実現されるもので、記憶部１２に記憶された所定のプログラムに従って動作し、種々の機能を実現する。
　記憶部１２は、様々な情報を記憶する不揮発性の記憶媒体である。これは、例えばハードディスクドライブ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ：ＨＤＤ）やソリッドステートドライブ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ：ＳＳＤ）等のストレージデバイスにより実現される。なお、記憶部１２は、情報処理装置１と通信可能な別の装置に配するようにすることも可能である。
　一時記憶部１３は、揮発性の記憶媒体である。これは、例えばランダムアクセスメモリ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ：ＲＡＭ）等のメモリにより実現され、処理部１１が動作する際に一時的に必要な情報（引数、配列等）を記憶する。
　外部装置接続部１４は、例えばユニバーサルシリアルバス（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ：ＵＳＢ）や高精細度マルチメディアインターフェース（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅ：ＨＤＭＩ）といった規格に準じた接続部であり、キーボード等の入力装置やモニタ等の表示装置を接続可能としている。
　通信部１５は、例えばローカルエリアネットワーク（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ：ＬＡＮ）規格に準じた通信手段であり、情報処理装置１とローカルエリアネットワークやこれを介したインターネット等のネットワークとの間の通信を実現する。
　なお、情報処理装置１には、汎用のサーバ向けのコンピュータやパーソナルコンピュータ等を利用することが可能であり、複数のコンピュータを用いて情報処理装置１を構成することも可能である。
２．情報処理装置の機能
　次に、情報処理装置１の機能について説明する。なお、ここでは、情報処理装置１がプログラムにしたがって動作することで、情報処理装置１００又は情報処理装置１１０を実現させるものとする。このプログラムは、コンピュータである情報処理装置１を情報処理装置１００又は情報処理装置１１０として機能させるものである。情報処理装置１００と情報処理装置１１０は、いずれも、陽電子放射断層撮影検査に基づいて病変部の特定を行う情報処理装置である。
　図２は、情報処理装置１００の機能的な構成を示すブロック図である。また、図３は、情報処理装置１１０の機能的な構成を示すブロック図であり、図４は、情報処理装置１２０の機能的な構成を示すブロック図である。
　図２に示すように、情報処理装置１００は、画像取得部１０１と、病変特定部１０２と、データ記憶部１０３と、領域特定部１０４と、面積算出部１０５と、指標算出部１０６と、出力部１０７とを備える。
　画像取得部１０１は、画像記憶装置３から陽電子放射断層撮影装置２が撮影した解剖学的領域を含む画像を取得可能に構成される。なお、画像取得部１０１は、画像記憶装置３を介さずに陽電子放射断層撮影装置２から直接画像を取得するように構成することもできる。画像取得部１０１が取得する画像は、例えば、図５に示すようなものである。図５は、陽電子放射断層撮影装置２が撮影した画像の例を示したものである。
　解剖学的領域は、体の臓器または組織などの解剖学的な構造物の一部または全体を表す領域であり、ここでは、解剖学的領域は、被験者の全身を含むものとする。もちろん、情報処理装置１００は、胸部のみ、腹部のみ、肝臓のみを解剖学的領域として、診断の支援をすることが可能である。
　病変特定部１０２は、機械学習による学習済データに基づいて、画像取得部１０１が取得した画像中の陽電子放出核種が集積された部分から病変部を特定可能に構成される。病変特定部１０２による病変部の特定結果は、例えば、図６に示すようなものとなる。図６は、病変特定部１０２が特定した病変部の画像の例を示したものである。
　データ記憶部１０３は、学習済データを記憶する。学習済データは、陽電子放射断層撮影装置２が撮影した解剖学的領域を含む画像と、該画像中の病変部を指示する指示情報とを教師データとした機械学習により生成される。この指示情報は、専門医により病変部が指示されたものである。機械学習には、例えば、セマンティック　セグメンテーション（Ｓｅｍａｎｔｉｃ　Ｓｅｇｍｅｎｔａｔｉｏｎ）と称されるディープラーニング　（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）　のアルゴリズムを用いる。このセマンティック　セグメンテーションは、画像内の全画素にラベルやカテゴリを関連付けるもので、特徴的なカテゴリを形成する画素の集まりを認識するために使用されるものである。なお、教師データの詳細についは、後述する。また、データ記憶部１０３に記憶される学習済データは、定期的に学習済データ提供装置４から最新のものを取得して更新するようにしてもよい。
　領域特定部１０４は、画像中の解剖学的領域を特定可能に構成される。解剖学的領域が全身である場合、特定された結果は、例えば、図７に示すようなものとなる。図７は、領域特定部１０４が特定した解剖学的領域の例を示したものである。
　面積算出部１０５は、画像取得部１０１が取得した画像中の病変特定部１０２が特定した病変部の面積と領域特定部１０４が特定した解剖学的領域の面積とを算出可能に構成される。解剖学的領域の面積は、画像取得部１０１が取得した画像中の被験者の投影面積であり、好ましくは、解剖学的領域の面積は、画像取得部１０１が取得した画像中の被験者の正面投影面積である。面積算出部１０５は、病変部の輪郭に基づいて該病変部の面積を算出し、解剖学的領域の輪郭に基づいて該解剖学的領域の面積を算出するようにしてもよく、病変部の画素数に基づいて該病変部の面積を算出し、解剖学的領域の画素数に基づいて該解剖学的領域の面積を算出するようにしてもよい。
　指標算出部１０６は、画像取得部１０１が取得した画像中の病変特定部１０２が特定した病変部の面積と領域特定部１０４が特定した解剖学的領域の面積とから指標を算出可能に構成される。指標は、病変部の面積と解剖学的領域の面積との比である。具体的には、指標は、病変部の総面積を解剖学的領域の面積で除したものであり、病変部の総面積が５２９．５で、解剖学的領域である全身の面積が３２７２９．０であれば、指標は、０．０１６２となる。
　出力部１０７は、指標算出部１０６が算出した指標を、図示しない表示装置に表示したり、ＣＳＶ（Ｃｏｍｍａ　Ｓｅｐａｒａｔｅｄ　Ｖａｌｕｅ）などのデータ出力をしたり、図示しない印刷装置を介して紙面に印刷出力する。このとき、出力部１０７は、画像取得部１０１が取得した画像を指標と併せて出力するようにしてもよい。
　また、図３に示すように、情報処理装置１１０は、画像取得部１１１と、病変特定部１１２と、データ取得部１１３と、領域特定部１１４と、面積算出部１１５と、指標算出部１１６と、出力部１１７とを備える。なお、画像取得部１１１、病変特定部１１２、領域特定部１１４、面積算出部１１５、指標算出部１１６、出力部１１７は、それぞれ、情報処理装置１００の画像取得部１０１、病変特定部１０２、領域特定部１０４、面積算出部１０５、指標算出部１０６、出力部１０７と同様の機能部であるため、ここでの説明は省略する。
