JP7033202B2 - 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 - Google Patents

医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 Download PDF

Info

Publication number
JP7033202B2
JP7033202B2 JP2020527357A JP2020527357A JP7033202B2 JP 7033202 B2 JP7033202 B2 JP 7033202B2 JP 2020527357 A JP2020527357 A JP 2020527357A JP 2020527357 A JP2020527357 A JP 2020527357A JP 7033202 B2 JP7033202 B2 JP 7033202B2
Authority
JP
Japan
Prior art keywords
learning
medical image
computer
information
difference information
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
JP2020527357A
Other languages
English (en)
Other versions
JPWO2020003990A1 (ja
Inventor
岬 川原
悟朗 三浦
慧 内藤
駿平 加門
正明 大酒
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.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Publication of JPWO2020003990A1 publication Critical patent/JPWO2020003990A1/ja
Application granted granted Critical
Publication of JP7033202B2 publication Critical patent/JP7033202B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
    • 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 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Description

本発明は、医用画像処理装置及び方法、機械学習システム並びにプログラムに係り、特に、コンピュータ支援診断（ＣＡＤ：Computer-Aided Diagnosis）に適用される機械学習技術に関する。
医療現場において、内視鏡診断、超音波診断、Ｘ線画像診断、或いはＣＴ（Computerized Tomography）画像診断など医用画像診断の重要性は高い。例えば、特許文献１－３に記載されているように、コンピュータを用いて医用画像を解析して診断を支援するＣＡＤシステムには、機械学習を利用した画像認識手法が用いられる。
特許文献１には、医用画像の撮影部位を判別するクラス分類を行う識別器を備えた医用画像システムが記載されており、識別器は、機械学習の手法を用いて構成される。特許文献１に記載の医用画像システムは、既存の識別器と、１つ以上の新規の識別器の性能を比較して、判別精度が最大の識別器に切り替える構成を備えている。「識別器」は、認識器と同義である。
特許文献２には、医用画像中の問題部位を自動的に検出し、検出された問題部位をマークと共に表示するＣＡＤシステムが記載されている。特許文献２に記載のＣＡＤシステムは、学習エンジンを含み、問題部位を検出するプロセスに用いる分類モデル等の知識ベースを改善する機械学習を行う。
特許文献３には、医用画像を含む症例データを用いて診断知識を更新する機能、及び、診断知識を用いて症例データを識別する機能を有する診断支援装置が記載されている。特許文献３における「診断支援装置」は、ＣＡＤ装置に対応する用語と理解される。
国際公開第２０１０/０５０３４号 特表２００７－５２８７４６号公報 特開２０１５－１１６３１９号公報
深層学習をはじめとする画像の機械学習装置では、機械学習装置によって認識処理部を作成するために学習用データを収集する必要がある。しかし、学習には良質な学習用データを多量に必要とする。このため、医用画像の場合、例えば、病院内で新たに作成された医用画像を学習に用いるためのデータとして記憶しておく画像記憶部を持つエッジデバイスを病院内に各１つ又は複数設置し、複数の病院の各エッジデバイスから分散して学習用データを収集するシステムが構築される。すなわち、複数のエッジデバイスの各々において新たに取得された医用画像を基に学習用データを作成し、各エッジデバイスで作成された学習用データを病院外の施設などに送って集約する。
そして、病院外システムでは、このようにして集められた多数の学習用データの精度を評価して、教師画像作成部にて教師データを作成し、機械学習装置を用いてＣＡＤモジュールを作成する。ＣＡＤモジュールは、ＣＡＤシステムの認識処理部に用いられるプログラムモジュールであってよい。ＣＡＤモジュールは、「ＣＡＤ装置」、「認識モデル」、又は「認識器」などの用語で置き換えてもよい。
上記に説明したような仕組みの場合、個々の画像記憶部を持つエッジデバイスから収集した学習用の画像を一括で再学習又は追加学習する学習処理を機械学習装置において実施するためには、膨大な処理能力と時間が必要である。また、各エッジデバイスから病院外のシステムに通信回線を介して伝送する学習用データの通信量も膨大なものになる。
本発明はこのような事情に鑑みてなされたもので、通信量を抑制でき、機械学習装置にて行う再学習又は追加学習の処理の負担を軽減することができる医用画像処理装置及び方法、機械学習システム並びにプログラムを提供することを目的とする。
課題を解決するために、次の発明態様を提供する。
態様１に係る医用画像処理装置は、入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器と、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する評価部と、評価部の評価結果を基に、学習差分情報の通信の要否を判定する通信判定部と、通信判定部の判定結果に従い、学習差分情報を出力する通信部と、を備える。
態様１によれば、医用画像処理装置に学習器が搭載され、入力された医用画像を用いて医用画像処理装置の内部で、第１のコンピュータ支援診断装置の追加学習を行い、追加学習の効果を評価することで、第１のコンピュータ支援診断装置の性能向上に寄与し得る良質な学習用のデータとしての学習差分情報を選択的に通信することができる。態様１によれば、性能向上に寄与しないデータ又は寄与の程度が極めて小さいデータについて通信による出力を回避することができる。これにより、無駄な信号処理を削減でき、通信量を削減できる。
また、態様１に係る医用画像処理装置から出力された学習差分情報を受信してデータを収集する外部の情報処理装置における学習用データ作成処理の負担が軽減され、外部の装置にて行う再学習又は追加学習の処理を軽量化できる。
「追加学習」は、既に実施された学習によって獲得されているコンピュータ支援診断の性能を更新するために、追加的に行われる学習を意味している。「追加学習」は、バッチ学習によって実施されてもよいし、オンライン学習によって実施されてもよい。オンライン学習は逐次学習と同義である。
医用画像処理装置は、単一の装置として構成されてもよいし、複数の装置を組み合わせて構成されてもよい。例えば、医用画像処理装置は、１台又は複数台のコンピュータを用いて実現し得る。「装置」は、「システム」及び「モジュール」の概念を含む。「データ」は「情報」及び「信号」の概念を含む。
「医用画像」には、内視鏡画像、ＣＴ画像、Ｘ線画像、超音波診断画像、ＭＲＩ（Magnetic Resonance Imaging）画像、ＰＥＴ（Positron Emission Tomography）画像、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）画像、又は、眼底画像など、様々な種類の画像があり得る。
態様２は、態様１の医用画像処理装置において、医用画像の特徴量情報を出力する特徴量抽出部と、特徴量情報に基づいて認識処理を行う認識処理部と、をさらに備え、学習器は、特徴量情報と、認識処理部の認識結果とに基づいて追加学習を行う構成であってよい。
「認識」という用語は、識別、判別、推論、推定、検出、及び領域抽出などの概念を含む。「認識処理部」は、認識器、識別器、判別器、検出器、及び認識モデルなどの概念を含む。「認識モデル」は、機械学習によって一応の認識性能を獲得した学習済みモデルである。認識モデルは、認識処理を行うプログラムモジュールと理解してもよい。
態様３は、態様１又は態様２の医用画像処理装置において、第１のコンピュータ支援診断装置のパラメータ情報を記憶しておく第１の情報記憶部をさらに備える構成であってよい。
態様４は、態様１から態様３のいずれか一態様の医用画像処理装置において、学習差分情報が、第１のコンピュータ支援診断装置のパラメータ情報と、第２のコンピュータ支援診断装置のパラメータ情報との差分を示すパラメータ差分情報を含む構成であってよい。
態様４によれば、通信量をより一層削減することができる。
態様５は、態様１から態様３のいずれか一態様の医用画像処理装置において、学習差分情報が、第２のコンピュータ支援診断装置のパラメータ情報を含む構成であってよい。
態様６は、態様２の医用画像処理装置において、学習差分情報が、特徴量情報を含む構成であってよい。
医用画像から抽出された特徴量情報を学習用データとして用いることにより、医用画像そのものを通信する場合と比較して、通信量を抑制することができる。
態様７は、態様１から態様６のいずれか一態様の医用画像処理装置において、学習差分情報が、追加学習に供された医用画像を含む構成であってよい。
態様８は、態様１から態様７のいずれか一態様の医用画像処理装置において、第１のコンピュータ支援診断装置は、予め第１の学習用データセットを用いて機械学習を行うことによって作成された第１の認識器であり、第２のコンピュータ支援診断装置は、第１の認識器のパラメータが変更された第２の認識器である構成であってよい。
態様９に係る機械学習システムは、態様１から態様８のいずれか一態様の医用画像処理装置と、通信部から出力された学習差分情報を受信して、学習差分情報を含む学習用のデータを収集する情報処理装置と、を備える。
医用画像処理装置と情報処理装置とは、通信可能に接続され得る。ここでいう「接続」は、通信回線を介した接続の概念を含む。「接続」には、有線接続と無線接続の両方の概念が含まれる。
機械学習システムは、複数の医用画像処理装置と、少なくとも１つの情報処理装置と、を含んで構成されてよい。かかる態様によれば、複数の医用画像処理装置から効率よく良質な学習用のデータを収集することが可能である。
態様１０は、態様９の機械学習システムにおいて、情報処理装置は、受信した学習差分情報を用いて第１のコンピュータ支援診断装置の学習処理を行う学習処理部を含む構成であってよい。
態様１０における情報処理装置は、機械学習装置として機能する。態様１０によれば、機械学習装置における再学習又は追加学習の処理の負担が軽減される。
態様１１は、態様９又は態様１０の機械学習システムにおいて、情報処理装置は、受信した学習差分情報を記憶しておく第２の情報記憶部をさらに備える。
態様１１における情報処理装置は、機械学習装置として機能する。態様１１によれば、機械学習装置における再学習又は追加学習の処理の負担が軽減される。
態様１２に係る医用画像処理方法は、医用画像処理装置が実施する医用画像処理方法であって、医用画像を取得するステップと、取得された医用画像を基に、学習器を用いて第１のコンピュータ支援診断装置の追加学習を行うステップと、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価するステップと、評価によって得られる評価結果を基に、学習差分情報の通信の要否を判定するステップと、判定によって得られる判定結果に従い、学習差分情報を通信部から出力するステップと、を含む。
態様１２の医用画像処理方法において、態様２から態様１０にて特定した事項と同様の事項を適宜組み合わせることができる。その場合、装置の構成において特定される処理や動作を担う手段としての処理部や機能部の要素は、これに対応する処理や動作のステップ（工程）の要素として把握することができる。また、態様１２医用画像処理方法は、医用画像処理装置の作動方法と理解してもよい。
態様１３に係るプログラムは、コンピュータに、入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の機能と、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する機能と、評価によって得られる評価結果を基に、学習差分情報の通信の要否を判定する機能と、判定によって得られる判定結果に従い、学習差分情報を通信部から出力する機能と、を実現させるためのプログラムである。
態様１３のプログラムにおいて、態様２から態様１０にて特定した事項と同様の事項を適宜組み合わせることができる。その場合、装置の構成において特定される処理や動作を担う手段としての処理部や機能部の要素は、これに対応する処理や動作のステップ或いは機能を実現するプログラム要素として把握することができる。
本開示の他の態様に係る医用画像処理装置は、少なくとも１つのプロセッサを含み、プロセッサは、入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の処理と、学習器を用いた追加学習によって得られる第２のコンピュータ支援診断装置と第１のコンピュータ支援診断装置とを比較して、追加学習の学習差分情報が第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する評価処理と、評価処理の評価結果を基に、学習差分情報の通信の要否を判定する通信判定処理と、通信判定処理の判定結果に従い、学習差分情報を出力する通信処理と、を行う医用画像処理装置である。
本発明によれば、通信量を削減することができ、良質な学習用のデータを効率よく収集することができる。また、本発明によれば、医用画像処理装置から収集した学習用のデータを用いて機械学習装置において実施する再学習又は追加学習の処理の負担を軽減することが可能になる。
図１は、第１実施形態に係る医用画像処理装置を含む機械学習システムの機能を概略的に示すブロック図である。 図２は、医用画像処理装置の動作例を示すフローチャートである。 図３は、病院外システムの情報処理装置の動作例を示すフローチャートである。 図４は、第２実施形態に係る医用画像処理装置を含む機械学習システムの機能を概略的に示すブロック図である。 図５は、第３実施形態に係る医用画像処理装置を含む機械学習システムの機能を概略的に示すブロック図である。 図６は、機械学習システムの他の形態例を示すブロック図である。 図７は、複数の病院内システムと１つの病院外システムとを組み合わせて構成される機械学習システムの概要を示すブロック図である。 図８は、コンピュータのハードウェア構成の例を示すブロック図である。
以下、添付図面に従って本発明の好ましい実施形態について詳説する。
《第１実施形態》
図１は、第１実施形態に係る医用画像処理装置を含む機械学習システムの全体構成を概略的に示すブロック図である。機械学習システム１０は、既存のＣＡＤモジュールの性能向上に寄与する新しい学習用データの収集と、収集した学習用データを用いて既存のＣＡＤモジュールに対する再学習又は追加学習の学習処理を行い、既存のＣＡＤモジュールよりも性能を改善した新規のＣＡＤモジュールを作成する処理と、を実施する情報処理システムである。
「ＣＡＤモジュールの性能」とは、ＣＡＤモジュールの認識精度、或いは診断精度を意味する。ＣＡＤモジュールの性能を「ＣＡＤ性能」と表記する場合がある。既存のＣＡＤモジュールは「第１のコンピュータ支援診断装置」及び「第１の認識器」の一例である。
既存のＣＡＤモジュールは、既に実施された機械学習によって認識性能を獲得した学習済みモデルである。認識処理を行う学習済みモデルを「認識モデル」という。既存のＣＡＤモジュールとしての初期の認識性能を獲得するために行われた学習を「第１の学習」という。既存のＣＡＤモジュールの第１の学習に用いた学習用データセットを「第１の学習用データセット」という。第１の学習用データセットは、予め用意された学習用データセットであってよい。
機械学習システム１０は、病院内システム１２と、病院外システム１４とを含む。病院内システム１２は、病院内に設置されるエッジデバイスである医用画像処理装置１３を含む。なお、「病院」は、病院、診療所、健診センタ、及びこれらに類するその他の医療機関の概念を含む。病院外システム１４は、病院外の施設に設置される情報処理装置１５を含む。医用画像処理装置１３と情報処理装置１５は、通信回線を介して接続される。なお、図１において通信回線の図示は省略されている。
医用画像処理装置１３は、１台又は複数台のコンピュータを用いて構成することができる。医用画像処理装置１３の機能を概説すると、医用画像処理装置１３は、図示せぬ医用画像撮影装置を用いて撮影された医用画像のデータを取得し、取得した医用画像から抽出される特徴量情報を用いて追加学習を実施する。また、医用画像処理装置１３は、追加学習の結果を評価して、その評価結果を基に、ＣＡＤモジュールの性能向上に真に寄与する学習用情報を選択的に病院外システム１４に通信する。
医用画像撮影装置は、例えば、内視鏡スコープ、Ｘ線撮影装置、ＣＴ撮影装置、ＭＲＩ（magnetic resonance imaging）撮影装置、核医学診断装置、若しくは、眼底カメラのうちの１つ又は組み合わせであってよい。本実施形態においては、医用画像の一例として、内視鏡スコープを用いて撮影された内視鏡画像を例に説明する。この場合の医用画像処理装置１３は、内視鏡スコープと接続されるプロセッサ装置であってもよいし、プロセッサ装置から医用画像のデータを収集する画像取込端末、若しくは、画像情報管理装置などであってもよい。
医用画像処理装置１３は、被評価対象ＣＡＤ情報保持部２０、特徴量抽出部２２、認識処理部２４、学習器２６、ＣＡＤ評価部２８、学習差分情報作成部３０、処理部３２及び通信部３４を含む。
被評価対象ＣＡＤ情報保持部２０は、被評価対象ＣＡＤ情報を保持しておく記憶装置である。被評価対象ＣＡＤ情報とは、学習器２６を用いて追加学習を行ったＣＡＤモジュールとの比較評価の対象となるＣＡＤモジュールの情報である。被評価対象ＣＡＤ情報は、既存のＣＡＤモジュールのパラメータ情報を含む。ＣＡＤモジュールにおける処理アルゴリズムのパラメータは、パラメータ情報の一例である。ＣＡＤモジュールの内容を特定するパラメータ情報をＣＡＤパラメータという。ＣＡＤパラメータは、例えば、ニューラルネットワークのモデルにおけるノード間の結合の重み、及びノードのバイアスなどを含む。
被評価対象ＣＡＤ情報保持部２０は、例えば、ハードディスク装置、光ディスク、光磁気ディスク、若しくは半導体メモリ、又はこれらの適宜の組み合わせを用いて構成される記憶装置を用いて構成される。被評価対象ＣＡＤ情報保持部２０は、「第１の情報記憶部」の一例である。
特徴量抽出部２２は、入力された医用画像を処理して特徴量を抽出する処理を行う。特徴量抽出部２２は、例えば、機械学習によって学習済みの畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）の低次層の部分であってよい。ＣＮＮの低次層は、画像の特徴量を抽出するため、特徴量抽出部２２として利用できる。特徴量抽出部２２は、医用画像から抽出された特徴量情報を出力する。特徴量情報は、例えば、複数チャネルの特徴マップであってよい。特徴量抽出部２２によって抽出された特徴量情報は、認識処理部２４と学習器２６の各々に送られる。
認識処理部２４には、既存のＣＡＤモジュールと同じＣＡＤモジュールが適用される。認識処理部２４は、例えば、クラス分類のタスクを行うＣＮＮの高次層の部分であってよい。或いはまた、認識処理部２４は、セグメンテーションのタスクを行う階層型ネットワークの高次層の部分であってもよい。なお、認識処理部２４は、ニューラルネットワークのモデルに限らず、サポートベクタマシン（ＳＶＭ：Support Vector Machine）など、学習によって性能向上が可能な他のモデルであってもよい。
認識処理部２４は、特徴量抽出部２２によって抽出された特徴量情報を基に、クラス分類のタスク、若しくは、セグメンテーションのタスクなどの認識処理を行い、認識結果を出力する。認識処理部２４の認識結果は、学習器２６に入力される。
学習器２６は、その内部に学習モデルを含んでおり、特徴量抽出部２２から得られる特徴量情報と、認識処理部２４から得られた認識結果とを学習用データとして用いて、学習モデルの追加学習を行う。学習モデルは、認識処理部２４と同じものであってよく、認識処理部２４と兼用してもよい。学習モデルは、初期の状態において、既存のＣＡＤモジュールと同じモデルであってよい。学習器２６の学習モデルは、追加学習が行われることによってパラメータが更新される。
すなわち、学習器２６を用いて追加学習が実施され、学習モデルは、新しいＣＡＤパラメータに更新される。なお、学習器２６は、バッチ学習を実施してもよいし、オンライン学習を実施してもよい。学習器２６によって作成された新しいＣＡＤパラメータを「新ＣＡＤパラメータ」という。学習器２６にて作成された新ＣＡＤパラメータはＣＡＤ評価部２８に送られる。新ＣＡＤパラメータによって特定されるＣＡＤモジュールは「第２のコンピュータ支援診断装置」及び「第２の認識器」の一例である。
ＣＡＤ評価部２８は、学習器２６によって学習された新ＣＡＤパラメータで特定される学習後のＣＡＤモジュールの性能と、被評価対象ＣＡＤ情報保持部２０に保持されているＣＡＤパラメータで特定される既存のＣＡＤモジュールの性能とを比較して、学習器２６における追加学習に用いた情報がＣＡＤ性能の向上に寄与するかどうかを評価する。ＣＡＤ評価部２８におけるモデル性能を評価する指標は、「感度」、「特異度」、若しくは「正確度」などに代表される公知の指標の１つ又は複数の組み合わせを用いることができる。ＣＡＤ評価部２８の評価結果は、学習差分情報作成部３０に送られる。ＣＡＤ評価部２８は「評価部」の一例である。
学習差分情報作成部３０は、ＣＡＤ評価部２８から出力される評価結果に応じて、学習差分情報を病院外システム１４に送信するか否か、つまり通信の要否を判定し、送信を行うと判定した場合には、通信用の学習差分情報を作成する。学習差分情報作成部３０は、通信の要否を判定する「通信判定部」の一例である。なお、ＣＡＤ評価部２８が通信判定の機能を含んでもよい。
ここで、「学習差分情報」とは、学習前のＣＡＤモジュールと学習後のＣＡＤモジュールの「差異」を再現することができる情報を意味する。つまり、学習差分情報は、学習前の既存のＣＡＤモジュールと学習後の新しいＣＡＤモジュールの「差異」を生むもとになる情報である。
「学習差分情報」という用語の概念には、下記に例示する形態１～４が含まれる。
［形態１］学習差分情報は、学習前の既存のＣＡＤパラメータと学習後の新ＣＡＤパラメータの差分、つまり変化分を表すパラメータ差分情報であってもよい。既存のＣＡＤパラメータが既知である条件の下では、パラメータ差分情報があれば、学習後の新しいＣＡＤモジュールを再現することができる。
［形態２］学習差分情報は、学習後の新ＣＡＤパラメータそのものであってよい。新ＣＡＤパラメータがあれば、学習後の新しいＣＡＤモジュールを再現することができる。
［形態３］学習差分情報は、学習器２６での追加学習において入力として用いた特徴量情報であってよい。追加学習に用いた学習用データとしての特徴量情報を用いて、学習器２６と同様の学習処理を実施することにより、学習器２６での学習結果と同様の学習後の新しいＣＡＤモジュールを再現することができる。
［形態４］学習差分情報は、学習器２６での追加学習において入力として用いた特徴量情報を抽出した元の医用画像のセットであってよい。医用画像に対して特徴量抽出部２２と同じ処理を行うことにより医用画像から特徴量情報を作成できるため、上記［形態３］と同様の特徴量情報のセットを再現でき、さらに、学習器２６と同じ学習後の新しいＣＡＤモジュールを再現することができる。
上記に例示した［形態１］～［形態４］のうち、通信量が最も少ない形態は、［形態１］である。通信量が少ないものから［形態１］→［形態２］→［形態３］→［形態４］の順に、通信量が増大する傾向にある。第１実施形態では、［形態１］の学習差分情報が用いられる。
すなわち、図１に示す学習差分情報作成部３０は、被評価対象ＣＡＤ情報保持部２０から読み出された既存のＣＡＤパラメータと、学習器２６から得られた新ＣＡＤパラメータとの差分を表す学習差分情報としてのパラメータ差分情報を作成する。学習差分情報作成部３０にて作成された学習差分情報は、処理部３２に送られる。学習差分情報作成部３０と処理部３２との組み合わせは学習用データ作成部としての役割を果たす。
処理部３２は、通信部３４の通信形式に適合した信号変換を行う通信信号処理部である。処理部３２は、被評価対象ＣＡＤ情報保持部２０から被評価対象ＣＡＤ情報を取得することができる。学習差分情報及び被評価対象ＣＡＤ情報は、処理部３２において所要の信号変換が施されて通信部３４から送信される。通信部３４は、通信インターフェースであり、図示せぬ通信回線に接続される。
病院外システム１４の情報処理装置１５は、通信部４２と、学習処理部４６と、を含む。通信部４２は、通信部３４と同様の通信インターフェースであり、図示せぬ通信回線に接続される。
学習処理部４６は、医用画像処理装置１３から収集した学習差分情報を含む学習用データを用いて機械学習を行う。学習処理部４６は、既存のＣＡＤモジュールに対して再学習又は追加学習の処理を行い、ＣＡＤ性能を改善した新しいＣＡＤモジュールを作成する。
学習処理部４６にて作成された新しいＣＡＤモジュールは、既存のＣＡＤモジュールに代替するアップデートされたＣＡＤモジュールとして、適宜の時期に提供することができる。情報処理装置１５は、学習用データを収集する学習用データ収集装置として機能する。また、情報処理装置１５は、収集した学習用データを用いて機械学習を行う機械学習装置として機能する。なお、既存のＣＡＤモジュールを作成するための第１の学習は、学習処理部４６を用いて実施されてもよいし、図示せぬ別の機械学習装置を用いて実施されてもよい。
〈医用画像処理装置１３が実施する医用画像処理方法の説明〉
図２は、医用画像処理装置１３の動作例を示すフローチャートである。図２に示す各ステップは、医用画像処理装置１３を構成するコンピュータがプログラムに従って実行する。
ステップＳ１０２において、医用画像処理装置１３は、医用画像を取得する。
ステップＳ１０４において、医用画像処理装置１３は、取得した医用画像から特徴量を抽出して特徴量情報を作成する。医用画像処理装置１３の特徴量抽出部２２が出力する特徴量情報は、追加学習の入力として利用される。
ステップＳ１０６において、医用画像処理装置１３は、特徴量情報を用いて認識処理を行う。医用画像処理装置１３の認識処理部２４は、入力された特徴量情報に応じた認識結果を出力する。
ステップＳ１０８において、医用画像処理装置１３は、特徴量情報と認識結果とを用いて、既存のＣＡＤモジュールについての追加学習を行う。医用画像処理装置１３の学習器２６において追加学習を実施することにより、新ＣＡＤパラメータが作成される。
ステップＳ１１０において、医用画像処理装置１３は、追加学習によって得られた新しいＣＡＤモジュールと、既存のＣＡＤモジュールとを比較して、ＣＡＤ性能を評価する。医用画像処理装置１３のＣＡＤ評価部２８は、追加学習に用いた情報がＣＡＤ性能の向上に寄与するか否かの評価をする。
ステップＳ１１２において、医用画像処理装置１３は、ステップＳ１１０の評価結果を基に、学習差分情報を外部に送信するか否かの通信判定を行う。
ステップＳ１１２の判定結果がＹｅｓ判定である場合、すなわち、外部に送信する判定した場合、ステップＳ１１４に進む。
ステップＳ１１４において、医用画像処理装置１３は、外部に出力するための学習差分情報を作成する。
そして、ステップＳ１１４において、医用画像処理装置１３は、作成した学習差分情報を送信する。
その一方、ステップＳ１１２の判定結果がＮｏ判定である場合、すなわち、外部に送信する必要がないと判定した場合、医用画像処理装置１３は、ステップＳ１１４及びステップＳ１１６の処理を省略して、図２のフローチャートを終了する。
図３は、病院外システム１４の情報処理装置１５の動作例を示すフローチャートである。図３に示す各ステップは、情報処理装置１５を構成するコンピュータがプログラムに従って実行する。
ステップＳ２０２において、情報処理装置１５は、通信部４２を介して学習差分情報を受信する。
ステップＳ２０４において、情報処理装置１５は、受信した学習差分情報を記憶する。情報処理装置１５は、記憶装置を備えており、医用画像処理装置１３から受信した学習差分情報は記憶装置に格納される。
ステップＳ２０６において、情報処理装置１５は、医用画像処理装置１３から受信した学習差分情報を学習用データとして利用して学習処理を行う。情報処理装置１５の学習処理部４６は、学習差分情報を用いて、既存のＣＡＤモジュールの再学習又は追加学習を行う。なお、学習処理部４６は、学習差分情報に加えて、既存のＣＡＤモジュールを作成する際に使用した第１の学習用データセットを利用してもよい。ステップＳ２０６の学習処理は、バッチ学習であってもよいし、オンライン学習であってもよい。ステップＳ２０６の学習処理を経て、ＣＡＤ性能が改善された新しいＣＡＤモジュールが作成される。
ステップＳ２０８において、情報処理装置１５は、作成された新しいＣＡＤモジュールのＣＡＤ情報を出力する。ここでいうＣＡＤ情報の「出力」には、例えば、通信部４２を介してデータを送信する態様、若しくは、外部記憶装置にＣＡＤ情報を記憶させるためにデータを出力する態様などが含まれる。
情報処理装置１５にて作成された新たなＣＡＤモジュールのＣＡＤ情報を医用画像処理装置１３に送り、この新たなＣＡＤモジュールを「既存のＣＡＤモジュール」に置き換えて、「既存のＣＡＤモジュール」を更新してもよい。情報処理装置１５から出力される新たなＣＡＤモジュールのＣＡＤ情報は、医用画像処理装置１３における「被評価対象ＣＡＤ情報」になり得る。
また、情報処理装置１５にて作成された新たなＣＡＤモジュールのＣＡＤ情報を、外部記憶装置に記憶させ、外部記憶装置を通じて、配布することも可能である。
ステップＳ２０８の後、図３のフローチャートを終了する。
上述した構成の第１実施形態によれば、医用画像処理装置１３と情報処理装置１５との間の通信量を抑制することができ、情報処理装置１５における学習処理の負担を軽減することができる。
《第２実施形態》
図４は、第２実施形態に係る医用画像処理装置を含む機械学習システムの全体構成を概略的に示すブロック図である。図４において、図１に示した構成と同一又は類似の要素には同一の符号を付し、重複する説明を省略する。図１との相違点を説明する。
図４に示す機械学習システム６０は、図１で説明した医用画像処理装置１３に代えて、医用画像処理装置６３を含む。第２実施形態に係る医用画像処理装置６３は、学習差分情報として［形態３］で説明した特徴量情報を用いる。すなわち、医用画像処理装置６３は、学習差分情報として特徴量情報を病院外システム１４の情報処理装置１５に送信する。
医用画像処理装置６３は、図１の学習差分情報作成部３０と処理部３２に代えて、処理部３１を含む。図４に示す処理部３１は、ＣＡＤ評価部２８の評価結果に基づき、特徴量情報の通信判定を行う。通信判定の結果、送信すべき特徴量情報であると判定した場合、処理部３１は、特徴量抽出部２２から出力された特徴量情報を通信部３４に送る。処理部３１は「通信判定部」の一例である。他の構成及び動作は、第１実施形態と同様である。
《第３実施形態》
図５は、第３実施形態に係る医用画像処理装置を含む機械学習システムの全体構成を概略的に示すブロック図である。図５において、図１に示した構成と同一又は類似の要素には同一の符号を付し、重複する説明を省略する。図１との相違点を説明する。
図５に示す機械学習システム７０は、図１で説明した医用画像処理装置１３に代えて、医用画像処理装置７３と、複数のデバイス７４Ａ、７４Ｂ、７４Ｃとを含む。
医用画像処理装置７３は、複数のデバイス７４Ａ、７４Ｂ、７４Ｃと接続される。図５では３つのデバイス７４Ａ、７４Ｂ、７４Ｃを示すが、デバイスの個数は限定されない。複数のデバイス７４Ａ、７４Ｂ、７４Ｃの各々は、例えば、内視鏡のプロセッサ装置であってよい。医用画像処理装置７３は、例えば、複数のプロセッサ装置からデータを集めるデータ収集システム又はデータ管理システムであってよい。
デバイス７４Ａは、特徴量抽出部２２Ａ及び認識処理部２４Ａを含む。デバイス７４Ｂは、特徴量抽出部２２Ｂ及び認識処理部２４Ｂを含む。デバイス７４Ｃは、特徴量抽出部２２Ｃ及び認識処理部２４Ｃを含む。
特徴量抽出部２２Ａ、２２Ｂ、２２Ｃの各々は、図１で説明した特徴量抽出部２２と同様の構成である。認識処理部２４Ａ、２４Ｂ、２４Ｃの各々は、図１で説明した認識処理部２４と同様の構成である。
医用画像処理装置７３は、被評価対象ＣＡＤ情報保持部２０、学習器２６、ＣＡＤ評価部２８、学習差分情報作成部３０、処理部３２及び通信部３４を含む。
学習器２６は、各デバイス７４Ａ、７４Ｂ、７４Ｃから特徴量情報及び認識結果を取得して、新たなＣＡＤパラメータを作成する。
ＣＡＤ評価部２８は、複数のデバイス７４Ａ、７４Ｂ、７４Ｃの各々から得られる情報を用いてそれぞれ作成された複数の新ＣＡＤパラメータについて、それぞれ評価を行い、評価が良好であるものを選択的に送信の対象とする。例えば、複数の新ＣＡＤパラメータのうち、性能が上位であるものを１つだけ、または上位の２つだけを選択的に送信の対象としてよい。他の構成は第１実施形態と同様である。
《変形例１》
第１実施形態から第３実施形態の各実施形態では、病院内システム１２のエッジデバイスである医用画像処理装置と、病院外システム１４の情報処理装置とが１対１で接続されている例を説明したが、複数の医用画像処理装置（エッジデバイス）が、病院外システム１４の情報処理装置と複数対１の関係で接続されてよい。
図６に、機械学習システムの他の形態例を示す。図６は、病院内システム１２に複数のエッジデバイスが含まれている例を示すブロック図である。図６において、図１と同一又は類似の要素には同一の符号を付し、重複する説明は省略する。
病院内システム１２は、複数のエッジデバイス１６を含み、各エッジデバイスは、通信回線１８を介して病院外システム１４と接続される。図６では、２つのエッジデバイス１６を例示し、それぞれ「Ｅ１」、「Ｅ２」と表記した。各エッジデバイス１６の構成は、図１の医用画像処理装置１３の構成と同様である。
病院外システム１４の情報処理装置１５は、情報記憶部４４を含む。情報記憶部４４は、例えば、ハードディスク装置、光ディスク、光磁気ディスク、若しくは半導体メモリ、又はこれらの適宜の組み合わせを用いて構成される記憶装置を用いて構成される。情報記憶部４４は「第２の情報記憶部」の一例である。情報記憶部４４は、第１の学習に用いた第１の学習用データセットを保持していてもよい。
通信部４２を介して取得した情報は、情報記憶部４４に保存される。また、学習処理部４６によって作成された新たなＣＡＤ情報は、情報記憶部４４に保存される。
《変形例２》
図７は、複数の病院内システムと１つの病院外システムとを組み合わせて構成される機械学習システムの概要を示すブロック図である。図７において、図１及び図６と同一又は類似の要素には同一の符号を付し、重複する説明は省略する。
図７に示すように、複数の病院内システム１２と、１つの病院外システム１４とが複数対１の関係で接続されてもよい。また、図６で説明したとおり、病院内システム１２の各々は、１つ又は複数のエッジデバイスを含む。図７においては、複数の病院内システム１２の各々を「ＩＨＳ１」、「ＩＨＳ２」・・・「ＩＨＳｎ」と表記した。
また、それぞれの病院内システム１２に含まれるエッジデバイス１６を「Ｅ１１」、「Ｅ１２」、「Ｅ２１」、「Ｅｎ１」、「Ｅｎｍ」と表記した。「ｎ」は病院内システム１２を特定するインデックス番号であり、「ｍ」は１つの病院内システム１２におけるエッジデバイス１６を特定するインデックス番号である。
図７に示す構成によれば、多数のエッジデバイス１６から良質な学習用データを効率よく、収集することができ、多量の学習用データを得ることができる。
《各処理部及び制御部のハードウェア構成について》
各実施形態で説明した特徴量抽出部２２、認識処理部２４、学習器２６、ＣＡＤ評価部２８、学習差分情報作成部３０、処理部３１、３２、通信部３４、４２、及び学習処理部４６などの各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。
各種のプロセッサには、プログラムを実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）などの製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）などの特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路などが含まれる。
１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサで構成されてもよい。例えば、１つの処理部は、複数のＦＰＧＡ、或いは、ＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせによって構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第一に、クライアントやサーバなどのコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第二に、システムオンチップ（System On Chip：ＳｏＣ）などに代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサを１つ以上用いて構成される。
さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）である。
《コンピュータのハードウェア構成の例》
図８は、医用画像処理装置及び情報処理装置の機能の一部又は全部を実現する装置として用いることができるコンピュータのハードウェア構成の例を示すブロック図である。コンピュータには、デスクトップ型、ノート型、又はタブレット型など、各種形態のコンピュータが含まれる。また、コンピュータは、サーバコンピュータであってもよいし、マイクロコンピュータであってもよい。
コンピュータ５００は、ＣＰＵ５０２と、メモリ５０４と、ＧＰＵ５０６と、記憶装置５０８と、入力インターフェース部５１０と、ネットワーク接続用の通信インターフェース部５１２と、表示制御部５１４と、周辺機器用インターフェース部５１６と、バス５１８と、を備える。図８において「ＩＦ」の表記は「インターフェース」を表す。
記憶装置５０８は、例えば、ハードディスク装置を用いて構成されてよい。記憶装置５０８には、学習処理及び／又は認識処理等の画像処理に必要な各種プログラムやデータ等が記憶されている。記憶装置５０８に記憶されているプログラムがメモリ５０４にロードされ、これをＣＰＵ５０２が実行することにより、コンピュータは、プログラムで規定される各種の処理を行う手段として機能する。
入力装置５２０は入力インターフェース部５１０に接続される。入力装置５２０は、例えば、操作ボタンやキーボード、マウス、タッチパネル、若しくは、音声入力装置、又はこれらの適宜の組み合わせであってよい。ユーザは、入力装置５２０を操作することにより、各種の指示を入力することができる。
表示装置５３０は表示制御部５１４に接続される。表示装置５３０は、例えば、液晶ディスプレイ、有機ＥＬ（organic electro-luminescence:ＯＥＬ）ディスプレイ、若しくは、プロジェクタ、又はこれらの適宜の組み合わせであってよい。
《コンピュータを動作させるプログラムについて》
上述の各実施形態で説明した医用画像処理装置の処理機能、及び情報処理装置の学習用データの収集機能及び学習機能のうち少なくとも１つの機能をコンピュータに実現させるプログラムを光ディスク、磁気ディスク、若しくは、半導体メモリその他の有体物たる非一時的な情報記憶媒体であるコンピュータ可読媒体に記録し、この情報記憶媒体を通じてプログラムを提供することが可能である。またこのような有体物たる非一時的な情報記憶媒体にプログラムを記憶させて提供する態様に代えて、インターネットなどの電気通信回線を利用してプログラム信号をダウンロードサービスとして提供することも可能である。
《実施形態及び変形例等の組み合わせについて》
上述した各実施形態で説明した構成要素、及び変形例で説明した構成要素は、適宜組み合わせて用いることができ、また、一部の構成要素を置き換えることもできる。
例えば、医用画像処理装置１３は、パラメータ差分情報と特徴量情報を病院外システム１４に送信してもよい。また、医用画像処理装置１３は、新ＣＡＤパラメータと特徴量情報を病院外システム１４に送信してもよい。
［その他］
以上説明した本発明の実施形態は、本発明の趣旨を逸脱しない範囲で、適宜構成要件を変更、追加、又は削除することが可能である。本発明は以上説明した実施形態に限定されるものではなく、本発明の技術的思想内で同等関連分野の通常の知識を有する者により、多くの変形が可能である。
１０ 機械学習システム
１２ 病院内システム
１３ 医用画像処理装置
１４ 病院外システム
１５ 情報処理装置
１６ エッジデバイス
１８ 通信回線
２０ 被評価対象ＣＡＤ情報保持部
２２、２２Ａ、２２Ｂ、２２Ｃ 特徴量抽出部
２４、２４Ａ、２４Ｂ、２４Ｃ 認識処理部
２６ 学習器
２８ ＣＡＤ評価部
３０ 学習差分情報作成部
３１、３２ 処理部
３４、４２ 通信部
４４ 情報記憶部
４６ 学習処理部
６０ 機械学習システム
６３ 医用画像処理装置
７０ 機械学習システム
７３ 医用画像処理装置
７４Ａ、７４Ｂ、７４Ｃ デバイス
５００ コンピュータ
５０２ ＣＰＵ
５０４ メモリ
５０６ ＧＰＵ
５０８ 記憶装置
５１０ 入力インターフェース部
５１２ 通信インターフェース部
５１４ 表示制御部
５１６ 周辺機器用インターフェース部
５１８ バス
５２０ 入力装置
５３０ 表示装置
Ｓ１０２～Ｓ１１６ 医用画像処理装置が実施する処理のステップ
Ｓ２０２～Ｓ２０８ 情報処理装置が実施する処理のステップ

Claims (14)

  1. 入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器と、
    前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する評価部と、
    前記評価部の評価結果を基に、前記学習差分情報の通信の要否を判定する通信判定部と、
    前記通信判定部の判定結果に従い、前記学習差分情報を出力する通信部と、
    を備える医用画像処理装置。
  2. 前記医用画像の特徴量情報を出力する特徴量抽出部と、
    前記特徴量情報に基づいて認識処理を行う認識処理部と、をさらに備え、
    前記学習器は、前記特徴量情報と、前記認識処理部の認識結果とに基づいて前記追加学習を行う請求項１に記載の医用画像処理装置。
  3. 前記第１のコンピュータ支援診断装置のパラメータ情報を記憶しておく第１の情報記憶部をさらに備える請求項１又は２に記載の医用画像処理装置。
  4. 前記学習差分情報が、前記第１のコンピュータ支援診断装置のパラメータ情報と、前記第２のコンピュータ支援診断装置のパラメータ情報との差分を示すパラメータ差分情報を含む請求項１から３のいずれか一項に記載の医用画像処理装置。
  5. 前記学習差分情報が、前記第２のコンピュータ支援診断装置のパラメータ情報を含む請求項１から３のいずれか一項に記載の医用画像処理装置。
  6. 前記学習差分情報が、前記特徴量情報を含む請求項２に記載の医用画像処理装置。
  7. 前記学習差分情報が、前記追加学習に供された前記医用画像を含む請求項１から６のいずれか一項に記載の医用画像処理装置。
  8. 前記第１のコンピュータ支援診断装置は、予め第１の学習用データセットを用いて機械学習を行うことによって作成された第１の認識器であり、
    前記第２のコンピュータ支援診断装置は、前記第１の認識器のパラメータが変更された第２の認識器である請求項１から７のいずれか一項に記載の医用画像処理装置。
  9. 請求項１から８のいずれか一項に記載の医用画像処理装置と、
    前記通信部から出力された前記学習差分情報を受信して、前記学習差分情報を含む学習用のデータを収集する情報処理装置と、
    を備える機械学習システム。
  10. 前記情報処理装置は、前記受信した前記学習差分情報を用いて前記第１のコンピュータ支援診断装置の学習処理を行う学習処理部を含む請求項９に記載の機械学習システム。
  11. 前記情報処理装置は、前記受信した前記学習差分情報を記憶しておく第２の情報記憶部をさらに備える請求項９又は１０に記載の機械学習システム。
  12. 医用画像処理装置が実施する医用画像処理方法であって、
    医用画像を取得するステップと、
    前記取得された前記医用画像を基に、学習器を用いて第１のコンピュータ支援診断装置の追加学習を行うステップと、
    前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価するステップと、
    前記評価によって得られる評価結果を基に、前記学習差分情報の通信の要否を判定するステップと、
    前記判定によって得られる判定結果に従い、前記学習差分情報を通信部から出力するステップと、
    を含む医用画像処理方法。
  13. コンピュータに、
    入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の機能と、
    前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する機能と、
    前記評価によって得られる評価結果を基に、前記学習差分情報の通信の要否を判定する機能と、
    前記判定によって得られる判定結果に従い、前記学習差分情報を通信部から出力する機能と、を実現させるためのプログラム。
  14. 非一時的かつコンピュータ読取可能な記憶媒体であって、前記記憶媒体に格納された指令がコンピュータによって読み取られた場合に、
    入力された医用画像を基に、第１のコンピュータ支援診断装置の追加学習を行う学習器の機能と、
    前記学習器を用いた前記追加学習によって得られる第２のコンピュータ支援診断装置と前記第１のコンピュータ支援診断装置とを比較して、前記追加学習の学習差分情報が前記第１のコンピュータ支援診断装置の性能向上に寄与するか否かを評価する機能と、
    前記評価によって得られる評価結果を基に、前記学習差分情報の通信の要否を判定する機能と、
    前記判定によって得られる判定結果に従い、前記学習差分情報を通信部から出力する機能と、
    をコンピュータに実行させる記憶媒体。
JP2020527357A 2018-06-28 2019-06-10 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体 Active JP7033202B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018123441 2018-06-28
JP2018123441 2018-06-28
PCT/JP2019/022908 WO2020003990A1 (ja) 2018-06-28 2019-06-10 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体

Publications (2)

Publication Number Publication Date
JPWO2020003990A1 JPWO2020003990A1 (ja) 2021-07-08
JP7033202B2 true JP7033202B2 (ja) 2022-03-09

Family

ID=68984823

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020527357A Active JP7033202B2 (ja) 2018-06-28 2019-06-10 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体

Country Status (6)

Country Link
US (1) US12009104B2 (ja)
EP (1) EP3815610A4 (ja)
JP (1) JP7033202B2 (ja)
CN (1) CN112334070B (ja)
CA (1) CA3104779A1 (ja)
WO (1) WO2020003990A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12014823B2 (en) * 2019-08-30 2024-06-18 GE Precision Healthcare LLC Methods and systems for computer-aided diagnosis with deep learning models
JPWO2022138876A1 (ja) * 2020-12-24 2022-06-30
TWI795108B (zh) * 2021-12-02 2023-03-01 財團法人工業技術研究院 用於判別醫療影像的電子裝置及方法
CN115274099B (zh) * 2022-09-26 2022-12-30 之江实验室 一种人与智能交互的计算机辅助诊断***与方法
CN116664966B (zh) * 2023-03-27 2024-02-20 北京鹰之眼智能健康科技有限公司 一种红外图像处理***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060018524A1 (en) 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
JP2013192624A (ja) 2012-03-16 2013-09-30 Hitachi Ltd 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
JP2017187918A (ja) 2016-04-05 2017-10-12 日本電信電話株式会社 訓練画像選択装置、方法、及びプログラム
CN108056789A (zh) 2017-12-19 2018-05-22 飞依诺科技(苏州)有限公司 一种生成超声扫描设备的配置参数值的方法和装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002174603A (ja) * 2000-12-08 2002-06-21 Olympus Optical Co Ltd 欠陥分類方法
US7529394B2 (en) * 2003-06-27 2009-05-05 Siemens Medical Solutions Usa, Inc. CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
WO2010005034A1 (ja) 2008-07-11 2010-01-14 クラリオン株式会社 音響処理装置
WO2010050334A1 (ja) 2008-10-30 2010-05-06 コニカミノルタエムジー株式会社 情報処理装置
US20100135552A1 (en) * 2008-11-28 2010-06-03 David Leib Medical Imaging with Accessible Computer Assisted Detection
JP2015116319A (ja) 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US20160259899A1 (en) * 2015-03-04 2016-09-08 Expeda ehf Clinical decision support system for diagnosing and monitoring of a disease of a patient
US10878320B2 (en) * 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
JP2018061771A (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法
KR101879207B1 (ko) * 2016-11-22 2018-07-17 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
EP3695416A4 (en) * 2017-10-13 2021-12-01 Ai Technologies Inc. DEEP LEARNING-BASED DIAGNOSIS AND RECOMMENDATION OF ILLNESSES AND OPHTHALMIC DISORDERS

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060018524A1 (en) 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
JP2013192624A (ja) 2012-03-16 2013-09-30 Hitachi Ltd 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
JP2017187918A (ja) 2016-04-05 2017-10-12 日本電信電話株式会社 訓練画像選択装置、方法、及びプログラム
CN108056789A (zh) 2017-12-19 2018-05-22 飞依诺科技(苏州)有限公司 一种生成超声扫描设备的配置参数值的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
野村 行弘 外７名，遠隔読影環境における多施設連携型ＣＡＤ開発、実運用、および継続的性能改善，MEDICAL IMAGING TECHNOLOGY，2014年03月，Vol.32, No.2，pp.98-108

Also Published As

Publication number Publication date
JPWO2020003990A1 (ja) 2021-07-08
CN112334070B (zh) 2024-03-26
EP3815610A4 (en) 2021-09-15
CN112334070A (zh) 2021-02-05
CA3104779A1 (en) 2020-01-02
EP3815610A1 (en) 2021-05-05
US20210125724A1 (en) 2021-04-29
WO2020003990A1 (ja) 2020-01-02
US12009104B2 (en) 2024-06-11

Similar Documents

Publication Publication Date Title
JP7033202B2 (ja) 医用画像処理装置及び方法、機械学習システム、プログラム並びに記憶媒体
Betancur et al. Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study
US10902588B2 (en) Anatomical segmentation identifying modes and viewpoints with deep learning across modalities
KR101818074B1 (ko) 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템
He et al. Benchmarking deep learning models and automated model design for COVID-19 detection with chest CT scans
CN109191451B (zh) 异常检测方法、装置、设备和介质
Ghayvat et al. AI-enabled radiologist in the loop: novel AI-based framework to augment radiologist performance for COVID-19 chest CT medical image annotation and classification from pneumonia
US11574717B2 (en) Medical document creation support apparatus, medical document creation support method, and medical document creation support program
JP2022036125A (ja) 検査値のコンテキストによるフィルタリング
JP2018014058A (ja) 医療情報処理システム、医療情報処理装置及び医療情報処理方法
Khalsa et al. Artificial intelligence and cardiac surgery during COVID‐19 era
Fallahpoor et al. Generalizability assessment of COVID-19 3D CT data for deep learning-based disease detection
Deb et al. CoVSeverity-Net: an efficient deep learning model for COVID-19 severity estimation from Chest X-Ray images
Chu et al. Artificial Intelligence and Infectious Disease Imaging
JP7007469B2 (ja) 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム
Yenurkar et al. Effective detection of COVID-19 outbreak in chest X-Rays using fusionnet model
Kannan et al. Detection of COVID‐19 patient based on attention segmental recurrent neural network (ASRNN) Archimedes optimization algorithm using ultra‐low‐dose CT images
WO2021177357A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
Kolekar et al. Design of precision medicine web-service platform towards health care digital twin
Kaushik et al. [Retracted] Computational Intelligence‐Based Method for Automated Identification of COVID‐19 and Pneumonia by Utilizing CXR Scans
Rithesh et al. DECOVID-CT: Lightweight 3D CNN for COVID-19 Infection Prediction
Chauhan et al. An analytics approach using edge computing in smart healthcare system
Madhuri et al. Pneumonia detection and classification using hybrid convolution neural network and machine learning classifiers
US20230030794A1 (en) Learning device, learning method, learning program, information processing apparatus, information processing method, and information processing program
US20230068201A1 (en) Learning device, learning method, learning program, information processing apparatus, information processing method, and information processing program

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201216

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201216

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: 20220201

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220225

R150 Certificate of patent or registration of utility model

Ref document number: 7033202

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150