ES2962851T3 - Sistema de diagnóstico de enfermedades que utiliza una red neuronal y procedimiento para de la misma - Google Patents

Sistema de diagnóstico de enfermedades que utiliza una red neuronal y procedimiento para de la misma Download PDF

Info

Publication number
ES2962851T3
ES2962851T3 ES17879144T ES17879144T ES2962851T3 ES 2962851 T3 ES2962851 T3 ES 2962851T3 ES 17879144 T ES17879144 T ES 17879144T ES 17879144 T ES17879144 T ES 17879144T ES 2962851 T3 ES2962851 T3 ES 2962851T3
Authority
ES
Spain
Prior art keywords
neural network
mosaic
output layer
channel
disease
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.)
Active
Application number
ES17879144T
Other languages
English (en)
Inventor
Sun Woo Kim
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deep Bio Inc
Original Assignee
Deep Bio Inc
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 Deep Bio Inc filed Critical Deep Bio Inc
Application granted granted Critical
Publication of ES2962851T3 publication Critical patent/ES2962851T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30081—Prostate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioethics (AREA)
  • Biotechnology (AREA)

Abstract

Se divulga un sistema para diagnosticar una enfermedad usando una red neuronal y un método para el mismo. El sistema para diagnosticar una enfermedad usando una red neuronal comprende: una red microneural que tiene, como capa de entrada, un mosaico predeterminado incluido en una imagen biométrica y que comprende una pluralidad de primeras capas y una capa de salida; y una red macroneural que tiene, como capa de entrada, un macro mosaico que incluye el mosaico y al menos un mosaico adyacente al mismo y que comprende una pluralidad de segundas capas y la capa de salida, en donde la capa de salida incluye al menos un canal de estado que indica un estado patológico de un tejido biológico correspondiente a la baldosa. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Sistema de diagnóstico de enfermedades que utiliza una red neuronal y procedimiento para de la misma
Campo técnico
La presente invención se refiere a un sistema de diagnóstico de enfermedades que utiliza una red neuronal y un procedimiento de la misma, y más específicamente, a un sistema capaz de diagnosticar una enfermedad predeterminada (por ejemplo, cáncer de próstata), cuando se introduce una imagen de un tejido biológico, utilizando una red neuronal bien entrenada y un procedimiento de la misma.
Técnica antecedente
Una de las tareas importantes realizadas por el departamento de patología o patología es realizar un diagnóstico para determinar un estado o un síntoma de una enfermedad específica mediante la lectura de una imagen biométrica de un paciente. Un tal diagnóstico es un procedimiento que se basa en la experiencia y los conocimientos de trabajadores médicos formados durante un período prolongado de tiempo.
Recientemente, los intentos de automatizar un trabajo tal como el reconocimiento o la clasificación de una imagen utilizando un sistema informático se realizan activamente gracias al desarrollo del aprendizaje automático. De manera particular, se intenta realizar la automatización del diagnóstico realizado por trabajadores médicos calificados utilizando una red neuronal (por ejemplo, un procedimiento de aprendizaje profundo que utiliza una red neuronal de convolución (CNN)) la cual es un tipo de aprendizaje automático.
De manera particular, dado que el diagnóstico a través del aprendizaje profundo utilizando una red neuronal (por ejemplo, CNN) no consiste simplemente en automatizar la experiencia y los conocimientos de los trabajadores médicos calificados en un procedimiento convencional, sino en encontrar factores distintivos y derivar una respuesta deseada a través del autoaprendizaje, existen ocasiones en las cuales se encuentran en una imagen características de un factor de enfermedad desconocida para los trabajadores médicos calificados.
Generalmente, el diagnóstico de una enfermedad a través de una red neuronal utilizando una imagen biomédica utiliza un segmento de la imagen biomédica, es decir, un mosaico. Es decir, un trabajador médico calificado anota un estado de una enfermedad específica (por ejemplo, si se ha manifestado un cáncer) en un mosaico correspondiente y entrena la red neuronal utilizando una pluralidad de mosaicos anotados como datos de entrenamiento. En este punto, se puede utilizar una red neuronal de convolución como la red neuronal.
Sin embargo, en este caso, la red neuronal entrenada determina el estado de una enfermedad de un mosaico correspondiente utilizando únicamente las características de imagen del mosaico. Sin embargo, en realidad, cuando se determina el estado de un tejido biológico específico para una enfermedad concreta, existen muchas ocasiones en las cuales deben considerarse conjuntamente los estados (por ejemplo, una forma, si existe un patrón específico y similares) de los tejidos que rodean el tejido biológico específico, así como el propio tejido biológico específico. Sin embargo, el procedimiento convencional tiene el problema de no ser pertinente en este caso.
El documento WO 2016/193979 Al divulga una interfaz cerebro-ordenador y, más particularmente, un procedimiento de clasificación de una imagen. El procedimiento comprende: aplicar un procedimiento de visión por ordenador a la imagen para detectar en ella regiones de imagen candidatas sospechosas de estar ocupadas por un objetivo; presentar a un observador cada región de imagen candidata como un estímulo visual, a la vez que se recogen señales neurofisiológicas de un cerebro del observador; procesar las señales neurofisiológicas para identificar un evento neurofisiológico indicativo de una detección del objetivo por el observador; y determinar una existencia del objetivo en la imagen en base a, al menos en parte, la identificación del evento neurofisiológico.
El documento US 6 004 267 A divulga un procedimiento para diagnosticar el cáncer de próstata y determinar preoperatoriamente el estadio patológico en pacientes con cáncer de próstata. El procedimiento se puede utilizar para predecir la positividad del margen, la afectación de la vesícula seminal (S.V), y la afectación de los ganglios linfáticos (L.N) en pacientes con cáncer de próstata clínicamente localizado. El procedimiento incluye el uso de una red neuronal la cual proporciona información sobre el estadio del cáncer de próstata de un paciente en base a datos de entrada los cuales incluyen el PSA sérico preoperatorio del paciente, el puntaje de biopsia de Gleason, e información sistémica basada en la biopsia. Su valor predictivo positivo (PPV), su valor predictivo negativo (NPV), y su precisión son superiores a los de los nomogramas actualmente en uso.
Divulgación del problema técnico de la invención
Por lo tanto, la presente invención se ha hecho en vista de los problemas anteriores, y es un objeto de la presente invención proporcionar un sistema de diagnóstico que utiliza una red neuronal y un procedimiento de la misma, el cual puede mejorar aún más la precisión mediante el uso de mosaicos vecinos, así como un mosaico específico, para aprender a determinar los estados (por ejemplo, si una enfermedad se ha manifestado, un índice que indica un estado de una enfermedad, y similares) de una enfermedad del mosaico específico.
Otro objeto de la presente invención es proporcionar un sistema de diagnóstico que utilice una red neuronal y un procedimiento de la misma, el cual pueda emitir información sobre un factor que funcione como base para determinar el estado de una enfermedad de un mosaico, y no simplemente emitir información sobre el estado.
Solución técnica
Para lograr los anteriores objetos, de acuerdo con un aspecto de la presente invención, se proporciona un sistema de diagnóstico de enfermedades implementado en un sistema que incluye un procesador y un dispositivo de almacenamiento para almacenar una red neuronal y utilizar una imagen biométrica y la red neuronal, incluyendo el sistema de diagnóstico de enfermedades: una primera, denominada red micro-neuronal para recibir un mosaico predeterminado incluido en la imagen biométrica a través de una capa de entrada y que incluye una pluralidad de primeras capas y una capa de salida; y una segunda, denominada red macro-neuronal para recibir un macromosaico que incluye el mosaico y al menos uno de los mosaicos adyacentes al mosaico a través de una capa de entrada y que incluye una pluralidad de segundas capas y la capa de salida, en el que la capa de salida incluye al menos un canal de estado que indica un estado de una enfermedad de un tejido biológico correspondiente al mosaico.
La capa de salida se determina en base a los datos de salida de una primera capa anterior derecha incluida en las primeras capas y situada justo antes de la capa de salida y de una segunda capa anterior derecha incluida en las segundas capas y situada justo antes de la capa de salida.
La red macro-neuronal tiene un gran avance en comparación con la red micro-neuronal.
La capa de salida puede incluir: el canal de estado; y al menos un canal de factor de correlación que indica un grado de manifestación de un factor de correlación asociado con un valor del canal de estado.
La enfermedad puede ser cáncer de próstata.
De acuerdo con la invención, el canal de estado es un canal que indica una probabilidad de que un tejido biomédico correspondiente al mosaico tenga un valor de patrón de Gleason de un intervalo predeterminado.
