JP5213173B2 - スパースコーディングを用いた組織性状判別 - Google Patents
スパースコーディングを用いた組織性状判別 Download PDFInfo
- Publication number
- JP5213173B2 JP5213173B2 JP2008250182A JP2008250182A JP5213173B2 JP 5213173 B2 JP5213173 B2 JP 5213173B2 JP 2008250182 A JP2008250182 A JP 2008250182A JP 2008250182 A JP2008250182 A JP 2008250182A JP 5213173 B2 JP5213173 B2 JP 5213173B2
- Authority
- JP
- Japan
- Prior art keywords
- coefficient
- basis function
- tissue property
- tissue
- group
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Description
Ultrasound:IVUS)による血管超音波データから、血管内の組織性状(例えば、繊維性組織、脂質性組織など)を判別する技術に関する。
心筋(心臓の筋肉)に血液を供給する血管を冠動脈という。冠動脈は直径3〜4mmの大きさで、内膜、中膜、外膜の三層構造から成り立っている(図2(a)参照)。これを総称して血管壁という。内膜と中膜は内弾性板により、中膜と外膜は外弾性板と隔てられている。弾性板は弾性線維から構成され、動脈の弾性力や強靭さを維持している。
特許文献1には、画像の特徴を局所的に基底関数で展開し、画像の認識を行う視覚認識システムが記載されている。しかしながら、特許文献1には、超音波RF信号を基底関数により展開する点、および、スパースコーディングを用いて組織性状ごとに基底関数群を学習することは記載も示唆もされていない。
特許文献2には、人体の心臓や胸部のモデルを基底体(基底関数)で定義して表現する数学的モデルが記載されている。しかしながら、特許文献2には、超音波RF信号を基底関数により展開する点、および、スパースコーディングを用いて組織性状ごとに基底関数群を学習することは記載も示唆もされていない。
特許文献3には、コスト関数が最小になるように基底関数群を算出し、該基底関数を用いて物体を認識するする物体認識方法が記載されている。しかしながら、特許文献3には、超音波RF信号を基底関数により展開する点、および、スパースコーディングを用いて組織性状ごとに基底関数群を学習することは記載も示唆もされていない。
特許文献4には、ICメモリ試験結果の不良ビットマップを二次元ウェーブレット変換することにより、不良ビットのアドレスと不良数を求める不良解析方法および装置が記載されている。しかしながら、特許文献4には、超音波RF信号を基底関数により展開する点、および、スパースコーディングを用いて組織性状ごとに基底関数群を学習することは記載も示唆もされていない。
超音波画像の注目点近傍の超音波RF信号から、前記注目点の組織性状を判別する組織性状判別方法であって、
前記注目点近傍の超音波RF信号を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数に基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有する
組織性状判別方法。
超音波画像の注目点近傍の超音波RF信号から、前記注目点の組織性状を判別する組織性状判別プログラムであって、
前記注目点近傍の超音波RF信号を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数に基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有する
組織性状判別プログラム。
超音波画像の注目点近傍の超音波RF信号から、前記注目点の組織性状を判別する組織性状判別装置であって、
予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群を記憶している記憶手段と、
前記注目点の組織性状を判別する演算手段と、を有し、
前記演算手段は、
前記注目点近傍の超音波RF信号を、前記記憶手段に記憶されている組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出手段と、
前記係数算出手段により算出された基底関数ごとの係数に基づいて、前記注目点の組織性状を判別する組織性状判別手段と、を有する
組織性状判別装置。
また、組織性状の判別や基底関数群の学習などの信号解析に超音波RF信号を用いているため、Bモード化された超音波画像データに比べてより多くの情報を含んでおり、より正確な信号解析が可能である。
超音波画像としては血管内超音波画像が好ましいが、これに限定されず、通常の体外プローブによって得られた超音波画像でも良い。また、組織性状の判別としては、血管壁内の繊維性組織や脂質性組織の判別が好ましいがこれに限定されず、他の臓器や組織の判別に用いても良い。
画像データの注目点近傍の局所画像情報から、前記注目点の組織性状を判別する組織性状判別方法であって、
前記注目点近傍の局所画像情報を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数と、組織性状ごとに予め算出された第1係数累積値群および第2係数累積値群とに基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有し、
前記組織性状ごとの基底関数群は、前記画像データ内に組織性状ごとに学習領域を設定し、前記学習領域内の局所画像情報を用いて、スパースコーディング法による学習により前記組織性状ごとの基底関数群を算出する基底関数群学習ステップにより算出され、
前記第1係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第1係数累積値を算出する第1係数累積値群算出ステップにより算出され、
前記第2係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第2係数累積値を算出する第2係数累積値群算出ステップにより算出される、
組織性状判別方法。
画像データの注目点近傍の局所画像情報から、前記注目点の組織性状を判別する組織性状判別プログラムであって、
前記注目点近傍の局所画像情報を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数と、組織性状ごとに予め算出された第1係数累積値群および第2係数累積値群とに基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有し、
前記組織性状ごとの基底関数群は、前記画像データ内に組織性状ごとに学習領域を設定し、前記学習領域内の局所画像情報を用いて、スパースコーディング法による学習により前記組織性状ごとの基底関数群を算出する基底関数群学習ステップにより算出され、
前記第1係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第1係数累積値を算出する第1係数累積値群算出ステップにより算出され、
前記第2係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第2係数累積値を算出する第2係数累積値群算出ステップにより算出される、
組織性状判別プログラム。
画像データの注目点近傍の局所画像情報から、前記注目点の組織性状を判別する組織性状判別装置であって、
予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群と、第1係数累積値群および第2係数累積値群とを記憶している記憶手段と、
前記注目点の組織性状を判別する演算手段と、を有し、
前記演算手段は、
前記注目点近傍の局所画像情報を、前記記憶手段に記憶されている組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出手段と、
前記係数算出手段により算出された基底関数ごとの係数と、前記記憶手段に記憶されている組織性状ごとに予め算出された第1係数累積値群および第2係数累積値群とに基づいて、前記注目点の組織性状を判別する組織性状判別手段と、を有し、
前記組織性状ごとの基底関数群は、前記画像データ内に組織性状ごとに学習領域を設定し、前記学習領域内の局所画像情報を用いて、スパースコーディング法による学習により算出されたものであり、
前記第1係数累積値群は、前記組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより算出されたものであり、
前記第2係数累積値群は、前記組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより算出されたものである、
組織性状判別装置。
また、組織性状ごとに係数累積値群も予め学習により求めている。特に、『第2係数累積値群』は、学習により求められた基底関数群とは異なる組織性状の学習領域内の情報に基づいて算出されている。この第2係数累積値群を用いることにより、より正確な組織性状の判別ができる。3種類以上の組織性状を判別する場合には、第2係数累積値群は異なる組織性状の種類ごとに算出される。
画像データとしては、超音波画像に限られず、レントゲン画像、CT画像、MRI画像などの医療用画像でも良いし、より一般的な画像の認識に用いても良い。局所画像情報は、局所的な画像に関する情報であれば良く、1次元の情報でも良いし、2次元のビットマップ情報でも良い。
前記超音波画像内に組織性状ごとに学習領域を設定し、前記学習領域内の複数の超音波RF信号を用いて、スパースコーディング法による学習により前記組織性状ごとの基底関数群を算出する基底関数群学習ステップ、をさらに有する。
前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の複数の超音波RF信号を分解し、基底関数ごとの係数値を累積することにより第1係数累積値群を求める第1係数累積値群算出ステップと、
前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の複数の超音波RF信号を分解し、基底関数ごとの係数値を累積することにより第2係数累積値群を求める第2係数累積値群算出ステップと、をさらに有し、
前記組織性状判別ステップは、前記第1係数累積値群および前記第2係数累積値群を用いて前記注目点の組織性状を判別する。
組織性状ごとに係数累積値群も予め学習により求めている。特に、『第2係数累積値群』は、学習により求められた基底関数群とは異なる組織性状の学習領域内の情報に基づいて算出されている。この第2係数累積値群を用いることにより正確な組織性状の判別ができる。3種類以上の組織性状を判別する場合には、第2係数累積値群は異なる組織性状の種類ごとに算出される。
前記第1係数累積値群および前記第2係数累積値群を2値化するステップ、をさらに有し、
前記組織性状判別ステップは、2値化された前記第1係数累積値群および前記第2係数累積値群を用いて前記注目点の組織性状を判別する。
例えば、第1係数累積値群および第2係数累積値群を、平均値の上下で2値化する。2値化することにより、演算を単純化することができ、組織性状の判別の演算が容易になる。
前記超音波画像は、血管内超音波診断装置によるBモード画像であり、
前記組織性状は、少なくとも繊維性組織または脂質性組織を含む。
判別する組織性状は特に限定されないが、血管内の繊維性組織および脂質性組織の判別を行うことが特に好ましい。
まずは、スパースコーディングについて説明する。スパースコーディングとは、重みに疎(スパース性)の条件を付加することであり、信号を少数の基底関数の線形和で効率的に表現することである。得られる基底関数は、信号の統計的性質をよく反映しているという特徴がある。
<ステップ42>新たな入力信号Xjを入力。
<ステップ43>信号が入力されるごとに、以下の更新式でaiが更新される。
<ステップ44>ステップ43を数回繰り返した後、一定数の信号に対して以下の更新式によりφijを更新する。
本実施形態における全体フローについて説明する。図5に、本実施形態における組織性状の判別の全体フロー図を示す。
<ステップ51>組織性状(繊維性組織、脂質性組織)ごとに基底関数群を学習するための学習領域を設定する。
<ステップ52>学習領域内の複数の注目点近傍の超音波RF信号を用いて、スパースコーディングにより組織性状ごとに基底関数群を学習する。
<ステップ53>ステップ52で求められた基底関数群を用いて、学習領域内の注目点近傍の超音波RF信号を分解し、それぞれの基底関数ごとの係数を算出する。学習領域内の複数の注目点ごとに係数を算出し、それらの絶対値を累積することにより係数累積値群を算出する。
<ステップ54>ステップ53で求められた係数累積値群を平均値の上下で2値化する。
<ステップ55>組織性状を判別したい注目点近傍の超音波RF信号(未知信号)を、ステップ52で算出された基底関数群で分解し、基底関数ごとの係数を算出する。
<ステップ56>ステップ55で求められた係数を、ステップ54で求められた2値化された係数累積値群を用いて未知信号がどの組織性状に属するかを判別する。
以下で、各プロセスについて詳細に説明する。
図5における、ステップ51およびステップ52の学習プロセスについて説明する。
図6に、注目点近傍の超音波RF信号の説明図を示す。図6(a)は血管超音波Bモード画像における注目点を示している。注目点を通る矢印は、超音波の送出方向を示している。血管超音波像なので、超音波は血管内にあるカテーテルにより送受信される。したがって、注目点近傍における超音波RF信号は図6(b)のようになる。本実施形態では、この注目点近傍の超音波RF信号を、基底関数の学習や、組織性状の判別に用いる。
図5における、ステップ53およびステップ54のフィルタ作成プロセスについて説明する。
図9に示すように、繊維性組織の学習領域の複数の超音波RF信号を、ステップ52で求めた繊維性組織の基底関数群φfib ijおよび脂質性組織の基底関数群φlip ijで分解し、基底関数ごとの係数の絶対値を累積する(ステップ53)。繊維性組織の学習領域の超音波RF信号を繊維性組織の基底関数群φfib ijで分解した各基底関数の係数の絶対値の累積値を図10(a)に示す。また、繊維性組織の学習領域の超音波RF信号を脂質性組織の基底関数群φlip ijで分解した各基底関数の係数の絶対値の累積値を図10(b)に示す。同様に、脂質性組織の学習領域の超音波RF信号を、繊維性組織の基底関数群φfib ijで分解した各基底関数の係数の絶対値の累積値を図10(c)に、脂質性組織の基底関数群φlip ijで分解した各基底関数の係数の絶対値の累積値を図10(d)に示す。
図5における、ステップ55およびステップ56の判別プロセスについて説明する。
判別したい注目点からの超音波RF信号(未知信号)を、繊維性組織の基底関数群φfib ijおよび脂質性組織の基底関数群φlip ijで分解し、基底関数ごとの係数を算出する(ステップ55)。
続いて、未知信号から判別係数FおよびLを算出して、判別アルゴリズムにより未知信号が繊維性組織の信号か脂質性組織の信号かを判別する(ステップ56)。未知信号を、繊維性組織の基底関数群φfib ijで分解した際の各基底関数の係数をC(i)とし、脂質性組織の基底関数群φlip ijで分解した際の各基底関数の係数をD(i)とすると、判別係数FおよびLは以下の式で求められる。
判別係数FおよびLを用いて、図12に示されたアルゴリズムに基づいて未知信号が繊維性組織の信号か脂質性組織の信号かを判別する。
本実施形態における判別の分類正解率は以下の通りである。
・繊維性組織からの信号を「繊維性組織」と判定(正解): 89.36%
・繊維性組織からの信号を「脂質性組織」と判定(不正解): 7.85%
・繊維性組織からの信号を「判別不能」と判定(判別不能): 2.78%
・脂質性組織からの信号を「繊維性組織」と判定(不正解):10.55%
・脂質性組織からの信号を「脂質性組織」と判定(正解): 86.03%
・脂質性組織からの信号を「判別不能」と判定(判別不能): 3.42%
上述の例では、判別係数FおよびLの算出に、図11のように2値フィルタA1(i)、A2(i)、B1(i)、B2(i)を用いたが、図13のように重み付けされたフィルタを用いても良い。図13のフィルタを用いた判別の分類正解率は以下の通りである。
・繊維性組織からの信号を「繊維性組織」と判定(正解): 95.58%
・繊維性組織からの信号を「脂質性組織」と判定(不正解): 4.26%
・繊維性組織からの信号を「判別不能」と判定(判別不能): 0.16%
・脂質性組織からの信号を「繊維性組織」と判定(不正解):16.58%
・脂質性組織からの信号を「脂質性組織」と判定(正解): 83.05%
・脂質性組織からの信号を「判別不能」と判定(判別不能): 0.37%
Claims (10)
- 超音波画像の注目点近傍の超音波RF信号から、前記注目点の組織性状を判別する組織性状判別方法であって、
前記注目点近傍の超音波RF信号を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数に基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有する
組織性状判別方法。 - 前記超音波画像内に組織性状ごとに学習領域を設定し、前記学習領域内の複数の超音波RF信号を用いて、スパースコーディング法による学習により前記組織性状ごとの基底関数群を算出する基底関数群学習ステップ、をさらに有する
請求項1記載の組織性状判別方法。 - 前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の複数の超音波RF信号を分解し、基底関数ごとの係数値を累積することにより第1係数累積値群を求める第1係数累積値群算出ステップと、
前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の複数の超音波RF信号を分解し、基底関数ごとの係数値を累積することにより第2係数累積値群を求める第2係数累積値群算出ステップと、をさらに有し、
前記組織性状判別ステップは、前記第1係数累積値群および前記第2係数累積値群を用いて前記注目点の組織性状を判別する、
請求項2記載の組織性状判別方法。 - 前記第1係数累積値群および前記第2係数累積値群を2値化するステップ、をさらに有し、
前記組織性状判別ステップは、2値化された前記第1係数累積値群および前記第2係数累積値群を用いて前記注目点の組織性状を判別する、
請求項3記載の組織性状判別方法。 - 前記超音波画像は、血管内超音波診断装置によるBモード画像であり、
前記組織性状は、少なくとも繊維性組織または脂質性組織を含む、
請求項1〜4いずれか記載の組織性状判別方法。 - 超音波画像の注目点近傍の超音波RF信号から、前記注目点の組織性状を判別する組織性状判別プログラムであって、
前記注目点近傍の超音波RF信号を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数に基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有する
組織性状判別プログラム。 - 超音波画像の注目点近傍の超音波RF信号から、前記注目点の組織性状を判別する組織性状判別装置であって、
予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群を記憶している記憶手段と、
前記注目点の組織性状を判別する演算手段と、を有し、
前記演算手段は、
前記注目点近傍の超音波RF信号を、前記記憶手段に記憶されている組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出手段と、
前記係数算出手段により算出された基底関数ごとの係数に基づいて、前記注目点の組織性状を判別する組織性状判別手段と、を有する
組織性状判別装置。 - 画像データの注目点近傍の局所画像情報から、前記注目点の組織性状を判別する組織性状判別方法であって、
前記注目点近傍の局所画像情報を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数と、組織性状ごとに予め算出された第1係数累積値群および第2係数累積値群とに基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有し、
前記組織性状ごとの基底関数群は、前記画像データ内に組織性状ごとに学習領域を設定し、前記学習領域内の局所画像情報を用いて、スパースコーディング法による学習により前記組織性状ごとの基底関数群を算出する基底関数群学習ステップにより算出され、
前記第1係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第1係数累積値を算出する第1係数累積値群算出ステップにより算出され、
前記第2係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第2係数累積値を算出する第2係数累積値群算出ステップにより算出される、
組織性状判別方法。 - 画像データの注目点近傍の局所画像情報から、前記注目点の組織性状を判別する組織性状判別プログラムであって、
前記注目点近傍の局所画像情報を、予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出ステップと、
前記係数算出ステップにより算出された基底関数ごとの係数と、組織性状ごとに予め算出された第1係数累積値群および第2係数累積値群とに基づいて、前記注目点の組織性状を判別する組織性状判別ステップと、を有し、
前記組織性状ごとの基底関数群は、前記画像データ内に組織性状ごとに学習領域を設定し、前記学習領域内の局所画像情報を用いて、スパースコーディング法による学習により前記組織性状ごとの基底関数群を算出する基底関数群学習ステップにより算出され、
前記第1係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第1係数累積値を算出する第1係数累積値群算出ステップにより算出され、
前記第2係数累積値群は、前記基底関数群学習ステップにより算出された組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより第2係数累積値を算出する第2係数累積値群算出ステップにより算出される、
組織性状判別プログラム。 - 画像データの注目点近傍の局所画像情報から、前記注目点の組織性状を判別する組織性状判別装置であって、
予めスパースコーディング法による学習で得られた組織性状ごとの基底関数群と、第1係数累積値群および第2係数累積値群とを記憶している記憶手段と、
前記注目点の組織性状を判別する演算手段と、を有し、
前記演算手段は、
前記注目点近傍の局所画像情報を、前記記憶手段に記憶されている組織性状ごとの基底関数群により分解し、基底関数ごとの係数を算出する係数算出手段と、
前記係数算出手段により算出された基底関数ごとの係数と、前記記憶手段に記憶されている組織性状ごとに予め算出された第1係数累積値群および第2係数累積値群とに基づいて、前記注目点の組織性状を判別する組織性状判別手段と、を有し、
前記組織性状ごとの基底関数群は、前記画像データ内に組織性状ごとに学習領域を設定し、前記学習領域内の局所画像情報を用いて、スパースコーディング法による学習により算出されたものであり、
前記第1係数累積値群は、前記組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと同じ組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより算出されたものであり、
前記第2係数累積値群は、前記組織性状ごとの基底関数群を用いて、前記基底関数群を算出したのと異なる組織性状の前記学習領域内の局所画像情報を分解し、基底関数ごとの係数値を累積することにより算出されたものである、
組織性状判別装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008250182A JP5213173B2 (ja) | 2008-09-29 | 2008-09-29 | スパースコーディングを用いた組織性状判別 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008250182A JP5213173B2 (ja) | 2008-09-29 | 2008-09-29 | スパースコーディングを用いた組織性状判別 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010075616A JP2010075616A (ja) | 2010-04-08 |
JP5213173B2 true JP5213173B2 (ja) | 2013-06-19 |
Family
ID=42206765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008250182A Expired - Fee Related JP5213173B2 (ja) | 2008-09-29 | 2008-09-29 | スパースコーディングを用いた組織性状判別 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5213173B2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5859868B2 (ja) * | 2012-02-09 | 2016-02-16 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 超音波診断装置及びその制御プログラム |
WO2014099672A1 (en) * | 2012-12-21 | 2014-06-26 | Andrew Hancock | System and method for multipath processing of image signals |
JP6238539B2 (ja) * | 2013-03-21 | 2017-11-29 | キヤノン株式会社 | 処理装置、被検体情報取得装置、および、処理方法 |
JP6249759B2 (ja) * | 2013-12-20 | 2017-12-20 | キヤノン株式会社 | 画像処理方法、画像処理プログラムおよび画像処理装置 |
JP7300352B2 (ja) * | 2019-09-12 | 2023-06-29 | テルモ株式会社 | 診断支援装置、診断支援システム、及び診断支援方法 |
WO2022071325A1 (ja) * | 2020-09-29 | 2022-04-07 | テルモ株式会社 | 情報処理装置、情報処理方法、プログラムおよび学習済モデルの生成方法 |
JPWO2022071326A1 (ja) * | 2020-09-29 | 2022-04-07 | ||
JPWO2023054467A1 (ja) * | 2021-09-30 | 2023-04-06 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2619575B2 (ja) * | 1991-10-03 | 1997-06-11 | 浜松ホトニクス株式会社 | ニューラルネットワーク装置及びその実行方法 |
JPH10111862A (ja) * | 1996-08-13 | 1998-04-28 | Fujitsu Ltd | 再帰型ニューラルネットワークに基づく時系列解析装置および方法 |
JP3931237B2 (ja) * | 2003-09-08 | 2007-06-13 | 独立行政法人情報通信研究機構 | ブラインド信号分離システム、ブラインド信号分離方法、ブラインド信号分離プログラムおよびその記録媒体 |
EP1739594B1 (en) * | 2005-06-27 | 2009-10-28 | Honda Research Institute Europe GmbH | Peripersonal space and object recognition for humanoid robots |
JP4839446B2 (ja) * | 2007-02-27 | 2011-12-21 | 国立大学法人山口大学 | 超音波診断装置及び組織性状判別のプログラム |
-
2008
- 2008-09-29 JP JP2008250182A patent/JP5213173B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2010075616A (ja) | 2010-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5213173B2 (ja) | スパースコーディングを用いた組織性状判別 | |
EP1599122B1 (en) | Non-invasive plaque characterization system | |
JP5944917B2 (ja) | 身体内腔分岐を検出及び表示するためのコンピュータ可読媒体及び同コンピュータ可読媒体を含むシステム | |
US8162836B2 (en) | System and method for characterizing tissue based upon split spectrum analysis of backscattered ultrasound | |
JP6243453B2 (ja) | 血管内画像におけるマルチモーダルセグメンテーション | |
JP2022522960A (ja) | 動脈画像領域及びそれらの特徴を分類するシステム及び方法 | |
JP5337018B2 (ja) | 分類基準に従った自動プラーク特性決定に基づく自動病変解析 | |
JP5453401B2 (ja) | 後方散乱超音波の準同型デコンボリューション解析により組織性状を判別するシステムおよび方法 | |
JP5368796B2 (ja) | 血管組織をキャラクタライズするシステム及び方法 | |
JP6913090B2 (ja) | 血管内撮像及びガイドカテーテルの検出方法及びシステム | |
US20120283569A1 (en) | Systems and methods for navigating and visualizing intravascular ultrasound sequences | |
US8805043B1 (en) | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) | |
JP5611546B2 (ja) | 自動診断支援装置、超音波診断装置及び自動診断支援プログラム | |
EP4129197A1 (en) | Computer program, information processing method, information processing device, and method for generating model | |
JP2016514031A (ja) | 組織特性評価のための並列ツリーベースパターン認識 | |
JP2007518488A (ja) | 伝達関数を決定するシステム及び方法 | |
JP2022520409A (ja) | 超音波分析方法及びデバイス | |
Ciompi et al. | Reconstruction and analysis of intravascular ultrasound sequences | |
CN117897102A (zh) | 用于使用超声的反向散射相干的组织分析的方法、***和计算机程序产品 | |
WO2022067276A1 (en) | System, method, apparatus, and computer program product for ultrasonic clinical decision support | |
Bedekar et al. | Choosing the optimal mother wavelet for decomposition of radio-frequency intravascular ultrasound data for characterization of atherosclerotic plaque lesions | |
EP4108177A1 (en) | Intraluminal device data quality metric | |
US20230281803A1 (en) | A system for visual data analysis of ultrasound examinations with and without a contrast medium, for early automated diagnostics of pancreatic pathologies | |
Azzopardi | Quantifying atherosclerosis in vasculature using ultrasound imaging | |
JP2023051177A (ja) | コンピュータプログラム、情報処理方法、及び情報処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110927 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130214 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130222 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5213173 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160308 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |