JP7071037B2 - 推論装置、医用システム、およびプログラム - Google Patents
推論装置、医用システム、およびプログラム Download PDFInfo
- Publication number
- JP7071037B2 JP7071037B2 JP2020079650A JP2020079650A JP7071037B2 JP 7071037 B2 JP7071037 B2 JP 7071037B2 JP 2020079650 A JP2020079650 A JP 2020079650A JP 2020079650 A JP2020079650 A JP 2020079650A JP 7071037 B2 JP7071037 B2 JP 7071037B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- channel
- inference
- trained model
- images
- 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
Links
- 238000000034 method Methods 0.000 claims description 55
- 239000002184 metal Substances 0.000 claims description 40
- 230000003902 lesion Effects 0.000 claims description 20
- 230000000302 ischemic effect Effects 0.000 claims description 12
- 239000002872 contrast media Substances 0.000 claims description 10
- 206010073071 hepatocellular carcinoma Diseases 0.000 claims description 10
- 231100000844 hepatocellular carcinoma Toxicity 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims 4
- 101100072571 Pisum sativum IM30 gene Proteins 0.000 description 19
- 238000009607 mammography Methods 0.000 description 16
- 206010028980 Neoplasm Diseases 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 7
- 229910052740 iodine Inorganic materials 0.000 description 7
- 239000011630 iodine Substances 0.000 description 7
- 210000001835 viscera Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Description
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成するマルチチャネル画像生成部と
を含み、
前記推論部は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行する、推論装置である。
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成するマルチチャネル画像生成部と
を含み、
前記推論部は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行する、医用システムである。
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成する処理と
をプロセッサに実行させるためのプログラムであって、
前記推論を実行する処理は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行する、プログラムである。
(1)学習済みモデルを用いて推論を実行することであって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものである、推論を実行すること、
(2)被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成すること
を含む動作を実行させるものであり、
(1)の学習済みモデルを用いて推論を実行することは、前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行することを含むものである、非一時的でコンピュータ読取可能な記録媒体である。
システム10は、複数のモダリティQ1~Qaを含んでいる。複数のモダリティQ1~Qaの各々は、被検体の診断や治療などを行うモダリティである。
ワークステーションW2は、以下の機能51~53を実行するように構成されている。
(b)学習済みモデルを用いて推論を実行すること(推論部53)。
(c)3つの1チャネル画像(CT画像IM10、ヒストグラム平坦化画像IM20、および輪郭強調画像IM30)の各々の画像情報を含むマルチチャネル画像IMbを生成すること(マルチチャネル画像生成部52)。
尚、(b)の学習済みモデルを用いて推論を実行することは、マルチチャネル画像IMbを学習済みモデルに入力して推論を実行し、推論の結果に応じた出力画像IMoutを出力データとして生成することを含むものである。
ステップST1では、学習ステップで使用される複数の原画像を用意する。図4は、用意された複数の原画像IM1を概略的に示す図である。各原画像IM1はグレースケール画像である。尚、図4では、画像IM1に描出されている体内の臓器等を簡略化して示してある。
このようにして、学習ステップのフロー(図3参照)が終了する。
図14には、臨床の目的(a)-(e)に応じた画像の組合せの一例が示されている。
(a)には、肝細胞癌のステージ分類をすることが目的の例が示されている。この場合、1チャネル画像の組合せとして、単純CT画像、造影-動脈相画像(造影剤を使用して撮影された動脈相のCT画像)、造影-門脈相画像(造影剤を使用して撮影された門脈相のCT画像)の組合せを使用することができる。
(b)には、虚血領域を特定する例が示されている。この場合、1チャネル画像の組合せとして、MR-T2画像、MR-DWI画像、MR-ADC画像(又はMR-FLAIR画像)の組合せを使用することができる。MR-T2画像はMRIで撮影されたT2画像を表し、MR-DWI画像はMRIで撮影されたDWI(拡散強調)画像を表し、MR-ADC画像はMRIで撮影されたADC(Apparent Diffusion Coefficient:見かけの拡散係数)画像を表し、MR-FLAIR画像はMRIで撮影されたFLAIR(fluid-attenuated inversion recovery)画像を表している。
(c)には、腫瘍検出を目的とする例が示されている。この場合、1チャネル画像の組合せとして、MR-T1画像、MR-T2画像、MR-DWI画像の組合せを使用することができる。MR-T1画像はMRIで撮影されたT1画像を表し、MR-T2画像はMRIで撮影されたT2画像を表し、MR-DWI画像はMRIで撮影されたDWI(拡散強調)画像を表している。
(d)では、病変検出又はステージ分類を目的とする例が示されている。この場合、1チャネル画像の組合せとして、CT-Mono 40kev画像、CT-Mono 55kev画像、CT-Mono 70kev画像の組合せを使用することができる。CT-Mono 40kev画像は、40kevの仮想単色X線CT画像を表し、CT-Mono 55kev画像は、55kevの仮想単色X線CT画像を表し、CT-Mono 70kev画像は、70kevの仮想単色X線CT画像を表している。
病変領域の位置情報を表す位置データを使用することができる。この位置データは、例えば、CT-Mono 40kev画像から用意することができる。具体的には、CT-Mono 40kev画像ごとに、病変領域が描出されている位置を表す位置データを求め、CT-Mono 40kev画像ごとに求められた位置データを、正解データとして用意することができる。したがって、病変領域を検出するための学習済みモデルを生成することができる。この学習済みモデルは、病変領域を検出するための推論を実行し、病変領域の位置情報を表す位置データを出力データとして出力する。
(a)~(d)は、3つの1チャネル画像の組合せを使用する例であるが、3つの1チャネル画像の組合せの代わりに、2つの1チャネル画像の組合せを使用することも可能である。(e)では、腫瘍検出を目的とする例が示されており、1チャネル画像の組合せとして、2つの1チャネル画像の組合せ、すなわち、Mammography低電圧ヨード造影画像と、Mammography高電圧単純撮影画像との組合せを使用することができる。Mammography低電圧ヨード造影画像は、低電圧ヨード造影により得られたマンモグイラフィ画像を表しており、Mammography高電圧単純撮影画像は、高電圧単純撮影により得られたマンモグイラフィ画像を表しいている。
21 プロセッサ
22 記憶部
51 画像処理部
52 マルチチャネル画像生成部
53 推論部
Claims (10)
- 学習済みモデルを用いて推論を実行する推論部であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものである、推論部と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成するマルチチャネル画像生成部と
を含み、
前記推論部は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行し、
前記第1の複数の1チャネル画像が、第1のCT画像と、前記第1のCT画像にヒストグラム平坦化処理を施すことにより生成された第1のヒストグラム平坦化画像と、前記第1のCT画像に輪郭強調処理を施すことにより生成された第2の輪郭強調画像とを含み、
前記正解データが、金属部材を含む画像であり、
前記第2の複数の1チャネル画像が、第2のCT画像と、前記第2のCT画像にヒストグラム平坦化処理を施すことにより生成された第2のヒストグラム平坦化画像と、前記第2のCT画像に輪郭強調処理を施すことにより生成された第3の輪郭強調画像とを含む、推論装置。 - 前記正解データが、抽出対象物を含む画像であり、
前記推論部が、前記推論を実行して前記抽出対象物を含む出力画像を出力する、請求項1に記載の推論装置。 - 学習済みモデルを用いて推論を実行する推論部であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものである、推論部と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成するマルチチャネル画像生成部と
を含み、
前記推論部は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行し、
前記第1の複数の1チャネル画像が、第1の単純CT画像、造影剤を用いて撮影された動脈相のCT画像を表す第1の動脈相画像、および造影剤を用いて撮影された門脈相のCT画像を表す第1の門脈相画像を含み、
前記第2の複数の1チャネル画像が、第2の単純CT画像、造影剤を用いて撮影された動脈相のCT画像を表す第2の動脈相画像、および造影剤を用いて撮影された門脈相のCT画像を表す第2の門脈相画像を含み、
前記正解データが、肝細胞癌のステージを表すインデックスである、推論装置。 - 学習済みモデルを用いて推論を実行する推論部であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものである、推論部と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成するマルチチャネル画像生成部と
を含み、
前記推論部は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行し、
前記第1の複数の1チャネル画像が、エネルギーが異なる複数の第1の仮想単色X線CT画像を含み、
前記第2の複数の1チャネル画像が、エネルギーが異なる複数の第2の仮想単色X線CT画像を含み、
前記正解データが、病変領域の位置情報を表す位置データ、又は病変のステージを表すインデックスである、推論装置。 - 学習済みモデルを用いて推論を実行する推論部であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものである、推論部と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成するマルチチャネル画像生成部と
を含み、
前記推論部は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行し、
前記第1の複数の1チャネル画像が、第1のT2画像と、第1のDWI画像と、第1のADC画像又は第1のFLAIR画像とを含み、
前記第2の複数の1チャネル画像が、第2のT2画像と、第2のDWI画像と、第2のADC画像又は第2のFLAIR画像とを含み、
前記正解データは、虚血領域を含む画像である、推論装置。 - 学習済みモデルを用いて推論を実行する処理であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものであり、前記第1の複数の1チャネル画像が、第1のCT画像と、前記第1のCT画像にヒストグラム平坦化処理を施すことにより生成された第1のヒストグラム平坦化画像と、前記第1のCT画像に輪郭強調処理を施すことにより生成された第2の輪郭強調画像とを含み、前記正解データが、金属部材を含む画像である、推論を実行する処理と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成する処理であって、前記第2の複数の1チャネル画像が、第2のCT画像と、前記第2のCT画像にヒストグラム平坦化処理を施すことにより生成された第2のヒストグラム平坦化画像と、前記第2のCT画像に輪郭強調処理を施すことにより生成された第3の輪郭強調画像とを含む、第2のマルチチャネル画像を生成する処理と
をプロセッサに実行させるためのプログラムであって、
前記推論を実行する処理は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行する、プログラム。 - 学習済みモデルを用いて推論を実行する処理であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものであり、前記第1の複数の1チャネル画像が、第1の単純CT画像、造影剤を用いて撮影された動脈相のCT画像を表す第1の動脈相画像、および造影剤を用いて撮影された門脈相のCT画像を表す第1の門脈相画像を含み、前記正解データが、肝細胞癌のステージを表すインデックスである、推論を実行する処理と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成する処理であって、前記第2の複数の1チャネル画像が、第2の単純CT画像、造影剤を用いて撮影された動脈相のCT画像を表す第2の動脈相画像、および造影剤を用いて撮影された門脈相のCT画像を表す第2の門脈相画像を含む、第2のマルチチャネル画像を生成する処理とをプロセッサに実行させるためのプログラムであって、
前記推論を実行する処理は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行する、プログラム。 - 学習済みモデルを用いて推論を実行する処理であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものであり、前記第1の複数の1チャネル画像が、エネルギーが異なる複数の第1の仮想単色X線CT画像を含み、前記正解データが、病変領域の位置情報を表す位置データ、又は病変のステージを表すインデックスである、推論を実行する処理と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成する処理であって、前記第2の複数の1チャネル画像が、エネルギーが異なる複数の第2の仮想単色X線CT画像を含む、第2のマルチチャネル画像を生成する処理とをプロセッサに実行させるためのプログラムであって、
前記推論を実行する処理は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行する、プログラム。 - 学習済みモデルを用いて推論を実行する処理であって、前記学習済みモデルが、第1の複数の1チャネル画像の各々の画像情報を含む第1のマルチチャネル画像と正解データとを学習する学習処理により生成されるものであり、前記第1の複数の1チャネル画像が、第1のT2画像と、第1のDWI画像と、第1のADC画像又は第1のFLAIR画像とを含み、前記正解データが、虚血領域を含む画像である、推論を実行する処理と、
被検体の第2の複数の1チャネル画像の各々の画像情報を含む第2のマルチチャネル画像を生成する処理であって、前記第2の複数の1チャネル画像が、第2のT2画像と、第2のDWI画像と、第2のADC画像又は第2のFLAIR画像とを含む、第2のマルチチャネル画像を生成する処理とをプロセッサに実行させるためのプログラムであって、
前記推論を実行する処理は、
前記第2のマルチチャネル画像を前記学習済みモデルに入力して前記推論を実行する、プログラム。 - 請求項6~9のうちのいずれか一項に記載のプログラムにより動作するプロセッサを含む医用システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020079650A JP7071037B2 (ja) | 2020-04-28 | 2020-04-28 | 推論装置、医用システム、およびプログラム |
US17/240,104 US12039718B2 (en) | 2020-04-28 | 2021-04-26 | Inference apparatus, medical apparatus, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020079650A JP7071037B2 (ja) | 2020-04-28 | 2020-04-28 | 推論装置、医用システム、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021174394A JP2021174394A (ja) | 2021-11-01 |
JP7071037B2 true JP7071037B2 (ja) | 2022-05-18 |
Family
ID=78222531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020079650A Active JP7071037B2 (ja) | 2020-04-28 | 2020-04-28 | 推論装置、医用システム、およびプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US12039718B2 (ja) |
JP (1) | JP7071037B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023171039A1 (ja) * | 2022-03-07 | 2023-09-14 | 国立大学法人京都大学 | 情報処理装置、方法およびプログラム、学習装置、方法およびプログラム、並びに判別モデル |
WO2023171040A1 (ja) * | 2022-03-07 | 2023-09-14 | 国立大学法人京都大学 | 情報処理装置、方法およびプログラム、学習装置、方法およびプログラム、並びに判別モデル |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287805A (zh) | 2019-05-31 | 2019-09-27 | 东南大学 | 基于三流卷积神经网络的微表情识别方法及*** |
US20200090381A1 (en) | 2016-09-12 | 2020-03-19 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106645A1 (en) * | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
WO2019240257A1 (ja) * | 2018-06-15 | 2019-12-19 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
JP7114358B2 (ja) | 2018-06-15 | 2022-08-08 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
EP3958742A4 (en) * | 2019-05-24 | 2022-06-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for processing x-ray images |
CN110796161A (zh) * | 2019-09-18 | 2020-02-14 | 平安科技(深圳)有限公司 | 识别模型训练、眼底特征的识别方法、装置、设备及介质 |
WO2021067665A2 (en) * | 2019-10-03 | 2021-04-08 | Photon-X, Inc. | Enhancing artificial intelligence routines using 3d data |
US11703454B2 (en) * | 2020-01-03 | 2023-07-18 | Korea Advanced Institute Of Science And Technology | Method and apparatus for multiplexed imaging of spectrally-similar fluorophores |
JP2023517309A (ja) * | 2020-03-06 | 2023-04-25 | ボストンジーン コーポレイション | 多重免疫蛍光イメージングを使用する組織特性の決定 |
-
2020
- 2020-04-28 JP JP2020079650A patent/JP7071037B2/ja active Active
-
2021
- 2021-04-26 US US17/240,104 patent/US12039718B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200090381A1 (en) | 2016-09-12 | 2020-03-19 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
CN110287805A (zh) | 2019-05-31 | 2019-09-27 | 东南大学 | 基于三流卷积神经网络的微表情识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
US12039718B2 (en) | 2024-07-16 |
US20210334959A1 (en) | 2021-10-28 |
JP2021174394A (ja) | 2021-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3444777A1 (en) | Automatic change detection in medical images | |
JP2022065067A (ja) | 灌流デジタルサブトラクション血管造影 | |
EP3828818A1 (en) | Method and system for identifying pathological changes in follow-up medical images | |
Iqbal et al. | Generative adversarial networks and its applications in the biomedical image segmentation: a comprehensive survey | |
CN111312369A (zh) | 医疗图像重建方法及其装置 | |
JP2007275312A (ja) | 解析プロトコルに基づいた前処理装置を備える三次元画像表示装置 | |
Tmenova et al. | CycleGAN for style transfer in X-ray angiography | |
US20200134876A1 (en) | Generating simulated body parts for images | |
KR20130018168A (ko) | 의료 이미지 데이터 세트의 정합 품질의 시각화 방법 및 장치 | |
JP7071037B2 (ja) | 推論装置、医用システム、およびプログラム | |
WO2009077910A1 (en) | Image analysis of brain image data | |
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
JP2021140769A (ja) | 医用情報処理装置、医用情報処理方法及び医用情報処理プログラム | |
JP6301277B2 (ja) | 診断補助画像生成装置および診断補助画像生成方法、並びに、診断補助画像生成プログラム | |
JP2019208903A (ja) | 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム | |
Singh et al. | Semantic segmentation of bone structures in chest X-rays including unhealthy radiographs: A robust and accurate approach | |
JP7409624B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP2022052210A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN112790778A (zh) | 采集错误对齐 | |
Amara et al. | Augmented reality for medical practice: a comparative study of deep learning models for ct-scan segmentation | |
Schell | Vision-based guidance for robot assisted endovascular intervention | |
Chen et al. | A GPU-Based Automatic Approach for Guide Wire Tracking in Fluoroscopic Sequences | |
Kan | Organ segmentation of pediatric computed tomography (ct) with generative adversarial networks | |
Pal et al. | Computer-aided detection of Lesions from coronary angiograms based on contrast learning technique | |
Chen | Towards practical ultrasound ai across real-world patient diversity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200526 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210520 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20210524 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210803 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211102 |
|
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: 20220406 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220504 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7071037 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |