JP2007502173A - 分類プロセスへの空間的知見の組込み - Google Patents

分類プロセスへの空間的知見の組込み Download PDF

Info

Publication number
JP2007502173A
JP2007502173A JP2006523424A JP2006523424A JP2007502173A JP 2007502173 A JP2007502173 A JP 2007502173A JP 2006523424 A JP2006523424 A JP 2006523424A JP 2006523424 A JP2006523424 A JP 2006523424A JP 2007502173 A JP2007502173 A JP 2007502173A
Authority
JP
Japan
Prior art keywords
image
candy date
identifying
candy
date
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2006523424A
Other languages
English (en)
Other versions
JP2007502173A5 (ja
JP5105876B2 (ja
Inventor
クリシュナン，アラン
ファング，グレン
ストケル，ジョナサン
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.)
Siemens Medical Solutions USA Inc
Original Assignee
Siemens Medical Solutions USA 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 Siemens Medical Solutions USA Inc filed Critical Siemens Medical Solutions USA Inc
Publication of JP2007502173A publication Critical patent/JP2007502173A/ja
Publication of JP2007502173A5 publication Critical patent/JP2007502173A5/ja
Application granted granted Critical
Publication of JP5105876B2 publication Critical patent/JP5105876B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

発明者は対象の空間的位置に基づく複数の異なる分類子を使用することを提案する。このアプローチの背景には、複数の分類子の方が特徴空間全体をカバーする“ユニバーサル”分類子よりも正確に局所コンセプトを学習できるのではないか、という直感的なアイデアがある。局所分類子を採用すれば、特定の類に属する複数の対象がこの特定類中において互いに高度の類似性を有することになる。局所分類子の採用は、特に分類子がカーネル方式である場合、メモリー、ストレージ及び性能全般の向上にもつながる。ここで使用する語“カーネル方式分類子”とは元の訓練データを、分類タスクを容易にする、より高い次元の空間にマップするためにマッピング機能（即ち、カーネル）が使用されている分類子を意味する。