　データ取得部１１３は、通信ネットワークを介して学習済データ提供装置５から学習済データを取得可能に構成される。学習済データ提供装置５から取得する学習済データは、情報処理装置１００のデータ記憶部１０３が記憶している学習済データと同種のもので、最新の学習済データである。
　また、図４に示すように、情報処理装置１２０は、画像取得部１２１と、病変特定部１２２と、データ記憶部１２３と、領域特定部１２４と、体積算出部１２５と、指標算出部１２６と、出力部１２７とを備える。
　画像取得部１２１は、画像記憶装置３から陽電子放射断層撮影装置２が撮影した解剖学的領域を含む画像を取得可能に構成される。なお、画像取得部１２１は、画像記憶装置３を介さずに陽電子放射断層撮影装置２から直接画像を取得するように構成することもできる。
　病変特定部１２２は、機械学習による学習済データに基づいて、画像取得部１２１が取得した画像中の陽電子放出核種が集積された部分から病変部を特定可能に構成される。
　データ記憶部１２３は、学習済データを記憶する。学習済データは、陽電子放射断層撮影装置２が撮影した解剖学的領域を含む画像と、該画像中の病変部を指示する指示情報とを教師データとした機械学習により生成される。この指示情報は、専門医により病変部が指示されたものである。
　領域特定部１２４は、画像取得部１２１が取得した画像中の解剖学的領域を特定可能に構成される。この画像は、３次元画像である。
　また、体積算出部１２５は、画像取得部１２１が取得した画像中の病変特定部１２２が特定した病変部の体積と領域特定部１２４が特定した解剖学的領域の体積とを算出可能に構成される。解剖学的領域の体積は、画像取得部１２１が取得した画像中の被験者の断層画像の積算体積である。
体積算出部１２５は、病変部の輪郭に基づいて該病変部の体積を算出し、解剖学的領域の輪郭に基づいて該解剖学的領域の体積を算出するようにしてもよく、病変部の断層画像の画素数に基づいて該病変部の体積を算出し、解剖学的領域の画素数に基づいて該解剖学的領域の体積を算出するようにしてもよい。
　指標算出部１２６は、病変特定部１２２が特定した病変部の体積と領域特定部１２４が特定した解剖学的領域の体積とから指標を算出可能に構成される。指標は、病変部の体積と解剖学的領域の体積との比である。
　出力部１２７は、指標算出部１２６が算出した指標を、図示しない表示装置に表示したり、ＣＳＶなどのデータ出力をしたり、図示しない印刷装置を介して紙面に印刷出力する。なお、データ記憶部１２３に代えて、情報処理装置１１０のデータ取得部１１３と同様のデータ取得部を備えるようにしてもよい。
３．情報処理装置の動作
　次に、情報処理装置１００の動作について説明する。図８は、情報処理装置１００の動作の流れを示すアクティビティ図である。なお、情報処理装置１１０の動作については、情報処理装置１００の動作から類推可能であるため、情報処理装置１１０の動作の説明については省略する。
　情報処理装置１００は、動作を開始すると、まず、図示しない入力部が、識別情報の入力を受け付ける（Ａ１０１）。識別情報は、被験者（受診者、患者）を識別する情報や、陽電子放射断層撮影装置２による撮影の受付番号等であり、施設によりその運用は異なるが、陽電子放射断層撮影装置２が撮影した画像を識別できるものである。
　情報処理装置１００は、識別情報を受け付けると、画像取得部１０１が画像記憶装置３から陽電子放射断層撮影装置２が撮影した画像を取得する（Ａ１０２）。
　続いて、情報処理装置１００は、病変特定部１０２が、陽電子放射断層撮影装置２が撮影した画像から病変部を特定し（Ａ１０３）、面積算出部１０５が病変部の面積を算出する（Ａ１０４）。このとき、領域特定部１０４が解剖学的領域を特定し（Ａ１０５）、面積算出部１０５が当該領域の面積を算出する（Ａ１０６）。なお、これらの処理は、必ずしも並列で行う必要はなく、Ａ１０３、Ａ１０４、Ａ１０５、Ａ１０６の順や、Ａ１０３、Ａ１０５、Ａ１０４、Ａ１０６の順等で処理を行うようにすることもできる。
　そして、指標算出部１０６が、病変部の面積と解剖学的領域の面積に基づいて指標を算出し（Ａ１０７）、出力部１０７が指標を出力して（Ａ１０８）、情報処理装置１００は、動作を終了する。
４．教師データ
　次に、教師データについて説明する。図９乃至図１８は、教師データを説明するための図である。教師データは、陽電子放射断層撮影装置により撮影された画像と、当該画像に含まれるＦＤＧの集積部分のうち、専門医等が病変部である旨を指摘したデータ、例えば、病変部をマーキングしたマーキングデータの組により構成される。また、脳や心臓、腎臓や尿管や膀胱などの正常部位へのＦＤＧの集積を病変でないと認識させる精度を上げるために、病変部のないデータに対して、マーキングのない白紙データを教師データとして利用する。なお、病変部のマーキングは、ＦＤＧの集積部分に対するラベリング（病変部であるか否かのラベル設定）に相当する。
　例えば、図９に示す陽電子放射断層撮影装置により撮影された画像と、図１０に示すマーキングデータが組となる。マーキングデータは、陽電子放射断層撮影装置により撮影された画像中のＦＤＧが集積された部分のうち、主として、脳ＢＲ、腎臓ＫＩ、膀胱ＢＬを除いた部分に相当する。
　また、図１１に示す陽電子放射断層撮影装置により撮影された画像と、図１２に示すマーキングデータが組となる。マーキングデータは、陽電子放射断層撮影装置により撮影された画像中のＦＤＧが集積された部分のうち、主として、脳ＢＲ、心臓ＨＥ、腎臓ＫＩ、膀胱ＢＬを除いた部分に相当する。肝臓ＬＩは、基本的にＦＤＧが弱く集積する場所であるため、肝臓ＬＩに生じている強いＦＤＧの集積部分が、病変部としてマーキングされる。
　また、図１３に示す陽電子放射断層撮影装置により撮影された画像と、図１４に示すマーキングデータが組となる。マーキングデータは、陽電子放射断層撮影装置により撮影された画像中のＦＤＧが集積された部分のうち、主として、脳ＢＲ、腎臓ＫＩ、膀胱ＢＬを除いた部分に相当する。また、非生理的集積部Ｘは、一般的にＦＤＧが集積される脳や腎臓等ではなく、ＦＤＧの注射部位でのわずかな漏れであり、専門医等が病変部ではないと判断しているため、マーキングはされていない。
　また、図１５に示す陽電子放射断層撮影装置により撮影された画像と、図１６に示すマーキングデータが組となる。マーキングデータは、陽電子放射断層撮影装置により撮影された画像中のＦＤＧが集積された部分のうち、主として、脳ＢＲ、心臓ＨＥ、腎臓ＫＩ、膀胱ＢＬを除いた部分に相当する。
　また、図１７に示す陽電子放射断層撮影装置により撮影された画像と、図１８に示すマーキングデータが組となる。マーキングデータは、陽電子放射断層撮影装置により撮影された画像中のＦＤＧが集積された部分のうち、主として、脳ＢＲ、心臓ＨＥ、腎臓ＫＩ、膀胱ＢＬを除いた部分に相当するが、Ｆｉｇ．１２Ａに示す陽電子放射断層撮影装置により撮影された画像には、病変部は存在しないと判断されているため、マーキングデータは白紙となる。
　図９乃至図１８から明らかなように、病変部以外へのＦＤＧの集積は、必ずしも、同様の傾向を示すとは限らず、例えば、図１５及び図１６に示した例では、心臓ＨＥへのＦＤＧの集積が認められるが、図１３及び図１４に示した例では、心臓へのＦＤＧの集積が認められないといった事例が生じるため、機械学習を利用することには大きな意味がある。
　また、教師データの生成に際しては、陽電子放射断層撮影装置が撮影した画像から、ＦＤＧの集積部分を抽出する機能と、抽出された集積部の輪郭を特定する機能を有する情報処理装置を用い、専門医等は、特定された輪郭内をマウス等のポインティングデバイスやタッチペン等で指示するだけで、教師データを作成するようにすることもできる。
　なお、参考までに、図１９及び図２０に病変特定部１０２により特定された病変部の例を示す。図１９及び図２０は、病変特定部１０２により特定された病変部の例を示した図である。図１９に示した病変部は、図９に示した画像から病変特定部１０２が特定した病変部であり、図２０に示した病変部は、図１１に示した画像から病変特定部１０２が特定した病変部である。
５．病変部特定の例
　次に、情報処理装置１により病変部を特定した結果の例を３例説明する。図２１乃至図２６は、症例１を説明するための図であり、図２７乃至図３０は、症例２を説明するための図、図３１乃至図３４は、症例３を説明するための図である。症例１乃至症例３は、いずれも、治療の途中で、治療効果を判定する目的でＦＤＧ－ＰＥＴを撮影したもの（Ｉｎｔｅｒｉｍ　ＰＥＴ）で、併せて、ＬＤＨ（血清乳酸脱水素酵素）とＩＬ－２Ｒ（インターロイキン２受容体）を測定している。
５－１．症例１
　図２１は、症例１のＦＤＧ－ＰＥＴ撮影画像であり、図２２は、ＬＤＨとＩＬ－２Ｒの値を示したものである。図２３は、情報処理装置１により病変部を特定した画像を示したものであり、図２４は、その画像から、病変部の総面積と体幹面積、ＴＬＩを算出した結果を示したものである。ＴＬＩ（Ｔｏｔａｌ　Ｌｅｓｉｏｎ　Ｉｎｄｅｘ）は、病変部の総面積（図２５を参照）を体幹面積（図２６を参照）で除した値である。
５－２．症例２
　図２７は、症例２のＦＤＧ－ＰＥＴ撮影画像であり、図２８は、ＬＤＨとＩＬ－２Ｒの値を示したものである。図２９は、情報処理装置１により病変部を特定した画像を示したものであり、図３０は、その画像から、病変部の総面積と体幹面積、ＴＬＩを算出した結果を示したものである。
５－３．症例３
　図３１は、症例３のＦＤＧ－ＰＥＴ撮影画像であり、図３２は、ＬＤＨとＩＬ－２Ｒの値を示したものである。図３３は、情報処理装置１により病変部を特定した画像を示したものであり、図３４は、その画像から、病変部の総面積と体幹面積、ＴＬＩを算出した結果を示したものである。
６．その他
　本発明は、次に記載の各態様で提供されてもよい。
　前記情報処理装置において、領域特定部と、体積算出部と、指標算出部とを備え、前記領域特定部は、前記画像中の解剖学的領域を特定可能に構成され、前記画像は、３次元画像であり、前記体積算出部は、前記病変部の体積と前記解剖学的領域の体積とを算出可能に構成され、前記指標算出部は、指標を算出可能に構成され、前記指標は、前記病変部の体積と前記解剖学的領域の体積との比である情報処理装置。
　前記情報処理装置において、前記解剖学的領域の体積は、前記画像中の被験者の断層画像の積算体積である情報処理装置。
　前記情報処理装置において、前記体積算出部は、前記病変部の輪郭に基づいて該病変部の体積を算出し、前記解剖学的領域の輪郭に基づいて該解剖学的領域の体積を算出する情報処理装置。
　前記情報処理装置において、前記体積算出部は、前記病変部の断層画像の画素数に基づいて該病変部の体積を算出し、前記解剖学的領域の画素数に基づいて該解剖学的領域の体積を算出する情報処理装置。
　前記情報処理装置において、領域特定部と、面積算出部と、指標算出部とを備え、前記領域特定部は、前記画像中の解剖学的領域を特定可能に構成され、前記面積算出部は、前記病変部の面積と前記解剖学的領域の面積とを算出可能に構成され、前記解剖学的領域の面積は、前記画像中の被験者の投影面積であり、前記指標算出部は、指標を算出可能に構成され、前記指標は、前記病変部の面積と前記解剖学的領域の面積との比である情報処理装置。
　前記情報処理装置において、前記解剖学的領域の面積は、前記画像中の被験者の正面投影面積である情報処理装置。
　前記情報処理装置において、前記面積算出部は、前記病変部の輪郭に基づいて該病変部の面積を算出し、前記解剖学的領域の輪郭に基づいて該解剖学的領域の面積を算出する情報処理装置。
　前記情報処理装置において、前記面積算出部は、前記病変部の画素数に基づいて該病変部の面積を算出し、前記解剖学的領域の画素数に基づいて該解剖学的領域の面積を算出する情報処理装置。
　前記情報処理装置において、前記解剖学的領域は、被験者の全身を含む情報処理装置。
　前記情報処理装置において、データ記憶部を備え、前記データ記憶部は、前記学習済データを記憶する情報処理装置。
　前記情報処理装置において、データ取得部を備え、前記データ取得部は、通信ネットワークを介して学習済データ提供装置から前記学習済データを取得可能に構成される情報処理装置。
　前記情報処理装置において、前記学習済データは、陽電子放射断層撮影装置が撮影した解剖学的領域を含む画像と、該画像中の病変部を指示する指示情報とを教師データとした機械学習により生成される情報処理装置。
　前記情報処理装置において、前記指示情報は、専門医により病変部が指示されたものである情報処理装置。
　コンピュータを情報処理装置として動作させるプログラムであって、コンピュータを前記情報処理装置として機能させるプログラム。１乃至前記情報処理装置として機能させるプログラム。
　もちろん、この限りではない。
　また、上記のプログラムを格納する、コンピュータ読み取り可能な非一時的な記録媒体として提供してもよい。
　以上のように、本発明によれば、陽電子放射断層撮影装置の検査結果から病変部を自動的特定できるため、専門医でなくとも、検査結果を容易に把握することができ、専門医であっても、検査結果の把握に要する労力を低減することができる。また、指標を用いた場合には、病変部を定量的に評価できるため、例えば、血液検査の結果を把握するのと同様に、癌や炎症の状態遷移を把握することが可能となる。
１　　　　：情報処理装置
２　　　　：陽電子放射断層撮影装置
３　　　　：画像記憶装置
４　　　　：学習済データ提供装置
５　　　　：学習済データ提供装置
６　　　　：学習済データ提供装置
１１　　　：処理部
１２　　　：記憶部
１３　　　：一時記憶部
１４　　　：外部装置接続部
１５　　　：通信部
１６　　　：通信バス
１００　　：情報処理装置
１０１　　：画像取得部
１０２　　：病変特定部
１０３　　：データ記憶部
１０４　　：領域特定部
１０５　　：面積算出部
１０６　　：指標算出部
１０７　　：出力部
１１０　　：情報処理装置
１１１　　：画像取得部
１１２　　：病変特定部
１１３　　：データ取得部
１１４　　：領域特定部
１１５　　：面積算出部
１１６　　：指標算出部
１１７　　：出力部
１２０　　：情報処理装置
１２１　　：画像取得部
１２２　　：病変特定部
１２３　　：データ取得部
１２４　　：領域特定部
１２５　　：体積算出部
１２６　　：指標算出部
１２７　　：出力部
ＢＬ　　　：膀胱
ＢＲ　　　：脳
ＨＥ　　　：心臓
ＫＩ　　　：腎臓
ＬＩ　　　：肝臓
Ｘ　　　　：非生理的集積部
 

Claims (15)

  1. 　陽電子放射断層撮影検査に基づいて病変部の特定を行う情報処理装置であって、
    　画像取得部と、病変特定部とを備え、
    　前記画像取得部は、陽電子放射断層撮影装置が撮影した解剖学的領域を含む画像を取得可能に構成され、
    　前記病変特定部は、機械学習による学習済データに基づいて、前記画像中の陽電子放出核種が集積された部分から病変部を特定可能に構成される
    　情報処理装置。
  2. 　請求項１に記載の情報処理装置において、
    　領域特定部と、体積算出部と、指標算出部とを備え、
    　前記領域特定部は、前記画像中の解剖学的領域を特定可能に構成され、
    　　前記画像は、３次元画像であり、
    　前記体積算出部は、前記病変部の体積と前記解剖学的領域の体積とを算出可能に構成され、
    　前記指標算出部は、指標を算出可能に構成され、
    　　前記指標は、前記病変部の体積と前記解剖学的領域の体積との比である
    　情報処理装置。
  3. 　請求項２に記載の情報処理装置において、
    　前記解剖学的領域の体積は、前記画像中の被験者の断層画像の積算体積である
    　情報処理装置。
  4. 　請求項２又は請求項３に記載の情報処理装置において、
    　前記体積算出部は、前記病変部の輪郭に基づいて該病変部の体積を算出し、前記解剖学的領域の輪郭に基づいて該解剖学的領域の体積を算出する
    　情報処理装置。
  5. 　請求項２又は請求項３に記載の情報処理装置において、
    　前記体積算出部は、前記病変部の断層画像の画素数に基づいて該病変部の体積を算出し、前記解剖学的領域の画素数に基づいて該解剖学的領域の体積を算出する
    　情報処理装置。
  6. 　請求項１に記載の情報処理装置において、
    　領域特定部と、面積算出部と、指標算出部とを備え、
    　前記領域特定部は、前記画像中の解剖学的領域を特定可能に構成され、
    　前記面積算出部は、前記病変部の面積と前記解剖学的領域の面積とを算出可能に構成され、
    　　前記解剖学的領域の面積は、前記画像中の被験者の投影面積であり、
    　前記指標算出部は、指標を算出可能に構成され、
    　　前記指標は、前記病変部の面積と前記解剖学的領域の面積との比である
    　情報処理装置。
  7. 　請求項６に記載の情報処理装置において、
    　前記解剖学的領域の面積は、前記画像中の被験者の正面投影面積である
    　情報処理装置。
  8. 　請求項６又は請求項７に記載の情報処理装置において、
    　前記面積算出部は、前記病変部の輪郭に基づいて該病変部の面積を算出し、前記解剖学的領域の輪郭に基づいて該解剖学的領域の面積を算出する
    　情報処理装置。
  9. 　請求項６又は請求項７に記載の情報処理装置において、
    　前記面積算出部は、前記病変部の画素数に基づいて該病変部の面積を算出し、前記解剖学的領域の画素数に基づいて該解剖学的領域の面積を算出する
    　情報処理装置。
  10. 　請求項１乃至請求項９のいずれか１項に記載の情報処理装置において、
    　前記解剖学的領域は、被験者の全身を含む
    　情報処理装置。
  11. 　請求項１乃至請求項１０のいずれか１項に記載の情報処理装置において、
    　データ記憶部を備え、
    　前記データ記憶部は、前記学習済データを記憶する
    　情報処理装置。
  12. 　請求項１乃至請求項１０のいずれか１項に記載の情報処理装置において、
    　データ取得部を備え、
    　前記データ取得部は、通信ネットワークを介して学習済データ提供装置から前記学習済データを取得可能に構成される
    　情報処理装置。
  13. 　請求項１乃至請求項１２のいずれか１項に記載の情報処理装置において、
    　前記学習済データは、陽電子放射断層撮影装置が撮影した解剖学的領域を含む画像と、該画像中の病変部を指示する指示情報とを教師データとした機械学習により生成される
    　情報処理装置。
  14. 　請求項１３に記載の情報処理装置において、
    　前記指示情報は、専門医により病変部が指示されたものである
    　情報処理装置。
  15. 　コンピュータを情報処理装置として動作させるプログラムであって、
    　コンピュータを請求項１乃至請求項１４のいずれか１項に記載の情報処理装置として機能させる
    　プログラム。
    １乃至請求項８のいずれか１項に記載の情報処理装置として機能させる
    　プログラム。
     
PCT/JP2021/034649 2020-09-18 2021-09-21 情報処理装置及びプログラム WO2022059799A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022550644A JPWO2022059799A1 (ja) 2020-09-18 2021-09-21

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020157226 2020-09-18
JP2020-157226 2020-09-18

Publications (1)

Publication Number Publication Date
WO2022059799A1 true WO2022059799A1 (ja) 2022-03-24

Family

ID=80776760

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/034649 WO2022059799A1 (ja) 2020-09-18 2021-09-21 情報処理装置及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2022059799A1 (ja)
WO (1) WO2022059799A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118510A (ja) * 2003-10-15 2005-05-12 Lexi:Kk 脳の出血部位、腫瘍、挫傷等の計測および観察用プログラム
JP2019033924A (ja) * 2017-08-17 2019-03-07 富士フイルム株式会社 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム
JP2019149005A (ja) * 2018-02-27 2019-09-05 富士フイルム株式会社 医療文書作成支援装置、方法およびプログラム
JP2020043927A (ja) * 2018-09-14 2020-03-26 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
JP2020054580A (ja) * 2018-10-01 2020-04-09 富士フイルム株式会社 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
JP2020062355A (ja) * 2018-10-19 2020-04-23 キヤノンメディカルシステムズ株式会社 画像処理装置、データ生成装置及びプログラム
WO2020085336A1 (ja) * 2018-10-25 2020-04-30 富士フイルム株式会社 重み画像生成装置、方法およびプログラム、判別器学習装置、方法およびプログラム、領域抽出装置、方法およびプログラム並びに判別器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118510A (ja) * 2003-10-15 2005-05-12 Lexi:Kk 脳の出血部位、腫瘍、挫傷等の計測および観察用プログラム
JP2019033924A (ja) * 2017-08-17 2019-03-07 富士フイルム株式会社 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム
JP2019149005A (ja) * 2018-02-27 2019-09-05 富士フイルム株式会社 医療文書作成支援装置、方法およびプログラム
JP2020043927A (ja) * 2018-09-14 2020-03-26 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
JP2020054580A (ja) * 2018-10-01 2020-04-09 富士フイルム株式会社 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
JP2020062355A (ja) * 2018-10-19 2020-04-23 キヤノンメディカルシステムズ株式会社 画像処理装置、データ生成装置及びプログラム
WO2020085336A1 (ja) * 2018-10-25 2020-04-30 富士フイルム株式会社 重み画像生成装置、方法およびプログラム、判別器学習装置、方法およびプログラム、領域抽出装置、方法およびプログラム並びに判別器

Also Published As

Publication number Publication date
JPWO2022059799A1 (ja) 2022-03-24

Similar Documents

Publication Publication Date Title
CN109035284B (zh) 基于深度学习的心脏ct图像分割方法、装置、设备及介质
JP5263997B2 (ja) 医用レポート作成装置、医用レポート作成方法および医用レポート作成プログラム
US11139067B2 (en) Medical image display device, method, and program
JP7027046B2 (ja) 医用画像撮像装置及び方法
US10806392B2 (en) Cartilage quantification device, cartilage quantification method, and cartilage quantification program
US11580642B2 (en) Disease region extraction apparatus, disease region extraction method, and disease region extraction program
CN1895185B (zh) 显示检查对象的检查区域和药剂在体内影响的信息的方法
US8045773B2 (en) Method for segmenting a myocardial wall and device for detecting a coronary artery with pathological changes
WO2019176407A1 (ja) 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル
JP6929695B2 (ja) 医用画像診断装置及び管理装置
JP6685319B2 (ja) 定量的フロー分析のための方法および装置
JP6785976B2 (ja) 脳画像正規化装置、方法およびプログラム
US11334990B2 (en) Information processing apparatus, information processing method, and program
JP6734111B2 (ja) 所見情報作成装置及びシステム
WO2022059799A1 (ja) 情報処理装置及びプログラム
EP3597107A1 (en) Topogram-based fat quantification for a computed tomography examination
CN106662657A (zh) 头部核医学图像的评价方法
US11645767B2 (en) Capturing a misalignment
JP2007113945A (ja) 画像処理方法、画像処理プログラム、及び画像処理装置
JP6956514B2 (ja) Ｘ線ｃｔ装置及び医用情報管理装置
JP6788113B2 (ja) 医用画像処理装置、方法およびプログラム
JP7436698B2 (ja) 医用画像処理装置、方法およびプログラム
EP4210068A1 (en) Medical information processing system, medical information processing method, and program
US20240037738A1 (en) Image processing apparatus, image processing method, and image processing program
US20240037739A1 (en) Image processing apparatus, image processing method, and image processing program

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: 21869481

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022550644

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21869481

Country of ref document: EP

Kind code of ref document: A1