CN116490130A - 医学图像的异常检测***以及异常检测方法 - Google Patents
医学图像的异常检测***以及异常检测方法 Download PDFInfo
- Publication number
- CN116490130A CN116490130A CN202180077325.8A CN202180077325A CN116490130A CN 116490130 A CN116490130 A CN 116490130A CN 202180077325 A CN202180077325 A CN 202180077325A CN 116490130 A CN116490130 A CN 116490130A
- Authority
- CN
- China
- Prior art keywords
- medical image
- block
- anatomical structure
- block information
- blocks
- 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.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 210000003484 anatomy Anatomy 0.000 claims abstract description 117
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 19
- 210000002376 aorta thoracic Anatomy 0.000 description 14
- 238000011976 chest X-ray Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 210000000056 organ Anatomy 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000001746 atrial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 238000002583 angiography Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/468—Arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/468—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- 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]
-
- 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]
- A61B6/032—Transmission computed tomography [CT]
-
- 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]
- A61B6/037—Emission tomography
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
异常检测***(50)是根据医学图像对医学图像中包括的预先确定的一个解剖学上的结构物是否有异常进行检测的***,具备:获得部(52),获得示出块的块信息,块是医学图像中的示出解剖学上的结构物的像素连成的区域;以及判断部(53),根据获得部(52)获得的块信息所示的块的数量,来判断解剖学上的结构物是否为异常结构物并进行输出,判断部(53),在块信息所示的块的数量为一个的情况下,判断为解剖学上的结构物不是异常结构物,在块信息所示的块的数量为两个以上的情况下并且在块信息所示的块满足规定的条件时,判断为解剖学上的结构物是异常结构物。
Description
技术领域
本公开涉及医学图像的异常检测***以及异常检测方法,尤其涉及对医学图像中包括的解剖学上的结构物是否有异常进行检测的***等。
背景技术
以往提出了一种根据医学图像对脏器等的解剖学上的结构物是否有异常进行检测的技术(例如参照专利文献1)。在专利文献1中,针对医学图像实施图像分割从医学图像中分离出关注区域,根据分离出的关注区域的重心位置、容量、形状、强度、密度以及透明度等来判断是否有异常。另外,在本说明书中“异常”/“正常”是指医学上的见解的(即诊断上的)“异常”/“正常”。
现有技术文献
专利文献
专利文献1∶日本特表2019-530488号公报
然而,如专利文献1一样利用以图像分割来分离出的关注区域的特性的方法中,例如在医学图像中脏器的正常的结构的一部分被肿瘤以及水等其他的异常物重叠的案例中,有时不能判别出异常的病例。
发明内容
于是,本公开的目的在于提供一种能够以更高的精度来对解剖学上的结构物是否有异常进行检测的医学图像的异常检测***以及异常检测方法。
为了达成上述目的,本公开的一个方案涉及的医学图像的异常检测***是根据医学图像对所述医学图像中包括的预先确定的一个解剖学上的结构物是否有异常进行检测的异常检测***,所述异常检测***具备:获得部,获得示出块的块信息,所述块是所述医学图像中的示出所述解剖学上的结构物的像素连成的区域;以及判断部,根据所述获得部获得的所述块信息所示的块的数量,来判断所述解剖学上的结构物是否为异常结构物并进行输出,所述判断部,在所述块信息所示的块的数量为一个的情况下,判断为所述解剖学上的结构物不是异常结构物,在所述块信息所示的块的数量为两个以上的情况下并且在所述块信息所示的块满足规定的条件时,判断为所述解剖学上的结构物是异常结构物。
此外,为了达成上述目的,本公开的一个方案涉及的医学图像的异常检测方法是由异常检测***进行的方法,所述异常检测***,根据医学图像对所述医学图像中包括的预先确定的一个解剖学上的结构物是否有异常进行检测,所述异常检测方法包括:获得步骤,获得示出块的块信息,所述块是所述医学图像中的示出所述解剖学上的结构物的像素连成的区域;以及判断步骤,根据在所述获得步骤中获得的所述块信息所示的块的数量,来判断所述解剖学上的结构物是否为异常结构物并进行输出,在所述判断步骤中,在所述块信息所示的块的数量为一个的情况下,判断为所述解剖学上的结构物不是异常结构物,在所述块信息所示的块的数量为两个以上的情况下并且在所述块信息所示的块满足规定的条件时,判断为所述解剖学上的结构物是异常结构物。
通过本公开,提供一种能够以更高的精度来对解剖学上的结构物是否有异常进行检测的医学图像的异常检测***以及异常检测方法。
附图说明
图1是示出实施方式中的诊断支援***的构成的方框图。
图2A是示出医学图像中的解剖学上的结构物的例子的图。
图2B是示出医学图像中的解剖学上的结构物的其他例的图。
图2C是示出医学图像中的解剖学上的结构物的其他例的图。
图2D是示出医学图像中的解剖学上的结构物的其他例的图。
图3是示出图1中的异常检测***的主要动作的流程图。
图4是示出图3中的步骤S23的具体例的流程图。
图5是示出用于说明图3以及图4所示的判断的结果例的医学图像中的解剖学上的结构物的例子的模式图。
图6是示出用于评价图4所示的判断的利用病例进行实验的结果的图。
图7是示出图3中的步骤S23的其他具体例的流程图。
图8A是示出用于说明图3以及图7所示的判断的结果例的医学图像中的解剖学上的结构物的例子的模式图。
图8B是示出用于说明图7所示的判断的结果例的医学图像中的解剖学上的结构物的摄像例的图。
图9是示出图3中的步骤S23的另一个其他具体例的流程图。
图10A是示出在图4所示的利用面积的判断中使用的第一阈值的决定方法的流程图。
图10B是示出在图7所示的利用距离的判断中使用的第二阈值的决定方法的流程图。
具体实施方式
以下利用附图详细说明本公开的实施方式。另外,以下说明的实施方式都是示出本公开的一个具体例子。以下的实施方式所示的数值、形状、材料、构成要素、构成要素的配置位置以及连接形态、步骤、步骤的顺序等均为一个例子,其主旨并非是对本公开进行限定。并且,各个图并非是严谨的图示。在各个图中,对于实质上相同的构成赋予相同的符号,并省略或简化重复说明。
图1是示出实施方式中的诊断支援***10的构成的方框图。诊断支援***10是支援医生基于医学图像对解剖学上的结构物高效地进行诊断的***,该诊断支援***10具备通过因特网等信道来连接的摄像装置20、图像服务器30、图像可视化装置40、以及异常检测***50。
摄影装置20是通过拍摄人的解剖学上的结构物从而生成医学图像31a的装置,在本实施方式中是生成作为医学图像的胸部X射线图像并存放到图像服务器30的X射线摄影装置。另外,作为医学图像,不限于胸部X射线图像,也可以是其他的部位的X射线图像,也可以是CT扫描、PET/CT扫描、SPECT扫描、MRI、超声波、X射线、***摄影、血管造影、荧光摄影、显微照片的图像、或者是由这些的组合来提供的图像。
图像服务器30是保持由摄影装置20生成的医学图像31a以及由异常检测***50生成的检测后的医学图像32a、或者将保持的医学图像32b提供给图像可视化装置40的数据服务器,例如是具备硬盘等存储器的计算机装置。另外,图像服务器30与其他的装置进行收发的数据中,不仅包括医学图像,还可以包括医学图像所附带的各种信息(摄影日期时间、与患者有关的信息、检测结果等)。
图像可视化装置40是按照经由GUI(Graphical User Interface:图形用户界面)而得到的来自用户的指示,将保持在图像服务器30中的医学图像32b以及医学图像所附带的各种信息,以各种形态来显示的装置,例如是具备显示器、鼠标等输入装置、硬盘等存储装置等的周边装置的计算机装置。
异常检测***50是根据从图像服务器30获得的检测对象的医学图像31b,对医学图像中包括的预先确定的一个解剖学上的结构物是否有医学上的异常进行检测的检测***,异常检测***50具备:块信息生成部51、获得部52、判断部53、以及图像处理部54。
块信息生成部51,根据从图像服务器30获得的检测对象的医学图像31b生成示出块的块信息,该块是医学图像31b中包括的示出解剖学上的结构物的像素连成的区域,换言之,针对医学图像31b实施标签处理,分离成图像的块。块信息只要是能够确定医学图像31b中的各个块的信息就可以,并不限于特定的格式。例如,块信息可以是对医学图像31b中的属于各个块的像素和其以外的像素进行区分的信息(例如将构成块的像素设为“1”,其以外的像素设为“0”的二值图像),也可以是示出各个块的特性的信息(例如通过分析上述二值图像而得到的各块的面积、轮廓信息等)。
获得部52,获得由块信息生成部51生成的块信息。
判断部53,根据由获得部52获得的块信息所示的块的数量,对医学图像31b中包括的解剖学上的结构物是否为异常结构物进行判断并进行输出。此时,判断部53在块信息所示的块的数量是一个的情况下,识别出本应被检测为一个块的解剖学上的结构物被检测为一个块,判断为医学图像31b中包括的解剖学上的结构物不是异常结构物。另一方面,判断部53,在块信息所示的块的数量是两个以上的情况下并且在块信息所示的块满足规定的条件时,识别出本应被检测为一个块的解剖学上的结构物不是由于图像上或图像处理上的噪声而被分离成两个以上,判断为医学图像31b中包括的解剖学上的结构物是异常结构物。
在此,规定的条件是例如与块信息所示的两个以上的块中的在医学图像31b中的面积为第二大的块有关的条件。更详细而言,规定的条件是:在块信息所示的两个以上的块中,医学图像31b中的面积为第二大的块具有第一阈值以上的面积。
此外,规定的条件例如是:在块信息所示的两个以上的块中,医学图像31b中的面积最大的块与其他的每一个块的距离在医学图像31b中的距离为最小的最小值在第二阈值以下。此时,规定的条件可以进一步包括:在块信息所示的两个以上的块中,医学图像31b中的面积为第二大的块具有第一阈值以上的面积。
图像处理部54,将判断部53的判断结果,反映在检测对象的医学图像31b,从而生成检测后的医学图像32a,存放到图像服务器30。
另外,构成异常检测***50的块信息生成部51、获得部52、判断部53、以及图像处理部54由至少一个计算机来实现,具体而言该计算机具备:保持程序的非易失性存储器、作为暂时性作业区域的易失性存储器、执行程序的处理器、包括通信接口以及通信端口的输入输出电路等。
此外,构成异常检测***50的块信息生成部51、获得部52、判断部53、以及图像处理部54,也可以由一个计算机或图像处理装置来实现,也可以分布在通过信道来连接的多个计算机或图像处理装置来实现。
此外,虽然诊断支援***10由通过信道来连接的摄影装置20、图像服务器30、图像可视化装置40、以及异常检测***50而构成,但是这些构成要素的全部或一部分也可以组装成一个装置。
此外,异常检测***50未必是需要具备块信息生成部51以及图像处理部54,至少具备获得部52以及判断部53就可以。即使在那样的构成中,也能够对医学图像中包括的解剖学上的结构物是否有异常进行检测。与此相反,异常检测***50也可以具备摄影装置20、图像服务器30以及图像可视化装置40的至少其中一个功能。
图2A~图2D是示出医学图像中(换言之医学图像中包括)的解剖学上的结构物的例子(总共7种解剖学上的结构物的例子)的图。更详细而言,在图2A~图2D中,作为解剖学上的结构物的例子,分别示出了右房阴影以及左室阴影、降主动脉阴影、右横膈膜拱形阴影以及左横膈膜拱形阴影、右肺外侧阴影以及左肺外侧阴影。在图2A~图2D的每个图的表中,从左侧开始依次示出了胸部X射线图像、解剖学上的结构物名称、解剖学上的结构物的区域、胸部X射线图像和解剖学上的结构物的重叠的例子。
如图2A~图2C所示,胸部X射线图像上的解剖学上的结构物是右房阴影、左室阴影、降主动脉阴影、横膈膜拱形阴影等。右房阴影是胸部X射线图像上的在右房与其周围的边界描绘出的边界线。左室阴影是胸部X射线图像上的在左室与其周围的边界描绘出的边界线。降主动脉阴影是胸部X射线图像上的在降主动脉与其周围的边界描绘出的边界线。横膈膜拱形阴影是胸部X射线图像上的在横膈膜与其周围的边界描绘出的边界线。
另外,胸部X射线图像上的解剖学上的结构物不仅限于这些。例如图2D所示,解剖学上的结构物也可以是胸部X射线图像上的在肺的外侧部分与其周围的边界描绘出的边界线即肺外缘的阴影,也可以是其他的结构物或脏器等的阴影。此外,解剖学上的结构物不仅限于胸部X射线图像中包括的结构物等,也可以是CT图像以及MRI图像等通过其他的摄影装置拍摄的医学图像中包括的结构物等。
接下来针对如上述而构成的本实施方式中的诊断支援***10的动作,以构成诊断支援***10的有特征性的异常检测***50的动作为中心进行说明。
图3是示出图1中的异常检测***50的主要动作(换言之异常检测方法)的流程图。图3的(a)示出异常检测***50的主要的动作的流程,图3的(b)示出图3的(a)中的步骤S2的细节。
首先,获得部52获得由块信息生成部51生成的块信息(获得步骤S1)。
接下来判断部53根据由获得部52获得的块信息所示的块的数量,对医学图像中包括的解剖学上的结构物是否为异常结构物进行判断并进行输出(判断步骤S2)。更详细而言,判断部53,对块信息所示的块的数量进行判断(S21),在块的数量是一个的情况下(S21中的“是”),识别出本应被检测为一个块的解剖学上的结构物被检测为一个块,判断为医学图像中包括的解剖学上的结构物不是异常结构物(S22)。
另一方面,判断部53在块信息所示的块的数量为两个以上的情况下,对块信息所示的块是否满足规定的条件进行判断(S23),在满足规定的条件时(S23中的“是”),识别出本应被检测为一个块的解剖学上的结构物不是由于图像上或图像处理上的噪声而被分离成两个以上,判断为医学图像中包括的解剖学上的结构物是异常结构物(S24),在没有满足规定的条件时(S23中的“否”),识别出由于图像上或图像处理上的噪声本应被检测为一个块的解剖学上的结构物被分离成两个以上,判断为医学图像中包括的解剖学上的结构物不是异常结构物(S22)。
图4是示出图3中的步骤S23(是否满足规定的条件的判断)的具体例的流程图。
在图4所示的判断例中,判断部53作为是否满足规定的条件的判断,判断在块信息所示的两个以上的块中的医学图像中的面积为第二大的块是否具有第一阈值以上的面积(S23a)。
其结果,判断部53在医学图像中的面积为第二大的块具有第一阈值以上的面积的情况下(S23a中的“是”),识别出本应被检测为一个块的解剖学上的结构物不是由于图像上或图像处理上的噪声而被分离成两个以上,判断为医学图像中包括的解剖学上的结构物是异常结构物(至图3的S24)。
另一方面,判断部53,在医学图像中的面积为第二大的块不具有第一阈值以上的面积的情况下(S23a中的“否”),识别出由于图像上或图像处理上的噪声本应被检测为一个块的解剖学上的结构物被分离成两个以上,判断为医学图像中包括的解剖学上的结构物不是异常结构物(至图3的S22)。
图5是示出用于说明图3以及图4所示的判断的结果例的医学图像中的解剖学上的结构物(这里是降主动脉阴影)的例子的模式图。更详细而言,在图5的(a)中示出了作为一个块60而被检测出来(图3的步骤S21中的“是”),所以被判断为“不是异常结构物”的降主动脉阴影的例子。在图5的(b)中示出了作为两个块60a和60b而被检测出来(图3的步骤S21中的“否”)、且第二大的块60a具有第一阈值以上的面积(图4的步骤S23a中的“是”),所以被判断为“是异常结构物”的降主动脉阴影的例子。在图5的(c)中示出了作为两个块60c和60d而被检测出来(图3的步骤S21中的“否”),但是第二大的块60c不具有第一阈值以上的面积(图4的步骤S23a中的“否”),所以被判断为“不是异常结构物”的降主动脉阴影的例子。
图6是示出用于评价图4所示的判断的利用病例进行实验的结果的图。更详细而言,图6的(a)是示出了将右房阴影作为解剖学上的结构物来判断是否有异常的情况下的ROC曲线(receiver operating characteristic curve:接收者操作特征曲线)的图,图6的(b)是示出了将左室阴影作为解剖学上的结构物来判断是否有异常的情况下的ROC曲线的图,图6的(c)是示出了将降主动脉阴影作为解剖学上的结构物来判断是否有异常的情况下的ROC曲线的图,图6的(d)是示出了图6的(a)~(c)所示的ROC曲线的阈值选择结果以及AUC(Area Under the Curve:曲线下面积)的图。
在图6的(a)~(c)所示的ROC曲线中,横轴示出伪阳性率(换言之,针对判明是正常的病例,异常检测***50判断为异常的概率(1-特异度)),纵轴示出阳性率(换言之,针对判明是异常的病例,异常检测***50判断为异常的概率(灵敏度))。这些ROC曲线是针对判明为正常以及异常的多个案例,将使图4所示的判断中使用的第一阈值发生变化由异常检测***50进行判断而获得的判断结果进行了绘制的曲线。
ROC曲线示出越是经过接近左上角的位置的曲线,则越能够对病例正确地做出判断。通过发明者们进行的比较可以明确知道图6的(b)以及(c)所示的针对与左室阴影以及降主动脉阴影有关的病例的判断精度,比基于以往的图像处理的判断精度得到了改善。可以想到这是因为,通过利用这种方法即针对一个解剖学上的结构物,根据从医学图像中提取的块的数量以及面积为第二大的块的大小来判断异常/正常的方法,即使在以往难以进行判断的案例(例如,在医学图像中脏器的正常的结构的一部分被肿瘤以及水等其他的异常物重叠的案例)中也能够正确地进行判断。另外,可以说在ROC曲线中,与最接近左上角的点(图6的(a)~(c)中的黑点)对应的第一阈值,最适合用作图4所示的判断中使用的阈值。
另外,在ROC曲线中,在判断中使用的阈值的选定方法有几种。例如选择在ROC曲线上的阳性率+(1-伪阳性率)的值成为最大的点(图6的(a)~(c)中的黑点)的方法。阳性率+(1-伪阳性率)被称为Youden Index(约登指数),选择该Youden Index成为最大的点的方法。其他也有选择使阳性率成为目标值(例如0.9)的点的方法,或者选择使伪阳性率成为目标值(例如0.1)的点的方法。
图7是示出图3中的步骤S23(是否满足规定的条件的判断)的其他具体例的流程图。
在图7所示的判断例中,判断部53作为是否满足规定的条件的判断,对在块信息所示的两个以上的块中,医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离为最小的最小值是否在第二阈值以下进行判断(S23b)。
其结果,判断部53在医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离为最小的最小值在第二阈值以下的情况下(S23b中的“是”),识别出本应被检测为一个块的解剖学上的结构物不是由于图像上或图像处理上的噪声而被分离成两个以上,判断为医学图像中包括的解剖学上的结构物是异常结构物(至图3的S24)。
另一方面,判断部53在医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离为最小的最小值不在第二阈值以下的情况下(S23b中的“否”),识别出由于图像上或图像处理上的噪声本应被检测为一个块的解剖学上的结构物被分离成两个以上,判断为医学图像中包括的解剖学上的结构物不是异常结构物(至图3的S22)。
图8A是示出用于说明图3以及图7所示的判断的结果例的医学图像中的解剖学上的结构物(这里是降主动脉阴影)的例子的模式图。更详细而言,在图8A的(a)中示出了作为一个块60而被检测出来(图3的步骤S21中的“是”),所以被判断为“不是异常结构物”的降主动脉阴影的例子。在图8A的(b)中示出了作为两个块60c和60d而被检测出来(图3的步骤S21中的“否”)、且在医学图像中的面积最大的块60d与其他的每一个块(这里是块60c)的距离在医学图像中的距离为最小的最小值(这里是块60d与块60c之间的距离)在第二阈值以下(图7的步骤S23b中的“是”),所以被判断为“是异常结构物”的降主动脉阴影的例子。在图8A的(c)中示出了作为两个块60e和60f而被检测出来(图3的步骤S21中的“否”),但在医学图像中的面积最大的块60f与其他的每一个块(这里是块60e)的距离在医学图像中的距离为最小的最小值(这里是块60f与块60e之间的距离)不在第二阈值以下(图7的步骤S23b中的“否”),所以被判断为“不是异常结构物”的降主动脉阴影的例子。
图8B是示出用于说明图7所示的判断的结果例的医学图像中的解剖学上的结构物的实际的摄像例的图。在图8B中示出了实际上作为块来提取的像。在图8B的(a)~(c)中示出了在医学图像中的面积最大的块(这里是70b、70d、70f)与其他的每一个块(这里是70a、70c、70e)的距离在医学图像中的距离为最小的最小值不在第二阈值以下(图7的步骤S23b中的“否”),因此正确地判断为“不是异常结构物”的例子,在图8B的(d)中示出了在医学图像中的面积最大的块(这里是70h)与其他的每一个块(这里是70g、70i)的距离在医学图像中的距离为最小的最小值在第二阈值以下(图7的步骤S23b中的“是”),因此正确地判断为“是异常结构物”的例子。
具体而言,图8B的(a)所示的块70a和块70b是降主动脉阴影的检测结果,示出了虽然出现中断但是被判断为“不是异常结构物”的例子。图8B的(b)所示的块70c和块70d是右侧的横膈膜拱形阴影的检测结果,示出了虽然出现中断但是被判断为“不是异常结构物”的例子。图8B的(c)所示的块70e和块70f是左室阴影的检测结果,示出了虽然出现中断但是被判断为“不是异常结构物”的例子。图8B的(d)所示的块70g和块70h和块70i是左室阴影的另外的检测结果,示出了由于出现小的中断所以被判断为“是异常结构物”的例子。
另外,作为图3中的步骤S23(是否满足规定的条件的判断)的具体例,不限于图4所示的利用面积的判断以及图7所示的利用距离的判断。也可以是通过利用面积的判断以及利用距离的判断这双方来进行判断。图9是示出通过利用面积的判断以及利用距离的判断这双方来进行判断的一例的流程图。换言之图9是示出图3中的步骤S23(是否满足规定的条件的判断)的另一个其他具体例的流程图。
在图9所示的判断例中,判断部53,首先作为是否满足规定的条件的判断,判断在块信息所示的两个以上的块中的医学图像中的面积为第二大的块是否具有第一阈值以上的面积(S23a)。
其结果,判断部53在医学图像中的面积为第二大的块不具有第一阈值以上的面积的情况下(S23a中的“否”),识别出由于图像上或图像处理上的噪声本应被检测为一个块的解剖学上的结构物被分离成两个以上,判断为医学图像中包括的解剖学上的结构物不是异常结构物(至图3的S22)。
另一方面,判断部53在医学图像中的面积为第二大的块具有第一阈值以上的面积的情况下(S23a中的“是”),接下来对块信息所示的两个以上的块中,医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离最小的最小值是否在第二阈值以下进行判断(S23b)。
其结果,判断部53在医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离为最小的最小值在第二阈值以下的情况下(S23b中的“是”),识别出本应被检测为一个块的解剖学上的结构物不是由于图像上或图像处理上的噪声而被分离成两个以上,判断为医学图像中包括的解剖学上的结构物是异常结构物(至图3的S24)。
另一方面,判断部53在医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离为最小的最小值不在第二阈值以下的情况下(S23b中的“否”),识别出由于图像上或图像处理上的噪声本应被检测为一个块的解剖学上的结构物被分离成两个以上,判断为医学图像中包括的解剖学上的结构物不是异常结构物(至图3的S22)。
另外,在图9所示的判断中,在满足关于面积的条件(S23a中的“是”)、且满足关于距离的条件的(S23b中的“是”)情况下,将医学图像中包括的解剖学上的结构物判断为是异常结构物,除此以外的情况下,将医学图像中包括的解剖学上的结构物判断为不是异常结构物,然而也可以代替上述,在满足关于面积的条件(S23a)以及关于距离的条件(S23b)的至少其中一方的情况下,将医学图像中包括的解剖学上的结构物判断为是异常结构物,除此以外的情况下,将医学图像中包括的解剖学上的结构物判断为不是异常结构物。
此外,作为图3中的步骤S23(是否满足规定的条件的判断)的具体例,在图4、图7、图9等示出的判断例中采用哪一个,可以基于作为判断的对象的解剖学上的结构物的种类等,预先针对判明是异常/正常的病例进行实验,从而决定异常/正常判断的击中率为最高的判断方法。
图10A是示出在图4所示的利用面积的判断中使用的第一阈值的决定方法的流程图。在图4所示的利用面积的判断中,作为是否满足规定的条件的判断,判断部53对在块信息所示的两个以上的块中,医学图像中的面积为第二大的块是否具有第一阈值以上的面积进行判断,那时使用的第一阈值的决定方法如同下述。
首先,针对已经判明是正常以及异常的多个病例,通过使在图4所示的判断中使用的第一阈值发生变化,使异常检测***50进行判断,从而算出如同图6的(a)~(c)所示的ROC曲线(S30)。接下来在算出的ROC曲线中,将与最接近左上角的点对应的第一阈值,决定为在图4所示的判断中使用的阈值(S31)。
换言之,预先使用各种第一阈值进行暂时性的判断,将击中率最高的第一阈值,采用为针对异常/正常是未知的解剖学上的结构物进行判断的阈值。从而以高精度来检测解剖学上的结构物是否有异常。
图10B是示出在图7所示的利用距离的判断中使用的第二阈值的决定方法的流程图。在图7所示的利用距离的判断中,作为是否满足规定的条件的判断,判断部53对在块信息所示的两个以上的块中,医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离为最小的最小值是否在第二阈值以下进行判断,那时使用的第二阈值的决定方法如同下述。
首先,针对已经判明是正常以及异常的多个病例,通过使在图7所示的判断中使用的第二阈值发生变化,使异常检测***50进行判断,从而算出如同图6的(a)~(c)所示的ROC曲线(S40)。接下来在算出的ROC曲线中,将与最接近左上角的点对应的第二阈值,决定为图7所示的判断中使用的阈值(S41)。
换言之,预先使用各种第二阈值进行暂时性的判断,将击中率最高的第二阈值,采用为针对异常/正常是未知的解剖学上的结构物进行判断的阈值。从而以高精度来检测解剖学上的结构物是否有异常。
另外,图10A所示的第一阈值的决定方法以及图10B所示的第二阈值的决定方法可以说是如下决定步骤的一例,在该决定步骤中获得用于区分解剖学上的结构物的异常和正常的ROC曲线,并根据获得的ROC曲线,决定规定的条件(这里是第一阈值、第二阈值)。
如上所述,本实施方式涉及的构成诊断支援***10的异常检测***50是根据医学图像对医学图像中包括的预先确定的一个解剖学上的结构物是否有异常进行检测的***,该异常检测***具备:获得部52,获得示出块的块信息,该块是医学图像中的示出解剖学上的结构物的像素连成的区域;以及判断部53,根据获得部52获得的块信息所示的块的数量,来判断解剖学上的结构物是否为异常结构物并进行输出,判断部53,在块信息所示的块的数量为一个的情况下,判断为解剖学上的结构物不是异常结构物,在块信息所示的块的数量为两个以上的情况下并且在块信息所示的块满足规定的条件时,判断为解剖学上的结构物是异常结构物。
据此,根据本应被检测为一个块的解剖学上的结构物是否被检测为一个块来判断是否有异常,所以即使在以往难以进行判断的案例(例如在医学图像中脏器的正常的结构的一部分被肿瘤以及水等其他的异常物重叠的案例)中,也能够正确地进行判断。从而,能够以比以往更高的精度来对解剖学上的结构物是否有异常进行检测。
此外,作为一例,规定的条件是与块信息所示的两个以上的块中的在医学图像中的面积为第二大的块有关的条件。更详细而言,规定的条件是:在块信息所示的两个以上的块中,医学图像中的面积为第二大的块具有第一阈值以上的面积。
据此,如同图6的(b)以及(c)所示的实验结果,判断部53的判断精度比起基于以往的图像处理的判断精度得到了改善。
此外,规定的条件可以是:在块信息所示的两个以上的块中,医学图像中的面积最大的块与其他的每一个块的距离在医学图像中的距离为最小的最小值在第二阈值以下。在此规定的条件还可以是:在块信息所示的两个以上的块中,医学图像中的面积为第二大的块具有第一阈值以上的面积。
据此,根据本应被检测为一个块的解剖学上的结构物被检测为怎样的多个块的信息,来判断解剖学上的结构物的异常/正常,所以即使在以往难以进行判断的案例中,也能够正确地进行判断。
此外,第一阈值也可以是基于针对各种面积而预先得到的ROC曲线而决定的值,该ROC曲线是用于区分解剖学上的结构物的异常和正常的曲线。同样第二阈值也可以是基于针对各种距离而预先得到的ROC曲线而决定的值,该ROC曲线是用于区分解剖学上的结构物的异常和正常的曲线。
据此,根据对预先判明是异常/正常的病例所得到的ROC曲线,来决定第一阈值以及第二阈值,所以能够以高精度来对解剖学上的结构物是否有异常进行检测。
此外,本实施方式涉及的异常检测方法是由异常检测***50进行的方法,异常检测***50根据医学图像对医学图像中包括的预先确定的一个解剖学上的结构物是否有异常进行检测,上述的异常检测方法包括:获得步骤S1,获得示出块的块信息,该块是医学图像中的示出解剖学上的结构物的像素连成的区域;以及判断步骤S2,根据在获得步骤S1中获得的块信息所示的块的数量,来判断解剖学上的结构物是否为异常结构物并进行输出,在判断步骤S2中,在块信息所示的块的数量为一个的情况下,判断为解剖学上的结构物不是异常结构物,在块信息所示的块的数量为两个以上的情况下并且在块信息所示的块满足规定的条件时,判断为解剖学上的结构物是异常结构物。
据此,根据本应被检测为一个块的解剖学上的结构物是否被检测为一个块来判断是否有异常,所以即使在以往难以判断的案例(例如在医学图像中脏器的正常的结构的一部分被肿瘤以及水等其他的异常物重叠的案例)中,也能够正确地进行判断。从而,能够以比以往更高的精度来对解剖学上的结构物是否有异常进行检测。
此外,可以进一步包括决定步骤(S30~S31、S40~S41),在该决定步骤中,获得用于区分解剖学上的结构物的异常和正常的ROC曲线,并根据获得的ROC曲线,决定规定的条件。从而,根据对预先判明是异常/正常的病例所得到的ROC曲线,来决定包括第一阈值以及第二阈值的规定的条件,所以能够以高精度来对解剖学上的结构物是否有异常进行检测。
以上根据实施方式对本公开的诊断支援***、医学图像的异常检测***以及异常检测方法进行了说明,但是本公开并非受该实施方式所限。在不脱离本公开的主旨的范围内将本领域技术人员所能够想到的各种变形执行于本实施方式而得到的形态、以及对实施方式中的一部分构成要素进行组合而构筑的别的形态均可以包括在本公开的范围内。
例如,本公开可以作为执行上述实施方式中的异常检测方法所包括的步骤的程序来实现,或者可以作为记录有该程序的DVD等的计算机能够读取的非暂时性的记录介质来实现。该程序可以保存在一个存储装置中,也可以分布存储在多个存储装置中。此外,该程序也可以由一个计算机来执行,也可以由通过信道连接的多个计算机分布执行。
此外,在上述实施方式的异常检测方法中,包括了由获得部52以及判断部53进行的步骤,但是不限于这些步骤,也可以包括由块信息生成部51、图像处理部54、摄影装置20进行的处理、以及由图像可视化装置40进行的处理的至少其中一个处理。
此外,在上述实施方式中,作为规定的条件示出了多个判断例,然而这些多个判断例,可以根据来自用户的指示,由异常检测***50来决定,也可以将按照医学图像或解剖学上的结构物的种类在过去击中率最高的判断例,由异常检测***50自动地决定以及更新。
此外,在上述实施方式中,在规定的条件中使用的第一阈值以及第二阈值,被决定为在ROC曲线中与最接近左上角的点对应的值,然而也可以决定为与该点近的另外的点,也可以从接近左上角的多个点中由用户来选择。
本公开涉及的医学图像的异常检测***以及异常检测方法,能够作为对医学图像中包括的解剖学上的结构物是否有异常进行检测的***来利用,例如能够作为支援医生高效地诊断疾病的***来利用。
符号说明
10 诊断支援***
20 摄影装置
30 图像服务器
31a,31b,32a,32b医学图像
40 图像可视化装置
50 异常检测***
51 块信息生成部
52 获得部
53 判断部
54 图像处理部
60,60a~60f,70a~70f块
Claims (9)
1.一种异常检测***,根据医学图像对所述医学图像中包括的预先确定的一个解剖学上的结构物是否有异常进行检测,
所述异常检测***具备:
获得部,获得示出块的块信息,所述块是所述医学图像中的示出所述解剖学上的结构物的像素连成的区域;以及
判断部,根据所述获得部获得的所述块信息所示的块的数量,来判断所述解剖学上的结构物是否为异常结构物并进行输出,
所述判断部,在所述块信息所示的块的数量为一个的情况下,判断为所述解剖学上的结构物不是异常结构物,在所述块信息所示的块的数量为两个以上的情况下并且在所述块信息所示的块满足规定的条件时,判断为所述解剖学上的结构物是异常结构物。
2.如权利要求1所述的异常检测***,
所述规定的条件是与所述块信息所示的两个以上的块中的在所述医学图像中的面积为第二大的块有关的条件。
3.如权利要求2所述的异常检测***,
所述规定的条件是:在所述块信息所示的两个以上的块中,所述医学图像中的面积为第二大的块具有第一阈值以上的面积。
4.如权利要求1所述的异常检测***,
所述规定的条件是:在所述块信息所示的两个以上的块中,所述医学图像中的面积最大的块与其他的每一个块的距离在所述医学图像中的距离为最小的最小值在第二阈值以下。
5.如权利要求4所述的异常检测***,
所述规定的条件进一步是:在所述块信息所示的两个以上的块中,所述医学图像中的面积为第二大的块具有第一阈值以上的面积。
6.如权利要求3或5所述的异常检测***,
所述第一阈值是基于针对各种所述面积而预先得到的ROC曲线而决定的值,所述ROC曲线是接收者操作特征曲线即receiver operating characteristic curve,所述ROC曲线用于区分所述解剖学上的结构物的异常和正常。
7.如权利要求4所述的异常检测***,
所述第二阈值是基于针对各种所述距离而预先得到的ROC曲线而决定的值,所述ROC曲线是用于区分所述解剖学上的结构物的异常和正常的曲线。
8.一种异常检测方法,是由异常检测***进行的方法,所述异常检测***,根据医学图像对所述医学图像中包括的预先确定的一个解剖学上的结构物是否有异常进行检测,
所述异常检测方法包括:
获得步骤,获得示出块的块信息,所述块是所述医学图像中的示出所述解剖学上的结构物的像素连成的区域;以及
判断步骤,根据在所述获得步骤中获得的所述块信息所示的块的数量,来判断所述解剖学上的结构物是否为异常结构物并进行输出,
在所述判断步骤中,在所述块信息所示的块的数量为一个的情况下,判断为所述解剖学上的结构物不是异常结构物,在所述块信息所示的块的数量为两个以上的情况下并且在所述块信息所示的块满足规定的条件时,判断为所述解剖学上的结构物是异常结构物。
9.如权利要求8所述的异常检测方法,
所述异常检测方法还包括决定步骤,在所述决定步骤中,获得用于区分所述解剖学上的结构物的异常和正常的ROC曲线,根据获得的所述ROC曲线,决定所述规定的条件。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020195390 | 2020-11-25 | ||
JP2020-195390 | 2020-11-25 | ||
PCT/JP2021/041902 WO2022113801A1 (ja) | 2020-11-25 | 2021-11-15 | 医療用画像の異常検出システム及び異常検出方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116490130A true CN116490130A (zh) | 2023-07-25 |
Family
ID=81755996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180077325.8A Pending CN116490130A (zh) | 2020-11-25 | 2021-11-15 | 医学图像的异常检测***以及异常检测方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230289965A1 (zh) |
EP (1) | EP4252657A4 (zh) |
JP (1) | JPWO2022113801A1 (zh) |
CN (1) | CN116490130A (zh) |
WO (1) | WO2022113801A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230305551A1 (en) * | 2022-03-25 | 2023-09-28 | Yokogawa Electric Corporation | Method and system for automated fault detection |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5615243A (en) * | 1996-03-12 | 1997-03-25 | University Of Pittsburgh | Identification of suspicious mass regions in mammograms |
US20100168665A1 (en) * | 2008-12-30 | 2010-07-01 | Wilson-Cook Medical Inc. | Segmented balloon for catheter tip deflection |
US8718377B2 (en) * | 2009-01-27 | 2014-05-06 | Osaka University | Image analysis apparatus, image analysis method, image analysis program and recording medium |
JP6862147B2 (ja) * | 2016-11-09 | 2021-04-21 | キヤノン株式会社 | 画像処理装置、画像処理装置の作動方法、画像処理システム |
US11321841B2 (en) * | 2017-11-24 | 2022-05-03 | Osaka University | Image analysis method, image analysis device, image analysis system, and storage medium |
CN110555850B (zh) * | 2018-06-04 | 2023-11-03 | 青岛海信医疗设备股份有限公司 | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 |
-
2021
- 2021-11-15 CN CN202180077325.8A patent/CN116490130A/zh active Pending
- 2021-11-15 EP EP21897775.9A patent/EP4252657A4/en active Pending
- 2021-11-15 WO PCT/JP2021/041902 patent/WO2022113801A1/ja active Application Filing
- 2021-11-15 JP JP2022565238A patent/JPWO2022113801A1/ja active Pending
-
2023
- 2023-05-23 US US18/200,693 patent/US20230289965A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JPWO2022113801A1 (zh) | 2022-06-02 |
US20230289965A1 (en) | 2023-09-14 |
WO2022113801A1 (ja) | 2022-06-02 |
EP4252657A1 (en) | 2023-10-04 |
EP4252657A4 (en) | 2024-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9532762B2 (en) | Apparatus and method for lesion detection | |
US9536316B2 (en) | Apparatus and method for lesion segmentation and detection in medical images | |
KR102043130B1 (ko) | 컴퓨터 보조 진단 방법 및 장치 | |
JP4832300B2 (ja) | 医用画像診断支援装置の作動方法、医用画像診断支援装置、及び画像処理プログラム | |
US11321841B2 (en) | Image analysis method, image analysis device, image analysis system, and storage medium | |
US20150173705A1 (en) | Apparatus and method for adapting diagnostic model for computer-aided diagnosis | |
US8165376B2 (en) | System and method for automatic detection of rib metastasis in computed tomography volume | |
US20150003702A1 (en) | Processing and displaying a breast image | |
US11232555B2 (en) | Systems and methods for automated analysis of medical images | |
US20160259898A1 (en) | Apparatus and method for providing reliability for computer aided diagnosis | |
US11200443B2 (en) | Image processing apparatus, image processing method, and image processing system | |
KR20200135171A (ko) | 의료 영상에서 악성의심 병변을 구별하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치 | |
US11348229B2 (en) | Determining regions of hyperdense lung tissue in an image of a lung | |
KR20200087427A (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법 | |
US8306354B2 (en) | Image processing apparatus, method, and program | |
US20230289965A1 (en) | Medical image abnormality detection system and abnormality detection method | |
US7203349B2 (en) | Bronchial wall thickening recognition for reduced false-positives in pulmonary nodule detection | |
JP4971116B2 (ja) | 画像処理方法および装置 | |
JP2005253685A (ja) | 画像診断支援装置及び画像診断支援プログラム | |
KR100762746B1 (ko) | 미세석회화 진단 시스템 및 방법 | |
US8478007B2 (en) | Method for detecting ground glass opacity using chest computed tomography | |
JP7412279B2 (ja) | 画像診断方法、画像診断支援装置、及び計算機システム | |
JP2007330419A (ja) | 画像表示装置および方法並びにプログラム | |
JP5565647B2 (ja) | 臓器領域特定方法、および臓器領域特定装置 | |
JP2020058472A (ja) | 画像処理プログラム、画像処理装置、及び画像処理方法 |
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 |