CN113365557A - 医用图像分析装置、方法及程序 - Google Patents
医用图像分析装置、方法及程序 Download PDFInfo
- Publication number
- CN113365557A CN113365557A CN201980090652.XA CN201980090652A CN113365557A CN 113365557 A CN113365557 A CN 113365557A CN 201980090652 A CN201980090652 A CN 201980090652A CN 113365557 A CN113365557 A CN 113365557A
- Authority
- CN
- China
- Prior art keywords
- analysis
- execution
- medical image
- unit
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 170
- 238000010191 image analysis Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 214
- 238000012545 processing Methods 0.000 claims abstract description 183
- 238000003860 storage Methods 0.000 claims description 26
- 238000003703 image analysis method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 23
- 210000004072 lung Anatomy 0.000 description 18
- 238000002595 magnetic resonance imaging Methods 0.000 description 12
- 206010014561 Emphysema Diseases 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000005337 ground glass Substances 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 9
- 206010008118 cerebral infarction Diseases 0.000 description 9
- 206010056342 Pulmonary mass Diseases 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 210000002216 heart Anatomy 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 5
- 208000026106 cerebrovascular disease Diseases 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 4
- 201000008247 brain infarction Diseases 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- 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
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明的医用图像分析装置中,部位识别部识别医用图像中包含的部位。分析处理选择部根据所识别的部位,从多个分析处理中选择用于分析医用图像的1个以上的分析处理。执行特性获取部获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间作为执行特性。分配确定部根据执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配。分析执行部根据所确定的分配,通过所选择的分析处理执行医用图像的分析。
Description
技术领域
本发明涉及一种分析医用图像的医用图像分析装置、方法及程序。
背景技术
在医疗领域中,图像分析技术的性能正在提高。尤其,近年来,通过利用人工智能(AT;Artificial Intelligence),用于识别病变或确定病变的分析处理的精度得到提高,所述人工智能利用通过深层学习进行了学习的神经网络。为了执行这种分析处理,需要高性能的计算机。
另一方面,近年来,提供有利用多个服务器的各种云服务。例如,提供无需持有昂贵的计算机而利用云端的服务。通过利用云服务进行上述利用A[的分析处理,能够将硬件的维护、应用及管理完全委托给提供云端的公司。其结果,云服务的利用者能够实现成本及人力资源的削减。
在如上述的云服务中,容易确保资源。在此,作为资源,可举出CPU、存储器、硬盘及网络等。然而,所使用的资源量越多,云服务的利用费用越高。即,在云服务中能够确保大量的资源,但若利用大量的资源则利用费用变高。
因此,提出了用于有效利用资源的方法。例如,在日本特开2017-68393号公报中,提出有如下方法:在执行用于学习进行数据的预测及分类的模型的分析处理时,预测利用处理装置执行了针对第1数据的分析处理时的处理时间和资源消耗量,并根据所预测的处理时间和资源消耗量,预测第2数据的分析处理所涉及的处理性能,根据所预测的处理性能,在多个处理装置中选择应执行针对第2数据的分析处理的处理装置。并且,在日本特开2010-165259号公报中,提出有如下方法:在将由多个任务构成的人工智能等工作负荷分配给处理单元来执行时,根据所需的处理单元的数量、各处理单元中的优先级及最大的处理单元分配数量等分配条件,将工作负荷分配给处理单元。
发明内容
发明要解决的技术课题
另一方面,通常分析处理按肺、心脏、肝脏及脑等部位,进一步按可检测的病变而准备。并且,每个分析处理的处理所需的资源量不同。日本特开2017-68393号公报及日本特开2010-165259号公报中记载的方法能够对多个处理分配适当的资源。然而,即使利用日本特开2017-68393号公报及日本特开2010-165259号公报中记载的方法,需要进行需要大量资源的分析处理时,需要事先确保大量的资源。如此确保了大量资源时,在执行能够通过比较少的资源进行处理的分析处理时,资源的浪费增多。
本发明是鉴于上述情况而完成的,其目的在于能够无浪费地利用资源。
用于解决技术课题的手段
基于本发明的医用图像分析装置,其通过用于分析医用图像的多个分析处理,利用预先确定的资源来分析医用图像,所述多个分析处理各自包含1个以上的执行单位,所述医用图像分析装置具备:
图像获取部,获取至少1个医用图像;
部位识别部,识别至少1个医用图像中包含的部位;
分析处理选择部,根据所识别的部位,从多个分析处理中选择用于分析至少1个医用图像的1个以上的分析处理;
执行特性获取部,获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间来作为执行特性;
分配确定部,根据执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配;及
分析执行部,按照所确定的分配,通过所选择的分析处理来执行至少1个医用图像的分析。
“资源”是指计算机的物理资源,例如为计算机的CPU、存储器、存储装置及网络等。
另外,在基于本发明的医用图像分析装置中,可以如下,即,分配确定部确定用于使处理时间最小的、针对预先确定的资源的多个执行单位的分配。
并且,在基于本发明的医用图像分析装置中,可以如下,即,分配确定部在基于至少1个执行单位的处理完成时,根据关于除了完成处理的执行单位以外的未执行的执行单位的执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,再次确定未执行的执行单位向预先确定的资源的分配,
分析部按照再次确定,执行基于未执行的执行单位的处理。
并且,在基于本发明的医用图像分析装置中,可以如下,即,还具备存储部,存储关于多个执行单位各自的执行特性,
执行特性获取部从存储部获取执行特性。
并且,在基于本发明的医用图像分析装置中,可以如下,即,还具备分配信息生成部,生成表示所确定的分配的分配信息。
并且,在基于本发明的医用图像分析装置中,可以如下,即,分配信息生成部在规定处理时间与资源的使用量之间的关系的坐标面上,按照所确定的分配来配置由规定处理时间与资源的使用量之间的关系的矩形区域表示的执行特性,由此生成分配信息。
并且,在基于本发明的医用图像分析装置中,可以如下,即,分配信息生成部还生成待处理信息,该待处理信息通过在规定处理时间与资源的使用量之间的关系的坐标面上,按照所确定的分配在时间轴上配置由规定处理时间与资源的使用量之间的关系的矩形区域表示的未处理的执行特性而成。
并且,在基于本发明的医用图像分析装置中,可以如下,即,还具备输出部,输出分配信息。
基于本发明的医用图像分析方法,其通过用于分析医用图像的多个分析处理,利用预先确定的资源来分析医用图像,所述多个分析处理各自包含1个以上的执行单位,在所述医用图像分析方法中,
获取至少1个医用图像,
识别至少1个医用图像中包含的部位,
根据所识别的部位,从多个分析处理中选择用于分析至少1个医用图像的1个以上的分析处理,
获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间来作为执行特性,
根据执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配,
按照所确定的分配,通过所选择的分析处理来执行至少1个医用图像的分析。
另外,可以将基于本发明的医用图像分析方法作为用于使计算机执行的程序来提供。
基于本发明的另一医用图像分析装置,其通过用于分析医用图像的多个分析处理,利用预先确定的资源来分析医用图像,所述多个分析处理各自包含1个以上的执行单位,所述医用图像分析装置具备:
存储器,存储用于使计算机执行的命令;及
处理器,构成为执行所存储的命令,
处理器执行如下处理:
获取至少1个医用图像,
识别至少1个医用图像中包含的部位,
根据所识别的部位,从多个分析处理中选择用于分析至少1个医用图像的1个以上的分析处理,
获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间来作为执行特性,
根据执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配,
按照所确定的分配,通过所选择的分析处理来执行至少1个医用图像的分析。
发明效果
根据本发明,能够无浪费地利用资源。
附图说明
图1是适用了基于本发明的实施方式的医用图像分析装置的医用图像分析***的概略结构图。
图2是包含终端装置的医疗信息***的概略结构图。
图3是基于本发明的实施方式的医用图像分析装置的概略结构图。
图4是示意地表示多个分析处理的图。
图5是示意地表示分析处理的执行单位的图。
图6是示意地表示执行特性的生成的图。
图7是示意地表示所选择的分析处理的图。
图8是用于说明各执行单位的处理顺序的确定的图。
图9是表示待处理行列的图。
图10是表示执行单位的分配结果的图。
图11是表示分析处理之后的医用图像的图。
图12是表示在本实施方式中进行的处理的流程图。
图13是表示另一实施方式中的待处理行列及分配结果的图。
图14是示意地表示所选择的分析处理的另一例的图。
图15是用于说明各执行单位的处理顺序的确定的另一例的图。
图16是表示执行单位的分配结果的另一例的图。
具体实施方式
图1是适用了基于本发明的实施方式的医用图像分析装置的医用图像分析***的概略结构图。如图1所示,医用图像分析***1通过利用网络4连接设置于多个医疗机构Bk(k=1~n)的多个终端装置2及放置于云端侧的医用图像分析装置3而构成。
终端装置2为设置于各医疗机构Bk的计算机,具备CPU(Central ProcessingUnit,中央处理器)、存储器、存储装置、输入输出接口、通信接口、输入装置、显示装置及数据总线等周知的硬件结构。终端装置2中安装周知的操作***等。并且,作为输入装置,具有键盘及鼠标等,作为显示装置具有显示器等。另外,关于基于本实施方式的医用图像分析装置3,在后面进行叙述。
网络4是经由公共线路网或专用线路网广域地连结设置于多个医疗机构Bk的终端装置2和医用图像分析装置3的广域网(广域通信网WAN:Wide Area Network)。
图2是包含终端装置2的医疗信息***的概略结构图。如图2所示,终端装置2经由局域网(LAN:Local Area Network)6与各医疗机构Bk的医疗信息***5连接。医疗信息***5具备医学影像设备(摄影装置)7及图像数据库8,构成为经由网络6彼此进行图像数据的收发。
医学影像设备7中包含通过拍摄被摄体的检查对象部位来生成表示该部位的检查图像,并对该图像附加以DICOM标准规定的附带信息来输出的装置。作为具体例,可举出CT装置(Computed Tomography:计算机断层摄影装置)、MRI装置(magnetic resonanceimaging:磁共振图像摄影装置)、PET装置(Positron Emission Tomography:正电子辐射断层摄影装置)、超声波装置及利用平面X射线检测器(FPD:flat panel detector)的CR装置(Computed Radiography:计算机X射线摄影装置)等。
图像数据库8是在通用的计算机中编入了提供数据库管理***的功能的软件程序的数据库,具备大容量存储装置。存储装置可以是大容量的硬盘装置,也可以是连接于网络6的NAS(Network Attached Storage,网络附加存储)或连接于SAN(Storage AreaNetwork,存储区域网络)的磁盘装置。在医学影像设备7中获取的图像数据根据依照DICOM标准的存储格式及通信标准,经由网络6被发送至图像数据库8而存储。
医用图像分析装置3是用于利用预先确定的资源通过多个分析处理分析医用图像的计算机。图3是通过在计算机安装医用图像分析程序来实现的、基于本发明的实施方式的医用图像分析装置的概略结构图。如图3所示,医用图像分析装置3具备CPU11、存储器12及存储装置13。并且,医用图像分析装置3具备未图示的输入输出接口、通信接口及数据总线等,并安装周知的操作***等,且具有服务器的功能。另外,医用图像分析装置3中可以根据需要而设置GPU(Graphics Processing Unit,图形处理器)。并且,医用图像分析装置3可以由多个计算机构成。
并且,医用图像分析装置3上连接有显示部14以及鼠标及键盘等输入部15。另外,医用图像分析装置3由多个计算机构成时,每个计算机具备CPU11、存储器12及存储装置13,并在每个计算机中安装医用图像分析程序。
存储装置13中存储有用于分析医用图像的多个分析处理。分析处理进行分析医用图像来检测医用图像中包含的病变等的处理,例如由AI构成。在本实施方式中,根据人体的部位在存储装置13中存储多种分析处理。图4是示意地表示多个分析处理的图。如图4所示,在本实施方式中,作为分析处理,脑的分析处理、肺的分析处理、心脏的分析处理、肝脏的分析处理等按多个部位的每个部位而准备有分析处理。并且,脑的分析处理中包含脑梗塞检测处理及脑出血检测处理等分析处理。肺的分析处理中包含肺气肿检测处理、肺结节检测处理及毛玻璃阴影检测处理等分析处理。
并且,存储装置13中存储有各分析处理的执行特性。关于执行特性,在后面进行叙述。并且,存储装置13中存储有经由网络4从终端装置2获取的成为分析处理对象的医用图像及包含处理所需的信息的各种信息。
存储器12中存储有医用图像分析程序。作为使CPU11执行的处理,医用图像分析程序规定如下处理:图像获取处理,获取成为处理对象的至少1个医用图像;部位识别处理,识别至少1个医用图像中包含的部位;分析处理选择处理,根据所识别的部位,从多个分析处理中选择用于分析至少1个医用图像的1个以上的分析处理;执行特性获取处理,获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间作为执行特性;分配确定处理,根据执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配;分析执行处理,按照所确定的分配,通过所选择的分析处理执行至少1个医用图像的分析;分配信息生成处理,生成表示所确定的分配的分配信息;及输出处理,向发出处理请求的终端装置2输出分配信息及医用图像的分析结果。
并且,通过由CPU11根据程序执行这些处理,计算机作为图像获取部21、部位识别部22、分析处理选择部23、执行特性获取部24、分配确定部25、分析执行部26、分配信息生成部27及输出部28发挥作用。另外,医用图像分析装置3由多个计算机构成时,例如可以由多个计算机中的1台计算机执行图像获取部21、部位识别部22、分析处理选择部23、执行特性获取部24、分配确定部25、分析执行部26、分配信息生成部27及输出部28的所有功能,其他计算机仅执行作为分析执行部26的功能。
图像获取部21例如由通信接口等构成,获取从终端装置2经由网络4发送的成为分析对象的至少1个医用图像G0。具体而言,通过接收来自希望分析医用图像G0的医生的终端装置2的医用图像G0的发送,获取医用图像G0。另外,医用图像G0已经保存在存储装置13时,图像获取部21也可以从存储装置13获取医用图像G0。另外,在本实施方式中,假设获取1个医用图像G0来进行说明。
部位识别部22识别医用图像G0中包含的受检体的部位。例如,部位识别部22具有以识别医用图像G0中包含的部位的方式进行了学习的已学习模型。已学习模型通过将部位已知的大量的医用图像用作教师数据,对神经网络进行学习而生成,若输入医用图像G0,则输出医用图像G0中包含的部位作为部位识别结果。另外,部位识别部22并不限定于通过已学习模型识别部位。例如,作为部位识别的方法,能够采用通过模板匹配识别医用图像G0中包含的部位的方法等任意方法。
分析处理选择部23根据基于部位识别部22的部位识别结果,从存储于存储装置13的多个分析处理中选择用于分析医用图像G0的1个以上的分析处理。例如,医用图像G0为头部的医用图像时,部位识别结果为脑,因此分析处理选择部23选择1个以上的脑的分析处理。并且,医用图像G0为人体上半身的医用图像时,部位识别结果为心脏及肺,因此分析处理选择部23选择心脏的分析处理及肺的分析处理。
在此,肺的分析处理由从医用图像G0中提取肺、检测病变候选及锁定病变等多个执行单位构成,能够分割为各个执行单位。图5是示意地表示分析处理的执行单位的图。另外,在图5中,示意地示出肺的分析处理中包含的肺气肿检测处理40、肺结节检测处理41及毛玻璃阴影检测处理42。图5所示的肺气肿检测处理40分割为用于从医用图像G0提取肺的肺提取单位50、用于从所提取的肺检测肺气肿候选的肺气肿候选检测单位51A及用于判别肺气肿候选是否为肺气肿的肺气肿判别单位52A这3个执行单位。并且,肺结节检测处理41分割为肺提取单位50、用于从所提取的肺检测肺结节候选的肺结节候选检测单位51B及用于判别肺结节候选是否为肺结节的肺结节判别单位52B这3个执行单位。并且,毛玻璃阴影检测处理42分割为肺提取单位50、用于从所提取的肺检测毛玻璃阴影候选的毛玻璃阴影候选检测单位51C及用于判别毛玻璃阴影候选是否为毛玻璃阴影的毛玻璃阴影判别单位52C这3个执行单位。另外,在图5中,各执行单位从左侧根据处理顺序排列。
执行特性获取部24获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间作为执行特性。在此,资源是指医用图像分析装置3所具有的CPU11及存储器12及存储装置13。另外,根据医疗机构Bk,根据所支付的费用而预先确定可利用的资源的量。在本实施方式中,假设根据利用费用预先确定了医用图像分析装置3中的可使用的存储器12的容量。
在本实施方式中,执行特性规定分析处理的执行单位进行处理时所需的处理时间与存储器使用量之间的关系。执行特性按分析处理的每个执行单位预先生成并存储于存储装置13。图6是示意地表示执行特性的生成的图。另外,在本实施方式中,设为由执行特性获取部24生成执行特性,但也可以设置与执行特性获取部24不同的其他机构来生成执行特性。在本实施方式中,如图6所示,准备用于生成执行特性的多个样品图像Sk。执行特性获取部24通过执行单位对各样品图像Sk执行处理,并测量处理时间及存储器使用量。处理时间及存储器使用量根据样品图像Sk而发生变化。
因此,执行特性获取部24生成表示执行单位对多个样品图像Sk进行了处理时的关于处理时间及存储器使用量的频度的直方图H1、H2。并且,执行特性获取部24分别计算关于处理时间的直方图H1的平均值H1m及关于存储器使用量的直方图H2的平均值H2m,从而生成关于处理时间的平均值H1m及关于存储器使用量的平均值H2m作为关于该分析处理的执行单位的执行特性。若示意地示出执行特性,则成为将横轴作为处理时间的平均值Him、将纵轴作为存储器使用量的平均值H2m的矩形。所生成的执行特性与分析处理的执行单位建立对应关系并存储于存储装置13。
分配确定部25根据所获取的执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配。以下,对分配的确定进行说明。在本实施方式中,如图7所示,假设选择了4个分析处理61~64。如图7所示,假设分析处理61由执行单位U1、U2、U3构成,分析处理62由执行单位U1、U2、U4构成,分析处理63由执行单位U1、U5、U6构成,分析处理64由执行单位U1、U5、U7构成。另外,在图7中,各执行单位从左侧根据处理顺序排列。
分配确定部25确定分析处理61~64中共同的执行单位。如图7所示,在所有分析处理61~64中共同的执行单位为执行单位U1。并且,在分析处理61、62中共同的执行单位为执行单位U2。并且,在分析处理63、64中共同的执行单位为执行单位U5。接着,分配确定部25确定执行单位的处理顺序。例如,在执行单位U2与执行单位U3、U4中,若不执行执行单位U2则无法执行执行单位U3、U4。并且,在执行单位U5与执行单位U6、U7中,若不执行执行单位U5则无法执行执行单位U6、U7。另一方面,执行单位U2和执行单位U5能够并行进行处理。并且,执行单位U3、U4、U6、U7也能够并行进行处理。因此,分配确定部25考虑所选择的分析处理61~64中的各执行单位的处理顺序,如图8所示那样确定各执行单位的处理顺序。
接着,分配确定部25根据所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配。为此,分配确定部25生成关于执行单位的待处理行列。图9是表示待处理行列的图。另外,在图9所示的待处理行列M0中,以反映执行特性的尺寸的矩形表示各执行单位,横轴确定处理的顺序。分配确定部25参考待处理行列M0,对预先确定的容量的资源分配执行单位。
在本实施方式中,分配确定部25确定用于使处理时间最小的、针对预先确定的资源的多个执行单位的分配。在此,如图9所示,在待处理行列M0中,执行单位的处理顺序为U1、U2、U3、U4…,因此以最大限度地使用资源且使处理时间最小的方式分配多个执行单位。图10是表示执行单位的分配结果的图。另外,在图10中,纵轴为资源,在本实施方式中表示请求分析的医疗机构Bk可利用的资源,即存储器的容量。并且,在纵轴示出可利用的存储器容量的最大值max。
分析执行部26按照分配确定部25所确定的分配,通过所选择的分析处理执行医用图像G0的分析。若按照图10所示的分配,则分析执行部26首先执行在所有分析处理61~64中共同的执行单位U1,若执行单位U1的处理结束,则并行执行在分析处理61、62中共同的执行单位U2和在分析处理63、64中共同的执行单位U5。这是因为资源具有能够同时执行执行单位U2及执行单位U5的容量。在执行单位U2和执行单位U5中,执行单位U5的处理率先结束。因此,若执行单位U5的处理结束,则分析执行部26执行在分析处理63中在执行单位U5之后进行的执行单位U6。并且,即使正在执行执行单位U2、U6,资源仍有空闲,因此分析执行部26执行在分析处理64中在执行单位U5之后进行的执行单位U7。若执行单位U2的处理结束,则分析执行部26执行在分析处理61中在执行单位U2之后进行的执行单位U3。在该状态下,执行单位U7处于执行中,在执行单位U3及执行单位U7的执行中,没有空闲资源能够执行执行单位U4。因此,分析执行部26不执行在分析处理62中在执行单位U2之后执行的执行单位U4。若执行单位U7的处理结束,则产生能够执行执行单位U4的资源空闲,因此分析执行部26执行执行单位U4。
分配信息生成部27生成表示所确定的分配的分配信息。分配信息是表示分配确定部25所确定的图10所示的分配结果的图像。另外,分配信息生成部27也可以生成待处理行列作为待处理信息。待处理信息是表示图9所示的待处理行列M0的图像。
输出部28例如由通信接口等构成,将分配信息生成部27所生成的分配信息经由网络4发送至请求分析医用图像G0的医生的终端装置2。另外,如果生成待处理信息,则输出部28将待处理信息也发送至终端装置2。由此,医生的终端装置2的显示部显示表示图10所示的分配结果的分配信息。另外,若基于分析执行部26的医用图像G0的分析结束,则输出部28将分析结果发送至终端装置2。分析结果是表示医用图像G0中的异常部位的位置的信息。通过利用该信息,在终端装置2显示如图11所示那样已确定异常部位的医用图像G0。如图11所示,在医用图像G0中检测到了异常部位C1。
另外,在本实施方式中,分开设置了图像获取部21和输出部28,但可以由图像获取部21具备输出部28的功能,也可以由输出部28具备图像获取部21的功能。
接着,对在本实施方式中进行的处理进行说明。图12是表示在本实施方式中进行的处理的流程图。图像获取部21获取从医疗机构Rk的终端装置2发送的分析对象的医用图像G0(步骤ST1)。接着,部位识别部22识别医用图像G0中包含的受检体的部位(步骤ST2)。接着,分析处理选择部23根据基于部位识别部22的部位识别结果,从存储于存储装置13的多个分析处理中选择用于分析医用图像G0的1个以上的分析处理(步骤ST3)。
接着,执行特性获取部24从存储装置13获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间作为执行特性(步骤ST4)。并且,分配确定部25根据所获取的执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配(步骤ST5)。并且,分配信息生成部27生成表示所确定的分配的分配信息(步骤ST6),输出部28将分配信息发送至终端装置2(步骤ST7)。另一方面,分析执行部26按照所确定的分配,通过所选择的分析处理执行医用图像G0的分析(步骤ST8)。另外,可以在步骤ST6、ST7的处理之前进行步骤ST8的处理,也可以并行进行步骤ST8的处理和步骤ST6、ST7的处理。并且,输出部28将分析结果发送至终端装置2(步骤ST9),并结束处理。
如此,根据本实施方式,识别医用图像G0中包含的部位,并根据所识别的部位从多个分析处理中选择1个以上的分析处理。并且,获取关于所选择的分析处理中包含的多个执行单位各自的资源的使用量及处理时间作为执行特性。并且,根据执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配,按照所确定的分配,通过所选择的分析处理执行医用图像的分析。因此,根据本实施方式,能够以减少执行单位的浪费的方式,将执行单位分配给资源。因此,根据本实施方式,能够无浪费地利用资源。
并且,生成表示分配结果的分配信息并发送至终端装置2,由此在终端装置2中,能够识别执行单位如何分配给资源来执行分析处理。并且,在医疗机构Bk中,通过确认分配信息,能够进行增加或减少资源的研究,其结果,能够容易确定适于该医疗机构所进行的分析处理的资源容量。
另外,在上述实施方式中,按照所确定的分配执行了分析,但分配确定部25可以如下,即,在基于至少1个执行单位的处理完成时,根据关于除了完成处理的执行单位以外的未执行的执行单位的执行特性、所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,再次确定执行单位向预先确定的资源的分配。此时,分析执行部26根据再次的确定,执行基于未执行的执行单位的处理。以下,将此作为另一实施方式来进行说明。
图13是用于说明另一实施方式中的执行单位的分配的图。图13中,上下建立对应关系而示出了待处理行列和分配。另外,在另一实施方式中,假设进行具有如图13所示的执行特性的7个执行单位U11~U17的分配。首先,分配确定部25生成关于执行单位U11~U17的待处理行列M10,根据待处理行列M10将执行单位U11~U17分配给资源。将分配结果R10示于待处理行列M10的下方。另外,在分配结果R10中,省略了执行单位U15~U17的图示。并且,在分配结果R10的横轴上,利用箭头示出了当前的处理时刻为初始处理时刻t0。在分配结果R10中,并行执行执行单位U11和执行单位U13,在执行单位U11及执行单位U13结束之后,并行执行执行单位U12和执行单位U14。分析执行部26根据分配结果R10执行分析处理。由此,分析执行部26首先执行执行单位U11及执行单位U13。
通过执行执行单位U11及执行单位U13,分配确定部25从待处理行列M10删除执行单位U11及执行单位U13,生成待处理行列M11。另一方面,在基于分析执行部26的分析处理中,假设执行单位U13的处理在比预定时间更早的时刻t1结束。在图13中,对处理结束的执行单位U13标注斜线。分配确定部25根据执行单位U13结束之后的资源的容量,参考待处理行列M11再次确定执行单位的分配。在由此获得的分配结果R11中,在执行单位U13结束之后,会在执行单位U14之前执行执行单位U12及执行单位U15。另外,在分配结果R11中,省略了执行单位U16、U17。由此,分析执行部26接着执行执行单位U11,在执行单位U13结束之后执行执行单位U12及执行单位U15。
通过执行执行单位U12及执行单位U15,分配确定部25从待处理行列M11删除执行单位U12及执行单位U15,生成待处理行列M12。另一方面,假设在基于分析执行部26的分析处理中,执行单位U11需要比预定时间更长的时间,与执行单位U15同时在时刻t2结束处理。在图13中,对处理结束的执行单位U11、U13、U15标注斜线。分配确定部25根据执行单位U11、U15结束之后的资源的容量,参考待处理行列M12再次确定执行单位的分配。在由此获得的分配结果R12中,在执行单位U11、U15结束之后,资源上的执行单位U12及执行单位U14的执行区域被变更,并分配执行单位U16及执行单位U17。由此,分析执行部26接着执行执行单位U12,在执行单位U11、U15结束之后执行执行单位U15及执行单位U16。而且,若执行单位U12及执行单位U16结束,则执行执行单位U17。
如此,通过再次确定执行单位的分配,即使执行单位的处理的结束提前或推迟,也能够对空闲的资源有效地分配执行单位。
并且,在上述实施方式中,对1个医用图像G0进行了分析处理,但在对多个医用图像进行分析处理时也能够适用本发明。例如,考虑对通过CT装置获取的脑的CT医用图像G1、通过MRI装置获取的脑的MRI医用图像G2及通过CT装置获取的胸部的CT医用图像G3这3个医用图像G1~G3进行分析的情况。
此时,如图14所示,假设对脑的CT医用图像G1选择了CT用的脑梗塞检测处理71及CT用的脑出血检测处理72,对脑的MRI医用图像G2选择了MRI用的脑梗塞检测处理73及MRI用的脑出血检测处理74,对胸部的CT医用图像G3选择了CT用的肺分析处理75及CT用的心脏分析处理76。
并且,如图14所示,假设CT用的脑梗塞检测处理71由执行单位U21、U22、U23构成,CT用的脑出血检测处理72由执行单位U21、U22、U24构成。并且,假设MRI用的脑梗塞检测处理73由执行单位U25、U26、U27构成,MRI用的脑出血检测处理74由执行单位U25、U26、U28构成。并且,假设肺分析处理75由执行单位U29、U30构成,心脏分析处理76由执行单位U31、U32构成。
在这种情况下,需要进行6个分析处理,与上述实施方式相同,由分配确定部25确定各分析处理中共同的执行单位。如图14所示,在CT用的脑梗塞检测处理71及CT用的脑出血检测处理72中共同的执行单位是执行单位U21、U22。并且,在MRI用的脑梗塞检测处理73及MRI用的脑出血检测处理74中共同的执行单位是执行单位U25、U26。
并且,分配确定部25考虑各执行单位的处理顺序,如图15所示那样确定各执行单位的处理顺序。即,关于CT用的脑梗塞检测处理71及CT用的脑出血检测处理72,分配确定部25将各执行单位的处理顺序确定为如下,即,以执行单位U21及执行单位U22的顺序执行处理,在执行单位U22结束之后,并行进行执行单位U23和执行单位U24。并且,关于MRI用的脑梗塞检测处理73及MRI用的脑出血检测处理74,分配确定部25将各执行单位的处理顺序确定为如下,即,以执行单位U25及执行单位U26的顺序执行处理,在执行单位U26结束之后,并行执行执行单位U27和执行单位U28。并且,关于肺分析处理75,分配确定部25将各执行单位的处理顺序确定为以执行单位U29及执行单位U30的顺序执行处理。并且,关于心脏分析处理76,分配确定部25将各执行单位的处理顺序确定为以执行单位U31及执行单位U32的顺序执行处理。
而且,分配确定部25根据所选择的分析处理中共同的执行单位及多个执行单位的处理顺序,确定针对预先确定的资源的多个执行单位的分配。图16是表示执行单位的分配结果的图。分析执行部26按照分配确定部25所确定的分配,通过所选择的分析处理分析医用图像G1~G3。
并且,在上述实施方式中,将分析处理分割为最小的执行单位,但并不限定于此。也可以以多个最小的执行单位成为1个执行单位的方式分割分析处理。
并且,在上述实施方式中,从多个分析处理选择了2个以上的分析处理,但所选择的分析处理也可以仅为1个。此时,确定1个分析处理中包含的执行单位的分配并进行分析处理。
并且,在上述实施方式中,设为医用图像分析装置3设置于云端侧,但有时在医疗机构Rk内利用终端装置2进行医用图像G0的分析。此时,也可以在终端装置2内包含医用图像分析装置3。由此,能够在医疗机构Bk的终端装置2中,有效地利用终端装置2所具有的资源来进行医用图像G0的分析。
并且,在上述各实施方式中,例如,作为图像获取部21、部位识别部22、分析处理选择部23、执行特性获取部24、分配确定部25、分析执行部26、分配信息生成部27及输出部28等执行各种处理的处理部(Processing Unit)的硬件结构,能够利用以下示出的各种处理器(Processor)。如上所述,上述各种处理器中,除了执行软件(程序)来作为各种处理部而发挥作用的通用的处理器即CPU以外,还包含FPGA(Field Programmable Gate Array,现场可编程门阵列)等能够在制造之后变更电路结构的处理器即可编程逻辑器件(Programmable Logic Device:PLD)、ASIC(Application Specific Integrated Circuit,专用集成电路)等具有为了执行特定的处理而专门设计的电路结构的处理器即专用电路等。
1个处理部可由这些各种处理器中的1个构成,也可以由相同种类或不同种类的2个以上的处理器的组合(例如,多个FPGA的组合或CPU和FPGA的组合)构成。并且,也可以由1个处理器构成多个处理部。
作为由1个处理器构成多个处理部的例子,第1,有如客户机及服务器等计算机为代表那样,由1个以上的CPU和软件的组合构成1个处理器,该处理器作为多个处理部发挥作用的方式。第2,有如***芯片(System On Chip:SoC)等为代表那样,使用通过1个IC(集成电路,Integrated Circuit)芯片实现包含多个处理部的整个***的功能的处理器的方式。如此,各种处理部作为硬件结构利用上述各种处理器的1个以上来构成。
而且,更具体而言,作为这些各种处理器的硬件结构,能够利用组合了半导体元件等电路元件的电路(Circuitry)。
[符号说明]
1-医用图像分析***,2-终端装置,3-医用图像分析装置,4-网络,5-医疗信息***,6-网络,7-医学影像设备,8-图像数据库,11-CPU,12-存储器,13-存储装置,14-显示器,15-输入部,21-图像获取部,22-部位识别部,23-分析处理选择部,24-执行特性获取部,25-分配确定部,26-分析执行部,27-分配信息生成部,28-输出部,40-肺气肿检测处理,41-肺结节检测处理,42-毛玻璃阴影检测处理,50-肺提取单位,51A-肺气肿候选检测单位,51B-肺结节候选检测单位,51C-毛玻璃阴影候选检测单位,52A-肺气肿判别单位,52B-肺结节判别单位,52C-毛玻璃阴影判别单位,61~64、71~76-分析处理,Bk-医疗机构,G0、G1~G3-医用图像,M0、M10、M11、M12-待处理行列,H1、H2-直方图,R10~R12-分配结果,Sk-图像,U1~U7、U11~U17、U21~U32-执行单位。
Claims (10)
1.一种医用图像分析装置,其通过用于分析医用图像的多个分析处理,利用预先确定的资源来分析所述医用图像,所述多个分析处理各自包含1个以上的执行单位,所述医用图像分析装置具备:
图像获取部,获取至少1个所述医用图像;
部位识别部,识别所述至少1个医用图像中包含的部位;
分析处理选择部,根据所识别的所述部位,从所述多个分析处理中选择用于分析所述至少1个医用图像的1个以上的分析处理;
执行特性获取部,获取关于所选择的所述分析处理中包含的多个执行单位各自的所述资源的使用量及处理时间来作为执行特性;
分配确定部,根据所述执行特性、所选择的所述分析处理中共同的执行单位及所述多个执行单位的处理顺序,确定针对所述预先确定的资源的所述多个执行单位的分配;及
分析执行部,按照所确定的所述分配,通过所选择的所述分析处理来执行所述至少1个医用图像的分析。
2.根据权利要求1所述的医用图像分析装置,其中,
所述分配确定部确定用于使处理时间最小的、针对所述预先确定的资源的所述多个执行单位的分配。
3.根据权利要求2所述的医用图像分析装置,其中,
所述分配确定部在基于至少1个所述执行单位的处理完成时,根据关于除了完成该处理的执行单位以外的未执行的执行单位的所述执行特性、所选择的所述分析处理中共同的执行单位及所述多个执行单位的处理顺序,再次确定所述未执行的执行单位向所述预先确定的资源的分配,
所述分析执行部按照所述再次确定,执行基于所述未执行的执行单位的处理。
4.根据权利要求1至3中任一项所述的医用图像分析装置,其中,
所述医用图像分析装置还具备:
存储部,存储关于所述多个执行单位各自的所述执行特性,
所述执行特性获取部从所述存储部获取所述执行特性。
5.根据权利要求1至4中任一项所述的医用图像分析装置,其中,
所述医用图像分析装置还具备:
分配信息生成部,生成表示所确定的所述分配的分配信息。
6.根据权利要求5所述的医用图像分析装置,其中,
所述分配信息生成部在规定处理时间与资源的使用量之间的关系的坐标面上,按照所确定的所述分配来配置由规定所述处理时间与所述资源的使用量之间的关系的矩形区域表示的所述执行特性,由此生成所述分配信息。
7.根据权利要求5或6所述的医用图像分析装置,其中,
所述分配信息生成部还生成待处理信息,该待处理信息通过在规定处理时间与资源的使用量之间的关系的坐标面上,按照所确定的所述分配在时间轴上配置由规定所述处理时间与所述资源的使用量之间的关系的矩形区域表示的未处理的所述执行特性而成。
8.根据权利要求5至7中任一项所述的医用图像分析装置,其中,
所述医用图像分析装置还具备:
输出部,输出所述分配信息。
9.一种医用图像分析方法,其通过用于分析医用图像的多个分析处理,利用预先确定的资源来分析所述医用图像,所述多个分析处理各自包含1个以上的执行单位,在所述医用图像分析方法中,
获取至少1个所述医用图像,
识别所述至少1个医用图像中包含的部位,
根据所识别的所述部位,从所述多个分析处理中选择用于分析所述至少1个医用图像的1个以上的分析处理,
获取关于所选择的所述分析处理中包含的多个执行单位各自的所述资源的使用量及处理时间来作为执行特性,
根据所述执行特性、所选择的所述分析处理中共同的执行单位及所述多个执行单位的处理顺序,确定针对所述预先确定的资源的所述多个执行单位的分配,
按照所确定的所述分配,通过所选择的所述分析处理来执行所述至少1个医用图像的分析。
10.一种医用图像分析程序,其用于使计算机执行医用图像分析方法,在所述医用图像分析方法中,通过用于分析医用图像的多个分析处理,利用预先确定的资源来分析所述医用图像,所述多个分析处理各自包含1个以上的执行单位,所述医用图像分析程序使计算机执行如下步骤:
获取至少1个所述医用图像;
识别所述至少1个医用图像中包含的部位;
根据所识别的所述部位,从所述多个分析处理中选择用于分析所述至少1个医用图像的1个以上的分析处理;
获取关于所选择的所述分析处理中包含的多个执行单位各自的所述资源的使用量及处理时间来作为执行特性;
根据所述执行特性、所选择的所述分析处理中共同的执行单位及所述多个执行单位的处理顺序,确定针对所述预先确定的资源的所述多个执行单位的分配;及
按照所确定的所述分配,通过所选择的所述分析处理来执行所述至少1个医用图像的分析。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-014455 | 2019-01-30 | ||
JP2019014455 | 2019-01-30 | ||
PCT/JP2019/044388 WO2020158100A1 (ja) | 2019-01-30 | 2019-11-12 | 医用画像解析装置、方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113365557A true CN113365557A (zh) | 2021-09-07 |
CN113365557B CN113365557B (zh) | 2024-05-14 |
Family
ID=71842068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980090652.XA Active CN113365557B (zh) | 2019-01-30 | 2019-11-12 | 医用图像分析装置、方法及计算机可读存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210342195A1 (zh) |
JP (1) | JP7105927B2 (zh) |
CN (1) | CN113365557B (zh) |
DE (1) | DE112019006773T5 (zh) |
WO (1) | WO2020158100A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112021004715T5 (de) | 2020-09-08 | 2023-07-06 | Fujifilm Corporation | Verarbeitungssystem für medizinische bilder, verarbeitungsverfahren für medizinische bilder, informationsverarbeitungsvorrichtung und programm |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030197884A1 (en) * | 2002-04-23 | 2003-10-23 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, medium that stores control program for realizing the method |
CN101069161A (zh) * | 2004-12-01 | 2007-11-07 | 索尼计算机娱乐公司 | 调度方法、调度装置和多处理器*** |
JP2011025056A (ja) * | 2009-03-31 | 2011-02-10 | Fujifilm Corp | 画像処理装置および方法並びにプログラム |
JP2013037453A (ja) * | 2011-08-05 | 2013-02-21 | Toshiba Corp | 医用画像処理システムおよび画像診断装置 |
CN103356292A (zh) * | 2012-03-05 | 2013-10-23 | 株式会社东芝 | 医用图像处理*** |
JP2017016541A (ja) * | 2015-07-06 | 2017-01-19 | 富士通株式会社 | 情報処理装置、並列計算機システム、ジョブスケジュール設定プログラムおよびジョブスケジュール設定方法 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及*** |
US20170371713A1 (en) * | 2016-06-27 | 2017-12-28 | Sidra Medical and Research Center | Intelligent resource management system |
US20180088979A1 (en) * | 2016-09-23 | 2018-03-29 | Ati Technologies Ulc | Virtual machine liveliness detection |
US20180088989A1 (en) * | 2016-09-23 | 2018-03-29 | Imagination Technologies Limited | Task Scheduling in a GPU |
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度***及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8013859B2 (en) * | 2008-03-20 | 2011-09-06 | Vmware, Inc. | Graphical display for illustrating effectiveness of resource management and resource balancing |
JP5324934B2 (ja) | 2009-01-16 | 2013-10-23 | 株式会社ソニー・コンピュータエンタテインメント | 情報処理装置および情報処理方法 |
JP6424632B2 (ja) * | 2015-01-08 | 2018-11-21 | 富士通株式会社 | 負荷算出方法、負荷算出プログラム及び負荷算出装置 |
JP6613763B2 (ja) | 2015-09-29 | 2019-12-04 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
JP2018092311A (ja) * | 2016-12-01 | 2018-06-14 | キヤノン株式会社 | 情報処理装置、その制御方法、及びプログラム |
US10740866B2 (en) * | 2018-06-26 | 2020-08-11 | International Business Machines Corporation | Determining appropriate medical image processing pipeline based on machine learning |
-
2019
- 2019-11-12 WO PCT/JP2019/044388 patent/WO2020158100A1/ja active Application Filing
- 2019-11-12 JP JP2020569386A patent/JP7105927B2/ja active Active
- 2019-11-12 DE DE112019006773.7T patent/DE112019006773T5/de active Pending
- 2019-11-12 CN CN201980090652.XA patent/CN113365557B/zh active Active
-
2021
- 2021-07-18 US US17/378,761 patent/US20210342195A1/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030197884A1 (en) * | 2002-04-23 | 2003-10-23 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, medium that stores control program for realizing the method |
CN101069161A (zh) * | 2004-12-01 | 2007-11-07 | 索尼计算机娱乐公司 | 调度方法、调度装置和多处理器*** |
JP2011025056A (ja) * | 2009-03-31 | 2011-02-10 | Fujifilm Corp | 画像処理装置および方法並びにプログラム |
CN102164543A (zh) * | 2009-03-31 | 2011-08-24 | 富士胶片株式会社 | 图像处理装置和方法、以及程序 |
JP2013037453A (ja) * | 2011-08-05 | 2013-02-21 | Toshiba Corp | 医用画像処理システムおよび画像診断装置 |
CN103356292A (zh) * | 2012-03-05 | 2013-10-23 | 株式会社东芝 | 医用图像处理*** |
JP2017016541A (ja) * | 2015-07-06 | 2017-01-19 | 富士通株式会社 | 情報処理装置、並列計算機システム、ジョブスケジュール設定プログラムおよびジョブスケジュール設定方法 |
US20170371713A1 (en) * | 2016-06-27 | 2017-12-28 | Sidra Medical and Research Center | Intelligent resource management system |
US20180088979A1 (en) * | 2016-09-23 | 2018-03-29 | Ati Technologies Ulc | Virtual machine liveliness detection |
US20180088989A1 (en) * | 2016-09-23 | 2018-03-29 | Imagination Technologies Limited | Task Scheduling in a GPU |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及*** |
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
DE112019006773T5 (de) | 2021-11-04 |
JPWO2020158100A1 (ja) | 2021-11-11 |
JP7105927B2 (ja) | 2022-07-25 |
US20210342195A1 (en) | 2021-11-04 |
CN113365557B (zh) | 2024-05-14 |
WO2020158100A1 (ja) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403750B2 (en) | Localization and classification of abnormalities in medical images | |
JP7241075B2 (ja) | 脊椎骨折を識別するための3次元医用画像解析の方法及びシステム | |
US11321841B2 (en) | Image analysis method, image analysis device, image analysis system, and storage medium | |
CN111696083B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
US9940545B2 (en) | Method and apparatus for detecting anatomical elements | |
US11797846B2 (en) | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device | |
US20140003686A1 (en) | Multimodality Image Segmentation of Volumetric Data Sets | |
CN110910342B (zh) | 通过使用深度学习来分析骨骼创伤 | |
KR20230037568A (ko) | 머신 러닝 기법을 이용한 디지털 병리 영상 내 특징의 이질성 평가 | |
WO2019146358A1 (ja) | 学習システム、方法及びプログラム | |
US20080075345A1 (en) | Method and System For Lymph Node Segmentation In Computed Tomography Images | |
EP2902969B1 (en) | Image processing device, image processing method, and image processing program | |
CN113365557B (zh) | 医用图像分析装置、方法及计算机可读存储介质 | |
US11075004B2 (en) | Discrimination result providing apparatus, operating method of discrimination result providing apparatus, discrimination result providing program, and discrimination result providing system | |
JP5961512B2 (ja) | 画像処理装置およびその作動方法並びに画像処理プログラム | |
Droste et al. | Discovering salient anatomical landmarks by predicting human gaze | |
CN113610825B (zh) | 术中影像的肋骨识别方法及*** | |
CN110889836A (zh) | 一种影像数据分析方法、装置、终端设备及存储介质 | |
US20210295524A1 (en) | Robust pulmonary lobe segmentation | |
CN115546174B (zh) | 图像处理方法、装置、计算设备及存储介质 | |
CN115148365A (zh) | 用于预测中枢神经***生殖细胞肿瘤预后的方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |