JP2015080720A - コンピュータ補助診断方法及び装置 - Google Patents

コンピュータ補助診断方法及び装置 Download PDF

Info

Publication number
JP2015080720A
JP2015080720A JP2014212381A JP2014212381A JP2015080720A JP 2015080720 A JP2015080720 A JP 2015080720A JP 2014212381 A JP2014212381 A JP 2014212381A JP 2014212381 A JP2014212381 A JP 2014212381A JP 2015080720 A JP2015080720 A JP 2015080720A
Authority
JP
Japan
Prior art keywords
dimensional
virtual plane
volume data
slices
generating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2014212381A
Other languages
English (en)
Inventor
叡 薫 金
Ye-Hoon Kim
叡 薫 金
文 號 朴
Moon Hao Park
文 號 朴
英 慶 成
Yeong-Kyeong Seong
英 慶 成
金　重　會
Jung-Hoe Kim
重 會 金
百 煥 趙
Baek Hwan Cho
百 煥 趙
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of JP2015080720A publication Critical patent/JP2015080720A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/4814—MR combined with ultrasound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Hardware Design (AREA)
  • Pulmonology (AREA)
  • General Engineering & Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

【課題】 コンピュータ補助診断方法及び装置を提供する。
【解決手段】 本発明は、医療診断装置及び方法に関するものであって、身体部位の３次元体積データを受信する段階と、３次元体積データを切断した断面を含む複数の２次元スライスを生成する段階と、複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断し、前記判断の結果を出力する判断段階と、結果に基づいて複数の２次元スライスのうち一部を選択する選択段階と、選択された２次元スライスに基づいて病変が良性か悪性かについての最終判断を行う導出段階と、を含む。
【選択図】 図８

Description

本発明は、コンピュータ補助診断（ＣＡＤ）を利用した医学的診断のための方法及び装置に関する。
コンピュータ補助診断（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ；以下、ＣＡＤと称する）は、画像デザイン（ｉｍａｇｅ ｄｅｓｉｇｎ）を生成、修正、分析、または最適化するために使われるシステムである。ＣＡＤは、患者の身体を撮影した医療画像の分析を支援し、各医療画像から病変の診断を支援する。そのような分析や診断によって、医師は、正確な診察を行うことが可能となる。最近、医療機器の急速な発展につれて、人体臓器の内部断面を表わす３次元画像を処理及び出力する医療機器が登場している。また、このような３次元画像を利用したコンピュータ補助診断技術を開発するための研究が進められた。
３次元画像は、患者の身体部位を３次元的に表現する画像である。しかし、３次元画像は、体積データ内部に位置した臓器または組織などに対する可視性が落ちる。また、３次元画像を利用したＣＡＤ技術の研究開発が行われているにも拘らず、診断するとき、医師及びその他の医療専門家は、依然として３次元画像よりは２次元医療画像に依存しており、さらに３次元医療画像よりも２次元医療画像に慣れている。
本発明が解決しようとする課題は、コンピュータ補助診断方法及び装置を提供するところにある。
例示的な一構成によって医療診断方法が提供され、当該方法は、身体部位の３次元体積データを受信する段階と、前記３次元体積データを切断した断面を含む複数の２次元スライスを生成する段階と、前記複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断し、前記判断の結果を出力する判断段階と、前記結果に基づいて前記複数の２次元スライスのうち一部を選択する選択段階と、選択された２次元スライスに基づいて前記病変が良性か悪性かについての最終判断を行う導出段階と、を含む。
前記判断段階は、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するために、前記複数の２次元スライスのそれぞれを診断モデルに適用する段階を含みうる。
前記判断段階は、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するために、前記複数の２次元スライスのそれぞれを、所定の断面切断方向に基づいて生成された診断モデルに適用する段階を含みうる。
前記判断段階は、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するために、前記複数の２次元スライスのそれぞれを、前記複数の２次元スライスのそれぞれの断面切断方向に基づいて生成されたそれぞれの診断モデルに適用する段階を含みうる。
前記結果のそれぞれは、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かのような分類結果、及び前記分類結果の信頼度を含みうる。
前記複数の２次元スライスを生成する段階は、仮想平面を生成する段階と、前記仮想平面によって切断された前記３次元体積データの断面を含む複数の２次元スライスを生成する段階と、を含みうる。
前記仮想平面を生成する段階は、前記３次元体積データ上の任意の平面を表わす平面方程式の係数値を変更することによって、前記仮想平面を生成する段階を含みうる。
前記仮想平面を生成する段階は、前記３次元体積データの主成分分析（ＰＣＡ）を行うことによって、前記仮想平面を生成する段階を含みうる。
前記仮想平面を生成する段階は、前記３次元体積データのボクセル値に基づいて、前記ボクセルのうち所定の特徴を有する特徴点を決定する段階と、前記主成分分析を行うことによって、前記特徴点の分布に基づいて前記仮想平面を生成する段階と、を含みうる。
前記仮想平面を生成する段階は、前記主成分分析を行うことによって、前記３次元体積データの変化が最も大きな方向の軸に対応する第１主成分ベクトルを計算する段階と、前記第１主成分ベクトルを基準に前記仮想平面を生成する段階と、を含みうる。
前記仮想平面を生成する段階は、前記３次元体積データのボクセル値に基づいて前記３次元体積データに含まれているマス（ｍａｓｓ）を検出する段階と、前記主成分分析を行うことによって、前記マス内に含まれた点の分布に基づいて前記仮想平面を生成する段階と、を含みうる。
前記仮想平面を生成する段階は、ユーザ入力情報に基づいて前記仮想平面を生成する段階を含みうる。
例示的な他の構成によって医療診断装置が提供され、前記装置は、身体部位の３次元体積データを受信するように構成された入力部と、前記３次元体積データを切断した断面を含む複数の２次元スライスを生成するように構成された画像処理部と、前記複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断し、前記判断の結果を出力するように構成された第１診断部と、前記結果に基づいて前記複数の２次元スライスのうち一部を選択するように構成された選択部と、選択された２次元スライスに基づいて前記病変が良性か悪性かについての最終判断を行うように構成された第２診断部と、を含む。
前記第１診断部は、前記複数の２次元スライスのそれぞれを診断モデルに適用して、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断することができる。
前記第１診断部は、前記複数の２次元スライスのそれぞれを、所定の断面切断方向に基づいて生成された診断モデルに適用することによって、前記複数のスライス内のそれぞれの前記病変が良性か悪性かを判断することができる。
前記第１診断部は、前記複数の２次元スライスのそれぞれを、前記複数の２次元スライスのそれぞれの断面切断方向に基づいて生成されたそれぞれの診断モデルに適用することによって、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断することができる。
前記結果のそれぞれは、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを分類した分類結果、及び前記分類結果の信頼度を含みうる。
前記画像処理部は、仮想平面を生成するように構成された仮想平面生成部と、前記仮想平面によって切断された前記３次元体積データの断面の２次元スライスを生成するように構成された２次元スライス生成部と、を含みうる。
前記仮想平面生成部は、前記３次元体積データ上の任意の平面の平面方程式の係数値を変更することによって、前記仮想平面を生成することができる。
前記仮想平面生成部は、前記３次元体積データに対して主成分分析を行うことによって、前記仮想平面を生成することができる。
前記仮想平面生成部は、前記３次元体積データのボクセル値に基づいて、前記ボクセルのうち所定の特徴を有する特徴点を決定し、前記主成分分析を用いて前記特徴点の分布から前記仮想平面を生成することができる。
前記仮想平面生成部は、前記主成分分析を行うことによって、前記３次元体積データの変化が最も大きくなる方向の軸に対応する第１主成分ベクトルを計算し、前記第１主成分ベクトルに基づいて前記仮想平面を生成することができる。
前記仮想平面生成部は、前記３次元体積データのボクセル値に基づいて、前記３次元体積データに含まれているマスを検出し、前記主成分分析を行うことによって、前記マスを構成する点の分布に基づいて前記仮想平面を生成することができる。
前記仮想平面生成部は、ユーザ入力情報に基づいて前記仮想平面を生成することができる。
前記第１診断部は、病変から抽出された特徴を用いて特徴ベクトルを生成し、前記特徴ベクトルを診断モデルに適用することで前記病変が良性か悪性かを分類し、この分類結果の信頼度を計算することができる。
前記第２診断部は、前記選択された２次元スライス内のそれぞれの前記病変の分類結果に基づいて前記病変が良性か悪性かを決定することができる。
前記選択部は、２つ以上の２次元スライスを１つのグループに結合し、前記グループ内の２次元スライスの信頼度を比較し、前記信頼度の高い順に１つ以上の２次元スライスを選択することができる。
前記選択部は、前記選択された２次元スライスをランダムに１つのグループに結合し、前記グループ内の２次元スライスの信頼度を比較し、前記信頼度の高い順に１つ以上の２次元スライスを選択することができる。
例示的なさらに他の構成によって医療診断方法が提供され、当該方法は、身体部位の３次元体積データを受信する段階と、前記３次元体積データを切断した断面を表わす複数の２次元スライスを生成する段階と、前記複数の２次元スライスの断面切断方向に対応する診断モデルの組合わせを含む統合診断モデルを生成する段階と、前記複数の２次元スライスのうち少なくとも１つを前記統合診断モデルに適用することによって、前記複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断する段階と、を含む。
前記統合診断モデルを生成する段階は、複数の診断モデルのうち、前記複数の２次元スライスのそれぞれの断面切断方向と同じ断面切断方向に基づいて生成された少なくとも１つの診断モデルを選択する段階と、選択された少なくとも１つの診断モデルを統合することによって、前記統合診断モデルを生成する段階と、を含みうる。
前記複数の２次元スライスを生成する段階は、仮想平面を生成する段階と、前記仮想平面によって切断された前記３次元体積データの断面を表わす複数の２次元スライスを生成する段階と、を含みうる。
前記仮想平面を生成する段階は、前記３次元体積データ上の任意の平面を表わす平面方程式の係数値を変更することによって、前記仮想平面を生成する段階を含みうる。
前記仮想平面を生成する段階は、前記３次元体積データに対して主成分分析を行うことによって、前記仮想平面を生成する段階を含みうる。
例示的なさらに他の構成によって医療診断装置が提供され、前記装置は、身体部位の３次元体積データを受信するように構成された入力部と、前記３次元体積データを切断した断面を含む複数の２次元スライスを生成するように構成された画像処理部と、前記複数の２次元スライスのそれぞれの断面切断方向に対応する診断モデルの組合わせを含む統合診断モデルを生成し、前記複数の２次元スライスのうち少なくとも１つを前記統合診断モデルに適用して、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するように構成された診断部と、を含む。
前記診断モデルは、前記複数の２次元スライスの断面切断方向と同じ断面切断方向に基づいて生成されうる。
前記画像処理部は、仮想平面を生成するように構成された仮想平面生成部と、前記仮想平面によって切断された前記３次元体積データの断面を表わす複数の２次元スライスを生成するように構成された２次元スライス生成部と、を含みうる。
前記仮想平面生成部は、前記３次元体積データ上の任意の平面を表わす平面方程式の係数値を変更することによって、前記仮想平面を生成することができる。
前記仮想平面生成部は、前記３次元体積データに対して主成分分析を行うことによって、前記仮想平面を生成することができる。
前記画像処理部は、前記３次元体積データ内の変化が最も大きくなる第１方向の軸に対応する第１主成分ベクトルを計算し、前記３次元体積データ内の変化が二番目に大きくなる第２方向の軸に対応する第２主成分ベクトルを計算するために主成分分析（ＰＣＡ）を行い、前記第１主成分ベクトル及び前記第２主成分ベクトルを含む仮想平面を計算することができる。
前記画像処理部は、前記３次元体積データ内の変化が最も大きな仮想平面を計算し、前記仮想平面に平行な追加的な仮想平面を生成するように構成された仮想平面生成部と、前記３次元体積データ内のあらゆるボクセルのうちから前記仮想平面と交差するボクセルを抽出し、前記仮想平面上のピクセル値のような前記抽出されたボクセル値を表示することによって、それぞれの２次元スライスを生成するように構成された２次元スライス生成部と、を含みうる。
その他の特徴と態様は、下記の詳細な説明と図面、及び特許請求の範囲によって明らかになる。
本発明の一実施形態によるコンピュータ補助診断（ＣＡＤ）を利用する医療診断装置の構成図である。 本発明の一実施形態による画像処理部の構成図である。 本発明の一実施形態による診断部の構成図である。 全域探索方法を説明する例示図である。 全域探索方法を説明する例示図である。 全域探索方法を説明する例示図である。 主成分分析（ＰＣＡ）方法を説明する例示図である。 主成分分析（ＰＣＡ）方法を説明する例示図である。 主成分分析（ＰＣＡ）方法を説明する例示図である。 主成分分析（ＰＣＡ）方法を説明する例示図である。 主成分分析（ＰＣＡ）方法を説明する例示図である。 ２次元スライスの選択を説明する例示図である。 ２次元スライスの選択を説明する例示図である。 ２次元スライスの選択を説明する例示図である。 本発明の一実施形態によるＣＡＤを利用する医療診断方法のフローチャートである。 本発明の一実施形態による３次元体積データから複数の２次元スライスを生成する過程を示すフローチャートである。 本発明の他の実施形態によるＣＡＤを利用する医療診断方法のフローチャートである。
下記の説明は、本文書に記述されている方法、装置、及び／またはシステムを読者の理解を助けるために提供される。したがって、本文書で記述されている方法、装置、及び／またはシステムに関連した多様な変化、修正、及び等価物などが当業者に提示されて暗示される。また、よく知られた機能と構造とに関する説明は、簡明を期すために省略されうる。
以下、添付図面を参照して、実施形態を詳しく記述する。
図１は、本発明の一実施形態によるコンピュータ補助診断（ＣＡＤ）を利用する医療診断装置の構成図である。
図１を参照すれば、図１に示された実施形態によるコンピュータ補助診断装置１００は、入力部１１０、画像処理部１３０、及び診断部１５０を含みうる。入力部１１０、画像処理部１３０、及び診断部１５０は、構造的な要素である。
入力部１１０は、患者の身体部位を３次元的に表わす体積データを入力されて画像処理部１３０に伝達する。体積データは、３Ｄプローブを利用した３Ｄ超音波画像機器、コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ、ＣＴ）、磁気共鳴画像（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ、ＭＲＩ）、またはＸ線撮影機器のような３次元医療画像撮像装置を用いて獲得されうる。
超音波イメージの例を挙げれば、患者身体上で超音波プローブの位置（ｌｏｃａｔｉｏｎ）と方向（ｏｒｉｅｎｔａｔｉｏｎ）とを変化させながら、患者身体の特定部位に対する多数の断面画像を生成する。引き続き、生成された断面画像を蓄積することによって、患者身体の特定部位を３次元で表わす３次元体積データ（３Ｄ ｖｏｌｕｍｅ ｄａｔａ）を生成する。このように断面画像を蓄積して、体積データを生成する方式をＭＰＲ（多断面再構成）方式と言う。
画像処理部１３０は、入力部１１０を通じて入力された体積データを切断した断面を含む複数の２次元スライスを生成する。体積データは、少なくとも１つの方向に切られることによって、複数の２次元スライスが生成される。画像処理部１３０は、複数の２次元スライスを診断部１５０に伝送する。一例で、画像処理部１３０は、体積データの３次元空間内で少なくとも１つの仮想平面を生成する。以後、生成された仮想平面で切断された体積データの断面を含む複数の２次元スライスを生成することができる。
図２を参照すれば、画像処理部１３０は、仮想平面生成部１３１及び２次元スライス生成部１３２を含む。
仮想平面生成部１３１は、全域探索（ｆｕｌｌ ｓｅａｒｃｈ）または主成分分析（ＰＣＡ）によって少なくとも１つの仮想平面を生成する。
仮想平面生成部１３１は、任意の平面方程式で傾き及び中心座標値を変更することによって、体積データの３次元空間上で生成可能なあらゆる仮想平面を生成する（全域探索）。
例えば、仮想平面生成部１３１は、数式（１）のような平面方程式を用いて仮想平面を生成する。
数式（１）は、体積データの３次元空間上の点（ｉｄ、ｊｄ、ｋｄ）を通り、ベクトル（１、ｐｄ、ｑｄ）に垂直である平面の方程式である。仮想平面生成部１３１は、数式（１）で傾き値ｐｄ、ｑｄと中心座標値（ｉｄ、ｊｄ、ｋｄ）とを変更することによって、体積データの３次元空間上で生成可能なあらゆる平面の平面方程式を計算する。
図４Ａ〜図４Ｃは、全域探索を用いて断面切断方向を決定する例を示す。図４Ａは、体積データで、３次元空間の１つの点（ｉｄ、ｊｄ、ｋｄ）を経ながらｉｊ平面に垂直であるベクトルを中心に−９０゜から９０゜の間の範囲内で回転する平面を表わす。図４Ａは、数式（１）で、その他の係数値が固定された状態である時、傾きｐｄが変化する時、体積データの平面を図示する。
また、図４Ｂは、体積データで、３次元空間の１つの点（ｉｄ、ｊｄ、ｋｄ）を経ながらｉｋ平面に垂直であるベクトルを中心に−９０゜から９０゜の範囲内で回転する平面を表わす。この例で、数式（１）で他の係数値が固定された状態で傾きｑｄが変化される。
図４Ｃは、数式（１）で他の係数値が固定された状態で傾きｉｄが変化する時、３次元空間の１つの点（ｉｄ、ｊｄ、ｋｄ）を含む平面を示す。
もちろん、中心座標の他の係数ｊｄ、ｋｄが変化する時にも、図４Ｃに示された平面と類似した方式で３次元空間の点（ｉｄ、ｊｄ、ｋｄ）を含む平面が生成されうる。
他の例を挙げれば、仮想平面生成部１３１は、入力された体積データの主成分分析（ＰＣＡ）を用いて少なくとも１つの仮想平面を生成する。
例えば、仮想平面生成部１３１は、体積データの主成分分析を行うことによって、３次元空間で体積データで変化が最も大きくなる方向の軸に該当する第１主成分ベクトルを計算する。その後、仮想平面生成部１３１は、第１主成分ベクトルに基づいて、少なくとも１つの仮想平面を生成する。
例えば、体積データの主成分分析を通じて第１主成分ベクトルと第２主成分ベクトルとが決定されれば、仮想平面生成部１３１は、第１主成分ベクトルと第２主成分ベクトルとを含む平面を計算する。ここで、第１主成分ベクトルは、体積データで変化が一番大きくなる方向の軸を意味し、第２主成分ベクトルは、体積データで変化が二番目に大きくなる方向の軸を意味する。それぞれの主成分ベクトルは、３次元空間で何れか１つの方向を表わす１次元軸を意味するので、２つの主成分ベクトルによって１つの平面が特定されうる。この平面は、主成分分析による体積データの変化が最も大きな平面に該当する。
一方、主成分分析は、一種の統計的分析方式なので、完全に正確な結果を提供することができない。したがって、仮想平面生成部１３１は、第１主成分ベクトル、第２主成分ベクトル以外の追加的な主成分ベクトルを計算し、３つ以上の主成分ベクトルの組合わせから多数の平面を生成する方式で１つ以上の仮想平面を生成することができる。
図５Ａ〜図５Ｂ及び図６Ａ〜図６Ｃを参照して主成分分析を行うことによって、断面切断方向を決定する例を説明すれば、次の通りである。
図５Ａに示された平面のうち、最前の平面は、第１主成分ベクトルと第２主成分ベクトルとで構成された平面である。図５Ａの残りの平面は、第１主成分ベクトルと第２主成分ベクトルと含む平面、すなわち、最前の平面を第３主成分ベクトルの方向に平行に移動させることによって、生成された平面である。図５Ｂに示された平面のうち、最前の平面は、第１主成分ベクトルと第３主成分ベクトルとで構成された平面である。図５Ｂで残りの平面は、第１主成分ベクトルと第３主成分ベクトルとで構成された平面、すなわち、最前の平面を第２主成分ベクトルの方向に平行に移動させることによって、生成された平面である。
一方、仮想平面生成部１３１は、体積データに対して２次元主成分分析（２D ＰＣＡ）を行うことによって、３次元空間内で体積データの変化形態によって少なくとも１つの仮想平面を生成する。例えば、仮想平面生成部１３１は、入力された体積データに対して２次元主成分分析を行うことによって、３次元空間内で前記入力された体積データの変化が最も大きく発生した仮想平面を計算し、該計算された仮想平面に基づいて少なくとも１つの仮想平面を生成する。また、仮想平面生成部１３１は、以前に生成された仮想平面を平行に移動させることによって、追加的な仮想平面を生成し、これにより、追加的に生成された仮想平面は、前記以前に生成された仮想平面に対して平行である。
図６Ａを参照すれば、仮想平面生成部１３１は、体積データのボクセル値に基づいて３次元体積データに含まれているマスを検出し、３次元空間でマス内に含まれた点の分布から主成分ベクトルを計算する。この際、マスは、３次元体積データに含まれる任意の対象物を意味する。３次元体積データがあるマスを含む場合、一般的に、そのマスの境界部分でボクセル値が大きく変化されうる。しかしながら、身体組織（ａｎａｔｏｍｉｃａｌ ｔｉｓｓｕｅｓ）は、均一ではなく、これらの境界は、画像内で明確にされない場合がほとんどである。したがって、正確な診断のために、医療専門家が診断しようとする特定組織の形態や画像特性などに関する情報がさらに要求されている。
体積データからマスを分割（ｓｅｇｍｅｎｔ）する方法には、レベルセット法（ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄ、ＬＳＭ）などさまざまな方法が存在する。レベルセット法は、境界と形状とを追跡するための数値的な手法である。レベルセット法の長所のうちの１つは、対象物をパラメータで表示せずとも、固定された直交座標での曲線と表面とに関する数値計算を行えるという点である。また、レベルセット法は、形状が２つに分割されるか、穴が生じる場合、またはその反対の場合に、幾何学形状が変化する形状に対しても、引き続き適用可能にする。例えば、仮想平面生成部１３１は、レベルセット法を用いて体積データのボクセル値に基づいて体積データに含まれたマスを分割することができる。
図６Ｂを参照すれば、仮想平面生成部１３１は、体積データに含まれたボクセル値に基づいてボクセルのうち、診断しようとする特定組織の形態や画像特性などの特徴を有する特徴点を識別する。仮想平面生成部１３１は、３次元空間内で識別された特徴点の分布から主成分ベクトルを計算する。
図６Ｃを参照すれば、仮想平面生成部１３１は、体積データのボクセルのうち何れか１つのボクセルの特徴を、このボクセルを中心にする既定のサイズのボクセル集合を用いて計算する。例えば、仮想平面生成部１３１は、あるボクセル集合を構成するボクセルの輝度の平均を、このボクセル集合の中心ボクセルの特徴として決定する。さらに他の例として、仮想平面生成部１３１は、あるボクセル集合を構成するボクセルの輝度の分散を、このボクセル集合の中心ボクセルの特徴として決定する。
また、仮想平面生成部１３１が仮想平面を生成する方法は、前記した例に限定されず、多様な方式が適用可能である。例えば、仮想平面生成部１３１は、ユーザ入力情報に基づいて少なくとも１つの仮想平面を生成する。仮想平面生成部１３１は、ユーザインターフェースを通じてユーザから入力された切断方向を基準に少なくとも１つの仮想平面を生成する。
２次元スライス生成部１３２は、仮想平面生成部１３１から生成された仮想平面から体積データの断面を含む複数の２次元スライスを生成する。例えば、２次元スライス生成部１３２は、体積データのあらゆるボクセルのうち、仮想平面生成部１３１から生成された仮想平面に交差されるボクセルを抽出する。以後、２次元スライス生成部１３２は、抽出されたボクセル値を仮想平面上のピクセル値で表現することによって、それぞれの２次元スライスを生成する。
この際、体積データのボクセルのうち、仮想平面生成部１３１から生成された仮想平面上に存在するボクセルのみでは、医療陣による診断のために十分な解像度を有した画像が表現されないこともある。したがって、医療陣による診断遂行のために十分に解像度を向上させるために、２次元スライス生成部１３２は、体積データのボクセル値を用いて抽出されたボクセルに該当するピクセルを除いた残りのピクセルを補間する。以後、２次元スライス生成部１３２は、抽出されたボクセルに対応するピクセル値と補間されたピクセル値とを併合することによって、１つのスライスを生成する。このような方式で、医療陣による診断のために十分な解像度を有する２次元スライスが生成される。
診断部１５０は、２次元スライス生成部１３２から生成された複数の２次元スライスのそれぞれに対して診断を行う。診断部１５０は、それぞれの２次元スライス内の病変が良性か悪性かを判断するように構成された構造上のプロセッサ、機械、または構造的な要素である。この際、病変が良性か悪性かの判断は、２次元スライスに含まれた病変が良性か悪性かの２つのうち１つで病変を分類した分類結果、及びこの分類結果の信頼度を含みうる。診断部１５０は、複数の２次元スライス内のそれぞれの病変が良性であるか、悪性であるかについての判断の結果に基づいて複数の２次元スライスのうち一部を選択し、該選択された２次元スライスのそれぞれに対する判断の結果に基づいて体積データ内の如何なる病変が良性か悪性かについての最終判断を行うことができる。
図３を参照すれば、診断部１５０は、第１診断部１５１、選択部１５２、及び第２診断部１５３を含みうる。第１診断部１５１は、画像処理部１３０から生成された複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断することができる。例えば、第１診断部１５１は、複数の２次元スライスのそれぞれで病変の位置を探知し、これに基づいて正確な病変の輪郭を表示することによって、病変を分割する。例えば、第１診断部１５１は、領域拡張アルゴリズム（ｒｅｇｉｏｎ ｇｒｏｗｉｎｇ ａｌｇｏｒｉｔｈｍ）、レベルセットアルゴリズム（ｌｅｖｅｌ ｓｅｔ ａｌｇｏｒｉｔｈｍ）、遺伝的アルゴリズム（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ）など多様な分割手法を用いて病変を分割（ｓｅｇｍｅｎｔａｔｉｏｎ）する。
また、第１診断部１５１は、複数の２次元スライスのそれぞれの内部で見られる病変が良性か悪性かを判断するために、分割された病変の特徴を抽出するように構成される。この際、分割された病変の特徴は、例えば、病変の外形、マージン、向き、見込み（ｓｐｅｃｕｌａｔｉｏｎ）、微少小葉（ｍｉｃｒｏ−ｌｏｂｕｌａｔｉｏｎ）のような病変の形態的特徴である。さらに他の例として、病変の特徴は、画像の固有な特性である。超音波画像の場合、病変の特徴は、エコーパターン、後方音響陰影などを含みうる。
第１診断部１５１は、抽出された病変の特徴から特徴ベクトルを生成し、該生成された特徴ベクトルを少なくとも１つの診断モデルに適用することによって、病変の良性／悪性を分類するように構成される。第１診断部１５１は、また分類結果の信頼度を計算するように構成される。一例で、診断モデルの生成と診断モデルを利用した病変の良性／悪性の分類及び信頼度の計算は、機械学習によって行われる。例えば、機械学習技法は、ニューラルネットワーク、ベイズ分類器、多層パーセプトロン、サポートベクターマシン（ＳＶＭ）のような多様なアルゴリズムが使われる。
例示的な一構成で、診断モデルは、次のように生成される。以前に収集された１つ以上の体積データから生成された２次元スライス内のそれぞれの病変から病変の特徴を抽出し、該抽出された特徴を用いて特徴ベクトルを生成し、特徴ベクトルによって病変が良性か悪性かの２つのうち１つに分類され、分類結果を学習データ（ｔｒａｉｎｉｎｇ ｄａｔａ）として使ってモデルを生成する。
第１診断部１５１は、少なくとも１つの診断モデルを用いて画像処理部１３０から生成された複数の２次元スライスのそれぞれに対する診断を行う。
例えば、肝臓、嚢腫、血管腫の場合、断面の切断方向による病変形態の差が大きくない。したがって、たとえ特定の切断方向に基づいて生成された診断モデルを用いて、この特定の切断方向ではない他の切断方向を基準に生成された２次元スライスに対して診断を行うとしても、これは、診断結果に大きな影響を及ぼさない。したがって、第１診断部１５１は、あらかじめ取得された１つ以上の体積データで特定の断面切断方向に基づいて生成された２次元スライスを学習データとして使って、機械学習を通じて生成された１つの診断モデルに画像処理部１３０から生成された複数の２次元スライスのそれぞれを適用して診断を行うことができる。
さらに他の例として、***（ｂｒｅａｓｔ）や肺（ｌｕｎｇ）の場合、同じ病変でも断面の切断方向によって２次元スライス上に表われる病変の形状が異なりうるので、それぞれの２次元スライスに対する診断結果は、断面の切断方向に依存し得る。したがって、第１診断部１５１は、画像処理部１３０から生成された複数の２次元スライスのそれぞれの断面切断方向に基づいて複数の断面切断方向別に生成された複数の診断モデルに複数の２次元スライスのそれぞれを適用して診断を行うことができる。
例えば、複数の診断モデルは、あらかじめ取得された体積データを異なる方向に切断された断面を含む複数の２次元スライスを学習データとして使って、断面の切断方向別に生成されうる。第１診断部１５１は、画像処理部１３０から生成された複数の２次元スライスのそれぞれを、複数の２次元スライスのそれぞれの切断方向と同一の切断方向に基づいて生成された診断モデルに適用して、それぞれの２次元スライスに対する診断を行うことができる。
選択部１５２は、第１診断部１５１から行われたそれぞれの２次元スライスに対する病変の良性／悪性の判断の結果に基づいて一部の２次元スライスを選択する。例えば、選択部１５２は、それぞれの２次元スライスに対する良性／悪性の分類結果または分類結果に対する信頼度のうち少なくとも１つに基づいて一部の２次元スライスを選択する。この際、２次元スライスの選択は、順位基盤選択方法、トーナメント選択方法、ルーレット式選択方法、確率サンプリングなど多様な選択技法を利用できる。
図７を参照すれば、選択部１５２は、信頼度の高い順に上位ｋ個の２次元スライスを選択することができる。示された例で、同じ断面番号（断面１、断面３、断面４、断面５）は、同一方向に切断された断面を表わす。一方、スライス５、７、８及び９に対する分類結果は、良性であり、スライス１及び１２に対する分類結果は、悪性である。選択部１５２は、分類結果に対する信頼度の高い順次に画像処理部１３０から生成された２次元スライスを整列し、信頼度の高い順次に上位ｋ個の２次元スライスを選択する。
図８を参照すれば、選択部１５２は、各断面の切断方向別に定められた数の２次元スライスを抽出した後、抽出された２次元スライスでｋ個の２次元スライスを選択する。示された例で、選択部１５２は、画像処理部１３０で２次元スライス生成のために使われた切断方向の個数がＮ個である場合、各切断方向別に信頼度の高いｋ／Ｎ個の２次元スライスを均一に選択して、ｋ個の２次元スライスを選択する。
図９を参照すれば、選択部１５２は、ランダムに２個以上の２次元スライスをグループに縛って信頼度を比較した後、各グループで信頼度の高い順次に少なくとも１つの２次元スライスを選択する。以後、選択部１５２は、選択された２次元スライスを再びランダムにグループを縛って信頼度を比較した後、各グループで信頼度の高い順次に少なくとも１つの２次元スライスを選択する。選択部１５２は、ｋ個の２次元スライスが選択されるまで前記のような過程を繰り返すことによって、ｋ個の２次元スライスを選択する。
第２診断部１５３は、選択部１５２から選択されたｋ個の２次元スライスに対する診断結果を用いて、病変の良性／悪性を最終的に判定することができる。具体的に、第２診断部１５３は、ｋ個の２次元スライスのそれぞれに対する診断結果を用いて多数決のような決定方法、平均のような統計的方法またはアダブーストアルゴリズム、ベイズ最適分類器、バギングのようなアンサンブル方法を通じて病変の良性／悪性を最終的に判定する。
一例で、選択部１５２から選択された２次元スライスが５個であり、選択された２次元スライスのそれぞれに対する病変の分類結果は、２個が悪性であり、３個が良性である場合、第２診断部１５３は、良性として最終診断結果を決定することができる。
さらに他の例として、選択部１５２から選択された２次元スライスが５個であり、悪性に分類された２個の２次元スライスに対する信頼度が、それぞれ６０％及び７５％であり、良性に分類された３個の２次元スライスに対する信頼度が、それぞれ６０％、８０％及び８５％である場合、悪性に対する信頼度の平均は、６７．５％であり、良性に対する信頼度の平均は、７５％になる。良性の信頼度の平均が悪性の信頼度の平均よりもさらに高いので、第２診断部１５３は、信頼度の平均が高い良性を最終診断結果として判定する。
再び図２を参照すれば、図３の場合とは異なって、診断部１５０は、複数の診断モデルのうち少なくとも１つの診断モデルを選択して統合した統合診断モデルを用いて病変の良性／悪性を判断する。例えば、診断部１５０は、断面切断方向別に生成された複数の診断モデルを１つの診断モデルに統合した後、画像処理部１３０から生成された複数の２次元スライスを統合された診断モデルに適用して、最終判定を行うことができる。
例えば、診断部１５０は、複数の診断モデルのうち、画像処理部１３０から生成された複数の２次元スライスの断面切断方向のそれぞれと同一な断面切断方向から生成された１つ以上の診断モデルを選択する。以後、診断部１５０は、選択された診断モデルを１つの診断モデルに統合する。診断部１５０は、画像処理部１３０から生成された複数の２次元スライスのそれぞれで特徴値を計算して、特徴値ベクトルを生成し、これを統合された診断モデルに適用することによって、病変の良性／悪性を判断する。
本文書で記述された入力部１１０、画像処理部１３０、仮想平面生成部１３１、スライス生成部１３２、診断部１５０、第１診断部１５１、第２診断部１５３、選択部１５２は、ハードウェア構成要素を用いて具現されうる。例えば、ハードウェア構成要素には、コントローラ、生成器、マイクロホン、増幅器、帯域通過フィルター、オーディオデジタルコンバータ、及び処理装置などが含まれうる。処理装置は、例えば、プロセッサ、コントローラ、算術ロジックユニット、マイクロプロセッサ、または所定の方式の命令に応答または実行する任意の他の装置のような１つ以上の一般目的または特殊目的のコンピュータを用いて具現されうる。処理装置は、オペレーションシステム（ＯＳ）及び前記ＯＳ上で実行される１つ以上のソフトウェアアプリケーションを実行させることができる。処理装置は、またソフトウェアの実行に応答してデータにアクセス、保存、操作、処理、及び生成することができる。簡明を期すために、処理装置の説明で処理装置は、単数として使われるが、当業者ならば、１つの処理装置は、多数の処理要素と多数のタイプの処理要素とを含みうるということを理解できる。例えば、１つの処理装置は、多数のプロセッサを含むか、または１つのプロセッサと１つのコントローラとを含みうる。また、並列プロセッサのような互いに異なる処理構成が可能である。
図１０は、本発明の一実施形態によるコンピュータ補助診断方法のフローチャートである。図１０を参照すれば、動作（１０１０）で、方法１００は、入力部１１０を通じて体積データを受信する。すなわち、入力される。動作（１０２０）で、画像処理部１３０を通じて、方法１００は、入力された体積データから入力された体積データを少なくとも１つの方向に切断した断面を表わす複数の２次元スライスを生成する。
動作（１０１３）で、診断部１５０を通じて、方法は、画像処理部１３０から生成された複数の２次元スライスのそれぞれに対して病変の良性／悪性を判断する。例えば、方法は、診断部１５０を用いて画像処理部１３０から生成された複数の２次元スライスのそれぞれを、特定の断面切断方向に基づいて生成された１つの診断モデルに適用して、それぞれの２次元スライス別に病変の良性／悪性を分類し、分類結果に対する信頼度を計算する。
さらに他の例として、方法は、診断部１５０を用いて断面切断方向別に生成された複数の診断モデルに画像処理部１３０から生成された複数の２次元スライスのそれぞれを適用して、それぞれの２次元スライス別に病変の良性／悪性を分類し、分類結果に対する信頼度を計算する。一例で、方法は、診断部１５０を用いて画像処理部１３０から生成された複数の２次元スライスを複数の診断モデルのうち、それぞれの２次元スライスの断面切断方向と同じ断面切断方向に基づいて生成された診断モデルに個別的に適用する。動作（１０４０）で、方法は、診断部１５０を用いて、複数の２次元スライスのそれぞれに対する診断結果に基づいて一部のスライスを選択する。この際、２次元スライスの選択は、順位に基づく選択方法、トーナメント選択方法、ルーレット式選択方法、確率サンプリングなど多様な選択技法を用いて行われる。
一部の２次元スライスが選択された場合、動作（１０５０）で、方法は、診断部１５０を用いて前記選択された２次元スライスに対する診断結果に基づいて病変の良性／悪性を最終的に判定する。この際、病変の良性／悪性の判定は、多数決のような決定方法、平均のような統計的方法またはアダブーストアルゴリズム、ベイズ最適分類器、バギングのようなアンサンブル方法を利用できる。
図１１は、本発明の一実施形態による体積データから２次元スライスを生成する過程を示すフローチャートである。図１１を参照すれば、動作（１１１０）で、方法は、入力部１１０から体積データを伝達され、受信された体積データから少なくとも１つの仮想平面を生成する。この際、方法は、全域探索方法または主成分分析方法を用いて少なくとも１つの仮想平面を生成する。しかし、仮想平面を生成する方法は、前記した例に限定されず、多様な方式が適用可能である。例えば、方法は、ユーザ入力情報に基づいて少なくとも１つの仮想平面を生成することができる。
一方、少なくとも１つの仮想平面が生成された場合、動作（１１２０）で、方法は、生成された仮想平面によって切断された体積データの断面を含む２次元スライスを生成する。
図１２は、本発明の他の一実施形態によるコンピュータ補助診断方法のフローチャートである。図１２を参照すれば、動作（１２１０）で、方法は、入力部１１０を通じて体積データを受信する。動作（１２２０）で、方法は、画像処理部１３０を使って入力された体積データを少なくとも１つの方向に切断した断面を含む複数の２次元スライスを生成する。この際、複数の２次元スライスは、前述した方法を用いて生成されうる。
動作（１２３０）で、方法は、診断部１５０を用いて複数の診断モデルのうち、生成された複数の２次元スライスのそれぞれの断面切断方向に対応する診断モデルを統合して統合診断モデルを生成する。例えば、診断部１５０は、複数の診断モデルのうち、複数の２次元スライスのそれぞれの断面切断方向と同じ断面切断方向に基づいて生成された少なくとも１つの診断モデルを選択する。以後、方法は、選択された診断モデルを統合して統合診断モデルを生成する。
動作（１２４０）で、方法は、診断部１５０を使って複数の２次元スライスを統合診断モデルに適用して、病変の良性／悪性を判断する。
本発明の実施形態で、図１０〜図１２の動作は、示された順序と方式とで行われるが、記述された構成の精神と範囲とから外れずとも一部動作の順序が変化されうるという点が理解される。示された例によって、少なくとも図１０〜図１２に示された方法を行うための命令を符号化した、固定コンピュータ可読媒体上に実現されたコンピュータプログラムが提供されうる。
図１０〜図１２に記述された方法を行うためのプログラムインストラクション、またはそれの１つ以上の動作は、１つ以上の固定コンピュータ可読記録媒体内に記録、保存、または固定されうる。プログラム命令は、コンピュータによって実現されうる。例えば、コンピュータは、プロセッサをしてプログラム命令を実行するように引き起こし得る。媒体は、プログラムインストラクション、データファイル、データ構造、及びその他のなどを単独で、または組み合わせて含みうる。非転移コンピュータ判読可能な媒体の例には、ハードディスク、フロッピー（登録商標）ディスク、及び磁気テープのような磁気媒体、ＣＤ ＲＯＭディスク及びＤＶＤのような光媒体、光ディスクのような磁気光媒体、ＲＯＭ、ＲＡＭ、フラッシュメモリのようにプログラムインストラクションを保存し、行うように構成されたハードウェア装置が含まれる。プログラム命令の例には、コンパイラによって生成されるような機械語、解析器を使ってコンピュータによって実行可能なさらに高いレベルのコードを含むファイルが含まれる。プログラム命令、すなわち、ソフトウェアは、コンピュータシステムが連結されているネットワークを通じて配布されることによって、前記ソフトウェアは、分散された方式で保存されるか、実行可能にする。ソフトウェア及びデータは、１つ以上のコンピュータ判読可能な記録媒体によって保存することができる。前記で多数の例が記述された。それにも拘らず、多様な修正がなされうるという点が理解される。例えば、記述された技法が異なる順序で行われる場合、及び／または記述されたシステム、構造、装置、または回路内のコンポーネントが異なる方式で結合される場合、及び／またはその他のコンポーネントや等価物によって代替されるか、補充される場合にも、適した結果が達成されうる。したがって、その他の修正も、添付の特許請求の範囲内に含まれる。
本発明は、コンピュータ補助診断方法及び装置関連の技術分野に適用可能である。
１００ コンピュータ補助診断装置
１１０ 入力部
１３０ 画像処理部
１３１ 仮想平面生成部
１３２ スライス生成部
１５０ 診断部
１５１ 第１診断部
１５２ 選択部
１５３ 第２診断部

Claims (40)

  1. 身体部位の３次元体積データを受信する段階と、
    前記３次元体積データを切断した断面を含む複数の２次元スライスを生成する段階と、
    前記複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断し、前記判断の結果を出力する判断段階と、
    前記結果に基づいて前記複数の２次元スライスのうち一部を選択する選択段階と、
    選択された２次元スライスに基づいて前記病変が良性か悪性かについての最終判断を行う導出段階と、
    を含む医療診断方法。
  2. 前記判断段階は、
    前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するために、前記複数の２次元スライスのそれぞれを診断モデルに適用する段階を含む請求項１に記載の医療診断方法。
  3. 前記判断段階は、
    前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するために、前記複数の２次元スライスのそれぞれを、所定の断面切断方向に基づいて生成された診断モデルに適用する段階を含む請求項１に記載の医療診断方法。
  4. 前記判断段階は、
    前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するために、前記複数の２次元スライスのそれぞれを、前記複数の２次元スライスのそれぞれの断面切断方向に基づいて生成されたそれぞれの診断モデルに適用する段階を含む請求項１に記載の医療診断方法。
  5. 前記結果のそれぞれは、
    前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かのような分類結果、及び前記分類結果の信頼度を含む請求項１乃至４のうちいずれか一項に記載の医療診断方法。
  6. 前記複数の２次元スライスを生成する段階は、
    仮想平面を生成する段階と、
    前記仮想平面によって切断された前記３次元体積データの断面を含む複数の２次元スライスを生成する段階と、
    を含む請求項１乃至５のうちいずれか一項に記載の医療診断方法。
  7. 前記仮想平面を生成する段階は、
    前記３次元体積データ上の任意の平面を表わす平面方程式の係数値を変更することによって、前記仮想平面を生成する段階を含む請求項６に記載の医療診断方法。
  8. 前記仮想平面を生成する段階は、
    前記３次元体積データの主成分分析（ＰＣＡ）を行うことによって、前記仮想平面を生成する段階を含む請求項６又は７に記載の医療診断方法。
  9. 前記仮想平面を生成する段階は、
    前記３次元体積データのボクセル値に基づいて、前記ボクセルのうち所定の特徴を有する特徴点を決定する段階と、
    前記主成分分析を行うことによって、前記特徴点の分布に基づいて前記仮想平面を生成する段階と、
    を含む請求項８に記載の医療診断方法。
  10. 前記仮想平面を生成する段階は、
    前記主成分分析を行うことによって、前記３次元体積データの変化が最も大きな方向の軸に対応する第１主成分ベクトルを計算する段階と、
    前記第１主成分ベクトルを基準に前記仮想平面を生成する段階と、
    を含む請求項８又は９に記載の医療診断方法。
  11. 前記仮想平面を生成する段階は、
    前記３次元体積データのボクセル値に基づいて、前記３次元体積データに含まれているマスを検出する段階と、
    前記主成分分析を行うことによって、前記マス内に含まれた点の分布に基づいて前記仮想平面を生成する段階と、
    を含む請求項８に記載の医療診断方法。
  12. 前記仮想平面を生成する段階は、
    ユーザ入力情報に基づいて前記仮想平面を生成する段階を含む請求項６乃至１１のうちいずれか一項に記載の医療診断方法。
  13. 身体部位の３次元体積データを受信するように構成された入力部と、
    前記３次元体積データを切断した断面を含む複数の２次元スライスを生成するように構成された画像処理部と、
    前記複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断し、前記判断の結果を出力するように構成された第１診断部と、
    前記結果に基づいて前記複数の２次元スライスのうち一部を選択するように構成された選択部と、
    選択された２次元スライスに基づいて前記病変が良性か悪性かについての最終判断を行うように構成された第２診断部と、
    を含む医療診断装置。
  14. 前記第１診断部は、
    前記複数の２次元スライスのそれぞれを診断モデルに適用して、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するように構成された請求項１３に記載の医療診断装置。
  15. 前記第１診断部は、
    前記複数の２次元スライスのそれぞれを、所定の断面切断方向に基づいて生成された診断モデルに適用することによって、前記複数のスライス内のそれぞれの前記病変が良性か悪性かを判断するように構成された請求項１３に記載の医療診断装置。
  16. 前記第１診断部は、
    前記複数の２次元スライスのそれぞれを、前記複数の２次元スライスのそれぞれの断面切断方向に基づいて生成されたそれぞれの診断モデルに適用することによって、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するように構成された請求項１３に記載の医療診断装置。
  17. 前記結果のそれぞれは、
    前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを分類した分類結果、及び前記分類結果の信頼度を含む請求項１３乃至１６のうちいずれか一項に記載の医療診断装置。
  18. 前記画像処理部は、
    仮想平面を生成するように構成された仮想平面生成部と、
    前記仮想平面によって切断された前記３次元体積データの断面の２次元スライスを生成するように構成された２次元スライス生成部と、
    を含む請求項１３乃至１７のうちいずれか一項に記載の医療診断装置。
  19. 前記仮想平面生成部は、
    前記３次元体積データ上の任意の平面の平面方程式の係数値を変更することによって、前記仮想平面を生成するように構成された請求項１８に記載の医療診断装置。
  20. 前記仮想平面生成部は、
    前記３次元体積データに対して主成分分析を行うことによって、前記仮想平面を生成するように構成された請求項１８又は１９に記載の医療診断装置。
  21. 前記仮想平面生成部は、
    前記３次元体積データのボクセル値に基づいて、前記ボクセルのうち所定の特徴を有する特徴点を決定し、
    前記主成分分析を用いて前記特徴点の分布から前記仮想平面を生成するように構成された請求項２０に記載の医療診断装置。
  22. 前記仮想平面生成部は、
    前記主成分分析を行うことによって、前記３次元体積データの変化が最も大きくなる方向の軸に対応する第１主成分ベクトルを計算し、
    前記第１主成分ベクトルに基づいて前記仮想平面を生成するように構成された請求項２０又は２１に記載の医療診断装置。
  23. 前記仮想平面生成部は、
    前記３次元体積データのボクセル値に基づいて、前記３次元体積データに含まれているマスを検出し、
    前記主成分分析を行うことによって、前記マスを構成する点の分布に基づいて前記仮想平面を生成するように構成された請求項２０乃至２２のうちいずれか一項に記載の医療診断装置。
  24. 前記仮想平面生成部は、
    ユーザ入力情報に基づいて前記仮想平面を生成するように構成された請求項１８乃至２３のうちいずれか一項に記載の医療診断装置。
  25. 前記第１診断部は、
    病変から抽出された特徴を用いて特徴ベクトルを生成し、
    前記特徴ベクトルを前記病変が良性か悪性かを分類し、前記分類の結果の信頼度を計算するための診断モデルに適用するように構成された請求項１３乃至２４のうちいずれか一項に記載の医療診断装置。
  26. 前記第２診断部は、
    前記選択された２次元スライス内のそれぞれの前記病変の分類結果に基づいて前記病変が良性か悪性かを決定するように構成された請求項１３乃至２５のうちいずれか一項に記載の医療診断装置。
  27. 前記選択部は、
    ２つ以上の２次元スライスを１つのグループに結合し、前記グループ内の２次元スライスの信頼度を比較し、前記信頼度の高い順に１つ以上の２次元スライスを選択するように構成された請求項１３乃至２６のうちいずれか一項に記載の医療診断装置。
  28. 前記選択部は、
    前記選択された２次元スライスを無作為に１つのグループに結合し、前記グループ内の２次元スライスの信頼度を比較し、前記信頼度の高い順に１つ以上の２次元スライスを選択するように構成された請求項１３乃至２７のうちいずれか一項に記載の医療診断装置。
  29. 身体部位の３次元体積データを受信する段階と、
    前記３次元体積データを切断した断面を表わす複数の２次元スライスを生成する段階と、
    前記複数の２次元スライスの断面切断方向に対応する診断モデルの組合わせを含む統合診断モデルを生成する段階と、
    前記複数の２次元スライスのうち少なくとも１つを前記統合診断モデルに適用することによって、前記複数の２次元スライス内のそれぞれの病変が良性か悪性かを判断する段階と、
    を含む医療診断方法。
  30. 前記統合診断モデルを生成する段階は、
    複数の診断モデルのうち、前記複数の２次元スライスのそれぞれの断面切断方向と同じ断面切断方向に基づいて生成された少なくとも１つの診断モデルを選択する段階と、
    選択された少なくとも１つの診断モデルを統合することによって、前記統合診断モデルを生成する段階と、
    を含む請求項２９に記載の医療診断方法。
  31. 前記複数の２次元スライスを生成する段階は、
    仮想平面を生成する段階と、
    前記仮想平面によって切断された前記３次元体積データの断面を表わす複数の２次元スライスを生成する段階と、
    を含む請求項２９又は３０に記載の医療診断方法。
  32. 前記仮想平面を生成する段階は、
    前記３次元体積データ上の任意の平面を表わす平面方程式の係数値を変更することによって、前記仮想平面を生成する段階を含む請求項３１に記載の医療診断方法。
  33. 前記仮想平面を生成する段階は、
    前記３次元体積データに対して主成分分析を行うことによって、前記仮想平面を生成する段階を含む請求項３１又は３２に記載の医療診断方法。
  34. 身体部位の３次元体積データを受信するように構成された入力部と、
    前記３次元体積データを切断した断面を含む複数の２次元スライスを生成するように構成された画像処理部と、
    前記複数の２次元スライスのそれぞれの断面切断方向に対応する診断モデルの組合わせを含む統合診断モデルを生成し、前記複数の２次元スライスのうち少なくとも１つを前記統合診断モデルに適用して、前記複数の２次元スライス内のそれぞれの前記病変が良性か悪性かを判断するように構成された診断部と、
    を含む医療診断装置。
  35. 前記診断モデルは、
    前記複数の２次元スライスの断面切断方向と同じ断面切断方向に基づいて生成された請求項３４に記載の医療診断装置。
  36. 前記画像処理部は、
    仮想平面を生成するように構成された仮想平面生成部と、
    前記仮想平面によって切断された前記３次元体積データの断面を表わす複数の２次元スライスを生成するように構成された２次元スライス生成部と、
    を含む請求項３４又は３５に記載の医療診断装置。
  37. 前記仮想平面生成部は、
    前記３次元体積データ上の任意の平面を表わす平面方程式の係数値を変更することによって、前記仮想平面を生成するように構成された請求項３６に記載の医療診断装置。
  38. 前記仮想平面生成部は、
    前記３次元体積データに対して主成分分析を行うことによって、前記仮想平面を生成するように構成された請求項３６又は３７に記載の医療診断装置。
  39. 前記画像処理部は、
    前記３次元体積データ内の変化が一番大きくなる第１方向の軸に対応する第１主成分ベクトルを計算し、前記３次元体積データ内の変化が二番目に大きくなる第２方向の軸に対応する第２主成分ベクトルを計算するために、主成分分析（ＰＣＡ）を行うように構成され、
    前記第１主成分ベクトル及び前記第２主成分ベクトルを含む仮想平面を計算するように構成された請求項３４乃至３８のうちいずれか一項に記載の医療診断装置。
  40. 前記画像処理部は、
    前記３次元体積データ内の変化が最も大きくなる仮想平面を計算し、前記仮想平面に平行な追加的な仮想平面を生成するように構成された仮想平面生成部と、
    前記３次元体積データ内のあらゆるボクセルのうちから前記仮想平面と交差するボクセルを抽出し、前記仮想平面上のピクセル値のような前記抽出されたボクセル値を表示することによって、それぞれの２次元スライスを生成するように構成された２次元スライス生成部と、
    を含む請求項３４乃至３９のうちいずれか一項に記載の医療診断装置。
JP2014212381A 2013-10-24 2014-10-17 コンピュータ補助診断方法及び装置 Pending JP2015080720A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2013-0127246 2013-10-24
KR1020130127246A KR102204437B1 (ko) 2013-10-24 2013-10-24 컴퓨터 보조 진단 방법 및 장치

Publications (1)

Publication Number Publication Date
JP2015080720A true JP2015080720A (ja) 2015-04-27

Family

ID=51846470

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014212381A Pending JP2015080720A (ja) 2013-10-24 2014-10-17 コンピュータ補助診断方法及び装置

Country Status (5)

Country Link
US (2) US9639929B2 (ja)
EP (1) EP2866200B1 (ja)
JP (1) JP2015080720A (ja)
KR (1) KR102204437B1 (ja)
CN (1) CN104573309B (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018108310A1 (de) 2017-04-10 2018-10-11 Fujifilm Corporation Bildverarbeitungsvorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm
JP2019092542A (ja) * 2017-11-17 2019-06-20 キヤノンメディカルシステムズ株式会社 医用画像処理装置および医用画像処理方法
JP2020536678A (ja) * 2017-10-13 2020-12-17 ザ クリーヴランド クリニック ファウンデーションＴｈｅ Ｃｌｅｖｅｌａｎｄ Ｃｌｉｎｉｃ Ｆｏｕｎｄａｔｉｏｎ 異なる組織タイプの新型超音波検出
JP2021013644A (ja) * 2019-07-12 2021-02-12 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
US20210365717A1 (en) * 2019-04-22 2021-11-25 Tencent Technology (Shenzhen) Company Limited Method and apparatus for segmenting a medical image, and storage medium
JP2022001261A (ja) * 2016-08-26 2022-01-06 エレクタ、インク.Elekta, Inc. 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法
WO2022249892A1 (ja) * 2021-05-28 2022-12-01 国立研究開発法人理化学研究所 特徴抽出装置、特徴抽出方法、プログラム、ならびに、情報記録媒体
JP7473780B2 (ja) 2019-12-27 2024-04-24 キヤノンマーケティングジャパン株式会社 情報処理システム、情報処理方法、プログラム

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106030657B (zh) * 2014-02-19 2019-06-28 皇家飞利浦有限公司 医学4d成像中的运动自适应可视化
KR101682298B1 (ko) * 2015-05-11 2016-12-02 삼성에스디에스 주식회사 3차원 모델의 비트맵 생성 장치 및 방법
KR101682807B1 (ko) * 2015-05-15 2016-12-05 삼성에스디에스 주식회사 3차원 모델의 비트맵 생성 장치 및 방법
KR20170014617A (ko) * 2015-07-30 2017-02-08 삼성에스디에스 주식회사 3차원 모델의 비트맵 생성 방법과 이를 수행하기 위한 장치 및 시스템
EP3203440A1 (en) * 2016-02-08 2017-08-09 Nokia Technologies Oy A method, apparatus and computer program for obtaining images
WO2018013703A1 (en) 2016-07-12 2018-01-18 Mindshare Medical, Inc. Medical analytics system
DE102016219488A1 (de) 2016-10-07 2018-04-12 Siemens Healthcare Gmbh Verfahren zum Bereitstellen einer Konfidenzinformation
CN106683083B (zh) * 2016-12-22 2019-09-13 深圳开立生物医疗科技股份有限公司 ******图像处理方法及装置、超声设备
EP3646240A4 (en) 2017-06-26 2021-03-17 The Research Foundation for The State University of New York SYSTEM, PROCEDURE AND COMPUTER-ACCESSIBLE MEDIUM FOR VIRTUAL PANCREATOGRAPHY
CN110533029A (zh) * 2019-08-02 2019-12-03 杭州依图医疗技术有限公司 确定影像中目标区域的方法及装置
US11430176B2 (en) 2020-05-20 2022-08-30 International Business Machines Corporation Generating volume predictions of three-dimensional volumes using slice features
CN112017787A (zh) * 2020-08-17 2020-12-01 杭州依图医疗技术有限公司 医疗信息ai平台及计算设备
US11587236B2 (en) 2020-10-30 2023-02-21 International Business Machines Corporation Refining lesion contours with combined active contour and inpainting
US11688517B2 (en) 2020-10-30 2023-06-27 Guerbet Multiple operating point false positive removal for lesion identification
US11688063B2 (en) 2020-10-30 2023-06-27 Guerbet Ensemble machine learning model architecture for lesion detection
US11749401B2 (en) 2020-10-30 2023-09-05 Guerbet Seed relabeling for seed-based segmentation of a medical image
US11694329B2 (en) 2020-10-30 2023-07-04 International Business Machines Corporation Logistic model to determine 3D z-wise lesion connectivity
US11436724B2 (en) 2020-10-30 2022-09-06 International Business Machines Corporation Lesion detection artificial intelligence pipeline computing system

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004266022B2 (en) * 2003-08-13 2009-03-05 Siemens Healthcare Gmbh Computer-aided decision support systems and methods
CN101421745B (zh) 2004-04-15 2016-05-11 美国医软科技公司 空间-时间肿瘤检测，分割和诊断信息提取***及方法
US7646902B2 (en) 2005-02-08 2010-01-12 Regents Of The University Of Michigan Computerized detection of breast cancer on digital tomosynthesis mammograms
US7840046B2 (en) 2006-06-27 2010-11-23 Siemens Medical Solutions Usa, Inc. System and method for detection of breast masses and calcifications using the tomosynthesis projection and reconstructed images
JP2010504129A (ja) * 2006-09-22 2010-02-12 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 肺結節の高度コンピュータ支援診断
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
KR101028354B1 (ko) 2007-03-20 2011-06-14 주식회사 메디슨 초음파 영상을 형성하는 초음파 시스템 및 방법
JP5226974B2 (ja) * 2007-06-19 2013-07-03 富士フイルム株式会社 画像診断支援装置、方法及びプログラム
FR2919747B1 (fr) 2007-08-02 2009-11-06 Gen Electric Procede et systeme d'affichage d'images de tomosynthese
US8774479B2 (en) * 2008-02-19 2014-07-08 The Trustees Of The University Of Pennsylvania System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors
US9235887B2 (en) * 2008-02-19 2016-01-12 Elucid Bioimaging, Inc. Classification of biological tissue by multi-mode data registration, segmentation and characterization
JP5056695B2 (ja) * 2008-09-24 2012-10-24 富士ゼロックス株式会社 類似画像提示装置及びプログラム
EP2535829A3 (en) 2009-10-07 2013-07-10 Hologic, Inc. Processing and displaying computer-aided detection information associated with breast x-ray images
JP5586203B2 (ja) 2009-10-08 2014-09-10 株式会社東芝 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム
CN102802537B (zh) 2010-03-23 2016-04-20 皇家飞利浦电子股份有限公司 体积超声图像数据重新格式化为图像平面序列
JP5754902B2 (ja) 2010-08-27 2015-07-29 キヤノン株式会社 画像処理装置及び画像処理装置の作動方法
KR101805619B1 (ko) 2011-01-25 2017-12-07 삼성전자주식회사 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치
US9119559B2 (en) 2011-06-16 2015-09-01 Salient Imaging, Inc. Method and system of generating a 3D visualization from 2D images
CN102429679A (zh) * 2011-09-09 2012-05-02 华南理工大学 基于胸部ct图像的肺气肿计算机辅助诊断***
KR101916855B1 (ko) 2011-10-17 2019-01-25 삼성전자주식회사 병변 수정 장치 및 방법
US20150196281A1 (en) * 2012-08-07 2015-07-16 Konica Minolta, Inc. Medical data processing device, medical data processing method, and ultrasound diagnostic device

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022001261A (ja) * 2016-08-26 2022-01-06 エレクタ、インク.Elekta, Inc. 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法
DE102018108310A1 (de) 2017-04-10 2018-10-11 Fujifilm Corporation Bildverarbeitungsvorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm
US10628941B2 (en) 2017-04-10 2020-04-21 Fujifilm Corporation Image processing apparatus, image processing method, and image processing program
JP2020536678A (ja) * 2017-10-13 2020-12-17 ザ クリーヴランド クリニック ファウンデーションＴｈｅ Ｃｌｅｖｅｌａｎｄ Ｃｌｉｎｉｃ Ｆｏｕｎｄａｔｉｏｎ 異なる組織タイプの新型超音波検出
JP7250414B2 (ja) 2017-10-13 2023-04-03 ザ クリーヴランド クリニック ファウンデーション 異なる組織タイプの新型超音波検出
JP2019092542A (ja) * 2017-11-17 2019-06-20 キヤノンメディカルシステムズ株式会社 医用画像処理装置および医用画像処理方法
JP7228332B2 (ja) 2017-11-17 2023-02-24 キヤノンメディカルシステムズ株式会社 医用画像処理装置および医用画像処理方法
US20210365717A1 (en) * 2019-04-22 2021-11-25 Tencent Technology (Shenzhen) Company Limited Method and apparatus for segmenting a medical image, and storage medium
US11887311B2 (en) * 2019-04-22 2024-01-30 Tencent Technology (Shenzhen) Company Limited Method and apparatus for segmenting a medical image, and storage medium
JP2021013644A (ja) * 2019-07-12 2021-02-12 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
US11455728B2 (en) 2019-07-12 2022-09-27 Fujifilm Corporation Diagnosis support device, diagnosis support method, and diagnosis support program
JP7144370B2 (ja) 2019-07-12 2022-09-29 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
JP7473780B2 (ja) 2019-12-27 2024-04-24 キヤノンマーケティングジャパン株式会社 情報処理システム、情報処理方法、プログラム
WO2022249892A1 (ja) * 2021-05-28 2022-12-01 国立研究開発法人理化学研究所 特徴抽出装置、特徴抽出方法、プログラム、ならびに、情報記録媒体

Also Published As

Publication number Publication date
EP2866200A1 (en) 2015-04-29
US20150117737A1 (en) 2015-04-30
KR20150047315A (ko) 2015-05-04
US9639929B2 (en) 2017-05-02
US10147223B2 (en) 2018-12-04
KR102204437B1 (ko) 2021-01-18
CN104573309B (zh) 2019-07-19
US20170206699A1 (en) 2017-07-20
CN104573309A (zh) 2015-04-29
EP2866200B1 (en) 2019-01-02

Similar Documents

Publication Publication Date Title
US10147223B2 (en) Apparatus and method for computer-aided diagnosis
JP6623265B2 (ja) 偽陽性低減での小結節検出
KR101805619B1 (ko) 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치
US10111713B2 (en) Surgery assistance apparatus, surgery assistance method and non-transitory computer-readable recording medium having stored therein surgery assistance program
US10039501B2 (en) Computer-aided diagnosis (CAD) apparatus and method using consecutive medical images
US9495725B2 (en) Method and apparatus for medical image registration
EP3444781B1 (en) Image processing apparatus and image processing method
JP2023511300A (ja) 医用画像における解剖学的構造を自動的に発見するための方法及びシステム
EP3796210A1 (en) Spatial distribution of pathological image patterns in 3d image data
KR101805624B1 (ko) 장기 모델 영상 생성 방법 및 장치
US20120323547A1 (en) Method for intracranial aneurysm analysis and endovascular intervention planning
WO2007061931A2 (en) Fully automatic vessel tree segmentation
JP5982726B2 (ja) ボリュームデータ解析システム及びその方法
JP6073632B2 (ja) 医用画像処理装置及び医用画像処理プログラム
Chen et al. MAU-Net: Multiple attention 3D U-Net for lung cancer segmentation on CT images
CN116797612A (zh) 基于弱监督深度活动轮廓模型的超声图像分割方法及装置
JP6827707B2 (ja) 情報処理装置および情報処理システム
CN113412502A (zh) 患者特定皮质表面密铺为偶极子贴片
WO2022163513A1 (ja) 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置
Pana et al. 3D Brain Tumor Volume Reconstruction and Quantification using MRI Multi-modalities Brain Images
Shaik et al. A Review on Computer-Aided Modelling and Quantification of PET-CT Images for Accurate Segmentation to Bring Imagination to Life
JP6945379B2 (ja) 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
Jalalian et al. 3D reconstruction for volume of interest in computed tomography laser mammography images
Joseph et al. LSOA Optimized Curve Fitting-based 3D Reconstruction of Brain Tumor
Sreenivasu et al. Research Article Dense Convolutional Neural Network for Detection of Cancer from CT Images