Description

関連出願との相互参照
本願は、全部を本願の一部として引用する、２００３年８月１３日付米国仮出願第６０/４９４，６４６号に基づく優先権を主張する。
本発明は機械分類の分野に係わり、特に、分類プロセスへの空間的知見の組込みに係わる。
公知技術の説明
対象を２つ以上の類に分類（即ち、分離）するのに分類子が使用される。分類子の例を以下に述べる。ここではＡ＋とＡ−と呼ぶことにする２つの対称群（即ち、類）から成る１組の対象Ａがここにあると想定する。ここで使用する語“対象”は母集団中の１つまたは２つ以上のエレメントを指す。分類子Ａは、Ａ中のすべてのエレメントを取り出し、エレメントがどの群に属するかに応じて標識“＋”または“−”をリターンする機能Ｆである。即ち、分類子は、ＦＵＮＣＴＩＯＮ Ｆ（Ａ）→｛−１、１｝で表すことができる。但し、−１はＡ−を表す数値であり、＋１はＡ＋を表す数値である。分類子Ａ＋及びＡ−は２つの別々の母集団を表すことができる。例えば、Ａ＋は肺中の構造（例えば、脈管、気管支）を表し、Ａ−は小結節を表すことができる。機能Ｆが訓練データ（即ち、既知分類を有するデータ）から訓練され、機能Ｆを利用することによって新しい及び未観測データを予見することができる。例えば、医師から得られた１０，０００個の既知対象で分類子を訓練することができる。この既知対象は一般に“グラウンド・トゥルース（ground truth）”と呼称される。グラウンド・トゥルースからの訓練に基づき、分類子を利用することによって、新しい且つ未観測の病状を自動診断することができる。
従来の分類子は同じ類に属する対象は同じような特徴値を有する、即ち、特徴空間中の同じ分布に属するとの想定に基づいて対象を類に分類する。しかし、同じ類に属する対象がその空間的位置に応じて異なる特徴値を有する場合が多い。ここで使用する語“特徴”は特定の類に属する対象を表す１つまたは２つ以上の属性を指す。例えば、小結節はサイズ、直径、真球度などのような多数の属性を含むベクトルで表すことができる。ベクトルはここで“特徴値”と呼称する属性値を含むことがある。
上記問題に対する既存の解決策は高い自由度を有する比較的複雑な分類子を使用するというものである。複雑な分類子を作成する１つの方法として、カーネル・マッピングを使用してデータをより高次元の特徴空間中にマッピングする方法である。即ち、機能Ｋ（即ち、カーネル）はオリジナル・データを取出してより高次元の特徴空間（即ち、より多くの特徴を有する特徴空間）にマッピングし、分類機能を見出すタスクの達成を容易にする。
例えば、オリジナル・データが幾つかの特徴を分析する単一の症例であるとする。もしオリジナル・データが１０個の特徴を有するとすれば、オリジナル・データに対応するベクトルは１０次元の特徴空間である。また、他の１，０００件の症例に対応する同様のデータがあれば、オリジナル・データと他の１，０００件の症例のそれぞれとの相似度を示す値となる相似関数を算出することができる。即ち、１０次元の特徴空間から１，０００次元の特徴空間が得られる。
ここで使用する語“自由度”とは統計値の最終計算における可変値の数を意味する。より複雑な分類子を形成する他の方法は、それぞれが異なる特徴群を利用して訓練され多数の単純な分類子を直列または並列に組み合わせる方法である。組み合わせた結果をまとめて分類子の集合体を形成する。
以上に述べたアプローチ及びこれと同様のアプローチには、同じ汎化性能を得るのに必要な高い自由度を満たす代わりに訓練用の症例を増やさねばならないという欠点がある。ここで使用する語“汎化性能”とは新規及び未観察データに対する分類子の性能を意味する。多くの理由から、汎化性能が低下する可能性がある。例えば、回帰分析の場合と同様に、分類のための学習（即ち、訓練)プロセスにおいて、訓練データをオーバーフィットする恐れがあり、その結果、新規及び未観察症例に対する予測性能が低くなる。
発明の概要
第１実施態様として、本発明は画像中のキャンディデイトを分類する方法を提供する。この方法は、第１キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第１分類子を使用して画像の第１キャンディデイトを分類し；第２キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第２分類子を使用して画像の第２キャンディデイトを分類するステップを含み、第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
ことを特徴とする前記方法。
第２実施態様として、本発明は画像上の小結節を自動検出する方法を提供する。この方法は画像を得；画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
第３実施態様として、本発明は画像中のキャンディデイトを分類する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体を提供する。この方法は第１キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して画像の第１キャンディデイトを分類し；第２キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して画像の第２キャンディデイトを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置が互いに排他的である。
第４実施態様として、本発明は画像上小結節を自動検出する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体を提供する。この方法は画像を得；画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
ことを特徴とする前記機械可読媒体。
本発明の図示実施例を以下に説明する。煩雑になることを避けるため、本明細書では実施可能な態様のすべての細部までは説明することはしない。当然のことながら、具体的な実施態様の開発に際して、それぞれの開発者に固有の目的を達成するには、例えば、システムに関連する条件及び業務に関連する条件と整合させるなど、種々の判断を下さねばならず、これらの条件は実施態様毎に異なる。また、このような開発努力は複雑であり、多大の時間を要するが、本発明の開示内容を活用する当業者にとっては当然のことである。
本発明には多様な変更や形態選択が考えられるが、ここでは特定の実施態様を図示し、その詳細を説明する。但し、本発明は以下に述べるこれら特定の実施例によって制限されるものではなく、添付の請求項が規定する本発明の思想及び範囲を逸脱しない変更態様、等価態様及び代替形態のすべてを包含する。
ここに述べるシステム及び方法は種々の形態のハードウエア、ソフトウエア、ファームウエア、特殊目的のプロセッサー、またはこれらの複合体において実施することができる。具体的には、本発明の少なくとも一部は、１つまたは２つ以上のプログラム記憶装置（例えば、ハード・ディスク、磁気フロッピーディスク、ＲＡＭ、ＲＯＭ、ＣＤＲＯＭ、など）で具体化され、適当な構造を有する装置またはマシーン、例えば、プロセッサー、メモリー、及び入/出力インターフェースを有する汎用ディジタルコンピューターによって実行可能なプログラム命令から成るアプリケーションとして実施することが好ましい。また、添付の図面に示すシステム構成成分及び方法ステップの幾つかはソフトウエアにおいて実施することが好ましいから、システム・モジュール間の（または方法ステップの論理流れの）接続は本発明をプログラムする態様に応じて異なることがある。当業者ならば、ここに開示する内容に基づいて、本発明の図示実施態様及び同様の実施態様を案出することができるであろう。
発明者は単一の複合分類子を使用するのではなく、対象の空間的位置に基づく複数の異なる分類子を使用することを提案する。このアプローチの背景には、複数の分類子の方が特徴空間全体をカバーする“ユニバーサル”分類子よりも正確に局所コンセプトを学習できるのではないか、という直感的なアイデアがある。局所分類子を採用すれば、特定の類に属する複数の対象がこの特定類中において互いに高度の類似性を有することになる。局所分類子の採用は、特に分類子がカーネル方式である場合、メモリー、ストレージ及び性能全般の向上にもつながる。ここで使用する語“カーネル方式分類子”とは元の訓練データを、分類タスクを容易にする、より高い次元の空間にマップするためにマッピング機能（即ち、カーネル）が使用されている分類子を意味する。
図１は本発明の一実施例として、対象の空間的位置に基づいてこの対象を分類する方法１００を示す。この方法１００が画像を得るステップ（１０５）は人体の物理的な走査、例えば、コンピューター断層撮像（“ＣＴ”）、磁気共鳴撮像（“ＭＲＩ”）または超音波撮像によって行うことができる。さらに他の実施態様として、衛星画像システムから得ることもできる。尚、画像を得るためには、当業者が考え得る多様な方法、装置のうちから選択された任意の方法、装置を利用することができる。
方法１００は画像上のエレメントの空間的位置を識別する（１１０）。例えば、肺の画像において問題となりそうな分類子としては、肺壁に密着しているエレメントを表わす壁密着分類子、気管支に密着しているエレメントを表わす気管支密着分類子、及び肺内部のエレメントを表す肺内部分類子などがある。例えば、心臓のような人体画像を利用することもできる。他の例として、衛星画像を陸塊のタイプ（例えば、山岳、砂漠、降雨林）に分類することも可能である。空間的位置は、例えば、グラフィカル・ユーザー・インターフェースを介して識別することができる。空間的位置はまた、例えば、画像上の種々の位置に関する予備知識を利用して自動的に識別することも可能である。他にも、空間的位置の識別に利用できる種々の自動的な方法（例えば、パターン・マッチング）があることは当業者のよく知るところである。
分類子は空間的位置をそれぞれに対応して作成される（１１５）。例として上述した肺走査の場合には、肺壁に密着しているエレメントを表わす壁密着分類子、気管支に密着しているエレメントを表わす気管支密着分類子、及び肺内部のエレメントを表す肺内部分類子などが問題となりそうな分類子である。分類子は既知データを利用して訓練することができる。上記の肺走査を例に取ると、特定の空間的位置に関して規定されたエレメントの訓練データを利用することによって分類子を訓練することができる。訓練データは既知及び検証済みデータから構成することができる。例えば、小結節の有無を判定する医師による検証例を訓練データとして使用することができる。種々の症状を訓練用のそれぞれ異なる分類子に対応する空間位置に分離させればよい。即ち、壁密着分類子は肺壁に密着するエレメントの訓練データのみを使用して訓練されることになる。この方法の利点は、分類子が特定位置におけるエレメントの（既知及び未知の）新規性を活用できることにある。例えば、気管支におけるエレメントの分類と肺内部のエレメントの分類とを別々の分類子で行うことができる。
方法１００はキャンディデイトを識別する（１２０）。ここで使用する語“キャンディデイト(candidates)”とは画像中の問題のエレメント（即ち、構造）を指す。分類子はそれぞれの空間的位置に固有であるから、キャンディデイトの分類は空間的位置を考慮しない場合よりも精度が高くなる。また、このような“局所分類子”を採用することで、複合的なユニバーサル分類子を使用する場合よりもメモリー、ストレージ及び性能の向上に結びつく。キャンディデイトは当業者に公知の多様な方法及び装置を任意に選択して手動的または自動的に識別することができる。例えば、疑わしい問題部位のコンピューター援用自動識別は癌検診の分野において広く知られている。
方法１００はキャンディデイトが存在する空間的位置と関連する該当の分類子を利用してキャンディデイトを標識の形で分類する（１２５）。上述した肺走査を例に取ると、もしキャンディデイトが肺内部に位置するなら、キャンディデイトは肺内部分類子を使用して分類される。キャンディデイトは、画像中の構造（即ち、エレメント）が小結節であることを表す“小結節”と標識されるか、または構造が小結節でないことを表す“非-小結節”と標識されることになる。標識としては、当業者に公知の多様な標識のうちのいずれかを使用すればよい。キャンディデイトを複数の標識で分類することもできる。
識別を容易にするため、具体的な標識を画像上に物理的にマークすることができる。例えば、上述した肺走査を例に取ると、小結節として識別されたキャンディデイトをマークすれば、観察者（例えば、医師）が病状を容易に識別できる。当業者には公知のように、タイプ及び形状の異なる標識を使用することで、複数の分類子を区別できる。マーキングは、例えば、識別されたそれぞれの小結節を囲む正方形または円であってもよい。
図２Ａ及び２Ｂは本発明の一実施態様として、分類後にマークされる肺ＣＴスキャンを示す。正方形マーキングは壁密着小結節、円形マーキングは肺内部小結節を示す。
以上に開示したのは飽くまでも説明のための特定実施態様であり、開示内容を利用する当業者には明らかなように、変更を加え、上記実施態様とは異なるが等価の態様で実施することができる。また、以上に述べた構成またはデザインのうちの、添付の請求項に記載されている以外の細部については如何なる制限も課せられない。即ち、以上に述べた特定の実施態様に変更を加えてもよいことはいうまでもなく、これらの変更実施態様はすべて本発明の範囲と思想に包含される、従って、本発明が請求する保護の範囲は添付の請求項によってのみ規定される。
類似のエレメントにそれぞれ類似の参照符号を付した添付図面を参照して、本発明を以下に説明する。
本発明の一実施例として、対象の空間的位置に基づいて該対象を分類する方法のフローダイヤグラムである。 本発明の一実施例として、小結節分類後の肺ＣＴスキャン例の写真である。 本発明の一実施例として、小結節分類後の肺ＣＴスキャン例の写真である。

Claims (23)

  1. 画像中のキャンディデイトを分類する方法において、
    第１キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第１分類子を使用して画像の第１キャンディデイトを分類し；
    第２キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第２分類子を使用して画像の第２キャンディデイトを分類する
    ステップを含み、
    第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記方法。
  2. 画像を得るステップをも含むことを特徴とする請求項１に記載の方法。
  3. 画像を得るステップが人体の少なくとも一部のＣＴ、ＭＲＩまたは超音波画像のうちの少なくとも１つを得るステップであることを特徴とする請求項２に記載の方法。
  4. 画像を得るステップが衛星画像を得るステップであることを特徴とする請求項２に記載の方法。
  5. 画像上の空間的位置を識別するステップをも含むことを特徴とする請求項１に記載の方法。
  6. 画像上の空間的位置を識別するステップがグラフィカル・ユーザー・インターフェースを設けることによって画像上の空間的位置を手動識別するステップであることを特徴とする請求項５に記載の方法。
  7. 画像上の空間的位置を識別するステップが画像上の空間的位置を自動識別するステップであることを特徴とする請求項５に記載の方法。
  8. 画像上の空間的位置を自動識別するステップが空間的位置の既知情報を利用して画像上の空間的位置を自動識別するステップであることを特徴とする請求項７に記載の方法。
  9. 画像上の空間的位置を自動識別するステップがパターン・マッチングを利用して画像上の空間的位置を自動識別するステップであることを特徴とする請求項７に記載の方法。
  10. 人体の少なくとも一部の画像上の空間的位置を識別することを特徴とする請求項５に記載の方法。
  11. 人体の少なくとも一部の画像上の空間的位置を識別するステップが肺の画像上の空間的位置を識別するステップであることを特徴とする請求項１０に記載の方法。
  12. 肺の画像上の空間的位置が壁密着領域、肺内部領域及び気管支領域を含むことを特徴とする請求項１１に記載の方法。
  13. 人体の少なくとも一部の画像上の空間的位置を識別するステップが心臓の画像上の空間的位置を識別するステップであることを特徴とする請求項１０に記載の方法。
  14. 画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップであることを特徴とする請求項１に記載の方法。
  15. 画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップがグラフィカル・ユーザー・インターフェースを設けることによって画像上の第１キャンディデイト及び第２キャンディデイトを手動識別するステップであることを特徴とする請求項１４に記載の方法。
  16. 画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップが画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップであることを特徴とする請求項１４に記載の方法。
  17. 画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップがパターン・マッチングを利用して画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップであることを特徴とする請求項１６に記載の方法。
  18. 第１キャンディデイトを分類するステップが第１キャンディデイトが小結節であるかどうかを自動分類するステップであり、第２キャンディデイトを分類するステップが第２キャンディデイトが小結節であるかどうかを自動分類するステップであることを特徴とする請求項１に記載の方法。
  19. 訓練データが医師によって検証されたデータであることを特徴とする請求項１に記載の方法。
  20. 画像上の小結節を自動検出する方法において、
    画像を得；
    画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；
    第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
    第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
    第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；
    第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；
    第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記方法。
  21. 第１キャンディデイトが小結節なら第１キャンディデイトをマークし；
    第２キャンディデイトが小結節なら第２キャンディデイトをマークする
    ステップをも含むことを特徴とする請求項２０に記載の方法。
  22. 画像中のキャンディデイトを分類する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体において、前記方法が
    第１キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して画像の第１キャンディデイトを分類し；
    第２キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して画像の第２キャンディデイトを分類する
    ステップを含み；
    第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置が互いに排他的であることを特徴とする前記機械可読媒体。
  23. 画像上小結節を自動検出する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体において、前記方法が
    画像を得；
    画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；
    第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
    第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
    第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；
    第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類する
    ステップを含み；
    第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記機械可読媒体。
JP2006523424A 2003-08-13 2004-08-13 分類プロセスへの空間的知見の組込み Expired - Fee Related JP5105876B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US49464603P 2003-08-13 2003-08-13
US60/494,646 2003-08-13
US10/915,076 2004-08-10
US10/915,076 US7634120B2 (en) 2003-08-13 2004-08-10 Incorporating spatial knowledge for classification
PCT/US2004/026425 WO2005017815A2 (en) 2003-08-13 2004-08-13 Incorporating spatial knowledge for classification

Publications (3)

Publication Number Publication Date
JP2007502173A true JP2007502173A (ja) 2007-02-08
JP2007502173A5 JP2007502173A5 (ja) 2007-10-11
JP5105876B2 JP5105876B2 (ja) 2012-12-26

Family

ID=34198001

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006523424A Expired - Fee Related JP5105876B2 (ja) 2003-08-13 2004-08-13 分類プロセスへの空間的知見の組込み

Country Status (4)

Country Link
US (1) US7634120B2 (ja)
JP (1) JP5105876B2 (ja)
DE (1) DE112004001468B4 (ja)
WO (1) WO2005017815A2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7903857B2 (en) * 2006-04-17 2011-03-08 Siemens Medical Solutions Usa, Inc. Robust click-point linking with geometric configuration context: interactive localized registration approach
US8015131B2 (en) * 2007-10-12 2011-09-06 Microsoft Corporation Learning tradeoffs between discriminative power and invariance of classifiers
US9384397B2 (en) * 2013-08-22 2016-07-05 Ut-Battelle, Llc Model for mapping settlements
US11568625B2 (en) 2021-01-07 2023-01-31 Nvidia Corporation Targeted object detection in image processing applications

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07194583A (ja) * 1993-12-29 1995-08-01 Toshiba Corp Ｘ線診断装置
JPH07323024A (ja) * 1994-06-01 1995-12-12 Konica Corp 画像診断支援装置
JPH09134434A (ja) * 1995-09-29 1997-05-20 Philips Electron Nv 明暗度画像内の所定のタイプの癌領域を自動検出する画像処理方法及び装置
JPH1091782A (ja) * 1996-09-10 1998-04-10 Olympus Optical Co Ltd 濃淡画像用特定部位抽出方法
JP2002325754A (ja) * 2001-04-27 2002-11-12 Canon Inc 画像処理方法および装置
US6549646B1 (en) * 2000-02-15 2003-04-15 Deus Technologies, Llc Divide-and-conquer method and system for the detection of lung nodule in radiological images
JP2003115041A (ja) * 2001-10-05 2003-04-18 Fuji Photo Film Co Ltd 異常陰影検出装置および胸筋領域抽出装置

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5273040A (en) * 1991-11-14 1993-12-28 Picker International, Inc. Measurement of vetricle volumes with cardiac MRI
US5638458A (en) * 1993-11-30 1997-06-10 Arch Development Corporation Automated method and system for the detection of gross abnormalities and asymmetries in chest images
US5612901A (en) * 1994-05-17 1997-03-18 Gallegos; Sonia C. Apparatus and method for cloud masking
US5842194A (en) * 1995-07-28 1998-11-24 Mitsubishi Denki Kabushiki Kaisha Method of recognizing images of faces or general images using fuzzy combination of multiple resolutions
TW514513B (en) * 1996-02-06 2002-12-21 Deus Technologies Inc Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network
US6125194A (en) * 1996-02-06 2000-09-26 Caelum Research Corporation Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing
US5757953A (en) * 1996-02-29 1998-05-26 Eastman Kodak Company Automated method and system for region decomposition in digital radiographic images
US6909797B2 (en) * 1996-07-10 2005-06-21 R2 Technology, Inc. Density nodule detection in 3-D digital images
US5943435A (en) * 1997-10-07 1999-08-24 Eastman Kodak Company Body part recognition in radiographic images
US6282307B1 (en) * 1998-02-23 2001-08-28 Arch Development Corporation Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs
US6898303B2 (en) * 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
US7336809B2 (en) * 2001-11-23 2008-02-26 R2 Technology, Inc. Segmentation in medical images
US20030099390A1 (en) * 2001-11-23 2003-05-29 Xiaolan Zeng Lung field segmentation from CT thoracic images
AU2003216295A1 (en) 2002-02-15 2003-09-09 The Regents Of The University Of Michigan Lung nodule detection and classification
US6795526B2 (en) * 2002-03-04 2004-09-21 Ge Medical Systems Global Technology Co., Llc Automatic exposure control for a digital image acquisition system
US20050033139A1 (en) * 2002-07-09 2005-02-10 Deus Technologies, Llc Adaptive segmentation of anatomic regions in medical images with fuzzy clustering
WO2005007023A2 (en) * 2003-07-09 2005-01-27 Emphasys Medical, Inc. Treatment planning with implantable bronchial isolation devices

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07194583A (ja) * 1993-12-29 1995-08-01 Toshiba Corp Ｘ線診断装置
JPH07323024A (ja) * 1994-06-01 1995-12-12 Konica Corp 画像診断支援装置
JPH09134434A (ja) * 1995-09-29 1997-05-20 Philips Electron Nv 明暗度画像内の所定のタイプの癌領域を自動検出する画像処理方法及び装置
JPH1091782A (ja) * 1996-09-10 1998-04-10 Olympus Optical Co Ltd 濃淡画像用特定部位抽出方法
US6549646B1 (en) * 2000-02-15 2003-04-15 Deus Technologies, Llc Divide-and-conquer method and system for the detection of lung nodule in radiological images
JP2002325754A (ja) * 2001-04-27 2002-11-12 Canon Inc 画像処理方法および装置
JP2003115041A (ja) * 2001-10-05 2003-04-18 Fuji Photo Film Co Ltd 異常陰影検出装置および胸筋領域抽出装置

Also Published As

Publication number Publication date
US7634120B2 (en) 2009-12-15
DE112004001468B4 (de) 2017-08-17
WO2005017815A3 (en) 2005-04-07
JP5105876B2 (ja) 2012-12-26
US20050058338A1 (en) 2005-03-17
DE112004001468T5 (de) 2008-02-14
WO2005017815A2 (en) 2005-02-24

Similar Documents

Publication Publication Date Title
US20090092299A1 (en) System and Method for Joint Classification Using Feature Space Cluster Labels
Dey et al. Soft computing based medical image analysis
US20060004282A1 (en) Image generation apparatus, image generation method, and program therefor
US11334992B2 (en) Computer-implemented method to increase the accuracy of machine learning models for medical image processing
Ypsilantis et al. Recurrent convolutional networks for pulmonary nodule detection in CT imaging
Székely et al. A hybrid system for detecting masses in mammographic images
Feulner et al. A probabilistic model for automatic segmentation of the esophagus in 3-D CT scans
Lu et al. Computer aided diagnosis using multilevel image features on large-scale evaluation
Liu et al. Lung segmentation based on random forest and multi‐scale edge detection
Ahmad et al. Optimized lung nodule prediction model for lung cancer using contour features extraction
Mestetskiy et al. Gender identification of Drosophila melanogaster based on morphological analysis of microscopic images
Gugulothu et al. A novel deep learning approach for the detection and classification of lung nodules from ct images
JP5105876B2 (ja) 分類プロセスへの空間的知見の組込み
Albahli et al. AI-CenterNet CXR: An artificial intelligence (AI) enabled system for localization and classification of chest X-ray disease
Avni et al. X-ray categorization and spatial localization of chest pathologies
JP2007510438A (ja) 結腸のポリープを検出するために切断面を用いる方法およびシステム
Xiong et al. Lung field segmentation using weighted sparse shape composition with robust initialization
Retico Computer-aided detection for pulmonary nodule identification: improving the radiologist's performance?
Ng et al. Hierarchical and binary spatial descriptors for lung nodule image retrieval
Moghaddam et al. Towards smart diagnostic methods for COVID-19: Review of deep learning for medical imaging
Gupta et al. Unsupervised feature mapping via stacked sparse autoencoder for automated detection of large pulmonary nodules in CT images
Bhotika et al. Part-based local shape models for colon polyp detection
Tao et al. Anatomical Structure-Aware Pulmonary Nodule Detection via Parallel Multi-task RoI Head
Rajaraman et al. Multi-loss ensemble deep learning for chest X-ray classification
Bhattacharya et al. MIC-CUSP: Multimodal Image Correlations for Ultrasound-Based Prostate Cancer Detection

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070813

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20070813

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20080619

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100119

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20100416

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100421

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20100423

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100518

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100713

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20101013

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20101020

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20101112

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20101119

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20101213

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20101220

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110112

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110308

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20110608

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20110615

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20110708

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20110715

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110808

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20111101

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20120201

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20120208

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20120301

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20120308

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20120330

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20120406

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120419

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20120904

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20121002

R150 Certificate of patent or registration of utility model

Ref document number: 5105876

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20151012

Year of fee payment: 3

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313113

R360 Written notification for declining of transfer of rights

Free format text: JAPANESE INTERMEDIATE CODE: R360

R360 Written notification for declining of transfer of rights

Free format text: JAPANESE INTERMEDIATE CODE: R360

R371 Transfer withdrawn

Free format text: JAPANESE INTERMEDIATE CODE: R371

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313113

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees