JP7134805B2 - 医用情報処理装置および医用情報処理システム - Google Patents

医用情報処理装置および医用情報処理システム Download PDF

Info

Publication number
JP7134805B2
JP7134805B2 JP2018175892A JP2018175892A JP7134805B2 JP 7134805 B2 JP7134805 B2 JP 7134805B2 JP 2018175892 A JP2018175892 A JP 2018175892A JP 2018175892 A JP2018175892 A JP 2018175892A JP 7134805 B2 JP7134805 B2 JP 7134805B2
Authority
JP
Japan
Prior art keywords
data
medical image
medical
accuracy
lesion
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
JP2018175892A
Other languages
English (en)
Other versions
JP2020044162A (ja
Inventor
健太 森安
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.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems 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 Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to JP2018175892A priority Critical patent/JP7134805B2/ja
Priority to US16/576,048 priority patent/US11244445B2/en
Publication of JP2020044162A publication Critical patent/JP2020044162A/ja
Application granted granted Critical
Publication of JP7134805B2 publication Critical patent/JP7134805B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/70—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
    • 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]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/542—Control of apparatus or devices for radiation diagnosis involving control of exposure
    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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
    • G06T2207/20081—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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

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

Description

本発明の実施形態は、医用情報処理装置および医用情報処理システムに関する。
医用画像診断装置により生成される被検体の医用画像は、撮影時間を長くするほど高画質となり診断精度が向上する。医用画像診断装置としては、核医学診断装置、Ｘ線ＣＴ（Computed Tomography）装置、磁気共鳴イメージング（ＭＲＩ：Magnetic Resonance Imaging）装置、Ｘ線診断装置、超音波診断装置などが挙げられる。
一方で、撮影時間が長くなると、撮影対象となる被検体の負担が大きくなってしまう。特に、放射線を利用する医用画像診断装置では、撮影時間が長くなると被検体の被ばく量が増えてしまう。
ところで、近年、医用画像、または医用画像データ、またはその生データ（以下、医用画像に関するデータという）にもとづいて、医用画像に関するデータ中の特徴量を生成する種々の機械学習モデルが開発されている。医用画像に関するパラメータのうち、ノイズなどの一部のパラメータは、機械学習モデルが生成する特徴量の精度に影響する。機械学習モデルが生成する特徴量の精度に影響するこれらのパラメータの値は、医用画像診断装置における撮影時間などの撮影条件に応じて変化すると考えられる。
米国特許第９２２６７２７号明細書
本発明が解決しようとする課題は、機械学習モデルが生成する特徴量についてのユーザの所望の精度に応じて、医用画像診断装置の撮影条件を決定することである。
実施形態に係る医用情報処理装置は、取得部と、決定部とを備える。取得部は、医用画像に関するデータの入力に基づいて、当該医用画像に関するデータに含まれる病変に関する情報を出力する学習済みモデルの精度に関する情報を取得する。決定部は、学習済みモデルの精度に関する情報に基づいて、医用画像診断装置における医用画像に関するデータの収集条件を決定する。
第１実施形態に係る医用情報処理装置を含む医用情報処理システムの一構成例を示すブロック図。 医用画像の画質と、医用画像に含まれる病変のサイズと、学習済みモデルによる病変抽出の正答率との関係の一例を示す説明図。 処理機能の学習時におけるデータフローの一例を示す説明図。 学習済みモデルの運用前における整理機能の動作の一例を説明するための図。 第１実施形態に係る学習済みモデルの運用前に、整理機能により複数のデータ群のそれぞれの病変抽出結果の正答率を求める際の手順の一例を示すフローチャート。 第１実施形態に係る学習済みモデルの運用時の手順の一例を示すフローチャート。 第２実施形態に係る複数の学習済みモデルの一例を示す説明図。 第２実施形態に係る複数の学習済みモデルの変形例を示す説明図。 第２実施形態に係る処理機能により学習済みモデルの精度に関わるパラメータ値に応じて複数の学習済みモデルを生成する際の手順の一例を示すフローチャート。 第２実施形態に係る複数の学習済みモデルの運用時の手順の一例を示すフローチャート。 撮影中にリアルタイムに再構成した医用画像データにもとづいて収集時間と画質に関するパラメータ値との関係を求める際の手順の一例を示すフローチャート。 撮影中にリアルタイムに取得した生データと、あらかじめ生成された画質指標生成用の学習済みネットワークとにもとづいて収集時間と画質に関するパラメータ値との関係を求める際の手順の一例を示すフローチャート。 被検体の体格に関する情報と、あらかじめ生成された収集時間生成用の学習済みネットワークとにもとづいて収集時間と画質に関するパラメータ値との関係を求める際の手順の一例を示すフローチャート。 第３の実施形態に係る医用情報処理装置を含む核医学診断装置の一構成例を示すブロック図。
以下、図面を参照しながら、医用情報処理装置および医用情報処理システムの実施形態について詳細に説明する。
一実施形態に係る医用情報処理装置および医用情報処理システムは、機械学習モデルが生成する特徴量についてのユーザの所望の精度に応じて、適応的に医用画像診断装置の撮影条件を決定するものである。医用画像診断装置としては核医学診断装置、Ｘ線ＣＴ装置、ＭＲＩ装置など種々の装置を用いることができる。
（第１の実施形態）
図１は、第１実施形態に係る医用情報処理装置１０を含む医用情報処理システム１の一構成例を示すブロック図である。第１実施形態に係る医用情報処理装置１０は、既存の１つの学習済みモデルを利用するものである。医用情報処理システム１は、医用情報処理装置１０と、この医用情報処理装置１０とネットワーク１００を介して接続された医用画像診断装置１０１、１０３および１０４と画像サーバ１０２とを有する。医用情報処理システム１は、さらに既存の１つの学習済みモデルを実現する情報処理装置を含んでもよい。
医用情報処理装置１０は、入力インターフェース１１、ディスプレイ１２、記憶回路１３、ネットワーク接続回路１４、および処理回路１５を有する。
入力インターフェース１１は、たとえばトラックボール、スイッチボタン、マウス、キーボード、テンキーなどの一般的な入力装置により構成され、ユーザの操作に対応した操作入力信号を処理回路１５に出力する。ディスプレイ１２は、たとえば液晶ディスプレイやＯＬＥＤ（Organic Light Emitting Diode）ディスプレイなどの一般的な表示出力装置により構成される。
記憶回路１３は、たとえば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等の、プロセッサにより読み取り可能な記録媒体を含んだ構成を有し、処理回路１５が利用するプログラムやパラメータデータやその他のデータを記憶する。なお、記憶回路１３の記録媒体内のプログラムおよびデータの一部または全部は、ネットワーク１００を介した通信によりダウンロードされてもよいし、光ディスクなどの可搬型記憶媒体を介して記憶回路１３に与えられてもよい。
また、記憶回路１３は、ネットワーク１００を介して取得した被検体の医用画像に関するデータを記憶してもよい。
ネットワーク接続回路１４は、ネットワーク１００の形態に応じた種々の情報通信用プロトコルを実装する。ネットワーク接続回路１４は、この各種プロトコルに従ってネットワーク１００を介して他の電気機器と接続する。ネットワーク１００は、電気通信技術を利用した情報通信網全般を意味し、病院基幹ＬＡＮ（Local Area Network）などの無線／有線ＬＡＮやインターネット網のほか、電話通信回線網、光ファイバ通信ネットワーク、ケーブル通信ネットワークおよび衛星通信ネットワークなどを含む。
医用情報処理装置１０は、核医学診断装置１０１および画像サーバ１０２とネットワーク１００を介して互いにデータ送受信可能に接続される。また、医用情報処理装置１０は、ネットワーク１００を介してＸ線ＣＴ装置１０３、ＭＲＩ装置１０４と互いにデータ送受信可能に接続されてもよい。
処理回路１５は、医用情報処理装置１０を統括制御する機能を実現する。また、処理回路１５は、記憶回路１３に記憶された撮影条件決定プログラムを読み出して実行することにより、機械学習モデルが生成する特徴量についてのユーザの所望の精度に応じて医用画像診断装置の撮影条件を決定するための処理を実行するプロセッサである。
図１に示すように、処理回路１５のプロセッサは、整理機能２１、取得機能２２、および決定機能２３を実現する。また、処理回路１５のプロセッサは、処理機能２４をさらに実現してもよい。これらの各機能は、それぞれプログラムの形態で記憶回路１３に記憶されている。
整理機能２１は、学習済みモデルの精度に関わるパラメータ値に応じて、医用画像に関するデータ（医用画像、医用画像データ、または生データ）を複数に分類したデータ群を取得する。また、整理機能２１は、これらの分類されたデータ群ごとに学習済みモデルの精度を求める。なお、生データは、画像再構成前のデータであり、たとえばサイノグラムデータなどを用いることができる。整理機能２１は、整理部の一例である。
ここで、学習済みモデルは、医用画像に関するデータの入力にもとづいて当該医用画像に関するデータ中の特徴量に関する情報を出力するものである。医用画像に関するデータ中の特徴量に関する情報は、たとえば医用画像中の病変に関する情報である。
より具体的には、学習済みモデルは、医用画像に関するデータの入力にもとづいて医用画像中の病変を抽出するものであってもよい。たとえば、学習済みモデルは、病変に関する情報（たとえば病変の有無など）、より詳しくは病変の位置に関する情報を出力することで病変を抽出する。
この場合、学習済みモデルの精度に関わるパラメータ値は、抽出すべき病変のサイズを含む。抽出すべき病変のサイズが大きいほど、病変の抽出が容易であり抽出精度が高まると考えられる。
また、学習済みモデルの精度に関わるパラメータ値は、画質に関するパラメータ値（画質指標）を含む。医用画像の画質が高いほど、病変の抽出精度が高まると考えられる。また、学習済みモデルの精度に関わるパラメータ値として部位をさらに用いて、医用画像に関するデータを分類してもよい。
医用画像診断装置が核医学診断装置１０１であり、医用画像が核医学画像である場合は、画質に関するパラメータ値（画質指標）としては、肝臓部のノイズ、１０ｍｍ集積部などの所定サイズの集積部のコントラスト、コントラストとノイズの比などを用いることができる。
核医学診断装置１０１は、放射性同位元素（Radio Isotope、以下ＲＩという）を含む薬品（血流マーカ、トレーサ）が生体内の特定組織や臓器に選択的に取り込まれる性質を利用して、生体内に分布したＲＩから放射されるガンマ線を生体外に配設されたガンマ線の検出器で検出するようになっている。核医学画像における肝臓部の画像は、他の部位に比べてノイズ量に敏感であり、ノイズが少ないときは平坦な画像となる一方、ノイズが多いときは粗い画像となることが知られている。肝臓部のノイズが大きいときは、薬品の濃度が薄い、あるいは収集時間が短いなどの原因によって信号量が足りていない。反対に、肝臓部のノイズが小さいときは、信号量が十分であると考えられ、この場合は学習済みモデルによる病変抽出正答率（たとえば学習済みモデルが出力する病変の位置に関する情報の精度）は高いと予想される。
たとえば画質に関するパラメータ値として肝臓部のノイズを用いる場合、少なくとも肝臓部を含む医用画像を、肝臓部のノイズに応じてたとえばノイズの大中小の３つに分類する。肝臓部と同一の医用画像に含まれている肝臓部以外の頭部などの部位は、肝臓部のノイズに応じて分類される。すなわち、医用画像に含まれる部位のノイズレベル（たとえば大中小）は、肝臓部のノイズで代表される。
以下の説明では基本的に、医用画像診断装置が核医学診断装置１０１であり、医用画像が核医学画像であり、学習済みモデルの精度に関わるパラメータ値が、病変のサイズと医用画像の画質に関するパラメータ値とを含む場合の例を示す。
すなわち、上記例では、整理機能２１は、医用画像中の病変のサイズと医用画像の画質に関するパラメータ値とに応じて、医用画像に関するデータを複数に分類されたデータ群を取得する。また、整理機能２１は、これらの分類されたデータ群ごとに学習済みモデルの精度を求める。この結果、病変のサイズと、画質に関するパラメータ値と、学習済みモデルの精度と、を関連付けることができる。
取得機能２２は、入力インターフェース１１を介してユーザから受け付けた病変のサイズの設定値と学習済みモデルの精度の所望値とを取得する。また、取得機能２２は、被検体を医用画像診断装置により撮影することで得られる医用画像に関するデータ（医用画像、医用画像データ、または生データ）を取得する。たとえば、取得機能２２は、核医学診断装置１０１または画像サーバ１０２から核医学画像に関するデータを取得する。取得機能２２は、取得部、パラメータ取得部の一例である。
決定機能２３は、学習済みモデルの精度に関する情報にもとづいて、医用画像診断装置の撮影条件を決定する。上記例では、学習済みモデルの精度に関する情報は、学習済みモデルによる病変抽出正答率に関する情報を含む。また、上記例では、決定機能２３は、撮影条件として、核医学診断装置１０１における核医学画像に関するデータの収集条件のうち、少なくとも収集時間を自動的に決定する。決定機能２３は、決定部の一例である。
より具体的には、上記例では、決定機能２３は、収集時間と画質に関するパラメータ値との関係と、データ群ごとに求められた学習済みモデルの精度と、病変のサイズの設定値と、学習済みモデルの精度の所望値と、にもとづいて収集時間を自動的に決定する。整理機能２１により、病変のサイズと、画質に関するパラメータ値と、学習済みモデルの精度と、が関連付けられる。このため、病変のサイズの設定値と、学習済みモデルの精度の所望値とが取得されると、これらの値に関連付けられた画質に関するパラメータ値が決定する。したがって、収集時間と画質に関するパラメータ値との関係がわかれば、これらの値に対応する収集時間が決定可能となる。
なお、医用画像診断装置がＸ線ＣＴ装置１０３である場合は、取得機能２２は、Ｘ線ＣＴ装置１０３または画像サーバ１０２からＸ線ＣＴ画像に関するデータを取得する。また、決定機能２３は、学習済みモデルの精度に関する情報にもとづいて、撮影条件としてＸ線ＣＴ装置１０３のＸ線量またはＸ線管の回転速度を決定するとよい。一般に、Ｘ線ＣＴ画像の画質は、Ｘ線管に印加される管電流量ｍＡｓに応じて変化すると考えられるためである。
また、医用画像診断装置がＭＲＩ装置１０４である場合は、取得機能２２は、ＭＲＩ装置１０４または画像サーバ１０２からＭＲＩ画像に関するデータを取得する。一般に、ＭＲＩ画像の画質は、間引き率や加算回数に応じて変化すると考えられる。そこで、決定機能２３は、学習済みモデルの精度に関する情報にもとづいて、撮影条件としてＭＲＩ装置１０４の間引き率や加算回数を決定するとよい。
また、医用情報処理装置１０が処理機能２４を実現する場合、処理機能２４は、決定機能２３により決定された撮影条件にもとづいて医用画像診断装置によって撮影された被検体の医用画像に関するデータの入力にもとづいて、医用画像に関するデータ中の特徴量を出力する。この処理には、機械学習が用いられる。機械学習としては、ＳＶＭ（サポートベクターマシン）を利用した機械学習を用いてもよいし、ＣＮＮ（畳み込みニューラルネットワーク）や畳み込み深層信念ネットワーク（ＣＤＢＮ：Convolutional Deep Belief Network）などの、多層のニューラルネットワークを用いた深層学習を用いてもよい。
以下の説明では、処理機能２４がニューラルネットワーク３１を含み、深層学習を用いて医用画像に関するデータにもとづいて病変抽出結果を生成する場合の例を示す。
たとえば、処理機能２４は、決定機能２３により決定された収集時間で撮影された被検体の核医学画像データにもとづいて、当該核医学画像データから病変を抽出する。
続いて、本実施形態に係る処理回路１５の動作について説明する。
図２は、医用画像の画質と、医用画像に含まれる病変のサイズと、学習済みモデルによる病変抽出の正答率との関係の一例を示す説明図である。
第１実施形態に係る医用情報処理装置１０は、既存の１つの学習済みモデルを利用する。この学習済みモデルは、学習の際に入力する医用画像（トレーニングデータ）について、病変サイズや画質の区別なく用いて生成されたものである。しかし、この学習済みモデルに医用画像を入力すると、病変の抽出の精度（病変抽出正答率）は、病変サイズが大きいほど高く、また医用画像の画質が高いほど高くなる（図２参照）。
そこで、第１実施形態に係る整理機能２１は、バリデーションデータを病変のサイズと画質に関するパラメータ値に応じて複数のデータ群に分類し、この分類ごとに病変抽出正答率を求めておく。
図３は、処理機能２４の学習時におけるデータフローの一例を示す説明図である。
処理機能２４は、トレーニングデータ４１を多数入力されて学習を行うことにより、パラメータデータ３２を逐次的に更新する。トレーニングデータ４１は、病変サイズや画質の区別なく用意された医用画像に関するデータである。理想的な病変抽出結果５１は、撮影対象者から組織を取り出して診断することで確定した確定診断結果であるとよい。
処理機能２４は、トレーニングデータ４１が入力されるごとに、医用画像に関するデータをニューラルネットワーク３１で処理した結果が病変抽出の確定診断結果５１に近づくようにパラメータデータ３２を更新していく、いわゆる学習を行う。一般に、パラメータデータ３２の変化割合が閾値以内に収束すると、学習は終了と判断される。以下、学習後のパラメータデータ３２を特に学習済みパラメータデータ３２ａという。
なお、トレーニング入力データの種類と図３に示す運用時の入力データの種類は一致させるべきことに注意する。たとえば運用時の入力データとしての医用画像に関するデータが生データである場合は、学習時のトレーニングデータ４１も生データとする。
図３に示す学習の結果、ニューラルネットワーク３１と学習済みパラメータデータ３２ａは、学習済みモデル３０を構成する。なお、学習済みモデル３０は、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）などの集積回路によって構築されてもよい。
第１実施形態において、ニューラルネットワーク３１は、プログラムの形態で記憶回路１３またはネットワーク１００を介して医用情報処理装置１０と接続された記憶媒体に記憶される。学習済みパラメータデータ３２ａは、記憶回路１３に記憶されてもよいし、ネットワーク１００を介して医用情報処理装置１０と接続された記憶媒体に記憶されてもよい。ニューラルネットワーク３１がネットワーク１００を介して医用情報処理装置１０と接続された記憶媒体に記憶される場合は、医用情報処理装置１０は処理機能２４を備えずともよい。この場合、当該記憶媒体に記憶されたニューラルネットワーク３１を利用可能なプロセッサを備えた情報処理装置によって処理機能２４に相当する機能が実現されて、医用情報処理装置１０から入力データを当該機能に与え、当該機能から病変抽出結果を受け取ってもよい。
図４は、学習済みモデル３０の運用前における整理機能２１の動作の一例を説明するための図である。また、図５は、第１実施形態に係る学習済みモデル３０の運用前に、整理機能２１により複数のデータ群６１のそれぞれの病変抽出結果７１の正答率７２を求める際の手順の一例を示すフローチャートである。図５において、Ｓに数字を付した符号はフローチャートの各ステップを示す。
整理機能２１は、学習済みモデル３０の運用の前に、バリデーションデータを病変のサイズと画質に関するパラメータ値に応じて複数のデータ群６１に分類する（図５のステップＳ１）。この分類は自動的に行なってもよいし、ユーザの入力に応じて行ってもよい。
そして、整理機能２１は、この分類されたデータ群６１のそれぞれの病変抽出結果７１の正答率７２を求める。この結果、病変のサイズと、画質に関するパラメータ値と、学習済みモデル３０の病変抽出正答率とを関連付けることができる（図５のステップＳ２）。
図６は、第１実施形態に係る学習済みモデル３０の運用時の手順の一例を示すフローチャートである。図６において、Ｓに数字を付した符号はフローチャートの各ステップを示す。
学習済みモデル３０の運用時には、まず、取得機能２２は、入力インターフェース１１を介してユーザから受け付けた病変のサイズの設定値と学習済みモデル３０の病変抽出正答率（精度）の所望値とを取得する（ステップＳ１１）。なお、病変サイズの設定値は、たとえば事前にＸ線ＣＴ画像などで確認された同一被検体の同一部位に存在した病変があれば、当該病変の大きさを用いて自動設定されてもよいし、検診などでしっかりと観察すべき場合は、小さめのサイズ（たとえば設定可能な最も小さいサイズなど）に自動設定されてもよい。
図５のステップＳ２において既に、病変のサイズと、画質に関するパラメータ値と、学習済みモデル３０の病変抽出正答率とが関連付けられている。このため、ステップＳ１１で病変のサイズの設定値と、病変抽出正答率の所望値と、が取得されると、これらの値に関連付けられた画質に関するパラメータ値が決定する。
次に、決定機能２３は、撮影条件としての収集時間と画質に関するパラメータ値との関係を取得する（ステップＳ１２）。このとき、撮影条件としての収集時間と画質に関するパラメータ値として肝臓部のノイズで代表した医用画像のノイズレベルが設定された場合であっても、運用時には病変抽出対象の部位の医用画像があればよく、肝臓部の医用画像は不要である。
なお、撮像条件と画質に関するパラメータ値との関係は、あらかじめ設定されてもよいし、医用画像の収集中にリアルタイムに求められてもよい。撮像条件と画質に関するパラメータ値との関係を求める方法の具体例については、図１１－１３を用いて後述する。
次に、ステップＳ１３において、決定機能２３は、学習済みモデル３０によって所望の病変サイズが所望の抽出正答率で抽出される撮影条件を決定する。具体的には、ステップＳ１１の結果、所望の病変サイズで所望の病変抽出正答率を得るために必要な画質に関するパラメータ値がわかっている。このため、ステップＳ１２で撮影条件としての収集時間と画質に関するパラメータ値が取得されると、決定機能２３は、当該パラメータ値を取得するために必要な収集時間を自動的に決定することができる。
医用情報処理装置１０が処理機能２４を実現する場合は、処理機能２４は、決定機能２３により決定された撮影条件を用いて被検体を撮影した医用画像に関するデータを学習済みモデル３０に入力することにより、当該医用画像に関するデータから病変を抽出する（ステップＳ１４）。この収集時間は、病変のサイズの設定値と、学習済みモデル３０の病変抽出正答率（精度）の所望値とに応じて決定された時間である。したがって、当該収集時間で撮影された被検体の核医学画像データに対する処理機能２４による病変抽出の精度は、取得機能２２により取得された設定値と同等サイズ以上の病変について、取得機能２２により取得された所望値以上となる。
第１実施形態に係る医用情報処理装置１０を含む医用情報処理システム１は、所望の病変サイズと所望の病変抽出正答率とに応じて、既存の１つの学習済みモデル３０を用いて適応的に医用画像の撮影条件を決定することができる。このため、たとえばＰＥＴ－ＣＴ装置などにおいて、薬品の投与量、体重、身長などにもとづいて収集時間を技師が手動で決める場合にくらべ、より学習済みモデル３０に適した収集時間を、自動で設定することができる。
（第２の実施形態）
次に、医用情報処理装置１０を含む医用情報処理システム１の第２実施形態について説明する。この第２実施形態に示す医用情報処理装置１０は、処理機能２４が必須の構成であり、処理機能２４により、学習済みモデルの精度に関わるパラメータ値に応じて複数の学習済みモデルが生成されて利用される点で第１実施形態に示す医用情報処理装置１０と異なる。
図７は、第２実施形態に係る複数の学習済みモデルの一例を示す説明図である。また、図８は第２実施形態に係る複数の学習済みモデルの変形例を示す説明図である。
また、図９は、第２実施形態に係る処理機能２４により学習済みモデルの精度に関わるパラメータ値に応じて複数の学習済みモデルを生成する際の手順の一例を示すフローチャートである。図９において、Ｓに数字を付した符号はフローチャートの各ステップを示す。
第２実施形態に係る整理機能２１は、多数の医用画像に関するデータを、学習済みモデルの精度に関わるパラメータ値に応じて複数の群に分類する。図７には、学習済みモデルの精度に関わるパラメータ値として病変の大きさと画質に関するパラメータ値を用いるとともに、病変の大きさに応じて３段階、画質に関するパラメータ値に応じて３段階に、医用画像に関するデータを分類する場合の例を示した。整理機能２１は、整理部の一例である。
第２実施形態に係る処理機能２４は、分類された入力データ群ごとに学習済みモデル３０Ａ－３０Ｉ（図７、図８のNetwork A-I参照）を生成する（図９のステップＳ２１）。処理機能２４は、処理部の一例である。
第２実施形態に係る整理機能２１は、学習済みモデル３０Ａ－３０Ｉごとに精度（図７、図８の正答率参照）を求める（図９のステップＳ２２）。
なお、細かく分類する必要がないと判断される条件どうしは、１つの学習済みモデルにまとめて生成してもよい（図８の共用Network J参照）。この場合は、第１実施形態と同様に、運用前に、この１つの共用学習済みモデル３０Ｊに対して病変の大きさ中（図７のNetwork Dに対応）と小（図７のNetwork Gに対応）とでバリデーションデータを分類し、分類した群ごとに共用学習済みモデル３０Ｊの精度を求めておくとよい。
以上の手順により、学習済みモデルの精度に関わるパラメータ値に応じて複数の学習済みモデル３０Ａ－３０Ｉを生成することができる。
図１０は、第２実施形態に係る複数の学習済みモデル３０Ａ－３０Ｉの運用時の手順の一例を示すフローチャートである。図１０において、Ｓに数字を付した符号はフローチャートの各ステップを示す。
第２実施形態における学習済みモデル３０Ａ－３０Ｉの運用時にも、第１実施形態と同様に、取得機能２２は、まず入力インターフェース１１を介してユーザから受け付けた病変のサイズの設定値と学習済みモデル３０の病変抽出正答率（精度）の所望値とを取得する（ステップＳ３１）。
次に、決定機能２３は、第１実施形態と同様に、撮影条件としての収集時間と画質に関するパラメータ値（たとえば肝臓部のノイズで代表した医用画像のノイズレベル）との関係を取得する（ステップＳ３２）。
次に、ステップＳ３３において、決定機能２３は、複数の学習済みモデル３０Ａ－３０Ｉのうち、ステップＳ３１で取得した病変サイズと抽出正答率とに対応する１つの学習済みモデルによって、所望の病変サイズが所望の抽出正答率で抽出される撮影条件を決定する。
そして、ステップＳ３４において、処理機能２４は、決定機能２３により決定された撮影条件を用いて被検体を撮影した医用画像に関するデータを、ステップＳ３１で取得した病変サイズと抽出正答率とに対応する１つの学習済みモデルに入力することにより、当該医用画像に関するデータから病変を抽出する（ステップＳ１４）。
第２実施形態に係る医用情報処理装置１０を含む医用情報処理システム１によれば、学習済みモデルの精度に関わるパラメータ値に応じて複数の学習済みモデル３０Ａ－３０Ｉを生成することができるとともに、所望の病変サイズと所望の病変抽出正答率とに応じて、対応する１つの学習済みモデルを用いて適応的に医用画像の撮影条件を決定することができる。
続いて、撮影条件と画質に関するパラメータ値との関係の具体例について説明する。以下の説明では、撮影条件が核医学診断装置１０１の収集時間である場合の例を示す。
図１１は、撮影中にリアルタイムに再構成した医用画像データにもとづいて収集時間と画質に関するパラメータ値との関係を求める際の手順の一例を示すフローチャートである。図１１に示す手順は、図６のステップＳ１２およびＳ１３、または図１０のステップＳ３２およびＳ３３と同時並行的に行われる。
核医学診断装置１０１において、スキャンが開始され（ステップＳ４１）、一定時間が経過すると（ステップＳ４２）、その時点までの生データからリアルタイムに画像再構成が実行され、医用画像データが生成される（ステップＳ４３）。
取得機能２２は、再構成された医用画像データを取得する（ステップＳ４４）。そして、決定機能２３は、再構成された医用画像データの画質に関するパラメータ値を求め、所望の病変サイズで所望の病変抽出正答率を得るために必要な画質に関するパラメータ値に達したか否かを判定する（ステップＳ４５）。
所望の病変サイズで所望の病変抽出正答率を得るために必要な画質に関するパラメータ値に達した場合は（ステップＳ４５のＹＥＳ）、決定機能２３は、核医学診断装置１０１にスキャン（生データ収集）を終了させることにより収集時間を自動的に決定する（ステップＳ４６）。この結果、核医学診断装置１０１は、たとえば被検体を次の撮影位置へと移動させる（ステップＳ４７）。一方、所望の病変サイズで所望の病変抽出正答率を得るために必要な画質に関するパラメータ値に達していない場合は（ステップＳ４５のＮＯ）、ステップＳ４２に戻る。
以上の手順により、撮影中にリアルタイムに再構成した医用画像データの画質に関するパラメータ値をリアルタイムに直接求めることで、収集時間を自動的に決定することができる。
図１２は、撮影中にリアルタイムに取得した生データと、あらかじめ生成された画質指標生成用の学習済みネットワークとにもとづいて収集時間と画質に関するパラメータ値との関係を求める際の手順の一例を示すフローチャートである。図１２に示す手順も、図６のステップＳ１２およびＳ１３、または図１０のステップＳ３２およびＳ３３と同時並行的に行われる。
核医学診断装置１０１において、スキャンが開始され（ステップＳ５１）、一定時間が経過すると（ステップＳ５２）、取得機能２２は、その時点までの生データを取得する（ステップＳ５３）。
次に、決定機能２３は、あらかじめ構築された、生データにもとづいて画質に関するパラメータ値（画質指標）を出力する画質指標生成用のネットワークに対して、取得した生データを入力することにより、当該生データにもとづいて医用画像が生成されたときの当該医用画像の画質に関するパラメータ値を取得する（ステップＳ５４）。
そして、決定機能２３は、所望の病変サイズで所望の病変抽出正答率を得るために必要な画質に関するパラメータ値に達したか否かを判定する（ステップＳ５５）。ステップＳ５５－５７の手順は、図１１のステップＳ４５－４７の手順と同一であるため説明を省略する。
以上の手順により、撮影中にリアルタイムに取得した生データから画質に関するパラメータ値を求めることができ、収集時間を自動的に決定することができる。
なお、画質に関するパラメータ値と生データのカウント数（計数値）とを関連付けた情報を事前に取得可能な場合は、画質に関するパラメータ値にかえて、生データの計数値を用いてもよい。この場合、図１２のステップＳ５４では、決定機能２３は、生データを計数する。そして、ステップＳ５５において、決定機能２３は、この計数値が、所望の病変サイズで所望の病変抽出正答率を得るために必要な画質に関するパラメータ値に対応する計数値に達したか否かを判定すればよい。
図１３は、被検体の体格に関する情報と、あらかじめ生成された収集時間生成用の学習済みネットワークとにもとづいて収集時間と画質に関するパラメータ値との関係を求める際の手順の一例を示すフローチャートである。図１３に示すステップＳ６１は、図６のステップＳ１２－１３、または図１０のステップＳ３２－３３にかえて実行される。また、この手順はスキャンの開始前にあらかじめ実行されるとよい。
図１３に示す手順は、図６のステップＳ１１、または図１０のステップＳ３１が実行されてスタートとなる。
決定機能２３は、あらかじめ構築された、被検体の体格に関する情報と当該被検体の医用画像の画質に関するパラメータ値とにもとづいて収集時間を出力する収集時間生成用のネットワークに対して、撮影対象となる被検体の体格に関する情報と、所望の病変サイズで所望の病変抽出正答率を得るために必要な画質に関するパラメータ値と、を入力することにより、収集時間を自動的に決定する（ステップＳ６１）。決定した収集時間の情報は、核医学診断装置１０１に与えられる。
核医学診断装置１０１は、撮影対象となる被検体のスキャンを開始して（ステップＳ６３）、ステップＳ６２で決定した収集時間が経過すると（ステップＳ６４）、スキャンを終了し（ステップＳ６５）、被検体を次の撮影位置へと移動させる（ステップＳ６６）。
以上の手順により、被検体の体格に関する情報にもとづいて収集時間を自動的に決定することができる。
（第３の実施形態）
図１４は、第３の実施形態に係る医用情報処理装置を含む核医学診断装置８０の一構成例を示すブロック図である。
核医学診断装置８０は、被検体の核医学画像を撮影する撮影装置８１と、医用情報処理装置１０の一例としてのコンソール装置８２とを備える。この第３実施形態に示す核医学診断装置８０は、自身で被検体を撮影した核医学画像に関するデータを利用可能な点で第１実施形態および第２実施形態に示す医用情報処理装置１０と異なる。他の構成および作用については図１に示す医用情報処理装置１０と実質的に異ならないため、同じ構成には同一符号を付して説明を省略する。また、病変抽出用の学習済みモデルの運用前に係る処理については第１実施形態および第２実施形態に示す医用情報処理装置１０と同様であるため、説明を省略する。
撮影装置８１は、被検体内に分布したＲＩから放射されるガンマ線を検出するガンマ線検出器を含む撮影系を有し、撮影により得た被検体の核医学画像に関するデータをコンソール装置８２に与える。
医用情報処理装置１０の一例としてのコンソール装置８２の処理回路１５ｎの整理機能２１ｎおよび決定機能２３ｎは、整理機能２１および決定機能２３とそれぞれ実質的に異ならないため説明を省略する。
取得機能２２ｎは、撮影装置８１から被検体の核医学画像に関するデータを取得する。処理機能２４ｎは、撮影装置８１から取得した被検体の核医学画像に関するデータにもとづいて収集時間を決定する。
第３実施形態に係る核医学診断装置８０によっても、第１実施形態および第２実施形態に係る医用情報処理装置１０と同様に、学習済みモデルの精度についてのユーザ所望値に応じて医用画像診断装置の撮影条件を決定することができる。
以上説明した少なくとも１つの実施形態によれば、機械学習モデルが生成する特徴量についてのユーザの所望の精度に応じて医用画像診断装置の撮影条件を決定することができる。
なお、上記実施形態において、「プロセッサ」という文言は、たとえば、専用または汎用のＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、または、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（たとえば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、およびＦＰＧＡ）等の回路を意味するものとする。プロセッサは、記憶媒体に保存されたプログラムを読み出して実行することにより、各種機能を実現する。
また、上記実施形態では処理回路の単一のプロセッサが各機能を実現する場合の例について示したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサが各機能を実現してもよい。また、プロセッサが複数設けられる場合、プログラムを記憶する記憶媒体は、プロセッサごとに個別に設けられてもよいし、１つの記憶媒体が全てのプロセッサの機能に対応するプログラムを一括して記憶してもよい。
なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１ 医用情報処理システム
１０ 医用情報処理装置
１３ 記憶回路
１５、１５ｎ 処理回路
２１、２１ｎ 整理機能
２２、２２ｎ 取得機能
２３、２３ｎ 決定機能
２４、２４ｎ 処理機能
３０、３０Ａ－３０Ｉ 学習済みモデル
８０ 核医学診断装置
１０３ Ｘ線ＣＴ装置
１０４ ＭＲＩ装置

Claims (13)

  1. 医用画像に関するデータの入力に基づいて、当該医用画像に関するデータに含まれる病変に関する情報を出力する学習済みモデルの精度に関する情報を取得する取得部と、
    前記精度に関する情報に基づいて、医用画像診断装置における前記医用画像に関するデータの収集条件を決定する決定部と、
    を備える医用情報処理装置。
  2. 前記学習済みモデルは、
    前記医用画像に関するデータの入力に基づいて、当該医用画像に関するデータ中の病変の位置に関する情報を出力するものである、
    請求項１に記載の医用情報処理装置。
  3. 前記決定部は、
    前記収集条件として、Ｘ線ＣＴ装置のＸ線量またはＸ線管の回転速度を決定する、
    請求項１または２に記載の医用情報処理装置。
  4. 前記決定部は、
    前記収集条件として、核医学診断装置における収集時間を決定する、
    請求項１ないし３のいずれか１項に記載の医用情報処理装置。
  5. 医用画像中の病変のサイズと前記医用画像の画質に関するパラメータ値とに応じて前記医用画像に関するデータを複数に分類したデータ群ごとに、前記学習済みモデルの精度を求めることで、前記病変のサイズと前記画質に関するパラメータ値と前記学習済みモデルの精度とを関連付ける整理部と、
    前記病変のサイズの設定値と前記学習済みモデルの精度の所望値とを取得するパラメータ取得部と、
    をさらに備え、
    前記決定部は、
    前記収集時間と前記画質に関するパラメータ値との関係と、前記データ群ごとに求められた前記学習済みモデルの精度と、前記病変のサイズの設定値と、前記学習済みモデルの精度の所望値と、にもとづいて前記収集時間を決定する、
    請求項４記載の医用情報処理装置。
  6. 前記決定部は、
    前記核医学診断装置による生データの収集中にリアルタイムに生データから医用画像を生成し、生成した医用画像の画質に関するパラメータ値が、前記病変のサイズの設定値と前記学習済みモデルの精度の所望値とに関連付けられた画質に関するパラメータ値以上となると、前記収集を終了させることにより前記収集時間を決定する、
    請求項５記載の医用情報処理装置。
  7. 前記決定部は、
    前記核医学診断装置による生データの収集中にリアルタイムに生データを取得し、生データにもとづいて医用画像の画質に関するパラメータ値を出力する他の学習済みモデルに対して、取得した前記生データを入力することで、前記生データに対応する医用画像の画質に関するパラメータ値を生成し、生成された画質に関するパラメータ値が前記病変のサイズの設定値と前記学習済みモデルの精度の所望値とに関連付けられた前記画質に関するパラメータ値以上となると、前記収集を終了させることにより前記収集時間を決定する、
    請求項５記載の医用情報処理装置。
  8. 前記決定部は、
    被検体の体格に関する情報と前記被検体の医用画像の画質に関するパラメータ値とにもとづいて前記医用画像の前記収集時間を生成する他の学習済みモデルに対して、撮影対象となる被検体の体格に関する情報と、前記病変のサイズの設定値と前記学習済みモデルの精度の所望値とに関連付けられた前記画質に関するパラメータ値と、を入力することで、前記撮影対象となる被検体の前記核医学診断装置における前記収集時間を決定する、
    請求項５記載の医用情報処理装置。
  9. 前記画質に関するパラメータ値は、
    生データの計数値を含み、
    前記決定部は、
    前記核医学診断装置による生データの収集中にリアルタイムに生データを計数し、当該計数値が前記病変のサイズの設定値と前記学習済みモデルの精度の所望値とに関連付けられた前記計数値以上となると、前記収集を終了させることにより前記収集時間を決定する、
    請求項５記載の医用情報処理装置。
  10. 被検体を医用画像診断装置により撮影することで得られる医用画像に関するデータを取得する取得部と、
    学習済みモデルの精度に関わるパラメータを取得するパラメータ取得部と、
    前記医用画像に関するデータの入力にもとづいて当該医用画像に関するデータに含まれる病変に関する情報を出力する学習済みモデルであって、前記パラメータに応じて用意された複数の学習済みモデルのうち、取得した前記パラメータに対応する学習済みモデルと、前記医用画像に関するデータの入力と、にもとづいて、前記医用画像に関するデータに含まれる病変に関する情報を出力する処理部と、
    を備えた医用情報処理装置。
  11. 医用画像中の病変のサイズと前記医用画像の画質に関するパラメータ値とに応じて前記医用画像に関するデータを複数に分類したデータ群ごとに、学習済みモデルの精度を求めることで、前記病変のサイズと前記画質に関するパラメータ値と前記学習済みモデルの精度とを関連付ける整理部と、
    前記病変のサイズの設定値と前記学習済みモデルの精度の所望値とを取得するパラメータ取得部と、
    前記医用画像に関するデータの収集条件と前記画質に関するパラメータ値との関係と、前記データ群ごとに求められた前記学習済みモデルの精度と、前記病変のサイズの設定値と、前記学習済みモデルの精度の所望値と、にもとづいて、医用画像診断装置における前記収集条件を決定する決定部と、
    を備えた医用情報処理システム。
  12. 被検体を医用画像診断装置により撮影することで得られる医用画像に関するデータを取得する取得部と、
    学習済みモデルの精度に関わるパラメータを取得するパラメータ取得部と、
    前記医用画像に関するデータの入力にもとづいて当該医用画像に関するデータに含まれる病変に関する情報を出力する学習済みモデルであって、前記パラメータに応じて用意された複数の学習済みモデルのうち、取得した前記パラメータに対応する学習済みモデルと、前記医用画像に関するデータの入力と、にもとづいて、前記医用画像に関するデータに含まれる病変に関する情報を出力する処理部と、
    を備えた医用情報処理システム。
  13. 学習済みモデルの精度に関する情報にもとづいて、医用画像診断装置の撮影条件を決定する決定部、
    を備えた医用情報処理装置。
JP2018175892A 2018-09-20 2018-09-20 医用情報処理装置および医用情報処理システム Active JP7134805B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018175892A JP7134805B2 (ja) 2018-09-20 2018-09-20 医用情報処理装置および医用情報処理システム
US16/576,048 US11244445B2 (en) 2018-09-20 2019-09-19 Medical information processing apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018175892A JP7134805B2 (ja) 2018-09-20 2018-09-20 医用情報処理装置および医用情報処理システム

Publications (2)

Publication Number Publication Date
JP2020044162A JP2020044162A (ja) 2020-03-26
JP7134805B2 true JP7134805B2 (ja) 2022-09-12

Family

ID=69883276

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018175892A Active JP7134805B2 (ja) 2018-09-20 2018-09-20 医用情報処理装置および医用情報処理システム

Country Status (2)

Country Link
US (1) US11244445B2 (ja)
JP (1) JP7134805B2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
US11250937B2 (en) * 2019-04-12 2022-02-15 International Business Machines Corporation System and method to share and utilize healthcare data
EP3824814A1 (en) * 2019-11-22 2021-05-26 Koninklijke Philips N.V. Assessment of measured tomographic data
JP2022153142A (ja) * 2021-03-29 2022-10-12 ソニーグループ株式会社 情報処理システム、生体試料処理装置及びプログラム

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002230518A (ja) 2000-11-29 2002-08-16 Fujitsu Ltd 診断支援プログラム、診断支援プログラムを記録したコンピュータ読取可能な記録媒体、診断支援装置及び診断支援方法
JP2005198798A (ja) 2004-01-15 2005-07-28 Canon Inc 放射線画像処理装置及び処理方法
WO2008155738A2 (en) 2007-06-21 2008-12-24 Koninklijke Philips Electronics N.V. Adjusting acquisition protocols for dynamic medical imaging using dynamic models
JP2010277231A (ja) 2009-05-27 2010-12-09 Konica Minolta Medical & Graphic Inc データ処理装置、方法及びプログラム
JP2013153824A (ja) 2012-01-27 2013-08-15 Toshiba Corp Ｘ線ｃｔ装置
JP2014226557A (ja) 2013-05-22 2014-12-08 株式会社東芝 画像処理装置、医用画像診断装置及び画像処理方法
JP2015163872A (ja) 2014-01-31 2015-09-10 株式会社東芝 核医学画像撮影装置及び制御方法
US20180043182A1 (en) 2015-03-06 2018-02-15 Duke University Systems and methods for automated radiation treatment planning with decision support
US20180144214A1 (en) 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
JP2018117883A (ja) 2017-01-25 2018-08-02 国立大学法人大阪大学 学習装置、識別装置、識別方法、及びプログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2731747C (en) * 2008-07-25 2020-05-05 Aureon Laboratories, Inc. Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition
GB0916635D0 (en) 2009-09-22 2009-11-04 Isis Innovation Ultrasound systems
US9433389B2 (en) * 2011-07-12 2016-09-06 University Of Maryland, Baltimore Method for monitoring the accuracy of tissue motion prediction from surrogates
US9846938B2 (en) * 2015-06-01 2017-12-19 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
US10269114B2 (en) * 2015-06-12 2019-04-23 International Business Machines Corporation Methods and systems for automatically scoring diagnoses associated with clinical images
JP6855465B2 (ja) * 2015-10-09 2021-04-07 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 撮像及び生理学的モニタリングを組み合わせた強化型の急性ケアマネジメント
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
US20180247714A1 (en) * 2017-02-28 2018-08-30 Samsung Electronics Co., Ltd. Methods and apparatuses for monitoring condition of object in medical imaging
US10140421B1 (en) * 2017-05-25 2018-11-27 Enlitic, Inc. Medical scan annotator system
US10489907B2 (en) * 2017-11-13 2019-11-26 Siemens Healthcare Gmbh Artifact identification and/or correction for medical imaging
WO2019099551A1 (en) * 2017-11-14 2019-05-23 Reflexion Medical, Inc. Systems and methods for patient monitoring for radiotherapy
US11557390B2 (en) * 2018-04-30 2023-01-17 Elekta, Inc. Radiotherapy treatment plan modeling using generative adversarial networks

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002230518A (ja) 2000-11-29 2002-08-16 Fujitsu Ltd 診断支援プログラム、診断支援プログラムを記録したコンピュータ読取可能な記録媒体、診断支援装置及び診断支援方法
JP2005198798A (ja) 2004-01-15 2005-07-28 Canon Inc 放射線画像処理装置及び処理方法
WO2008155738A2 (en) 2007-06-21 2008-12-24 Koninklijke Philips Electronics N.V. Adjusting acquisition protocols for dynamic medical imaging using dynamic models
JP2010277231A (ja) 2009-05-27 2010-12-09 Konica Minolta Medical & Graphic Inc データ処理装置、方法及びプログラム
JP2013153824A (ja) 2012-01-27 2013-08-15 Toshiba Corp Ｘ線ｃｔ装置
JP2014226557A (ja) 2013-05-22 2014-12-08 株式会社東芝 画像処理装置、医用画像診断装置及び画像処理方法
JP2015163872A (ja) 2014-01-31 2015-09-10 株式会社東芝 核医学画像撮影装置及び制御方法
US20180043182A1 (en) 2015-03-06 2018-02-15 Duke University Systems and methods for automated radiation treatment planning with decision support
US20180144214A1 (en) 2016-11-23 2018-05-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
JP2018117883A (ja) 2017-01-25 2018-08-02 国立大学法人大阪大学 学習装置、識別装置、識別方法、及びプログラム

Also Published As

Publication number Publication date
US11244445B2 (en) 2022-02-08
JP2020044162A (ja) 2020-03-26
US20200098106A1 (en) 2020-03-26

Similar Documents

Publication Publication Date Title
JP7134805B2 (ja) 医用情報処理装置および医用情報処理システム
CN109938764B (zh) 一种基于深度学习的自适应多部位扫描成像方法及其***
WO2021213519A1 (zh) 图像获取、判断图像质量、医学图像采集的方法和***
US10628972B2 (en) Diagnostic imaging method and apparatus, and recording medium thereof
JP7254656B2 (ja) 医用画像処理装置、医用画像診断装置及び核医学診断装置
JP2019198376A (ja) 医用画像処理装置、医用画像処理方法、及び医用画像処理システム
CN111374690A (zh) 医学成像方法及***
US20190236774A1 (en) Systems and methods for capturing deep learning training data from imaging systems
JP2017202311A (ja) 医用画像診断装置及び管理装置
JP2017074194A (ja) 画像処理装置及びｘ線診断装置
JP7223539B2 (ja) 乳がん診断支援装置、乳がん診断支援システム、および乳がん診断支援方法
US20230181142A1 (en) Radiation exposure dose management apparatus, radiation exposure dose management method, and storage medium
EP4123572A2 (en) An apparatus and a method for x-ray image restoration
JP2020099409A (ja) 医用画像処理装置、医用画像診断装置、及び医用画像処理方法
JP6925786B2 (ja) Ｘ線ｃｔ装置
JP6956514B2 (ja) Ｘ線ｃｔ装置及び医用情報管理装置
US11666299B2 (en) Controlling a medical X-ray device
JP7233236B2 (ja) 医用画像処理装置、ｘ線診断装置、およびプログラム
JP7291466B2 (ja) 医用画像処理装置
JP7055708B2 (ja) Ｘ線ｃｔ装置および医用情報処理装置
JP7182488B2 (ja) Ｘ線照射制御装置、ｘ線診断装置、およびｘ線照射制御プログラム
US20190000410A1 (en) X-ray ct apparatus and medical information processing apparatus
JP7179497B2 (ja) Ｘ線ｃｔ装置及び画像生成方法
JP2023055322A (ja) 機械学習モデル評価装置、機械学習モデル評価方法、及びプログラム
JP2022027382A (ja) 情報処理方法、医用画像診断装置及び情報処理システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210803

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220720

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: 20220802

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220831

R150 Certificate of patent or registration of utility model

Ref document number: 7134805

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150