JP6930283B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP6930283B2
JP6930283B2 JP2017158124A JP2017158124A JP6930283B2 JP 6930283 B2 JP6930283 B2 JP 6930283B2 JP 2017158124 A JP2017158124 A JP 2017158124A JP 2017158124 A JP2017158124 A JP 2017158124A JP 6930283 B2 JP6930283 B2 JP 6930283B2
Authority
JP
Japan
Prior art keywords
image
medical image
medical
index
learning
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.)
Active
Application number
JP2017158124A
Other languages
English (en)
Other versions
JP2019033966A (ja
Inventor
小林　剛
剛 小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Konica Minolta Inc
Original Assignee
Konica Minolta Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Konica Minolta Inc filed Critical Konica Minolta Inc
Priority to JP2017158124A priority Critical patent/JP6930283B2/ja
Priority to CN201810915798.0A priority patent/CN109394250A/zh
Priority to US16/105,053 priority patent/US20190057504A1/en
Publication of JP2019033966A publication Critical patent/JP2019033966A/ja
Application granted granted Critical
Publication of JP6930283B2 publication Critical patent/JP6930283B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)

Description

本開示は、画像処理装置、画像処理方法、及び画像処理プログラムに関する。
コンピュータに、被検体の診断対象部位を撮像した医用画像の画像解析を行わせ、当該医用画像中の異常領域を提示することにより、医師等の診断を支援するコンピュータ支援診断（Computer-Aided Diagnosis：以下、「ＣＡＤ」とも称する）が知られている。
ＣＡＤは、通常、医用画像において特定の病変パターン（例えば、結核やノジュール）が生じているか否かを診断する。例えば、特許文献１に係る従来技術においては、胸部単純Ｘ線画像において、ノジュールの異常陰影のパターンが存在するか否かを判断する手法が開示されている。
米国特許第５７４０２６８号明細書
ところで、健康診断においては、結核スクリーニングのような特殊診断や、一般診療の特定疾患の抽出とは異なり、医用画像（例えば、胸部単純Ｘ線画像や超音波診断画像）が医師等の閲覧に供されて、当該医用画像が複数種別の病変パターン（例えば、結核、ノジュール、血管異常等）のいずれかに該当していないかについて、総合的に診断される。そして、健康診断において医用画像がなんらかの病変パターンに該当すると診断された場合に、精密検査へ送られる。
この種の健康診断においては、医用画像から発見を要求される病変パターンは、多数あり、例えば、胸部単純Ｘ線画像等から発見を要求される病変パターンは、８０種類以上にものぼる。そして、健康診断においては、種々の病変パターンのいずれかに該当するか否かについて、網羅的に、且つ、迅速に検出することが要求される。
この点、特許文献１の従来技術等においては、結核診断といった特定の病変パターン以外を検出することができず、上記した健康診断の用途には適さない。換言すると、特許文献１の従来技術等においては、特定の病変パターン以外の病変パターンについての異常状態の判断を行えない以上、健康状態を総合的に診断する医師の診察を支援することはできない。
本開示は、上記の問題点に鑑みてなされたものであり、上記した健康診断のように、医用画像の総合的な診断を行う用により好適な画像処理装置、画像処理方法、及び画像処理プログラムを提供することを目的とする。
前述した課題を解決する主たる本開示は、
医用画像撮像装置が撮像した被検体の診断対象部位に係る医用画像の診断を行う画像処理装置であって、
前記医用画像を取得する画像取得部と、
学習済みの識別器を用いて前記医用画像の画像解析を行い、前記医用画像が複数種別の病変パターンのうちのいずれかに該当する確率を示す指標を算出する診断部と、
を備え、
前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、正常状態を示す第１の値が前記指標の正解値に設定されて学習処理が行われ、
前記複数種別の病変パターンのうちのいずれかに該当すると診断済みの前記医用画像を用いた学習処理の際には、異常状態を示す第２の値が前記指標の正解値に設定されて学習処理が行われた、
画像処理装置である。
又、他の側面では、
医用画像撮像装置が撮像した被検体の診断対象部位に係る医用画像の診断を行う画像処理方法であって、
前記医用画像を取得する処理と、
学習済みの識別器を用いて前記医用画像の画像解析を行い、前記医用画像が複数種別の病変パターンのうちのいずれかに該当する確率を示す指標を算出する処理と、
を備え、
前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、正常状態を示す第１の値が前記指標の正解値に設定されて学習処理が行われ、
前記複数種別の病変パターンのうちのいずれかに該当すると診断済みの前記医用画像を用いた学習処理の際には、異常状態を示す第２の値が前記指標の正解値に設定されて学習処理が行われた、
画像処理方法である。
又、他の側面では、
コンピュータに、
医用画像撮像装置が撮像した被検体の診断対象部位に係る医用画像を取得させる処理と、
学習済みの識別器を用いて前記医用画像の画像解析を行い、前記医用画像が複数種別の病変パターンのうちのいずれかに該当する確率を示す指標を算出させる処理と、
を実行させる、画像処理プログラムであって、
前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、正常状態を示す第１の値が前記指標の正解値に設定されて学習処理が行われ、
前記複数種別の病変パターンのうちのいずれかに該当すると診断済みの前記医用画像を用いた学習処理の際には、異常状態を示す第２の値が前記指標の正解値に設定されて学習処理が行われた、
画像処理プログラムである。
本開示に係る画像処理装置は、医用画像の総合的な診断を行う用により好適である。
一実施形態に係る画像処理装置の全体構成の一例を示すブロック図 一実施形態に係る画像処理装置のハードウェア構成の一例を示す図 一実施形態に係る識別器の構成の一例を示す図 一実施形態に係る学習部の学習処理について説明する図 異常な医用画像の教師データにおいて用いられる画像の一例を示す図 異常な医用画像の教師データにおいて用いられる画像の一例を示す図 変形例１に係る識別器の一例を示す図 変形例２に係る識別器の一例を示す図
以下に添付図面を参照しながら、本開示の好適な実施形態について詳細に説明する。尚、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
［画像処理装置の全体構成］
まず、一実施形態に係る画像処理装置１００の構成の概要について説明する。
図１は、画像処理装置１００の全体構成の一例を示すブロック図である。
画像処理装置１００は、医用画像撮像装置２００が生成した医用画像の画像解析を行って、当該医用画像が複数種別の病変パターンのうちのいずれかに該当するかについて、診断を行う。
医用画像撮像装置２００は、例えば、公知のＸ線診断装置である。医用画像撮像装置２００は、例えば、被検体に対してＸ線を曝射し、当該被検体を透過或いは被検体で散乱したＸ線をＸ線検出器で検出し、これによって、当該被検体の診断対象部位を撮像した医用画像を生成する。
表示装置３００は、例えば、液晶ディスプレイであって、画像処理装置１００から取得した診断結果を、医師等に識別可能に表示する。
図２は、本実施形態に係る画像処理装置１００のハードウェア構成の一例を示す図である。
画像処理装置１００は、主たるコンポーネントとして、ＣＰＵ（Central Processing Unit）１０１、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３、外部記憶装置（例えば、フラッシュメモリ）１０４、及び通信インターフェイス１０５等を備えたコンピュータである。
画像処理装置１００の各機能は、例えば、ＣＰＵ１０１がＲＯＭ１０２、ＲＡＭ１０３、外部記憶装置１０４等に記憶された制御プログラム（例えば、画像処理プログラム）や各種データ（例えば、医用画像データ、教師データ、識別器のモデルデータ）を参照することによって実現される。尚、ＲＡＭ１０３は、例えば、データの作業領域や一時退避領域として機能する。
但し、各機能の一部又は全部は、ＣＰＵによる処理に代えて、又は、これと共に、ＤＳＰ（Digital Signal Processor）による処理によって実現されてもよい。又、同様に、各機能の一部又は全部は、ソフトウェアによる処理に代えて、又は、これと共に、専用のハードウェア回路による処理によって実現されてもよい。
本実施形態に係る画像処理装置１００は、例えば、画像取得部１０、診断部２０、表示制御部３０、及び学習部４０を備えている。
［画像取得部］
画像取得部１０は、医用画像撮像装置２００から、被検体の診断対象部位を撮像した医用画像のデータＤ１を取得する。
尚、画像取得部１０は、画像データＤ１を取得する際、医用画像撮像装置２００から直接取得してもよいし、外部記憶装置１０４に格納された画像データＤ１や、インターネット回線等を介して提供された画像データＤ１を取得する構成であってもよい。
［診断部］
診断部２０は、画像取得部１０から医用画像のデータＤ１を取得して、学習済みの識別器Ｍを用いて医用画像の画像解析を行い、被検体が複数種別の病変パターンのうちのいずれかに該当する確率を算出する。
本実施形態に係る診断部２０は、医用画像が複数種別の病変パターンのうちのいずれかに該当する確率を示す指標として、「正常度」を算出する。「正常度」は、例えば、医用画像が複数種別の病変パターンのうちのいずれにも該当しない場合には正常度１００％で表され、医用画像が複数種別の病変パターンのうちのいずれかに該当する場合には正常度０％で表される。
但し、「正常度」は、被検体が複数種別の病変パターンのうちのいずれかに該当する確率を示す指標の一例であって、その他の任意の態様の指標が用いられてよい。例えば、「正常度」は、０％〜１００％の値で表される態様に代えて、数段階のレベル値のうちのいずれのレベル値に該当するかとして表される態様であってもよい。
図３は、本実施形態に係る識別器Ｍの構成の一例を示す図である。
本実施形態に係る識別器Ｍとしては、典型的には、ＣＮＮが用いられる。尚、識別器Ｍのモデルデータ（構造データ及び学習済みのパラメータデータ等）は、例えば、画像処理プログラムと共に、外部記憶装置１０４に格納されている。
ＣＮＮは、例えば、特徴抽出部Ｎａと識別部Ｎｂとを有し、特徴抽出部Ｎａが、入力される画像から画像特徴を抽出する処理を施し、識別部Ｎｂが、当該画像特徴から画像に係る識別結果を出力する。
特徴抽出部Ｎａは、複数の特徴量抽出層Ｎａ１、Ｎａ２・・・が階層的に接続されて構成される。各特徴量抽出層Ｎａ１、Ｎａ２・・・は、それぞれ、畳み込み層（Convolution layer）、活性化層（Activation layer）及びプーリング層（Pooling layer）を備える。
第１層目の特徴量抽出層Ｎａ１は、入力される画像を、ラスタスキャンにより所定サイズ毎に走査する。そして、特徴量抽出層Ｎａ１は、走査したデータに対して、畳み込み層、活性化層及びプーリング層によって特徴量抽出処理を施すことにより、入力画像に含まれる特徴量を抽出する。第１層目の特徴量抽出層Ｎａ１は、例えば、水平方向に延びる線状の特徴量や斜め方向に延びる線状の特徴量等の比較的シンプルな単独の特徴量を抽出する。
第２層目の特徴量抽出層Ｎａ２は、前階層の特徴量抽出層Ｎａ１から入力される画像（特徴マップとも称される）を、例えば、ラスタスキャンにより所定サイズ毎に走査する。そして、特徴量抽出層Ｎａ２は、走査したデータに対して、同様に、畳み込み層、活性化層及びプーリング層による特徴量抽出処理を施すことにより、入力画像に含まれる特徴量を抽出する。尚、第２層目の特徴量抽出層Ｎａ２は、第１層目の特徴量抽出層Ｎａ１が抽出した複数の特徴量の位置関係などを考慮しながら統合させることで、より高次元の複合的な特徴量を抽出する。
第２層目以降の特徴量抽出層（図３では、説明の便宜として、特徴量抽出層Ｎａを２階層のみを示す）は、第２層目の特徴量抽出層Ｎａ２と同様の処理を実行する。そして、最終層の特徴量抽出層の出力（複数の特徴マップのマップ内の各値）が、識別部Ｎｂに対して入力される。
識別部Ｎｂは、例えば、複数の全結合層（Fully Connected）が階層的に接続された多層パーセプトロンによって構成される。
識別部Ｎｂの入力側の全結合層は、特徴抽出部Ｎａから取得した複数の特徴マップのマップ内の各値に全結合し、その各値に対して重み係数を異ならせながら積和演算を行って出力する。
識別部Ｎｂの次階層の全結合層は、前階層の全結合層の各素子が出力する値に全結合し、その各値に対して重み係数を異ならせながら積和演算を行う。そして、識別部Ｎｂの最後段には、正常度を出力する出力素子が設けられる。
尚、本実施形態に係るＣＮＮは、医用画像から正常度を出力し得るように学習処理が施されている点以外については、公知の構成と同様である。
ＣＮＮ等の識別器Ｍは、一般に、教師データを用いて学習処理を行っておくことよって、入力される画像から所望の識別結果（ここでは、正常度）を出力し得るように、識別機能を保有することができる。
本実施形態に係る識別器Ｍは、医用画像を入力とし（図３のｉｎｐｕｔ）、当該医用画像Ｄ１の画像特徴に応じた正常度を出力する（図３のｏｕｔｐｕｔ）ように構成される。尚、本実施形態に係る識別器Ｍは、入力された医用画像Ｄ１の画像特徴に応じて、正常度を０％〜１００％の間の値として出力する。
診断部２０は、医用画像を学習済みの識別器Ｍに対して入力し、当該識別器Ｍの順伝播処理によって当該医用画像の画像解析を行って、正常度を算出する。
尚、識別器Ｍは、より好適には、画像データＤ１に加えて、年齢、性別、地域、又は既病歴に係る情報を入力し得る構成とする（例えば、識別器Ｎｂの入力素子として設ける）。医用画像の特徴は、年齢、性別、地域、又は既病歴に係る情報と相関関係を有している。従って、識別器Ｍは、画像データＤ１に加えて、年齢等の情報を参照することによって、より高精度に正常度を算出し得る構成とすることができる。
又、診断部２０は、識別器Ｍによる処理の他、前処理として、医用画像のサイズやアスペクト比に変換する処理、医用画像の色分割処理、医用画像の色変換処理、色抽出処理、輝度勾配抽出処理等を行ってもよい。
［表示制御部］
表示制御部３０は、正常度を表示装置３００に表示させるべく、正常度のデータＤ２を表示装置３００に出力する。
本実施形態に係る表示装置３００は、例えば、図３のｏｕｔｐｕｔに示すように、正常度を表示する。当該正常度の数値は、例えば、医師等による本格的な検査を行うか否かの判断等に用いられる。
［学習部］
学習部４０は、識別器Ｍが医用画像のデータＤ１から正常度を算出し得るように、教師データＤ３を用いて、識別器Ｍの学習処理を行う。
図４は、本実施形態に係る学習部４０の学習処理について説明する図である。
識別器Ｍの識別機能は、学習部４０が用いる教師データＤ３に依拠する。本実施形態に係る学習部４０は、種々の病変パターンのいずれかに該当するかについて、網羅的に、且つ、迅速に検出し得る識別器Ｍが構成されるように、以下のように、学習処理を施す。
本実施形態に係る学習部４０は、複数種別の病変パターンのいずれにも該当しないと診断済みの医用画像と、複数種別の病変パターンのいずれかに該当すると診断済みの医用画像と、を教師データＤ３として用いて学習処理を行う（以下、それぞれ、「正常な医用画像の教師データＤ３」、「異常な医用画像の教師データＤ３」と称する）。そして、学習部４０は、正常な医用画像の教師データＤ３を用いて学習処理を行う際には、正常状態を示す第１の値（ここでは、正常度１００％）を正常度の正解値に設定して学習処理を行い、異常な医用画像の教師データＤ３を用いて学習処理を行う際には、異常状態を示す第２の値（ここでは、正常度０％）を正常度の正解値に設定して学習処理を行う。
尚、学習部４０は、例えば、識別器Ｍに画像を入力した際の正解値に対する出力データの誤差（損失とも称される）が小さくなるように、識別器Ｍの学習処理を行う。
「複数種別の病変パターン」は、医師等が、医用画像から何らかの異常が発生していると判断する際の基準の病変パターンである（図５、図６を参照して後述）。換言すると、「複数種別の病変パターン」は、正常状態ではないと判断できるあらゆる要素であってよい。医用画像から発見が要求される「病変パターン」は、複数存在し、例えば、正常状態と比較して血管が収縮している、正常状態と比較して不自然な陰影が存在する、又は、正常状態と比較して臓器の形状が異常である等がある。
このように学習処理を施すことによって、識別器Ｍは、医用画像が種々の病変パターンのいずれかに該当するか否かについて、正常度を算出する識別機能を有するものとなる。
この際の医用画像の教師データＤ３は、画素値のデータであってもよいし、所定の色変換処理等がなされたデータであってもよい。又、前処理として、テクスチャ特徴、形状特徴、広がり特徴等を抽出したものが用いられてもよい。尚、教師データＤ３は、画像データに加えて、年齢、性別、地域、又は既病歴に係る情報を関連付けて学習処理を行ってもよい。
尚、学習部４０が学習処理を行う際のアルゴリズムは、公知の手法であってよい。識別器ＭとしてＣＮＮを用いる場合であれば、学習部４０は、例えば、公知の誤差逆伝播法を用いて、識別器Ｍに対して学習処理を施し、ネットワークパラメータ（重み係数、バイアス等）を調整する。そして、学習部４０によって学習処理が施された識別器Ｍのモデルデータ（例えば、学習済みのネットワークパラメータ）は、例えば、画像処理プログラムと共に、外部記憶装置１０４に格納される。
又、本実施形態に係る学習部４０は、正常な医用画像の教師データＤ３を用いて学習処理を行う際には、当該医用画像の全画像領域を用いて学習処理を行う（図４Ａ）。または、m×nの矩形領域を選択して学習を行う。
一方、本実施形態に係る学習部４０は、異常な医用画像の教師データＤ３を用いて学習処理を行う際には、医用画像の全画像領域から異常状態の部位の領域を抽出した部分的な画像領域を用いて学習処理を行う（図４Ｂ）。
このように、異常状態の部位については、当該異常状態の部位の画像領域のみを用いることによって、識別器Ｍは、より高度な識別機能を有することができる。
図５、図６は、異常な医用画像の教師データＤ３において用いられる画像の一例を示す図である。
より具体的には、図５は、異常状態の組織の画像領域を示す図であり、図６は、異常状態の陰影の画像領域を示す図である。
より詳細には、図５においては、異常状態の組織の画像領域の一例として、血管領域（図５Ａ）、肋骨領域（図５Ｂ）、心臓領域（図５Ｃ）、横隔膜領域（図５Ｄ）、下降大動脈領域（図５Ｅ）、腰椎領域（図５Ｆ）、肺領域（図５Ｇ）、鎖骨領域（図５Ｈ）を示している。
又、図６においては、異常状態の陰影の画像領域の一例として、ノジュール（図６Ａ）、区域性陰影・肺胞性陰影（図６Ｂ）、コンソリデーション（図６Ｃ）、胸水（図６Ｄ）、シルエットサイン陽性（図６Ｅ）、デフューズ（図６Ｆ）、線状影・網状影・蜂巣状影（図６Ｇ）、骨折領域（図６Ｈ）を示している。
学習部４０は、例えば、全画像領域からこれらの画像領域を切り出す処理を行ったり、全画像領域のうち、これらの画像領域が浮き出るように二値化処理を行うことによって、異常状態の部位の画像領域だけを取り出した教師データＤ３を生成する。
本実施形態に係る診断部２０は、以上のような手法で学習処理が施された識別器Ｍを用いて、医用画像の診断処理を行う。
以上のように、本実施形態に係る画像処理装置１００は、複数種別の病変パターンのうちのいずれにも該当しない医用画像を用いた学習処理の際には、正常度に正常状態を示す第１の値（ここでは、正常度１００％）を設定して識別器Ｍの学習処理を行う一方、複数種別の病変パターンのうちのいずれかに該当する医用画像を用いた学習処理の際には、正常度に異常状態を示す第２の値（ここでは、正常度０％）を設定して学習処理を行う。
従って、本実施形態に係る画像処理装置１００は、医用画像が複数種別の病変パターンのいずれかに該当するか否かについてだけを、総合的な正常度として算出することができる。これによって、種々の病変パターンの網羅的に検出する機能を確保しつつ、画像解析の処理負荷を軽減し、短時間での検出処理を実現することができる。
（変形例１）
図７は、変形例１に係る識別器Ｍの一例を示す図である。
本変形例１に係る診断部２０は、医用画像の全画像領域を複数の画像領域（ここでは、Ｄ１ａ〜Ｄ１ｉに９分割している）に分割し、当該画像領域毎に正常度を算出する点で、上記実施形態と相違する。
変形例１に係る態様は、例えば、医用画像の画像領域毎に、画像解析を行う識別器Ｍを設けることによって、実現することができる。図７中では、９つの画像領域Ｄ１ａ〜Ｄ１ｉそれぞれに対応するように、９つの異なる識別器Ｍａ〜Ｍｉが設けられている。尚、画像解析を行う識別器Ｍは、医用画像の内臓部位毎に設けてもよい。
本変形例１に係る表示制御部３０は、例えば、画像領域毎に算出された正常度を、医用画像の当該画像領域と関連付けて、表示装置３００に表示される。表示制御部３０は、例えば、医用画像の画像領域のうち、当該正常度と関連付けられた位置に重畳させて、当該正常度を表示装置３００に表示させる。
他方、表示制御部３０は、複数の画像領域それぞれの正常度の中で、正常度が最低のものを医用画像全体の正常度として表示装置３００に表示させる構成としてもよい。
尚、本変形例１に係る識別器Ｍａ〜Ｍｉは、各別に学習処理が施されることになる。
（変形例２）
図８は、変形例２に係る識別器Ｍの一例を示す図である。
本変形例２に係る診断部２０は、医用画像の画素領域（一画素の領域又は一区画を形成する複数画素の領域を表す。以下同じ）毎に正常度を算出する点で、上記実施形態と相違する。
本変形例２に係る態様は、例えば、ＣＮＮの識別部Ｎｂにおいて、医用画像の画素領域毎に出力素子を設けることによって、実現することができる（Ｒ−ＣＮＮとも称される）。
本変形例２に係る表示制御部３０は、例えば、各画素領域の正常度を、医用画像中の画素領域の位置と関連付けて、表示装置３００に表示される。この際、表示制御部３０は、例えば、各画素領域の正常度を色情報に変換して表し、医用画像に重ね合わせることで、ヒートマップ画像として表示装置３００に表示させる。
尚、図８のｏｕｔｐｕｔには、ヒートマップ画像の一例として、正常度０％〜２０％、正常度２０％〜４０％、正常度４０％〜６０％、正常度６０％〜８０％、及び正常度８０％〜１００％の五段階のうちのいずれに該当するかによって、色を異ならせて、表示した態様を示している。
本変形例２のようにヒートマップ画像を生成することで、例えば、医師等が医用画像を参照する際に、医師等に対して注目すべき領域を識別しやすくすることができる。
（変形例３）
変形例３に係る画像処理装置１００は、表示制御部３０の構成の点で、上記実施形態と相違する。
表示制御部３０は、例えば、複数の医用画像について正常度を算出した後、当該複数の医用画像それぞれの正常度に基づいて、当該複数の医用画像を表示装置３００に表示させる順番を設定する。そして、表示制御部３０は、例えば、設定した順番に、医用画像のデータＤ１及び正常度のデータＤ２を、表示装置３００に対して出力する。
これによって、例えば、複数の医用画像のうち、異常状態である可能性が高いものから順番に表示装置３００に表示させ、必要性又は緊急性が高い被検体から医師等の本診断を受けられるようにすることができる。
尚、表示制御部３０は、複数の医用画像それぞれの正常度に基づいて、順番を設定する構成に代えて、複数の医用画像それぞれを表示装置３００に表示させるか否かを設定してもよい。
（その他の実施形態）
本発明は、上記実施形態に限らず、種々に変形態様が考えられる。
上記実施形態では、識別器Ｍの一例として、ＣＮＮを示した。但し、識別器Ｍは、ＣＮＮに限らず、学習処理を施すことによって識別機能を保有し得るその他の任意の識別器が用いられてよい。識別器Ｍとしては、例えば、ＳＶＭ（Support Vector Machine）識別器、又は、ベイズ識別器等が用いられてもよい。又は、これらが複数組み合わされて構成されてもよい。
又、上記実施形態では、画像処理装置１００の構成の一例を種々に示した。但し、各実施形態で示した態様を種々に組み合わせたものを用いてもよいのは勿論である。
又、上記実施形態では、画像処理装置１００が診断する医用画像の一例として、Ｘ線診断装置が撮像したＸ線画像を示したが、その他の任意の装置が撮像した医用画像に適用することができる。例えば、３次元ＣＴ装置が撮像した医用画像や、超音波診断装置が撮像した医用画像にも適用することができる。
又、上記実施形態では、画像処理装置１００の構成の一例として、一のコンピュータによって実現されるものとして記載したが、複数のコンピュータによって実現されてもよいのは勿論である。
又、上記実施形態では、画像処理装置１００の一例として、学習部４０を備える構成を示した。但し、予め外部記憶装置１０４等に、学習処理が施された識別器Ｍのモデルデータを記憶していれば、画像処理装置１００は、必ずしも学習部４０を備えている必要はない。
以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、請求の範囲を限定するものではない。請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。
本開示に係る画像処理装置は、医用画像の総合的な診断を行う用により好適である。
１０ 画像取得部
２０ 診断部
３０ 表示制御部
４０ 学習部
１００ 画像処理装置
２００ 医用画像撮像装置
３００ 表示装置
Ｍ 識別器

Claims (15)

  1. 医用画像撮像装置が撮像した被検体の診断対象部位に係る医用画像の診断を行う画像処理装置であって、
    前記医用画像を取得する画像取得部と、
    学習済みの識別器を用いて前記医用画像の画像解析を行い、前記医用画像が複数種別の病変パターンのうちの少なくとも１つに該当する確率を示す指標を算出する診断部と、
    を備え、
    前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、正常状態を示す第１の値が前記指標の正解値に設定されて学習処理が行われ、
    前記複数種別の病変パターンのうちの少なくとも１つに該当すると診断済みの前記医用画像を用いた学習処理の際には、異常状態を示す第２の値が前記指標の正解値に設定されて学習処理が行われ、且つ、
    前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、前記医用画像の全画像領域を用いた学習処理が行われ、
    前記複数種別の病変パターンのうちの少なくとも１つに該当すると診断済みの前記医用画像を用いた学習処理の際には、前記医用画像の全画像領域から異常状態の領域を抽出した部分的な画像領域を用いた学習処理が行われた、
    画像処理装置。
  2. 前記識別器は、前記複数種別の病変パターンのうちの少なくとも１つに該当すると診断済みの前記医用画像を用いた学習処理の際には、前記医用画像の全画像領域から抽出された異常状態の組織又は陰影の画像領域を用いた学習処理が行われた、
    請求項１に記載の画像処理装置。
  3. 前記診断部は、前記医用画像の全画像領域を対象として、前記指標を算出する、
    請求項１又は２に記載の画像処理装置。
  4. 前記診断部は、前記医用画像の全画像領域を複数に分割し、当該分割した画像領域毎に前記指標を算出する、
    請求項１乃至３のいずれか一項に記載の画像処理装置。
  5. 前記診断部は、前記医用画像の画素領域毎に、前記指標を算出する、
    請求項１乃至４のいずれか一項に記載の画像処理装置。
  6. 前記指標を表示装置に表示させる態様を制御する表示制御部、を更に備える、
    請求項１乃至５のいずれか一項に記載の画像処理装置。
  7. 前記表示制御部は、前記指標と関連付けられた前記医用画像の画像領域の位置に重畳させて、前記指標を前記表示装置に表示させる、
    請求項６に記載の画像処理装置。
  8. 前記表示制御部は、前記指標を色情報に変換して、前記指標を前記表示装置に表示させる、
    請求項７に記載の画像処理装置。
  9. 前記表示制御部は、複数の前記医用画像それぞれについて算出された前記指標に基づいて、複数の前記医用画像を前記表示装置に表示させる順番又は複数の前記医用画像を前記表示装置に表示させるか否かを決定する、
    請求項６乃至８のいずれか一項に記載の画像処理装置。
  10. 前記医用画像は、医用静止画画像である、
    請求項１乃至９のいずれか一項に記載の画像処理装置。
  11. 前記医用画像は、胸部単純Ｘ線画像である、
    請求項１０に記載の画像処理装置。
  12. 前記識別器は、ベイズ識別器、ＳＶＭ識別器、又は畳み込みニューラルネットワークを含んで構成される、
    請求項１乃至１１のいずれか一項に記載の画像処理装置。
  13. 前記診断部は、前記医用画像に加え、更に、前記被検体の年齢、性別、地域、又は既病歴に係る情報に基づいて、前記指標を算出する、
    請求項１乃至１２のいずれか一項に記載の画像処理装置。
  14. 医用画像撮像装置が撮像した被検体の診断対象部位に係る医用画像の診断を行う画像処理装置の作動方法であって、
    前記医用画像を取得する処理と、
    学習済みの識別器を用いて前記医用画像の画像解析を行い、前記医用画像が複数種別の病変パターンのうちの少なくとも１つに該当する確率を示す指標を算出する処理と、
    を備え、
    前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、正常状態を示す第１の値が前記指標の正解値に設定されて学習処理が行われ、
    前記複数種別の病変パターンのうちの少なくとも１つに該当すると診断済みの前記医用画像を用いた学習処理の際には、異常状態を示す第２の値が前記指標の正解値に設定されて学習処理が行われ、且つ、
    前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、前記医用画像の全画像領域を用いた学習処理が行われ、
    前記複数種別の病変パターンのうちの少なくとも１つに該当すると診断済みの前記医用画像を用いた学習処理の際には、前記医用画像の全画像領域から異常状態の領域を抽出した部分的な画像領域を用いた学習処理が行われた、
    画像処理装置の作動方法。
  15. コンピュータに、
    医用画像撮像装置が撮像した被検体の診断対象部位に係る医用画像を取得させる処理と、
    学習済みの識別器を用いて前記医用画像の画像解析を行い、前記医用画像が複数種別の病変パターンのうちの少なくとも１つに該当する確率を示す指標を算出させる処理と、
    を実行させる、画像処理プログラムであって、
    前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、正常状態を示す第１の値が前記指標の正解値に設定されて学習処理が行われ、
    前記複数種別の病変パターンのうちの少なくとも１つに該当すると診断済みの前記医用画像を用いた学習処理の際には、異常状態を示す第２の値が前記指標の正解値に設定されて学習処理が行われ、且つ、
    前記識別器は、前記複数種別の病変パターンのうちのいずれにも該当しないと診断済みの前記医用画像を用いた学習処理の際には、前記医用画像の全画像領域を用いた学習処理が行われ、
    前記複数種別の病変パターンのうちの少なくとも１つに該当すると診断済みの前記医用画像を用いた学習処理の際には、前記医用画像の全画像領域から異常状態の領域を抽出した部分的な画像領域を用いた学習処理が行われた、
    画像処理プログラム。
JP2017158124A 2017-08-18 2017-08-18 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 Active JP6930283B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2017158124A JP6930283B2 (ja) 2017-08-18 2017-08-18 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
CN201810915798.0A CN109394250A (zh) 2017-08-18 2018-08-13 图像处理装置、图像处理方法及图像处理程序
US16/105,053 US20190057504A1 (en) 2017-08-18 2018-08-20 Image Processor, Image Processing Method, And Image Processing Program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017158124A JP6930283B2 (ja) 2017-08-18 2017-08-18 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

Publications (2)

Publication Number Publication Date
JP2019033966A JP2019033966A (ja) 2019-03-07
JP6930283B2 true JP6930283B2 (ja) 2021-09-01

Family

ID=65361243

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017158124A Active JP6930283B2 (ja) 2017-08-18 2017-08-18 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

Country Status (3)

Country Link
US (1) US20190057504A1 (ja)
JP (1) JP6930283B2 (ja)
CN (1) CN109394250A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102389628B1 (ko) * 2021-07-22 2022-04-26 주식회사 클라리파이 의료영상의 병변 특징에 따른 영상처리 장치 및 방법

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019239607A1 (ja) * 2018-06-15 2019-12-19 三菱電機株式会社 診断装置、診断方法及びプログラム
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
CN109965829B (zh) * 2019-03-06 2022-05-06 重庆金山医疗技术研究院有限公司 成像优化方法、图像处理装置、成像装置及内窥镜***
JP7218215B2 (ja) * 2019-03-07 2023-02-06 株式会社日立製作所 画像診断装置、画像処理方法及びプログラム
JP2020173614A (ja) * 2019-04-10 2020-10-22 キヤノンメディカルシステムズ株式会社 医用情報処理装置及び医用情報処理プログラム
JP7334900B2 (ja) * 2019-05-20 2023-08-29 国立研究開発法人理化学研究所 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体
CN110175993A (zh) * 2019-05-27 2019-08-27 西安交通大学医学院第一附属医院 一种基于FPN的Faster R-CNN肺结核征象检测***及方法
EP3751582B1 (en) * 2019-06-13 2024-05-22 Canon Medical Systems Corporation Radiotherapy system, and therapy planning method
JP7084357B2 (ja) * 2019-07-12 2022-06-14 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
JP7144370B2 (ja) 2019-07-12 2022-09-29 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
CN110688977B (zh) * 2019-10-09 2022-09-20 浙江中控技术股份有限公司 一种工业图像识别方法、装置、服务器及存储介质
JP2021074360A (ja) * 2019-11-12 2021-05-20 株式会社日立製作所 医用画像処理装置及び医用画像処理方法、医用画像処理プログラム
US11436725B2 (en) * 2019-11-15 2022-09-06 Arizona Board Of Regents On Behalf Of Arizona State University Systems, methods, and apparatuses for implementing a self-supervised chest x-ray image analysis machine-learning model utilizing transferable visual words
JP7349345B2 (ja) * 2019-12-23 2023-09-22 富士フイルムヘルスケア株式会社 画像診断支援装置、画像診断支援プログラム、及び、それを備えた医用画像取得装置
JP6737491B1 (ja) * 2020-01-09 2020-08-12 株式会社アドイン研究所 Ａｉを用いる診断装置、診断システム、及び、プログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3974946B2 (ja) * 1994-04-08 2007-09-12 オリンパス株式会社 画像分類装置
EP1554682A1 (en) * 2002-09-24 2005-07-20 Eastman Kodak Company Method and system for computer aided detection (cad) cued reading of medical images
US7458936B2 (en) * 2003-03-12 2008-12-02 Siemens Medical Solutions Usa, Inc. System and method for performing probabilistic classification and decision support using multidimensional medical image databases
JP4480508B2 (ja) * 2004-08-02 2010-06-16 富士通株式会社 診断支援プログラムおよび診断支援装置
JP2010252989A (ja) * 2009-04-23 2010-11-11 Canon Inc 医用診断支援装置及びその制御方法
JP2012235796A (ja) * 2009-09-17 2012-12-06 Sharp Corp 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
JP5700964B2 (ja) * 2010-07-08 2015-04-15 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
JP2012026982A (ja) * 2010-07-27 2012-02-09 Panasonic Electric Works Sunx Co Ltd 検査装置
US9760989B2 (en) * 2014-05-15 2017-09-12 Vida Diagnostics, Inc. Visualization and quantification of lung disease utilizing image registration
CN104809331A (zh) * 2015-03-23 2015-07-29 深圳市智影医疗科技有限公司 一种计算机辅助诊断技术(cad)检测放射图像发现病灶的方法和***
CN106780460B (zh) * 2016-12-13 2019-11-08 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102389628B1 (ko) * 2021-07-22 2022-04-26 주식회사 클라리파이 의료영상의 병변 특징에 따른 영상처리 장치 및 방법

Also Published As

Publication number Publication date
US20190057504A1 (en) 2019-02-21
CN109394250A (zh) 2019-03-01
JP2019033966A (ja) 2019-03-07

Similar Documents

Publication Publication Date Title
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
JP6657132B2 (ja) 画像分類装置、方法およびプログラム
US9808213B2 (en) Image processing apparatus, image processing method, medical image diagnostic system, and storage medium
KR101874348B1 (ko) 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치
CN102245082B (zh) 图像处理装置、其控制方法和图像处理***
JP6885517B1 (ja) 診断支援装置及びモデル生成装置
US10991460B2 (en) Method and system for identification of cerebrovascular abnormalities
JP6448356B2 (ja) 画像処理装置、画像処理方法、画像処理システム、及びプログラム
JP4911029B2 (ja) 異常陰影候補検出方法、異常陰影候補検出装置
EP3432215A1 (en) Automated measurement based on deep learning
CN112819818B (zh) 图像识别模块训练方法和装置
US20070053564A1 (en) Image processing method and computer readable medium for image processing
JP2019028887A (ja) 画像処理方法
JP2009128053A (ja) 医療画像表示装置
JP7456928B2 (ja) 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置
JP2004283583A (ja) 画像形成医療検査装置の作動方法
CN111816285A (zh) 医用信息处理装置及医用信息处理方法
JP2015136480A (ja) ３次元医用画像表示制御装置およびその作動方法並びに３次元医用画像表示制御プログラム
KR20230049938A (ko) 폐기종의 정량적 분석 방법 및 이를 위한 장치
JP2022117177A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
WO2022264757A1 (ja) 医用画像診断システム、医用画像診断方法及びプログラム
JP2019107453A (ja) 画像処理装置及び画像処理方法
JP7433901B2 (ja) 学習装置及び学習方法
EP4356837A1 (en) Medical image diagnosis system, medical image diagnosis system evaluation method, and program
EP4102456A1 (en) Calculation program, calculation method, and calculation device

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190708

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20191011

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200318

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210205

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210216

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210414

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210511

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210705

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: 20210713

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210726

R150 Certificate of patent or registration of utility model

Ref document number: 6930283

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150