JP2018117883A - 学習装置、識別装置、識別方法、及びプログラム - Google Patents
学習装置、識別装置、識別方法、及びプログラム Download PDFInfo
- Publication number
- JP2018117883A JP2018117883A JP2017011479A JP2017011479A JP2018117883A JP 2018117883 A JP2018117883 A JP 2018117883A JP 2017011479 A JP2017011479 A JP 2017011479A JP 2017011479 A JP2017011479 A JP 2017011479A JP 2018117883 A JP2018117883 A JP 2018117883A
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- density
- region
- shadow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011976 chest X-ray Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 210000004072 lung Anatomy 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 46
- 238000003860 storage Methods 0.000 description 33
- 206010028980 Neoplasm Diseases 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 20
- 208000020816 lung neoplasm Diseases 0.000 description 16
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 13
- 201000005202 lung cancer Diseases 0.000 description 13
- 230000035945 sensitivity Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 201000011510 cancer Diseases 0.000 description 10
- 210000000038 chest Anatomy 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000013526 transfer learning Methods 0.000 description 9
- 238000004195 computer-aided diagnosis Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 206010056342 Pulmonary mass Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012062 charged aerosol detection Methods 0.000 description 1
- 238000001360 collision-induced dissociation Methods 0.000 description 1
- 230000000112 colonic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
【課題】胸部Ｘ線画像用コンピュータ支援診断の識別性能を向上させる技術を提供する。【解決手段】画像取得部１１０は、あらかじめ結節状陰影の位置が既知である胸部Ｘ線のデジタル画像を取得する。画像濃度変換部１１１は、デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、デジタル画像全体の濃度を正規化した濃度正規化画像を取得する。フィルタ処理部１１３は、濃度正規化画像に対してフィルタ処理を実行してフィルタ画像を取得する。候補領域取得部１１４は、フィルタ画像を２値化して結節状陰影の候補領域を取得する。学習部１１５は、候補領域のうち、既知である結節状陰影に対応する領域をひとつのクラス、既知である結節状陰影と対応しない領域を他のクラスとして深層畳み込みニューラルネットワークによる学習を実行して識別器を生成する。【選択図】図９
Description
本発明は、学習装置、識別装置、識別方法、及びプログラムに関し、特に、医用画像データに含まれる病変部の検出を補助するための技術に関する。
近年、日本国内における胸部検診受診者数は年々増加してきている。一方、日本国内における肺がん患数も増加することが予想されている。今後も高齢化やがん登録精度向上の影響により、肺がん罹患数は引き続き増加していくことが予想されている。肺がん検査において現段階で第一選択となっている胸部Ｘ線検査の実施数も同様に増加し続けると考えられている。
このため、医師等の医療従事者の負担軽減を目的として、胸部Ｘ線画像（Chest X-ray Radiographs：ＣＸＲｓ）用コンピュータ支援診断の開発は国内外で多く研究されている。
国立研究開発法人国立がん研究センタープレスリリース「2015年のがん罹患数，死亡数予測」、［online］、［平成２８年１２月２２日検索］、インターネット＜ＵＲＬ：http://www.ncc.go.jp/jp/information/press_release_20150428.html＞
しかしながら、現状のＣＡＤ技術では１症例あたりに検出される偽陽性の数が多い。このため、第二の目としてＣＡＤを用いると真の異常陰影（真陽性）に加え異常ではない陰影（偽陽性）が多く提示されることになる。これは医師等の医療従事者の確認作業を増やすことになり、ＣＡＤ使用での業務が非効率となる。
そこで、本発明はこれらの点に鑑みてなされたものであり、胸部Ｘ線画像用コンピュータ支援診断の識別性能を向上させる技術を提供することを目的とする。
本発明の第１の態様は、学習装置である。この装置は、あらかじめ結節状陰影の位置が既知である胸部Ｘ線のデジタル画像を取得する画像取得部と、前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得する画像濃度変換部と、前記濃度正規化画像に対してフィルタ処理を実行してフィルタ画像を取得するフィルタ処理部と、前記フィルタ画像を２値化して結節状陰影の候補領域を取得する候補領域取得部と、前記候補領域のうち、既知である結節状陰影に対応する領域をひとつのクラス、既知である結節状陰影と対応しない領域を他のクラスとして深層畳み込みニューラルネットワークによる学習を実行して識別器を生成する学習部と、を備える。
前記学習部は、前記候補領域に対応する濃度正規化画像の領域を切り出したデータを学習データとして学習を実行してもよい。
前記学習装置は、前記濃度正規化画像から肺野領域を検出する肺野検出部をさらに備えてもよく、前記フィルタ処理部は、前記濃度正規化画像から検出された肺野領域に対してフィルタ処理を実行してもよい。
本発明の第２の態様は、識別装置である。この装置は、胸部Ｘ線のデジタル画像を取得する画像取得部と、前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得する画像濃度変換部と、前記濃度正規化画像に対してフィルタ処理を実行して強調画像を取得するフィルタ処理部と、前記強調画像を２値化して結節状陰影の候補領域を取得する候補領域取得部と、深層畳み込みニューラルネットワークによる学習により生成された識別器を、前記候補領域取得部が取得した候補領域に対応する前記濃度正規化画像の領域に適用して、結節状陰影の候補の有無を識別する識別部と、を備える。
本発明の第３の態様は、識別方法である。この方法においては、プロセッサが、胸部Ｘ線のデジタル画像を取得するステップと、前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得するステップと、前記濃度正規化画像に対してフィルタ処理を実行して強調画像を取得するステップと、前記強調画像を２値化して結節状陰影の候補領域を取得するステップと、深層畳み込みニューラルネットワークによる学習により得られた識別器を、取得した候補領域に対応する前記濃度正規化画像の領域に適用して、結節状陰影の候補の有無を識別するステップと、を実行する。
本発明の第４の態様は、プログラムである。このプログラムは、コンピュータに、胸部Ｘ線のデジタル画像を取得する機能と、前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得する機能と、前記濃度正規化画像に対してフィルタ処理を実行して強調画像を取得する機能と、前記強調画像を２値化して結節状陰影の候補領域を取得する機能と、深層畳み込みニューラルネットワークによる学習により得られた識別器を、取得した候補領域に対応する前記濃度正規化画像の領域に適用して、結節状陰影の候補の有無を識別する機能と、を実現させる。
本発明によれば、胸部Ｘ線画像用コンピュータ支援診断の識別性能を向上させることができる。
以下本発明を好適な実施の形態をもとに説明する。まず、実施の形態の基礎となる理論を前提技術として述べ、その後、具体的な実施の形態を説明する。
［前提技術］
１．はじめに
本発明の実施の形態は、胸部Ｘ線画像における結節状陰影をコンピュータによる処理により自動で検出し、医師の診断を支援する技術に関する。医用画像からコンピュータ処理にて病変を検出して診断支援を行うシステムは一般にＣＡＤと呼ばれる。ＣＡＤの主な用途は、医用画像をコンピュータで定量的に分析し、その結果を医師の診断に対する第二の意見として利用することである。ＣＡＤを使用することにより、診断の精度や再現性を改善し、医師の読影に要する負担を軽減することで診断の質と生産性を向上させることが期待できる［１］。
１．はじめに
本発明の実施の形態は、胸部Ｘ線画像における結節状陰影をコンピュータによる処理により自動で検出し、医師の診断を支援する技術に関する。医用画像からコンピュータ処理にて病変を検出して診断支援を行うシステムは一般にＣＡＤと呼ばれる。ＣＡＤの主な用途は、医用画像をコンピュータで定量的に分析し、その結果を医師の診断に対する第二の意見として利用することである。ＣＡＤを使用することにより、診断の精度や再現性を改善し、医師の読影に要する負担を軽減することで診断の質と生産性を向上させることが期待できる［１］。
ＣＡＤはさらに、病変検出による存在診断を目的としたコンピュータ支援検出（ＣＡＤｅ：Computer-Aided Detection）と良悪性の鑑別を行う鑑別診断を目的としたコンピュータ支援診断（ＣＡＤｘ：Computer-Aided Diagnosis）に分類される［２］。実施の形態は、病変の存在を検出するＣＡＤｅに該当する。
１．１．背景
概要
胸部Ｘ線検査のニーズは今後も増加すると予想される。診断精度と再現性を保ちながら医師の読影負担を軽減し、効率よく画像を読影するためのシステムの開発が急務である。
概要
胸部Ｘ線検査のニーズは今後も増加すると予想される。診断精度と再現性を保ちながら医師の読影負担を軽減し、効率よく画像を読影するためのシステムの開発が急務である。
１．１．１．胸部Ｘ線画像について
本発明の実施の形態で対象とする胸部Ｘ線画像は、胸部Ｘ線検査から生成される医用画像である。胸部Ｘ線検査は、疾患のある患者に加え、健常者に対しても定期健康診断で広く実施されている検査であり、最も多く実施される画像検査の１つといえる。胸部Ｘ線検査は特に肺がんの早期検出においては有用であり［３］、本邦の肺がん検診にも用いられている。
本発明の実施の形態で対象とする胸部Ｘ線画像は、胸部Ｘ線検査から生成される医用画像である。胸部Ｘ線検査は、疾患のある患者に加え、健常者に対しても定期健康診断で広く実施されている検査であり、最も多く実施される画像検査の１つといえる。胸部Ｘ線検査は特に肺がんの早期検出においては有用であり［３］、本邦の肺がん検診にも用いられている。
１．１．２．今後予想される肺がん罹患数の増加と胸部Ｘ線画像
肺がん検診に関わる日本国内の動向として厚生労働省による「がん対策推進基本計画」がある。２０１２年度から２０１６年度までの５年間を対象としてがん対策の総合的かつ計画的な推進が図られ、日本国内における胸部検診受診者数は年々増加してきた。一方、日本国内における肺がん患者数も増加することが予想されている。２０１５年の国立がん研究センターの報告［４］によると、肺がんの予測罹患者数は１３３５００人であった。部位別では大腸がんの１３５８００人に次ぐ第２位の予測罹患数である。２０１４年の予測値より約１０万例増加しており、その原因は高齢化やがん登録精度向上の影響とされている。今後も２０２９年まで肺がん罹患数は引き続き増加していくことが予想され［５］、肺がん検査において現段階で第一選択となっている胸部Ｘ線検査の実施数も同様に増加し続けると考えられる。
肺がん検診に関わる日本国内の動向として厚生労働省による「がん対策推進基本計画」がある。２０１２年度から２０１６年度までの５年間を対象としてがん対策の総合的かつ計画的な推進が図られ、日本国内における胸部検診受診者数は年々増加してきた。一方、日本国内における肺がん患者数も増加することが予想されている。２０１５年の国立がん研究センターの報告［４］によると、肺がんの予測罹患者数は１３３５００人であった。部位別では大腸がんの１３５８００人に次ぐ第２位の予測罹患数である。２０１４年の予測値より約１０万例増加しており、その原因は高齢化やがん登録精度向上の影響とされている。今後も２０２９年まで肺がん罹患数は引き続き増加していくことが予想され［５］、肺がん検査において現段階で第一選択となっている胸部Ｘ線検査の実施数も同様に増加し続けると考えられる。
１．１．３．画像の読影について
［４］によると、２０１３年の肺がん検診の受診率は３８．７％であり、対象者総数から受診者数は約３９００万人と推計される。ここで、医用画像の読影は画像診断を専門とする放射線科医によって行われることが多いが、平成２６年の厚生労働省の調査では、国内の放射線科医数は６１６９人となっている［６］。肺がん検診の胸部Ｘ線画像が放射線科医によってすべて読影されると仮定すると、放射線科医は一人あたり年間約６２００枚もの読影を行うことになる。放射線科医は胸部Ｘ線画像の読影のみならず他検査の読影や他業務も行わなければならないため、放射線科医の業務負担も増加する一方であるといえる。
［４］によると、２０１３年の肺がん検診の受診率は３８．７％であり、対象者総数から受診者数は約３９００万人と推計される。ここで、医用画像の読影は画像診断を専門とする放射線科医によって行われることが多いが、平成２６年の厚生労働省の調査では、国内の放射線科医数は６１６９人となっている［６］。肺がん検診の胸部Ｘ線画像が放射線科医によってすべて読影されると仮定すると、放射線科医は一人あたり年間約６２００枚もの読影を行うことになる。放射線科医は胸部Ｘ線画像の読影のみならず他検査の読影や他業務も行わなければならないため、放射線科医の業務負担も増加する一方であるといえる。
１．１．４．医師の負担軽減ツールとしてのＣＡＤ
医師の負担軽減を目的として、胸部Ｘ線画像用ＣＡＤは国内外で多く提案されている。読影されるべき画像は増え続けているのに対し国内においては未だＣＡＤの実用化が進んでいない。その理由としては２つ考えられる。１つは医療経営においてＣＡＤがあまり寄与しない環境であることが挙げられる。つまりＣＡＤの使用は米国と異なり保険適用外であるため高額なＣＡＤが積極的に導入されづらいことである。２つ目として、現状の技術では１症例あたりに検出される偽陽性の数が多いことが挙げられる。第二の目としてＣＡＤを用いた際に、真の異常陰影（真陽性）に加え異常ではない陰影（偽陽性）が多く提示されることは医師の確認作業を増やすことになり、ＣＡＤ使用における読影業務が非効率となる。
医師の負担軽減を目的として、胸部Ｘ線画像用ＣＡＤは国内外で多く提案されている。読影されるべき画像は増え続けているのに対し国内においては未だＣＡＤの実用化が進んでいない。その理由としては２つ考えられる。１つは医療経営においてＣＡＤがあまり寄与しない環境であることが挙げられる。つまりＣＡＤの使用は米国と異なり保険適用外であるため高額なＣＡＤが積極的に導入されづらいことである。２つ目として、現状の技術では１症例あたりに検出される偽陽性の数が多いことが挙げられる。第二の目としてＣＡＤを用いた際に、真の異常陰影（真陽性）に加え異常ではない陰影（偽陽性）が多く提示されることは医師の確認作業を増やすことになり、ＣＡＤ使用における読影業務が非効率となる。
１．２．現状の課題―技術レベルと課題
ＣＡＤに求められることとして、１）放射線科医のパフォーマンスの改善、２）読影時間の短縮、３）放射線科医の読影作業一連の流れに組み込まれること、４）ＣＡＤが出す結果には責任が求められず、コストもできるだけかからないこと。の４つがある［７］。特にＣＡＤの技術が影響する１）については、胸部Ｘ線画像用ＣＡＤの実用化に向けて改良すべき点である。従来技術においては真陽性に加えて、偽陽性が複数検出され、この偽陽性候補数を減らすことが読影作業効率改善のための最も主要な課題となっている［８］。すなわち、１画像あたりに検出される偽陽性候補が多いほど、医師は複数の陰影から真の異常陰影を選択しなければならず、従来技術によるＣＡＤはむしろ読影における負担となっているとも考えられる。
ＣＡＤに求められることとして、１）放射線科医のパフォーマンスの改善、２）読影時間の短縮、３）放射線科医の読影作業一連の流れに組み込まれること、４）ＣＡＤが出す結果には責任が求められず、コストもできるだけかからないこと。の４つがある［７］。特にＣＡＤの技術が影響する１）については、胸部Ｘ線画像用ＣＡＤの実用化に向けて改良すべき点である。従来技術においては真陽性に加えて、偽陽性が複数検出され、この偽陽性候補数を減らすことが読影作業効率改善のための最も主要な課題となっている［８］。すなわち、１画像あたりに検出される偽陽性候補が多いほど、医師は複数の陰影から真の異常陰影を選択しなければならず、従来技術によるＣＡＤはむしろ読影における負担となっているとも考えられる。
１．３．目的
実施の形態に係るＣＡＤは肺がんの早期発見に寄与する結節状陰影の検出を支援することを目的とする。そのため、従来技術よりも偽陽性を多く削減することを課題とした。なお、今回開発に用いた画像データベースと同様のデータベースを用いた研究の最新報告［９］では、異常陰影を検出する精度を表す指標である感度は８１％、偽陽性は１画像あたり５．０個であった。［９］は結節影画像の一部を除いた１４０例での検討結果であるが、本発明においてはデータベース内の結節を有する画像全１５４例を用い、より恣意性を排除した条件での検出を目的とした。
実施の形態に係るＣＡＤは肺がんの早期発見に寄与する結節状陰影の検出を支援することを目的とする。そのため、従来技術よりも偽陽性を多く削減することを課題とした。なお、今回開発に用いた画像データベースと同様のデータベースを用いた研究の最新報告［９］では、異常陰影を検出する精度を表す指標である感度は８１％、偽陽性は１画像あたり５．０個であった。［９］は結節影画像の一部を除いた１４０例での検討結果であるが、本発明においてはデータベース内の結節を有する画像全１５４例を用い、より恣意性を排除した条件での検出を目的とした。
２．対象と方法
本手法の原理概要
実施の形態に係る学習装置は、胸部Ｘ線像から腫瘤影を検出する装置である。図１は、学習処理の一連の流れを示すフローチャートである。腫瘤陰影像、非腫瘤陰影像を含む画像データベース画像に対し、コントラストと濃度を正規化し全画像の画質のバラつきをなくす。画像内の肺野領域をセグメントした後、ＬｏＧ（Laplacian of Gaussian）フィルタ又はＤｏＧ（Difference of Gaussian）フィルタにより結節状陰影を選択的に強調する。高い感度を維持した状態で閾値処理を施し目的陰影を残す。残った陰影の中から深層畳み込みニューラルネットワーク（Deep Convolutional Neural Network：以下「ＤＣＮＮ」と記載する。）によって結節を選択し、結節以外の陰影を削除する。
本手法の原理概要
実施の形態に係る学習装置は、胸部Ｘ線像から腫瘤影を検出する装置である。図１は、学習処理の一連の流れを示すフローチャートである。腫瘤陰影像、非腫瘤陰影像を含む画像データベース画像に対し、コントラストと濃度を正規化し全画像の画質のバラつきをなくす。画像内の肺野領域をセグメントした後、ＬｏＧ（Laplacian of Gaussian）フィルタ又はＤｏＧ（Difference of Gaussian）フィルタにより結節状陰影を選択的に強調する。高い感度を維持した状態で閾値処理を施し目的陰影を残す。残った陰影の中から深層畳み込みニューラルネットワーク（Deep Convolutional Neural Network：以下「ＤＣＮＮ」と記載する。）によって結節を選択し、結節以外の陰影を削除する。
２．１．画像データベース
概要
実施の形態に係る学習装置では、日本放射線技術学会（ＪＳＲＴ）が作成した標準デジタル画像データベースを使用して学習を行った［１０］。本データベースは胸部Ｘ線検査で撮影されたデジタル画像２４７枚が含まれており、臨床で用いられるＣＲ（Computed Radiography）システムから得られる画像とほぼ同等の画質を持っている。
概要
実施の形態に係る学習装置では、日本放射線技術学会（ＪＳＲＴ）が作成した標準デジタル画像データベースを使用して学習を行った［１０］。本データベースは胸部Ｘ線検査で撮影されたデジタル画像２４７枚が含まれており、臨床で用いられるＣＲ（Computed Radiography）システムから得られる画像とほぼ同等の画質を持っている。
２．１．１．詳細
ａ）画像仕様
・マトリクスサイズ：２０４８×２０４８。
・濃度分解能：１２ｂｉｔｓ。
・ピクセルサイズ：０．１７５ｍｍ。
ａ）画像仕様
・マトリクスサイズ：２０４８×２０４８。
・濃度分解能：１２ｂｉｔｓ。
・ピクセルサイズ：０．１７５ｍｍ。
ｂ）画像に含まれる病変の特徴。
・病変内訳：腫瘤画像１５４枚、非腫瘤陰影画像９３枚。
・原則として悪性・良性を含む孤立性腫瘤影。
・腫瘤影の大きさは径５ｍｍ〜６０ｍｍ程度。
・ＣＴ検査によって腫瘤影の存在が確認されている。
・病変内訳：腫瘤画像１５４枚、非腫瘤陰影画像９３枚。
・原則として悪性・良性を含む孤立性腫瘤影。
・腫瘤影の大きさは径５ｍｍ〜６０ｍｍ程度。
・ＣＴ検査によって腫瘤影の存在が確認されている。
ｃ）陰影検出の難易度
本データベースでは全腫瘤影画像に対して結節状陰影の位置と検出における難易度が示されている。
Degree of subtlety in detection of lung nodules
１：extremely subtle（極めて微細）。
２：very subtle（とても微細）。
３：subtle（微細）。
４：relatively subtle（比較的微細）。
５：obvious（明白）。
本データベースでは全腫瘤影画像に対して結節状陰影の位置と検出における難易度が示されている。
Degree of subtlety in detection of lung nodules
１：extremely subtle（極めて微細）。
２：very subtle（とても微細）。
３：subtle（微細）。
４：relatively subtle（比較的微細）。
５：obvious（明白）。
ｄ）医師の観察者実験結果と陰影検出難易度との比較。
［１０］では、データベースに対する医師の観察者実験が行われている。難易度別に感度・特異度が示されている。画像全体での腫瘤影検出の感度は７０．３％であり、特異度は８０．９％であった。
［１０］では、データベースに対する医師の観察者実験が行われている。難易度別に感度・特異度が示されている。画像全体での腫瘤影検出の感度は７０．３％であり、特異度は８０．９％であった。
２．２．濃度とコントラストの正規化
デジタル画像２４７枚のマトリクスサイズ５１２×５１２、濃度分解能１２ｂｉｔｓに変換した元画像に対し、濃度とコントラストの正規化を行った。画像の中心から画像全体の１／４となる大きさに対するヒストグラムの影響を加味し、全画像の濃度とコントラストのヒストグラムを安定させた。図２は、正規化処理の前後における画像及びヒストグラムを示す図である。
デジタル画像２４７枚のマトリクスサイズ５１２×５１２、濃度分解能１２ｂｉｔｓに変換した元画像に対し、濃度とコントラストの正規化を行った。画像の中心から画像全体の１／４となる大きさに対するヒストグラムの影響を加味し、全画像の濃度とコントラストのヒストグラムを安定させた。図２は、正規化処理の前後における画像及びヒストグラムを示す図である。
２．３．陰影の強調
肺野領域をセグメントした後、ＤｏＧフィルタ又はＬｏＧフィルタを用い、結節状陰影を選択的に強調する。図３は、フィルタ処理の各ステップにおける胸部Ｘ線画像の一例を示す図である。
肺野領域をセグメントした後、ＤｏＧフィルタ又はＬｏＧフィルタを用い、結節状陰影を選択的に強調する。図３は、フィルタ処理の各ステップにおける胸部Ｘ線画像の一例を示す図である。
２．３．１．ＬｏＧフィルタ
Ｘ線画像における肺の腫瘤影強調においてＬｏＧフィルタが有用であることが報告されている［９］［１１］［１２］。ＬｏＧフィルタは画像ｆ（ｘ，ｙ）と以下の式（１）に示すガウシアンフィルタを畳み込むことで得られる平滑化画像Ｆ（ｘ，ｙ）（式（２）に示す）に対し、式（３）に示す８近傍ラプラシアンフィルタを適用することで、式（４）に示すように腫瘤影を選択的に強調する強調画像を得ることができる。
Ｘ線画像における肺の腫瘤影強調においてＬｏＧフィルタが有用であることが報告されている［９］［１１］［１２］。ＬｏＧフィルタは画像ｆ（ｘ，ｙ）と以下の式（１）に示すガウシアンフィルタを畳み込むことで得られる平滑化画像Ｆ（ｘ，ｙ）（式（２）に示す）に対し、式（３）に示す８近傍ラプラシアンフィルタを適用することで、式（４）に示すように腫瘤影を選択的に強調する強調画像を得ることができる。
２．３．２．ＤｏＧフィルタ
ＤｏＧは、σの異なる２つのガウシアンフィルタ画像を差分した以下の式（５）のように近似され、ＬｏＧフィルタと同様に腫瘤影の特徴を抽出できる。
その際、式（４）のＬｏＧに近似できるＤｏＧはσ＝５．５９である。ＤｏＧは人間の視覚特性に近いフィルタと考えられており、本発明で目的とする目視可能な腫瘤影の検出に適している。
ＤｏＧは、σの異なる２つのガウシアンフィルタ画像を差分した以下の式（５）のように近似され、ＬｏＧフィルタと同様に腫瘤影の特徴を抽出できる。
２．４．閾値処理
陰影を強調した画像の濃度ヒストグラムにおいて２１．１６％を閾値とし二値化した。閾値は目的陰影の拾い上げに対し高い感度を保った値とした。また、図３に示すように、事前に原画像から肺野をセグメントし、肺野外の陰影は除去した。
陰影を強調した画像の濃度ヒストグラムにおいて２１．１６％を閾値とし二値化した。閾値は目的陰影の拾い上げに対し高い感度を保った値とした。また、図３に示すように、事前に原画像から肺野をセグメントし、肺野外の陰影は除去した。
２．５．ＤＣＮＮによる偽陽性削除
２．４．で拾い上げた陰影に対し、ＤＣＮＮによって結節を選択し、結節以外の陰影を削除した。
２．４．で拾い上げた陰影に対し、ＤＣＮＮによって結節を選択し、結節以外の陰影を削除した。
２．５．１．入力画像
ＤＣＮＮには、２．４．で拾い上げた陰影に対し、その陰影を含むマトリクスサイズ２５６×２５６で切り取った画像を入力した。
ＤＣＮＮには、２．４．で拾い上げた陰影に対し、その陰影を含むマトリクスサイズ２５６×２５６で切り取った画像を入力した。
２．５．２．ＤＣＮＮ
ＤＣＮＮとは機械学習法の一種で、畳み込み層とプーリング層と呼ばれる２種類の層を交互に積み重ねた構造を持つフィードフォワード型の多層構造のニューラルネットワークである。従来の画像認識研究は、人間が識別タスクに合わせた画像特徴量を設計し、その特徴量を解析することが一般的であった。一方ＤＣＮＮでは、ＤＣＮＮそのものが画像を学習して特徴量を獲得し、画像を識別するという特徴がある。これにより、人為的にデータから特徴量を抽出する必要がなくなり、タスクに応じた表現力豊かな特徴量の生成が可能となった。近年、コンピュータビジョンの分野ではImageNet Large Scale Visual Recognition Challenge（ＩＬＳＶＲＣ）のような一般画像認識タスクでＤＣＮＮが驚異的な性能を達成していることが知られている［１３］。
ＤＣＮＮとは機械学習法の一種で、畳み込み層とプーリング層と呼ばれる２種類の層を交互に積み重ねた構造を持つフィードフォワード型の多層構造のニューラルネットワークである。従来の画像認識研究は、人間が識別タスクに合わせた画像特徴量を設計し、その特徴量を解析することが一般的であった。一方ＤＣＮＮでは、ＤＣＮＮそのものが画像を学習して特徴量を獲得し、画像を識別するという特徴がある。これにより、人為的にデータから特徴量を抽出する必要がなくなり、タスクに応じた表現力豊かな特徴量の生成が可能となった。近年、コンピュータビジョンの分野ではImageNet Large Scale Visual Recognition Challenge（ＩＬＳＶＲＣ）のような一般画像認識タスクでＤＣＮＮが驚異的な性能を達成していることが知られている［１３］。
２．５．３．転移学習法
ＤＣＮＮは教師あり学習が基本であり、ＤＣＮＮを適切に学習させるにはクラスラベルが付与された膨大な学習データが必要である。一般物体画像認識タスクでは、ＩｍａｇｅＮｅｔのように約２２０００クラス、１４００万枚以上の教師付き大規模画像データセットが整備されているため、人間を凌ぐ識別性能をすでに達成している［１４］。しかし、医用画像ではＩｍａｇｅＮｅｔのような大規模教師付き画像データベースは現時点で整備されておらず、また膨大な医用画像を収集するのは現実的に困難である。
ＤＣＮＮは教師あり学習が基本であり、ＤＣＮＮを適切に学習させるにはクラスラベルが付与された膨大な学習データが必要である。一般物体画像認識タスクでは、ＩｍａｇｅＮｅｔのように約２２０００クラス、１４００万枚以上の教師付き大規模画像データセットが整備されているため、人間を凌ぐ識別性能をすでに達成している［１４］。しかし、医用画像ではＩｍａｇｅＮｅｔのような大規模教師付き画像データベースは現時点で整備されておらず、また膨大な医用画像を収集するのは現実的に困難である。
そこで実施の形態に係る学習装置では、事前学習済みＤＣＮＮを用いた転移学習（transfer learning）を行う。転移学習とは、一般物体認識を学習したＤＣＮＮを異なる画像認識のタスクに流用する学習方法である。ＤＣＮＮが学習する特徴はその層構造に対応した階層性を持ち、下位層の特徴ほど普遍性を持ち、上位層の特徴ほどタスク依存性が高くなるといわれている［１５］。
転移学習の方法のひとつとしてｆｉｎｅ−ｔｕｎｉｎｇによる転移学習が広く用いられている。ｆｉｎｅ−ｔｕｎｉｎｇとは、一般物体画像を学習した学習済みモデルとそのＤＣＮＮを利用して、学習済みモデルの重みパラメータを適用先タスクのデータで再学習させることである。図４は、ｆｉｎｅ−ｔｕｎｉｎｇによる転移学習を説明するための概要図である。図４に示すように、事前学習済みＤＣＮＮの識別層を対象タスクのものへと付け替える。実施の形態に係る学習装置はＩＬＳＶＲＣのタスクで用いられた１０００クラスの識別層を本研究のタスクで用いる２クラス（結節と偽陽性）の識別層へと変更した。その他の層は、一般物体画像で学習済みのパラメータを初期値として学習を行った。
ＤＣＮＮの学習は初期値依存性が強く、適用先タスクの学習データが少ない場合は、できるだけよい初期値を得ることが過学習を防ぐことが知られている。事前学習済みＤＣＮＮによるｆｉｎｅ−ｔｕｎｉｎｇは、一般物体認識タスクにおいて、ゼロベースからの学習と比較して認識精度が向上すると報告されている［１６］。この学習済みモデルを利用したｆｉｎｅ−ｔｕｎｉｎｇによる転移学習は、教師データの量が十分になくても高い性能を達成することが知られており、医用画像認識タスクにおいても胸部Ｘ線画像［１７］や大腸３Ｄ−ＣＴ（ＣＴコロノグラフィ）［１８］などでその有効性が報告されている。
２．５．４．使用した学習済みモデルとＤＣＮＮ
実施の形態に係る学習装置では、カリフォルニア大学バークレー校の研究センターＢＶＬＣが公開しているディープラーニングのオープンソースライブラリであるＣａｆｆｅを用い、学習済みモデルには一般物体画像データベースＩｍａｇｅＮｅｔで学習済みのモデル（caffe_reference_imagenet_model）を、ＤＣＮＮには１００万枚、１０００カテゴリーの一般画像を用いたＩＬＳＶＲＣ２０１２の分類タスクにおいて優勝したＡｌｅｘＮｅｔ［１３］のＮｏｒｍａｌｉｚａｔｉｏｎ層とＰｏｏｌｉｎｇ層の順番を変更するなどの改変を加えたＢＶＬＣ Ｒｅｆｅｒｅｎｃｅ ＣａｆｆｅＮｅｔ［１９］をそれぞれ用いた。結節、偽陽性の各クラスの入力画像の９０％を学習用データ、１０％を評価用データとして、確率的勾配降下法により再学習した。最終的な出力は、結節と偽陽性の計２クラスとし、最終分類クラスと各クラスの確信度を得た。
実施の形態に係る学習装置では、カリフォルニア大学バークレー校の研究センターＢＶＬＣが公開しているディープラーニングのオープンソースライブラリであるＣａｆｆｅを用い、学習済みモデルには一般物体画像データベースＩｍａｇｅＮｅｔで学習済みのモデル（caffe_reference_imagenet_model）を、ＤＣＮＮには１００万枚、１０００カテゴリーの一般画像を用いたＩＬＳＶＲＣ２０１２の分類タスクにおいて優勝したＡｌｅｘＮｅｔ［１３］のＮｏｒｍａｌｉｚａｔｉｏｎ層とＰｏｏｌｉｎｇ層の順番を変更するなどの改変を加えたＢＶＬＣ Ｒｅｆｅｒｅｎｃｅ ＣａｆｆｅＮｅｔ［１９］をそれぞれ用いた。結節、偽陽性の各クラスの入力画像の９０％を学習用データ、１０％を評価用データとして、確率的勾配降下法により再学習した。最終的な出力は、結節と偽陽性の計２クラスとし、最終分類クラスと各クラスの確信度を得た。
３．結果
概要
図５は、実施の形態に係る学習装置が生成した識別器による結節状陰影検出結果を表形式で示す図である。実施の形態に係る学習装置が生成した識別器による胸部Ｘ線画像からの結節状陰影検出において以下のような結果となった。
・総合感度：８０．５％（１２４／１５４）。
・１画像あたりの偽陽性（ＦＰ）数：０．８９個（２２１／２４７）。
・特異度：９８．２％（１２２６９／１２４９０）。
これは、実施の形態に係る学習装置が生成した識別器が検出する陰影はほぼ真陽性（ＴＰ）であることを示している。
概要
図５は、実施の形態に係る学習装置が生成した識別器による結節状陰影検出結果を表形式で示す図である。実施の形態に係る学習装置が生成した識別器による胸部Ｘ線画像からの結節状陰影検出において以下のような結果となった。
・総合感度：８０．５％（１２４／１５４）。
・１画像あたりの偽陽性（ＦＰ）数：０．８９個（２２１／２４７）。
・特異度：９８．２％（１２２６９／１２４９０）。
これは、実施の形態に係る学習装置が生成した識別器が検出する陰影はほぼ真陽性（ＴＰ）であることを示している。
３．１．閾値処理による結果
・感度：８３．８％（１２９／１５４）。なお、重複検出は２か所であった。
・１画像あたりの偽陽性数：５０．６個（１２４９０／２４７）。
閾値処理で検出した結節状陰影の候補となる陰影は全部で１２６１９個であり、そのうち真の結節状陰影は１２９個であった。残りの１２４９０個の陰影は偽陽性である。
・感度：８３．８％（１２９／１５４）。なお、重複検出は２か所であった。
・１画像あたりの偽陽性数：５０．６個（１２４９０／２４７）。
閾値処理で検出した結節状陰影の候補となる陰影は全部で１２６１９個であり、そのうち真の結節状陰影は１２９個であった。残りの１２４９０個の陰影は偽陽性である。
３．２．ＤＣＮＮ処理による結果
・感度：８０．５％（１２４／１５４）。なお、重複検出２か所は含まれていない。
・１画像あたりの偽陽性数：０．８９個（２２１／２４７）。
ＤＣＮＮ処理で検出した結節状陰影は１２４個であった。また、３．１．で検出した偽陽性は２２１個に減らすことができた。図６（ａ）―（ｂ）は、閾値処理、ＤＣＮＮ処理過程での腫瘤難易度別の真陽性、偽陽性検出詳細を表形式で示す図である。具体的には、図６（ａ）は真陽性の腫瘤難易度別の検出結果を示す図であり、図６（ｂ）は偽陽性の腫瘤難易度別の検出結果を示す図である。
・感度：８０．５％（１２４／１５４）。なお、重複検出２か所は含まれていない。
・１画像あたりの偽陽性数：０．８９個（２２１／２４７）。
ＤＣＮＮ処理で検出した結節状陰影は１２４個であった。また、３．１．で検出した偽陽性は２２１個に減らすことができた。図６（ａ）―（ｂ）は、閾値処理、ＤＣＮＮ処理過程での腫瘤難易度別の真陽性、偽陽性検出詳細を表形式で示す図である。具体的には、図６（ａ）は真陽性の腫瘤難易度別の検出結果を示す図であり、図６（ｂ）は偽陽性の腫瘤難易度別の検出結果を示す図である。
３．３．ＪＳＲＴデータベースとの比較
図７は、実施の形態に係る学習装置が用いたデータベースに対し、Ｓｈｉｒａｉｓｈｉらが行った観察者実験［１０］と実施の形態に係る学習装置が生成した識別器による結果との比較を表形式で示す図である。図７に示すように、実施の形態に係る学習装置が生成した識別器による結節状陰影の検出は、５つのうち４つのカテゴリーにおいて医師による読影よりも検出感度が高い結果となった。
図７は、実施の形態に係る学習装置が用いたデータベースに対し、Ｓｈｉｒａｉｓｈｉらが行った観察者実験［１０］と実施の形態に係る学習装置が生成した識別器による結果との比較を表形式で示す図である。図７に示すように、実施の形態に係る学習装置が生成した識別器による結節状陰影の検出は、５つのうち４つのカテゴリーにおいて医師による読影よりも検出感度が高い結果となった。
４．考察
従来との比較
ＤＣＮＮを用いた偽陽性削除法はこれまでも提案されてきたが、感度を維持したまま偽陽性を減らそうとした結果、１画像あたりの偽陽性の個数を１未満とすることができていなかった。実施の形態に係る学習装置が生成した識別器は従来法と比較し、性能が非常に高い結果が出たといえる。実施の形態に係る学習装置が用いた胸部Ｘ線画像データベースは、日本放射線技術学会によって胸部放射線科医を含む医師グループに対し観察者実験が実施されている。Ｓｈｉｒａｉｓｈｉらの報告［１０］によれば、腫瘤陰影の感度は７０．３％であった。このことから、本発明の性能はまた医師の読影以上であることを示している。
従来との比較
ＤＣＮＮを用いた偽陽性削除法はこれまでも提案されてきたが、感度を維持したまま偽陽性を減らそうとした結果、１画像あたりの偽陽性の個数を１未満とすることができていなかった。実施の形態に係る学習装置が生成した識別器は従来法と比較し、性能が非常に高い結果が出たといえる。実施の形態に係る学習装置が用いた胸部Ｘ線画像データベースは、日本放射線技術学会によって胸部放射線科医を含む医師グループに対し観察者実験が実施されている。Ｓｈｉｒａｉｓｈｉらの報告［１０］によれば、腫瘤陰影の感度は７０．３％であった。このことから、本発明の性能はまた医師の読影以上であることを示している。
実施の形態に係る学習装置の効果
実施の形態に係る学習装置が生成した識別器は１画像あたりの偽陽性数において従来技術を凌駕している。これは医師の負担軽減につながるものであり、さらに質の良い診断をもたらす。総務省統計局平成２７年定期健康診断実施結果によると、胸部Ｘ線検査の有所見率は４．２％となっている。将来的に実施の形態に係る学習装置が生成した識別器による胸部Ｘ線検査の１次チェックが実現すると、医師は異常症例の読影に注力することができ、医療施設における人員の最適化が期待できる。
実施の形態に係る学習装置が生成した識別器は１画像あたりの偽陽性数において従来技術を凌駕している。これは医師の負担軽減につながるものであり、さらに質の良い診断をもたらす。総務省統計局平成２７年定期健康診断実施結果によると、胸部Ｘ線検査の有所見率は４．２％となっている。将来的に実施の形態に係る学習装置が生成した識別器による胸部Ｘ線検査の１次チェックが実現すると、医師は異常症例の読影に注力することができ、医療施設における人員の最適化が期待できる。
５．結論
胸部Ｘ線画像の結節状陰影検出手法にＤＣＮＮを用いることにより、感度８０．５％、症例１件当たりの偽陽性数０．８９個を達成した。従来技術よりも効率よく胸部Ｘ線画像の診断を支援することが期待できる。
胸部Ｘ線画像の結節状陰影検出手法にＤＣＮＮを用いることにより、感度８０．５％、症例１件当たりの偽陽性数０．８９個を達成した。従来技術よりも効率よく胸部Ｘ線画像の診断を支援することが期待できる。
６．参考文献
［１］．土井邦雄：“CADの現状と今後の進展”,日本放射線技術学会雑誌,563,318-320,2000.
［２］．ML． Giger et al, : “Anniversary Paper: History and status of CAD and quantitative image analysis: The role of Medical Physics and AAPM” Med． Phys． 35(12), December 2008.
［３］．Sobue T et al, : Survival for clinical stage I lung cancer not surgically treated． Cancer 182:115-122, 1992.
［４］．国立研究開発法人国立がん研究センタープレスリリース「2015年のがん罹患数，死亡数予測」。
［５］．国立がん研究センターがん対策情報センター：がん・統計白書2012−データに基づくがん対策のために（篠原出版新社）。
［６］．厚生労働省：平成26年（2014年）医師・歯科医師・薬剤師調査の概況。
［７］．Van Ginneken et al, : “Computer-aided diagnosis: how to move from the laboratory to the clinic”, Radiology 261:719-732, 2011.
［８］．Suzuki K: A review of computer-aided diagnosis in thoracic and colonic imaging． Quant． Imaging Med ．Surg．2:163-176, 2012.
［９］．Chen Se et al, : A parameterized logarithmic image processing method with Laplacian of Gaussian filtering for lung nodule enhancement in chest radiographs ,Medical & Biological Engineering & Computing1-14, 2016.
［１０］．Shiraishi et al, : Development of a digital image database for chest radiographs with and without a lung nodule: Receiver operating characteristic analysis of radiologists’detection of pulmonary nodules． AJR 174; 71-74, 2000.
［１１］．Artit C Jirapatnakul et al, : Automated nodule location and size estimation using a multi-scale Laplacian of Gaussian filtering approach． Conf Proc IEEE Eng Med Biol Soc． 2009; 2009:1028-31.
［１２］．Saien S et al, : Refinement of lung nodule candidates based on local geometric shape analysis and Laplacian of Gaussian kernels． Comput Biol Med． 2014 Nov; 54: 188-98.
［１３］．Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E． Hinton． "Imagenet classification with deep convolutional neural networks．" Advances in neural information processing systems． 2012．
［１４］．Szegedy, C．, Liu, W．, Jia, Y．, Sermanet, P．, Reed, S．, Anguelov, D．, ．．． & Rabinovich, A． (2015)． Going deeper with convolutions． In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp． 1-9)．
［１５］．Caruana, Rich． "Multitask learning．" Learning to learn． Springer US, 1998． 95-133．
［１６］．Agrawal, Pulkit, Ross Girshick, and Jitendra Malik． "Analyzing the performance of multilayer neural networks for object recognition．" European Conference on Computer Vision． Springer International Publishing, 2014．
［１７］．Bar, Y．, Diamant, I．, Wolf, L．, & Greenspan, H． (2015, March)． Deep learning with non-medical training used for chest pathology identification． In SPIE Medical Imaging (pp． 94140V-94140V)． International Society for Optics and Photonics．
［１８］．Naeppi, J． J．, Hironaka, T．, Regge, D．, & Yoshida, H． (2016, March)． Deep transfer learning of virtual endoluminal views for the detection of polyps in CT colonography． In SPIE Medical Imaging (pp． 97852B-97852B)． International Society for Optics and Photonics．
［１９］．Jia, Y．, Shelhamer, E．, Donahue, J．, Karayev, S．, Long, J．, Girshick, R．, ．．． & Darrell, T． (2014, November)． Caffe: Convolutional architecture for fast feature embedding． In Proceedings of the 22nd ACM international conference on Multimedia (pp． 675-678)． ACM．
［１］．土井邦雄：“CADの現状と今後の進展”,日本放射線技術学会雑誌,563,318-320,2000.
［２］．ML． Giger et al, : “Anniversary Paper: History and status of CAD and quantitative image analysis: The role of Medical Physics and AAPM” Med． Phys． 35(12), December 2008.
［３］．Sobue T et al, : Survival for clinical stage I lung cancer not surgically treated． Cancer 182:115-122, 1992.
［４］．国立研究開発法人国立がん研究センタープレスリリース「2015年のがん罹患数，死亡数予測」。
［５］．国立がん研究センターがん対策情報センター：がん・統計白書2012−データに基づくがん対策のために（篠原出版新社）。
［６］．厚生労働省：平成26年（2014年）医師・歯科医師・薬剤師調査の概況。
［７］．Van Ginneken et al, : “Computer-aided diagnosis: how to move from the laboratory to the clinic”, Radiology 261:719-732, 2011.
［８］．Suzuki K: A review of computer-aided diagnosis in thoracic and colonic imaging． Quant． Imaging Med ．Surg．2:163-176, 2012.
［９］．Chen Se et al, : A parameterized logarithmic image processing method with Laplacian of Gaussian filtering for lung nodule enhancement in chest radiographs ,Medical & Biological Engineering & Computing1-14, 2016.
［１０］．Shiraishi et al, : Development of a digital image database for chest radiographs with and without a lung nodule: Receiver operating characteristic analysis of radiologists’detection of pulmonary nodules． AJR 174; 71-74, 2000.
［１１］．Artit C Jirapatnakul et al, : Automated nodule location and size estimation using a multi-scale Laplacian of Gaussian filtering approach． Conf Proc IEEE Eng Med Biol Soc． 2009; 2009:1028-31.
［１２］．Saien S et al, : Refinement of lung nodule candidates based on local geometric shape analysis and Laplacian of Gaussian kernels． Comput Biol Med． 2014 Nov; 54: 188-98.
［１３］．Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E． Hinton． "Imagenet classification with deep convolutional neural networks．" Advances in neural information processing systems． 2012．
［１４］．Szegedy, C．, Liu, W．, Jia, Y．, Sermanet, P．, Reed, S．, Anguelov, D．, ．．． & Rabinovich, A． (2015)． Going deeper with convolutions． In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp． 1-9)．
［１５］．Caruana, Rich． "Multitask learning．" Learning to learn． Springer US, 1998． 95-133．
［１６］．Agrawal, Pulkit, Ross Girshick, and Jitendra Malik． "Analyzing the performance of multilayer neural networks for object recognition．" European Conference on Computer Vision． Springer International Publishing, 2014．
［１７］．Bar, Y．, Diamant, I．, Wolf, L．, & Greenspan, H． (2015, March)． Deep learning with non-medical training used for chest pathology identification． In SPIE Medical Imaging (pp． 94140V-94140V)． International Society for Optics and Photonics．
［１８］．Naeppi, J． J．, Hironaka, T．, Regge, D．, & Yoshida, H． (2016, March)． Deep transfer learning of virtual endoluminal views for the detection of polyps in CT colonography． In SPIE Medical Imaging (pp． 97852B-97852B)． International Society for Optics and Photonics．
［１９］．Jia, Y．, Shelhamer, E．, Donahue, J．, Karayev, S．, Long, J．, Girshick, R．, ．．． & Darrell, T． (2014, November)． Caffe: Convolutional architecture for fast feature embedding． In Proceedings of the 22nd ACM international conference on Multimedia (pp． 675-678)． ACM．
［具体例］
実施の形態
上述の前提技術を踏まえ、本発明の実施の形態についてより詳細に説明する。
図８は、実施の形態に係る検出支援システムＳの構成を模式的に示す図である。実施の形態に係る検出支援システムＳは、学習装置１、識別装置２、識別器格納部３、教師画像格納部４、未知画像格納部５、出力部６、及び事前学習済みデータ格納部７を含む。
実施の形態
上述の前提技術を踏まえ、本発明の実施の形態についてより詳細に説明する。
図８は、実施の形態に係る検出支援システムＳの構成を模式的に示す図である。実施の形態に係る検出支援システムＳは、学習装置１、識別装置２、識別器格納部３、教師画像格納部４、未知画像格納部５、出力部６、及び事前学習済みデータ格納部７を含む。
前提技術の［２］において説明したように、実施の形態に係る学習装置１は、胸部Ｘ線検査で撮影されたデジタル画像に濃度正規化やフィルタ処理等の前処理を施したのち、ＤＣＮＮを用いて識別器を生成する。学習装置１が生成した識別器は、識別器格納部３が保持する。なお、教師画像格納部４は、学習装置１がＤＣＮＮに用いるデジタル画像を格納している。
識別装置２は、胸部Ｘ線検査のスクリーニング検査等において稼働する。未知画像格納部５は、胸部Ｘ線撮影装置（不図示）が撮影した胸部Ｘ線検査のデジタル画像を保持している。未知画像格納部５が保持しているデジタル画像は識別装置２が結節状陰影の検出対象とする画像であり、陰影の有無及び存在する場合にはその位置が未知である画像である。
識別装置２は、識別器格納部３が保持する識別器を用いて、未知画像中の結節状陰影の候補を検出する。識別装置２は、検出した結節状陰影の候補を、モニタ等の出力部６に出力する。医師等の医療従事者は出力部６に出力された結節状陰影の候補を観察することにより、胸部Ｘ線検査のスクリーニング検査における効率を向上することができる。なお、事前学習済みデータ格納部７については後述する。
まず、学習装置１による学習過程を説明する。
図９は、実施の形態に係る学習装置１の機能構成を模式的に示す図である。実施の形態に係る学習装置１は、記憶部１０と制御部１１とを備える。制御部１１は、画像取得部１１０、画像濃度変換部１１１、肺野検出部１１２、フィルタ処理部１１３、候補領域取得部１１４、及び学習部１１５を含む。
図９は、実施の形態に係る学習装置１の機能構成を模式的に示す図である。実施の形態に係る学習装置１は、記憶部１０と制御部１１とを備える。制御部１１は、画像取得部１１０、画像濃度変換部１１１、肺野検出部１１２、フィルタ処理部１１３、候補領域取得部１１４、及び学習部１１５を含む。
記憶部１０は、学習装置１のＢＩＯＳ（Basic Input Output System）等を格納するＲＯＭ（Read Only Memory）や学習装置１の作業領域となるＲＡＭ（Random Access Memory）、ＯＳ（Operating System）やアプリケーションプログラム等を格納するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の大容量記憶装置である。
制御部１１は、学習装置１のＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のプロセッサであり記憶部１０に記憶されたプログラムを実行することによって画像取得部１１０、画像濃度変換部１１１、肺野検出部１１２、フィルタ処理部１１３、候補領域取得部１１４、及び学習部１１５として機能する。
画像取得部１１０は、あらかじめ結節状陰影の位置が既知である胸部Ｘ線のデジタル画像を取得する。前提技術の［２．１］において説明したように、教師画像格納部４に格納されているデジタル画像は、全腫瘤影画像に対して結節状陰影の位置があらかじめ示されている。
画像濃度変換部１１１は、デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、デジタル画像全体の濃度を正規化した濃度正規化画像を取得する。具体的には、前提技術の［２．２］において説明したように、画像濃度変換部１１１はデジタル画像の中心から画像全体の１／４となる大きさの領域に対する画素値のヒストグラムに基づいて、画像全体の画素値の濃度を正規化する。
一般に、胸部Ｘ線画像の中心部には被検者の肺野が撮像されている。そして、この被検者の肺野領域に、学習装置１が学習対象とする結節状陰影が多く存在する。このように、胸部Ｘ線画像において結節状陰影が多く存在する領域を対象として画像濃度変換部１１１が画素値の濃度を正規化することにより、学習精度を向上させることができる。
肺野検出部１１２は、濃度正規化画像から肺野領域を検出する。肺野検出部１１２は、例えばブースティング、ＳＶＭ（Support Vector Machine）、又はＤＣＮＮ等の既知の機械学習手法を用いて生成された自動認識技術を用いて実現できる。
フィルタ処理部１１３は、濃度正規化画像に対してフィルタ処理を実行してフィルタ画像を取得する。より具体的には、フィルタ処理部１１３は、濃度正規化画像から検出された肺野領域に対して、前提技術の［２．３］で説明したいずれかのフィルタを用いてフィルタ処理を実行する。これによりフィルタ処理部１１３によるフィルタ処理の対象が絞られるため、フィルタ処理を高速化することができる。
候補領域取得部１１４は、フィルタ処理部１１３が生成したフィルタ画像を２値化して、結節状陰影の候補領域を取得する。より具体的には、前提技術の［２．４］で説明したように、候補領域取得部１１４はデジタル画像の濃度正規化に使用したヒストグラムにおいて画素値の高い順に２１．１６％までの範囲に含まれる画素値を残し、他の領域を削除することでフィルタ画像を２値化する。候補領域取得部１１４は、２値化によって残った領域を候補領域とする。
学習部１１５は、候補領域取得部１１４が取得した候補領域のうち、既知である結節状陰影に対応する領域をひとつのクラス、既知である結節状陰影と対応しない領域を他のクラスとして、ＤＣＮＮによる学習により識別器を生成する。学習部１１５は生成した識別器を識別器格納部３に格納する。学習部１１５は、候補領域取得部１１４が生成した候補領域に対応する濃度正規化画像の領域を、前提技術の［２．５．１］で説明したように２５６ピクセル×２５６ピクセルの大きさで切り出したデータを学習データとして学習を実行する。
学習部１１５は、前提技術の［２．５．２］〜［２．５．４］で説明した学習手法により学習を実行する。前提技術の［２．５．３］及び［２．５．４］で説明したように、実施の形態に係る学習部１１５は一般物体画像を学習した学習済みモデルとそのＤＣＮＮを利用して学習を実行する。事前学習済みデータ格納部７は、これらの一般物体画像を学習した学習済みモデルとそのＤＣＮＮを保持している。
なお、記憶部１０は、画像取得部１１０が教師画像格納部４から読み出した胸部Ｘ線のデジタル画像と、学習部１１５が事前学習済みデータ格納部７から読み出した学習済みモデルとそのＤＣＮＮとを格納してもよい。これにより、学習装置１は、ひとたび胸部Ｘ線のデジタル画像や学習済みモデル等を外部の格納部から読み出した後は、再度読み出しを実行することなく学習を実行することができる。
以上により、実施の形態に係る学習装置１は、あらかじめ結節状陰影の位置が既知である胸部Ｘ線のデジタル画像を学習することにより、デジタル画像から結節状陰影の候補を検出するための識別器を生成することができる。
続いて、識別装置２による識別過程を説明する。
図１０は、実施の形態に係る識別装置２の機能構成を模式的に示す図である。実施の形態に係る識別装置２は、記憶部２０と制御部２１とを備える。制御部２１は、画像取得部２１０、画像濃度変換部２１１、肺野検出部２１２、フィルタ処理部２１３、候補領域取得部２１４、及び識別部２１５を含む。
図１０は、実施の形態に係る識別装置２の機能構成を模式的に示す図である。実施の形態に係る識別装置２は、記憶部２０と制御部２１とを備える。制御部２１は、画像取得部２１０、画像濃度変換部２１１、肺野検出部２１２、フィルタ処理部２１３、候補領域取得部２１４、及び識別部２１５を含む。
記憶部２０は、識別装置２のＢＩＯＳ等を格納するＲＯＭや識別装置２の作業領域となるＲＡＭ、ＯＳやアプリケーションプログラム等を格納するＨＤＤやＳＳＤ等の大容量記憶装置である。
制御部２１は、識別装置２のＣＰＵやＧＰＵ等のプロセッサであり記憶部２０に記憶されたプログラムを実行することによって画像取得部２１０、画像濃度変換部２１１、肺野検出部２１２、フィルタ処理部２１３、候補領域取得部２１４、及び識別部２１５として機能する。
画像取得部２１０は、胸部Ｘ線のデジタル画像を取得する。前提技術の［１．１］で説明したように、実施の形態に係る検出支援システムＳは、定期健康診断等で実施されている胸部Ｘ線検査で得られた胸部Ｘ線画像に撮像されている結節状陰影の候補を検出するためのシステムである。未知画像格納部５はこのような胸部Ｘ線検査のデジタル画像を保持しており、画像取得部２１０から胸部Ｘ線のデジタル画像を取得する。画像取得部２１０が取得するデジタル画像は、当然ながら結節状陰影の有無やその存在位置は未知である。
画像濃度変換部２１１は、画像取得部２１０が取得したデジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、デジタル画像全体の濃度を正規化した濃度正規化画像を取得する。具体的には、前提技術の［２．２］において説明したように、画像濃度変換部２１１はデジタル画像の中心から画像全体の１／４となる大きさの領域に対する画素値のヒストグラムに基づいて、画像全体の画素値のヒストグラムを正規化する。
肺野検出部２１２は、肺野検出部１１２と同様に、既知の機械学習手法を用いて生成された肺野検出エンジンを用いることにより、画像濃度変換部２１１が生成した濃度正規化画像から肺野領域を検出する。
フィルタ処理部２１３は、濃度正規化画像から検出された肺野領域に対してフィルタ処理を実行し、フィルタ画像を取得する。より具体的には、フィルタ処理部２１３は、学習装置１におけるフィルタ処理部１１３が用いたフィルタと同じフィルタを用いてフィルタ処理を実行する。
候補領域取得部２１４は、フィルタ処理部２１３が生成したフィルタ画像を２値化して、結節状陰影の候補領域を取得する。候補領域取得部２１４は、学習装置１における候補領域取得部１１４が採用した閾値と同じ値の閾値により、フィルタ画像を２値化する。候補領域取得部２１４は、２値化によって残った領域を候補領域とする。
識別部２１５は、学習装置１における学習部１１５がＤＣＮＮによる学習によって生成した識別器を識別器格納部３から読み出す。識別部２１５は、候補領域取得部２１４が取得した候補領域に対応する濃度正規化画像の領域に読み出した識別を適用して、結節状陰影の候補の有無を識別する。
識別部２１５は、識別器を適用した濃度正規化画像中に結節状陰影の候補を検出した場合、濃度正規化画像において結節状陰影の候補を含む領域を他の領域とは異なる態様として出力部６に出力する。例えば識別部２１５は、濃度正規化画像において結節状陰影の候補を含む領域を矩形で囲ったり、結節状陰影の候補の輝度を相対的に高くしたりすることにより、結節状陰影の候補を強調する。これにより、医師等の医療従事者は、識別部２１５が検出した結節状陰影の候補を見つけやすくなり、その候補が真の結節状陰影か否かを判別することに集中することができる。
なお、画像取得部２１０は、識別部２１５が識別器格納部３から読み出した識別器を格納してもよい。これにより、識別装置２は、ひとたび識別器を識別器格納部３から読み出した後は、再度読み出しを実行することなく識別を実行することができる。
図１１は、実施の形態に係る識別装置２が実行する識別処理の流れを説明するためのフローチャートである。本フローチャートにおける処理は、例えば識別装置２が起動したときに開始する。
画像取得部２１０は、未知画像格納部５から胸部Ｘ線検査で得られた胸部Ｘ線画像を読み出して取得する（Ｓ２）。画像濃度変換部２１１は、取得したデジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、デジタル画像全体のコントラストを正規化した濃度正規化画像を取得する（Ｓ４）。
肺野検出部２１２は、濃度正規化画像から肺野領域を検出する（Ｓ６）。フィルタ処理部２１３は、検出した肺野領域に対してフィルタ処理を実行する（Ｓ８）。候補領域取得部２１４は、フィルタ処理部２１３が生成したフィルタ画像を閾値処理によって２値化し、結節状陰影の候補領域を取得する（Ｓ１０）。
識別部２１５は、ＤＣＮＮによる学習により得られた識別器を、候補領域に対応する濃度正規化画像の領域に適用して、結節状陰影の候補の有無を識別する（Ｓ１２）。識別部２１５が結節状陰影の候補の有無を識別すると、本フローチャートにおける処理は終了する。識別装置２は、未知画像格納部５から読み出したすべての胸部Ｘ線画像に対して上記の処理を繰り返すことにより、医師等の医療従事者による結節状陰影の判別を補助する。
以上説明したように、実施の形態に係る検出支援システムＳによれば、胸部Ｘ線画像用コンピュータ支援診断の識別性能を向上させることができる。特に、実施の形態に係る学習装置１は、所定の部分領域に含まれる画素値のヒストグラムに基づいてデジタル画像全体の濃度を正規化した濃度正規化画像を用いて学習を実行するため、画像間の濃度のばらつきの影響を低減して学習を実行することができる。未知画像の識別時にも同様の正規化を実行するため、結果として学習装置１は画像間の濃度のばらつきに対してロバスト性を向上することができる。
また、実施の形態に係る学習装置１は胸部Ｘ線のデジタル画像から肺野を検出し、検出した領域のヒストグラムを用いてデジタル画像全体の濃度を正規化する。検出対象とする結節状陰影は主に肺野領域に存在するため、学習装置１は検出対象の検出に適した濃度正規化を実行することになる。結果として学習装置１は結節状陰影の検出精度を高めることができる。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。そのような変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
上記の説明では、識別装置２は未知画像格納部５から識別対象とする胸部Ｘ線画像を取得する場合、すなわち識別装置２が胸部Ｘ線撮像装置とは別の装置の場合について説明した。しかしながら、識別装置２は胸部Ｘ線撮像装置に含まれていてもよい。この場合、胸部Ｘ線撮像装置が胸部Ｘ線画像を撮像してそのまま結節状陰影の検出を実行することができる。
１・・・学習装置
１０・・・記憶部
１１・・・制御部
１１０・・・画像取得部
１１１・・・画像濃度変換部
１１２・・・肺野検出部
１１３・・・フィルタ処理部
１１４・・・候補領域取得部
１１５・・・学習部
２・・・識別装置
２０・・・記憶部
２１・・・制御部
２１０・・・画像取得部
２１１・・・画像濃度変換部
２１２・・・肺野検出部
２１３・・・フィルタ処理部
２１４・・・候補領域取得部
２１５・・・識別部
３・・・識別機格納部
４・・・教師画像格納部
５・・・未知画像格納部
６・・・出力部
７・・・事前学習済みデータ格納部
Ｓ・・・検出支援システム
１０・・・記憶部
１１・・・制御部
１１０・・・画像取得部
１１１・・・画像濃度変換部
１１２・・・肺野検出部
１１３・・・フィルタ処理部
１１４・・・候補領域取得部
１１５・・・学習部
２・・・識別装置
２０・・・記憶部
２１・・・制御部
２１０・・・画像取得部
２１１・・・画像濃度変換部
２１２・・・肺野検出部
２１３・・・フィルタ処理部
２１４・・・候補領域取得部
２１５・・・識別部
３・・・識別機格納部
４・・・教師画像格納部
５・・・未知画像格納部
６・・・出力部
７・・・事前学習済みデータ格納部
Ｓ・・・検出支援システム
Claims (6)
- あらかじめ結節状陰影の位置が既知である胸部Ｘ線のデジタル画像を取得する画像取得部と、
前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得する画像濃度変換部と、
前記濃度正規化画像に対してフィルタ処理を実行してフィルタ画像を取得するフィルタ処理部と、
前記フィルタ画像を２値化して結節状陰影の候補領域を取得する候補領域取得部と、
前記候補領域のうち、既知である結節状陰影に対応する領域をひとつのクラス、既知である結節状陰影と対応しない領域を他のクラスとして深層畳み込みニューラルネットワークによる学習を実行して識別器を生成する学習部と、
を備える学習装置。 - 前記学習部は、前記候補領域に対応する濃度正規化画像の領域を切り出したデータを学習データとして学習を実行する、
請求項１に記載の学習装置。 - 前記濃度正規化画像から肺野領域を検出する肺野検出部をさらに備え、
前記フィルタ処理部は、前記濃度正規化画像から検出された肺野領域に対してフィルタ処理を実行する、
請求項１又は２に記載の学習装置。 - 胸部Ｘ線のデジタル画像を取得する画像取得部と、
前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得する画像濃度変換部と、
前記濃度正規化画像に対してフィルタ処理を実行して強調画像を取得するフィルタ処理部と、
前記強調画像を２値化して結節状陰影の候補領域を取得する候補領域取得部と、
深層畳み込みニューラルネットワークによる学習により生成された識別器を、前記候補領域取得部が取得した候補領域に対応する前記濃度正規化画像の領域に適用して、結節状陰影の候補の有無を識別する識別部と、
を備える識別装置。 - プロセッサが、
胸部Ｘ線のデジタル画像を取得するステップと、
前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得するステップと、
前記濃度正規化画像に対してフィルタ処理を実行して強調画像を取得するステップと、
前記強調画像を２値化して結節状陰影の候補領域を取得するステップと、
深層畳み込みニューラルネットワークによる学習により得られた識別器を、取得した候補領域に対応する前記濃度正規化画像の領域に適用して、結節状陰影の候補の有無を識別するステップと、
を実行する識別方法。 - コンピュータに、
胸部Ｘ線のデジタル画像を取得する機能と、
前記デジタル画像に設定された所定の部分領域に含まれる画素値のヒストグラムに基づいて、前記デジタル画像全体の濃度を正規化した濃度正規化画像を取得する機能と、
前記濃度正規化画像に対してフィルタ処理を実行して強調画像を取得する機能と、
前記強調画像を２値化して結節状陰影の候補領域を取得する機能と、
深層畳み込みニューラルネットワークによる学習により得られた識別器を、取得した候補領域に対応する前記濃度正規化画像の領域に適用して、結節状陰影の候補の有無を識別する機能と、
を実現させるプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017011479A JP2018117883A (ja) | 2017-01-25 | 2017-01-25 | 学習装置、識別装置、識別方法、及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017011479A JP2018117883A (ja) | 2017-01-25 | 2017-01-25 | 学習装置、識別装置、識別方法、及びプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2018117883A true JP2018117883A (ja) | 2018-08-02 |
Family
ID=63044254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017011479A Pending JP2018117883A (ja) | 2017-01-25 | 2017-01-25 | 学習装置、識別装置、識別方法、及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2018117883A (ja) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020044162A (ja) * | 2018-09-20 | 2020-03-26 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置および医用情報処理システム |
| JP2020051982A (ja) * | 2018-09-28 | 2020-04-02 | Ｊｆｅテクノリサーチ株式会社 | 画像検査装置及び検査モデル構築システム |
| JP2020062340A (ja) * | 2018-10-19 | 2020-04-23 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及びプログラム |
| JP2020192006A (ja) * | 2019-05-27 | 2020-12-03 | キヤノンメディカルシステムズ株式会社 | 診断支援装置、及び、ｘ線ｃｔ装置 |
| JP2021020015A (ja) * | 2019-07-30 | 2021-02-18 | 国立大学法人 大分大学 | 二次元セルオートマトンによる肺結節明瞭化法 |
| JP2021518966A (ja) * | 2018-11-01 | 2021-08-05 | ▲騰▼▲訊▼科技（深▲セン▼）有限公司 | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム |
| JP2021520568A (ja) * | 2018-11-08 | 2021-08-19 | ▲騰▼▲訊▼科技（深▲セン▼）有限公司 | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム |
| JP2022018415A (ja) * | 2020-07-15 | 2022-01-27 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び方法 |
| KR20220094286A (ko) * | 2020-12-28 | 2022-07-06 | 주식회사 래디센 | 인공지능 기반 실시간 자동 엑스레이 폐결절 판독 방법 및 시스템 |
| WO2023047963A1 (ja) * | 2021-09-21 | 2023-03-30 | 学校法人帝京大学 | 医用画像診断支援装置、医用画像診断支援方法およびプログラム |
| KR102581540B1 (ko) * | 2022-03-16 | 2023-09-21 | 고려대학교 산학협력단 | 소아 엑스레이 영상의 폐 영역 세그멘테이션 방법 및 장치 |
-
2017
- 2017-01-25 JP JP2017011479A patent/JP2018117883A/ja active Pending
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020044162A (ja) * | 2018-09-20 | 2020-03-26 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置および医用情報処理システム |
| JP7134805B2 (ja) | 2018-09-20 | 2022-09-12 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置および医用情報処理システム |
| JP2020051982A (ja) * | 2018-09-28 | 2020-04-02 | Ｊｆｅテクノリサーチ株式会社 | 画像検査装置及び検査モデル構築システム |
| JP2020062340A (ja) * | 2018-10-19 | 2020-04-23 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及びプログラム |
| JP7325942B2 (ja) | 2018-10-19 | 2023-08-15 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及びプログラム |
| JP7383010B2 (ja) | 2018-11-01 | 2023-11-17 | ▲騰▼▲訊▼科技（深▲セン▼）有限公司 | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム |
| JP2021518966A (ja) * | 2018-11-01 | 2021-08-05 | ▲騰▼▲訊▼科技（深▲セン▼）有限公司 | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム |
| US11961226B2 (en) | 2018-11-01 | 2024-04-16 | Tencent Technology (Shenzhen) Company Limited | Medical image recognition method, model training method, and computer device |
| US11880972B2 (en) | 2018-11-08 | 2024-01-23 | Tencent Technology (Shenzhen) Company Limited | Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system |
| JP7086336B2 (ja) | 2018-11-08 | 2022-06-20 | ▲騰▼▲訊▼科技（深▲セン▼）有限公司 | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム |
| JP2021520568A (ja) * | 2018-11-08 | 2021-08-19 | ▲騰▼▲訊▼科技（深▲セン▼）有限公司 | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム |
| JP7313192B2 (ja) | 2019-05-27 | 2023-07-24 | キヤノンメディカルシステムズ株式会社 | 診断支援装置、及び、ｘ線ｃｔ装置 |
| JP2020192006A (ja) * | 2019-05-27 | 2020-12-03 | キヤノンメディカルシステムズ株式会社 | 診断支援装置、及び、ｘ線ｃｔ装置 |
| JP2021020015A (ja) * | 2019-07-30 | 2021-02-18 | 国立大学法人 大分大学 | 二次元セルオートマトンによる肺結節明瞭化法 |
| JP2022018415A (ja) * | 2020-07-15 | 2022-01-27 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び方法 |
| KR102422613B1 (ko) | 2020-12-28 | 2022-07-21 | 주식회사 래디센 | 인공지능 기반 실시간 자동 엑스레이 폐결절 판독 방법 및 시스템 |
| KR20220094286A (ko) * | 2020-12-28 | 2022-07-06 | 주식회사 래디센 | 인공지능 기반 실시간 자동 엑스레이 폐결절 판독 방법 및 시스템 |
| WO2023047963A1 (ja) * | 2021-09-21 | 2023-03-30 | 学校法人帝京大学 | 医用画像診断支援装置、医用画像診断支援方法およびプログラム |
| KR102581540B1 (ko) * | 2022-03-16 | 2023-09-21 | 고려대학교 산학협력단 | 소아 엑스레이 영상의 폐 영역 세그멘테이션 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2018117883A (ja) | 学習装置、識別装置、識別方法、及びプログラム | |
| Soomro et al. | Artificial intelligence (AI) for medical imaging to combat coronavirus disease (COVID-19): A detailed review with direction for future research | |
| Wang et al. | Lung nodule classification using deep feature fusion in chest radiography | |
| da Silva Sousa et al. | Methodology for automatic detection of lung nodules in computerized tomography images | |
| JP4708362B2 (ja) | コンピュータで実施される方法 | |
| Dodia et al. | Recent advancements in deep learning based lung cancer detection: A systematic review | |
| Panetta et al. | Automated detection of COVID-19 cases on radiographs using shape-dependent Fibonacci-p patterns | |
| JP2004000609A (ja) | 多重エネルギ画像による計算機支援診断 | |
| JP2002521896A (ja) | 軟組織胸部画像と標準胸部画像を利用したエネルギ差分法によるコンピュータ化肺小結節検出 | |
| Zhang et al. | Design of automatic lung nodule detection system based on multi-scene deep learning framework | |
| Garlapati et al. | Detection of COVID-19 using X-ray image classification | |
| CN109937433B (zh) | 用于x射线图像中的不透明区的检测的装置 | |
| Lee et al. | Potential of computer-aided diagnosis to improve CT lung cancer screening | |
| Nefoussi et al. | A Comparative study of chest X-ray image enhancement techniques for pneumonia recognition | |
| Rezaie et al. | Detection of lung nodules on medical images by the use of fractal segmentation | |
| Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
| Srivastava et al. | Diagnosing Covid-19 using AI based Medical Image Analysis | |
| Gayathri et al. | An automatic identification of lung cancer from different types of medical images | |
| Sangeetha et al. | A Novel Method to Detect Lung Cancer using Deep Learning | |
| Przelaskowski et al. | Semantic Segmentation of Abnormal Lung Areas on Chest X-rays to Detect COVID-19 | |
| Hasanabadi et al. | Detection of pulmonary nodules in CT images using template matching and neural classifier | |
| Azad et al. | Detection of Multiple Diseases from Chest X-Ray Using Machine Learning and Deep Learning Approaches | |
| Malligeswari et al. | A Novel Approach for Lung Pattern Analysis using Neural Networks and Fuzzy Interface System | |
| Bhavanishankar et al. | Filter based approach for automated detection of candidate lung nodules in 3D computed tomography images | |
| Gomathi et al. | Computer aided medical diagnosis system for detection of lung cancer nodules: a survey |