JP2021536328A - 医療用イメージングのための装置及び処理 - Google Patents
医療用イメージングのための装置及び処理 Download PDFInfo
- Publication number
- JP2021536328A JP2021536328A JP2021512917A JP2021512917A JP2021536328A JP 2021536328 A JP2021536328 A JP 2021536328A JP 2021512917 A JP2021512917 A JP 2021512917A JP 2021512917 A JP2021512917 A JP 2021512917A JP 2021536328 A JP2021536328 A JP 2021536328A
- Authority
- JP
- Japan
- Prior art keywords
- subject
- body part
- scattering
- tissue
- antennas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims description 51
- 238000002059 diagnostic imaging Methods 0.000 title claims description 24
- 230000005684 electric field Effects 0.000 claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 229
- 230000008569 process Effects 0.000 claims description 149
- 238000003384 imaging method Methods 0.000 claims description 92
- 210000004556 brain Anatomy 0.000 claims description 39
- 238000010801 machine learning Methods 0.000 claims description 14
- 210000005013 brain tissue Anatomy 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002008 hemorrhagic effect Effects 0.000 claims description 2
- 230000000302 ischemic effect Effects 0.000 claims description 2
- 210000001519 tissue Anatomy 0.000 description 79
- 208000006011 Stroke Diseases 0.000 description 47
- 230000000875 corresponding effect Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 30
- 238000003325 tomography Methods 0.000 description 25
- 230000004927 fusion Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 13
- 208000032843 Hemorrhage Diseases 0.000 description 12
- 230000000740 bleeding effect Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 208000007536 Thrombosis Diseases 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 7
- 208000032382 Ischaemic stroke Diseases 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006931 brain damage Effects 0.000 description 7
- 231100000874 brain damage Toxicity 0.000 description 7
- 208000029028 brain injury Diseases 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 210000003491 skin Anatomy 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013515 script Methods 0.000 description 6
- 238000003491 array Methods 0.000 description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 241001274197 Scatophagus argus Species 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000011514 reflex Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 210000004885 white matter Anatomy 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002939 conjugate gradient method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000537 electroencephalography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011410 subtraction method Methods 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 208000034158 bleeding Diseases 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000013334 tissue model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000001594 aberrant effect Effects 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 201000000760 cerebral cavernous malformation Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 208000028329 epileptic seizure Diseases 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 229920001225 polyester resin Polymers 0.000 description 1
- 239000004645 polyester resin Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000004613 tight binding model Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- 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
- A61B5/004—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 adapted for image acquisition of a particular organ or body part
- A61B5/0042—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 adapted for image acquisition of a particular organ or body part for the brain
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/04—Arrangements of multiple sensors of the same type
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/02—Investigating the presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Electromagnetism (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Psychology (AREA)
Abstract
Description
(i)互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティック測定値を表す散乱データを受信することを含み、上記電磁信号は1つ又は複数のアンテナから放射され、対応する散乱信号は上記1つ又は複数のアンテナによって測定され、
上記処理は、
(ii)上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算することと、
(iii)上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成することと、
(iv)上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される。
(v)機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も適合したものとして基礎テンプレートを選択することを含み、上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
上記処理は、
(vi)上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び/又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成することを含む。
(vii)上記散乱データを正規化し、上記散乱データからクラッターを除去するステップと、
(viii)上記正規化されてクラッターを除去した散乱データを処理して、上記電界電力値を計算するステップとを含む。
周波数領域信号を時間領域信号に変換し、上記時間領域信号を対応するグラフにマッピングすることと、
上記グラフのノード次数及び次数シーケンス特性を決定することと、
グラフ次数相互情報を計算して複数のグラフの類似性を評価することと、
グラフ次数相互情報の特徴及びそれらの対応するクラスラベルを含むトレーニング集合を用いて分類器をトレーニングし、上記被験者の身体部分の内部における組織について計算されたグラフに対して上記分類器を適用することとにより、
上記身体部分の内部における異常な組織を出血性又は虚血性として分類することを含む。
(i)上記入力は、互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティック測定値を表す散乱データを受信し、上記電磁信号は1つ又は複数のアンテナから放射され、対応する散乱信号は上記1つ又は複数のアンテナによって測定され、
(ii)上記画像生成構成要素は、
上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算し、
上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成し、
上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新するように構成され、
上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される。
機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとして基礎テンプレートを選択し、
上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び/又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成するように構成されたテンプレート生成器を含み、
上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表す。
(i)機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとしてテンプレートを選択することを含み、上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
上記処理は、
(ii)上記選択されたテンプレートと、上記被験者の身体部分の外部寸法及び/又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成することと、
(iii)互いに異なる複数の信号周波数において、上記被験者の身体部分の組織から散乱するマイクロ波のマルチスタティック測定値を表す散乱データを受信することと、
(iv)上記散乱データを正規化し、上記散乱データからクラッターを除去することと、
(v)上記被験者の身体部分の組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記正規化されかつクラッターを除去した散乱データを処理して電界電力密度を計算することと、
(vi)上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力密度を上記複数の周波数にわたって合計して、上記被験者の身体部分の組織の画像を生成することと、
(vii)上記被験者の身体部分の組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されるモデルは、少なくとも上記被験者の身体部分の組織の画像として出力される。
(i)機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとしてテンプレートを選択することを含み、上記テンプレートは、各被験者の頭部の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
(ii)上記選択されたテンプレートと、上記被験者の頭部の外部寸法及び/又は形状の測定値とを処理して、上記被験者の頭部の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の頭部の組織のモデルを表すテンプレートデータを生成することと、
(iii)互いに異なる複数の信号周波数において、上記被験者の頭部の組織から散乱するマイクロ波のマルチスタティック測定値を表す散乱データを受信することと、
(iv)上記散乱データを正規化し、上記散乱データからクラッターを除去することと、
(v)上記被験者の頭部の組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記正規化されかつクラッターを除去した散乱データを処理して電界電力密度を計算することと、
(vi)上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力密度を上記複数の周波数にわたって合計して、上記被験者の頭部の組織の画像を生成することと、
(vii)上記被験者の頭部の組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されるモデルは、少なくとも上記被験者の頭部の組織の画像として出力される。
(i)互いに異なる複数の信号周波数において、上記被験者の組織から、電磁信号の散乱のマルチスタティック測定値を表す散乱データを受信することと、
(ii)上記被験者の組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力密度を計算することと、
(iii)上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力密度を上記複数の周波数にわたって合計して、上記被験者の組織の画像を生成することと、
(iv)上記被験者の組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されるモデルは、上記被験者の組織の画像として出力される。
実際に、較正処理は、理想的には、被験者の各スキャンの直前に実行されるが、代替として、より低い頻度で、例えば毎日の開始時にのみ実行されてもよい。
各RFチャネルについて、アンテナ素子に直に接触する反射物を配置することで、その放射開口を無効化して短絡反射を生成する。(開放端導波路などの開口に基づくアンテナでは、短絡構成は、割り当てられた放射開口と重複する完全Eの境界条件によって実装することができ、ダイポール又はボウタイなどの共振に基づくアンテナでは、短絡構成は、その給電セクションに直に接続されたビアをアンテナが共振しないようにボンディングすることによって生成することができる。)
図3bに概略的に示すように、イメージング領域内に均質かつ低損失の結合媒体を挿入する。この結合媒体の形状は、アンテナアレイの形状に一致するべきであり、その誘電率値は、イメージングの対象物、説明した実施形態ではヒトの頭部の平均値に近づけられるべきである。次いで、NポートVNA104を用いて、Sij(f)(i≠j)データを記録する。この場合、次式が得られる。
テンプレート生成処理400は、MRI及び/又はCTに基づく情報の多数のサンプルから学習された構造とともに、対象物に関する外部及び既知の特性に基づいて、対象物に関する内部情報を推定する。このことの目標は、説明した実施形態では、互いに異なる複数の頭部組織の空間的分布のマップを提供することにある。テンプレート生成処理400は、図4に示すように、ステップ402において、本システムによってスキャンされる頭部を有する被験者について頭部の表面を表すデータ及びバイオデータを取得することで開始する。具体的には、被験者の年齢、性別、及び体重(利用可能であれば、さらに民族及び身長)がユーザによって決定されて本システムに入力される。ステップ406において、本システムは、被験者の頭部の外側形状を表す被験者頭部データを生成する。説明した実施形態では、このことは、図1に示すように、3Dカメラ108を用いて被験者の頭部の三次元(3D)表面を生成することで行われる。被験者の髪を寝かせておくために、かつら帽子又は類似物を使用可能である。代替として、被験者頭部データは、アンテナアレイ自体を用いて被験者の頭部の外側境界を測定することで推定可能である。
1.実際の被験者の頭部の以前のスキャンをテンプレートとして用いる;
2.テンプレートライブラリを用いて、(患者のバイオデータ&頭部の表面に基づいて)最近傍により、現在の被験者に最も近い頭部を発見する;又は、
3.(患者のバイオデータ&頭部の表面に基づく)機械学習を用いて、最も確からしい頭部を直接的に予測する。
説明した実施形態では、頭部テンプレートは、モデリングのための大きなデータ源を提供するとともに、高分解能の組織分布を提供するMRIデータから生成される。MRIにおいて、互いに異なる複数の強度値は、それらの磁気特性に基づいた互いに異なる複数の組織に対応する。これは、電磁イメージングのための使用可能なフォーマットに変換される必要があり、MRIからEMへの変換は以下のように実行される。
1)最初に、MRI/CTデータを互いに異なる複数の組織に分割する。スキャンの向き及び強度が最初に(例えばバイアス場補正(Bias Field Correction)により)正規化され、次いで、脳は脳領域及び非脳領域に分割される。次に、強度値に基づいて、また、ファジィC平均(Fuzzy-C-Means)クラスタリング又はFASTなどのマルチ組織分割アルゴリズムを用いて、脳領域を3つの組織タイプ(灰白質、白質、及びCSF(cerebro-spinal fluid:脳脊髄液))に分割し、同様に、非脳領域を頭蓋骨領域及び皮膚領域に分割する。3D Uネットなどの深層ニューラルネットワークアプローチも使用可能であり、また、分割を改善するために複数のモダリティが利用可能である。
2)イメージングの望ましい周波数において、誘電特性のテーブルに基づいて、互いに異なる組織に組織値を割り当てる。
EEGで使用される、以下に説明するポピュラーな10−20又は10−5の構成の代わりに、より密集したランドマークの集合が生成され、ここで、ランドマーク点は、基準点及び3D頭部表面に基づいて抽出される。基準点からいくつかの平面が生成され、平面及び頭部表面の間の交差がランドマーク位置を与える。選択されるランドマーク点の個数は望ましい密度及び精度に依存し、概して、点の個数がより大きくなると精度がより高くなる。このランドマーク位置決めの処理は自動的に実行される。
ステップ306において頭部をスキャンすると、結果として生じる散乱データは、画像生成処理308を用いて患者の頭部の1つ又は複数の二次元又は三次元画像を生成するように処理される。ここで、画像生成処理308は、レーダビームフォーミング(radar beamforming)及び断層撮影法(tomography)の利点を組み合わせたものであり、従って、本発明者らは「ビーモグラフィー(beamography)」と呼ぶ。特に、この新たな処理を使用することにより、散乱データを処理して画像を生成するのに必要な時間が削減される。このことは、緊急の状況において重要な利点である。
ここで、画像生成又はビーモグラフィー処理308についてさらに詳細に説明する。図7に示すように、画像生成処理308は、ステップ702において、イメージング領域の測定された散乱パラメータを用いて、すなわち、被験者の頭部が存在しないとき、整合媒体又は平均頭部ファントムの誘電特性を有する材料でイメージング領域を充填して、被験者の頭部の測定された散乱パラメータを較正することで開始する。較正処理は、例えばアンテナの製造及び組み立て時における変動又は誤差に起因する、アンテナ間の任意の不整合の影響も緩和する。
被験者の頭部(又は、イメージングを行う他の医療対象物)の外側レイヤの誘電特性の間におけるコントラストに起因して、波の大部分が反射して送信アンテナに戻り、典型的には、これらの反射は、より深い組織から反射をマスクするのに十分な強さを有する。
従って、外側レイヤからの反射は、イメージングの対象物の内部において関心対象の特徴を検出できるようにするために、除去されるか、又は少なくとも大幅に緩和される必要がある。反射は、例えば、平均トレース減算法、空間的フィルタリング法、部分空間投影法、差動アプローチ法、又はハイブリッドクラッター除去法など、当業者に知られた標準的な方法を含む任意の適切なアプローチによって緩和することができる。説明した実施形態では、ステップ704において、較正されたデータから強い反射又は「クラッター」を除去するために、以下のように、平均減算法及び差動アプローチの組み合わせが利用される。
境界反射を除去することによって、イメージングの対象である領域は均質な媒体とみなすことができる。ステップ706において、クラッターを除去しかつ較正された散乱パラメータは、図8に示すように、周波数領域ビームフォーマを通過され、部位の関数として受信信号のイメージングを行う。図9に示すように、ビーモグラフィー処理において、イメージングの対象である領域における散乱電力強度は、マックスウェルの方程式を解くことで計算され、合計電力は、すべての周波数サンプル及びアンテナ位置にわたる計算された電力強度を合計することで推定される。健康な組織及び不健康な組織の間における有意な誘電率コントラストの帰結として、結果的に得られる画像における高エネルギーレベルの領域は、不健康な組織に対応する。
(説明した実施形態のコンテキストでは、被験者の頭部における)健康な対象物の入力テンプレート416は、対象物の更新可能なモデル902の初期値を定義する。このモデル902と、被験者の頭部に関するアンテナの位置904とは、最短パスファインダ方法によって、対象物の部位に特有の伝搬定数を計算するように処理される。
ステップ908:
対象物の較正されかつクラッターを除去した散乱パラメータは、イメージング領域に逆伝搬され、イメージング領域の内部における各画素(又は3Dの場合にはボクセル)の電界を推定する。
ステップ910:
各画素(又はボクセル)における(すべてのアンテナにわたって合計した)電界電力密度が計算されて各送信周波数にわたって合計され、対象物の電力密度マップ又は画像(すなわち、対象物の内部における散乱電界電力の空間的分布を表すもの)を生成する。
ステップ912:
任意の異常(有意な散乱器)の画素/ボクセルの位置が(例えばしきい値処理の技術を用いることで)決定される。
ステップ914:
モデル902が複製されて、そのコピーは、異常な部位に対応する画素/ボクセルの値を置き換えることで更新される。
ステップ916:
2つのモデルの間に有意な差があるか否かを決定するためにテストが行われる。モデル間に有意な差があるとテストが決定した場合、処理は下のステップ918に分岐する。
ステップ918:
処理はループを戻って、ステップ906において、更新されたモデルを用いて伝搬定数及び距離を再計算する。
必要であれば、ビーモグラフィー処理706は、画像品質を損なうことなく(又は、過度に損なうことなく)実行可能であることを条件として、周波数サンプルの個数を減少させることで、その速度を向上させることができる。その目的で、復元可能なサンプリングのための最大周波数ステップ(従って、さらに、周波数サンプルの最小個数)を発見するために、周波数領域においてナイキスト定理を適用することができる。ナイキスト定理は、受信信号の時間的に制限された特徴を考慮して、周波数領域において適用される。
卒中が出血によって生じているのか、それとも血餅によって生じているのかを決定することは、その位置を決定することとともに、急性の卒中の診断及び治療において重要であり、また、卒中後の管理における主要な問題でもある。概して、電磁的頭部スキャンシステムから卒中のサブタイプを識別することは、画像再構成アルゴリズムに基づく。しかしながら、画像に基づく方法は、時間がかかり、精度が低い。以下では、電磁的スキャンシステムに適用され、虚血性脳卒中(Ischemic Stroke:IS)からの頭蓋内出血(Intracranial Haemorrhage:ICH)を識別して卒中の部位を位置決めする新規な複雑ネットワークアプローチについて説明する。分類は、グラフ次数相互情報(graph degree mutual information:GDMI)を用いて、ICH及びISのグループ間の差を評価することに基づく。ここで、各被験者はマルチチャネルアンテナの受信信号からなる。各信号は、異なる信号振幅を避けるようにグラフに変換される。次いで、グラフ次数の特徴の各ペアの間における関係が、相互情報によって計算され、サポートベクトルマシンに入力されて各ICHを互いに識別する。ISに係るICHを識別するとき、95%の精度が達成される。位置決めに関して、送信機から受信機へのアンテナペアの間における強度特徴を抽出するために、重み付けられたグラフが適用される。最大の重み付けられたペアが目標物に交差する。グラフ特徴抽出及び分類又は位置決めのための実行時間は1分未満であり、これは卒中応急処置システムに適している。
図11は、分類及び位置決めの前におけるデータ処理及び分析ステップのフロー図である。この場合、システムのワークフローの概要は、以下のように説明することができる。
2.各アンテナから受信された散乱信号は、周波数領域信号(大きさ及び位相)又は時系列であり、ここで、サンプル点の個数は700より大きい。
3.入力がまだ時系列になっていない場合、逆FFTを用いて、これらの信号をマルチチャネル時系列に変換する。
4.次に、マルチチャネル時系列は、非特許文献1に記載されている高速加重水平可視アルゴリズム(Fast Weighted Horizontal Visibility AlgorithmFWHVA)を用いて、NxN=16×16=256個のグラフにマッピングされる。
5.図16(b)に示すように、次数シーケンス及び重み付けられた強度シーケンスが抽出される。
6.最後に、出力特徴、すなわち次数及び強度が、分類及び位置決めにそれぞれ使用される。
患者が卒中であるか否かを示す出力画像920を補足するために、分類処理を行って、Sパラメータを用いて卒中のタイプを評価する。さらに、以下に説明するようなテンプレート及び融合した脳画像を用いて、精度を向上させることができる。概して、特徴は、相関、コヒーレンス、又は同期アルゴリズムによって計算され、一般的な分類器(SVM又はランダムフォレストなど)又は深層学習ニューラルネットワークに送られ、これにより、被験者をICH、IS、又は健康なものとして識別する。
位置決めを行うために、本発明者らは、卒中を含む脳が送信信号/受信信号における不均衡を有することに注目した。頭部が主要及び短軸にわたって(すなわち、脳の左右を分離する矢状面にわたって、また、脳の前後を分離する中央冠状面にわたって)近似的に対称であると仮定すると、これらの対称線にわたる対称なアンテナペアは、健康な頭部の内部において同様の信号を有するはずである。対称なアンテナペアが互いに異なる信号を測定する場合、このことは卒中などの異常を示し、この知見を用いて位置決めを容易化することができる。
(b)式(10)及び式(11)に基づいて右の交点R0(rx,ry)を計算する。
(c)アンテナ5から、第13のアンテナでない右側におけるアンテナR1に対して線分を描く。この線分は、第13のアンテナから離れたL0に対して最小距離を有する。
(d)L0及びR0から遠く離れたアンテナ5への線分を有する、R1の隣接アンテナR2を取り上げる。
(e)第5のアンテナからR1及びR2への差動加重ノードw5rをそれぞれ計算する。ここで、w5r=|S5r1−S5r2|である。
(f)同様にアンテナ13についてステップc〜eを実行し、第13のアンテナから2つの隣接したアンテナL1及びL2への差動加重ノードw13をそれぞれ取得する。
(g)w5r>w13lである場合、交差は左半球にあり、そうでなければ右半球にある。
最終的な検証として、ステップ314における局所エリア断層撮影のために、融合画像310を初期画像として用いて、微分方程式断層撮影法を使用可能である。具体的には、「断層撮影イメージングシステム及び処理(A tomographic imaging system and process)」と題する特許文献1に記載された微分方程式断層撮影処理を用いて、異なる周波数においてビーモグラフィー処理308によって識別された疑わしい領域の正確な誘電特性を決定し、次いで、これらの決定された特性を用いて異常のタイプを決定する。例えば、より高い誘電特性(主として誘電率)は出血を示し、それに対して、より低い値は血餅を示す。説明した処理では、融合画像は、微分方程式断層撮影処理によって決定された疑わしい領域のより正確な誘電特性を含むように更新される。
まず、ステップ316において、変形された積分に基づく断層撮影法に基づく大域的断層撮影処理が初期脳テンプレートに対して適用され、疑わしい領域を含む脳全体にわたる誘電特性を検証する。
2.脳テンプレート及びFDTD/MoMソルバを用いて合計電界を計算する。
3.w及びEtotを用いて脳のコントラスト関数を抽出する。
2.脳テンプレートを用いて計算された合計電界は、概して、異常な組織(例えば出血又は血餅)が現れるときの電界を表すために使用可能である。従って、卒中シナリオでは電界の最適化は不要である。
3.コントラストソース及び脳テンプレートの電界を用いることによるコントラスト関数の抽出は、簡単かつ安定である。
第1の方法は、互いに異なる複数の周波数における再構成された導電率を合計して平均値を計算することにある。周波数fnにおける各画素の再構成された差動コントラストが、
説明される相関係数法は、信号の2つの集合の類似性を推定するために使用可能である。1に近い相関係数の値は、元の信号との高い類似性を示し、それに対して、0に近い値は非類似性を示す。本方法は、患者の再構成された導電率分布とテンプレートとの間の相関係数マップを計算する。卒中を含む領域は、高い非類似性(低い相関係数)を示し、卒中なしの領域は、高い類似性(高い相関係数)を示す。再構成されたコントラスト分布に係る相関係数は次式で計算される。
エントロピーは、ランダム変数の不確実性の尺度である。実験の複数の結果の蓋然性が互いに等しい場合(言いかえると、確率分布が一様である場合)、エントロピーの最大値が得られる。逆に、最小のエントロピー値は、所定のイベントが発生したことを意味する。従って、エントロピー値は、信号の2つの集合間の類似性を測定することにも使用可能である。患者の再構成されたコントラストと、対応するテンプレートの頭部との間における低いエントロピー値は、卒中領域を意味し、それに対して、高いエントロピー値は、通常の領域を意味する。本明細書で説明したシステムによって使用される方法では、レーニイ(Renyi)エントロピーは次数50とともに使用される。差動コントラストのレーニイエントロピーは次式で計算される。
上述したDSMM、CCM、及びDEMを用いる結果に基づいて、本発明者らは、これらの異なる方法がそれら自体の長所及び短所を有することを発見した。特に、DSMMは、望ましい形状の再構成を行って卒中を位置決めすることができるが、CCM及びDEMからの結果と比較した場合、アーティファクトクラスタは深刻である。CCMはアーティファクトクラスタを除去することができるが、卒中の位置はシフトする可能性があり、従って、正確な位置決めを達成することができない。最後に、DEMは、アーティファクトクラスタを抑制しながら、卒中を正確に位置決めすることができるが、卒中領域の形状は歪みの影響を受ける。上述したことを考慮して、本発明者らは、各方法の利点を提供できるように、これらの3つの方法を組み合わせるハイブリッド方法を開発した。これらのハイブリッド方法のうちで最も簡単なものは、各方法で達成された結果を合計し、次式に従ってハイブリッド画像を提供することにある。
図3のフロー図に戻ると、脳卒中又は外傷の診断を支援するシステムから単一の出力画像を提供するために、ステップ310において、画像融合処理310は、被験者の頭部の合成画像を生成する。図20に示すように、融合処理は、頭部テンプレートと、ビーモグラフィー画像と、マルチ周波数レーダ/断層撮影に基づく画像との相補的な特徴を組み合わせる。融合は、頭部テンプレートの頭部境界及び高分解能の詳細を、ビーモグラフィーの目標検出と、断層撮影に基づく方法の誘電特性推定/改善と組み合わせることを可能にする。
Claims (15)
- 医療用イメージングのための処理であって、上記処理は、
(i)互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティック測定値を表す散乱データを受信することを含み、上記電磁信号は1つ又は複数のアンテナから放射され、対応する散乱信号は上記1つ又は複数のアンテナによって測定され、
上記処理は、
(ii)上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算することと、
(iii)上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成することと、
(iv)上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される、
医療用イメージングの処理。 - 上記測定はマルチスタティック測定であり、上記電磁信号は、上記身体部分の周囲に配置された複数のアンテナのそれぞれから選択的に放射され、上記対応する散乱信号は、上記複数のアンテナのそれぞれによって測定される、
請求項1記載の処理。 - 上記身体部分は頭部であり、上記組織は上記被験者の脳組織を含む、
請求項1又は2記載の処理。 - 上記処理は、
(v)機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとして基礎テンプレートを選択することを含み、上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
上記処理は、
(vi)上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び/又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成することを含む、
請求項1〜3のうちのいずれか1つに記載の処理。 - 上記散乱データを処理するステップは、
(vii)上記散乱データを正規化し、上記散乱データからクラッターを除去するステップと、
(viii)上記正規化されてクラッターを除去した散乱データを処理して、上記電界電力値を計算するステップとを含む、
請求項1〜4のうちのいずれか1つに記載の処理。 - 上記散乱データからクラッターを除去することは、上記測定された電磁信号の平均値を決定し、各周波数において各信号測定値から上記平均値を減算することで、上記散乱データから強い反射及びクラッターを除去することを含む、
請求項5記載の処理。 - 上記身体部分なしの場合におけるイメージング領域であって、整合媒体の誘電特性を有する材料又は平均身体部分ファントムによって充填されたイメージング領域の測定された散乱パラメータにより、上記身体部分の測定された散乱パラメータを除算することで、上記散乱データを較正することを含む、
請求項1〜6のうちのいずれか1つに記載の処理。 - 周波数領域信号を時間領域信号に変換し、上記時間領域信号を対応するグラフにマッピングすることと、
上記グラフのノード次数及び次数シーケンス特性を決定することと、
グラフ次数相互情報を計算して複数のグラフの類似性を評価することと、
グラフ次数相互情報の特徴及びそれらの対応するクラスラベルを含むトレーニング集合を用いて分類器をトレーニングし、上記被験者の身体部分の内部における組織について計算されたグラフに対して上記分類器を適用することとにより、
上記身体部分の内部における異常な組織を出血性又は虚血性として分類することを含む、
請求項1〜7のうちのいずれか1つに記載の処理。 - 互いに対向したアンテナの対応するペアに係る信号を比較することで、上記被験者の脳の互いに異なる半球の信号間の有意な差であって、上記半球のうちの一方における異常を示す差を識別することを含む、
請求項1〜8のうちのいずれか1つに記載の処理。 - 医療用イメージングシステムの少なくとも1つのプロセッサによって実行されたとき、請求項1〜9のうちのいずれか1つに記載の処理を上記少なくとも1つプロセッサに実行させる、プロセッサ実行可能な命令を格納したコンピュータ可読記憶媒体。
- 請求項1〜9のうちのいずれか1つに記載の処理を実行するように構成された構成要素を含む、医療用イメージングのための装置。
- 入力及び画像生成構成要素を含む医療用イメージングのための装置であって、
(i)上記入力は、互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティック測定値を表す散乱データを受信し、上記電磁信号は1つ又は複数のアンテナから放射され、対応する散乱信号は上記1つ又は複数のアンテナによって測定され、
(ii)上記画像生成構成要素は、
上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算し、
上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成し、
上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新するように構成され、
上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される、
医療用イメージングのための装置。 - 上記測定はマルチスタティック測定であり、上記電磁信号は、上記身体部分の周囲に配置された複数のアンテナのそれぞれから選択的に放射され、上記対応する散乱信号は、上記複数のアンテナのそれぞれによって測定される、
請求項12記載の装置。 - 上記身体部分は頭部であり、上記組織は上記被験者の脳組織を含む、
請求項12又は13記載の装置。 - 上記装置は、
機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとして基礎テンプレートを選択し、
上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び/又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成するように構成されたテンプレート生成器を含み、
上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表す、
請求項12〜14のうちのいずれか1つに記載の装置。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2018903285 | 2018-09-04 | ||
AU2018903285A AU2018903285A0 (en) | 2018-09-04 | Beamography system and process for electromagnetic medical imaging | |
AU2018903284 | 2018-09-04 | ||
AU2018903284A AU2018903284A0 (en) | 2018-09-04 | System and process for electromagnetic medical imaging | |
PCT/AU2019/050948 WO2020047599A1 (en) | 2018-09-04 | 2019-09-04 | Apparatus and process for medical imaging |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021536328A true JP2021536328A (ja) | 2021-12-27 |
JP7397067B2 JP7397067B2 (ja) | 2023-12-12 |
Family
ID=69721483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021512917A Active JP7397067B2 (ja) | 2018-09-04 | 2019-09-04 | 医療用イメージングのための装置及び処理 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20210353149A1 (ja) |
EP (1) | EP3846688A4 (ja) |
JP (1) | JP7397067B2 (ja) |
KR (1) | KR20220013537A (ja) |
CN (1) | CN113164093A (ja) |
AU (1) | AU2019333924A1 (ja) |
CA (1) | CA3111578A1 (ja) |
WO (1) | WO2020047599A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111435432B (zh) * | 2019-01-15 | 2023-05-26 | 北京市商汤科技开发有限公司 | 网络优化方法及装置、图像处理方法及装置、存储介质 |
JP7465888B2 (ja) * | 2019-03-04 | 2024-04-11 | エムビジョン・メディカル・デバイシーズ・リミテッド | 脳卒中モニタリング |
KR20230118071A (ko) * | 2020-09-14 | 2023-08-10 | 이엠비전 메디칼 디바이시스 리미티드 | 전자기 이미징을 위한 장치 및 프로세스 |
KR102506815B1 (ko) * | 2020-11-19 | 2023-03-06 | 전남대학교산학협력단 | 생체정보처리 기술과 결합된 암호를 통한 사용자 검증 시스템 및 방법 |
US11609258B2 (en) * | 2020-11-27 | 2023-03-21 | Uif (University Industry Foundation), Yonsei University | Apparatus and method for detecting cable fault based on reflectometry using AI |
CN112773352B (zh) * | 2020-12-29 | 2022-07-01 | 北京理工大学 | 脑异物微波成像检测方法、装置及计算机可读存储介质 |
EP4301219A1 (en) * | 2021-03-04 | 2024-01-10 | Emvision Medical Devices Ltd | Apparatus and process for electromagnetic imaging |
US20240194349A1 (en) * | 2021-04-13 | 2024-06-13 | EMvision Medical Devices Ltd | Apparatus and process for medical sensing |
US20220354380A1 (en) * | 2021-05-06 | 2022-11-10 | Covidien Lp | Endoscope navigation system with updating anatomy model |
WO2023039626A1 (en) * | 2021-09-17 | 2023-03-23 | EMvision Medical Devices Ltd | An electromagnetic imaging apparatus & process |
CN114167221B (zh) * | 2021-12-13 | 2023-06-13 | 华北电力大学(保定) | 不同电压频率下环氧树脂绝缘老化判别检验方法 |
CN114676627A (zh) * | 2022-03-11 | 2022-06-28 | 上海师范大学 | 一种基于U-Net神经网络的混合电磁目标重构方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040077943A1 (en) * | 2002-04-05 | 2004-04-22 | Meaney Paul M. | Systems and methods for 3-D data acquisition for microwave imaging |
WO2010143691A1 (ja) * | 2009-06-10 | 2010-12-16 | 国立大学法人静岡大学 | 診断装置 |
US20170178403A1 (en) * | 2015-12-22 | 2017-06-22 | The Regents Of The University Of California | Computational localization of fibrillation sources |
WO2018098387A1 (en) * | 2016-11-23 | 2018-05-31 | Emtensor Gmbh | Use of electromagnetic field for tomographic imaging of head |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PT2465428T (pt) * | 2010-12-15 | 2017-07-17 | Medielma S R L | Sistema e método de deteção eletromagnética para a localização de tumores/calcificações em tecidos |
EP3170145B1 (en) * | 2014-07-15 | 2020-03-25 | Koninklijke Philips N.V. | Imaging data statistical testing including a stereotactical normalization with a personalized template image |
DK3361955T3 (da) * | 2015-10-16 | 2020-10-26 | Emtensor Gmbh | Elektromagnetisk interferensmønstergenkendelsestomografi |
US11139068B2 (en) * | 2016-11-04 | 2021-10-05 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for smart image protocoling |
US20180157800A1 (en) * | 2016-12-02 | 2018-06-07 | General Electric Company | Methods and systems for user defined distributed learning models for medical imaging |
US10983209B2 (en) * | 2017-04-12 | 2021-04-20 | Ellumen, Inc. | Accurate signal compensations for UWB radar imaging in dispersive medium |
US11551386B2 (en) * | 2017-06-08 | 2023-01-10 | EMvision Medical Devices Ltd | Tomographic imaging system and process |
-
2019
- 2019-09-04 JP JP2021512917A patent/JP7397067B2/ja active Active
- 2019-09-04 KR KR1020217009870A patent/KR20220013537A/ko active Search and Examination
- 2019-09-04 CA CA3111578A patent/CA3111578A1/en active Pending
- 2019-09-04 AU AU2019333924A patent/AU2019333924A1/en active Pending
- 2019-09-04 CN CN201980073718.4A patent/CN113164093A/zh active Pending
- 2019-09-04 WO PCT/AU2019/050948 patent/WO2020047599A1/en unknown
- 2019-09-04 EP EP19856793.5A patent/EP3846688A4/en active Pending
- 2019-09-04 US US17/273,247 patent/US20210353149A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040077943A1 (en) * | 2002-04-05 | 2004-04-22 | Meaney Paul M. | Systems and methods for 3-D data acquisition for microwave imaging |
WO2010143691A1 (ja) * | 2009-06-10 | 2010-12-16 | 国立大学法人静岡大学 | 診断装置 |
US20170178403A1 (en) * | 2015-12-22 | 2017-06-22 | The Regents Of The University Of California | Computational localization of fibrillation sources |
WO2018098387A1 (en) * | 2016-11-23 | 2018-05-31 | Emtensor Gmbh | Use of electromagnetic field for tomographic imaging of head |
Also Published As
Publication number | Publication date |
---|---|
EP3846688A4 (en) | 2022-06-15 |
JP7397067B2 (ja) | 2023-12-12 |
CA3111578A1 (en) | 2020-03-12 |
WO2020047599A1 (en) | 2020-03-12 |
KR20220013537A (ko) | 2022-02-04 |
AU2019333924A1 (en) | 2021-04-08 |
CN113164093A (zh) | 2021-07-23 |
US20210353149A1 (en) | 2021-11-18 |
EP3846688A1 (en) | 2021-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7397067B2 (ja) | 医療用イメージングのための装置及び処理 | |
Mobashsher et al. | Design and experimental evaluation of a non-invasive microwave head imaging system for intracranial haemorrhage detection | |
Gilmore et al. | Microwave imaging of human forearms: Pilot study and image enhancement | |
Gao et al. | Sensitivity of the distorted born iterative method to the initial guess in microwave breast imaging | |
EP2020915B1 (en) | System relating to examination of an object | |
Guo et al. | Adaptive clustering distorted born iterative method for microwave brain tomography with stroke detection and classification | |
US8977340B2 (en) | System and method for collection and use of magnetic resonance data and microwave data to identify boundaries of interest | |
AU2018280336A1 (en) | A tomographic imaging system and process | |
US20220322940A1 (en) | Apparatus and process for electromagnetic imaging | |
Edwards et al. | Machine-learning-enabled recovery of prior information from experimental breast microwave imaging data | |
Kim et al. | Learning-based attenuation quantification in abdominal ultrasound | |
Jeremic | Detection of breast cancer using microwave imaging and machine learning-finite element method inverse models | |
US20230355097A1 (en) | Apparatus and process for electromagnetic imaging | |
Çayören et al. | Continuous monitoring of hemorrhagic strokes via differential microwave imaging | |
US20220142611A1 (en) | Hybrid medical imaging probe, apparatus and process | |
Golnabi | Computational aspect of tomographic microwave imaging for biomedical applications | |
Nakajima et al. | Radar-Tomographic Bidirectional Method for Quantitative Microwave Breast Imaging | |
Torres-Quispe et al. | Improving UWB image reconstruction for breast cancer diagnosis by doing an iterative analysis of radar signals | |
Albaaj et al. | Multivariate and multi-dimensional CFAR radar image for breast cancer detection | |
KR20220112176A (ko) | 뇌졸중 모니터링 | |
Fontaine | Initial design and simulation of a portable breast microwave detection device | |
Edwards et al. | A Machine Learning Workflow for Tumour Detection in Breasts Using 3D Microwave Imaging. Electronics 2021, 10, 674 | |
WO2023039626A1 (en) | An electromagnetic imaging apparatus & process | |
Wang et al. | Contour detection-based realistic finite-difference-time-domain models for microwave breast cancer detection | |
CN112545475A (zh) | 一种基于fdtd的天线阵列共焦成像算法的脑部肿瘤检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220802 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230424 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230807 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231031 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231130 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7397067 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |