JP2021049270A - 情報処理装置、情報処理方法及びプログラム - Google Patents
情報処理装置、情報処理方法及びプログラム Download PDFInfo
- Publication number
- JP2021049270A JP2021049270A JP2019175718A JP2019175718A JP2021049270A JP 2021049270 A JP2021049270 A JP 2021049270A JP 2019175718 A JP2019175718 A JP 2019175718A JP 2019175718 A JP2019175718 A JP 2019175718A JP 2021049270 A JP2021049270 A JP 2021049270A
- Authority
- JP
- Japan
- Prior art keywords
- image
- certainty
- site
- reflection
- information processing
- 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
- 230000010365 information processing Effects 0.000 title claims description 38
- 238000003672 processing method Methods 0.000 title claims description 6
- 201000010099 disease Diseases 0.000 claims abstract description 63
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000003384 imaging method Methods 0.000 abstract 2
- 102100035593 POU domain, class 2, transcription factor 1 Human genes 0.000 description 13
- 101710084414 POU domain, class 2, transcription factor 1 Proteins 0.000 description 13
- 238000000034 method Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012014 optical coherence tomography Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
Images
Landscapes
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
Description
従来は、画像分類ネットワークを使用して疾患種別の分類を試みていた。
対象を奥行方向に撮像した第1画像を取得する第1画像取得手段と、
前記対象を撮像した平面状の第2画像を取得する第2画像取得手段と、
画像が入力されると、前記画像に含まれる疾患部の部位に確信度を付与して出力するように学習されて生成された学習モデルを基に、前記第1画像取得手段により取得された前記第1画像における疾患部に該当する部位を、疾患種別毎に確信度を付与して検出する部位検出手段と、
前記部位検出手段により前記第1画像から検出された前記部位を構成する単位画像を確信度毎に分類する分類手段と、
前記分類手段により確信度毎に分類された前記部位又は前記部位の位置を示すオブジェクトを、所定の表示形態で表示されるように前記第2画像に重畳させた反映画像を生成する反映手段と、
を具備する情報処理装置。
図1は、本発明の情報処理装置の一実施形態に係る画像処理装置を含む情報処理システムの構成を示す図である。
また、OCT1は、診断の対象の眼底部を眼底カメラにより2次元的(平面状)に撮像し、撮像した眼底部の平面画像を画像処理装置4に出力する。光の光軸に垂直な面をEnface平面といい、そのEnface平面の画像を「第2画像」又は「平面画像」等と呼ぶ。
即ち、学習モデルは、画像が入力されると、画像に含まれる疾患部の部位に確信度を付与して出力するように学習して生成されたものであればよい。
画像処理装置4は、疾患部の部位又は部位の位置を示すオブジェクトを平面画像に重畳させた反映画像を出力データとしてディスプレイ等の出力部16へ出力する。オブジェクトは、例えば領域線、等高線、マスク画像、矢印等のキャラクタアイコン、数値、グラフ等を含む。出力部16としてプリンタが接続されていれば、反映画像を印刷することもできる。
画像処理装置4の機能的構成や処理の詳細については、図3以降の図面を参照して後述する。
RAM13には、CPU11が各種の処理を実行する上において必要なデータ等も適宜記憶される。
出力部16は、ディスプレイやスピーカ等で構成され、画像や音声を出力する。
入力部17は、キーボードやマウス等で構成され、ユーザの指示操作に応じて各種情報を入力する。
記憶部18は、ハードディスク等で構成され、各種情報のデータを記憶する。
ドライブ20には、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア21が適宜装着される。ドライブ20によってリムーバブルメディア21から読み出されたプログラムは、必要に応じて記憶部18にインストールされる。また、リムーバブルメディア21は、記憶部18に記憶されている各種データも、記憶部18と同様に記憶することができる。
また、説明の便宜上、画像処理装置4は、学習装置2とは別途設けるものとしたが、特にこれに限定されず、学習装置2と画像処理装置4との各機能を1台の情報処理装置に集約してもよい。
Bスキャン画像取得部41は、疾患があると思われる患者Uの眼の内側の眼底部(診断対象又は対象)をOCT1が撮影した奥行方向の断面画像であるBスキャン画像をOCT1から取得する。Bスキャン画像は、断面の位置をずらして複数枚撮影される。
モデル生成部44は、分類部43により疾患部の部位がラベリングされた患者のBスキャン画像を新たな教師画像として、モデルDB3の眼底疾患モデル31に加える処理を行う。教師画像を眼底疾患モデル31に新たに加えることで眼底疾患モデル31が更新される。
即ち、学習装置2は、一つ以上(多数)の学習用データを用いて機械学習をすることで、新たな眼底疾患モデル31を生成しモデルDB3に格納する。
画像処理装置4は、Bスキャン画像取得部51と、平面画像取得部52と、部位検出部53と、分類部54と、反映部55とを有する。
部位検出部53は、Bスキャン画像取得部51により取得された少なくとも一つのBスキャン画像と眼底疾患モデル31とを用いて、Bスキャン画像の中の疾患部に該当する部位を検出する。
分類部54は、部位を構成する単位画像毎に、予め疾患種別毎に設定された、疾患部であることの確さを示す確信度を付与して部位を疾患種別毎に分類(クラス分け)する。
なお、上記確信度の設定例は、説明を解りやすくするための一例であり、部位周辺が高く、中心が低い疾患の例もあり、それ以外もあり、疾患の種別毎に異なる。
この情報処理システムの場合、画像処理装置4は、診断者が患者Uのスキャン画像から疾患部の部位を特定するのを支援するための画像処理を以下のように実行する。
この場合、図5に示すように、Bスキャン画像61a(XZ断面の画像)の中で疾患部に該当する部位62aをその幅(X軸方向の距離)で、平面画像60のXY平面に投影し、投影した位置に部位62aの幅の範囲でオブジェクトとしての線64を重畳し、反映画像63を生成する。
(等高線の例)
この例では、図7に示すように、反映部55は、同等の信頼度を持つ単位画素どうしを結ぶ等高線72乃至76を平面画像60に重畳することで、反映画像71を生成する。各単位画素どうしの結び方としては、例えば確信度をいくつかに区分した区分毎に単位画素の信頼度を割り振り、その区分を示す線で緩やかに接続する等が考えられる。
確信度の区分とは、確信度全体が「1−100」までとすると、例えば確信度「1−20」を第1区分、確信度「21−40」を第2区分…、…確信度「81−100」を第5区分とする分け方がある。この場合、例えば確信度が「85」の単位画素は、第5区分に分類され、第5区分の等高線の中に入るものとなる。なお、この区分し方は、一例であり、これ以外の分け方であってもよい。
この例では、図8に示すように、反映部55は、確信度をいくつかに区分した区分毎に単位画素どうしを接続した等高線72乃至76と、各等高線72乃至76に対応する確信度の数値を平面画像60に重畳することで、反映画像81を生成する。
この例では、図9に示すように、反映部55は、確信度をいくつかに区分したうちの所定の区分の確信度をもつ単位画素どうしを結んだ輪郭線92、93を平面画像60に重畳することで、反映画像91を生成する。なお、所定の区分は、一例として、最小の区分とする。
この輪郭線の例では、疾患部の部位が輪郭線92、93で表示されるので、診断者は、疾患部のおおよその範囲が一目でわかる。
この例では、図10に示すように、反映部55は、確信度をいくつかに区分したうちの所定の区分範囲以外の単位画素をマスクするマスク画像102を平面画像60に重畳することで、反映画像101を生成する。
この例では、図11に示すように、反映部55は、確信度が所定の値を超える単位画素に対応する平面画像60の位置に例えばマーク112、113等のオブジェクトを重畳することで、反映画像111を生成する。ここで、所定の値には、例えば90等を設定する。これにより、確信度が90を超える高確信度の平面画像60の位置にマーク112、113が表示される。
この例では、図12に示すように、反映部55は、確信度が付与された単位画素の分布を示すグラフ122、125を平面画像60に並べて反映画像121を生成する。
反映部55は、反映画像121の中で単位画素の分布の幅を示す線を平面画像60に重畳することで、グラフ122、125と平面画像60の位置を対応させている。
この例では、図13に示すように、反映部55は、閾値の範囲が可変可能であり、範囲内に確信度が含まれる単位画素の分布を示すグラフ134、137を平面画像60に並べて配置する。この例では、グラフ134に、第1疾患の分布135と、第2疾患の分布136が形成されている。また、グラフ137に、第1疾患の分布138と、第2疾患の分布139が形成されている。また、反映部55は、上記分布の範囲を示す領域132、133等のオブジェクトを平面画像60に重畳することで反映画像131を生成する。なお、グラフ134、137と疾患部の部位を示す領域132、133のうちいずれか一方を表示するだけでもよく、両方を表示してもよい。
上記実施形態では、診断の対象として眼底部を一例にして説明したが、これ以外に、例えば口内や食道、胃、腸の内壁等のさまざまな疾患部を診断の対象としてもよい。
即ち、本発明が適用される情報処理装置(例えば図3等の画像処理装置4)は、
対象を奥行方向に撮像した第1画像(Bスキャン画像)を取得する第1画像取得手段(例えば図3等のBスキャン画像取得部51)と、
前記対象を平面的に撮像した第2画像(平面画像)を取得する第2画像取得手段(例えば図3等の平面画像取得部52)と、
画像が入力されると、前記画像に含まれる疾患部の部位に確信度を付与して出力するように学習されて生成された学習モデル(例えば図3等のモデルDBの眼底疾患モデル31)を基に、前記第1画像取得手段により取得された前記第1画像における疾患部に該当する部位を、疾患種別毎に確信度を付与して検出する部位検出手段(例えば図3等の部位検出部53)と、
前記部位検出手段により前記第1画像から検出された前記部位を構成する単位画像を確信度毎に分類する分類手段(例えば図3等の分類部54)と、
前記分類手段により確信度毎に分類された前記疾患部の部位又は前記部位の位置を示すオブジェクトを、所定の表示形態で表示されるように前記第2画像に重畳させた反映画像を生成する反映手段(例えば図3等の反映部55)と、
を備える。
これにより、対象からスキャンした第2画像(眼底部の平面画像)に、疾患種別毎に信頼度で分類された疾患部の部位又は部位の位置を示すオブジェクトが重畳された反映画像がディスプレイに表示されるので、診断者は、ディスプレイに表示された眼底部の平面画像から疾患部の部位又は部位の位置を示すオブジェクトを注視することで、疾患部の部位を容易に特定できるようなる。
前記反映手段(例えば図3等の反映部55)は、
前記疾患部の部位又は前記部位を示すオブジェクトを、前記確信度に応じて表示形態を変化させるように前記第2画像に重畳する、
ことにより、平面画像の中における疾患部の部位をより判断しやすくなる。
前記反映手段(例えば図3等の反映部55)は、
同等の信頼度を持つ単位画素どうしを結ぶ等高線(例えば図7の等高線72、73、74、75、76)、又は前記等高線(例えば図8の等高線82、83、84、85、86、87)と前記等高線に対応する前記確信度の数値「30」、「60」、「90」を前記第2画像(例えば図7、図8の平面画像60)に重畳する、
ことにより、平面画像の中における疾患部の広さや範囲をより特定しやすくなる。
前記反映手段(例えば図3等の反映部55)は、
前記確信度をいくつかに区分したうちの所定の区分の前記確信度をもつ単位画素を結ぶ輪郭線(例えば図9の輪郭線92、93)を前記第2画像(例えば図9の平面画像60)に重畳する、
ことにより、平面画像の中における疾患部のおおよその範囲が一目でわかる。
前記反映手段(例えば図3等の反映部55)は、
前記確信度をいくつかに区分したうちの所定の区分範囲以外の単位画素をマスクするマスク画像102を前記第2画像(例えば図10の平面画像60)に重畳する、
ことにより、画像の中で確信度が高い疾患部を際立たせることができ、診断者の注意をその部位に集中させて、疾患を判断しやすくなる。
前記反映手段(例えば図3等の反映部55)は、
前記確信度が所定の値を超える単位画素に対応する前記第2画像(例えば図11の平面画像60)の位置に前記オブジェクト(例えば図11のマーク112、113)を重畳する、
ことにより、疾患部である確信度が所定の値を超える平面画像の位置にマーク等のオブジェクトが表示されるので、診断者は、そのマークの位置を中心として疾患の部分を診断することができる。
前記反映手段(例えば図3等の反映部55)は、
前記確信度が付与された単位画素の分布を示すグラフを前記第2画像(例えば図12の平面画像60)に並べて配置する、
ことにより、疾患部として検知された部位を、第2画像(例えば図12の平面画像60)とは別の領域にグラフ(例えば図12のグラフ122、125)で並べて配置するので、診断者は、グラフから確信度の分布(高さ)を確認し、第2画像に照合して疾患部を診断することできる。
前記反映手段(例えば図3等の反映部55)は、
閾値の範囲が可変可能であり、前記範囲内に前記確信度が含まれる単位画素の分布を示すグラフ(例えば図13の平面画像60)を前記第2画像(例えば図13の平面画像60)に並べて配置、及び/又は分布の範囲を示すオブジェクト(例えば図13の領域132、133)を前記第2画像(例えば図13の平面画像60)に重畳する、
ことにより、閾値の範囲を可変して表示対象の確信度の範囲を調整することで、特定の確信度の部分のみが表示されるので、例えば確信度が低い部分のみを表示させることで、診断者が判断に迷って部分がどこなのかを確認することができる。
換言すると、図3の機能構成は例示に過ぎず、特に限定されない。
即ち、上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図3の例に限定されない。また、機能ブロックの存在場所も、図3に特に限定されず、任意でよい。例えば、学習装置2の機能ブロックを画像処理装置4等に移譲させてもよい。また、画像処理装置4の機能ブロックを学習装置2等に移譲させてもよい。更に言えば、画像処理装置4と学習装置2は、同じハードウェアであってもよい。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
また、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
Claims (10)
- 対象を奥行方向に撮像した第1画像を取得する第1画像取得手段と、
前記対象を撮像した平面状の第2画像を取得する第2画像取得手段と、
画像が入力されると、前記画像に含まれる疾患部の部位に確信度を付与して出力するように学習して生成された学習モデルを基に、前記第1画像取得手段により取得された前記第1画像における疾患部に該当する部位を、疾患種別毎に確信度を付与して検出する部位検出手段と、
前記部位検出手段により前記第1画像から検出された前記部位を構成する単位画像を確信度毎に分類する分類手段と、
前記分類手段により確信度毎に分類された前記疾患部の部位又は前記部位の位置を示すオブジェクトを、所定の表示形態で表示されるように前記第2画像に重畳させた反映画像を生成する反映手段と、
を備える情報処理装置。 - 前記反映手段は、
前記疾患部の部位又は前記部位を示すオブジェクトを、前記確信度に応じて表示形態を変化させるように前記第2画像に重畳する、
請求項1記載の情報処理装置。 - 前記反映手段は、
同等の信頼度を持つ単位画素どうしを結ぶ等高線、又は前記等高線と前記等高線に対応する前記確信度の数値を前記第2画像に重畳する、
請求項1又は2に記載の情報処理装置。 - 前記反映手段は、
前記確信度をいくつかに区分したうちの所定の区分の前記確信度をもつ前記単位画素どうしを結ぶ輪郭線を前記第2画像に重畳する、
請求項1又は2記載の情報処理装置。 - 前記反映手段は、
前記確信度をいくつかに区分したうちの所定の区分範囲以外をマスクするマスク画像を前記第2画像に重畳する、
請求項1又は2記載の情報処理装置。 - 前記反映手段は、
前記確信度が所定の値を超える単位画素に対応する前記第2画像の位置に前記オブジェクトを重畳する、
請求項1又は2記載の情報処理装置。 - 前記反映手段は、
前記確信度が付与された単位画素の分布を示すグラフを前記第2画像に並べて配置する、
請求項1又は2記載の情報処理装置。 - 前記反映手段は、
閾値の範囲が可変可能であり、前記範囲内に前記確信度が含まれる単位画素の分布を示すグラフを前記第2画像に並べて配置、及び/又は前記分布の範囲を示すオブジェクトを前記第2画像に重畳する、
請求項1又は2記載の情報処理装置。 - 情報処理装置が実行する情報処理方法であって、
対象を奥行方向に撮像した第1画像を取得するステップと、
前記対象を撮像した平面状の第2画像を取得するステップと、
画像が入力されると、前記画像に含まれる疾患部の部位に確信度を付与して出力するように学習して生成された学習モデルを基に、前記第1画像における疾患部に該当する部位を、疾患種別毎に確信度を付与して検出するステップと、
前記第1画像から検出された前記部位を構成する単位画像を確信度毎に分類するステップと、
前記確信度毎に分類された前記疾患部の部位又は前記部位の位置を示すオブジェクトを、所定の表示形態で表示されるように前記第2画像に重畳させた反映画像を生成するステップと、
を含む情報処理方法。 - コンピュータに処理を実行させるプログラムであって、
前記コンピュータを、
対象を奥行方向に撮像した第1画像を取得する第1画像取得手段と、
前記対象を撮像した平面状の第2画像を取得する第2画像取得手段と、
画像が入力されると、前記画像に含まれる疾患部の部位に確信度を付与して出力するように学習して生成された学習モデルを基に、前記第1画像取得手段により取得された前記第1画像における疾患部に該当する部位を、疾患種別毎に確信度を付与して検出する部位検出手段と、
前記部位検出手段により前記第1画像から検出された前記部位を構成する単位画像を確信度毎に分類する分類手段と、
前記分類手段により確信度毎に分類された前記疾患部の部位又は前記部位の位置を示すオブジェクトを、所定の表示形態で表示されるように前記第2画像に重畳させた反映画像を生成する反映手段
として機能させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019175718A JP2021049270A (ja) | 2019-09-26 | 2019-09-26 | 情報処理装置、情報処理方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019175718A JP2021049270A (ja) | 2019-09-26 | 2019-09-26 | 情報処理装置、情報処理方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021049270A true JP2021049270A (ja) | 2021-04-01 |
Family
ID=75156613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019175718A Pending JP2021049270A (ja) | 2019-09-26 | 2019-09-26 | 情報処理装置、情報処理方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021049270A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128108A1 (ja) * | 2022-12-12 | 2024-06-20 | DeepEyeVision株式会社 | 情報処理装置、情報処理方法及びコンピュータ読み取り可能な記録媒体 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004283188A (ja) * | 2003-03-19 | 2004-10-14 | Konica Minolta Holdings Inc | 画像診断支援装置、画像診断支援方法、プログラム及び記憶媒体 |
JP2008154950A (ja) * | 2006-12-26 | 2008-07-10 | Topcon Corp | 眼底画像処理装置、眼底撮影装置及びプログラム |
JP2011115264A (ja) * | 2009-12-01 | 2011-06-16 | Konica Minolta Medical & Graphic Inc | 医用情報表示装置及びプログラム |
JP2018020024A (ja) * | 2016-08-05 | 2018-02-08 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
JP2018121886A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、および画像処理プログラム |
WO2018143180A1 (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、および画像処理プログラム |
WO2019172231A1 (ja) * | 2018-03-06 | 2019-09-12 | 富士フイルム株式会社 | 医療画像処理システム及び内視鏡システム |
-
2019
- 2019-09-26 JP JP2019175718A patent/JP2021049270A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004283188A (ja) * | 2003-03-19 | 2004-10-14 | Konica Minolta Holdings Inc | 画像診断支援装置、画像診断支援方法、プログラム及び記憶媒体 |
JP2008154950A (ja) * | 2006-12-26 | 2008-07-10 | Topcon Corp | 眼底画像処理装置、眼底撮影装置及びプログラム |
JP2011115264A (ja) * | 2009-12-01 | 2011-06-16 | Konica Minolta Medical & Graphic Inc | 医用情報表示装置及びプログラム |
JP2018020024A (ja) * | 2016-08-05 | 2018-02-08 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
JP2018121886A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、および画像処理プログラム |
WO2018143180A1 (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、および画像処理プログラム |
WO2019172231A1 (ja) * | 2018-03-06 | 2019-09-12 | 富士フイルム株式会社 | 医療画像処理システム及び内視鏡システム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128108A1 (ja) * | 2022-12-12 | 2024-06-20 | DeepEyeVision株式会社 | 情報処理装置、情報処理方法及びコンピュータ読み取り可能な記録媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101373935B1 (ko) | 안과 장치, 안과 장치의 제어 방법 및 컴퓨터 판독가능 저장 매체 | |
US10349826B2 (en) | Image processing apparatus, image processing method, and storage medium | |
JP6930283B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
EP2710958B1 (en) | Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading | |
CN112367915A (zh) | 医学图像处理装置、医学图像处理方法和程序 | |
JP2019118814A (ja) | 機械学習ガイド付き撮影システム | |
KR20190087272A (ko) | 안저영상을 이용한 녹내장 진단 방법 및 이를 위한 장치 | |
US8724871B1 (en) | Method and system for identifying anomalies in medical images | |
JP2013066632A (ja) | 医用画像処理装置、医用画像処理方法、プログラム | |
CN111563523A (zh) | 利用机器训练的异常检测的copd分类 | |
JP2011224264A (ja) | 断層像観察装置、表示制御方法及びプログラム | |
CN113557714A (zh) | 医学图像处理装置、医学图像处理方法和程序 | |
CN104011770A (zh) | 处理并显示***图像 | |
CN112822973A (zh) | 医学图像处理装置、医学图像处理方法和程序 | |
US20210383262A1 (en) | System and method for evaluating a performance of explainability methods used with artificial neural networks | |
JP2019536531A (ja) | X線画像内の不透明度を検出する装置 | |
JP2014018251A (ja) | 眼科撮影装置及び眼科撮影プログラム | |
KR102536369B1 (ko) | 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법 | |
JP2006263127A (ja) | 眼底画像診断支援システム、及び眼底画像診断支援プログラム | |
JP2021049270A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP7440665B2 (ja) | 網膜画像処理 | |
JP7502125B2 (ja) | 医用画像処理装置、医用画像処理システム、及び、医用画像処理方法 | |
WO2023053991A1 (ja) | 医療画像処理装置、医療画像処理装置の作動方法、及び医療画像処理装置用プログラム | |
KR102517232B1 (ko) | 머신러닝 기반의 의료 영상에 대한 반사광 제거 방법 및 이를 이용한 장치 | |
WO2022157838A1 (ja) | 画像処理方法、プログラム、画像処理装置、眼科システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220913 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230418 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230516 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230718 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231114 |