El canal de factor de correlación puede incluir al menos un canal entre un canal que indica una probabilidad de que un núcleo de célula de un tejido biológico correspondiente al mosaico satisfaga una condición específica; un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico se clasifique como una única capa de célula; un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico se clasifique como glándula de alta densidad; y un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico se clasifique como estroma normal.
De acuerdo con otro aspecto de la presente invención, se proporciona un sistema de diagnóstico de enfermedades implementado en un sistema que incluye un procesador y un dispositivo de almacenamiento para almacenar una red neuronal y utilizar una imagen biométrica y la red neuronal, incluyendo el sistema de diagnóstico de enfermedades; una capa de entrada para recibir un mosaico predeterminado incluido en la imagen biométrica; una pluralidad de capas; y una capa de salida, en el que la capa de salida incluye al menos un canal de estado que indica un estado de una enfermedad de un tejido biológico correspondiente al mosaico, y al menos un canal de factor de correlación que indica un grado de manifestación de un factor de correlación asociado con un valor del canal de estado.
De acuerdo con otro aspecto de la presente invención, se proporciona un procedimiento de diagnóstico de una enfermedad utilizando una red neuronal, realizado por un sistema de diagnóstico de enfermedades implementado en un sistema que incluye un procesador y un dispositivo de almacenamiento y que utiliza una imagen biométrica y la red neuronal, incluyendo el procedimiento las etapas de: almacenar una red micro-neuronal para recibir un mosaico predeterminado incluido en la imagen biométrica a través de una capa de entrada y que incluye una pluralidad de primeras capas y una capa de salida, y una red macro-neuronal para recibir un macromosaico que incluye el mosaico y al menos uno de los mosaicos adyacentes al mosaico a través de una capa de entrada y que incluye una pluralidad de segundas capas y la capa de salida; y entrenar la red micro-neuronal y la red macro-neuronal utilizando información de anotación anotada en el mosaico para que corresponda al mosaico y a la capa de salida, en el que la capa de salida incluye al menos un canal de estado que indica un estado de una enfermedad de un tejido biológico correspondiente al mosaico.
El procedimiento de diagnóstico de una enfermedad que utiliza una red neuronal puede incluir además las etapas de: recibir un mosaico objetivo incluido en una imagen biométrica objetivo de diagnóstico, mediante la red neuronal que incluye la red micro-neuronal y la red macro-neuronal entrenadas; y emitir un dato de salida correspondiente a la capa de salida a través de la red neuronal.
La capa de salida se determina en base a los datos de salida de una primera capa anterior derecha incluida en las primeras capas y situada justo antes de la capa de salida y de una segunda capa anterior derecha incluida en las segundas capas y situada justo antes de la capa de salida.
De acuerdo con otro aspecto de la presente invención, se proporciona un procedimiento de diagnóstico de una enfermedad utilizando una red neuronal, realizado por un sistema de diagnóstico de enfermedades implementado en un sistema que incluye un procesador y un dispositivo de almacenamiento para almacenar la red neuronal y utilizar una imagen biométrica y la red neuronal, comprendiendo el procedimiento las etapas de: almacenar la red neuronal que incluye una capa de entrada para recibir un mosaico predeterminado incluido en la imagen biométrica, una pluralidad de capas, y una capa de salida; y entrenar la red neuronal utilizando el mosaico y la información de anotación del mosaico correspondiente a la capa de salida, en el que la capa de salida incluye al menos un canal de estado que indica un estado de una enfermedad de un tejido biológico correspondiente al mosaico, y al menos un canal de factor de correlación que indica un grado de manifestación de un factor de correlación asociado con un valor del canal de estado.
El procedimiento puede implementarse a través de un programa informático instalado en un dispositivo de procesamiento de datos y hardware del dispositivo de procesamiento de datos el cual pueda ejecutar el programa informático.
Efectos ventajosos
De acuerdo con la presente invención, existe un efecto de proporcionar una mayor precisión del diagnóstico proporcionando una red neuronal la cual puede determinar un estado de una enfermedad de un mosaico específico que considera también un macromosaico que incluye el mosaico específico y además que incluye mosaicos vecinos a la vez que se realiza el diagnóstico en el mosaico específico.
Además, existe un efecto de mejorar la fiabilidad de la información sobre una enfermedad determinada por un sistema de diagnóstico, ya que una red neuronal no emite simplemente información sobre el estado de la enfermedad, sino que además emite información sobre los factores asociados con el estado, y existe el efecto de verificar una determinación incorrecta mediante la captación de información sobre el fundamento de la misma.
Breve descripción de los dibujos
Para una mejor comprensión de los dibujos adoptados en la descripción detallada de la presente invención, se describen brevemente los dibujos.
La Figura 1 es una vista que muestra la configuración esquemática de sistema de un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con la presente invención.
La Figura 2 es una vista que muestra la configuración lógica de un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con una realización de la presente invención.
La Figura 3 es una vista que muestra la configuración de hardware de un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con una realización de la presente invención.
La Figura 4 es una vista que muestra la configuración de una red neuronal de acuerdo con una realización de la presente invención.
La Figura 5 es una vista que muestra una capa de salida de una red neuronal de acuerdo con una realización de la presente invención.
La Figura 6 es una vista que muestra un ejemplo de información de anotación para el entrenamiento de una red neuronal de acuerdo con una realización de la presente invención.
Las Figuras 7 a 10 son vistas que muestran factores de correlación en una red neuronal de acuerdo con una realización de la presente invención.
La Figura 11 es una vista que muestra el resultado de un diagnóstico utilizando una red neuronal de acuerdo con una realización de la presente invención.
La Figura 12 es una vista que muestra una imagen biométrica diagnosticada a través de un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con una realización de la presente invención.
Mejor modo de llevar a cabo la invención
Dado que la presente invención puede convertirse de diversas formas y tener diversas realizaciones, se mostrarán realizaciones específicas en los dibujos y se describirán en detalle en la descripción detallada. Sin embargo, debe entenderse que esto no pretende limitar la presente invención a las realizaciones específicas, sino que comprende todas las conversiones, equivalentes y sustituciones incluidas en el ámbito de la presente invención. Al describir la presente invención, si se determina que la descripción detallada de la técnica conocida relacionada puede oscurecer la esencia de la presente invención, se omitirá la descripción detallada.
Los términos tales como “primero” y “segundo” se pueden utilizar para describir diversos componentes constitucionales, pero los anteriores componentes constitucionales no deben quedar restringidos por los términos anteriores. Los términos anteriores se utilizan únicamente para distinguir un componente constitucional del otro.
Los términos utilizados en la presente memoria se utilizan únicamente para describir realizaciones particulares y no pretenden limitar la presente invención. Una expresión singular incluye una pluralidad de expresiones, a menos que el contexto indique claramente lo contrario.
En la presente memoria descriptiva, debe entenderse además que los términos “ incluir” y “tener” especifican la presencia de características declaradas, numerales, etapas, operaciones, componentes constitucionales, partes, o una combinación de los mismos, pero no excluyen la presencia o adición de una o más características, numerales, etapas, operaciones, componentes constitucionales, partes, o una combinación de los mismos.
En la presente memoria descriptiva, cuando uno de los componentes constitucionales “transmite” un dato a otro componente constitucional, significa que el componente constitucional puede transmitir directamente los datos a otro componente constitucional o puede transmitir los datos a otro componente constitucional a través de al menos uno de los otros componentes constitucionales. Por el contrario, cuando alguno de los componentes constitucionales transmite directamente un dato a otro componente constitucional, significa que el dato se transmite a otro componente constitucional sin pasar a través de los otros componentes constitucionales.
De aquí en adelante, la presente invención se describe en detalle centrándose en las realizaciones de la presente invención con referencia a los dibujos adjuntos. Los símbolos de referencia similares presentados en cada dibujo denotan los miembros similares.
La Figura 1 es una vista que muestra la configuración esquemática de sistema de un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con la presente invención.
Con referencia a la Figura 1, un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con la presente invención (de aquí en adelante, denominado sistema 100 de diagnóstico) se puede instalar en un servidor 10 predeterminado e implementar la presente invención. El servidor 10 se refiere a un dispositivo de procesamiento de datos que tiene capacidad informática para implementar la presente invención, y los expertos en la técnica pueden inferir fácilmente que cualquier dispositivo el cual pueda realizar un servicio específico, tal como un ordenador personal, un terminal portátil o similar, así como un dispositivo de procesamiento de datos al que pueda acceder un cliente a través de una red, puede definirse generalmente como un servidor.
El servidor 10 puede incluir un procesador 11 y un dispositivo 12 de almacenamiento como se muestra en la Figura 3. El procesador 11 puede referirse a un dispositivo informático el cual puede impulsar un programa 12-1 para implementar la presente invención, y el procesador 11 puede realizar diagnósticos utilizando el programa 12-1 y una red 12-2 neuronal definida por la presente invención.
El dispositivo 12 de almacenamiento puede referirse a un medio de almacenamiento de datos el cual puede almacenar el programa 12-1 y la red 12-2 neuronal y puede implementarse como una pluralidad de medios de almacenamiento de acuerdo con ejemplos de implementación. Además, el dispositivo 10 de almacenamiento puede tener un significado que incluye un dispositivo de almacenamiento temporal, una memoria o similar la cual puede incluirse en el procesador 11, así como un dispositivo de memoria principal incluido en el servidor 10.
Aunque el sistema 100 de diagnóstico se muestra implementado como un dispositivo físico en la Figura 1 o la Figura 3, los expertos en la técnica pueden inferir fácilmente que una pluralidad de dispositivos físicos puede combinarse de manera orgánica según sea necesario para implementar el sistema 100 de diagnóstico de acuerdo con la presente invención.
En la presente memoria descriptiva, cuando el sistema 100 de diagnóstico realiza un diagnóstico, puede referirse a una serie de procedimientos los cuales reciben una imagen biométrica que muestra un tejido biológico y emiten un dato de salida definido en la presente memoria descriptiva. Los datos de salida pueden referirse a información emitida a partir de una capa de salida de una red neuronal utilizada por el sistema 100 de diagnóstico, y los datos de salida pueden incluir información de estado que muestre un estado de una enfermedad específica de un tejido biológico correspondiente a un mosaico incluido en la imagen biométrica. La información de estado puede ser información emitida a partir de un canal de estado incluido en la capa de salida.
Por ejemplo, la información de estado puede ser información de probabilidad sobre si una enfermedad específica (por ejemplo, un tipo específico de cáncer) se manifiesta en un tejido correspondiente al mosaico. O, como se describe más adelante, la información de estado puede ser información que indique un grado de progresión de una enfermedad específica (o una probabilidad de corresponder al grado de progresión), además de indicar simplemente si se manifiesta la enfermedad específica. Por ejemplo, cuando la presente invención se utiliza para el diagnóstico del cáncer de próstata como se describe más adelante, se puede incluir en la información de estado un patrón de Gleason o una puntuación de Gleason, los cuales son índices para indicar un grado de progresión del cáncer de próstata. Por ejemplo, el patrón de Gleason tiene un valor entre 2 y 5, y muestra que cuanto mayor es el valor, mayor es el grado del cáncer de próstata manifestado. En consecuencia, la información de estado puede referirse a una probabilidad de que un tejido biológico correspondiente a un mosaico, el cual es un objetivo del diagnóstico, corresponda a un valor específico (por ejemplo, 3, 4 o 5) del patrón de Gleason.
La información de estado puede existir en pluralidad. Por ejemplo, la primera información de estado puede indicar una probabilidad del patrón de Gleason de ser 3, la segunda información de estado puede indicar una probabilidad del patrón de Gleason de ser 4, y la tercera información de estado puede indicar una probabilidad del patrón de Gleason de ser 5. Todos los canales de estado correspondientes a la primera información de estado, la segunda información de estado y la tercera información de estado pueden definirse en la capa de salida. De acuerdo con ejemplos de implementación, se puede definir información de estado que indique que el patrón de Gleason tiene una probabilidad de un intervalo predeterminado (por ejemplo, de 3 a 5, de 4 a 5 o similar). Es decir, una parte de información de estado puede corresponder a una pluralidad de índices que indican un estado de progresión de una enfermedad.
Es evidente que el canal de estado incluido en la capa de salida puede determinarse de acuerdo con cómo se anota un mosaico correspondiente para el aprendizaje.
Mientras tanto, de acuerdo con la presente invención, los canales de factor de correlación, así como los canales de estado, pueden incluirse en la capa de salida. Esto se describe más adelante.
Cuando el sistema 100 de diagnóstico se implementa para ser incluido en un servidor 10 predeterminado, el sistema 100 de diagnóstico puede realizar la comunicación con al menos un cliente (por ejemplo, 20 o 20-1) el cual puede acceder al servidor 10. En este caso, el cliente (por ejemplo, 20 o 20-1) puede transmitir una imagen biométrica al sistema 100 de diagnóstico, y el sistema 100 de diagnóstico puede realizar el diagnóstico de acuerdo con la presente invención en la imagen biométrica transmitida. Además, el sistema 100 de diagnóstico puede transmitir un resultado de diagnóstico al cliente (por ejemplo, 20 o 20-1).
El sistema 100 de diagnóstico puede realizar el diagnóstico utilizando una red neuronal de acuerdo con la presente invención. Por supuesto, el sistema 100 de diagnóstico puede realizar primero un procedimiento para el entrenamiento de la red neuronal para realizar el diagnóstico.
En consecuencia, el sistema 100 de diagnóstico puede ser un sistema que recibe una red neuronal entrenada de acuerdo con la presente invención y un programa para realizar el diagnóstico utilizando la red neuronal desde el exterior y realiza el diagnóstico o un sistema el cual también realiza el entrenamiento de la red neuronal. Además, el sistema 100 de diagnóstico puede implementarse como un dispositivo dedicado fabricado para implementar la presente invención, no como un dispositivo de procesamiento de datos de uso general, y en este caso, puede proporcionarse además un medio para escanear la imagen biométrica.
La red neuronal utilizada por el sistema 100 de diagnóstico de acuerdo con la presente invención puede incluir una red micro-neuronal y una red macro-neuronal.
La red micro-neuronal puede referirse a una red la cual realiza una serie de procedimientos para realizar el entrenamiento utilizando un mosaico específico y realizar el diagnóstico sobre el mosaico utilizando características de imagen del propio mosaico.
La red macro-neuronal puede referirse a una red la cual realiza una serie de procedimientos para realizar el entrenamiento utilizando el mosaico y un macromosaico que incluye el mosaico y al menos uno de los mosaicos adyacentes al mosaico y realiza el diagnóstico en el mosaico utilizando características de imagen de todo el macromosaico.
En consecuencia, la red neuronal de acuerdo con la presente invención puede tener la característica de realizar el diagnóstico en un mosaico específico, considerando no sólo una imagen del propio mosaico específico, sino también una imagen de al menos uno de los mosaicos adyacentes al mosaico específico, para realizar el diagnóstico en el mosaico específico. A través de la presente invención como esta, existe un efecto de mejorar la precisión a un nivel muy significativo en el diagnóstico de una enfermedad que debe considerar no sólo un tejido biológico realmente correspondiente a un mosaico específico, sino también los estados de los tejidos alrededor del tejido biológico, para el diagnóstico del tejido biológico. Además, cuando una imagen biométrica se divide en una pluralidad de mosaicos, esto puede tener un fuerte efecto sobre la influencia de un resultado de diagnóstico el cual puede generarse de acuerdo con el procedimiento de división de los mosaicos o la posición de un tejido biológico correspondiente a un área dividida.
Lógicamente, un sistema 100 de diagnóstico para implementar la presente invención puede tener la configuración que se muestra en la Figura 2.
La Figura 2 es una vista que muestra la configuración lógica de un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con una realización de la presente invención.
Con referencia a la Figura 2, el sistema 100 de diagnóstico incluye un módulo 110 de control y un módulo 120 de red neuronal en el cual se almacena una red neuronal. Además, el sistema 100 de diagnóstico puede incluir además un módulo 130 de preprocesamiento.
El sistema 100 de diagnóstico puede referirse a una configuración lógica proporcionada con recursos de hardware y/o software necesarios para implementar la presente invención y no se refiere necesariamente a un componente de configuración física o un dispositivo. Es decir, el sistema 100 de diagnóstico puede referirse a una combinación lógica de hardware y/o software proporcionado para implementar la presente invención, y si es necesario, el sistema 100 de diagnóstico puede instalarse en los dispositivos separados entre sí y realizar de manera separada su función para implementarse como un conjunto de configuraciones lógicas para implementar la presente invención. Además, el sistema 100 de diagnóstico puede referirse a un conjunto de configuraciones implementadas de manera separada para cada función o papel para implementar la presente invención. Por ejemplo, el módulo 110 de control, el módulo 120 de red neuronal y/o el módulo 130 de preprocesamiento pueden estar ubicados en diferentes dispositivos físicos o en el mismo dispositivo físico. Además, de acuerdo con ejemplos de implementación, las combinaciones de software y/o hardware que configuran el módulo 110 de control, el módulo 120 de red neuronal y/o el módulo 130 de preprocesamiento también pueden estar ubicados en diferentes dispositivos físicos, y cada uno de los módulos puede implementarse a medida que las configuraciones ubicadas en los diferentes dispositivos físicos se combinan de manera orgánica entre sí.
Además, un módulo en la presente memoria descriptiva puede referirse a una combinación funcional o estructural de hardware para realizar la presente invención y software para impulsar el hardware. Por ejemplo, el módulo puede referirse a una unidad lógica de un código predeterminado y recursos de hardware para realizar el código predeterminado, y aquellos expertos en la técnica pueden inferir fácilmente que el módulo no se refiere necesariamente a códigos conectados físicamente o un tipo de hardware.
El módulo 110 de control puede controlar otras configuraciones (por ejemplo, el módulo 120 de red neuronal y/o el módulo 130 de preprocesamiento) incluidas en el sistema 100 de diagnóstico para implementar la presente invención.
Además, el módulo 110 de control puede realizar el diagnóstico de acuerdo con la presente invención utilizando la red neuronal almacenada en el módulo 120 de red neuronal. Realizar el diagnóstico puede referirse a emitir un valor de canal de al menos un canal definido en la capa de salida como se ha descrito anteriormente. Cada valor de canal puede indicar la probabilidad de que un mosaico, el cual es objetivo de diagnóstico, corresponda a la información definida por el canal correspondiente.
El módulo 120 de red neuronal puede almacenar una red neuronal. La red neuronal puede referirse a un conjunto de información que expresa una serie de consideraciones de diseño que definen la red neuronal. En la presente memoria descriptiva, la red neuronal puede ser una red neuronal de convolución.
Como es bien sabido, la red neuronal de convolución puede incluir una capa de entrada, una pluralidad de capas ocultas, y una capa de salida. Cada una de la pluralidad de capas ocultas puede incluir una capa de convolución y una capa de agrupación (o una capa de submuestreo).
La red neuronal de convolución puede definirse mediante una función que defina cada una de las capas, un filtro, un progreso, un factor de peso, etc. Además, la capa de salida puede definirse como una capa de avance totalmente conectada.
Las consideraciones de diseño de cada capa que configura la red neuronal de convolución son bien conocidas. Por ejemplo, pueden utilizarse funciones conocidas para el número de capas que deben incluirse en una pluralidad de capas, una función de convolución para definir la pluralidad de capas, una función de agrupación, y una función de activación, o pueden utilizarse funciones definidas de manera separada para implementar la presente invención.
Una suma de convolución discreta o similar es un ejemplo de la función de convolución. Como ejemplo de la función de agrupación se puede utilizar la agrupación máxima, la agrupación media o similares. Ejemplos de la función de activación pueden ser una función sigmoidea, una función hiperbólica tangente (tanh), una unidad lineal rectificada (ReLU) y similares.
Cuando se definen las consideraciones de diseño de la red neuronal de convolución, la red neuronal de convolución, para la cual se definen las consideraciones de diseño, puede almacenarse en la unidad de almacenamiento. Además, si se entrena la red neuronal de convolución, se puede especificar un factor de peso correspondiente a cada capa.
El entrenamiento de la red neuronal de convolución puede referirse a un procedimiento de determinación de los factores de peso de las capas. Además, si la red neuronal de convolución está entrenada, la red neuronal de convolución entrenada puede recibir un dato de entrada a través de la capa de entrada y emitir un dato de salida a través de la capa de salida definida previamente.
La red neuronal de acuerdo con una realización de la presente invención puede definirse seleccionando una cualquiera o una pluralidad entre consideraciones de diseño ampliamente conocidas como las descritas anteriormente, o pueden definirse consideraciones de diseño independientes para la red neuronal.
El módulo 110 de control puede introducir un dato de entrada en la red neuronal almacenada en el módulo 120 de red neuronal, es decir, la red neuronal entrenada. Además, el módulo 110 de control puede emitir un dato de salida realizando cálculos definidos por la red neuronal.
El módulo 130 de preprocesamiento puede realizar un preprocesamiento en una imagen biométrica según sea necesario antes de realizar el diagnóstico utilizando la red neuronal. Por ejemplo, el preprocesamiento de la imagen biométrica puede incluir un procedimiento de mosaico de la imagen biométrica en mosaicos de un tamaño predefinido, y aquellos expertos en la técnica pueden inferir fácilmente que el procesamiento adecuado de la imagen se puede realizar según sea necesario en un procedimiento adecuado para la red neuronal.
Mientras tanto, una red neuronal de acuerdo con la presente invención tiene la característica de incluir una red microneuronal y una red macro-neuronal como se ha descrito anteriormente. El ejemplo como este se describirá en detalle con referencia a la Figura 4.
La Figura 4 es una vista que muestra la configuración de una red neuronal de acuerdo con una realización de la presente invención.
Con referencia a la Figura 4, una red 200 neuronal de acuerdo con la presente invención incluye una red microneuronal y una red macro-neuronal.
La red micro-neuronal incluye una pluralidad de capas 210 y una capa 230 de salida. En la pluralidad de capas 210 se incluyen una capa 211 de entrada y una pluralidad de capas 212 ocultas.
La red macro-neuronal incluye una pluralidad de capas 220 y la capa 230 de salida. En la pluralidad de capas 220 se incluyen una capa 221 de entrada y una pluralidad de capas 222 ocultas.
La red micro-neuronal está definida para recibir un mosaico 30 específico y emitir un resultado de diagnóstico del mosaico específico, es decir, datos de salida definidos en la capa 230 de salida.
Además, la red macro-neuronal está definida para recibir un macromosaico 40 que incluye el mosaico 30 específico y al menos uno de los mosaicos adyacentes al mosaico 30 específico y emitir un resultado de diagnóstico del mosaico específico.
Es decir, la red 200 neuronal de acuerdo con la presente invención puede emitir un resultado de diagnóstico considerando las características de imagen de los mosaicos adyacentes al mosaico 30 específico, así como las características de imagen del mosaico 30 específico, para emitir un resultado de diagnóstico del mosaico 30 específico.
Aunque la Figura 4 muestra un ejemplo de utilización de mosaicos que rodean a un mosaico como el macromosaico 40, es evidente que son posibles diversas realizaciones.
La capa 230 de salida puede recibir datos de salida de una primera capa 212-1 anterior derecha, la cual es una capa incluida en la red micro-neuronal justo antes de la capa 230 de salida, y datos de salida de una segunda capa 222-1 anterior derecha, la cual es una capa incluida en la red macro-neuronal justo antes de la capa 230 de salida, y emitir un dato de salida definido en la capa 230 de salida. La primera capa 212-1 anterior derecha, la segunda capa 222-1 anterior derecha, y la capa 230 de salida pueden estar totalmente conectadas.
Una cualquiera de las diversas funciones las cuales emiten un dato de entrada recibido a través de la capa de entrada a la capa 230 de salida como un dato de salida a través de la red 200 neuronal como resultado se puede utilizar como una función de avance la cual define la capa 230 de salida.
Como resultado, la red 200 neuronal se entrena para emitir un dato de salida de la capa 230 de salida correspondiente a los valores de anotación de una pluralidad de datos de entrenamiento, considerando las características de imagen de un mosaico 30 específico y las características de imagen del macromosaico 40 que incluye el mosaico 30 específico, para realizar el diagnóstico en el mosaico 30 específico.
Es decir, se utiliza una pluralidad de datos de entrenamiento para entrenar la red 200 neuronal, y la pluralidad de datos de entrenamiento puede incluir un mosaico 30 específico y un macromosaico 40 por pares. Además, el macromosaico 40 también puede realizar el entrenamiento utilizando la información de anotación del mosaico 30 específico.
A continuación, la red 200 neuronal puede entrenarse para emitir un dato de salida correspondiente a la información de anotación del mosaico 30 específico, considerando las características de imagen del mosaico 30 específico y del macromosaico 40.
Además, cuando la red 200 neuronal entrenada recibe un mosaico objetivo, el cual es un objetivo de diagnóstico, y un macromosaico correspondiente al mosaico objetivo como datos de entrada de las capas de entrada de la red microneuronal y la red macro-neuronal, la red 200 neuronal puede emitir un resultado de diagnóstico del mosaico objetivo, es decir, un dato de salida de la capa 230 de salida.
Mientras tanto, la red macro-neuronal puede tener un gran avance en comparación con la red micro-neuronal. Esto puede significar que la red macro-neuronal extrae de manera más intermitente las características de imagen incluidas en el macromosaico 40 en comparación con la red micro-neuronal. Esto puede significar que, dado que la red macroneuronal también diagnostica el mosaico 30 específico, no necesita extraer características de imagen muy densas y pasar a través de un procedimiento de abstracción de las características de imagen extraídas como la red microneuronal. Además, más bien, también puede tener un efecto de limitar, en cierta medida, demasiado el efecto de las características de imagen de los mosaicos adyacentes, no el mosaico 30 específico, en el diagnóstico del mosaico 30 específico. En consecuencia, se puede realizar un diseño de red más eficiente estableciendo un valor de progreso de la red macro-neuronal mayor que el de la red micro-neuronal. De acuerdo con una realización, el valor de progreso utilizado en la red micro-neuronal puede ser 1, y un valor de 2 o 3 puede utilizarse como valor de progreso en la red macro-neuronal.
Además, no es necesario aplicar comúnmente un valor de progreso mayor a todas las capas ocultas, y un valor de progreso aplicado solo a algunas capas de convolución de la etapa temprana puede ser mayor en la red macroneuronal que en la red micro-neuronal.
Mientras tanto, la capa 230 de salida puede emitir un resultado de diagnóstico del mosaico 30 específico, el cual es un objetivo de diagnóstico, como un dato de salida. El resultado del diagnóstico puede incluir al menos información sobre el estado de una enfermedad del mosaico 30 específico. La información sobre el estado de una enfermedad puede referirse simplemente a información sobre si una enfermedad específica se manifiesta (o un valor de probabilidad) en el mosaico 30 específico.
Sin embargo, en la información sobre el estado de una enfermedad de acuerdo con el tipo de enfermedad puede incluirse información que indique el grado de progresión de una enfermedad con más detalle. De aquí en adelante, aunque se describe como ejemplo un caso en el cual el tipo de enfermedad diagnosticada por el sistema 100 de diagnóstico es el cáncer de próstata, aquellos expertos en la técnica pueden inferir fácilmente que la presente invención no tiene por qué aplicarse únicamente al cáncer de próstata.
La Figura 5 es una vista que muestra una capa de salida de una red neuronal de acuerdo con una realización de la presente invención.
Con referencia a la Figura 5, una capa 230 de salida de acuerdo con una realización de la presente invención puede incluir al menos un canal (por ejemplo, 231 a 238).
La capa 230 de salida puede incluir al menos un canal de estado (por ejemplo, 236, 237 o 238) que indica información sobre el estado de una enfermedad como se ha descrito anteriormente. Los canales de estado (por ejemplo, 236, 237 y 238) pueden ser información que indique un grado de progresión de una enfermedad, respectivamente. Por ejemplo, un primer canal 236 de estado puede ser información que indica una probabilidad de tener un primer valor (por ejemplo, patrón de Gleason de 3), el cual es uno cualquiera entre los valores del patrón de Gleason, es decir, un índice que indica un grado de progresión del cáncer de próstata. Un segundo canal 237 de estado y un tercer canal 238 de estado pueden ser información que indique las probabilidades de tener un segundo valor (por ejemplo, patrón de Gleason de 4) y un tercer valor (por ejemplo, patrón de Gleason de 5), los cuales son valores diferentes entre los valores del patrón de Gleason. Cuando se define un índice que indica un grado de progresión de acuerdo con el tipo de una enfermedad como esta, existe el efecto de diagnosticar un grado de progresión de una enfermedad correspondiente, además de diagnosticar simplemente si se manifiesta una enfermedad.
Mientras tanto, de acuerdo con la presente invención, al menos uno de los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235) que indican un grado de manifestación de un factor de correlación asociado con un valor del canal de estado, así como información sobre si una enfermedad se manifiesta en un mosaico, el cual es un objetivo de diagnóstico, o cuánto ha progresado una enfermedad, puede incluirse además en la capa 230 de salida.
Es decir, los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235) pueden ser información que indique si se manifiestan factores individuales, los cuales son la base para determinar si se manifiesta una enfermedad o un grado de progresión de la enfermedad. Por ejemplo, la manifestación del cáncer de próstata o un grado de progresión del mismo puede determinarse considerando uno o más factores individuales, tal como si el estado de un núcleo de célula satisface una condición predeterminada, si la pared de célula de la glándula está formada por una sola capa, si la glándula está concentrada más de un nivel predeterminado, y/o si la forma del estroma es normal.
Es decir, se determina un valor de canal del estado de canal mediante la combinación de factores individuales, y de acuerdo con la presente invención, los factores individuales pueden definirse como canales separados, y si los factores individuales se manifiestan también se diagnostica a través del entrenamiento.
Si los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235) se definen en la capa 230 de salida de este modo, se puede resolver el problema de que el personal médico no sepa, cuando sólo existe realmente el canal de estado, cómo se ha derivado el valor de salida del canal de estado correspondiente. Es decir, de acuerdo con la presente invención, existe un efecto de proporcionar adicionalmente un valor de salida del canal de estado, por ejemplo, si se manifiestan factores individuales, lo cual es una base para determinar, mediante el sistema 100 de diagnóstico, que se manifiesta una enfermedad o que la enfermedad ha progresado hasta cierto punto, es decir, proporcionar valores de salida de los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235). Por lo tanto, existe un efecto de proporcionar una mayor fiabilidad del resultado del diagnóstico del sistema 100 de diagnóstico. Además, dado que puede confirmarse fácilmente si el valor de salida del canal de factor de correlación (por ejemplo, 232, 233, 234 y 235) y el valor de salida del canal de estado coinciden entre sí, existe un efecto de determinación, durante el entrenamiento, de si el entrenamiento del sistema 100 de diagnóstico progresa normalmente, y por lo tanto esto puede ser eficaz para el propio entrenamiento de la red 200 neuronal. Además, se conforma que la red 200 neuronal tiene una mayor tasa de diagnóstico correcto cuando los canales del factor de correlación (por ejemplo, 232, 233, 234 y 235) se entrenan de manera separada. Esto puede significar que la red 200 neuronal considera factores individuales en la determinación del valor de salida del canal de estado, ya que los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235) están realmente incluidos en la capa 230 de salida.
Cuando el sistema 100 de diagnóstico se entrena para el diagnóstico del cáncer de próstata, el canal de factor de correlación puede incluir un canal que indique una probabilidad de que el núcleo de célula de un tejido biológico correspondiente al mosaico satisfaga una condición específica. Por ejemplo, la condición específica puede incluir condiciones tales como un caso de un núcleo relativamente grande, un caso de un color oscuro, un caso de un nucléolo claramente visible, un grado cercano a la forma original de un núcleo, y similares, y cuanto más se satisfagan estas condiciones, mayor será la probabilidad de que se haya desarrollado un cáncer de próstata o de que un grado de progresión del mismo sea grave.
Además, los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235) pueden incluir un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico se clasifique como una única capa de célula, es decir, se clasifique como un caso que muestra claramente una pared de célula de la glándula como una sola capa. Cuando se manifiesta la característica de una única capa de célula, es muy probable que se haya desarrollado un cáncer de próstata o que su grado de progresión sea grave.
Además, los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235) pueden incluir un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico se clasifique como una glándula de alta densidad. Por ejemplo, de acuerdo con si se concentra más de un número predeterminado de glándulas dentro de un intervalo predeterminado, puede determinarse que la probabilidad de desarrollar cáncer de próstata es alta o que un grado de progresión del mismo es grave.
Además, los canales de factor de correlación (por ejemplo, 232, 233, 234 y 235) pueden incluir un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico se clasifique como estroma normal. Es decir, la probabilidad de cáncer de próstata o el grado de progresión pueden ser bajos cuando el tejido biológico tiene una forma de estroma normal.
Con el fin de que la red 200 neuronal entrenada emita cada uno de los valores de canal definidos en la capa 230 de salida como un dato de salida, los valores de anotación de los canales correspondientes a la capa 230 de salida deben anotarse a los datos de entrenamiento, es decir, el mosaico y el macromosaico, y para este fin, puede ser necesaria mano de obra profesional capaz de anotar los valores de canal.
En una realización de la presente invención, un canal predeterminado (por ejemplo, 231) entre los canales incluidos en la capa 230 de salida puede no referirse a ninguna información significativa. Es decir, un canal correspondiente puede ser un canal que no se utilice para el aprendizaje y el diagnóstico. Esto se debe a que la capa 230 de salida puede diseñarse para incluir al menos un canal no utilizado si es ventajoso que la capa 230 de salida tenga tantos canales como un múltiplo de dos cuando se diseña una red.
Como resultado, para diagnosticar un mosaico cualquiera, el cual es un objetivo de diagnóstico, la red 200 neuronal utilizada por el sistema 100 de diagnóstico de acuerdo con la presente invención tiene la característica de realizar el diagnóstico con una precisión aún mayor considerando una imagen de un macromosaico que incluye el mosaico, así como el mosaico.
Además, dado que la red 200 neuronal incluye al menos un canal de factor de correlación, y no simplemente emite un canal de estado como dato de salida, se puede garantizar la fiabilidad de un resultado de diagnóstico, y es eficaz para el aprendizaje de la red 200 neuronal, y como los canales de factor de correlación se incluyen en la capa de salida, existe un efecto de mejora de la precisión del propio resultado de diagnóstico del canal de estado.
La Figura 6 es una vista que muestra un ejemplo de información de anotación para el entrenamiento de una red neuronal de acuerdo con una realización de la presente invención.
Con referencia a la Figura 6, la información de anotación de un macromosaico como se muestra en la Figura 6 puede ser necesaria para entrenar la red 200 neuronal de acuerdo con la presente invención. En la Figura 6, se anotan los valores de los canales definidos en la capa 230 de salida para el mosaico existente en el centro del macromosaico. Por ejemplo, se anotan ocho valores de canal como se muestra en la porción inferior de la Figura 6, por ejemplo, se muestra que un primer canal es un canal no utilizado, un segundo canal es un canal de factor de correlación para un núcleo de célula como se ha descrito anteriormente, un tercer canal es un canal de factor de correlación relacionado con una única capa de célula, un cuarto canal es un canal de factor de correlación para una glándula de alta densidad, un quinto canal es un canal de factor de correlación para determinar si el estroma es normal, un sexto canal es un canal de estado en el cual el patrón de Gleason tiene un valor de 3, un séptimo canal es un canal de estado en el cual el patrón de Gleason tiene un valor de 4, y un octavo canal es un canal de estado en el cual el patrón de Gleason tiene un valor de 5. Además, puede referirse a que un anotador ha anotado que el patrón de Gleason tiene un estado de 4 para el mosaico situado en el centro del macromosaico. Por supuesto, aunque no se muestra en la Figura 6,
la anotación puede realizarse además en un canal de factor de correlación, el cual es la base para determinar que el patrón de Gleason es 4.
La red 200 neuronal puede ser entrenada utilizando como datos de entrenamiento la información anotada, el mosaico anotado y el macromosaico que incluye el mosaico.
Las Figuras 7 a 10 son vistas que muestran factores de correlación en una red neuronal de acuerdo con una realización de la presente invención.
Las Figuras 7 a 10 muestran ejemplos de mosaicos en los cuales se anota (o diagnostica) un valor correspondiente a un canal de factor de correlación como se ha descrito anteriormente. La Figura 7 muestra vistas invertidas de mosaicos que satisfacen condiciones sobre el núcleo de célula entre los mosaicos, la Figura 8 muestra vistas invertidas de mosaicos correspondientes a una única capa de célula, la Figura 9 muestra vistas invertidas de mosaicos correspondientes a una glándula de alta densidad, y la Figura 10 muestra vistas invertidas de mosaicos correspondientes al estroma normal.
En consecuencia, de acuerdo con el sistema 100 de diagnóstico de acuerdo con la presente invención, existe un efecto de extracción de mosaicos en los cuales se manifiesta una enfermedad específica o mosaicos correspondientes a un estado de progresión específico a partir de una imagen biométrica en la cual existe una pluralidad de mosaicos y un efecto de extracción de manera separada de mosaicos en los cuales se manifiestan factores individuales específicos.
La Figura 11 es una vista que muestra el resultado de un diagnóstico utilizando una red neuronal de acuerdo con una realización de la presente invención.
Con referencia a la Figura 11, un sistema 100 de diagnóstico que utiliza una red 200 neuronal de acuerdo con una realización de la presente invención puede emitir, como se muestra en la porción inferior de la Figura 11, un resultado del diagnóstico del mosaico en el centro entre los mosaicos que se muestran en la Figura 11.
Por ejemplo, el sistema 100 de diagnóstico ha determinado que el valor de un primer canal de factor de correlación es 0,90, el valor de un segundo canal de factor de correlación es 0,73, el valor de un tercer canal de factor de correlación es 0,95, el valor de un cuarto canal de factor de correlación es 0, el valor de un primer canal de estado es 0,64, el valor de un segundo canal de estado es 0,4, y el valor de un tercer canal de estado es 0, para el mosaico en el centro entre los mosaicos que se muestran en la Figura 11 utilizando la red 200 neuronal entrenada.
Se sabe que el mosaico en el centro tiene una alta probabilidad de que el patrón de Gleason sea 3, el núcleo de célula satisface una condición específica, el mosaico corresponda a una única capa de célula, y el mosaico corresponda a una glándula de alta densidad.
La Figura 12 es una vista que muestra una imagen biométrica diagnosticada a través de un sistema de diagnóstico de enfermedades que utiliza una red neuronal de acuerdo con una realización de la presente invención.
La Figura 12 muestra un ejemplo de resultado, en el cual las partes en las que se ha desarrollado el cáncer de próstata en una imagen biométrica se muestran de manera diferente de acuerdo con un grado de progresión a través del sistema 100 de diagnóstico de acuerdo con la presente invención. La Figura 12 es un ejemplo que muestra que la parte expresada en color verde es un tejido biológico correspondiente al patrón de Gleason de 3, la parte expresada en color violeta es un tejido biológico correspondiente al patrón de Gleason de 4, y la parte expresada en color rojo es un tejido biológico correspondiente al patrón de Gleason de 5.
En consecuencia, el sistema 100 de diagnóstico de acuerdo con la presente invención tiene el efecto de diagnosticar de manera automática y eficazmente una enfermedad, lo cual ha llevado mucho tiempo para los trabajadores de patología formados existentes, en un tiempo corto. Además, como se define para incluir un canal de estado en una pluralidad de capas de salida de acuerdo con un grado de progresión de una enfermedad, existe un efecto de visualizar de manera discriminativa un resultado de diagnóstico como se muestra en la Figura 12 de acuerdo con la diferencia del grado de progresión de una enfermedad en un tejido biológico.
Además, se confirma que la precisión del diagnóstico se ha mejorado aún más en comparación con el caso de simplemente entrenar un único mosaico como se ha descrito anteriormente y configurar una red neuronal que realice el diagnóstico utilizando el mismo, como resultado de diagnosticar un único mosaico considerando tanto el solo mosaico como un macromosaico que incluya el solo mosaico.
Además, aunque en la presente memoria descriptiva se ha descrito principalmente un ejemplo de aplicación de la presente invención al cáncer de próstata, aquellos expertos en la técnica pueden inferir fácilmente que se puede realizar un diagnóstico correcto si la presente invención se aplica también a otras enfermedades las cuales necesiten realizar un diagnóstico en un tejido específico considerando los estados de los tejidos alrededor del tejido correspondiente, así como el estado del tejido específico.
El procedimiento de diagnóstico de una enfermedad utilizando una red neuronal de acuerdo con una realización de la presente invención puede implementarse como un código legible por ordenador en un medio de registro legible por ordenador. El medio de registro legible por ordenador incluye todo tipo de dispositivos de registro para almacenar datos que pueden ser leídos por un sistema informático. Los ejemplos del medio de registro legible por ordenador son ROM, RAM, CD-ROM, una cinta magnética, un disco duro, un disquete, un dispositivo óptico de almacenamiento de datos y similares. Además, el medio de registro legible por ordenador puede distribuirse en sistemas informáticos conectados a través de una red, y en él puede almacenarse y ejecutarse un código que pueda ser leído por un ordenador de manera distribuida. Además, los programas funcionales, códigos y segmentos de código para implementar la presente invención pueden ser fácilmente inferidos por programadores en la técnica.
Si bien la presente invención se ha descrito con referencia a las realizaciones que se muestran en los dibujos, esto es únicamente con fines ilustrativos, y se entenderá por aquellos expertos en la técnica que se pueden realizar diversas modificaciones y otras realizaciones equivalentes. En consecuencia, el verdadero intervalo de protección técnico de la presente invención debe definirse mediante las reivindicaciones adjuntas.
Aplicabilidad industrial
La presente invención puede aplicarse a un sistema de diagnóstico de enfermedades que utiliza una red neuronal y un procedimiento de la misma.

Claims (11)

REIVINDICACIONES
1. Un sistema (100) de diagnóstico de enfermedades implementado en un sistema que incluye un procesador (11) y un dispositivo (12) de almacenamiento para almacenar una red (200) neuronal y utilizar una imagen biométrica y la red (200) neuronal, en el que la enfermedad es un tipo de cáncer, comprendiendo el sistema (100) de diagnóstico de enfermedades:
una red micro-neuronal para recibir un mosaico (30) predeterminado incluido en la imagen biométrica a través de una capa (211) de entrada y que incluye una pluralidad de primeras capas (212) y una capa de salida (230), en el que se establece un valor de progreso a la red micro-neuronal; y
una red macro-neuronal para recibir un macromosaico (40) que incluye el mosaico (30) y al menos uno de los mosaicos adyacentes al mosaico (30) a través de una capa (221) de entrada y que incluye una pluralidad de segundas capas (222) y la capa (230) de salida, en el que se establece un valor de progreso a la red macro-neuronal;
en el que el valor de progreso de la red macro-neuronal es mayor que el valor de progreso de la red micro-neuronal; en el que la capa (230) de salida incluye al menos un canal (236, 237, 238) de estado que indica una probabilidad de que un tejido biológico correspondiente al mosaico (30) tenga un valor de patrón de Gleason de un intervalo predeterminado; y
en el que la capa (230) de salida se determina en base a los datos de salida de una primera capa (212-1) anterior derecha incluida en las primeras capas (212) y situada justo antes de la capa (230) de salida y de una segunda capa (222-1) anterior derecha incluida en las segundas capas (222) y situada justo antes de la capa (230) de salida.
2. El sistema de acuerdo con la reivindicación 1, en el que el valor de progreso utilizado en la red micro-neuronal se establece en 1, y el valor de progreso utilizado en la red macro-neuronal se establece en 2 o 3.
3. El sistema de acuerdo con la reivindicación 1 o 2, en el que la capa (230) de salida incluye al menos un canal (231, 232, 233, 234, 235) de factor de correlación que indica un grado de manifestación de un factor de correlación asociado con un valor del canal (236, 237, 238) de estado.
4. El sistema de acuerdo con una cualquiera de las reivindicaciones 1 a 3, en el que la enfermedad es cáncer de próstata.
5. El sistema de acuerdo con la reivindicación 3 o 4, en el que el canal (231,232, 233, 234, 235) de factor de correlación incluye al menos un canal entre un canal que indica una probabilidad de que un núcleo de célula de un tejido biológico correspondiente al mosaico (30) satisfaga una condición específica; un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico (30) se clasifique como una única capa de célula; un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico (30) se clasifique como una glándula de alta densidad; y un canal que indica una probabilidad de que un tejido biológico correspondiente al mosaico (30) se clasifique como un estroma normal.
6. Un procedimiento implementado por ordenador para diagnosticar una enfermedad utilizando una red (200) neuronal, realizado por el sistema (100) de diagnóstico de enfermedades de acuerdo con una cualquiera de las reivindicaciones 1 a 5 implementado en un sistema que incluye un procesador (11) y un dispositivo (12) de almacenamiento y que utiliza una imagen biométrica y la red (200) neuronal, en el que la enfermedad es un tipo de cáncer, comprendiendo el procedimiento las etapas de:
almacenar la red micro-neuronal para recibir un mosaico (30) predeterminado incluido en la imagen biométrica a través de una capa (211) de entrada y que incluye una pluralidad de primeras capas (212) y una capa (230) de salida, en el que se establece un valor de progreso a la red micro-neuronal; y
almacenar la red macro-neuronal para recibir un macromosaico (40) que incluya el mosaico (30) y al menos uno de los mosaicos adyacentes al mosaico (30) a través de una capa (221) de entrada y que incluya una pluralidad de segundas capas (222) y la capa (230) de salida, en el que se establece un valor de progreso a la red macro-neuronal; y
entrenar la red micro-neuronal y la red macro-neuronal utilizando información de anotación anotada en el mosaico (30) para que corresponda a la capa (230) de salida;
en el que el valor de progreso de la red macro-neuronal es mayor que el valor de progreso de la red micro-neuronal;
en el que la capa (30) de salida incluye al menos el canal (236, 237, 238) de estado que indica una probabilidad de que un tejido biológico correspondiente al mosaico (30) tenga un valor de patrón de Gleason de un intervalo predeterminado;
en el que la capa (230) de salida se determina en base a los datos de salida de una primera capa (212-1) anterior derecha incluida en las primeras capas (212) y situada justo antes de la capa (230) de salida y de una segunda capa (222-1) anterior derecha incluida en las segundas capas (222) y situada justo antes de la capa (230) de salida.
7. El procedimiento implementado por ordenador de acuerdo con la reivindicación 6, que comprende además las etapas de:
recepción de un mosaico objetivo incluido en una imagen biométrica objetivo de diagnóstico, por la red (200) neuronal que incluye la red micro-neuronal entrenada y la red macro-neuronal entrenada; y emisión de un dato de salida correspondiente a la capa (230) de salida a través de la red (200) neuronal.
8. El procedimiento implementado por ordenador de acuerdo con las reivindicaciones 6 o 7, en el que el valor de progreso utilizado en la red micro-neuronal se establece en 1, y el valor de progreso utilizado en la red macro-neuronal se establece en 2 o 3.
9. El procedimiento implementado por ordenador de acuerdo con una cualquiera de las reivindicaciones 6 a 8, en el que la capa (230) de salida incluye al menos un canal (231,232, 233, 234, 235) de factor de correlación que indica un grado de manifestación de un factor de correlación asociado con un valor del canal (236, 237, 238) de estado.
10. El procedimiento implementado por ordenador de acuerdo con una cualquiera de las reivindicaciones 6 a 9, en el que la enfermedad es cáncer de próstata.
11. Un programa de ordenador instalado en un dispositivo de procesamiento de datos y registrado en un medio para realizar el procedimiento divulgado en una cualquiera de las reivindicaciones 6 a 10.
ES17879144T 2016-12-11 2017-12-06 Sistema de diagnóstico de enfermedades que utiliza una red neuronal y procedimiento para de la misma Active ES2962851T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160168176A KR101944536B1 (ko) 2016-12-11 2016-12-11 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
PCT/KR2017/014219 WO2018106005A1 (ko) 2016-12-11 2017-12-06 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
ES2962851T3 true ES2962851T3 (es) 2024-03-21

Family

ID=62492265

Family Applications (1)

Application Number Title Priority Date Filing Date
ES17879144T Active ES2962851T3 (es) 2016-12-11 2017-12-06 Sistema de diagnóstico de enfermedades que utiliza una red neuronal y procedimiento para de la misma

Country Status (7)

Country Link
US (1) US11074686B2 (es)
EP (1) EP3553789B1 (es)
JP (1) JP6851094B2 (es)
KR (1) KR101944536B1 (es)
CN (1) CN110366759B (es)
ES (1) ES2962851T3 (es)
WO (1) WO2018106005A1 (es)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101944536B1 (ko) * 2016-12-11 2019-02-01 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
KR102172213B1 (ko) * 2018-06-04 2020-10-30 주식회사 딥바이오 투 페이스 질병 진단 시스템 및 그 방법
KR102162895B1 (ko) 2018-06-04 2020-10-07 주식회사 딥바이오 듀얼 클래스를 지원하는 질병 진단 시스템 및 그 방법
KR102151723B1 (ko) * 2018-08-07 2020-09-03 주식회사 딥바이오 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
KR102185893B1 (ko) * 2018-08-07 2020-12-02 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법
KR102215269B1 (ko) * 2018-08-07 2021-02-15 주식회사 딥바이오 진단 결과 생성 시스템 및 방법
KR102174379B1 (ko) * 2018-08-27 2020-11-04 주식회사 딥바이오 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
KR102226899B1 (ko) * 2018-11-16 2021-03-11 주식회사 딥바이오 지도학습기반의 합의 진단방법 및 그 시스템
KR102236948B1 (ko) * 2019-01-25 2021-04-06 주식회사 딥바이오 준-지도학습을 이용하여 질병의 발병 영역에 대한 어노테이션을 수행하기 위한 방법 및 이를 수행하는 진단 시스템
KR102226898B1 (ko) * 2019-01-25 2021-03-11 주식회사 딥바이오 커스터마이징 진단 시스템 제공방법 및 그 시스템
AU2020213126A1 (en) 2019-01-25 2021-09-09 Otonexus Medical Technologies, Inc. Machine learning for otitis media diagnosis
KR102226897B1 (ko) * 2019-01-25 2021-03-11 주식회사 딥바이오 다중 페이즈 생체 이미지를 이용하여 학습된 뉴럴 네트워크를 이용한 질병 진단 방법 및 이를 수행하는 질병 진단 시스템
KR102329546B1 (ko) * 2019-07-13 2021-11-23 주식회사 딥바이오 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
US11488014B2 (en) * 2019-10-22 2022-11-01 International Business Machines Corporation Automated selection of unannotated data for annotation based on features generated during training
EP3828816A1 (en) * 2019-11-28 2021-06-02 Siemens Healthcare GmbH Patient follow-up analysis
KR20210137828A (ko) * 2020-05-11 2021-11-18 의료법인 성광의료재단 기계학습 예측모델을 이용한 난소암 진단 방법 및 이를 적용하는 시스템
CN116114027A (zh) * 2020-07-23 2023-05-12 第一百欧有限公司 利用多相生物图像学习的利用神经网络的疾病诊断方法及执行其的疾病诊断***
EP4170678A4 (en) * 2020-07-23 2024-03-13 Deep Bio Inc. METHOD FOR ANNOTATION OF DISEASE PATHOGEN SITE BY MEANS OF SEMI-SUPERVISED LEARNING, AND DIAGNOSTIC SYSTEM FOR ITS IMPLEMENTATION
KR102254755B1 (ko) * 2020-11-10 2021-05-21 주식회사 딥바이오 딥러닝 기반의 병리 슬라이드 이미지 고해상도 변환 방법 및 이를 수행하는 컴퓨팅 시스템
KR102246319B1 (ko) * 2021-01-07 2021-05-03 주식회사 딥바이오 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2022164133A1 (ko) * 2021-01-26 2022-08-04 주식회사 뷰노 의료 영상의 병변 평가 방법
KR102316525B1 (ko) 2021-03-08 2021-10-22 주식회사 딥바이오 Turp 병리 이미지로부터 전립선암을 검출하기 위한 용도의 인공 뉴럴 네트워크를 학습하는 방법 및 이를 수행하는 컴퓨팅 시스템

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5790761A (en) * 1992-12-11 1998-08-04 Heseltine; Gary L. Method and apparatus for the diagnosis of colorectal cancer
AU1837495A (en) * 1994-10-13 1996-05-06 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
US5638823A (en) * 1995-08-28 1997-06-17 Rutgers University System and method for noninvasive detection of arterial stenosis
US6004267A (en) * 1997-03-07 1999-12-21 University Of Florida Method for diagnosing and staging prostate cancer
US7037267B1 (en) * 1999-11-10 2006-05-02 David Lipson Medical diagnostic methods, systems, and related equipment
US8346482B2 (en) * 2003-08-22 2013-01-01 Fernandez Dennis S Integrated biosensor and simulation system for diagnosis and therapy
WO2005027015A2 (en) * 2003-09-10 2005-03-24 Bioimagene, Inc. Method and system for quantitatively analyzing biological samples
US7935055B2 (en) * 2003-09-19 2011-05-03 Siemens Medical Solutions Usa, Inc. System and method of measuring disease severity of a patient before, during and after treatment
FR2884008A1 (fr) * 2005-03-31 2006-10-06 France Telecom Systeme et procede de localisation de points d'interet dans une image d'objet mettant en oeuvre un reseau de neurones
US9779213B2 (en) * 2008-07-25 2017-10-03 Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud System for evaluating a pathological stage of prostate cancer
CN101639937B (zh) * 2009-09-03 2011-12-14 复旦大学 一种基于人工神经网络的超分辨率方法
JP2012235796A (ja) 2009-09-17 2012-12-06 Sharp Corp 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
JP5589366B2 (ja) 2009-11-27 2014-09-17 ソニー株式会社 情報処理装置、情報処理方法及びそのプログラム
CN103679185B (zh) * 2012-08-31 2017-06-16 富士通株式会社 卷积神经网络分类器***、其训练方法、分类方法和用途
CA2944829C (en) 2014-05-23 2022-10-25 Ting Chen Systems and methods for detection of biological structures and/or patterns in images
KR101563569B1 (ko) * 2014-05-28 2015-10-28 한국과학기술원 학습형 다이내믹 시각 이미지 패턴 인식 시스템 및 방법
US10417525B2 (en) 2014-09-22 2019-09-17 Samsung Electronics Co., Ltd. Object recognition with reduced neural network weight precision
JP2016064004A (ja) * 2014-09-25 2016-04-28 大日本印刷株式会社 医用画像表示処理方法、医用画像表示処理装置およびプログラム
WO2016189605A1 (ja) 2015-05-22 2016-12-01 株式会社Ｕｂｉｃ データ分析に係るシステム、制御方法、制御プログラム、および、その記録媒体
IL239191A0 (en) 2015-06-03 2015-11-30 Amir B Geva Image sorting system
CN106203327B (zh) * 2016-07-08 2019-04-19 清华大学 基于卷积神经网络的肺部肿瘤识别***及方法
KR101944536B1 (ko) * 2016-12-11 2019-02-01 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
US9934364B1 (en) * 2017-02-28 2018-04-03 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis

Also Published As

Publication number Publication date
KR101944536B1 (ko) 2019-02-01
EP3553789B1 (en) 2023-08-16
CN110366759A (zh) 2019-10-22
EP3553789A4 (en) 2020-07-08
EP3553789C0 (en) 2023-08-16
JP2020502712A (ja) 2020-01-23
WO2018106005A1 (ko) 2018-06-14
JP6851094B2 (ja) 2021-03-31
EP3553789A1 (en) 2019-10-16
US11074686B2 (en) 2021-07-27
US20190385306A1 (en) 2019-12-19
CN110366759B (zh) 2024-03-01
KR20180066983A (ko) 2018-06-20

Similar Documents

Publication Publication Date Title
ES2962851T3 (es) Sistema de diagnóstico de enfermedades que utiliza una red neuronal y procedimiento para de la misma
Bouget et al. Semantic segmentation and detection of mediastinal lymph nodes and anatomical structures in CT data for lung cancer staging
Hwang et al. Improved classification and localization approach to small bowel capsule endoscopy using convolutional neural network
EP3294136B1 (en) System for quantifying regional fissure features
Seeböck et al. Identifying and categorizing anomalies in retinal imaging data
ES2914779T3 (es) Método y aparato para generar datos cuantitativos para estructuras del árbol biliar
KR102172213B1 (ko) 투 페이스 질병 진단 시스템 및 그 방법
EP3819912A2 (en) System and method for disease diagnosis using neural network
Mill et al. Patient-specific flow simulation analysis to predict device-related thrombosis in left atrial appendage occluders
Cao et al. Artificial intelligence in gastric cancer: applications and challenges
Singh et al. Recent advancement in the early detection of melanoma using computerized tools: An image analysis perspective
US20080123800A1 (en) Vasculature Partitioning Methods and Apparatus
CN103313646A (zh) 突出了高风险结构的虚拟内窥镜成像
WO2020223780A1 (pt) Método para identificação e classificação de lesões de próstata em imagens de ressonância magnética multiparamétrica
KR20210008283A (ko) 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
Farberg et al. The impact of quantitative data provided by a multi-spectral digital skin lesion analysis device on dermatologists’ decisions to biopsy pigmented lesions
JP7109815B2 (ja) デュアルクラスに対応できる疾病診断システム及び該方法
US10839513B2 (en) Distinguishing hyperprogression from other response patterns to PD1/PD-L1 inhibitors in non-small cell lung cancer with pre-therapy radiomic features
US20230298716A1 (en) Sputum image processing assembly and system, method of processing sputum contained in a sputum sample container, and method of processing a plurality of sputum samples over time
US12032658B2 (en) Method and system for improving cancer detection using deep learning
Sengers et al. Tractometric Coherence of Fiber Bundles in DTI
Zhou et al. Discovering abnormal patches and transformations of diabetics retinopathy in big fundus collections
Koulaouzidis Optimising performance in clinical capsule endoscopy
Hoffman et al. Automatic identification of IASLC-defined mediastinal lymph node stations on CT scans using multi-atlas organ segmentation
Morís et al. Multi-task localization of the hemidiaphragms and lung segmentation in portable chest X-ray images of COVID-19 patients